CN115935795A - 一种电力***暂态电压稳定评估模型构建方法及评估方法 - Google Patents
一种电力***暂态电压稳定评估模型构建方法及评估方法 Download PDFInfo
- Publication number
- CN115935795A CN115935795A CN202211452337.7A CN202211452337A CN115935795A CN 115935795 A CN115935795 A CN 115935795A CN 202211452337 A CN202211452337 A CN 202211452337A CN 115935795 A CN115935795 A CN 115935795A
- Authority
- CN
- China
- Prior art keywords
- transient voltage
- model
- sample set
- power system
- voltage 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.)
- Granted
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 134
- 238000013210 evaluation model Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 238000010276 construction Methods 0.000 title claims description 24
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 230000007850 degeneration Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 10
- 238000013097 stability assessment Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000004579 marble Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力***暂态电压稳定评估模型构建方法及评估方法，获取初始样本集，初始样本集包括多个初始样本，每一个初始样本包括一条电力***运行数据和对应的暂态电压稳定状态；基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分；基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型；基于所述初始样本集训练基于Pin‑TSVM的暂态电压稳定评估模型。本发明对于缺失的测量数据，能够准确恢复出完整的测量数据，基于完整的测量数据，评估电力***的暂态电压稳定状态，确保进行暂态电压稳定评估时结果更加准确可靠。
Description
技术领域
本发明涉及电力***稳定评估领域，更具体地，涉及一种电力***暂态电压稳定评估模型构建方法及评估方法。
背景技术
随着用于广域监测***(Wide Area Measurement System，WAMS)的同步相量测量单元(Phasor Measurement Unit，PMU)技术的发展，给电力***规划运行带来了极大的便利。PMU利用全球定位***作为同步时钟构成相量测量单元，可以提供瞬时电压和电流的同步相量信息，具体应用于电力***的动态监测、***保护、***分析和预测等领域。目前，基于PMU测量的数据驱动方法被认为是实现故障后暂态电压稳定评估最有前景的方法。
但是，PMU数据的缺失将导致暂态电压稳定评估结果精度下降，以及评估结果不可靠。传统的暂态电压稳定评估一般采用的是时域仿真法，时域仿真法需要求解高维微分代数方程，计算量较大，既不能完成对电力***的在线评估，也不能很好地应对PMU数据缺失的情况。目前，结合数据驱动的暂态电压稳定评估方法大多考虑的是在完整输入情况下，然而在实际运用中会存在很多导致PMU数据丢失的情况。目前已经有研究提出利用现有的数据填补缺失数据的方法，但是计算量大，较为耗时，还容易受到外部干扰，不适合用于在线暂态电压评估。
综上所述，目前针对数据缺失的已有的暂态电压评估方法对于数据缺失情况的处理能力存在明显不足，进而导致暂态电压稳定评估结果不可靠。
发明内容
本发明针对现有技术中存在的技术问题，提供一种电力***暂态电压稳定评估模型构建方法及评估方法，准确恢复缺失的数据，确保进行暂态电压稳定评估时结果更加准确可靠。
根据本发明的第一方面，提供了一种电力***暂态电压稳定评估模型构建方法，包括：
获取初始样本集，所述初始样本集包括多个初始样本，每一个初始样本包括一组电力***运行数据和对应的暂态电压稳定状态；
基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分；
基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型；
基于所述初始样本集训练基于Pin-TSVM的暂态电压稳定评估模型。
根据本发明的第二方面，提供一种电力***暂态电压稳定评估方法，包括：
基于电力***暂态电压稳定评估模型构建方法构建所述超分辨率预测SRP模型和基于Pin-TSVM的暂态电压稳定评估模型；
获取存在数据缺失的电力***运行测量数据作为缺失数据集，基于训练后的所述超分辨率预测SRP模型对所述缺失数据集的缺失数据进行恢复，得到恢复后的完整数据集；
将所述恢复后的完整数据集输入训练后的基于Pin-TSVM的暂态电压稳定评估模型，获取电力***暂态电压稳定状态。
根据本发明的第三方面，提供一种电力***暂态电压稳定评估模型构建***，包括：
获取模块，用于获取初始样本集，所述初始样本集包括多个初始样本，每一个初始样本包括一组电力***运行数据和对应的暂态电压稳定状态；
退化模块，用于基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分；
训练模块，用于基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型；以及基于所述初始样本集训练基于Pin-TSVM的暂态电压稳定评估模型。
根据本发明的第四方面，提供一种电力***暂态稳定评估方法，包括：
构建模块，用于基于电力***暂态电压稳定评估模型构建方法构建所述超分辨率预测SRP模型和基于Pin-TSVM的暂态电压稳定评估模型；
数据恢复模块，用于获取存在数据缺失的电力***运行测量数据作为缺失数据集，基于训练后的所述超分辨率预测SRP模型对所述缺失数据集的缺失数据进行恢复，得到恢复后的完整数据集；
获取模块，用于将所述恢复后的完整数据集输入训练后的基于Pin-TSVM的暂态电压稳定评估模型，获取电力***暂态电压稳定状态。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现电力***暂态电压稳定评估模型构建方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现电力***暂态电压稳定评估模型构建方法的步骤。
本发明提供的一种电力***暂态电压稳定评估模型构建方法及评估方法，基于SRP模型将缺失的PMU数据准确恢复，为进行准确的暂态电压稳定评估提供可靠的数据支撑，解决了PMU数据缺失对评估带来的不利影响。
附图说明
图1为本发明提供的一种电力***暂态电压稳定评估模型构建方法的流程示意图；
图2为SRP模型的结构示意图；
图3为本发明提供的一种电力***暂态电压稳定评估方法的流程示意图；
图4为新英格兰10机39节点***示意图；
图5为本发明提供的一种电力***暂态电压稳定评估模型构建***的结构示意图；
图6为本发明提供的一种电力***暂态电压稳定评估***的结构示意图；
图7为本发明提供的一种可能的电子设备的硬件结构示意图；
图8为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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做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。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
图1为本发明提供的一种电力***暂态电压稳定评估模型构建方法流程图，如图1所示，方法包括：
S1，获取初始样本集，所述初始样本集包括多个初始样本，每一个初始样本包括一组电力***运行数据和对应的暂态电压稳定状态。
可理解的是，收集电力***历史运行数据，根据暂态电压稳定判据确定历史运行数据集中不同运行工况的暂态电压稳定状态，建立初始样本集，其中，初始样本集中包括多个初始样本，每一个初始样本包括一组电力***历史运行数据和该数据对应的暂态电压稳定状态。
作为实施例，根据暂态电压稳定判据确定每一组电力***运行数据的暂态电压稳定状态，其中，所述暂态电压稳定判据为：在电力***受到扰动后的暂态过程中，负荷节点电压在设定持续时间内能恢复到设定电压值，则所述负荷节点处于暂态电压稳定状态。
可理解的是，收集电力***历史运行数据，根据暂态电压稳定判据确定历史运行数据集中不同运行工况的暂态电压稳定状态，建立初始样本集。其中，暂态电压稳定判据为：在电力***受到扰动后的暂态过程中，负荷节点电压在10s内能恢复到0.8(标准值)以上可视为暂态电压稳定，引入单二元表判据构造暂态电压稳定指标(Transient VoltageStability Index，TVSI)：
式中，Vmin为发生扰动后的节点电压最小值；Vcr为设定的电压值，通常设置为0.8(标准值)；Ts为节点电压低于设定值的持续时间；Tcr为低于电压设定值所允许的极限时间，通常设置为10s；TVSI＝1表示***暂态电压稳定，TVSI＝-1表示***暂态电压失稳。
S2，基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分。
可理解的是，步骤S1建立了初始样本集后，采用一定的方法从初始样本集中抽取一部分数据作为训练样本集，根据设置的数据缺失比例和退化模型，从初始样本集中退化出训练样本集，其中，退化模型为：
Xmissing＝M(Xcomplete)+noise (2)；
式中，M(·)表示为退化函数，noise为噪声，Xcomplete表示初始样本集，Xmissing表示训练样本集；基于退化模型从所述初始样本集中退化出训练样本集。
S3，基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型。
可理解的是，从初始样本集退化出训练样本集，基于初始样本集和训练样本集对超分辨率预测SRP模型进行训练，训练后的超分辨率预测SRP模型可对缺失数据进行恢复。其离线训练过程包括：
(1)对初始样本集随机设置数据缺失比例，生成SRP模型训练样本集；
(2)将训练样本集作为SRP模型的输入，训练样本集对应的完整样本集作为SRP模型的训练标签；
(3)利用梯度下降算法更新SRP模型的网络参数，得到最优网络参数，完成SRP模型的离线训练。
其中，构造缺失数据集和恢复后的完整数据集之间的映射关系如下：
X′complete＝Rθ(Xmissing) (3)；
式中，X′complete为恢复后的完整数据集，Rθ为SRP模型映射函数。
SRP模型根据其中的映射函数从缺失数据集恢复出完整数据集。由于造成PMU数据缺失情况的不同，因此构造的恢复后的完整数据集和缺失数据集两者间映射关系得不到统一。引入最大后验估计公式，将SRP模型扩展到统一的形式，在特定的缺失PMU数据下即可得出相应的完整数据。根据初始样本集与恢复后的完整数据集之间的差异设置损失函数，采用梯度下降算法，通过计算损失函数最小值，对SRP模型进行优化，最终可计算出最优模型参数θ。
可参见图2，为SRP模型的结构示意图，SRP模型包括特征提取部分、特征补充部分和特征重构部分，特征提取部分包括卷积层，特征补充部分为ResNet网络层，ResNet网络层包括多个残差块，每一个所述残差块包括多个卷积块，每一个所述卷积块包括卷积层、批量归一化层和激活函数，所述激活函数为非线性ELU激活函数。
具体的，SRP模型首先利用特征提取部分中的卷积层从缺失数据集中提取出特征信息，将特征信息处理为多个同维特征向量。然后，在此基础上利用ResNet补充缺失信息。ResNet通过直接将输入信息传到输出，保护了信息的完整性，整个网络只需学习输入、输出之间差别的那一部分，简化了学习难度。然后，特征重构部分将从ResNet得到的特征向量进行整合，重新排列，最后通过反卷积层输出完整数据。
ResNet具体结构如下：一个ResNet是由若干个残差块组成，每个残差块又由若干卷积块组成，卷积块包含卷积层、批量归一化层和激活函数。为了避免单纯的线性组合，引入非线性ELU激活函数。ELU激活函数不存在梯度消失，准确性高。
S4，基于所述初始样本集训练基于Pin-TSVM的暂态电压稳定评估模型。
可理解的是，基于初始样本集对基于Pin-TSVM的暂态电压稳定评估模型进行训练。
基于Pin-TSVM的暂态电压稳定评估模型，其离线训练过程首先需要在初始样本集随机选取80％的样本作为训练集，其余样本作为测试集。然后将训练集和测试集样本进行归一化处理后，分别用于暂态电压稳定评估模型离线训练和有效性验证。
Pin-TSVM通过求解一对规模较小的二次规划问题来生成两个非平行超平面，使得每个超平面接近一个类，并且远离另一个类，超平面如式(3)和式(4)所示。通过解决两个较小的二次规划问题的计算策略使Pin-TSVM的学习速度比标准SVM更快。
式中，f+(x)表示Pin-TSVM模型建立的一个超平面，f-(x)表示另一个超平面；ω+表示超平面f+(x)的法向量，ω-表示超平面f-(x)的法向量；x为Pin-TSVM模型的输入样本；b+表示超平面f+(x)的偏差量，b-表示超平面f-(x)的偏差量；T表示转置。
同时，基于Pin-TSVM的暂态电压稳定评估模型采用了弹球损失函数，能够明显改善标准SVM在分类问题中的抗噪声能力。弹球损失函数如下所示：
式中，τ为分位数，τ∈[0，1]，可重新定义稳定类和不稳定类之间的最近点，x为Pin-TSVM模型的输入样本，y为样本x对应的标签类别，f(x)为Pin-TSVM模型建立的超平面，实现样本x标签的预测，即暂态电压稳定状态。
参见图3，为本发明提供的电力***暂态电压稳定评估方法，包括：
S1’，基于电力***暂态电压稳定评估模型构建方法构建所述超分辨率预测SRP模型和基于Pin-TSVM的暂态电压稳定评估模型。
可理解的是，上述实施例为电力***暂态电压稳定评估模型的构建方法，本实施例基于构建的电力***暂态电压稳定评估模型对电力***的暂态电压稳定状态进行评估。
S2’，获取存在数据缺失的电力***运行测量数据作为缺失数据集，基于训练后的所述超分辨率预测SRP模型对所述缺失数据集的缺失数据进行恢复，得到恢复后的完整数据集。
可理解的是，将采集的电力***的存在缺失数据情况的测量数据，输入训练后的超分辨率预测SRP模型对缺失数据集的缺失数据进行恢复，得到恢复后的完整数据集。
具体的，具体的，实际的电力***运行中，数据的采集、测量、传输、转换各个环节都有可能发生故障或受到干扰，导致数据出现缺失、异常等问题。因此，在线应用阶段，将缺失的PMU测量数据输入SRP模型，完成PMU测量数据的准确恢复。
针对PMU数据缺失的情况，输入测量数据到SRP模型后，通过特征提取、特征补充、特征重构三个步骤进行数据恢复，能够输出较为准确的完整PMU数据。
S3’，将所述恢复后的完整数据集输入训练后的基于Pin-TSVM的暂态电压稳定评估模型，获取电力***暂态电压稳定状态。
可理解的是，在线应用过程中，将SRP模型输出的恢复后的完整PMU测量数据先进行归一化预处理，然后作为基于Pin-TSVM的暂态电压稳定评估模型的输入，对电力***的暂态电压稳定情况做出在线评估。当电力***出现暂态电压失稳的情况，提醒工作人员及时采取措施防止事故范围扩大。
下面以具体的例子对本发明提出的电力***的暂态电压稳定评估方法进行说明，如图4所示的新英格兰10机39节点***，该***包含10台发电机、39条母线以及19个负荷节点。如表1所示，PMU测量装置安装在节点3，8，11，14，22，24，25，28处。
表1 PMU设备布置节点分布情况
| PMU符号 | PMU安装节点 | PMU安装数量 |
| ■ | 3，8，11，14，22，24，25，28 | 8 |
本次测试包括本发明方法所述所有步骤，测试平台为一台装有英特尔酷睿i7CPU、16GB RAM的计算机。SRP模型和基于Pin-TSVM的暂态电压稳定评估模型都是基于Python实现。
在仿真过程中考虑了三相短路故障，其故障持续时间为0.2s。然后，对每个运行点随机设置故障位置。根据实际情况，通过单条输电线路跳闸或不损失电网组件来清除故障，以模拟不同的故障引起的拓扑变化。最终，初始样本库获取了4502个稳定样本和2362个不稳定样本，随机选择80％样本用于训练过程，其余20％样本用于测试。
采用总体准确率Acc来衡量基于Pin-TSVM的暂态电压稳定评估模型的分类性能。根据预测和实际分类，所有结果可分为TP、FP、FN、TN四种。TP是将实际稳定的样本预测为稳定样本的数量，FP是将实际不稳定的样本预测为稳定样本的数量，FN是将实际稳定的样本预测为不稳定样本的数量，TN是将实际不稳定的样本预测为不稳定样本的数量。总体准确率Acc指标计算公式如下；
如表2所示，基于Pin-TSVM的暂态电压稳定评估模型的评估准确率为98.25％。同时，为了验证本发明所述暂态电压稳定评估模型相较于其他传统方法的优越性，与SVM、随机森林(Random Forest，RF)、CNN这三种方法做了同等条件下的性能测试。如表2所示，测试结果表明，本发明所述评估模型分类性能整体优于其他方法，符合本发明要达到的目的。
表2不同模型的分类对比
| 模型 | SVM | RF | CNN | Pin-TSVM |
| Acc | 97.23％ | 97.56％ | 98.02％ | 98.25％ |
为了验证本发明所述SRP模型对于数据缺失情况良好的处理能力，进行了对PMU设备不同数量缺失的测试。如表3所示，设置PMU缺失数量为1，2，3，4，5，6六种情况。
表3数据恢复方法的性能测试结果
采用平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)对PMU数据的恢复情况做评价，MAPE指标计算公式如下：
式中，yi表示为实际数据量，
表示为预测数据量，n为测试集的样本总数。
由表3所示，估计的缺失数据非常接近真值，验证了通过SRP模型生成的估计数据可以准确地恢复缺失的PMU数据。
参见图5，为本发明提供的一种电力***暂态电压稳定评估模型构建***，包括获取模块501、退化模块502和训练模块503，其中：
获取模块501，用于获取初始样本集，所述初始样本集包括多个初始样本，每一个初始样本包括一组电力***运行数据和对应的暂态电压稳定状态；退化模块502，用于基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分；训练模块503，用于基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型；以及基于所述初始样本集训练基于Pin-TSVM的暂态电压稳定评估模型。
可以理解的是，本发明提供的一种电力***暂态电压稳定评估模型构建***与前述各实施例提供的电力***暂态电压稳定评估模型构建方法相对应，电力***暂态电压稳定评估模型构建***的相关技术特征可参考电力***暂态电压稳定评估模型构建方法的相关技术特征，在此不再赘述。
参见图6，为本发明提供的一种电力***暂态电压稳定评估***，包括构建模块601、数据恢复模块602和获取模块603，其中：
构建模块601，用于基于电力***暂态电压稳定评估模型构建方法构建所述超分辨率预测SRP模型和基于Pin-TSVM的暂态电压稳定评估模型；数据恢复模块602，用于获取存在数据缺失的电力***运行测量数据作为缺失数据集，基于训练后的所述超分辨率预测SRP模型对所述缺失数据集的缺失数据进行恢复，得到恢复后的完整数据集；获取模块603，用于将所述恢复后的完整数据集输入训练后的基于Pin-TSVM的暂态电压稳定评估模型，获取电力***暂态电压稳定状态。
可以理解的是，本发明提供的一种电力***暂态电压稳定评估***与前述各实施例提供的电力***暂态电压稳定评估方法相对应，电力***暂态电压稳定评估***的相关技术特征可参考电力***暂态电压稳定评估方法的相关技术特征，在此不再赘述。
请参阅图7，图7为本发明实施例提供的电子设备的实施例示意图。如图7所示，本发明实施例提了一种电子设备700，包括存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序711，处理器720执行计算机程序711时实现电力***暂态电压稳定评估模型构建方法和暂态电压稳定评估方法的步骤。
请参阅图8，图8为本发明提供的一种计算机可读存储介质的实施例示意图。如图8所示，本实施例提供了一种计算机可读存储介质800，其上存储有计算机程序811，该计算机程序811被处理器执行时实现电力***暂态电压稳定评估模型构建方法和暂态电压稳定评估方法的步骤。
本发明实施例提供的一种电力***暂态电压稳定评估模型构建方法和暂态电压稳定评估方法，能带来以下技术效果：
(1)该方法基于SRP模型将缺失的PMU数据准确恢复，为进行准确的暂态电压稳定评估提供可靠的数据支撑，解决了PMU数据缺失对评估带来的不利影响。
(2)能够实现快速、准确的暂态电压稳定评估，该方法相较于传统SVM具有在分类问题中的更好的抗噪声能力，同时该方法具有比其他传统数据驱动方法更高的准确率。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，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发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种电力***暂态电压稳定评估模型构建方法，其特征在于，包括：
获取初始样本集，所述初始样本集包括多个初始样本，每一个初始样本包括一组电力***运行数据和对应的暂态电压稳定状态；
基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分；
基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型；
基于所述初始样本集训练基于Pin-TSVM的暂态电压稳定评估模型。
2.根据权利要求1所述的构建方法，其特征在于，根据暂态电压稳定判据确定每一组电力***运行数据的暂态电压稳定状态，其中，所述暂态电压稳定判据为：
在电力***受到扰动后的暂态过程中，负荷节点电压在设定持续时间内能恢复到设定电压值，则所述负荷节点处于暂态电压稳定状态。
3.根据权利要求2所述的构建方法，其特征在于，所述在电力***受到扰动后的暂态过程中，负荷节点电压在设定持续时间内能恢复到设定电压值，则所述负荷节点处于暂态电压稳定状态，包括：
引入单二元表判据构造暂态电压稳定指标：
式中，Vmin为发生扰动后的负荷节点电压最小值，Vcr为设定电压值，Ts为负荷节点电压低于设定电压值的持续时间，Tcr为低于设定电压值所允许的极限时间，TVSI＝1表示电力***处于暂态电压稳定状态，TVSI＝-1表示电力***处于暂态电压失稳状态。
4.根据权利要求1所述的构建方法，其特征在于，所述基于退化模型从所述初始样本集中退化出训练样本集，包括：
所述初始样本集和训练样本集两者之间的退化模型为：
Xmissing＝M(Xcomplete)+noise；
式中，M(·)表示为退化函数，noise为噪声，Xcomplete表示初始样本集，Xmissing表示训练样本集；
基于所述退化模型从所述初始样本集中退化出训练样本集。
5.根据权利要求1所述的构建方法，其特征在于，所述超分辨率预测SRP模型包括卷积层、ResNet网络层和特征重构部分，所述ResNet网络层包括多个残差块，每一个所述残差块包括多个卷积块，每一个所述卷积块包括卷积层、批量归一化层和激活函数，所述激活函数为非线性ELU激活函数；
所述卷积层，用于从所述缺失数据集中提取特征信息，并将特征信息处理为多个同维特征向量；
所述ResNet网络层，用于补充所述多个同维特征向量的缺失信息；
所述特征重构部分，用于对补充缺失信息后的特征向量进行整合，重新排列，并通过反卷积层输出完整数据。
6.根据权利要求1所述的构建方法，其特征在于，所述基于Pin-TSVM的暂态电压稳定评估模型采用弹球损失函数，包括：
式中，τ为分位数，τ∈[0，1]，可重新定义稳定类和不稳定类之间的最近点，x为Pin-TSVM模型的输入样本，y为样本x对应的标签类别，f(x)为Pin-TSVM模型建立的超平面，实现样本x标签的预测，即暂态电压稳定状态。
7.一种电力***暂态电压稳定评估方法，其特征在于，包括：
基于权利要求1所述的电力***暂态电压稳定评估模型构建方法构建所述超分辨率预测SRP模型和基于Pin-TSVM的暂态电压稳定评估模型；
获取存在数据缺失的电力***运行测量数据作为缺失数据集，基于训练后的所述超分辨率预测SRP模型对所述缺失数据集的缺失数据进行恢复，得到恢复后的完整数据集；
将所述恢复后的完整数据集输入训练后的基于Pin-TSVM的暂态电压稳定评估模型，获取电力***暂态电压稳定状态。
8.根据权利要求7所述的暂态电压稳定评估方法，其特征在于，所述超分辨率预测SRP模型的映射关系为：
X′complete＝Rθ(Xmissing)；
式中，X′complete为恢复后的完整数据集，Xmissing为缺失数据集，Rθ为SRP模型映射函数。
9.一种电力***暂态电压稳定评估模型构建***，其特征在于，包括：
获取模块，用于获取初始样本集，所述初始样本集包括多个初始样本，每一个初始样本包括一组电力***运行数据和对应的暂态电压稳定状态；
退化模块，用于基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分；
训练模块，用于基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型；以及基于所述初始样本集训练基于Pin-TSVM的暂态电压稳定评估模型。
10.一种电力***暂态电压稳定评估***，其特征在于，包括：
构建模块，用于基于电力***暂态电压稳定评估模型构建方法构建所述超分辨率预测SRP模型和基于Pin-TSVM的暂态电压稳定评估模型；
数据恢复模块，用于获取存在数据缺失的电力***运行测量数据作为缺失数据集，基于训练后的所述超分辨率预测SRP模型对所述缺失数据集的缺失数据进行恢复，得到恢复后的完整数据集；
获取模块，用于将所述恢复后的完整数据集输入训练后的基于Pin-TSVM的暂态电压稳定评估模型，获取电力***暂态电压稳定状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211452337.7A CN115935795B (zh) | 2022-11-21 | 2022-11-21 | 一种电力***暂态电压稳定评估模型构建方法及评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211452337.7A CN115935795B (zh) | 2022-11-21 | 2022-11-21 | 一种电力***暂态电压稳定评估模型构建方法及评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115935795A true CN115935795A (zh) | 2023-04-07 |
| CN115935795B CN115935795B (zh) | 2024-06-11 |
Family
ID=86654970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211452337.7A Active CN115935795B (zh) | 2022-11-21 | 2022-11-21 | 一种电力***暂态电压稳定评估模型构建方法及评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115935795B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116131272A (zh) * | 2023-04-11 | 2023-05-16 | 国网山东省电力公司济南供电公司 | 基于卷积神经网络关注度的电网预防控制优化方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106849069A (zh) * | 2017-03-13 | 2017-06-13 | 东北电力大学 | 一种基于Pin‑SVM的电力***暂态稳定评估方法 |
| CN111193260A (zh) * | 2020-01-16 | 2020-05-22 | 清华大学 | 一种自适应扩充数据的电力***暂态稳定自动评估方法 |
| CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力***动态安全评估方法 |
| US10983492B1 (en) * | 2020-08-07 | 2021-04-20 | North China Electric Power University | Adaptive PMU missing data recovery method |
| KR20220001290A (ko) * | 2020-06-29 | 2022-01-05 | 세종대학교산학협력단 | 누락 데이터 예측 방법 및 장치 |
-
2022
- 2022-11-21 CN CN202211452337.7A patent/CN115935795B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106849069A (zh) * | 2017-03-13 | 2017-06-13 | 东北电力大学 | 一种基于Pin‑SVM的电力***暂态稳定评估方法 |
| CN111193260A (zh) * | 2020-01-16 | 2020-05-22 | 清华大学 | 一种自适应扩充数据的电力***暂态稳定自动评估方法 |
| CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力***动态安全评估方法 |
| KR20220001290A (ko) * | 2020-06-29 | 2022-01-05 | 세종대학교산학협력단 | 누락 데이터 예측 방법 및 장치 |
| US10983492B1 (en) * | 2020-08-07 | 2021-04-20 | North China Electric Power University | Adaptive PMU missing data recovery method |
Non-Patent Citations (3)
| Title |
|---|
| GAOQI LIANG ETC.: "Super Resolution Perception for Improving Data Completeness in Smart Grid State Estimation", ENGINEERING, 22 June 2020 (2020-06-22), pages 1 - 4 * |
| JIN XIAO ETC.: "Degradation Model Learning for Real-World Single Image Super-Resolution", SPRINGER, 30 December 2021 (2021-12-30), pages 1 - 3 * |
| 刘信彤等: "基于Smo-PinSVM的含新能源电力*** 暂态稳定评估", 太阳能学报, 30 May 2021 (2021-05-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116131272A (zh) * | 2023-04-11 | 2023-05-16 | 国网山东省电力公司济南供电公司 | 基于卷积神经网络关注度的电网预防控制优化方法及*** |
| CN116131272B (zh) * | 2023-04-11 | 2023-06-13 | 国网山东省电力公司济南供电公司 | 基于卷积神经网络关注度的电网预防控制优化方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115935795B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | A physically inspired data-driven model for electricity theft detection with smart meter data | |
| Dasgupta et al. | PMU-based model-free approach for real-time rotor angle monitoring | |
| Chen et al. | Adaptive state-of-charge estimation of lithium-ion batteries based on square-root unscented Kalman filter | |
| Chen et al. | Direct ranking for voltage contingency selection | |
| CN109344517A (zh) | 一种新能源汽车的高压绝缘故障诊断方法 | |
| CN112069727B (zh) | 具备高可信度的电力***暂态稳定智能化评估***及方法 | |
| CN107633155A (zh) | 用于组件故障树的基于计算机的生成的方法和设备 | |
| Li et al. | False alarm reducing in PCA method for sensor fault detection in a nuclear power plant | |
| CN115935795B (zh) | 一种电力***暂态电压稳定评估模型构建方法及评估方法 | |
| Wshah et al. | Deep learning for model parameter calibration in power systems | |
| Madrigal-Espinosa et al. | Fault detection and isolation system for boiler-turbine unit of a thermal power plant | |
| Jafarzadeh et al. | Probabilistic dynamic security assessment of large power systems using machine learning algorithms | |
| CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及*** | |
| Barreto et al. | Artificial neural network approach for fault detection and identification in power systems with wide area measurement systems | |
| Liu et al. | Fault diagnosis of complex industrial systems based on multi-granularity dictionary learning and its application | |
| CN116541748A (zh) | 基于人工智能技术的电网故障诊断方法和*** | |
| Li et al. | Artificial intelligence for real-time topology identification in power distribution systems | |
| CN107102543A (zh) | 一种能量路由器抗干扰控制器的形成方法及装置 | |
| Do Coutto Filho et al. | Revealing gross errors in critical measurements and sets via forecasting-aided state estimators | |
| Liu et al. | Practical methods of defective input feature correction to enable machine learning in power systems | |
| Song | Machine Learning assisted Digital Twin for event identification in electrical power system | |
| CN117951626B (zh) | 一种基于智能优化算法的电网异常状态检测方法及*** | |
| CN110309873A (zh) | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及*** | |
| Mandich | Power System Stability Assessment with Supervised Machine Learning | |
| Hariyanto et al. | Study of static security assessment accuracy results using random forest with various types of training and test datasets |
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 |