[发明专利]结合人工特征和残差网络的电力系统暂态稳定预测方法

摘要

本发明涉及一种结合人工特征和残差网络的电力系统暂态稳定预测方法，属于电力系统稳定分析技术领域。本发明采集故障切除后发电机的各变量，构成初始特征向量；根据人为设定从初始特征中提取人工特征，将初始特征向量排列成三维数据，利用深度残差网络中的残差单元自动提取特征，将该自动提取特征与人工特征共同作为全连接层的输入，经过两层全连接层处理后得到暂态稳定预测输出，构成暂态稳定预测模型的结构；最后，利用训练样本集和验证样本集，迭代求解得到相对优的模型参数，从而得到最终的暂态稳定预测模型，并用于暂态稳定预测。本发明通过人工特征与深度残差网络中残差单元的结合，以及模型参数的择优选择，能够提高电力系统暂态稳定的预测准确率。

主权项

1.一种结合人工特征和残差网络的电力系统暂态稳定预测方法，其特征在于，该方法包括以下步骤：(1)对具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，对s种运行工况在f种故障下的暂态稳定性进行时域仿真计算，得到s×f种运行场景的特征向量X^k和暂态稳定性y^k，其中，上标k表示第k种运行场景，k＝1,2,…,s×f，y_k＝(0,1)表示电力系统在故障清除后能够保持暂态稳定，y_k＝(1,0)表示电力系统在故障清除后不能保持暂态稳定，故障清除时间根据人工经验设定，第k种运行场景中故障清除后n个采样点的发电机有功功率P_Gi^k、发电机转子角度δ_i^k、发电机转子角速度ω_i^k、发电机母线的电压幅值V_Gi^k和发电机母线的电压相角θ_Gi^k构成特征向量X^k：X^k＝[P_Gi^k(t),δ_i^k(t),ω_i^k(t),V_Gi^k(t),θ_Gi^k(t)]其中，下标i表示电力系统中的第i台发电机，i＝1,2,…,N，t表示第t个采样点，t＝1,2,…,n，n为人为设定的采样点数，采样频率选为电力系统的额定频率；(2)根据步骤(1)中的特征向量X^k＝[P_Gi^k(t),δ_i^k(t),ω_i^k(t),V_Gi^k(t),θ_Gi^k(t)]，计算如下30×n个人为定义的人工特征：人工特征其中0_‑表示故障发生前的最后一个采样值人工特征人工特征人工特征人工特征Y₅^k(t)＝Y₃^k(t)‑Y₄^k(t)人工特征Y₆^k(t)＝Y₂^k(t)/Y₁^k(t)人工特征人工特征人工特征人工特征人工特征Y₁₁^k(t)＝Y₉^k(t)‑Y₁₀^k(t)人工特征Y₁₂^k(t)＝Y₈^k(t)/Y₇^k(t)人工特征人工特征人工特征人工特征人工特征Y₁₇^k(t)＝Y₁₅^k(t)‑Y₁₆^k(t)人工特征Y₁₈^k(t)＝Y₁₄^k(t)/Y₁₃^k(t)人工特征人工特征人工特征人工特征人工特征Y₂₃^k(t)＝Y₂₁^k(t)‑Y₂₂^k(t)人工特征Y₂₄^k(t)＝Y₂₀^k(t)/Y₁₉^k(t)人工特征人工特征人工特征人工特征人工特征Y₂₉^k(t)＝Y₂₇^k(t)‑Y₂₈^k(t)人工特征Y₃₀^k(t)＝Y₂₆^k(t)/Y₂₅^k(t)将上述30×n个人工特征Y_p^k(t)进行最大最小归一化，其中，下标p＝1,…,30，得到归一化后的人工特征归一化的公式为：(3)将每种场景的特征向量X^k＝[P_Gi^k(t),δ_i^k(t),ω_i^k(t),V_Gi^k(t),θ_Gi^k(t)]进行最大最小归一化，按照发电机维度、变量维度和时间维度排列成三维数据然后设置卷积层、池化层、残差单元和全连接层，结合步骤(2)中的30×n个人工特征得到暂态稳定预测模型M的结构，具体包括以下步骤：(3‑1)将步骤(1)得到的每一种运行场景下的特征向量X^k＝[P_Gi^k(t),δ_i^k(t),ω_i^k(t),V_Gi^k(t),θ_Gi^k(t)]进行最大最小归一化，归一化的公式为：然后，将归一化后的数据按照发电机维度、时间维度和变量维度排列成三维数据该三维数据的维度为N×n×5；(3‑2)结合步骤(2)中的人工特征和深度学习中的残差网络，设计得到暂态稳定预测模型M的结构，M的输入数据是步骤(2)得到的归一化人工特征和步骤(3‑1)得到的三维数据M的输出是O_k²，当O_k²＝(0,1)时，表示电力系统在第k种运行场景下能够保持暂态稳定，当O_k²＝(1,0)时，表示电力系统在第k种运行场景下不能保持暂态稳定，模型M由如下多个单元堆叠而成：(3‑2‑1)卷积层：利用c个卷积核w_l和一个偏置矩阵V⁰对步骤(3‑1)中第k种运行场景的三维数据进行卷积操作，得到特征向量O_k，其中，l＝1,…,c，卷积核w_l和偏置矩阵V⁰是步骤(4)的待求参数，w_l∈R^a×d，R^a×d表示a×d维矩阵，且矩阵中每一个元素都是实数，a和d的值取为奇数，且满足a≤N，d≤n，卷积核的个数c≥5；(3‑2‑2)池化层：对特征向量O_k进行最大池化，获得池化后的特征A_k⁰；(3‑2‑3)堆叠的m个残差单元：利用深度残差网络中堆叠的m个残差单元，对步骤(3‑2‑3)的池化后特征A_k⁰进行特征提取，其中，第f个残差单元的输出为：A_k^f＝σ(σ(A_k^f‑1*J_l^f,1+V^f,1)*J_l^f,2+V^f,2+A_k^f‑1)其中，上标f＝1,…,m，m为残差单元的总数，m的值由人为设定，σ()是ReLU激活函数，A_k^f是第f个残差单元的输出，A_k^f‑1是第f‑1个残差单元的输出，J_l^f,1是第f级残差单元使用的第一层卷积层的第l个卷积核，J_l^f,2是第f级残差单元使用的第二层卷积层的第l个卷积核，l＝1,…,c，V^f,1是第f级残差单元使用的第一层卷积层的偏置矩阵，V^f,2是第f级残差单元使用的第二层卷积层的偏置矩阵，卷积核J_l^f,1和J_l^f,2、偏置矩阵V_l^f,1和V_l^f,2是步骤(4)的待求参数；(3‑2‑4)池化层：对第m级残差单元的输出A_k^m进行最大池化，获得池化后特征Q_k；(3‑2‑5)批归一化层：利用批归一化方法，对步骤(3‑2‑4)的池化后特征Q_k进行归一化处理，得到归一化后的特征U_k；(3‑2‑6)平铺层：利用平铺函数，将步骤(3‑2‑5)的归一化特征U_k平铺为h×1维特征向量V_k，其中h的大小由归一化特征U_k的维度决定；(3‑2‑7)第一层全连接层：将步骤(2)得到的30×n个归一化人工特征与步骤(3‑2‑6)的h×1维特征向量V_k合并为Z_k，Z_k是(h+30×n)×1维向量，然后将Z_k输入到第一层全连接层中，得到第一层全连接层的输出为O_k¹：O_k¹＝σ(GZ_k+b¹)其中，上标1表示第一层全连接层，权重矩阵G∈R^g×h，R^g×h表示g×h维矩阵，且矩阵中每一个元素都是实数，第一层全连接层的偏置向量b¹∈R^g×1，R^g×1表示g×1维向量，且向量中每一个元素都是实数，g表示全连接层的输出维度，第一层全连接层的输出维度由人为设定，取值范围设为g∈(2,h+30×n)，权重矩阵G和偏置向量b¹是步骤(4)的待求参数；(3‑2‑8)第二层全连接层：将步骤(3‑2‑7)的输出O_k¹输入到第二