CN113506186B - 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 - Google Patents
电力***受扰轨迹筛选方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113506186B CN113506186B CN202110693996.9A CN202110693996A CN113506186B CN 113506186 B CN113506186 B CN 113506186B CN 202110693996 A CN202110693996 A CN 202110693996A CN 113506186 B CN113506186 B CN 113506186B
- Authority
- CN
- China
- Prior art keywords
- disturbed
- input
- transient stability
- track
- tracks
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012216 screening Methods 0.000 title claims abstract description 34
- 230000001052 transient effect Effects 0.000 claims abstract description 198
- 238000013210 evaluation model Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013097 stability assessment Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力***受扰轨迹筛选方法、装置、电子设备和存储介质，其中方法包括：获取输入至电力***暂态稳定评估模型的受扰轨迹集合；确定模型训练集中与受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接样本点和受扰轨迹集合的参数曲线；根据参数曲线、暂态稳定评估模型输出的***暂态稳定特征，确定受扰轨迹集合中各个输入轨迹的重要性指标；分别对受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。本发明能够快速定位输入至暂态稳定评估模型的关键受扰轨迹，克服现有技术中的深度学习方法所存在的黑箱缺点。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种电力***受扰轨迹筛选方法、装置、电子设备和存储介质。
背景技术
在电力***的运行分析中，快速准确的暂态稳定分析是电力***实时决策紧急控制***的基础。
现有技术中，利用深度学习的方法对电力***运行特征与暂态稳定之间的相关性进行建模，并以此构建了基于受扰轨迹的暂态稳定评估模型。得益于深度学习强大的特征变换能力，给定***特征，模型对原始特征空间进行逐层变换和抽象，抽取出***暂稳相关特征表达，进而生成模型输出。
但是，现有技术中的深度学习方法类似于“黑箱”的特点，使得运行人员无法获知受扰轨迹与暂态稳定评估模型输出之间的关系，无法快速定位***中的关键受扰轨迹。
发明内容
针对现有技术存在的问题，本发明提供一种电力***受扰轨迹筛选方法、装置、电子设备和存储介质。
本发明提供一种电力***受扰轨迹筛选方法，包括：
获取输入至电力***暂态稳定评估模型的受扰轨迹集合；所述暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；所述受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至所述暂态稳定评估模型的两个以上输入轨迹的二维矩阵；
确定预先获取的模型训练集中与所述受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接所述样本点和所述受扰轨迹集合的参数曲线；
根据所述参数曲线、所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标；所述重要性指标用以表征当所述暂态稳定评估模型的输入从样本点变化为所述受扰轨迹集合时，所述受扰轨迹集合中各个输入轨迹对于所述暂态稳定评估模型的输出变化的贡献大小；
分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
根据本发明提供的一种电力***受扰轨迹筛选方法，所述根据所述参数曲线、所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标，包括：
基于所述参数曲线、所述暂态稳定评估模型输出的***暂态稳定特征，确定所述***暂态稳定特征关于所述受扰轨迹集合的积分梯度结果矩阵；
根据所述积分梯度结果矩阵，确定所述受扰轨迹集合中各个输入轨迹的重要性指标。
根据本发明提供的一种电力***受扰轨迹筛选方法，所述根据所述积分梯度结果矩阵，确定所述受扰轨迹集合中各个输入轨迹的重要性指标，包括：
对所述积分梯度结果矩阵的各行求和，得到所述受扰轨迹集合中各个输入轨迹的重要性指标。
根据本发明提供的一种电力***受扰轨迹筛选方法，所述参数曲线的两个端点为所述样本点和所述受扰轨迹集合。
根据本发明提供的一种电力***受扰轨迹筛选方法，所述获取输入至电力***暂态稳定评估模型的受扰轨迹集合，包括：获取输入至所述暂态稳定评估模型的两个以上的受扰轨迹集合；
所述分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹，包括：
分别对各所述受扰轨迹集合中各个输入轨迹的重要性指标进行归一化计算，得到各所述受扰轨迹集合中各个输入轨迹的重要性指标的归一化结果；
分别对各所述受扰轨迹集合中同一行输入轨迹的重要性指标的归一化结果进行平均计算，得到各所述受扰轨迹集合中各行输入轨迹的重要性指标的归一化结果的平均结果；
按照所述各所述受扰轨迹集合中各行输入轨迹的重要性指标的归一化结果的平均结果由大到小的顺序，分别对各所述受扰轨迹集合的各行输入轨迹中同类别的输入轨迹进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
根据本发明提供的一种电力***受扰轨迹筛选方法，所述***暂态稳定特征包括以下任一个指标或组合：暂态稳定性，预想故障后***维持暂态稳定的暂态过程最大功角差，预想故障后***发生暂态失稳的暂态失稳时间。
根据本发明提供的一种电力***受扰轨迹筛选方法，所述输入轨迹包括以下任一个类别或组合：线路潮流曲线、节点电压曲线、发电机功角曲线。
本发明还提供一种电力***受扰轨迹筛选装置，包括：
获取单元，用于获取输入至电力***暂态稳定评估模型的受扰轨迹集合；所述暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；所述受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至所述暂态稳定评估模型的两个以上输入轨迹的二维矩阵；
第一确定单元，用于确定预先获取的模型训练集中与所述受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接所述样本点和所述受扰轨迹集合的参数曲线；
第二确定单元，用于根据所述参数曲线、所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标；所述重要性指标用以表征当所述暂态稳定评估模型的输入从样本点变化为所述受扰轨迹集合时，所述受扰轨迹集合中各个输入轨迹对于所述暂态稳定评估模型的输出变化的贡献大小；
排序单元，用于分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述电力***受扰轨迹筛选方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述电力***受扰轨迹筛选方法的步骤。
本发明提供的电力***受扰轨迹筛选方法、装置、电子设备和存储介质，通过将模型训练集中与受扰轨迹集合距离最近、且为暂态稳定的样本点作为参考点，使得连接参考点和受扰轨迹集合的参数曲线穿过暂态稳定与暂态失稳的预测分类面，进而根据参数曲线和***暂态稳定特征计算得到的各个输入轨迹的重要性指标可理解为将一个离当前点最近的暂态稳定样例移动到位于暂态失稳空间的当前点时，各个输入轨迹对暂态稳定性的改变做出的贡献大小，显然重要性指标较高的受扰轨迹与***暂态稳定特征相关性强，从而实现快速定位输入至电力***暂态稳定评估模型的关键受扰轨迹，能够辅助电力***暂态稳定紧急控制决策的生成，克服了现有技术中的深度学习方法所存在的“黑箱”缺点。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1是本发明提供的电力***受扰轨迹筛选方法的流程示意图；
图2为本发明提供的确定输入轨迹的重要性指标的流程示意图；
图3为本发明提供的确定关键受扰轨迹的流程示意图；
图4是本发明提供的电力***受扰轨迹筛选装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
下面结合图1-图3描述本发明的电力***受扰轨迹筛选方法。
图1是本发明提供的电力***受扰轨迹筛选方法的流程示意图，如图1所示，该方法包括：
步骤110，获取输入至电力***暂态稳定评估模型的受扰轨迹集合；暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至暂态稳定评估模型的两个以上输入轨迹的二维矩阵。
具体地，***暂态稳定特征可以包括以下任一个指标或组合：暂态稳定性，预想故障后***维持暂态稳定的暂态过程最大功角差，预想故障后***发生暂态失稳的暂态失稳时间；其中，
暂态稳定性：若预想故障后发生暂态失稳，则输出暂态失稳分类结果；否则输出暂态稳定分类结果。该分析结果为分类变量。对于预想故障后***暂态失稳的情况，该预想故障也可称为失稳预想故障。
暂态过程最大功角差：若预想故障后***维持暂态稳定，在暂态过程中***任意两台发电机之间功角差的最大值。该分析结果为回归变量，与***的暂态稳定裕度有关：若暂态过程最大功角差越小，说明***离暂态稳定边界越远。
暂态失稳时间：若预想故障后***发生暂态失稳，从预想故障发生到***发生暂态失稳的时间段长度。该分析结果为回归变量，与***的暂态稳定裕度有关：若该值越小，说明***离暂态稳定边界越远。
具体地，输入轨迹包括以下任意一个类别或组合：线路潮流曲线，节点电压曲线，发电机功角曲线。输入轨迹为二维矩阵形式，二维矩阵的行和列分别为轨迹数量和轨迹采样点数量。
步骤120，确定预先获取的模型训练集中与受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接样本点和受扰轨迹集合的参数曲线。
具体地，参数曲线的两个端点为样本点和受扰轨迹集合。步骤120中通过将模型训练集中与受扰轨迹集合距离最近、且为暂态稳定的样本点作为参考点，这就使得连接参考点和受扰轨迹集合的参数曲线穿过暂态稳定与暂态失稳的预测分类面，进而可以在步骤130中根据参数曲线和***暂态稳定特征计算得到各个输入轨迹的重要性指标，可见该重要性指标可理解为将一个离当前点最近的暂态稳定样例移动到位于暂态失稳空间的当前点时，各个输入轨迹对暂态稳定性的改变做出的贡献大小，显然重要性指标较高的受扰轨迹与***暂态稳定特征相关性强。
步骤130，根据参数曲线、暂态稳定评估模型输出的***暂态稳定特征，确定受扰轨迹集合中各个输入轨迹的重要性指标；重要性指标用以表征当暂态稳定评估模型的输入从样本点变化为受扰轨迹集合时，受扰轨迹集合中各个输入轨迹对于暂态稳定评估模型的输出变化的贡献大小。
具体地，重要性指标可以反映暂态稳定评估模型对于输入轨迹的敏感程度。
步骤140，分别对受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
本发明提供的电力***受扰轨迹筛选方法，通过将模型训练集中与受扰轨迹集合距离最近、且为暂态稳定的样本点作为参考点，使得连接参考点和受扰轨迹集合的参数曲线穿过暂态稳定与暂态失稳的预测分类面，进而根据参数曲线和***暂态稳定特征计算得到的各个输入轨迹的重要性指标可理解为将一个离当前点最近的暂态稳定样例移动到位于暂态失稳空间的当前点时，各个输入轨迹对暂态稳定性的改变做出的贡献大小，显然重要性指标较高的受扰轨迹与***暂态稳定特征相关性强，从而实现快速定位输入至电力***暂态稳定评估模型的关键受扰轨迹，能够辅助电力***暂态稳定紧急控制决策的生成，克服了现有技术中的深度学习方法所存在的“黑箱”缺点。
基于上述实施例，图2为本发明提供的确定输入轨迹的重要性指标的流程示意图，如图2所示，步骤130可以包括：
步骤131，基于参数曲线、暂态稳定评估模型输出的***暂态稳定特征，确定***暂态稳定特征关于受扰轨迹集合的积分梯度结果矩阵。
具体地，可以采用公式(1)计算积分梯度结果矩阵：
其中，F(x)为暂态稳定评估模型输出的***暂态稳定特征，x为受扰轨迹集合，x0为样本点；γ(α),α∈[0,1]代表连接样本点x0和受扰轨迹集合x的一条参数曲线，γ(0)＝x0，γ(1)＝x，在公式(1)中，参数曲线γ(α)采用的是连接样本点x0和受扰轨迹集合x的直线。
步骤132，根据积分梯度结果矩阵，确定受扰轨迹集合中各个输入轨迹的重要性指标。
具体地，对积分梯度结果矩阵的各行求和，得到受扰轨迹集合中各个输入轨迹的重要性指标。
本发明提供的电力***受扰轨迹筛选方法，通过计算***暂态稳定特征关于受扰轨迹集合的积分梯度结果矩阵，采用积分梯度关注相对意义下的重要性，使得重要性指标能够体现当暂态稳定评估模型的输入从样本点变化为受扰轨迹集合时，受扰轨迹集合中各个输入轨迹对于暂态稳定评估模型的输出变化的贡献大小，从而实现快速定位输入至电力***暂态稳定评估模型的关键受扰轨迹。
基于上述实施例，获取输入至电力***暂态稳定评估模型的受扰轨迹集合，包括：获取输入至暂态稳定评估模型的两个以上的受扰轨迹集合。考虑多个失稳预想故障，即对于某个给定的潮流方式进行预想故障集扫描，会得到多个受扰轨迹集合x1,x2,…，
需要综合考虑预想故障集中的所有失稳预想故障，确定潮流方式的关键受扰轨迹集合。图3为本发明提供的确定关键受扰轨迹的流程示意图，如图3 所示，步骤140可以包括：
步骤141，分别对各受扰轨迹集合中各个输入轨迹的重要性指标进行归一化计算，得到各受扰轨迹集合中各个输入轨迹的重要性指标的归一化结果。
具体地，对于某个给定的潮流方式进行预想故障集扫描，会得到多个受扰轨迹集合x1，x2，…，
受扰轨迹集合的数量以Ns举例；对于第j个受扰轨迹集合xj，可基于上述实施例提供的方法确定受扰轨迹集合xj中各个输入轨迹的重要性指标sj，针对 xj中第i个输入轨迹的重要性指标
可以采用公式(2)进行归一化断面灵敏度计算，得到归一化结果
步骤142，分别对各受扰轨迹集合中同一行输入轨迹的重要性指标的归一化结果进行平均计算，得到各受扰轨迹集合中各行输入轨迹的重要性指标的归一化结果的平均结果。
具体地，采用如下公式(3)计算各受扰轨迹集合中各行输入轨迹的重要性指标的归一化结果的平均结果spf：，即可得到考虑多个失稳预想故障场景下输入轨迹的重要性指标：
步骤143，按照各受扰轨迹集合中各行输入轨迹的重要性指标的归一化结果的平均结果由大到小的顺序，分别对各受扰轨迹集合的各行输入轨迹中同类别的输入轨迹进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
本发明提供的电力***受扰轨迹筛选方法，通过需要综合考虑预想故障集中的所有失稳预想故障，采取先归一化，再取平均的方法，对多个失稳预想故障下的受扰轨迹重要性指标进行集成，得到考虑多个失稳预想故障的关键受扰轨迹集合，从而实现快速定位输入至电力***暂态稳定评估模型的关键受扰轨迹，能够辅助电力***暂态稳定紧急控制决策的生成，克服了现有技术中的深度学习方法所存在的“黑箱”缺点。
下面对本发明提供的电力***受扰轨迹筛选装置进行描述，下文描述的电力***受扰轨迹筛选装置与上文描述的电力***受扰轨迹筛选方法可相互对应参照。
基于上述任一实施例，图4为本发明提供的电力***受扰轨迹筛选装置的结构示意图，如图4所示，该装置包括：
获取单元401，用于获取输入至电力***暂态稳定评估模型的受扰轨迹集合；所述暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；所述受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至所述暂态稳定评估模型的两个以上输入轨迹的二维矩阵；
第一确定单元402，用于确定预先获取的模型训练集中与所述受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接所述样本点和所述受扰轨迹集合的参数曲线；
第二确定单元403，用于根据所述参数曲线、所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标；所述重要性指标用以表征当所述暂态稳定评估模型的输入从样本点变化为所述受扰轨迹集合时，所述受扰轨迹集合中各个输入轨迹对于所述暂态稳定评估模型的输出变化的贡献大小；
排序单元404，用于分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
本发明提供的电力***受扰轨迹筛选装置，通过将模型训练集中与受扰轨迹集合距离最近、且为暂态稳定的样本点作为参考点，使得连接参考点和受扰轨迹集合的参数曲线穿过暂态稳定与暂态失稳的预测分类面，进而根据参数曲线和***暂态稳定特征计算得到的各个输入轨迹的重要性指标可理解为将一个离当前点最近的暂态稳定样例移动到位于暂态失稳空间的当前点时，各个输入轨迹对暂态稳定性的改变做出的贡献大小，显然重要性指标较高的受扰轨迹与***暂态稳定特征相关性强，从而实现快速定位输入至电力***暂态稳定评估模型的关键受扰轨迹，能够辅助电力***暂态稳定紧急控制决策的生成，克服了现有技术中的深度学习方法所存在的“黑箱”缺点。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行电力***受扰轨迹筛选方法，该方法包括：获取输入至电力***暂态稳定评估模型的受扰轨迹集合；所述暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；所述受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至所述暂态稳定评估模型的两个以上输入轨迹的二维矩阵；确定预先获取的模型训练集中与所述受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接所述样本点和所述受扰轨迹集合的参数曲线；根据所述参数曲线、所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标；所述重要性指标用以表征当所述暂态稳定评估模型的输入从样本点变化为所述受扰轨迹集合时，所述受扰轨迹集合中各个输入轨迹对于所述暂态稳定评估模型的输出变化的贡献大小；分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的电力***受扰轨迹筛选方法，该方法包括：获取输入至电力***暂态稳定评估模型的受扰轨迹集合；所述暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；所述受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至所述暂态稳定评估模型的两个以上输入轨迹的二维矩阵；确定预先获取的模型训练集中与所述受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接所述样本点和所述受扰轨迹集合的参数曲线；根据所述参数曲线、所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标；所述重要性指标用以表征当所述暂态稳定评估模型的输入从样本点变化为所述受扰轨迹集合时，所述受扰轨迹集合中各个输入轨迹对于所述暂态稳定评估模型的输出变化的贡献大小；分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的电力***受扰轨迹筛选方法，该方法包括：获取输入至电力***暂态稳定评估模型的受扰轨迹集合；所述暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；所述受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至所述暂态稳定评估模型的两个以上输入轨迹的二维矩阵；确定预先获取的模型训练集中与所述受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接所述样本点和所述受扰轨迹集合的参数曲线；根据所述参数曲线、所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标；所述重要性指标用以表征当所述暂态稳定评估模型的输入从样本点变化为所述受扰轨迹集合时，所述受扰轨迹集合中各个输入轨迹对于所述暂态稳定评估模型的输出变化的贡献大小；分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力***受扰轨迹筛选方法，其特征在于，包括：
获取输入至电力***暂态稳定评估模型的受扰轨迹集合；所述暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；所述受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至所述暂态稳定评估模型的两个以上输入轨迹的二维矩阵；
确定预先获取的模型训练集中与所述受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接所述样本点和所述受扰轨迹集合的参数曲线；
根据所述参数曲线和所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标；所述重要性指标用以表征当所述暂态稳定评估模型的输入从样本点变化为所述受扰轨迹集合时，所述受扰轨迹集合中各个输入轨迹对于所述暂态稳定评估模型的输出变化的贡献大小；
分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
2.根据权利要求1所述的电力***受扰轨迹筛选方法，其特征在于，所述根据所述参数曲线和所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标，包括：
基于所述参数曲线和所述暂态稳定评估模型输出的***暂态稳定特征，确定所述***暂态稳定特征关于所述受扰轨迹集合的积分梯度结果矩阵；
根据所述积分梯度结果矩阵，确定所述受扰轨迹集合中各个输入轨迹的重要性指标。
3.根据权利要求2所述的电力***受扰轨迹筛选方法，其特征在于，所述根据所述积分梯度结果矩阵，确定所述受扰轨迹集合中各个输入轨迹的重要性指标，包括：
对所述积分梯度结果矩阵的各行求和，得到所述受扰轨迹集合中各个输入轨迹的重要性指标。
4.根据权利要求1所述的电力***受扰轨迹筛选方法，其特征在于，所述参数曲线的两个端点为所述样本点和所述受扰轨迹集合。
5.根据权利要求1所述的电力***受扰轨迹筛选方法，其特征在于，所述获取输入至电力***暂态稳定评估模型的受扰轨迹集合，包括：获取输入至所述暂态稳定评估模型的两个以上的受扰轨迹集合；
所述分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹，包括：
分别对各所述受扰轨迹集合中各个输入轨迹的重要性指标进行归一化计算，得到各所述受扰轨迹集合中各个输入轨迹的重要性指标的归一化结果；
分别对各所述受扰轨迹集合中同一行输入轨迹的重要性指标的归一化结果进行平均计算，得到各所述受扰轨迹集合中各行输入轨迹的重要性指标的归一化结果的平均结果；
按照所述各所述受扰轨迹集合中各行输入轨迹的重要性指标的归一化结果的平均结果由大到小的顺序，分别对各所述受扰轨迹集合的各行输入轨迹中同类别的输入轨迹进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
6.根据权利要求1所述的电力***受扰轨迹筛选方法，其特征在于，所述***暂态稳定特征包括以下任一个指标或组合：暂态稳定性，预想故障后***维持暂态稳定的暂态过程最大功角差，预想故障后***发生暂态失稳的暂态失稳时间。
7.根据权利要求1所述的电力***受扰轨迹筛选方法，其特征在于，所述输入轨迹包括以下任一个类别或组合：线路潮流曲线、节点电压曲线、发电机功角曲线。
8.一种电力***受扰轨迹筛选装置，其特征在于，包括：
获取单元，用于获取输入至电力***暂态稳定评估模型的受扰轨迹集合；所述暂态稳定评估模型用于建立电力***运行特征与***暂态稳定特征之间的相关性；所述受扰轨迹集合指预想故障后***发生暂态失稳时所对应的输入至所述暂态稳定评估模型的两个以上输入轨迹的二维矩阵；
第一确定单元，用于确定预先获取的模型训练集中与所述受扰轨迹集合距离最近、且为暂态稳定的样本点，确定用以连接所述样本点和所述受扰轨迹集合的参数曲线；
第二确定单元，用于根据所述参数曲线和所述暂态稳定评估模型输出的***暂态稳定特征，确定所述受扰轨迹集合中各个输入轨迹的重要性指标；所述重要性指标用以表征当所述暂态稳定评估模型的输入从样本点变化为所述受扰轨迹集合时，所述受扰轨迹集合中各个输入轨迹对于所述暂态稳定评估模型的输出变化的贡献大小；
排序单元，用于分别对所述受扰轨迹集合中同类别的输入轨迹按照重要性指标由大到小的顺序进行排序，将每一类别输入轨迹中排名靠前的指定数量的输入轨迹确定为对应类别的关键受扰轨迹。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述电力***受扰轨迹筛选方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电力***受扰轨迹筛选方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110693996.9A CN113506186B (zh) | 2021-06-22 | 2021-06-22 | 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110693996.9A CN113506186B (zh) | 2021-06-22 | 2021-06-22 | 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113506186A CN113506186A (zh) | 2021-10-15 |
| CN113506186B true CN113506186B (zh) | 2022-09-27 |
Family
ID=78010687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110693996.9A Active CN113506186B (zh) | 2021-06-22 | 2021-06-22 | 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506186B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117215205B (zh) * | 2023-11-09 | 2024-02-06 | 国网经济技术研究院有限公司 | 基于决策树和iss理论的直流***控制参数分析方法 |
| CN117910367B (zh) * | 2024-03-20 | 2024-05-28 | 浙江大学 | 一种基于物理信息神经网络的电力***受扰轨迹预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108964046A (zh) * | 2018-08-03 | 2018-12-07 | 东北电力大学 | 一种基于短时受扰轨迹的电力***暂态稳定性评估方法 |
| CN111784106A (zh) * | 2020-05-26 | 2020-10-16 | 国电南瑞南京控制***有限公司 | 一种基于受扰轨迹的主动解列断面离线筛选方法及装置 |
-
2021
- 2021-06-22 CN CN202110693996.9A patent/CN113506186B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108964046A (zh) * | 2018-08-03 | 2018-12-07 | 东北电力大学 | 一种基于短时受扰轨迹的电力***暂态稳定性评估方法 |
| CN111784106A (zh) * | 2020-05-26 | 2020-10-16 | 国电南瑞南京控制***有限公司 | 一种基于受扰轨迹的主动解列断面离线筛选方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于短时受扰轨迹的电力***暂态稳定评估方法;安军等;《电网技术》;20190505(第05期);全文 * |
| 基于自忆性灰色Verhulst模型的暂态稳定受扰轨迹实时预测;黄丹等;《高电压技术》;20180416(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113506186A (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| CN107391852B (zh) | 基于深度置信网络的暂态稳定性实时评估方法及装置 | |
| CN109117380B (zh) | 一种软件质量评价方法、装置、设备及可读存储介质 | |
| CN113506186B (zh) | 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 | |
| US20200184308A1 (en) | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network | |
| CN110766137A (zh) | 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法 | |
| CN110232434A (zh) | 一种基于属性图优化的神经网络架构评估方法 | |
| CN112508442B (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及*** | |
| 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 | |
| CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN112287556A (zh) | 电缆绝缘状态的确定方法及装置 | |
| CN108595884A (zh) | 电力***暂态稳定性评估方法及装置 | |
| CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
| CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
| Wang et al. | Online analysis of voltage security in a microgrid using convolutional neural networks | |
| CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
| CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力***动态分析方法 | |
| CN116070902A (zh) | 输电线路状态评估方法、装置、计算机设备、介质和产品 | |
| CN115878992A (zh) | 综合管廊供电***的监控方法和监控*** | |
| CN112232381A (zh) | 主导负荷参数类噪声辨识的模型参数后处理方法和装置 | |
| CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
| LU505740B1 (en) | Data monitoring method and system | |
| 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |