[发明专利]一种电网稳定性判别方法、系统及计算机设备

说明书

本发明提出一种电网稳定性判别方法、系统及计算机设备，其方法技术包括收集电网稳定性数据，构建电网样本数据集，并将所述电网样本数据集划分为训练集和测试集；对所述训练集以及测试集的数据进行预处理；构建深度残差网络分类模型；引入激活函数进行模型优化；利用所述训练集数据训练所述深度残差网络分类模型；利用训练好的所述深度残差网络分类模型对所述测试集提取到的电网稳定性数据进行测试；对电网稳定性进行判别并输出结果。本发明解决了传统BP神经网络网络层数过深导致的梯度消失或者梯度爆炸的问题，提升了电网稳定性诊断的精度。

技术领域

本发明属于电网稳定性判别领域，尤其涉及一种电网稳定性判别方法、系统及计算机设备。

背景技术

随着智能电网建设的不断发展和完善，电网稳定性问题在整个电力系统中的地位日趋增长，其稳定状态直接影响着电网工作的稳定性、经济型和安全性。通常，电网需电力供需平衡才能维持稳定，衍生了基于需求驱动的电力生产方法进而实现所述平衡。传统方法通过需求驱动的电力生产来实现这种平衡。然而，对于电网来说，需求响应的概念是一个很有前途的解决方案。这意味着电力消耗量会随着电价的变化而变化，存在不同的方法来定义价格并将其传达给消费者，包括当地电力拍卖或通过建立可靠的需求和供应预测得出的电力价格。最终，判断参与者响应价格变化的行为是否破坏电网的稳定性。

传统电网稳定性判别方法基于专家经验规则对其进行打分，判定电网稳定性时，每次只改变其中某一个电网参数值，固定其他参数，并结合给出的电网参数稳定区间参考范围，考虑当前电网各参数的组合是否为稳定状态，上述过程忽略了其他参数之间的交互作用关系且极大程度上依赖于专家经验规则，因此其诊断精度上仍存在一定问题。且传统神经网络(多层感知机)误差进行反向传播时，为获取某参数的偏导数时，需要对其进行链式求导。然而，由于网络学习为非线性叠加，在深层网络下会存在偏导数结果极大或者极小的情况，从而导致梯度消失或者梯度爆炸，最终影响电网判别模型的诊断精度。

发明内容

本申请实施例提供了一种电网稳定性判别方法、系统及计算机设备，以至少解决电网判别模型的诊断精度存在缺陷的问题。

第一方面，本申请实施例提供了一种电网稳定性判别方法，包括：

S101.收集电网稳定性数据，构建电网样本数据集，并将所述电网样本数据集划分为训练集和测试集；

S102.对所述训练集以及测试集的数据进行预处理；

S103.构建深度残差网络分类模型；

S104.引入激活函数进行模型优化；

S105.利用所述训练集数据训练所述深度残差网络分类模型；

S106.利用训练好的所述深度残差网络分类模型对所述测试集提取到的电网稳定性数据进行测试；

S107.对电网稳定性进行判别并输出结果。

优选的，所述预处理为数据归一化处理。

优选的，所述步骤S103包括在深度残差网络中加入多层感知机。

优选的，所述深度残差网络分类模型包括模型输入层、原始数据预处理、残差-BP学习模块、特征提取层以及输出层。

优选的，所述深度残差网络分类模型包括恒等残差捷径；所述恒等残差捷径将误差略过模型中间部分隐藏层，直接传递到上层网络中。

优选的，所述深度残差网络分类模型中的网络学习为线性叠加，公式为：

F＝f(X,W)