CN111478314B - 一种电力***暂态稳定评估方法 - Google Patents

Abstract

本发明公开了一种电力***暂态稳定评估方法，其方法包括：利用电力***时域仿真软件PSD‑BPA搭建需要测试的电力***；基于所述大量样本数据提取能表征电力***状态的特征量，并对特征数据进行归一化处理；完成多径向基函数极限学习机集成模型的构建，集成模型的输出结果为综合所有子模型预测结果后的输出；当故障发生后，将采集的电力***稳态时刻、故障发生时刻、故障切除后的电力***特征量输入到经过训练完成的多径向基函数极限学习机集成模型中，对电力***的暂态稳定性进行预测。本发明利用了不同子模型学习到的稳定规则，在保持高评估正确率的前提下，对电力***的在线暂态稳定评估开展有重要的工程应用价值。

Description

一种电力***暂态稳定评估方法

技术领域

本发明涉及电力行业技术领域，具体涉及一种电力***暂态稳定评估方法。

背景技术

目前，电力***暂态稳定评估方法可分为时域仿真法、直接法、人工智能方法三种。时域仿真法由是对反映电力***暂态过程的微分方程组和代数方程组进行数值积分运算，并根据各同步发电机相对转子角的变化过程及其趋势来判断电力***的暂态稳定性，此方法稳定性能良好且计算精度高，能适应于各种非线性模型，但由于其计算成本高，所需时间长，故只能应用于离线计算而无法满足在线评估对计算速度的要求。直接法是一种基于能量准则的电力***暂态稳定评估的方法，包括暂态能量函数法和扩展等面积法。该类别方法计算速度快，但存在一定的可靠性问题，难以解决复杂模型的暂态稳定问题。因此，传统的电力***暂态稳定评估方法无法满足现代复杂电力***在线评估对于准确、快速判断的要求。

近年来，随着数据挖掘、人工智能等技术的高速发展以及广域测量***在各级电网的推广应用，基于机器学习的电力***暂态稳定评估方法已成为当下研究的热点课题。人工神经网络、支持向量机、决策树等机器学习方法是暂态稳定评估中的常用方法，这些传统的人工智能方法在评估时难以抑制对失稳样本误判为稳定样本的问题且训练时间较长，难以实现在线应用。对于电力***而言，在暂态稳定评估中将失稳样本误分类为稳定和将稳定样本误分类为失稳所导致的后果将截然不同，显然前者对电网带来的损失要要远远高于后者，故在暂态稳定评估时应将重点放在减少将失稳样本误分类为稳定样本的情况的发生。此外，在使用单一机器学习模型进行暂态稳定评估时，通常选取的只有在测试样本中准确率最高的那一组属性用于进一步讨论，而在实际选择不同属性对机器学习模型的训练及测试过程中，往往会出现很多不同属性的机器学习模型表现出相近的准确率，但所拟合的函数形式却有较大差别。若只选择一组属性对机器学习模型进行训练和测试，将会造成大量有用信息的流失，而综合多个不同属性的机器学习模型输出结果可以在一定程度上克服上述问题。

发明内容

针对现有复电终端的不足，本发明提供了一种电力***暂态稳定评估方法，利用了不同子模型学习到的稳定规则，在保持高评估正确率的前提下，相对于传统机器学习方法显著地降低了对失稳样本的误判率以及训练时间，对电力***的在线暂态稳定评估开展有重要的工程应用价值。

本发明提供了一种电力***暂态稳定评估方法，所述步骤包括如下：

利用电力***时域仿真软件PSD-BPA搭建需要测试的电力***，设置不同故障位置和故障持续时间进行批量仿真，生成大量样本数据作为模型输入来源，并对每组样本标注故障切除后的电力***暂态稳定性结果；

基于所述大量样本数据提取能表征电力***状态的特征量，并对特征数据进行归一化处理；

基于归一化处理后的特征数据和所述电力***暂态稳定性结果作为训练样本输入不同属性的径向基函数极限学习机RBF-ELM子模型中进行训练，并对生成的子模型进一步筛选后综合为集成学习模型，完成多径向基函数极限学习机集成模型的构建，集成模型的输出结果为综合所有子模型预测结果后的输出；

当故障发生后，将采集的电力***稳态时刻、故障发生时刻、故障切除后的电力***特征量输入到经过训练完成的多径向基函数极限学习机集成模型中，对电力***的暂态稳定性进行预测。