层全连接层中，得到第二层全连接层的输出为O_k²：O_k²＝Softmax(HO_k¹+b²)其中，上标2表示第二层全连接层，权重矩阵H∈R^2×g，R^2×g表示2×g维矩阵，且矩阵中每一个元素都是实数，第二层全连接层的偏置向量b²∈R^2×1，R^2×1表示2×1维向量，且向量中每一个元素都是实数，Softmax()是Softmax激活函数，权重矩阵H和偏置向量b²均为步骤(4)的待求参数；(4)根据步骤(1)得到的s×f个样本和基于自适应矩估计的梯度下降算法，即Adam算法，迭代计算M中的待求参数，得到最终的暂态稳定预测模型，具体包括如下步骤：(4‑1)从步骤(1)得到的s×f个样本中随机抽取个样本作为训练集，剩余个样本作为验证集，其中表示对0.8×s×f向下取整；(4‑2)设定一个集合S＝{e_max,A_max,M_max}，其中A_max是迭代过程中得到暂态稳定预测模型的最高预测准确率，e_max是取得最高预测准确率A_max时的迭代次数，M_max是第e_max次迭代得到的暂态稳定预测模型，记迭代次数为r，最大迭代次数为r_max，最小迭代次数为r_min，其中r_max和r_min的值由人为设定，并满足r_max＞r_min≥10，设迭代次数r的初值为0，e_max初值为0，A_max的初值为‑1，模型M_max设为空；(4‑3)将迭代次数r与最大迭代次数r_max进行比较：(4‑3‑1)若r≥r_max，则集合S中的M_max作为最终的电力系统暂态稳定预测模型；(4‑3‑2)若r＜r_max，则令r:＝r+1，转入步骤(4‑4)；(4‑4)利用步骤(4‑1)的训练集和Adam算法，计算步骤(3)中模型M的所有待求参数，包括w_l、V⁰、J_l^f,1、J_l^f,2、V_l^f,1、V_l^f,2、G、H、b¹和b²，得到第r次迭代当前参数对应的暂态稳定预测模型M_r；(4‑5)利用M_r对步骤(4‑1)验证集中所有样本的暂态稳定性进行预测，得到预测准确率，记为A_r，将A_r的值与A_max进行比较：(4‑5‑1)若A_r>A_max，则令e_max＝r，A_max＝A_r，M_max＝M_r，更新得到新的集合S，然后转入步骤(4‑3)；(4‑5‑2)若A_r≤A_max，则将e_max的值与r和r‑r_min的值进行比较，如果满足r‑r_min≤e_max≤r，则转入步骤(4‑3)，如果不满足r‑r_min≤e_max≤r，则停止迭代，取集合S中的M_max作为最终的电力系统暂态稳定预测模型；(5)获取故障切除后发电机的有功功率、转子角度、转子角速度、电压幅值和电压相角，经过计算并输入至步骤(4)得到的电力系统暂态稳定预测模型中，得到暂态稳定预测结果，具体包括如下步骤：(5‑1)利用离线时域仿真计算或直接采集电力系统广域测量信息系统的量测数据，得到故障清除后n个采样点的发电机有功功率P_Gi(t)、发电机转子角度δ_i(t)、发电机转子角速度ω_i(t)、发电机母线的电压幅值V_Gi(t)和发电机母线的电压相角θ_Gi(t)，构成初始输入特征，其中t＝1,…,n；(5‑2)对步骤(5‑1)的初始输入特征计算得到步骤(2)定义的30×n个归一化后的人工特征；(5‑3)利用步骤(3‑1)的最大最小归一化对初始输入特征进行归一化处理后并排列成N×n×5的三维数据；(5‑4)将步骤(5‑2)得到的30×n个归一化后的人工特征和步骤(5‑3)得到的N×n×5的三维数据共同输入至步骤(4)得到的电力系统暂态稳定预测模型中，得到电力系统的暂态稳定预测结果。