一種基于改進CNN模型的電網瞬態穩定性預測方法技術

本發明專利技術提供一種基于改進CNN模型的電網瞬態穩定性預測方法，屬于電網監測和神經網絡模型技術領域，解決了現有技術中預測結果不夠全面準確的問題；包括步驟：S1、對待預測電網中原始數據進行數據清洗，并采集設定周期T內的有效數據；S2、提取有效數據中的發電機功率角特征數據、堆疊稀疏自動編碼器特征數據和隨機矩陣特征數據，進行最大最小歸一化處理，獲得預處理數據；S3、將預處理數據輸入改進CNN模型構建的電網瞬態穩定性預測模型，獲得預測結果；電網瞬態穩定性預測模型，由三個卷積神經網絡通道、特征融合層和回歸層所構成；本發明專利技術提出了改進模型的思路與結構，以及訓練過程，具有更高準確性，能面對的故障類型更全面。能面對的故障類型更全面。能面對的故障類型更全面。

【技術實現步驟摘要】
一種基于改進CNN模型的電網瞬態穩定性預測方法


[0001]本專利技術屬于電網監測和神經網絡模型
，具體為一種基于改進CNN模型的電網瞬態穩定性預測方法。

技術介紹

[0002]如今，電力系統正在擴大，智能變電站的數量也在增加；新的在線監測和離線檢測方法正在不斷應用至供配電工作中。電力系統中大規模的電力設備，一直在產生大量的數據，這些數據具有大數據的特征。如何將這些復雜的、看似不相關的數據應用于變電站的智能評估，是目前電力系統發展中亟待解決的問題。
[0003]大數據分析是一種常見的數據處理方法。評價變電站的本質是評價電力設備的健康狀況。若能提前得出有價值的數據，對電力系統進行全面準確地評估，判斷每一個設備的健康狀況，就可以在設備出現故障之前發現問題并安排故障處理，從而延長設備的服務時間，提高電網的供電可靠性；在大數據環境的基礎下，新的諸如人工智能、神經網絡等技術出現，為電力系統發展的數據處理部分帶來了新的進步，但具體如何實現，還有待研究。
[0004]電網瞬態穩定性，通常稱之為電力系統的暫態穩定性，是指電力系統在運行過程中，受到一個大的擾動后，經過一個暫態過程能否達到新的穩定運行狀態或恢復到原來運行狀態，即平衡點的能力；這是評價電網性能的重要指標，同時也為電網的結構發展與改進提供分析基礎，因此，對電網瞬態穩定性進行預測，是電網監測工作中的重點之一。
[0005]現有技術已經在嘗試使用卷積神經網絡，即CNN網絡，構建相應模型，來對電網暫態電壓穩定過程進行快速評估；其要點在于依據暫態電壓時序信息進行穩態潮流特征的選擇以及故障特征的定義，取故障前的穩態節點電壓、發電機有功和無功功率、負荷有功和無功功率作為CNN模型的輸入特征。此方法存在一定的缺點：未考慮到故障的沖擊程度以及故障的后續發展情況，僅對特定故障集中的情況能產生顯著效果，對于其他故障類型的泛化應用能力不足，因此對電網瞬態穩定性預測也不夠全面和準確。
[0006]因此，在電網數據計算中應用的CNN模型如何進行改進，使其在電網中對大量數據的監測處理過程，能準確高效的得出評估結果，形成新的電網瞬態穩定性預測方法，也成為了電網結構發展中的熱點研究問題。

技術實現思路

[0007]針對現有技術關于電網瞬態穩定性預測的局限性問題，本專利技術提出了改進CNN模型的思路與具體的CNN模型結構，以及相應的訓練過程；并有針對性的選取電網瞬態穩定性預測中的重要數據，進行分析，形成了具有新的電網瞬態穩定性預測方法，相比現有技術，具有更高的準確性，能面對的故障類型更全面。
[0008]本專利技術采用了以下技術方案來實現目的：
[0009]一種基于改進CNN模型的電網瞬態穩定性預測方法，包括如下步驟：
[0010]S1、對待預測電網中的原始數據進行數據清洗，數據清洗完成后，采集設定周期T
內的待預測電網中的有效數據；
[0011]S2、提取有效數據中的發電機功率角特征數據、堆疊稀疏自動編碼器特征數據和隨機矩陣特征數據，對這三類特征數據進行最大最小歸一化處理，獲得對應的三類預處理數據；
[0012]S3、將預處理數據輸入電網瞬態穩定性預測模型，獲得電網瞬態穩定性預測結果；
[0013]所述電網瞬態穩定性預測模型，以對CNN模型進行改進的方式構建，由三個卷積神經網絡通道、一個特征融合層和一個回歸層所構成。
[0014]進一步的，所述電網瞬態穩定性預測模型的具體構建方式為：將每一個卷積神經網絡通道的輸入端作為電網瞬態穩定性預測模型的輸入，接收預處理數據；將每一個卷積神經網絡通道的輸出端均與特征融合層的輸入端連接，將特征融合層的輸出端與回歸層的輸入端相連接，回歸層的輸出即為預測結果的輸出；
[0015]其中，每一個卷積神經網絡通道的結構相同，構建方法也相同，均為：依次連接第一卷積層Conv1 3
×
1、第一池化層Pool1 2
×
1、第二卷積層Conv2 3
×
1、第二池化層Pool2 2
×
1、第三卷積層Conv3 2
×
1、第三池化層Pool3 2
×
1、第四卷積層Conv4_6 2
×
1和第四池化層Pool4 2
×
1；并將第四池化層Pool4 2
×
1的輸出端連接特征融合層的輸入端；
[0016]將經過最大最小歸一化處理的發電機功率角特征數據、堆疊稀疏自動編碼器特征數據和隨機矩陣特征數據，分別作為一個卷積神經網絡通道中第一卷積層Conv1 3
×
1的輸入；
[0017]所述回歸層的激活函數為H(s')＝s0，其中s'為特征融合層的輸出結果；s0為預測得到的預測穩定裕度。
[0018]具體的，電網瞬態穩定性預測結果包括電網穩定狀態δ，如下式：
[0019][0020]式中，當δ輸出為1時，表示預測電網處于穩定狀態，當δ輸出為
?
1時，表示預測電網處于不穩定狀態。
[0021]進一步的，在步驟S3之前，還包括對電網瞬態穩定性預測模型的訓練過程，具體為如下步驟：
[0022]A1、生成多類不同電網故障條件下的m個樣本案例，采集設定周期T內每個樣本案例的訓練數據；
[0023]A2、對采集的訓練數據進行特征提取，建立樣品集P；
[0024]A3、構建初始的電網瞬態穩定性預測模型后，將樣品集P輸入，采用Adam優化算法，對初始的電網瞬態穩定性預測模型進行訓練，得到訓練后的電網瞬態穩定性預測模型，在實際預測中使用。
[0025]具體的，電網瞬態穩定性預測模型的回歸層的損失函數L為：
[0026][0027]上式中，s
i
為樣品集P中第i個樣本案例在故障條件下的電網實際穩定裕度；s
0i
為第i個樣本案例在故障條件下的預測實際穩定裕度。
[0028]進一步的，步驟A2中，樣品集P的建立過程具體如下：
[0029]A21、對第i個樣本案例進行時域仿真模擬，得到x
i
個對應故障條件下的模擬時域數據；
[0030]A22、對x
i
個模擬時域數據，使用二進制搜索法，得到第i個樣本案例的極限截止時間t
iC
；
[0031]A23、依據第i個樣本案例的極限截止時間t
iC
，得到第i個樣本案例的電網實際裕度s
i
，如下式：
[0032]s
i
＝t
iC
?
(t
i1
?
t
i2
)
[0033]式中，t
i1
為第i個樣本案例的電網故障出現時刻，t
i2
為第i個樣本案例的電網故障消失時刻；
[0034]A24、對第i個樣本案例的訓練數據進行特征提取，得到對應的發電機功率本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于改進CNN模型的電網瞬態穩定性預測方法，其特征在于，包括如下步驟：S1、對待預測電網中的原始數據進行數據清洗，數據清洗完成后，采集設定周期T內的待預測電網中的有效數據；S2、提取有效數據中的發電機功率角特征數據、堆疊稀疏自動編碼器特征數據和隨機矩陣特征數據，對這三類特征數據進行最大最小歸一化處理，獲得對應的三類預處理數據；S3、將預處理數據輸入電網瞬態穩定性預測模型，獲得電網瞬態穩定性預測結果；所述電網瞬態穩定性預測模型，以對CNN模型進行改進的方式構建，由三個卷積神經網絡通道、一個特征融合層和一個回歸層所構成。2.根據權利要求1所述的一種基于改進CNN模型的電網瞬態穩定性預測方法，其特征在于：所述電網瞬態穩定性預測模型的具體構建方式為：將每一個卷積神經網絡通道的輸入端作為電網瞬態穩定性預測模型的輸入，接收預處理數據；將每一個卷積神經網絡通道的輸出端均與特征融合層的輸入端連接，將特征融合層的輸出端與回歸層的輸入端相連接，回歸層的輸出即為預測結果的輸出；其中，每一個卷積神經網絡通道的結構相同，構建方法也相同，均為：依次連接第一卷積層Conv1 3
×
1、第一池化層Pool1 2
×
1、第二卷積層Conv2 3
×
1、第二池化層Pool2 2
×
1、第三卷積層Conv3 2
×
1、第三池化層Pool3 2
×
1、第四卷積層Conv4_6 2
×
1和第四池化層Pool4 2
×
1；并將第四池化層Pool4 2
×
1的輸出端連接特征融合層的輸入端；將經過最大最小歸一化處理的發電機功率角特征數據、堆疊稀疏自動編碼器特征數據和隨機矩陣特征數據，分別作為一個卷積神經網絡通道中第一卷積層Conv1 3
×
1的輸入；所述回歸層的激活函數為H(s')＝s0，其中s'為特征融合層的輸出結果；s0為預測得到的預測穩定裕度。3.根據權利要求2所述的一種基于改進CNN模型的電網瞬態穩定性預測方法，其特征在于：電網瞬態穩定性預測結果包括電網穩定狀態δ，如下式：式中，當δ輸出為1時，表示預測電網處于穩定狀態，當δ輸出為
?
1時，表示預測電網處于不穩定狀態。4.根據權利要求1所述的一種基于改進CNN模型的電網瞬態穩定性預測方法，其特征在于，在步驟S3之前，還包括對電網瞬態穩定性預測模型的訓練過程，具體為如下步驟：A1、生成多類不同電網故障條件下的m個樣本案例，采集設定周期T內每個樣本案例的訓練數據；A2、對采集的訓練數據進行特征提取，建立樣品集P；A3、構建初始的電網瞬態穩定性預測模型后，將樣品集P輸入，采用Adam優化算法，對初始的電網瞬態穩定性預測模型進行訓練，得到訓練后的電網瞬態穩定性預測模型，在實際預測中使用。5.根據權利要求4所述的一種基于改進CNN模型的電網瞬態穩定性預測方法，其特征在于：電網瞬態穩定性預測模型的回歸層的損失函數L為：
上式中，s
i
為樣品集P中第i個樣本案例在故障條件下的電網實際穩定裕度；s
0i
為第i個樣本案例在故障條件下的預測實際穩定裕度。6.根據權利要求4所述的一種基于改進CNN模型的電網瞬...

【專利技術屬性】
技術研發人員：鐘加勇，陳詠濤，吳彬，李俊杰，籍勇亮，何迎春，厲仄平，靳敏，
申請(專利權)人：國網重慶市電力公司國家電網有限公司，
類型：發明
國別省市：