[发明专利]电力系统失稳状态识别模型训练方法及识别方法

权利要求书

1.一种电力系统失稳状态识别模型的训练方法，其特征在于，包括：

对携带失稳状态标签的原始样本集进行标签噪声识别；原始样本包括电网运行数据，失稳状态包括是否失稳以及失稳模式；

以电网运行数据为输入、以失稳状态为输出训练目标神经网络，得到电力系统失稳状态识别模型；其中，

所述标签噪声识别的过程包括；

以原始样本集的电网运行数据为输入、以失稳状态为输出训练模型，根据最终损失值将原始样本集分为损失较小的简单样本集和损失较大的复杂样本集，记录复杂样本集中的每个复杂样本在整个训练过程中的损失值序列；

将简单样本集中的部分样本的失稳状态标签更改为错误标签，形成人工标签噪声样本集；

以人工标签噪声样本集的电网运行数据为输入、以失稳状态为输出训练模型M₁，根据最终损失值将人工标签噪声样本集分为损失较小的简单样本集和损失较大的复杂样本集，记录复杂样本集中的每个复杂样本在整个训练过程中的损失值序列以及标签类型，标签类型记录对应的复杂样本的标签是否为错误标签；

以复杂样本集的损失值序列为输入、以标签类型为输出训练辅助模型；

将复杂样本集的损失值序列输入辅助模型以将复杂样本集分类为具有错误标签的噪声样本集和正确标签的困难样本集。

2.如权利要求1所述的电力系统失稳状态识别模型的训练方法，其特征在于，训练目标神经网络所用的训练样本集为剔除原始样本集中的噪声样本集后得到，直接利用训练样本训练目标神经网络。

3.如权利要求1所述的电力系统失稳状态识别模型的训练方法，其特征在于，训练目标神经网络所用的训练样本集包括标注样本集和无标注样本集，其中，标注样本集为剔除原始样本集中的噪声样本集后得到，包含简单样本和困难样本，无标注样本集为删除噪声样本集中的标签所得；

训练目标神经网络包括：利用训练样本集进行虚拟对抗训练，虚拟对抗训练的总损失函数包含常规分类损失函数和虚拟对抗损失函数，常规分类损失函数评估标注样本集的实际标签与预测标签的偏差，虚拟对抗损失函数评估原始的训练样本集的预测标签与添加扰动后的训练样本集的预测标签之间的差异。

4.如权利要求3所述的电力系统失稳状态识别模型的训练方法，其特征在于，利用KL散度评估原始的训练样本集的预测标签与添加扰动后的训练样本集的预测标签之间的差异。

5.如权利要求1所述的电力系统失稳状态识别模型的训练方法，其特征在于，将简单样本集中的部分样本的失稳标签更改为错误标签时，被更改的简单样本占简单样本集的比例与原始样本集中噪声的比例相同。

6.如权利要求1所述的电力系统失稳状态识别模型的训练方法，其特征在于，根据最终损失值将原始样本集分为损失较小的简单样本集和损失较大的复杂样本集，包括：根据损失阈值进行划分，所述损失阈值为对应训练最终得到的最大损失值的20％～40％。

7.如权利要求6所述的电力系统失稳状态识别模型的训练方法，其特征在于，将人工标签噪声样本集分为损失较小的简单样本集和损失较大的复杂样本集，包括：根据损失阈值进行划分，所述损失阈值为对应训练最终得到的最大损失值的20％～40％。

8.如权利要求1所述的电力系统失稳状态识别模型的训练方法，其特征在于，辅助模型采用长短期记忆神经网络。

9.如权利要求1所述的电力系统失稳状态识别模型的训练方法，其特征在于，电网运行数据包括电压数据和功角数据，失稳模式包括功角失稳和电压失稳。

10.一种电力系统失稳状态识别方法，其特征在于，包括：

将电网运行数据输入电力系统失稳状态识别模型，得到失稳状态；其中，所述电力系统失稳状态识别模型为利用权利要求1至9任一项所述的电力系统失稳状态识别模型的训练方法训练所得。