[发明专利]一种基于多通道卷积的系统风险评估的计算方法及装置

权利要求书

1.一种基于多通道卷积的系统运行风险的计算方法，其特征在于：包括以下步骤：

步骤1，数据积累：蒙特卡洛模拟系统运行状态并积累数据；

步骤2，数据预处理：根据积累的数据建立数据仓库并进行数据筛选；

步骤3，离线训练：深度学习训练LC预测器；

步骤4，在线应用：模型的在线使用。

2.根据权利要求1所述的基于多通道卷积的系统运行风险的计算方法，其特征在于：本方法分为三个阶段：数据准备、模型训练和在线应用，步骤1和步骤2为数据准备阶段，步骤3为模型训练阶段，步骤4为在线应用阶段。

3.根据权利要求2所述的基于多通道卷积的系统运行风险的计算方法，其特征在于：数据准备与模型训练均是离线进行，数据准备的离线工作包括系统仿真积累状态与数据处理，模型训练是对预测模型的训练。

4.根据权利要求1所述的基于多通道卷积的系统运行风险的计算方法，其特征在于：步骤1中通过蒙特卡洛模拟出系统运行可能的状态集合，并用传统最优潮流计算模型求解各故障状态的负荷削减量作为样本的目标输出。

5.根据权利要求4所述的基于多通道卷积的系统运行风险的计算方法，其特征在于：步骤2中对所建立的数据集进行分类，按照是否产生负荷削减量进行进行分类，并建立数据仓库，之后需要对系统状态数据进行预处理。

6.根据权利要求5所述的基于多通道卷积的系统运行风险的计算方法，其特征在于：步骤3中采用多通道的方式将处理后的系统状态数据传入2D-CNN网络中，所对应的负荷削减量作为标签进行模型训练。

7.根据权利要求6所述的基于多通道卷积的系统运行风险的计算方法，其特征在于：步骤4中得到实现负荷削减量的模型，根据实时监测的系统信息对负荷削减量预测，实现系统风险评估。

8.根据权利要求7所述的基于多通道卷积的系统运行风险的计算方法，其特征在于：在使用蒙特卡洛模拟方法进行数据采集后，节点导纳矩阵、发电机有效出力和节点负荷需求矩阵被选为2D-CNN网络的输入，节点导纳矩阵实部和虚部各自创建等效矩阵，组合成四个矩阵，通过多通道的方式传入到卷积层中；在所输入的数据矩阵被卷积核作用后，卷积神经网络可以挖掘出相关的特征系统，具体特征提取的公式如下：

L₁＝g(xh₁+b₁)

L_i＝g(L_i-1h_i+b_i)

其中L₁表示第一个卷积层的输出，x并表示最原始的输入，h₁是第一层的卷积核，b₁是第一层的偏置，g是第一层的激活函数，L_i-1是前一层的输出作为下一层的输入的结果，L_i表示当前层的输出。

9.根据权利要求8所述的基于多通道卷积的系统运行风险的计算方法，其特征在于：输入数据首先经过两个卷积层后，将相应的结果重建为一维数据，然后展平连接到随后的三个全连接层上，隐藏在连接层中的输出表示如下：

FC＝g(w_fL_last+b_f)

其中L_last是最后一层卷积层的输出，用作为全连接层的输入，w_f、b_f分别是全连接层中的权重和偏置，FC表示全连接层的输出。

10.根据权利要求1-9任一项所述的一种基于多通道卷积的系统风险评估的装置，其特征在于，包括：

输入单元，用于输入当前系统状态数据，所述系统状态数据包括节点导纳矩阵、发电机有效出力以及节点负荷需求矩阵；

卷积神经网络，包括：

卷积层，输入的系统状态数据通过多通道的方式进入到卷积层中进行卷积运算，运算后卷积核寻找到系统状态数据的特征，将这些特征作为卷积层是输出，传入到全连接层中；

全链接层，承接卷积层中输出的特征，将特征展平进行训练，寻找到合适的权重和偏置，挖掘出系统状态数据和负荷削减量的回归关系；

输出单元，用于输出系统的负荷削减量。