基于PLNN的电力系统短期电压稳定性评估方法

基于plnn的电力系统短期电压稳定性评估方法
技术领域
1.本发明涉及电压稳定性评估技术领域，尤其涉及一种基于plnn的电力系统短期电压稳定性评估方法。


背景技术：

2.目前电网中正广泛普及和应用的同步相量测量技术可为基于大数据的电力系统稳定分析和监测提供可靠的同步数据源。大数据方法在知识挖掘和探索上的优势可为人们更好地解决电网暂态电压稳定评估的传统难题提供新的思路。但已有的方法大多从单一时间断面进行特征变量的提取，难以直接用于电气量变化剧烈的电网暂态电压稳定评估中。实际上，关乎系统失稳规律的各电气量的关键变化趋势和特征可能蕴藏于某小段时间内。若以故障后一段时间内pmu量测得到的动态时间序列来构建学习样本，从动态时序数据中提取特征变量，将能实现更为准确的特征捕获和更加可靠的分类评估。
3.在已有的利用电压时间序列进行电网暂态电压稳定评估方法中，大多数采用的是枚举算法或者基础的剪枝算法从shapelet候选集中选取最能代表某一类的shapelet(shapelet：最能将某一类时间序列与其他类时间序列区分开的时间序列子序列)，这种方法虽然可以取得较为准确的结果，但是速度比较慢，不适合用于解决在线的实时问题。
4.分段线性神经网络plnn是采用了分段线性的激活函数的神经网络，relu族是plnn中使用较广泛的激活函数。工作表明，分段线性神经网络(plnn)可以为预先训练的深度神经网络计算出一个精确且一致的解释。因此，使用plnn对时间序列进行分类，可以对分类结果作出解释。
5.综上，若从电网中各节点电气量的动态时间序列中进行特征属性的提取，然后利用plnn从shapelet候选集中快速的找出shapelet，再采用得到的shapelet构建分类器，最后辅以增量学习技术得到最具有时效性的shapelet，将能提高以数据挖掘为基础的电网暂态电压稳定评估的实用价值，进一步增强在线监测和评估的可靠性。


技术实现要素：

6.针对现有技术的不足，本发明提供一种基于plnn的电力系统短期电压稳定性评估方法，利用plnn从时间序列中提取出与电网稳定状态密切相关的关键字序列作为特征属性，再采用逻辑回归和梯度下降的方法对电压时间序列进行分类，从而对电网暂态电压稳定状况进行可靠的在线监测与评估。
7.一种基于plnn的电力系统短期电压稳定性评估方法，具体包括以下步骤：
8.步骤1：从电网的调度运行记录中采集电网的运行方式集、故障集和节点集；
9.步骤2：根据所述电网的运行方式集、故障集和节点集，采用计算机时域仿真方法对电网中各节点在三相短路故障下进行n次时域仿真，分别记录每次时域仿真过程中节点在故障发生后δt时间内电压、电流、有功功率、无功功率随时间的变化曲线，四种变化曲线均形成长度为m的时间序列，依次记为u、i、p、q，其中δt＝(m-1)*δt，δt为仿真时间间隔，
m为所记录的变化曲线的数据点数，同时记录每次时域仿真过程中电网的状态z，将电网处于稳定状态记为z＝1，电网处于失稳状态记为z＝-1；
10.步骤3：将一次时域仿真过程中记录的电压、电流、有功功率、无功功率合成一个样本，进行n次时域仿真后共得到n个样本，n个样本形成一个初始样本集，作为训练集数据；
11.步骤4：利用训练集数据对plnn模型进行训练，并对plnn模型进行解释；
12.所述plnn模型为使用线性函数作为激活函数的神经网络模型；
13.给定一个有l层的plnn模型将的第l层表示为则表示输入层，表示输出层，其他的层表示隐藏层，其中l∈(2，..，l-1)，使用n
l
表示第层神经元的个数，则隐藏层神经元的总数为
14.使用a
(l)
表示第层的输出，w
(l)
表示第层所有节点与第层所有节点的权重矩阵，b
(l)
表示层的偏置，z
(l)
表示层的加权和向量，对于l∈{1，...，l-1}，z
(l 1)
下式进行计算：
15.z
(l 1)
＝w
(l)a(l)
b
(l)
16.plnn模型中每个隐藏层神经元使用线性激活函数作为激活函数，对于l∈{2，...，l-1}，a
(l)
用下式计算。
17.a
(l)
＝f(z
(l)
)
18.当l＝1时，表示输入层，使用表示plnn模型的输入，其中表示一个d维的输入空间；输入层包含n1＝d个神经元，并且输出层的每个神经元其中i∈{1，...，d}。也就是说a
(1)
＝x；
19.当l＝l时，表示输出层，plnn模型的输出用表示，其中，是一个nl维的输出空间，输出层使用softmax函数去计算输出，即a
(l)
＝softmax(z
(l)
)；
20.所述训练为，设定一个长度为l的矩形窗，其中2＜l＜m，通过矩形窗滑动方式从步骤3中得到的n个样本中的第i个样本的u、i、p、q时间序列中获取长度为l的子序列集，给定一个未经训练的plnn模型，将实例x以向量形式输入到plnn模型中，层以全连接的形式输入到层，第层的输出经过一层以relu为激活函数的神经元节点，只有部分被激活的权重和偏置得以保留，而部分权重与偏置已经被舍弃置为0；不断重复训练，确定plnn模型的参数；
21.步骤5：对训练集中某一条时间序列，通过对该条时间序列使用滑动窗口方法产生的每个子序列加入高斯白噪声的方式产生扰动序列集合，再根据plnn模型找到对该条时间序列分类结果影响最大的子序列，作为shapelet候选集合中的一个元素，对该类中的每一条时间序列重复上述过程，得到该类的shapelet候选集合；
22.步骤6：在shapelet候选集合中有区域重叠的候选shapelet，只保留其中评分最高的候选，即加入扰动后对原分类结果改变最大的子序列，作为最终的shapelet之一，从而得到某类时间序列的最终shapelet集合，最终shapelet集合中的shapelet所在区域一定不重合；
23.步骤7：将最终的shapelet集合与逻辑回归分类器结合，对shapelet进行调整并对时间序列进行分类，并输出电网状态z’，获得电网暂态电压稳定的实时评估结果。
24.采用上述技术方案所产生的有益效果在于：
25.本发明提供一种基于plnn的电力系统短期电压稳定性评估方法，本方法从电网中各节点电压、电流、有功功率、无功功率动态时间序列中全面提取关键子序列作为电网暂态电压稳定评估的特征属性，利用plnn获得最具有区分性的子序列，再结合逻辑回归实时的对电压时间序列进行分类，同时采用增量学习策略不断地更新模型，可在综合实施可靠的分类和评估的同时，尽可能避免存储累积大型数据库的沉重负担，在实际运行中为电网的在线监测和稳定控制提供可靠指导，避免不必要的停电事故和经济损失。
附图说明
26.图1为本发明实施例中电压稳定性评估方法的电网单线结构示意图；
27.图2为本发明实施例中plnn模型的可解释性发现时间序列shapelet流程图。
具体实施方式
28.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
29.一种基于plnn的电力系统短期电压稳定性评估方法，具体包括以下步骤：
30.步骤1：从电网的调度运行记录中采集电网的运行方式集、故障集和节点集；电网单线结构示意图如图1所示；
31.步骤2：根据所述电网的运行方式集、故障集和节点集，采用计算机时域仿真方法对电网中各节点在三相短路故障下进行n次时域仿真，分别记录每次时域仿真过程中节点在故障发生后δt时间内电压、电流、有功功率、无功功率随时间的变化曲线，四种变化曲线均形成长度为m的时间序列，依次记为u、i、p、q，其中δt＝(m-1)*δt，δt为仿真时间间隔，m为所记录的变化曲线的数据点数，同时记录每次时域仿真过程中电网的状态z，将电网处于稳定状态记为z＝1，电网处于失稳状态记为z＝-1；
32.本实施例中δt＝(m-1)*δt＝2.5秒，δt＝0.01秒，m＝250；
33.步骤3：将一次时域仿真过程中记录的电压、电流、有功功率、无功功率合成一个样本，进行n次时域仿真后共得到n个样本，n个样本形成一个初始样本集，作为训练集数据；
34.步骤4：利用训练集数据对plnn模型进行训练，并对plnn模型进行解释；产生用于发现候选shapelet的线性不等式组，如图2所示。
35.所述plnn模型为使用线性函数作为激活函数的神经网络模型；
36.给定一个有l层的plnn模型将的第l层表示为则表示输入层，表示输出层，其他的层表示隐藏层，其中l∈(2，..，l-1)，使用n
l
表示第层神经元的个数，则隐藏层神经元的总数为
37.使用a
(l)
表示第层的输出，w
(l)
表示第层所有节点与第层所有节点的权重矩阵，b
(l)
表示层的偏置，z
(l)
表示层的加权和向量，对于l∈{1，...，l-1}，z
(l 1)
下式进
行计算：
38.z
(l 1)
＝w
(l)a(l)
b
(l)
39.plnn模型中每个隐藏层神经元使用线性激活函数作为激活函数，对于l∈{2，...，l-1}，a
(l)
用下式计算。
40.a
(l)
＝f(z
(l)
)
41.当l＝1时，表示输入层，使用表示plnn模型的输入，其中表示一个d维的输入空间；输入层包含n1＝d个神经元，并且输出层的每个神经元其中i∈{1，...，d}。也就是说a
(1)
＝x；
42.当l＝l时，表示输出层，plnn模型的输出用表示，其中，是一个nl维的输出空间，输出层使用softmax函数去计算输出，即a
(l)
＝softmax(z
(l)
)；
43.因此plnn模型看做一个分类映射函数其中，输入输出
44.所述训练为，设定一个长度为l的矩形窗，其中2＜l＜m，通过矩形窗滑动方式从步骤3中得到的n个样本中的第i个样本的u、i、p、q时间序列中获取长度为l的子序列集，给定一个未经训练的plnn模型，将实例x以向量形式输入到plnn模型中，层以全连接的形式输入到层，第层的输出经过一层以relu为激活函数的神经元节点，只有部分被激活的权重和偏置得以保留，而部分权重与偏置已经被舍弃置为0；不断重复训练，确定plnn模型的参数；
45.步骤5：对训练集中某一条时间序列，通过对该条时间序列使用滑动窗口方法产生的每个子序列加入高斯白噪声的方式产生扰动序列集合，再根据plnn模型找到对该条时间序列分类结果影响最大的子序列，作为shapelet候选集合中的一个元素，对该类中的每一条时间序列重复上述过程，得到该类的shapelet候选集合；
46.步骤6：由于同一类别中的时间序列在某一区间中往往区分不明显，因此在shapelet候选集合中会存在大量相似的子序列；对于有区域重叠的候选shapelet，只保留其中评分最高的候选，即加入扰动后对原分类结果改变最大的子序列，作为最终的shapelet之一，从而得到某类时间序列的最终shapelet集合，最终shapelet集合中的shapelet所在区域一定不重合；
47.步骤7：将最终的shapelet集合与逻辑回归分类器结合，对shapelet进行调整并对时间序列进行分类，并输出电网状态z’，获得电网暂态电压稳定的实时评估结果。
48.在此基础上，采取了增量策略不断更新shapelet集合，根据最初的离线学习结果，增量策略阶段与在线评估同时持续运行，通过定期检查和学习各种新情况，增量更新周期设置为72小时，在此期间，将挑选出涉及各种干扰的运行条件，并将相应的观测数据组成测量样本，然后执行增量学习以更新shapelet和数据集，并更新plnn模型与分类器；
49.所述增量策略为，在增量数据集中搜索新的shapelets，并将这些新的shapelets与从初始数据集中提取的旧的shapelets进行比较，通过计算信息增益比较来确定更优的shapelets；同时，数据集以滚动方式更新：根据时间线，将最新的增量样本注入初始数据集
中，同时弹出相同数量的最早样本；随后，更新的数据集和shapelet将作为下一个更新周期的初始数据集。
50.当所述电网遭遇短期大扰动时，电网中各节点的同步相量测量单元pmu实时采集该节点在δt时间内的电压、电流、有功功率、无功功率的实时量测数据，分别形成u’、i’、p’、q’时间序列，并将这些时间序列数据输入到训练好的plnn模型中得到最具有类别区分能力的时间序列子序列，再使用逻辑回归和梯度下降方法对这些子序列分类输出电网状态z’，作为电网暂态电压稳定的实时评估结果。若z＝1，说明所述电网可维持暂态电压稳定，若z＝-1，说明所述电网将发生暂态电压失稳；
51.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。