一种基于改进CNN模型的电网瞬态稳定性预测方法

技术领域

本发明属于电网监测和神经网络模型技术领域，具体为一种基于改进CNN模型的电网瞬态稳定性预测方法。

背景技术

如今，电力系统正在扩大，智能变电站的数量也在增加；新的在线监测和离线检测方法正在不断应用至供配电工作中。电力系统中大规模的电力设备，一直在产生大量的数据，这些数据具有大数据的特征。如何将这些复杂的、看似不相关的数据应用于变电站的智能评估，是目前电力系统发展中亟待解决的问题。

大数据分析是一种常见的数据处理方法。评价变电站的本质是评价电力设备的健康状况。若能提前得出有价值的数据，对电力系统进行全面准确地评估，判断每一个设备的健康状况，就可以在设备出现故障之前发现问题并安排故障处理，从而延长设备的服务时间，提高电网的供电可靠性；在大数据环境的基础下，新的诸如人工智能、神经网络等技术出现，为电力系统发展的数据处理部分带来了新的进步，但具体如何实现，还有待研究。

电网瞬态稳定性，通常称之为电力系统的暂态稳定性，是指电力系统在运行过程中，受到一个大的扰动后，经过一个暂态过程能否达到新的稳定运行状态或恢复到原来运行状态，即平衡点的能力；这是评价电网性能的重要指标，同时也为电网的结构发展与改进提供分析基础，因此，对电网瞬态稳定性进行预测，是电网监测工作中的重点之一。

现有技术已经在尝试使用卷积神经网络，即CNN网络，构建相应模型，来对电网暂态电压稳定过程进行快速评估；其要点在于依据暂态电压时序信息进行稳态潮流特征的选择以及故障特征的定义，取故障前的稳态节点电压、发电机有功和无功功率、负荷有功和无功功率作为CNN模型的输入特征。此方法存在一定的缺点：未考虑到故障的冲击程度以及故障的后续发展情况，仅对特定故障集中的情况能产生显著效果，对于其他故障类型的泛化应用能力不足，因此对电网瞬态稳定性预测也不够全面和准确。

因此，在电网数据计算中应用的CNN模型如何进行改进，使其在电网中对大量数据的监测处理过程，能准确高效的得出评估结果，形成新的电网瞬态稳定性预测方法，也成为了电网结构发展中的热点研究问题。

发明内容

针对现有技术关于电网瞬态稳定性预测的局限性问题，本发明提出了改进CNN模型的思路与具体的CNN模型结构，以及相应的训练过程；并有针对性的选取电网瞬态稳定性预测中的重要数据，进行分析，形成了具有新的电网瞬态稳定性预测方法，相比现有技术，具有更高的准确性，能面对的故障类型更全面。

本发明采用了以下技术方案来实现目的：

一种基于改进CNN模型的电网瞬态稳定性预测方法，包括如下步骤：

S1、对待预测电网中的原始数据进行数据清洗，数据清洗完成后，采集设定周期T内的待预测电网中的有效数据；

S2、提取有效数据中的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，对这三类特征数据进行最大最小归一化处理，获得对应的三类预处理数据；

S3、将预处理数据输入电网瞬态稳定性预测模型，获得电网瞬态稳定性预测结果；

所述电网瞬态稳定性预测模型，以对CNN模型进行改进的方式构建，由三个卷积神经网络通道、一个特征融合层和一个回归层所构成。

进一步的，所述电网瞬态稳定性预测模型的具体构建方式为：将每一个卷积神经网络通道的输入端作为电网瞬态稳定性预测模型的输入，接收预处理数据；将每一个卷积神经网络通道的输出端均与特征融合层的输入端连接，将特征融合层的输出端与回归层的输入端相连接，回归层的输出即为预测结果的输出；

其中，每一个卷积神经网络通道的结构相同，构建方法也相同，均为：依次连接第一卷积层Conv1 3×1、第一池化层Pool1 2×1、第二卷积层Conv2 3×1、第二池化层Pool22×1、第三卷积层Conv3 2×1、第三池化层Pool3 2×1、第四卷积层Conv4_6 2×1和第四池化层Pool4 2×1；并将第四池化层Pool4 2×1的输出端连接特征融合层的输入端；

将经过最大最小归一化处理的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，分别作为一个卷积神经网络通道中第一卷积层Conv1 3×1的输入；

所述回归层的激活函数为H(s')＝s

具体的，电网瞬态稳定性预测结果包括电网稳定状态δ，如下式：

式中，当δ输出为1时，表示预测电网处于稳定状态，当δ输出为-1时，表示预测电网处于不稳定状态。

进一步的，在步骤S3之前，还包括对电网瞬态稳定性预测模型的训练过程，具体为如下步骤：

A1、生成多类不同电网故障条件下的m个样本案例，采集设定周期T内每个样本案例的训练数据；

A2、对采集的训练数据进行特征提取，建立样品集P；

A3、构建初始的电网瞬态稳定性预测模型后，将样品集P输入，采用Adam优化算法，对初始的电网瞬态稳定性预测模型进行训练，得到训练后的电网瞬态稳定性预测模型，在实际预测中使用。

具体的，电网瞬态稳定性预测模型的回归层的损失函数L为：

上式中，s

进一步的，步骤A2中，样品集P的建立过程具体如下：

A21、对第i个样本案例进行时域仿真模拟，得到x

A22、对x

A23、依据第i个样本案例的极限截止时间t

s

式中，t

A24、对第i个样本案例的训练数据进行特征提取，得到对应的发电机功率角特征数据k

A25、基于上述过程获得的数据结果，令p

进一步的，步骤A22的过程具体如下：

A221、将x

A222、排序完成后，对x

对x

当第u次搜索得到的模拟时域数据o

当第u次搜索得到的模拟时域数据o

A223、重复迭代过程，直至搜索得到瞬态不稳定状态和瞬态稳定状态的分割点，得到处于瞬态不稳定状态时故障截止时间的最大值，为所述第i个样本案例的极限截止时间t

进一步的，所述瞬时稳定准则为：当λ＞0时，电网为瞬态稳定状态；当λ≤0时，电网为瞬态不稳定状态；λ的计算公式如下：

式中，

优选的，步骤A3中，采用Adam优化算法，对初始的电网瞬态稳定性预测模型进行训练时，向Adam优化算法中加入L2正则化。

综上所述，由于采用了本技术方案，本发明的有益效果如下：

本发明针对电网运行的随机性和低惯性，建立以CNN模型为基础的多特征、多通道的电网瞬态稳定性预测模型，并挑选了电网瞬态稳定性预测所需的重要数据，利用将CNN模型改进为多通道思想，独立分析各类数据特征，并在高维空间进行数据信息融合，从而使得电网瞬态稳定性预测模型在考虑了不同特征的情况下，能够准确的对电网的瞬态稳定性进行预测，有效地解决传统卷积神经网络模型下对于固定的、单一的输入特征，不能全面准确地表达被干扰系统的行为状态，即不能在多类故障状态下进行预测的问题。

本发明的方法，相比较现有技术的其他方法，由于CNN模型的改进，提出的具体结构关系和训练过程，具有权重参数少、泛化能力强和并行学习等优点，因此还可以有效提高电网瞬态稳定性预测算法的计算效率。

附图说明

图1为本发明的方法的流程示意图；

图2为电网瞬态稳定性预测模型的层间结构示意图；

图3为不同方法预测结果的均方根误差对比示意图；

图4为不同方法预测结果的漏报率对比示意图；

图5为不同方法预测结果的误报率对比示意图；

图6为不同方法预测结果的总体准确率对比示意图。

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。通常在此处附图中描述和示出的本发明实施例的组件可以按各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

如图1所示，一种基于改进CNN模型的电网瞬态稳定性预测方法，包括如下步骤：

S1、对待预测电网中的原始数据进行数据清洗，数据清洗完成后，采集设定周期T内的待预测电网中的有效数据；数据清洗的方法可包括：去除错误数据，补充不完整的数据和删除多余的数据；

S2、提取有效数据中的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，对这三类特征数据进行最大最小归一化处理，获得对应的三类预处理数据；

S3、将经过最大最小归一化处理后的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，输入电网瞬态稳定性预测模型，获得电网瞬态稳定性预测结果；

本实施例中，电网瞬态稳定性预测模型，以对CNN模型进行改进的方式构建，由三个卷积神经网络通道、一个特征融合层和一个回归层所构成；可采用Matlab编程实现电网瞬态稳定性预测模型的构建。

如图2所示，电网瞬态稳定性预测模型的具体构建方式为：将每一个卷积神经网络通道的输入端作为电网瞬态稳定性预测模型的输入，接收预处理数据；将每一个卷积神经网络通道的输出端均与特征融合层的输入端连接，将特征融合层的输出端与回归层的输入端相连接，回归层的输出即为预测结果的输出；

其中，每一个卷积神经网络通道的结构相同，构建方法也相同，均为：依次连接第一卷积层Conv1 3×1、第一池化层Pool1 2×1、第二卷积层Conv23×1、第二池化层Pool22×1、第三卷积层Conv32×1、第三池化层Pool32×1、第四卷积层Conv462×1和第四池化层Pool42×1；并将第四池化层Pool42×1的输出端连接特征融合层的输入端；可参看图2的示意。

将经过最大最小归一化处理的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，分别作为一个卷积神经网络通道中第一卷积层Conv1 3×1的输入，分别输入至通道1、通道2和通道3中；

回归层的激活函数为H(s′)＝s

本实施例中，电网瞬态稳定性预测结果包括电网稳定状态δ，如下式：

式中，当δ输出为1时，表示预测电网处于稳定状态，当δ输出为-1时，表示预测电网处于不稳定状态。

对于本实施例中的电网瞬态稳定性预测模型，其训练方法如下：

A1、通过试错法，生成多类不同电网故障条件下的m个样本案例，采集设定周期T内每个样本案例的训练数据；本实施例中，设定周期T＝5s；

A2、对采集的训练数据进行特征提取，建立样品集P；

步骤A2中，样品集P的建立过程具体如下：

A21、对第i个样本案例进行时域仿真模拟，得到x

A22、对x

本实施例中，步骤A22的过程具体如下：

A221、将x

A222、排序完成后，对x

对x

当第u次搜索得到的模拟时域数据o

当第u次搜索得到的模拟时域数据o

A223、重复迭代过程，直至搜索得到瞬态不稳定状态和瞬态稳定状态的分割点，得到处于瞬态不稳定状态时故障截止时间的最大值，为所述第i个样本案例的极限截止时间t

本实施例中，瞬时稳定准则为：当λ＞0时，电网为瞬态稳定状态；当λ≤0时，电网为瞬态不稳定状态；λ的计算公式如下：

式中，

得出极限截止时间t

A23、依据第i个样本案例的极限截止时间t

s

式中，t

A24、对第i个样本案例的训练数据进行特征提取，得到对应的发电机功率角特征数据k

A25、基于上述过程获得的数据结果，令p

完成样本集P的建立后，继续进行步骤A3；

A3、构建初始的电网瞬态稳定性预测模型后，将样品集P输入，采用Adam优化算法，对初始的电网瞬态稳定性预测模型进行训练，得到训练后的电网瞬态稳定性预测模型，在实际预测中使用；

本实施例中，Adam优化算法，是一种自适应动量的随机优化方法，在对初始的电网瞬态稳定性预测模型进行训练时，向Adam优化算法中加入L2正则化。

训练过程中，电网瞬态稳定性预测模型的回归层的损失函数L为：

上式中，s

在完成了上述训练过程，获得了具有实际应用价值的电网瞬态稳定性预测模型后，便可按照本实施例提供的方法步骤，进行电网瞬态稳定性预测工作，快速准确和全面的得出预测结果。

本实施例接下来介绍模拟仿真的试验结果，与传统的电网瞬态稳定性预测方法进行对比，进行本方法的数据效果验证。

根据电网负荷历史数据，构建训练样本，将配电网仿真系统中每个节点的有功负荷的波动幅度设置为±10％。

使用MATLAB编程，随机生成仿真所需的每个小时刻的有功历史负荷值。

使用电力系统分析综合程序PSASP来收集故障数据。

三相短路故障分别设置为标准负荷水平的70％、80％、90％、100％和110％，故障清除时间为0.3s。

为每个负载条件随机设置5个不同的发电机输出；共设置80个不同的故障点，采集1600个样本，数据采样周期为0.01s。

本实施例结合现有技术的方法进行对比，说明本方法的有益效果；其中，对比方法1为：结合图嵌入算法的电力系统多任务暂态稳定性评估方法；对比方法2为《EnergyReports》期刊在Volume 7,Supplement 1,April 2021,Pages 111-117公开的《Analysisof power system transient stability characteristics with the application ofmassive transient stability simulation data》中的方法。

本实施例中，对电网瞬态稳定性预测结果进行定量的分析和评估，选用如下四种指标作为定量评价标准。

(1)、均方根误差R，用于评估预测结果的稳定余量的预测精度，如下式：

(2)、漏报率M，表示对某一故障引起的不稳定状态没有报警，但预测到了稳定状态，如下式：

式中，TP为实际状态稳定且预测状态稳定的情况；FP为实际状态不稳定，但预测状态稳定的情况；TN为实际状态不稳定，预测状态不稳定的情况；

(3)、误报率F，表示某种故障不会导致系统不稳定，但模型因预测到不稳定而报警，如下式：

式中，FN为实际状态稳定但预测状态不稳定的情况；

(4)、总体准确率A，表示是否能准确预测某一故障引起的状态，如下式：

请参考图3至图6的预测结果数据，分别代表了均方根误差R、漏报率M、误报率F和总体准确率A的对比结果，可以直观看出，本实施例提出的电网瞬态稳定性预测模型在不同采样周期的PGTSP性能要高于另外两种对比方法。

在9个迭代次数内进行比较，本发明的总体准确率最大值为96.83％，分别比其他两种算法的总体准确率最大值高6.21％和7.68％。而本发明的均方根误差、漏报率和误报率在9个迭代次数内的最小值分别为0.196、2.15％和1.32％，均低于其他两种算法。因此，本实施例所提出的电网瞬态稳定性预测方法相较于现有技术具有更好的效果。