所述基于所述大量样本数据提取能表征电力***状态的特征量，并对特征数据进行归一化处理包括：

获取***稳态时刻、故障发生时刻、故障切除时刻下不同维度下的能表征电力***状态的特征量；

对不同维度下的能表征电力***状态的特征量进行数据归一化处理。

所述***稳态时刻下的特征量包括：***总有功负荷、***总无功负荷、***总有功出力、***总无功出力、***各母线电压平均值、发电机输入功率平均值；

所述故障发生时刻下的特征量包括：***中发电机功角极差、角速度极差、转子加速度方差、转子初始加速度标准差、转子加速度最大值、最大加速功率、最大功率冲击；

所述故障切除时刻下的特征量包括：***中发电机最大相对转子角、角加速度极差、转子角最大增量、***的总能量调整。

所述基于归一化处理后的特征数据和所述电力***暂态稳定性结果作为训练样本输入不同属性的径向基函数极限学习机RBF-ELM子模型中进行训练，并对生成的子模型进一步筛选后综合为集成学习模型，完成多径向基函数极限学习机集成模型的构建包括：

采用不同的径向基函数和扩展宽度参σ参数构造多个RBF-ELM子模型，并输入归一化后的随机抽取的训练集特征值数据以及暂态稳定性标注信息训练，训练完成后，观察并记录在随机抽取的测试集上的正确率数；

选取多个RBF-ELM子模型并结合成为多RBF-ELM集成模型；

对电力***暂态稳定所需的电气特征量进行属性选择，获得所对应的属性，所述属性与所述多RBF-ELM集成模型中的RBF-ELM子模型所对应；

基于所对应的RBF-ELM子模型输出暂态稳定评估结果。

所述RBF-ELM为基于单隐藏层前馈神经网络改良的机器学习模型，由输入层、隐藏层、输出层三部分组成，所述RBF-ELM的输入层与隐藏层之间的连接权重以及隐藏层的偏置值可以随机生成，且生成后在训练过程中不需要进行调整；隐藏层与输出层之间的连接权重不需要迭代调整，而是通过求伪逆矩阵的方式一次性确定。

所述径向基函数包括三种，公式如下：

其中：x是输入向量，μ_i是第i个核函数中心，从输入向量的边界超矩形中均匀采样获取；σ是扩展宽度参数。

所述对径向基函数和σ参数约束规则如下：

径向基函数的数学形式不同；

确定径向基函数后，设置一个评估准确率阈值，选择到达准确率阈值的σ参数作为下一阶段候选参数；

从候选σ参数中选择数值相差最大的三个σ参数用于后续的测试和分析。

在本发明实施例中通过采集电力***稳态时、故障发生时刻、故障切除时刻能反映电力***状态的特征值，将特征值和稳定性标签输入到多径向基函数极限学习机集成模型中从而训练模型，将新的故障采集的特征值输入训练完成后的集成模型中，能够实现对电力***暂态稳定的实时评估。本发明分利用了不同子模型学习到的稳定规则，在保持高评估正确率的前提下，相对于传统机器学习方法显著地降低了对失稳样本的误判率以及训练时间，对电力***的在线暂态稳定评估开展有重要的工程应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的电力***暂态稳定评估方法流程图；

图2是本发明实施例中的多径向基函数极限学习机集成模型中子模型的网络结构图；

图3是本发明实施例中的多径向基函数极限学习机集成模型的工作机制图；

图4是本发明实施例中使用的IEEE39节点***拓扑图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1示出了本发明实施例中的电力***暂态稳定评估方法流程图，具体步骤如下：

S101、利用电力***时域仿真软件PSD-BPA搭建需要测试的电力***；

这里利用电力***时域仿真软件PSD-BPA搭建需要测试的电力***，设置不同故障位置和故障持续时间进行批量仿真，生成大量样本数据作为模型输入来源，并对每组样本标注故障切除后的电力***暂态稳定性结果。

S102、基于所述大量样本数据提取能表征电力***状态的特征量，并对特征数据进行归一化处理；

这里对于步骤S101所获得原始发电机数据集提可以取出17维电力***特征数据集，并对特征数据集进行归一化处理。

具体实施过程中，需要获取***稳态时刻、故障发生时刻、故障切除时刻下不同维度下的能表征电力***状态的特征量；对不同维度下的能表征电力***状态的特征量进行数据归一化处理。

