一种结合持续学习更新的电力系统暂态稳定评估方法

技术领域

本发明涉及电力系统暂态稳定评估技术领域，具体为一种结合持续学习更新的电力系统暂态稳定评估方法。

背景技术

随着现代电力系统的快速发展，可再生能源渗透率和电力电子设备不断增加，区域互联下电力系统规模不断扩大，电力系统的动态特性变得越来越复杂。当电力系统受到干扰时，更容易发生暂态失稳问题，暂态失稳是造成电网发生大停电的重要原因。因此，快速准确的电力系统暂态稳定评估对电力系统的安全稳定运行至关重要。

目前暂态稳定计算的方法有时域仿真法，直接法和人工智能法。时域仿真法虽计算精度高，但计算耗时长，难以在线应用。直接法在面对复杂的大电网时，其高度简化的模型难以进行准确可靠的评估，适应性不高。近年来，随着同步相量量测技术的不断发展，广域测量信息系统(Wide Area Measurement System，WAMS)不断完善，通过在电网中部署的相量测量单元(PMU)可以同步获取大量系统的动态信息。人工智能算法利用其数据以及相应的稳定性结论，构造输入特征与输出结论之间的映射关系，无需建立复杂的数学模型，便能实现快速，准确的暂态稳定评估。随着数据驱动技术的快速发展，深度学习为电力系统暂态稳定评估提供了新的思路。如深度置信网络(DBN)、堆栈自编码器(SAE)，卷积神经网络(CNN)、长短期记忆网络(LSTM)等。然而，当系统的运行方式和拓扑结构发生较大变化时，基于固定分布数据训练的预测模型的精度就会显著下降，因此，能够持续在线应用的TSA仍然是一个巨大的挑战。有学者将迁移学习(Transfer Learning)应用于模型的更新，此方法虽然能够减少了更新时间，且基于迁移学习更新后的模型虽然在新场景下表现好但遗忘了在旧场景学习到的知识，现实电力系统中新场景是不断变化的，需要反复训练的海量数据会导致模型的更新速度跟不上数据的积累速度，而持续学习算法能够解决的模型的灾难性遗忘问题。所以，有必要对具有持续学习能力模型的电力系统暂态稳定评估方法进行研究。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：如何解决的模型的灾难性遗忘问题并只需使用新场景的数据就能对模型进行更新强化，同时不遗忘旧任务。

为解决上述技术问题，本发明提供如下技术方案：一种结合持续学习更新的电力系统暂态稳定评估方法，包括：

基于数据对模型进行离线训练，将底层量测数据构造成三维特征图作为模型的输入，利用深度残差收缩网络建立特征输入与稳定结果输出之间的映射关系，从而实现端到端的暂态稳定评估；

在线应用时，将持续学习算法引入模型，建立评估模型；

当系统拓扑结构和运行方式发生较大变化导致模型预测精度下降时，对模型进行更新模型训练。

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述模型的输入包括：

初选择故障切除后5个周波的母线电压幅值与相角作为初始输入特征，构造2×N×B三维输入特征图，其中2代表通道数，N代表采样点数，每半个周波采样一次，B代表系统母线节点数。

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述稳定结果作为输出表示为：

其中，T

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述稳定结果还包括：

当T

当T

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述深度残差收缩网络包括：

深度残差收缩网络是在残差网络的基础上的一种改进网络，所述收缩指的是软阈值化，是降噪算法的关键步骤；

在深度残差收缩网络中，通过注意力机制自动设置软阈值化所需要的阈值；

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述深度残差收缩网络的整体还包括：

输入层，卷积层，一系列残差收缩模块以及最后的全局平均池化层和全连接输出层。

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述预测精度下降包括：

通过PSS/E仿真软件设置不同的新能源渗透率，不同的负荷水平，不同线路的三相短路故障以及不同的故障持续时间，生成三种不同的数据集对预测模型进行训练和更新；

所述评估模型包括SCP-DRSN暂态稳定评估模型。

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述三种不同的数据集包括：基本数据集D

所述基本数据集D

所述数据集D

所述数据集D

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述持续学习算法包括：

持续学习算法SCP能够解决的模型的灾难性遗忘问题；

根据持续学习中基于正则化的方法，在新任务的损失函数中会添加正则项以限制模型每个权重参数的变化，让机器在学新任务的时候能保留旧任务上学得的知识。

作为本发明所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述新任务的损失函数，表示为：

其中，L′(θ)表示模型旧损失函数；θ表示模型的第i个参数，

本发明的有益效果：本发明提供的结合持续学习更新的电力系统暂态稳定评估方法，将持续学习算法SCP引入深度残差网络模型解决的模型的灾难性遗忘问题，模型只需使用新场景的数据就能对模型进行更新强化，而不遗忘旧任务。本发明所提的方法能够得到准确有效的预测结果，在模型需要更新时能够大幅减少更新训练时间和更新成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法的整体流程图；

图2为本发明第一个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法中深度残差收缩网络结构图；

图3为本发明第一个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法残差收缩模块图；

图4为本发明第一个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法又一残差收缩模块图；

图5为本发明一个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法改进的新英格兰10机39节点系统新场景图；

图6为本发明一个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法改进的新英格兰10机39节点系统新又一场景图；

图7为本发明二个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法微调方法在不同场景下评估准确率的比较；

图8为本发明二个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法本发明持续学习方法在不同场景下评估准确率的比较；

图9为本发明二个实施例提供的一种结合持续学习更新的电力系统暂态稳定评估方法在已所有见过的场景下评估准确率的比较。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1-6，为本发明的一个实施例，提供了一种结合持续学习更新的电力系统暂态稳定评估方法，包括：

步骤一：离线训练

(1)考虑系统各种基本运行工况，设置不同的故障条件，通过时域仿真软件PSS/E生成所需数据集。本发明选择故障切除后5个周波的母线电压幅值与相角作为初始输入特征，构造2×N×B三维输入特征图。其中2代表通道数，N代表采样点数(每半个周波采样一次)，B代表系统母线节点数。

(2)利用稳定判据暂态指数T

(3)本发明选取的基础分类器模型为深度残差收缩网络，其整体结构如图2所示。在残差单元的基础上，残差收缩单元将软阈值化作为一个非线性转换层插入结构单元中，目的是有效地排除噪声相关的特征，包括RSBU-CS和RSBU-CW两种。其结构为图3和图4所示。

(4)将上述标注的样本数据集划分为训练集，测试集，验证集，划分比例为8:1:1。其中训练集用于模型的训练，验证集用于模型超参数的选择，测试集用于测试模型的性能。

步骤二：在线应用

通过PMU实时采集电力系统的运行数据；将数据处理成模型所要求的结构输入TSA模型；在线应用的TSA模型能快速的得出实时评估结果。

步骤三：更新模型:

持续学习算法SCP能够解决的模型的灾难性遗忘问题，SCP属于持续学习中基于正则化的方法，也就是在新任务的损失函数中会添加正则项以限制模型每个权重参数的变化(目的就是让机器在学新任务的时候能保留旧任务上学得的知识)。

本发明考虑两种新场景数据集

(1)数据集D

(2)数据集D

(3)本发明只需要用新数据集Dnew就能对模型进行更新训练，在SCP的作用下，模型更新后仍然能保留在旧任务上学习到的知识。只用新场景数据更新的好处在于：更新成本小，更新训练时间短，更新而不遗忘能够避免模型频繁更新。

SCP通过切片Cramér距离来确定正则系数，在学习新任务的同时，在深度神经网络的任意层上保留先前看到的任务表示的分布。切片Cramér距离可以用来衡量两个高维分布概率之间的差异，其中P-Cramér距离定义为一维概率累积分布函数之间的p-范数。利用对高维分布进行切片的思想将Cramér距离扩展到高维分布，通过其边际分布的无穷集来表示高维分布。则切片Cramér距离定义为高维分布的一维切片之间Cramér距离的期望值。

所述稳定结果作为输出表示为：

其中，T

当T

当T

所述新任务的损失函数，表示为：

其中，L′(θ)表示模型旧损失函数；θ表示模型的第i个参数，

实施例2

参照图7-9，为本发明的一个实施例，提供了一种结合持续学习更新的电力系统暂态稳定评估方法，为了验证本发明的有益效果，通过实验进行科学论证。

图7为传统微调方法在不同场景下评估准确率的效果对比图，从图7可以看出传统方法在场景一准确率可以达到98.81％，但是当连续训练，切换场景后，准确率下降幅度明显，在场景一和场景二连续场景下准确率为84.63％及99.13％，在场景一，场景二及场景三连续场景下准确率为83.09％，91.39％及99.33％；

参考图8为本发明持续学习方法在不同场景下评估准确率的效果对比图，从图8可以看出本发明在场景一准确率同样可以达到98.81％，当连续训练，切换场景后，准确率并未明显下降，在场景一和场景二连续场景下准确率为98.42％及98.69％，在场景一，场景二及场景三连续场景下准确率为98.03％，98.31％及98.47％；

参考图9为在所有见过的场景下评估准确率的效果对比图，从图9可以看出本发明对比传统方法，连续训练时，准确率并无明显下降，场景一两种方法准确率均为98.81％，场景二传统方法准确率只有86.91％，但本方法准确率依旧保持在98.26％，在场景三传统方法准确率降为84.19，本方法准确率保持在98.04％；

由图7可知基于微调更新策略下构建的Fine tuning-DRSN模型只有在新场景下才有好的表现，在以往的场景下表现糟糕，出现了灾难性遗忘的问题。

图8显示基于持续学习更新策略下构建的SCP-DRSN在新旧场景下都能保持好的表现。

图9显示结合持续学习的评估模型能够不断提高新场景的覆盖率。

本实验能够直观的看出本发明方法相较于传统方法具有更优的准确性，在多场景连续练习情况下不会受到影响大幅度降低准确率。

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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。