CN107947156B - 基于改进Softmax回归的电网故障临界切除时间判别方法 - Google Patents
基于改进Softmax回归的电网故障临界切除时间判别方法 Download PDFInfo
- Publication number
- CN107947156B CN107947156B CN201711190512.9A CN201711190512A CN107947156B CN 107947156 B CN107947156 B CN 107947156B CN 201711190512 A CN201711190512 A CN 201711190512A CN 107947156 B CN107947156 B CN 107947156B
- Authority
- CN
- China
- Prior art keywords
- power grid
- variance
- normal distribution
- softmax regression
- probability distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012850 discrimination method Methods 0.000 title abstract description 4
- 238000009826 distribution Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012821 model calculation Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000012884 algebraic function Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000006641 stabilisation Effects 0.000 abstract description 2
- 238000011105 stabilization Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 235000010575 Pueraria lobata Nutrition 0.000 description 2
- 241000219781 Pueraria montana var. lobata Species 0.000 description 2
- 238000002679 ablation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于大电网稳定与控制领域,主要涉及一种基于改进Softmax回归的电网故障临界切除时间判别方法;该方法修改了标准Softmax回归的代价函数,采用以正确分类为中心的正态分布作为目标概率分布,把模型计算得到的概率分布与目标概率分布之间的KL散度作为代价函数,通过缩小正态分布方差和不断迭代来获得最优模型。
Description
技术领域
本发明属于大电网稳定与控制领域,是一种基于机器学习方法和历史计算数据,对电力***预想故障对应的稳定特征进行自动辨识的方法,特别是涉及一种基于改进Softmax回归的电网故障临界切除时间判别方法。
背景技术
随着经济水平的飞速提升,中国社会对电力的需求也日益强烈。为了保障电能安全可靠的传输,中国电网中开展了西电东送、全国联网以及特高压输电等重大工程,交直流混联的特大电网已经基本形成。随着电网规模的扩大,电网安全稳定性愈加难以掌控。世界上已经发生的多次电网故障表明,输电电压等级的提高、联网规模扩大以及传输容量的增加,都会增大电网故障带来的危害,故障原因和过程也更为复杂。开展对运行电网全面细致的在线监视、分析和控制,保障电力生产、传输和使用的安全是各国电力行业的迫切需求。
开展电网在线安全稳定分析工作,计算速度是必须保障的核心指标之一,如果失去计算速度,那么在线分析也就失去了时效性,而变得没有意义。现有在线分析***主要采用时域仿真方法进行分析,计算量较大,难以进一步提升速度;而采用快速判稳方法,虽然速度较快,但它非常依赖于电网稳定特征的选取,不准确的特征将造成预测结果的极大误差。另一方面,在线分析***积累了大量的历史数据,其中蕴含了宝贵的电网运行规律,同时又贴近实际运行情况,可作为稳定特征识别的依据。
本发明的目标就是利用历史数据来对不同方式和预想故障下的电网稳定特征进行自动辨识。
随着电网规模的扩大,影响电网稳定的因素越来越复杂,而从中有效地挖掘关键的稳定特征也就成为掌控电网运行的重要课题。稳定特征辨识方法目前已有一定的研究,现有方法往往过于依赖人工经验,所选特征比较局限,不能广泛地选取,造成存在漏选的可能。
发明内容
发明目的:
为了解决现有方法存在的问题,本发明提出了一种基于改进Softmax回归的电网故障临界切除时间判别方法,可扩大特征选择范围,覆盖电力***在线数据中全部设备的静态量,通过机器学习方法自动辨识出对于电网稳定影响最大的主要特征。
技术方案:
基于改进Softmax回归的电网故障临界切除时间判别方法,该方法修改了标准Softmax回归的代价函数,采用以正确分类为中心的正态分布作为目标概率分布,把模型计算得到的概率分布与目标概率分布之间的KL散度作为代价函数,通过缩小正态分布方差和不断迭代来获得最优模型。
该方法步骤如下:
a)初始化
对于某一指定故障,统计样本库中CCT结果的上下限,并做离散化处理,获得所有可能的分类和类别总数;初始化正态分布的方差,为迭代计算做准备;
b)计算KL散度
对于单个样本,通过预测得到的输入特征属于各个分类的概率,计算不同类别的概率分布;并根据正确分类和正态分布方差形成不同类别的目标概率分布,计算两种分布之间的KL散度;
c)迭代优化
采用批量梯度下降法进行优化,当代价函数持续迭代设定代数无明显下降时,能够缩小正态分布的方差,使得正确分类主导作用更加突出,并继续迭代,直至方差小于设定的阈值,然后输出模型的最终优化结果。
优点及效果:
本发明把预想故障的临界切除时间作为电网稳定程度指标,利用电力***在线安全稳定分析***中产生的历史数据,从数据自身特点和分布特征出发,扩大选择范围,可以覆盖电力***在线数据中全部设备的静态量,最终通过机器学习方法自动辨识出对于电网稳定影响最大的主要特征。
本发明利用了CCT结果的特点,改进了Softmax的代价函数,避免机器学习模型陷入到局部最优解,提升了模型的适用性;本发明只是在模型的输出层进行了改进,可以方便地与神经网络等其他模型相结合。
附图说明
图1是本发明实施方案程序流程图。
具体实施方式
下面结合附图对本发明做进一步的说明:
本发明提出了一种改进Softmax回归的电网故障临界切除时间判别方法。该方法修改了标准Softmax回归的代价函数,采用以正确分类为中心的正态分布作为目标概率分布,把模型计算得到的概率分布与目标概率分布之间的KL散度作为代价函数,通过缩小正态分布方差和不断迭代来获得最优模型。
相关概念
临界切除时间
三相短路故障是电力***中最典型的故障形式,而三相短路临界切除时间(CCT,critical clearing time)是指电网发生三相短路故障后,保证***稳定的最大的故障切除时间。临界切除时间代表了***稳定和不稳定的边界,可用于表征电力***发生指定故障的稳定程度,临界切除时间越大,表示该短路故障对***影响越小,***就越稳定。如果临界切除时间小于正常的保护动作时间,则说明该故障会造成***失稳,即***存在安全隐患。
求解临界切除时间的方法主要包括时域仿真法和直接法,前者采用时域仿真计算对临界切除时间进行精确求解,结果最为准确和可靠,但计算耗时较长,相当于若干次暂态稳定计算,难以适应在线分析的要求;后者的优点是计算速度快,能够提供稳定指标,但精度较低。
由于临界切除时间是一个浮点数指标,而逻辑回归方法是用来解决多分类问题的,因此需要把临界切除时间进行离散化。由于目前在线暂稳计算都采用0.01秒作为仿真步长,因此可以自然地把临界切除时间按保留两位小数的方法进行离散。经仿真测试,重要的500kV交流线路的临界切除时间都在0.10-1.00之内,如果大于1.0秒则认为是非常稳定的状态,可归入1.0秒的档位。因此,临界切除时间的预测可转换为不超过100个类型的多分类问题。
Softmax回归
Softmax回归是一种经典的多分类问题机器学习算法。假设输入特征为x,分类数为k,算法的目的是寻找最优的参数矩阵θ,根据x与θ来预测x属于各个分类的概率,取其中概率最大的分类作为其预测的分类。算法的前向执行过程大致如下:
相当于对x各个特征进行线性组合再加一个偏置;
3)设h=(h1,h2,...hk),进一步利用hi,i=1,2,...k得到x属于各个分类的概率:先都以e为底取对数,变为正数,再进行归一化。预测得到的x属于各个分类的概率为:
找出pi中的最大值,其索引作为样本x预测的分类。
然后采取后向传播(BP)算法来优化参数矩阵θ。其大致过程如下:
还可以在上述代价函数中加入LASSO惩罚项,更有利于的θ的优化求解:
λ为控制交叉熵和LASSO惩罚项的比例参数。
2)再根据梯度下降算法优化θ值:求取J(θ)对θ的偏导数,并以此更新θ值:
η称为学习率。
KL散度
KL(Kullback-Leibler)散度是衡量两个概率分布一致性的常用方法。对于所有的i,Pi和Qi之间的KL散度定义为:
C即为本方法的代价函数,其值越小,两个概率分布越一致。可以通过梯度下降算法来求解Softmax回归的参数,使得总体代价函数最小。
指定故障的CCT通常是基于时域仿真方法通过反复计算获取的,由于暂态稳定分析的仿真步长一般为0.01,因此获得的CCT是以0.01为间隔的离散结果,对于CCT的预测也就可以看作是一个多分类问题。但是,CCT又有它的特殊性,它是一个具有大小顺序的指标,在同样分类错误的情况下,也存在着相对的好与不好。例如,CCT真实值是0.25,此时预测结果可能为0.26或0.27,同样是错误,但前者优于后者。换言之,对于CCT的预测是一种包含优劣关系的分类问题。
经过公式(2)所得到的结果为输入x属于各个类别的概率分布,传统的Softmax回归采用交叉熵作为损失函数,实际上是要最大化正确分类所对应的概率,而把不同类别之间看成没有关联关系,这样就没有用到CCT存在大小关系这一重要先验条件。
本发明提出了基于改进Softmax回归的电网故障临界切除时间判别方法,该方法修改了标准Softmax回归的代价函数,采用以正确分类为中心的正态分布作为目标概率分布,把模型计算(公式(2))得到的概率分布与目标概率分布之间的KL散度作为代价函数,通过缩小正态分布方差和不断反复迭代来获得最优模型。步骤如下:
a)初始化
对于某一指定故障,统计样本库中CCT结果的上下限,并做离散化处理,获得所有可能的分类和类别总数;初始化正态分布的方差,为迭代计算做准备。
b)计算KL散度
对于单个样本,通过预测得到的输入特征属于各个分类的概率(公式(2))计算不同类别的概率分布;并根据正确分类和正态分布方差形成不同类别的目标概率分布,计算两种分布之间的KL散度。
以类别总数为5,方差为1.0为例,下表列出了不同正确类别情况下的目标概率分布。例如当正确类别为2时,取第2行结果作为目标概率分布。这样处理既能保证正确分类的主导作用,又能对相近分类给予一定的评分。
类别1 | 类别2 | 类别3 | 类别4 | 类别5 | |
正确类别为1 | 0.57 | 0.35 | 0.07 | 0.01 | 0.00 |
正确类别为2 | 0.26 | 0.42 | 0.26 | 0.06 | 0.00 |
正确类别为3 | 0.05 | 0.25 | 0.40 | 0.25 | 0.05 |
正确类别为4 | 0.00 | 0.06 | 0.26 | 0.42 | 0.26 |
正确类别为5 | 0.00 | 0.01 | 0.07 | 0.35 | 0.57 |
c)迭代优化
