[发明专利]基于深度学习的电网振荡模态评估与安全主动预警方法

权利要求书

1.一种基于深度学习的电网振荡模态评估与安全主动预警方法，其特征在于，步骤如下：

S1、根据所需预警的电力系统规模与结构，构建用于预测关键特征值趋势的双流卷积神经网络的网络结构及超参数，并确定输入输出的数据结构；

S2、在仿真电力系统的目标运行点的基础上，随机调整系统负荷及各发电机的出力，针对每种采样情形计算系统潮流，获取海量的运行点；在各运行点处进行线性化并仿真得到该运行点对应的所有特征值；将得到的所有运行点的特征值数据按照振荡模态进行划分和归一化后，分别针对每个振荡模态构建训练数据；基于每个振荡模态的训练数据训练S1中构建的双流卷积神经网络，得到不同振荡模态的关键特征值趋势预测模型；

S3、根据在线实时量测的电力系统运行信息，从海量历史数据中基于最短路径法匹配出一个与当前电力系统运行点距离最短的历史仿真运行点，并基于该历史仿真运行点的关键振荡模态对应的关键特征值趋势预测模型对当前电力系统运行点进行在线预警。

2.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法，其特征在于，S1中，所述的双流卷积神经网络中包含空间流网络和时间流网络，两个网络经过融合层后输出最终预测结果。

3.根据权利要求2所述的基于深度学习的电网振荡模态评估与安全主动预警方法，其特征在于，所述空间流网络和时间流网络均具有5层结构，所述融合层包含若干卷积层和全连接层。

4.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法，其特征在于，S2中，需要针对每一种振荡模式，单独训练S1中构建的双流卷积神经网络。

5.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法，其特征在于，S1中，所述双流卷积神经网络的输入输出数据结构如下：

对于输入数据，当前时刻为t，需要获取t，t-t₀，t-2t₀，t-3t₀，t-4t₀，t-5t₀六个时刻的电力系统功率数据X_t，其中t₀为时间采样间隔；任一时刻的电力系统功率数据X形式为：

当i＝j时，P_ij、Q_ij分别为节点i的负荷有功功率、负荷无功功率，当i≠j时，P_ij、Q_ij分别为由节点i通过线路传给节点j的线路有功功率、线路无功功率，若两点间无线路连接则两个功率值均为0；

输入数据包含两部分，即当前时刻电力系统功率数据X_t及用于表示系统运行趋势的状态

对于输出数据，应当获取系统关键特征值组成的集合Y＝[y₁，y₂，...，y_m]^T，其中m为振荡模式的数量，y_i为第i个关键振荡模式对应的特征值组，i＝1，2，...，m；输出数据为由各关键特征值的运动趋势向量组成的集合即系统关键特征值在t+t₀时刻的值减去在t时刻的值

6.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法，其特征在于，S2中，模型训练时通过随机梯度下降算法优化模型参数，使得损失评价函数的值最小。

7.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法，其特征在于，所述电力系统中的采样间隔为0.1秒。

8.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法，其特征在于，S3中，当前运行状态接近于稳定边界且预测出的特征值运动趋势朝向不稳定方向时，系统需要发出预警，否则不发出。