一种电力系统暂态稳定评估方法

技术领域

本发明涉及智能电网技术领域，尤其涉及一种电力系统暂态稳定评估方法。

背景技术

随着电力系统的高速发展，电网规模不断扩大、各种输电方式及新能源技术的应用使得电网结构和运行工况愈加复杂，导致电力系统的安全稳定运行面临更多的风险。现代电力系统是一个高维非线性系统，故障过程发展十分迅速，单纯依靠调度员的经验很难在短时间内做出有效正确的判断。目前常用的传统分析方法有直接法和时域仿真法，前者在稳定性估计上较为保守，不能满足大型网络应用的需要。后者模型较为复杂，计算速度较慢，不能满足快速性的要求。因此，如何在电力系统发生故障时准确快速地做出暂态稳定性的判断，是当前电网需要解决的问题。目前，人工智能方法结合时域仿真获得了越来越多的研究和关注，该方法从仿真数据中构建原始样本，离线训练模型建立原始数据集和暂态稳定之间的映射关系，从而达到电力系统暂态稳定评估的目的，这种方法具有耗时短、精度高的优点，被广泛应用于暂态稳定评估。

目前主要采用人工神经网络(Artificial Neural Networks，ANN)、支持向量机(Support Vector Machines，SVM)、决策树(Decision Tree，DT)等浅层学习模型进行暂态稳定评估。然而，由于浅层学习的结构限制，模型对输入数据的特征表达能力有限，求解高维数据分类问题时泛化能力受到制约。

发明内容

本发明所要解决的技术问题在于，提出一种电力系统暂态稳定评估方法，以有效减少运算时间和提高精度，实现对高复杂性、多变性、随机性电网的紧急预测。

为了解决上述技术问题，本发明提供一种电力系统暂态稳定评估方法，包括：

步骤S1，通过离线仿真获得的发电机的短期扰动轨迹建立初始样本集，并将初始样本集随机分为训练集和测试集；

步骤S2，将训练集输入胶囊神经网络，将其中每一电气量以区域排列，并按照发电机在故障初期的受扰程度进行排序，分别设置不同的网络参数，以综合指标为依据，训练得到最优的胶囊神经网络；

步骤S3，使用训练好的最优的胶囊神经网络对测试集样本进行在线暂态稳定性评估。

进一步地，所述步骤S1中，以在线路两端设置三相短路接地故障，故障后移除线路，进行仿真。

进一步地，所述步骤S1中，选取故障切除后转子角速度和转子角度的短期扰动轨迹建立初始样本集。

进一步地，所述步骤S2具体为：通过对故障切除后转子角速度和转子角度的短期扰动轨迹在时间上累积效应的非线性学习，经过逐层局部学习和提取，将输入的短期扰动轨迹映射成为隐含相对角度差和相对角速度差信息的高阶特征，并与暂态稳定性建立映射关系。

进一步地，所述步骤S2中，将全部发电机的转子角度和转子角速度分别构成一个特征区域，得到2个区域；再根据发电机在故障初期的受扰程度进行排序，得到胶囊神经网络的输入特征排列。

进一步地，根据所述输入特征排列，以正确率最高、函数最小为综合指标，确定网络参数的卷积核大小、迭代次数和批处理数量。

进一步地，通过发电机之间的相对转子角差是否大于360°来确定系统的稳定性：

Δδ

其中，

进一步地，输入胶囊神经网络的转子角度短期扰动轨迹矩阵为：

其中，N为发电机组数量，T为轨迹采样点数量。

进一步地，输入胶囊神经网络中预胶囊层的输出矩阵的元素为：

X

其中，f函数的变量为发电机间的相对转子角的差值(δ

进一步地，所述胶囊神经网络的训练过程是不断学习相对转子角度和相对转子角速度的加权系数。

本发明实施例的有益效果在于：本发明针对广域量测系统，提出了基于胶囊神经网络的电力系统暂态稳定评估方法，能够有效的满足大电网暂态稳定评估速度与精度的要求。对于不同输入特征的排列，模型的训练有显著差异，选择正确的排列有助于增强网络提取局部特征的能力，可以减少错误判断样本类别的概率，提高模型精度；经过大量测试，胶囊神经网络具有良好的泛化能力和准确性，与CNN、SVM、DT、ANN相比，胶囊神经网络在评估精度和迭代收敛速度方面优于传统的四种方法；本发明科学合理，实现了“快速测量、快速分辨率、快速控制”的理念，具有很好的工程应用价值。

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他的附图。

图1为本发明实施例一种电力系统暂态稳定评估方法的流程示意图。

图2为本发明实施例一种电力系统暂态稳定评估方法的具体流程示意图。

图3为本发明实施例中IEEE-39节点系统拓扑图。

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明实施例提供一种电力系统暂态稳定评估方法，包括：

步骤S1，通过离线仿真获得的发电机的短期扰动轨迹建立初始样本集，并将初始样本集随机分为训练集和测试集；

步骤S2，将训练集输入胶囊神经网络，将其中每一电气量以区域排列，并按照发电机在故障初期的受扰程度进行排序，分别设置不同的网络参数，以综合指标为依据，训练得到最优的胶囊神经网络；

步骤S3，使用训练好的最优的胶囊神经网络对测试集样本进行在线暂态稳定性评估。

本发明能够数据驱动摆脱物理模型约束，同时保证预测过程的时效性与精准性。具体地，模型的离线学习阶段使用的数据通常来自数值仿真，通过对电网预置线路故障进行暂态稳定仿真，可以获得大量的仿真样本。本发明实施例主要关注大扰动下的事故，因此选择最严重的故障进行仿真，在线路两端设置三相短路接地故障，故障后移除线路，同时保证最终得到的数据集中稳定样本和不稳定样本的数量相对均匀。又考虑到，发电机的q轴电势等状态量因实际条件而难以测量。因此，选取故障切除后转子角速度和转子角度的短期轨迹作为胶囊神经网络的输入特征。

多机系统受到较大干扰后，可以通过发电机之间的相对转子角差是否大于360°来确定系统的稳定性，失稳判据可表示为：

Δδ

其中，

胶囊神经网络的输入是一个二维矩阵，以转子角轨迹为例，矩阵可表示为：

其中，N为发电机组数量，T为轨迹采样点数量。

胶囊神经网络中卷积层的卷积核的权重矩阵表示为：

权重矩阵的理想情况是：

此时，输入胶囊神经网络中预胶囊层(PrimaryCaps Layer)的输出矩阵的元素为：

X

f函数的变量为发电机间的相对转子角的差值(δ

由于胶囊神经网络的训练过程是不断更新卷积层、PrimaryCaps层和DigitCaps层的权重矩阵，即为学习相对转子角度和相对转子角速度的加权系数，可见基于胶囊神经网络实现暂态稳定评估的实质是对输入轨迹的相对角度差在时间上累积效应的非线性学习，经过逐层局部学习和提取，将输入轨迹映射成为隐含相对角度差信息的高阶特征，并与暂态稳定性建立映射关系，实现基于短时轨迹的暂态稳定评估，转子角速度作为输入矩阵时亦同理。

本发明实施例暂态稳定评估流程包括三个部分：首先，通过离线仿真获得发电机的短期扰动轨迹来建立初始样本集，并将数据集随机分为训练集和测试集。其次，用精度指标寻找最优网络结构参数，并基于准确度来评估模型，如果不满足要求，可以通过调整参数或调整网络进行再训练，最终达到要求。最后，使用训练好的模型对测试集样本进行在线暂态稳定性评估。

为了更明确地说明本发明的实施方案，结合附图2-图3做进一步详细描述：

参照图2，基于胶囊神经网络的暂态稳定评估流程包括三个部分：通过离线仿真获得样本集；训练网络；在线评估。

针对图3所示的IEEE-39节点系统，发电机模型采用二阶经典模型，不考虑励磁及调速器的作用，各负荷均为恒阻抗模型，考虑10个负载水平(％87、％89、％91、％93、％95、％97、％99、％101、％103、％105)，将故障设置在34条线路的首端，故障类型为三相短路接地，故障持续时间为0.2s。从仿真中共获得10200个样本。其中，不稳定样本8561个，稳定样本1639个。将所有样本归一化后，随机选取9000个样本作为训练集样本，其余1200个样本作为测试集样本。

特征排列：根据故障清除时的相对动能来计算扰动的严重程度。为了验证本发明实施例的有效性，将其与其他排列进行比较，提出的四种输入特征排列如下：

A、将每台发电机的两个特征量(转子角和转子角速度)构成表征该机特征的区域，n台机共计得到n个区域；

B、将全部发电机的某个特征量(转子角或转子角速度)构成一个特征区域，2个特征量共计得到2个区域；

C、以B为基础，发电机组的顺序按故障初期受扰程度从大到小排列；

D、将列随机排列。

选取故障清除后0.2s内的特征时间序列，采样间隔T＝0.01s，寻求评估准确率最优的特征排列方式。四种类型的输入矩阵尺寸均为20×20，并且设置相同的网络参数。测试结果如下表1所示。

表1

从表1可以看出，通过将每一电气量以区域排列，并计及发电机组在故障初期的受扰程度进行排序，将具有相似动态特性的轨迹紧凑排列，能够学习关键特征，增强提取局部特征的鲁棒性，提升模型的泛化能力和评估准确率。故选择C方式为模型参数选择的基础。

以C排列方式为基础，分别设置不同的网络参数，以综合指标为依据来确定最优的模型，其测试结果如表2所示。表2中卷积核的数字代表每层卷积层中卷积核的阶数。批样本数表示每次训练网络时分批输入网络学习的样本数。

表2

从上表可以看出：

a)在数据集样本数目一定的前提下，改变卷积核的阶数、批样本数量和迭代次数均会影响模型评估的正确率。

b)通过比较序号1、2、6、10，当批样本数和迭代次数相同时，合理选择核的维数有助于提高判断的准确性。

c)与序号6、8、9相比，在卷积核的阶数和迭代次数相同时，批样本数越小，网络调整权重的次数越多，正确率越高，损失越小。

d)通过对3、4、5、6、7个序列号的比较，在卷积核的阶数和批样本数量均相同时，正确率随迭代次数的增加有上升趋势，但超过一定的迭代次数，正确率开始下降，说明模型超过一定次数的学习会造成过学习，过多学习到不利于分类的冗余特征从而影响模型的泛化能力。

e)由上表可以看出，序号6所对应的模型是最优模型，模型的损失最小，正确率高达99.25％。

由此可见，合理的选择网络参数的卷积核大小、迭代次数和批处理数量有助于模型提取数据局部特征，提高分类评估的能力。经过上述分析得出结论：本发明实施例能够利用故障清除后的短时受扰组合轨迹进行电力系统暂态稳定性评估，并且评估模型具有良好的泛化能力和准确率，准确率高达99.25％，单个样本的评估时间为0.03ms，满足实时评估的要求。

为了验证本发明的胶囊神经网络(Capsnet)在电力系统暂态稳定评估中的应用效果，在相同数据集中进行测试，将Capsnet的评估性能与CNN、SVM、DT和ANN进行比较。其中，CNN选择的卷积层的卷积核阶数与Capsnet相同，批样本数为60，迭代次数为700，SVM选择径向基核函数，最优结构参数利用5折交叉验证和网格搜索法寻取，两者的取值范围均为[2-8,28]；DT使用C4.5算法，置信因子选择为0.25，该值在大多数情况下都有很好的效果。ANN的输入层神经元个数等于输入矩阵中的数值个数，输出层神经元个数与输出类别数相等为2，隐含层层数为2，神经元个数由遍历法确定，训练为梯度下降法。不同模型的精度结果如表3所示。

表3

从上表可以看出，Capsnet的评价精度优于其他四种模型，Capsnet能够快速高效地提取数据中隐含的关键特征。因此，与其他四种评估方法相比，Capsnet具有更优越的暂态稳定评估性能。

通过上述说明可知，本发明实施例的有益效果在于：本发明针对广域量测系统，提出了基于胶囊神经网络的电力系统暂态稳定评估方法，能够有效的满足大电网暂态稳定评估速度与精度的要求。对于不同输入特征的排列，模型的训练有显著差异，选择正确的排列有助于增强网络提取局部特征的能力，可以减少错误判断样本类别的概率，提高模型精度；经过大量测试，胶囊神经网络具有良好的泛化能力和准确性，与CNN、SVM、DT、ANN相比，胶囊神经网络在评估精度和迭代收敛速度方面优于传统的四种方法；本发明科学合理，实现了“快速测量、快速分辨率、快速控制”的理念，具有很好的工程应用价值。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。