采用批量梯度下降法进行优化,当代价函数持续迭代设定代数(如100代)无明显下降时(把训练集中的样本完整地循环一遍为一代),可以缩小正态分布的方差,使得正确分类主导作用更加突出,并继续迭代,直至方差小于设定的阈值,然后输出模型的最终优化结果。
实施例
如图1所示,程序流程主要包括两个循环体:外部循环不断缩小方差σ,直至达到阈值;内部循环最小化KL散度;外部循环完成后训练过程结束,输出最优模型。
以国家电网公司某年1-10月在线计算数据为基础,验证本课题方法的有效性。当月华北-华中处于联网运行状态,因此在线数据中包含国调直调以及华北、华中所有220kV以上的电网设备。电网主要状态量和统计量如下表所示;有效样本数(断面数)为29254个。算例采用机组有功作为输入,重要线路的CCT作为输出,考察故障包括国调.峡葛I线、华北.黄滨一线。
表1电网状态量和统计量列表
预测峡葛线CCT时,CCT所在区间为0.19-0.29,共计11种可能。采用标准的Softmax回归,预测峡葛I线CCT的误差率为13.79%;采用本方法进行预测,误差率为11.58%,略有下降。预测黄滨一线CCT时,CCT所在区间为0.20-0.71,共计52种可能。采用标准Softmax回归,预测黄滨一线CCT的误差率为61.97%;采用本方法进行预测,误差率为28.73%,有比较显著的下降。
从结果中可见:
1)把CCT预测看作一种分类问题的话,类别数量是决定预测效果的一个重要因素,类别越多通常误差率越高。如上述算例所示,峡葛I线类别数为11种,远小于黄滨一线的52种,此时采用标准Softmax回归或本发明方法后,峡葛I线的误差率都会低于黄滨一线。
2)两个算例都表明本方法可以进一步降低模型的误差率,尤其是在类别数量较多的情况下,这种效果更加明显。
本发明方法充分利用了CCT结果的有序性这一重要先验条件,通过缩小方差来逐渐突出正确分类,并且前序训练过程为后面提供了更好的参数初值,使模型逐步趋于最优结果。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.基于改进Softmax回归的电网故障临界切除时间判别方法,其特征在于:该方法修改了标准Softmax回归的代价函数,采用以正确分类为中心的正态分布作为目标概率分布,把模型计算得到的概率分布与目标概率分布之间的KL散度作为代价函数,通过缩小正态分布方差和不断迭代来获得最优模型;
该方法步骤如下:
a)初始化
对于某一指定故障,统计样本库中CCT结果的上下限,并做离散化处理,获得所有可能的分类和类别总数;初始化正态分布的方差,为迭代计算做准备;
b)计算KL散度
对于单个样本,通过预测得到的输入特征属于各个分类的概率,计算不同类别的概率分布;并根据正确分类和正态分布方差形成不同类别的目标概率分布,计算两种分布之间的KL散度;
c)迭代优化
采用批量梯度下降法进行优化,当代价函数持续迭代设定代数无明显下降时,能够缩小正态分布的方差,使得正确分类主导作用更加突出,并继续迭代,直至方差小于设定的阈值,然后输出模型的最终优化结果;
CCT是指电网发生三相短路故障后,保证***稳定的最大的故障切除时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711190512.9A CN107947156B (zh) | 2017-11-24 | 2017-11-24 | 基于改进Softmax回归的电网故障临界切除时间判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711190512.9A CN107947156B (zh) | 2017-11-24 | 2017-11-24 | 基于改进Softmax回归的电网故障临界切除时间判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107947156A CN107947156A (zh) | 2018-04-20 |
CN107947156B true CN107947156B (zh) | 2021-02-05 |
Family
ID=61949635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711190512.9A Active CN107947156B (zh) | 2017-11-24 | 2017-11-24 | 基于改进Softmax回归的电网故障临界切除时间判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107947156B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108562821B (zh) * | 2018-05-08 | 2021-09-28 | 中国电力科学研究院有限公司 | 一种基于Softmax确定配电网单相接地故障选线的方法及*** |
CN110334728B (zh) * | 2019-05-06 | 2022-04-01 | 中国联合网络通信集团有限公司 | 一种面向工业互联网的故障预警方法及装置 |
CN111650898B (zh) * | 2020-05-13 | 2023-10-20 | 大唐七台河发电有限责任公司 | 具备高容错性能的集散控制***及方法 |
CN113381401B (zh) * | 2021-05-31 | 2022-06-07 | 国网宁夏电力有限公司电力科学研究院 | 基于归一化能量并行计算临界切除时间的方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682089A (zh) * | 2012-04-24 | 2012-09-19 | 浙江工业大学 | 一种利用鉴别随机邻域嵌入分析的数据降维方法 |
CN106503654A (zh) * | 2016-10-24 | 2017-03-15 | 中国地质大学(武汉) | 一种基于深度稀疏自编码网络的人脸情感识别方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力***负荷预测方法及装置 |
CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力***稳定特征自动提取方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9965717B2 (en) * | 2015-11-13 | 2018-05-08 | Adobe Systems Incorporated | Learning image representation by distilling from multi-task networks |
-
2017
- 2017-11-24 CN CN201711190512.9A patent/CN107947156B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682089A (zh) * | 2012-04-24 | 2012-09-19 | 浙江工业大学 | 一种利用鉴别随机邻域嵌入分析的数据降维方法 |
CN106503654A (zh) * | 2016-10-24 | 2017-03-15 | 中国地质大学(武汉) | 一种基于深度稀疏自编码网络的人脸情感识别方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力***负荷预测方法及装置 |
CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力***稳定特征自动提取方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于内容的图像检索关键技术的研究;胡友春;《中国石油大学》;20170830;全文 * |
基于深度学习的手写字符串识别方法研究;王庆忠;《万方在线出版》;20170726;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107947156A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106786560B (zh) | 一种电力***稳定特征自动提取方法及装置 | |
CN107947156B (zh) | 基于改进Softmax回归的电网故障临界切除时间判别方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN109034461B (zh) | 一种基于实际电网监测信息的电压暂降随机预估方法 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力***风险评估方法 | |
CN110930052A (zh) | 一种变电设备故障率预测方法,***,设备及可读存储介质 | |
Rossi et al. | Stochastic evaluation of distribution network hosting capacity: Evaluation of the benefits introduced by smart grid technology | |
CN111784066B (zh) | 一种配电网年运行效率预测方法、***及设备 | |
CN107038297A (zh) | 全球能源互联网运行特性仿真的自适应变步长积分方法 | |
CN104866679B (zh) | 一种开关设备的机械特性预测方法 | |
CN113988558B (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
CN113300373B (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
CN115526393B (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
CN116957539A (zh) | 电缆状态评价方法、装置、电子设备及存储介质 | |
CN109376990B (zh) | 一种基于Siamese网络模型确定电力***的临界切除时间的方法及*** | |
CN116702084A (zh) | 一种基于模糊理论的一二次融合柱上断路器状态评价方法 | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及*** | |
CN112967154B (zh) | 一种电力***Well-being的评估方法及装置 | |
CN106529805B (zh) | 一种基于发电机重要度的发电***可靠性评估方法 | |
CN107784015B (zh) | 一种基于电力***在线历史数据的数据约简方法 | |
CN114936612A (zh) | 短路类型识别方法、装置、电子设备及存储介质 | |
Wu et al. | Box-Cox transformation approach for evaluating non-normal processes capability based on the Cpk index | |
CN103683226B (zh) | 一种降低相间距离保护全局动作时间的方法 | |
CN112541708B (zh) | 一种指标确定方法、装置及电子设备 | |
Hou et al. | Electric power network fractal and its relationship with power system fault |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |