CN110321651A - 一种基于正则化svae的暂态稳定性判别方法 - Google Patents
一种基于正则化svae的暂态稳定性判别方法 Download PDFInfo
- Publication number
- CN110321651A CN110321651A CN201910623122.9A CN201910623122A CN110321651A CN 110321651 A CN110321651 A CN 110321651A CN 201910623122 A CN201910623122 A CN 201910623122A CN 110321651 A CN110321651 A CN 110321651A
- Authority
- CN
- China
- Prior art keywords
- svae
- regularization
- model
- failure
- transient stability
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于正则化SVAE的暂态稳定性判别方法,提出了一种具有较好抗噪能力的暂态稳定性判别模型,模型的构建采用了堆叠变分自动编码器(Stacked Variational Auto‑Encoder,SVAE),并在训练过程中引入L2正则化,本发明能够加强稳定性判别模型的泛化能力。
Description
技术领域
本发明涉及电力***技术领域,特别是一种基于正则化SVAE的暂态稳定性判别方法。
背景技术
随着新能源接入比例的增加,新能源的间歇性和随机性对***造成的冲击也会越来越大;同时由于能源与电力消费的分布不均,导致了我国构建了大容量远距离的输电网络。电网结构的过渡和演变、省级电网与大区电网的关联约束、交直流和多直流的相互影响等因素,使电网大扰动行为特性发生巨大变化,电力***的安全稳定运行将面临新的挑战。由于电力***地域宽广、设备众多,其运行变量的变化也十分迅速,仅靠局部信息的控制措施已越来越难以确保其良好的动态性能。因此,基于广域测量***(WAMS)的电力***的暂态稳定性判别与控制具有重大的研究价值。数据驱动型的暂态稳定判别模型,只需要构建输入量与输出量之间的映射模型,将***的实时响应量输入到模型中,即可快速获得***稳定与否的状态信息,在电力***的暂态稳定性分析中得到了快速发展。
发明内容
有鉴于此,本发明的目的是提出一种基于正则化SVAE的暂态稳定性判别方法,能够加强判别模型的泛化能力,能够降低噪声对评估结果的影响。
本发明采用以下方案实现:一种基于正则化SVAE的暂态稳定性判别方法,具体包括以下步骤:
步骤S1:通过大量的离线仿真计算获得大量的训练样本;
步骤S2:提取故障前、故障发生时刻、故障清除时刻、故障后的特征量,其中特征量包括但不限于各发电机的功角、角速度和不平衡功率,各母线的电压及其相角;
步骤S3:在堆叠变分自动编码器SVAE的损失函数中加入L2正则化项;
步骤S4:通过无监督的预训练和有监督的微调相结合,训练SVAE模型;
步骤S5:将步骤S4训练好的SVAE模型用于在线的暂态稳定性评估。
较佳的,步骤S1中,对实际电网的网络结构、发电机、负荷、输电线路、变压器等建立详细的仿真模型,在此基础上,设置不同的故障信息获得大量的离线训练样本。
进一步地,步骤S3具体为:为了提高判别模型的泛化能力,对SVAE模型的损失函数引入L2正则化,加入L2正则化后的损失函数LSparse如下式:
式中,LSVAE为SVAE模型的原始损失函数,w为神经元的权重值参数;β为所有神经元的权重值集合;α为惩罚系数。
进一步地,步骤S4具体为:预训练阶段,模型从最底层的VAE开始训练,当充分完成对本层特征的学习之后,本层VAE输出的高阶特征将作为上一层VAE的输入,继续对上一层VAE进行训练,直至所有VAE都得到了充分的训练。完成对判别模型的预训练,实现了对原始高维特征的提取;将经过SVAE提取后的高维特征输入Logistic分类器,使用反向传播算法对整个网络的参数进行有监督的微调。
进一步地,提取实时的故障发生后***在故障发生前、故障发生时刻、故障清时刻、故障后四个阶段的特征量,输入到SVAE模型中进行电力***暂态稳定性的评估。
较佳的,应用过程中,抗噪能力是在线稳定性判别模型必须具备的一个前提条件。本发明提出了一种具有较好抗噪能力的暂态稳定性判别模型,模型的构建采用了堆叠变分自动编码器(Stacked Variational Auto-Encoder,SVAE),并在训练过程中引入L2正则化,加强了稳定性判别模型的泛化能力。
其中,变分自动编码器(VAE)是自编码器的一种,VAE能够对高维原始特征量进行提取,抽象成低维的高阶特征量而尽可能多的保留原本的信息。与一般的自编码器不同,VAE基于变分贝叶斯推断,通过寻找高阶隐藏变量所满足的高斯分布,使得映射得到的高阶特征具有更强的鲁棒性,有利于增强分类器的泛化能力。利用VAE的强泛化能力,降低噪声对评估结果的影响。
与现有技术相比,本发明有以下有益效果:本发明构建基于正则化SVAE的评估模型,加强了稳定性判别模型的泛化能力,能够降低噪声对评估结果的影响。
附图说明
图1为本发明实施例构建的SVAE模型示意图。
图2为本发明实施例的IEEE39节点***的接线图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于正则化SVAE的暂态稳定性判别方法,具体包括以下步骤:
步骤S1:通过大量的离线仿真计算获得大量的训练样本;
步骤S2:提取故障前、故障发生时刻、故障清除时刻、故障后的特征量,其中特征量包括但不限于各发电机的功角、角速度和不平衡功率,各母线的电压及其相角tezh各发电机的功角、角速度和不平衡功率,各母线的电压及其相角;
步骤S3:在堆叠变分自动编码器SVAE的损失函数中加入L2正则化项;
步骤S4:通过无监督的预训练和有监督的微调相结合,训练SVAE模型;
步骤S5:将步骤S4训练好的SVAE模型用于在线的暂态稳定性评估。
较佳的,在本实施例中,步骤S1中,对实际电网的网络结构、发电机、负荷、输电线路、变压器等建立详细的仿真模型,在此基础上,设置不同的故障信息获得大量的离线训练样本。
在本实施例中,步骤S3具体为:为了提高判别模型的泛化能力,对SVAE模型的损失函数引入L2正则化,加入L2正则化后的损失函数LSparse如下式:
式中,LSVAE为SVAE模型的原始损失函数,w为神经元的权重值参数;β为所有神经元的权重值集合;α为惩罚系数。
在本实施例中,构建的SVAE模型如图1所示,步骤S4具体为:预训练阶段,模型从最底层的VAE开始训练,当充分完成对本层特征的学习之后,本层VAE输出的高阶特征将作为上一层VAE的输入,继续对上一层VAE进行训练,直至所有VAE都得到了充分的训练。完成对判别模型的预训练,实现了对原始高维特征的提取;将经过SVAE提取后的高维特征输入Logistic分类器,使用反向传播算法对整个网络的参数进行有监督的微调。
在本实施例中,提取实时的故障发生后***在故障发生前、故障发生时刻、故障清时刻、故障后四个阶段的特征量,输入到SVAE模型中进行电力***暂态稳定性的评估。
较佳的,应用过程中,抗噪能力是在线稳定性判别模型必须具备的一个前提条件。本发明提出了一种具有较好抗噪能力的暂态稳定性判别模型,模型的构建采用了堆叠变分自动编码器(Stacked Variational Auto-Encoder,SVAE),并在训练过程中引入L2正则化,加强了稳定性判别模型的泛化能力。
其中,变分自动编码器(VAE)是自编码器的一种,VAE能够对高维原始特征量进行提取,抽象成低维的高阶特征量而尽可能多的保留原本的信息。与一般的自编码器不同,VAE基于变分贝叶斯推断,通过寻找高阶隐藏变量所满足的高斯分布,使得映射得到的高阶特征具有更强的鲁棒性,有利于增强分类器的泛化能力。利用VAE的强泛化能力,降低噪声对评估结果的影响。
特别的,本实施例采用PSD-BPA作为仿真软件,测试***采用IEEE-39节点***,带有调速器和调压器,如图2所示。***负荷水平考虑90%、100%、110%负荷情况,故障均为三相短路,故障位置分别位于线路的10%、30%、50%、70%、90%处,故障持续时间分别为100ms、120ms、130ms、140ms、150ms、160ms、180ms、200ms、250ms、300ms,10个故障清除时间。通过仿真总共生成样本4950个,其中保持稳定的样本2933个,不稳定的样本2017个。按比例从保持稳定的样本和不稳定的样本中随机抽取样本数据组成训练集和测试集。
按照本实施例方法提取故障前、故障发生时刻、故障清除时刻、故障后的特征量信息。在损失函数中加入L2正则化。使用无监督预训练与有监督微调训练基于SVAE的评估模型。对比了不同噪声情况下,基于正则化SVAE的评估模型的准确率,其结果如表1所示。
表1 SVAE模型的准确率
从上表可以看出,在没有噪声的情况下,本实施例提出的基于SVAE的暂态稳定性评估模型准确率可以达到97.82%;在噪声的信噪比达到20dB的时候,基于SVAE的评估模型准确率仍然能够达到97.51%;在噪声的信噪比达到10dB的时候,其准确率能够保持在95%以上。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (4)
1.一种基于正则化SVAE的暂态稳定性判别方法,其特征在于,包括以下步骤:
步骤S1:通过大量的离线仿真计算获得大量的训练样本;
步骤S2:提取故障前、故障发生时刻、故障清除时刻、故障后的特征量;
步骤S3:在堆叠变分自动编码器SVAE的损失函数中加入L2正则化项;
