[发明专利]基于不完整数据的深度强化学习短期电压稳定性评估方法

权利要求书

1.基于不完整数据的深度强化学习短期电压稳定性评估方法，该评估方法用于对多母线电力系统的电压稳定性进行评估，多母线电力系统的母线的条数为N，N为大于或等于2的整数；

其特征在于，该评估方法包括如下过程：

步骤一、获得每条母线所对应的训练后的LSTM神经网络模型，同时还获得训练后的DDQN模型；

步骤二、在每个采样时间段内，采集N条母线的母线电压数据，并获得M个采样结果，并判断N是否等于M，结果为是，则判定无数据丢失，执行步骤四；结果为否，则判定有数据丢失，执行步骤三；

其中，M为整数；

步骤三、根据当前采样时间段内的M个采样结果，获知在当前采样时间段内存在N-M条母线发生故障；通过发生故障的N-M条母线所对应的关联历史数据，以及发生故障的N-M条母线所对应的N-M个训练后的LSTM神经网络模型，获得发生故障的每条母线所对应母线电压预测值，从而获得发生故障的N-M条母线所对应的N-M个母线电压预测值；再利用N-M个母线电压预测值对M个采样结果进行数据填充，获得N个采样结果，其中，N个采样结果分别为采集到的N条母线的母线电压数据，执行步骤三；

步骤四、通过训练后的DDQN模型对采集到的N条母线的母线电压数据进行动作价值分析后，获得两个数据，分别为系统稳定状态所对应的值Q1和系统非稳定状态所对应的值Q2；并判断Q1是否大于Q2，结果为是，则判定多母线电力系统的电压稳定，多母线电力系统处于安全状态；结果为否，则判定多母线电力系统的电压不稳定，多母线电力系统处于应急状态。

2.根据权利要求1所述的基于不完整数据的深度强化学习短期电压稳定性评估方法，其特征在于，步骤三中，每条母线所对应的关联历史数据为：

该母线在与当前采样时间段相邻的P个采样时间段内的母线电压数据；

其中，P为大于2且小于64的整数。

3.根据权利要求1或2所述的基于不完整数据的深度强化学习短期电压稳定性评估方法，其特征在于，步骤三中，通过发生故障的N-M条母线所对应的关联历史数据，以及发生故障的N-M条母线所对应的N-M个训练后的LSTM神经网络模型，获得发生故障的每条母线所对应母线电压预测值的实现方式为：

将当前采样时间段内发生故障的N-M条母线中的每条母线所对应的关联历史数据送至该母线所对应训练后的LSTM神经网络模型中，通过该训练后的LSTM神经网络模型预测出该母线在当前采样时间段内的母线电压预测值。

4.根据权利要求1所述的基于不完整数据的深度强化学习短期电压稳定性评估方法，其特征在于，步骤一中，获得每条母线所对应的训练后的LSTM神经网络模型的实现方式为：

步骤一一一、提取每条母线所对应的L组初始历史数据，其中，每组初始历史数据包括第一至X个采样时间段内的X个母线电压数据，并将第一至第X-1个采样时间段内的X-1个母线电压数据作为该组初始历史数据中的训练样本数据，将第X个采样时间段内的母线电压数据作为该组初始历史数据中的参考数据；其中，L为大于或等于3的整数，X为大于或等于3的整数；

步骤一一二、对N个初始LSTM神经网络模型的各参数进行初始化，N个初始LSTM神经网络模型分别与N条母线一一对应，通过每个初始LSTM神经网络模型对与其对应的母线的每组初始历史数据中的训练样本数据进行处理，获得每条母线的每组初始历史数据所对应的电压预测值；

步骤一一三、将每条母线的每组初始历史数据所对应的电压预测值与该组初始历史数据中的参考数据作差，并将其差值作为模型损失，利用该模型损失更新该条母线对应的初始LSTM神经网络模型的各参数，使该条母线的所有组初始历史数据重复执行该过程，直至模型损失小于预设容忍损失，停止更新，从而获得该条母线所对应的训练后的LSTM神经网络模型。