这里对特征量的选取形成特征集，这里特征集具体包括：

(1)***稳态时刻：***总有功负荷、***总无功负荷、***总有功出力、***总无功出力、***各母线电压平均值、发电机输入功率平均值；

(2)故障发生时刻：***中发电机功角极差、角速度极差、转子加速度方差、转子初始加速度标准差、转子加速度最大值、最大加速功率、最大功率冲击；

(3)故障切除时刻：***中发电机最大相对转子角、角加速度极差、转子角最大增量、***的总能量调整。

以上合计共17个特征量。

进行数据归一化处理，具体处理如下：

式中：x为归一化后的数据，x'为归一化前的数据，x′_max为特征量的最大值，x′_min为特征量的最小值。

S103、完成多径向基函数极限学习机集成模型的构建，集成模型的输出结果为综合所有子模型预测结果后的输出；

通过对步骤S102提取的特征数据和暂态稳定性结果共同作为训练样本输入不同属性的径向基函数极限学习机子模型中进行训练，并对生成的子模型进一步筛选后综合为集成学习模型，完成多径向基函数极限学习机集成模型的构建，集成模型的输出结果为综合所有子模型预测结果后的输出。

其通过采用不同的径向基函数和扩展宽度参σ参数构造多个RBF-ELM子模型，并输入归一化后的随机抽取的训练集特征值数据以及暂态稳定性标注信息训练，训练完成后，观察并记录在随机抽取的测试集上的正确率数；选取多个RBF-ELM子模型并结合成为多RBF-ELM集成模型；对电力***暂态稳定所需的电气特征量进行属性选择，获得所对应的属性，所述属性与所述多RBF-ELM集成模型中的RBF-ELM子模型所对应；基于所对应的RBF-ELM子模型输出暂态稳定评估结果。

具体实施中，多径向基函数极限学习机(Radial Basis Function ExtremeLearning Machine,RBF-ELM)集成模型是多个RBF-ELM子模型结合而成，具体的训练过程包括子模型的训练和集成模型的构建过程，其中：

A11、子模型的训练

本发明所采用的RBF-ELM如附图1所示，其为多径向基函数极限学习机集成模型中子模型的网络结构图，RBF-ELM是一种基于单隐藏层前馈神经网络改良的机器学习模型，由输入层、隐藏层、输出层三部分组成。其输入层与隐藏层之间的连接权重以及隐藏层的偏置值可以随机生成，且生成后在训练过程中不需要进行调整；隐藏层与输出层之间的连接权重不需要迭代调整，而是通过求伪逆矩阵的方式一次性确定。

附图2中，K_i(·),i＝1,2,…,n是径向基函数，本发明所采取的径向基函数共有三种，分别如下所示：

式中，x是输入向量，μ_i是第i个核函数中心，从输入向量的边界超矩形中均匀采样获取；σ是扩展宽度参数。

隐藏层的输出矩阵可表示为：

定义隐藏层与输出层之间的连接权重为：

β＝(β₁,β₂,…,β_n)^T

训练数据集的期望输出为：

T＝(t₁,t₂,…,t_m)^T

通过求解下式

Hβ＝T

即可得出连接权重β，进而完成全网络模型的构建。

当训练样本个数和隐藏层神经元个数相同，即m＝n时，矩阵H为可逆矩阵，取连接权重β＝H^-1T，则网络将以零误差完全拟合输入与输出之间的映射关系。但在绝大多数情况下，训练样本数是远大于隐藏层神经元个数的，即m＞＞n，则H不可逆，从而不存在β使得T＝(t₁,t₂,…,t_m)^T成立。此时可采用最小二乘法求解下式以而获取β的最优解：

基于Hβ＝T式的最小范数最小二乘解为：

式中，

称为矩阵H的Moore-Penrose增广逆，简称伪逆。通常以正交法对/>

进行计算：

式中，

称为矩阵H的Moore-Penrose增广逆，简称伪逆。通常以正交法对/>

进行计算：

求出连接权重最优解

后，RBF-ELM网络各参数训练完成。对于任意输入样本X′，模型的输出结果为：

分别采用不同的径向基函数和σ参数构造多个RBF-ELM子模型，并输入归一化后的随机抽取的训练集特征值数据以及暂态稳定性标注信息训练，训练完成后，观察并记录它们在随机抽取的测试集上的正确率。

A12、集成模型的构建

集成模型需要选取多个不同的RBF-ELM子模型进行综合。对径向基函数和σ参数的选取原则如下：1)径向基函数的数学形式应尽可能不同；2)确定径向基函数后，设置一个评估准确率阈值，选择到达准确率阈值的σ参数作为下一阶段候选参数；3)从候选σ参数中选择数值相差最大的三个σ参数用于后续的测试和分析。

通过以上方法筛选出9个RBF-ELM子模型并结合成为多RBF-ELM集成模型，其工作机制如附图2所示。

图3为示出了多径向基函数极限学习机集成模型的工作机制图，x_i(i＝1，2，…，17)为电力***暂态稳定所需的电气特征量，共有17个。属性i代表第i个子RBF-ELM所选取的径向基函数和σ参数，共有9组；yi代表第i个子RBF-ELM对样本的暂态稳定预判结果，yi＝0代表稳定，yi＝1代表失稳；Y代表结合所有n个子模型预测结果后***输出的暂态稳定评估结果。

Y的计算方法如下：

即对于某一测试样本，若至少有一个RBF-ELM子模型将其分类为失稳样本，则将其最终归类于失稳样本；若全部RBF-ELM子模型将其分类于稳定样本，则将其最终归类稳定样本。

S104、将电力***特征量输入到经过训练完成的多径向基函数极限学习机集成模型中，对电力***的暂态稳定性进行预测。

当故障发生后，将采集的电力***稳态时刻、故障发生时刻、故障切除后的电力***特征量输入到经过训练完成的多径向基函数极限学习机集成模型中，对电力***的暂态稳定性进行预测。

本实施例中当故障发生后，可将采集的17维电力***特征量数据输入到经过步骤S103训练完成的多径向基函数极限学习机集成模型中，对电力***的暂态稳定性进行预测。

下面通过IEEE 39节点***生成的仿真数据，对本发明的技术方案进行具体说明，图4是本发明实施例中使用的IEEE39节点***拓扑图。

本实例通过PSD-BPA电力***时域仿真软件对附图4的IEEE 39节点***设置不同的***状态及故障条件获取大量仿真数据。本实例分别设置了80％、85％、90％、95％、100％、105％、110％、115％、120％总共9种额定负荷水平并相应地调整发电机出力使得***各母线电压偏移保持在±5％以内。故障类型设置为三相接地短路故障，并对电网中所有线路进行N-1扫描。故障持续时长分别设置为0.1s、0.16s、0.22s。故障点到线路首端的距离分别设置为线路总长度的0％、20％、50％、80％。总共生成4968组样本，随机打乱后，按4:1的比例划分为训练集和测试集。

按本实施例方法从生成的发电机原始数据中提取能反应电力***稳定性的17维特征量数据及暂态稳定结果，并进行归一化处理。

将训练集样本和暂态稳定结果标签按本实施例方法对多径向基函数极限学习机集成模型进行训练。训练完成后，将测试集样本输入训练完成的多径向基函数极限学习机集成模型中，观察并分析结果。采用评估正确率和对失稳样本的误分类率作为模型性能评估指标。作为对比，应用人工神经网络(ANN)、支持向量机(SVM)、高斯径向基函数极限学习机(RBF-ELM¹)、双曲正切径向基函数极限学习机(RBF-ELM²)、逆多二次径向基函数极限学习机(RBF-ELM³)和多RBF-ELM集成模型(mRBF-ELM)分别进行测试，测试结果如表1所示。

表1不同模型的测试结果

测试结果表明：(1)RBF-ELM相比ANN和SVM应用于电力***暂态稳定评估表现出更好的评估性能(2)多RBF-ELM集成模型对与失稳样本的误分类率明显低于单一RBF-ELM模型，同时分类正确率也没有显著变化，可以有效降低在实际暂态稳定评估中，工作人员将失稳状态误判为稳定，从而破坏电网安全稳定运行的情况；(2)经过特征选择后，多RBF-ELM集成模型的正确率有着明显的提高，且误分类率也有所下降，说明特征选择有效消除了信息冗余并避免模型过拟合，增强了模型的泛化能力。

如果暂态稳定评估模型的训练时间过长，将难以在线应用于实际大电网中。RBF-ELM的训练机制使其无需进行多次迭代运算，而是通过计算增广逆的形式一次性确定网络参数，极大地提升了算法的效率。本发明对多种模型的训练时间进行了测试，结果如表2所示。

表2不同模型的训练时间

由表2可知，多RBF-ELM集成模型所需的训练时间远小于ANN和SVM，在实际电网中，输入的数据将会更多，其速度优势将更为显著。

本发明中仅采用IEEE39节点***仿真数据说明本发明的可行性，若根据本发明技术方案改变后产生的功能作用未超出本发明权利要求书所定义范围，仍然属于本明的保护范围。

以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种电力***暂态稳定评估方法，其特征在于，所述步骤包括如下：

利用电力***时域仿真软件PSD-BPA搭建需要测试的电力***，设置不同故障位置和故障持续时间进行批量仿真，生成大量样本数据作为模型输入来源，并对每组样本标注故障切除后的电力***暂态稳定性结果；

基于所述大量样本数据提取能表征电力***状态的特征量，并对特征数据进行归一化处理；

基于归一化处理后的特征数据和所述电力***暂态稳定性结果作为训练样本输入不同属性的径向基函数极限学习机RBF-ELM子模型中进行训练，并对生成的子模型进一步筛选后综合为集成学习模型，完成多径向基函数极限学习机集成模型的构建，集成模型的输出结果为综合所有子模型预测结果后的输出；

当故障发生后，将采集的电力***稳态时刻、故障发生时刻、故障切除后的电力***特征量输入到经过训练完成的多径向基函数极限学习机集成模型中，对电力***的暂态稳定性进行预测；

所述基于所述大量样本数据提取能表征电力***状态的特征量，并对特征数据进行归一化处理包括：

获取***稳态时刻、故障发生时刻、故障切除时刻下不同维度下的能表征电力***状态的特征量；

对不同维度下的能表征电力***状态的特征量进行数据归一化处理；

进行数据归一化处理，具体处理如下：

式中：x为归一化后的数据，x'为归一化前的数据，x′_max为特征量的最大值，x′_min为特征量的最小值；

所述***稳态时刻下的特征量包括：***总有功负荷、***总无功负荷、***总有功出力、***总无功出力、***各母线电压平均值、发电机输入功率平均值；

所述故障发生时刻下的特征量包括：***中发电机功角极差、角速度极差、转子加速度方差、转子初始加速度标准差、转子加速度最大值、最大加速功率、最大功率冲击；

所述故障切除时刻下的特征量包括：***中发电机最大相对转子角、角加速度极差、转子角最大增量、***的总能量调整；

所述基于归一化处理后的特征数据和所述电力***暂态稳定性结果作为训练样本输入不同属性的径向基函数极限学习机RBF-ELM子模型中进行训练，并对生成的子模型进一步筛选后综合为集成学习模型，完成多径向基函数极限学习机集成模型的构建包括：

采用不同的径向基函数和扩展宽度参σ参数构造多个RBF-ELM子模型，并输入归一化后的随机抽取的训练集特征值数据以及暂态稳定性标注信息训练，训练完成后，观察并记录在随机抽取的测试集上的正确率数；

选取多个RBF-ELM子模型并结合成为多RBF-ELM集成模型；

对电力***暂态稳定所需的电气特征量进行属性选择，获得所对应的属性，所述属性与所述多RBF-ELM集成模型中的RBF-ELM子模型所对应；

基于所对应的RBF-ELM子模型输出暂态稳定评估结果。

2.如权利要求1所述的电力***暂态稳定评估方法，其特征在于，所述RBF-ELM为基于单隐藏层前馈神经网络改良的机器学习模型，由输入层、隐藏层、输出层三部分组成，所述RBF-ELM的输入层与隐藏层之间的连接权重以及隐藏层的偏置值可以随机生成，且生成后在训练过程中不需要进行调整；隐藏层与输出层之间的连接权重不需要迭代调整，而是通过求伪逆矩阵的方式一次性确定。

3.如权利要求2所述的电力***暂态稳定评估方法，其特征在于，所述径向基函数包括三种，公式如下：

其中：x是输入向量，μ_i是第i个核函数中心，从输入向量的边界超矩形中均匀采样获取；σ是扩展宽度参数。

4.如权利要求3所述的电力***暂态稳定评估方法，其特征在于，所述对径向基函数和σ参数约束规则如下：

径向基函数的数学形式不同；

确定径向基函数后，设置一个评估准确率阈值，选择到达准确率阈值的σ参数作为下一阶段候选参数；

从候选σ参数中选择数值相差最大的三个σ参数用于后续的测试和分析。

Images