步骤S4:通过无监督的预训练和有监督的微调相结合,训练SVAE模型;
步骤S5:将步骤S4训练好的SVAE模型用于在线的暂态稳定性评估。
2.根据权利要求1所述的一种基于正则化SVAE的暂态稳定性判别方法,其特征在于,步骤S3具体为:对SVAE模型的损失函数引入L2正则化,加入L2正则化后的损失函数LSparse如下式:
式中,LSVAE为SVAE模型的原始损失函数,w为神经元的权重值参数;β为所有神经元的权重值集合;α为惩罚系数。
3.根据权利要求1所述的一种基于正则化SVAE的暂态稳定性判别方法,其特征在于,步骤S4具体为:预训练阶段,模型从最底层的VAE开始训练,当充分完成对本层特征的学习之后,本层VAE输出的高阶特征将作为上一层VAE的输入,继续对上一层VAE进行训练,直至所有VAE都得到了充分的训练。完成对判别模型的预训练,实现了对原始高维特征的提取;将经过SVAE提取后的高维特征输入Logistic分类器,使用反向传播算法对整个网络的参数进行有监督的微调。
4.根据权利要求1所述的一种基于正则化SVAE的暂态稳定性判别方法,其特征在于,提取实时的故障发生后***在故障发生前、故障发生时刻、故障清时刻、故障后四个阶段的特征量,输入到SVAE模型中进行电力***暂态稳定性的评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910623122.9A CN110321651A (zh) | 2019-07-11 | 2019-07-11 | 一种基于正则化svae的暂态稳定性判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910623122.9A CN110321651A (zh) | 2019-07-11 | 2019-07-11 | 一种基于正则化svae的暂态稳定性判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110321651A true CN110321651A (zh) | 2019-10-11 |
Family
ID=68121826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910623122.9A Pending CN110321651A (zh) | 2019-07-11 | 2019-07-11 | 一种基于正则化svae的暂态稳定性判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321651A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110718910A (zh) * | 2019-10-29 | 2020-01-21 | 国网四川省电力公司经济技术研究院 | 贝叶斯优化LightGBM的暂态稳定评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
CN108171176A (zh) * | 2017-12-29 | 2018-06-15 | 中车工业研究院有限公司 | 一种基于深度学习的地铁司机情绪辨识方法及装置 |
US20180247201A1 (en) * | 2017-02-28 | 2018-08-30 | Nvidia Corporation | Systems and methods for image-to-image translation using variational autoencoders |
CN108551167A (zh) * | 2018-04-25 | 2018-09-18 | 浙江大学 | 一种基于XGBoost算法的电力***暂态稳定判别方法 |
-
2019
- 2019-07-11 CN CN201910623122.9A patent/CN110321651A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
US20180247201A1 (en) * | 2017-02-28 | 2018-08-30 | Nvidia Corporation | Systems and methods for image-to-image translation using variational autoencoders |
CN108171176A (zh) * | 2017-12-29 | 2018-06-15 | 中车工业研究院有限公司 | 一种基于深度学习的地铁司机情绪辨识方法及装置 |
CN108551167A (zh) * | 2018-04-25 | 2018-09-18 | 浙江大学 | 一种基于XGBoost算法的电力***暂态稳定判别方法 |
