[发明专利]基于深度置信网络的暂态稳定性实时评估方法及装置

权利要求书

1.一种基于深度置信网络的暂态稳定性实时评估方法，其特征在于，包括以下步骤：

利用时域仿真技术生成学习样本集；

将系统量测的有功P、无功Q和母线电压幅值U和相角θ全体作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型，其中，

所述通过非监督预训练和监督精确调整更新深度置信网络的网络参数，进一步包括：

训练第一个RBM⁽¹⁾，并且将RBM⁽¹⁾的隐含层神经元的激活概率作为RBM⁽²⁾的输入，再次训练第二个RBM⁽²⁾，然后将RBM⁽²⁾的隐含层神经元的激活概率作为RBM⁽³⁾的输入，直至训练完所有RBM^(k)；

在每个RBM(Restricted Boltzmann Machine，限制玻尔兹曼机)都预训练一遍后，获取所述每个RBM的连接关系矩阵；

对于任意RBM，记输入层变量为x，且输出层变量为h，以学习RBM得到参数W，使得符合所述学习样本集D的概率似然函数P(x)最大，其中，采用梯度下降法来计算所述参数W，以对所述网络参数逐层非监督预训练，

在使得符合所述学习样本集D的概率似然函数P(x)最大的过程中，损失评估函数L(W,D)等于负的概率似然函数：

其中，E(x,h)为RBM的能量，Z(W)为归一化因子；

所述损失评估函数L相对于所述参数W的梯度为：

其中，·_data表示满足输入数据分布的期望，·_model表示满足RBM分布的期望；

另外，对所述RBM⁽¹⁾添加网络稀疏化约束，使得所述损失评估函数为：

进而，所述损失评估函数相对于所述参数W的梯度为：

以及

将故障清除时刻系统实测数据输入所述暂态稳定评估模型，预测系统的暂态稳定性。

2.根据权利要求1所述的基于深度置信网络的暂态稳定性实时评估方法，其特征在于，还包括：

在所述每个RBM都预训练之后，将所有RBM展开并顺序连接合成得到完整的深度置信网络；

根据具体任务来设计所述损失评估函数，并利用反向传播算法调整所述深度置信网络的参数；以及

获取所述深度置信网络的参数矩阵。

3.根据权利要求1-2任一项所述的基于深度置信网络的暂态稳定性实时评估方法，其特征在于，所述损失评估函数为逻辑斯蒂函数，参数更新方法采用梯度下降法。