CN112017070A - 一种基于数据增强评估电力***暂态稳定的方法及*** - Google Patents
一种基于数据增强评估电力***暂态稳定的方法及*** Download PDFInfo
- Publication number
- CN112017070A CN112017070A CN202010694048.2A CN202010694048A CN112017070A CN 112017070 A CN112017070 A CN 112017070A CN 202010694048 A CN202010694048 A CN 202010694048A CN 112017070 A CN112017070 A CN 112017070A
- Authority
- CN
- China
- Prior art keywords
- power system
- data
- transient stability
- power
- sample
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013210 evaluation model Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 76
- 238000012360 testing method Methods 0.000 claims description 36
- 238000004088 simulation Methods 0.000 claims description 21
- 238000013097 stability assessment Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 230000001687 destabilization Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000368 destabilizing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数据增强评估电力***暂态稳定的方法及***，属于电力***运行安全技术领域。本发明的方法，包括：获取目标电力***的样本数据；将所述样本数据作为基于深度卷积建立的电力***暂态稳定评估模型的输入数据，输入至电力***暂态稳定评估模型；根据所述电力***暂态稳定评估模型，获取目标电力***暂态稳定的评估结果。本发明解决了电力***实际应用中缺少失稳场景的问题，从而解决了类别不平衡现象，提高了暂态稳定评估的泛化能力。
Description
技术领域
本发明涉及电力***运行安全技术领域，并且更具体地，涉及一种基于数据增强评估电力***暂态稳定的方法及***。
背景技术
随着全球能源互联战略的实施、电力***规模的不断扩大以及可再生能源的普及，电力***的机理模型日益复杂，其风险也相应地增大。新能源的复杂多变性和电网数据的多源异构特性给电力***的暂态稳定评估带来了挑战，使得电力***的分析和控制更加困难，一旦发生暂态故障，控制中心不能做出准确的预判和及时的干预，很容易发展成级联故障，造成大规模停电事故。
传统的暂态稳定评估方法(时域仿真法、能量函数法)不能同时满足在线暂态稳定评估的精度和速度要求，随着广域测量***的发展，相量测量单元的测量数据在电力***中得到了广泛的应用，许多基于数据驱动的方法被提出并应用于暂态稳定评估领域，在这些基于数据驱动的方法中，深度学习不仅可以提供更准确的评估和更快的计算速度，而且具有很强的泛化能力。
虽然电力***的数据量极大，但基于深度学***衡问题，由于现代配电网络结构的鲁棒性，电力***在遭受大扰动后大多能恢复到稳定状态，因此，在失稳条件下得到的样本通常比在稳定条件下得到的样本要少得多，传统的分类方法对不平衡数据集的误分类率很高，特别是对于样本较少的类，一旦将失稳场景误判为稳定场景，将会给***带来不可承担的后果。
发明内容
针对上述问题，本发明提出了一种基于数据增强评估电力***暂态稳定的方法，包括：
获取目标电力***的样本数据；
将所述样本数据作为基于深度卷积建立的电力***暂态稳定评估模型的输入数据，输入至电力***暂态稳定评估模型；
根据所述电力***暂态稳定评估模型，获取目标电力***暂态稳定的评估结果。
可选的，电力***暂态稳定评估模型的建立，包括：以预设的数据采集间隔，采集模拟仿真运行的电力***的样本数据，对样本数据进行标注；
针对标注的样本数据，构建二维特征空间，获取二维特征空间数据；
对二维特征空间数据，进行归一化处理，获取归一化数据，对归一化数据进行抽取，获取归一化数据中失稳样本和稳定样本，以预设比例将失稳样本和稳定样本划分为训练集和测试集；
对训练集进行训练，并使用测试集进行测试，生成深度卷积生成对抗网络的训练模型；
根据生成的深度卷积生成对抗网络的训练模型，获取增强失稳样本，并将增强失稳样本填充至训练集中，对对抗网络的训练模型进行数据增强训练，获取电力***暂态稳定评估模型。
可选的，模拟仿真运行的过程中设置多种电力***的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
可选的，采集间隔的范围为0.01-0.02s。
可选的，样本数据，包括：电力***故障清除后k个周期内电力***发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据；
所述k≥1。
可选的，标注，以模拟仿真运行结束后电力***的任意2台发电机的功角是否大于360度作为判据，判断电力***暂态稳定或暂态失稳，并对样本数据标注电力***暂态稳定或暂态失稳。
可选的，二维特征空间，为对发电机特征量，以功角、角速度、有功功率、无功功率和电压的顺序排列连接，满足CNN的输入特征结构要求。
可选的，训练集和测试集中的失稳样本和稳定样本比例一致。
可选的，预设比例中的训练集的占比大于测试集的占比。
本发明还提出了一种基于数据增强评估电力***暂态稳定的***，包括：
数据采集模块，获取目标电力***的样本数据；
输入模块，将所述样本数据作为基于深度卷积建立的电力***暂态稳定评估模型的输入数据，输入至电力***暂态稳定评估模型；
评估模块，根据所述电力***暂态稳定评估模型，获取目标电力***暂态稳定的评估结果。
可选的，电力***暂态稳定评估模型的建立，包括：以预设的数据采集间隔，采集模拟仿真运行的电力***的样本数据，对样本数据进行标注；
针对标注的样本数据，构建二维特征空间，获取二维特征空间数据；
对二维特征空间数据，进行归一化处理，获取归一化数据，对归一化数据进行抽取，获取归一化数据中失稳样本和稳定样本，以预设比例将失稳样本和稳定样本划分为训练集和测试集；
对训练集进行训练，并使用测试集进行测试，生成深度卷积生成对抗网络的训练模型；
根据生成的深度卷积生成对抗网络的训练模型，获取增强失稳样本，并将增强失稳样本填充至训练集中，对对抗网络的训练模型进行数据增强训练，获取电力***暂态稳定评估模型。
可选的，模拟仿真运行的过程中设置多种电力***的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
可选的，采集间隔的范围为0.01-0.02s。
可选的，样本数据，包括：电力***故障清除后k个周期内电力***发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据；
所述k≥1。
可选的，标注，以模拟仿真运行结束后电力***的任意2台发电机的功角是否大于360度作为判据，判断电力***暂态稳定或暂态失稳，并对样本数据标注电力***暂态稳定或暂态失稳。
可选的，二维特征空间，为对发电机特征量，以功角、角速度、有功功率、无功功率和电压的顺序排列连接，满足CNN的输入特征结构要求。
可选的，训练集和测试集中的失稳样本和稳定样本比例一致。
可选的，预设比例中的训练集的占比大于测试集的占比。
本发明解决了电力***实际应用中缺少失稳场景的问题，从而解决了类别不平衡现象，提高了暂态稳定评估的泛化能力，通过增加不稳定样本的数目，提高了对失稳场景的识别精度，有效的避免了因失稳样本漏判而引起的大灾难的发生；
本发明能够自动提取输入特征的暂态模式，从而提供准确快速的暂态稳定评估，大大提高了暂态稳定评估的全局准确率和泛化能力；
本发明适用于不同规模和不同拓扑结构的电力***，为样本不平衡情况下的在线暂态稳定评估提供了一种新的思路，具有较大的学术研究借鉴意义和工程使用价值。
附图说明
图1为本发明一种基于数据增强评估电力***暂态稳定的方法流程图；
图2为本发明一种基于数据增强评估电力***暂态稳定的方法实施例输入特征数据结构图；
图3为本发明一种基于数据增强评估电力***暂态稳定的方法实施例深度卷积生成对抗网络的原理图；
图4为本发明一种基于数据增强评估电力***暂态稳定的方法实施例IEEE 39节点***拓扑图；
图5为本发明一种基于数据增强评估电力***暂态稳定的***结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
本发明提出了一种基于数据增强评估电力***暂态稳定的方法，如图1所示，包括：
获取目标电力***的样本数据；
将所述样本数据作为基于深度卷积建立的电力***暂态稳定评估模型的输入数据，输入至电力***暂态稳定评估模型；
根据所述电力***暂态稳定评估模型，获取目标电力***暂态稳定的评估结果。
其中，电力***暂态稳定评估模型的建立，包括：以预设的数据采集间隔，采集模拟仿真运行的电力***的样本数据，对样本数据进行标注；
针对标注的样本数据，构建二维特征空间，获取二维特征空间数据；
对二维特征空间数据，进行归一化处理，获取归一化数据，对归一化数据进行抽取，获取归一化数据中失稳样本和稳定样本，以预设比例将失稳样本和稳定样本划分为训练集和测试集；
对训练集进行训练，并使用测试集进行测试，生成深度卷积生成对抗网络的训练模型；
根据生成的深度卷积生成对抗网络的训练模型，获取增强失稳样本，并将增强失稳样本填充至训练集中，对对抗网络的训练模型进行数据增强训练，获取电力***暂态稳定评估模型。
其中，模拟仿真运行的过程中设置多种电力***的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
其中，采集间隔的范围为0.01-0.02s。
可选的，样本数据，包括：电力***故障清除后k个周期内电力***发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据；
所述k≥1。
其中，标注，以模拟仿真运行结束后电力***的任意2台发电机的功角是否大于360度作为判据，判断电力***暂态稳定或暂态失稳，并对样本数据标注电力***暂态稳定或暂态失稳。
其中，二维特征空间，为对发电机特征量，以功角、角速度、有功功率、无功功率和电压的顺序排列连接，满足CNN的输入特征结构要求。
其中，训练集和测试集中的失稳样本和稳定样本比例一致。
其中，所述预设比例中的训练集的占比大于测试集的占比。
下面结合实施例对本发明进行进一步说明：
采用时域仿真软件PSASP，采样间隔为T＝0.01s，通过设置不同的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻，得到大量仿真样本数据；
选取故障清除后k个周期内的所有发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据作为样本集；
以仿真结束后任意两台发电机的功角是否大于360度为判据，判断该故障场景下***的稳定性，并给样本标注相应的标签，稳定样本用10表示，失稳样本用01表示；
为满足DCGAN模型和CNN模型输入特征空间的数据结构要求，构造一个二维的特征空间，将得到的N台发电机的特征量按照功角、角速度、有功功率、无功功率和电压的顺序依次排列堆叠，输入特征的数据结构，如图2所示；
对输入特征空间的数据进行归一化，将数据归一化至(-1，1)范围内。归一化的公式如式(1)所示：
其中，
为归一化后的特征量的数值，x为原始的特征量的数值，xmax和xmin分别表示原始特征量x所在列的最大值和最小值；
为模拟实际电力***中失稳场景极少的情况，从经过标准化处理的样本中随机抽取多部分稳定样本和少部分失稳样本，使得失稳样本只占总样本的5％，再按照3:1的比例分别划分给训练集和测试集，训练集、测试集均通过均匀随机抽样的方式从样本集中取出，并且保证各子集的稳定样本与失稳样本的比例和总体样本一致。
构造深度卷积生成网络模型，以一个服从高斯分布的100维噪声矢量作为生成模型的输入向量，利用三层微步反卷积进行空间上采样，生成一个尺寸大小与原始失稳样本相同的样本；
生成模型除输出层外的所有层使用ReLU激活函数，输出层使用Tanh激活函数，在生成网络中加入批量标准化，解决初始化差的问题，并提高DCGAN的收敛速度，由于直接对所有层进行批量标准化会导致生成数据振荡和模型训练不稳定，因此生成模型的输出层将避免使用批量标准化；
构造深度卷积对抗网络模型，输入为真实的失稳样本和生成的失稳样本，利用三层微步卷积进行特征提取，输出判别结果，判别结果为该样本属于真实失稳样本的概率值；
LeakyReLU激活函数应用于除输出层之外的所有层，输出层使用sigmoid激活函数，LeakyReLU激活函数如式(2)所示，判别模型出输入层外均加入批量标准化；
随着DCGAN的不断迭代训练，生成器生成的失稳数据越来越接近真实失稳数据分布，判别器和生成器的博弈达到纳什平衡，训练结束。生成对抗网络的训练目标如式(3)所示，DCGAN网络的参数配置如表1所示；
式中，G和D分别表示生成器和判别器；
表1
表1中，k表示时间序列的长度，n表示发电机的个数；
将生成的一定数量的失稳样本填充至训练集进行数据增强，使得训练集中的失稳样本和稳定样本类别平衡；
将经过数据增强后的平衡的训练集输入到CNN模型中进行训练，CNN模型的模型结构由一个输入层、两个卷积层、两个池化层、两层全连接层和softmax层组成，CNN模型的结构图如图3所示；
CNN模型以交叉熵作为损失函数进行训练，如式(4)所示：
式中，N表示训练样本的总样本数，yi和
分别表示样本的实际标签和预测标签；
输入样本经过不断地卷积和池化操作后，最后一层softmax层得出最终的决策结果，实现暂态稳定评估，未知样本X属于某一类别的输出概率为:
P(Ck|X)表示样本X属于类别k的概率，满足
c表示类别的个数；
利用训练集训练并生成集成CNN暂态评估模型，不断地调试参数，直到测试集的性能评价满足要求时停止训练，保存模型。
对WAMS***采集到的新的在线数据进行预处理构成样本矩阵，利用保存的训练好的CNN模型对在线数据的样本矩阵进行暂态稳定评估，得到稳定性判别结果；
结合IEEE 39节点***，结构如图4所示，对本发明技术方案做进一步详细描述：
选用10机39节点***对上文所提方法进行验证，包含39个母线，46条支路，***频率为50HZ，基于测试***的发电水平和负荷水平在80％-125％波动，共生成13700个样本，其中稳定样本有11479个，失稳样本有2291个，稳定样本和失稳样本的比例大约为5:1，为实现快速的评估，只采集故障清除后10个周期内的短时受扰数据构成输入特征矩阵，为模拟实际电力***极度缺乏不稳定实例的情况，随机选取9500个稳定实例和500个不稳定实例，其中不稳定样本仅占总样本的5％，通过均匀随机抽样，将所有实例按3:1的比例划分为训练集和测试集；
由于暂态稳定评估是一个类不平衡问题，而且对失稳样本的误分类代价要比稳定样本严重得多，因此仅使用准确率来反映分类性能是不合理的。
表2
根据表2中的混淆矩阵，用四个指标来评价所提出方法的性能：
1)
2)
3)
4)
为了验证该发明在暂态稳定评估上的有效性，我们对比了一些常用的数据合成方法，包括SMOTE(Synthetic Minority Oversampling Technique)和ADASYN(AdaptiveSynthetic Sampling)，支持向量机(SVM)在暂态稳定评估中得到了广泛的应用，并取得了良好的性能，因此我们利用SVM作为基本的分类器进行对比，不同方法的评价性能如表3所示，所有结果都在相同的训练和测试集上执行；
表3
根据表3可得，本发明提出的不平衡深度学***衡，体现了该方法具有强大的特征提取能力，和其他方法对比，具有较高的全局准确率和失稳样本的召回率，结果表明，能有效地应用于不平衡数据集的电力***暂态稳定评估中，具有较高的精度和可靠性。
本发明还提出了一种基于数据增强评估电力***暂态稳定的***200，如图5所示，包括：
数据采集模块201，获取目标电力***的样本数据；
输入模块202，将所述样本数据作为基于深度卷积建立的电力***暂态稳定评估模型的输入数据，输入至电力***暂态稳定评估模型；
评估模块203，根据所述电力***暂态稳定评估模型，获取目标电力***暂态稳定的评估结果。
其中，电力***暂态稳定评估模型的建立，包括：以预设的数据采集间隔，采集模拟仿真运行的电力***的样本数据，对样本数据进行标注；
针对标注的样本数据，构建二维特征空间，获取二维特征空间数据；
对二维特征空间数据，进行归一化处理，获取归一化数据，对归一化数据进行抽取，获取归一化数据中失稳样本和稳定样本，以预设比例将失稳样本和稳定样本划分为训练集和测试集；
对训练集进行训练，并使用测试集进行测试，生成深度卷积生成对抗网络的训练模型；
根据生成的深度卷积生成对抗网络的训练模型，获取增强失稳样本，并将增强失稳样本填充至训练集中，对对抗网络的训练模型进行数据增强训练，获取电力***暂态稳定评估模型。
其中，模拟仿真运行的过程中设置多种电力***的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
其中，采集间隔的范围为0.01-0.02s。
其中，样本数据，包括：电力***故障清除后k个周期内电力***发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据；
所述k≥1。
其中，标注，以模拟仿真运行结束后电力***的任意2台发电机的功角是否大于360度作为判据，判断电力***暂态稳定或暂态失稳，并对样本数据标注电力***暂态稳定或暂态失稳。
其中，二维特征空间，为对发电机特征量，以功角、角速度、有功功率、无功功率和电压的顺序排列连接，满足CNN的输入特征结构要求。
其中，训练集和测试集中的失稳样本和稳定样本比例一致。
其中，所述预设比例中的训练集的占比大于测试集的占比。
本发明解决了电力***实际应用中缺少失稳场景的问题，从而解决了类别不平衡现象，提高了暂态稳定评估的泛化能力，通过增加不稳定样本的数目，提高了对失稳场景的识别精度，有效的避免了因失稳样本漏判而引起的大灾难的发生；
本发明能够自动提取输入特征的暂态模式，从而提供准确快速的暂态稳定评估，大大提高了暂态稳定评估的全局准确率和泛化能力；
本发明适用于不同规模和不同拓扑结构的电力***，为样本不平衡情况下的在线暂态稳定评估提供了一种新的思路，具有较大的学术研究借鉴意义和工程使用价值。
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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (18)
1.一种基于数据增强评估电力***暂态稳定的方法，所述方法包括：
获取目标电力***的样本数据；
将所述样本数据作为基于深度卷积建立的电力***暂态稳定评估模型的输入数据，输入至电力***暂态稳定评估模型；
根据所述电力***暂态稳定评估模型，获取目标电力***暂态稳定的评估结果。
2.根据权利要求1所述的方法，所述电力***暂态稳定评估模型的建立，包括：以预设的数据采集间隔，采集模拟仿真运行的电力***的样本数据，对样本数据进行标注；
针对标注的样本数据，构建二维特征空间，获取二维特征空间数据；
对二维特征空间数据，进行归一化处理，获取归一化数据，对归一化数据进行抽取，获取归一化数据中失稳样本和稳定样本，以预设比例将失稳样本和稳定样本划分为训练集和测试集；
对训练集进行训练，并使用测试集进行测试，生成深度卷积生成对抗网络的训练模型；
根据生成的深度卷积生成对抗网络的训练模型，获取增强失稳样本，并将增强失稳样本填充至训练集中，对对抗网络的训练模型进行数据增强训练，获取电力***暂态稳定评估模型。
3.根据权利要求1所述的方法，所述模拟仿真运行的过程中设置多种电力***的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
4.根据权利要求1所述的方法，所述采集间隔的范围为0.01-0.02s。
5.根据权利要求1所述的方法，所述样本数据，包括：电力***故障清除后k个周期内电力***发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据；
所述k≥1。
6.根据权利要求1所述的方法，所述标注，以模拟仿真运行结束后电力***的任意2台发电机的功角是否大于360度作为判据，判断电力***暂态稳定或暂态失稳，并对样本数据标注电力***暂态稳定或暂态失稳。
7.根据权利要求1所述的方法，所述二维特征空间，为对发电机特征量，以功角、角速度、有功功率、无功功率和电压的顺序排列连接，满足CNN的输入特征结构要求。
8.根据权利要求1所述的方法，所述训练集和测试集中的失稳样本和稳定样本比例一致。
9.根据权利要求1所述的方法，所述预设比例中的训练集的占比大于测试集的占比。
10.一种基于数据增强评估电力***暂态稳定的***，所述***包括：
数据采集模块，获取目标电力***的样本数据；
输入模块，将所述样本数据作为基于深度卷积建立的电力***暂态稳定评估模型的输入数据，输入至电力***暂态稳定评估模型；
评估模块，根据所述电力***暂态稳定评估模型，获取目标电力***暂态稳定的评估结果。
11.根据权利要求10所述的***，所述电力***暂态稳定评估模型的建立，包括：以预设的数据采集间隔，采集模拟仿真运行的电力***的样本数据，对样本数据进行标注；
针对标注的样本数据，构建二维特征空间，获取二维特征空间数据；
对二维特征空间数据，进行归一化处理，获取归一化数据，对归一化数据进行抽取，获取归一化数据中失稳样本和稳定样本，以预设比例将失稳样本和稳定样本划分为训练集和测试集；
对训练集进行训练，并使用测试集进行测试，生成深度卷积生成对抗网络的训练模型；
根据生成的深度卷积生成对抗网络的训练模型，获取增强失稳样本，并将增强失稳样本填充至训练集中，对对抗网络的训练模型进行数据增强训练，获取电力***暂态稳定评估模型。
12.根据权利要求10所述的***，所述模拟仿真运行的过程中设置多种电力***的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
13.根据权利要求10所述的***，所述采集间隔的范围为0.01-0.02s。
14.根据权利要求10所述的***，所述样本数据，包括：电力***故障清除后k个周期内电力***发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据；
所述k≥1。
15.根据权利要求10所述的***，所述标注，以模拟仿真运行结束后电力***的任意2台发电机的功角是否大于360度作为判据，判断电力***暂态稳定或暂态失稳，并对样本数据标注电力***暂态稳定或暂态失稳。
16.根据权利要求10所述的***，所述二维特征空间，为对发电机特征量，以功角、角速度、有功功率、无功功率和电压的顺序排列连接，满足CNN的输入特征结构要求。
17.根据权利要求10所述的***，所述训练集和测试集中的失稳样本和稳定样本比例一致。
18.根据权利要求10所述的***，所述预设比例中的训练集的占比大于测试集的占比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694048.2A CN112017070A (zh) | 2020-07-17 | 2020-07-17 | 一种基于数据增强评估电力***暂态稳定的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694048.2A CN112017070A (zh) | 2020-07-17 | 2020-07-17 | 一种基于数据增强评估电力***暂态稳定的方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112017070A true CN112017070A (zh) | 2020-12-01 |
Family
ID=73499792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010694048.2A Pending CN112017070A (zh) | 2020-07-17 | 2020-07-17 | 一种基于数据增强评估电力***暂态稳定的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017070A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112952800A (zh) * | 2021-02-02 | 2021-06-11 | 中国南方电网有限责任公司 | 用于电网暂态稳定水平的分段评估指标获取方法及装置 |
| CN113488997A (zh) * | 2021-07-06 | 2021-10-08 | 浙江工业大学 | 一种基于扰动响应多尺度特征的微电网临界能量评估方法 |
| CN113642229A (zh) * | 2021-07-08 | 2021-11-12 | 广西电网有限责任公司电力科学研究院 | 适应于暂态电压稳定评估的样本生成方法及装置 |
| CN113746087A (zh) * | 2021-08-19 | 2021-12-03 | 浙江大学 | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力***暂态稳定评估方法 |
| CN109886604A (zh) * | 2019-03-13 | 2019-06-14 | 华北电力大学 | 一种基于一维卷积神经网络的电力***暂态稳定评估方法 |
-
2020
- 2020-07-17 CN CN202010694048.2A patent/CN112017070A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力***暂态稳定评估方法 |
| CN109886604A (zh) * | 2019-03-13 | 2019-06-14 | 华北电力大学 | 一种基于一维卷积神经网络的电力***暂态稳定评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 童晓阳 等: "数据挖掘在电力***暂态稳定评估中的应用综述", 电网技术, no. 20 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112952800A (zh) * | 2021-02-02 | 2021-06-11 | 中国南方电网有限责任公司 | 用于电网暂态稳定水平的分段评估指标获取方法及装置 |
| CN112952800B (zh) * | 2021-02-02 | 2022-07-26 | 中国南方电网有限责任公司 | 用于电网暂态稳定水平的分段评估指标获取方法及装置 |
| CN113488997A (zh) * | 2021-07-06 | 2021-10-08 | 浙江工业大学 | 一种基于扰动响应多尺度特征的微电网临界能量评估方法 |
| CN113488997B (zh) * | 2021-07-06 | 2022-10-04 | 浙江工业大学 | 一种基于扰动响应多尺度特征的微电网临界能量评估方法 |
| CN113642229A (zh) * | 2021-07-08 | 2021-11-12 | 广西电网有限责任公司电力科学研究院 | 适应于暂态电压稳定评估的样本生成方法及装置 |
| CN113746087A (zh) * | 2021-08-19 | 2021-12-03 | 浙江大学 | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** |
| CN113746087B (zh) * | 2021-08-19 | 2023-03-21 | 浙江大学 | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112017070A (zh) | 一种基于数据增强评估电力***暂态稳定的方法及*** | |
| CN110994604B (zh) | 基于lstm-dnn模型的电力***暂态稳定评估方法 | |
| CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和*** | |
| Brandwajn et al. | Severity indices for contingency screening in dynamic security assessment | |
| Baltas et al. | A comparative analysis of decision trees, support vector machines and artificial neural networks for on-line transient stability assessment | |
| CN106972504B (zh) | 基于遗传算法的区间无功优化方法 | |
| CN105260786B (zh) | 一种电力推进***仿真可信度评估模型综合优化方法 | |
| CN106897821A (zh) | 一种暂态评估特征选择方法及装置 | |
| CN108520272A (zh) | 一种改进苍狼算法的半监督入侵检测方法 | |
| CN106786560A (zh) | 一种电力***稳定特征自动提取方法及装置 | |
| CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
| CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
| CN106992551B (zh) | 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法 | |
| CN112069723A (zh) | 一种用于评估电力***暂态稳定的方法及*** | |
| CN113935237A (zh) | 一种基于胶囊网络的输电线路故障类型判别方法及*** | |
| CN111680823A (zh) | 一种风向信息预测方法及*** | |
| CN110969214B (zh) | 一种基于支持向量机综合模型的暂态安全域在线构建方法 | |
| CN108052963A (zh) | 风电功率预测建模的数据筛选方法、装置及风力发电机组 | |
| CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
| CN112285482A (zh) | 一种有源配电网故障确定方法和*** | |
| CN116305683A (zh) | 基于样本均衡化的电力***暂态稳定评估方法及*** | |
| CN109684749A (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
| CN116070384A (zh) | 基于电网特征排列重要性的暂态稳定评估方法及*** | |
| CN116204771A (zh) | 电力***暂态稳定关键特征选择方法、装置及产品 |
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 |