Non-Patent Citations (1)
Title |
---|
周悦 等: "基于深度学习的电力***暂态稳定评估方法", 《电力建设》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110718910A (zh) * | 2019-10-29 | 2020-01-21 | 国网四川省电力公司经济技术研究院 | 贝叶斯优化LightGBM的暂态稳定评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102074955B (zh) | 基于知识发现技术的电力***稳定评估及控制方法 | |
CN102222919B (zh) | 基于改进差分进化算法的电力***无功优化方法 | |
CN108832619A (zh) | 基于卷积神经网络的电力***暂态稳定评估方法 | |
CN106374513B (zh) | 一种基于主从博弈的多微网联络线功率优化方法 | |
Liu et al. | Data-driven transient stability assessment model considering network topology changes via mahalanobis kernel regression and ensemble learning | |
CN110161370A (zh) | 一种基于深度学习的电网故障检测方法 | |
CN112310980B (zh) | 交直流混联电网直流闭锁频率安全稳定评估方法及*** | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及*** | |
Voumvoulakis et al. | Decision trees for dynamic security assessment and load shedding scheme | |
CN111725802B (zh) | 基于深度神经网络的交直流混联电网暂态稳定判断方法 | |
CN109102132A (zh) | 一种基于概率论的微电网脆弱性评估方法及装置 | |
Yu et al. | Deep learning based transient stability assessment for grid-connected inverter | |
CN110321651A (zh) | 一种基于正则化svae的暂态稳定性判别方法 | |
Han et al. | Improved equivalent method for large-scale wind farms using incremental clustering and key parameters optimization | |
CN117394313A (zh) | 一种电力***暂态稳定评估方法、***、芯片及设备 | |
Meng et al. | Safety assessment for electrical motor drive system based on SOM neural network | |
CN117335426A (zh) | 一种适用于短期电压稳定性评估的关键特征识别方法 | |
Darabian et al. | Combined use of sensitivity analysis and hybrid Wavelet-PSO-ANFIS to improve dynamic performance of DFIG-based wind generation | |
CN116305683A (zh) | 基于样本均衡化的电力***暂态稳定评估方法及*** | |
CN116054224A (zh) | 一种多馈入直流输电***换相失败快速评估方法 | |
CN105186503B (zh) | 一种基于电网运行数据的分布式安全特征选择方法 | |
CN114665481A (zh) | 一种基于电网节点矢量化的城市电网分区方法及装置 | |
CN114548762A (zh) | 基于时空图神经网络的电力***连锁故障风险实时评估方法及*** | |
Khalel et al. | Dynamic security assessment for the power system in the presence of wind turbines | |
Thapa et al. | High-precision transient stability assessment using convolution neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |