[发明专利]一种基于短时受扰轨迹的电力系统暂态稳定性评估方法

权利要求书

1.一种基于短时受扰轨迹的电力系统暂态稳定性评估方法，其特征在于，包括以下内容：

1)卷积神经网络输入特征、输出结果的确定：

①通过离线仿真获取大量发电机的电压幅值、有功、转速和功角的受扰轨迹，选取故障清除时刻后0.2s内的四种电气量轨迹，采样间隔T＝0.01s，每种轨迹共有20个采样点，将仿真获取的四种短时受扰组合轨迹的采样序列构成卷积神经网络的输入样本矩阵集，每台发电机的四种电气量的采样序列作为每个输入样本矩阵的列，则每个样本矩阵的维度为20×4n，n为发电机台数，为了充分发挥卷积神经网络的局部特征提取能力，以增强提取局部特征的鲁棒性，提升模型的泛化能力，进一步达到提高评估准确率的目的，将输入特征按不同规则排列，寻求评估准确率最优的特征排列方式；

②卷积神经网络的输出分别对应暂态稳定类和暂态失稳类，仿真时长内任意两台发电机的最大相对功角差大于360°时判定样本为失稳，否则判为稳定，对应的标签分别为01和10；

2)输入特征的空间排列方式选择：

③排列方式A：以每台发电机为单位，每单位构成的特征区域包含每台发电机的四种电气量的采样序列，n台机共计得到n个区域，发电机顺序按序号从小到大排列，电气量的排列顺序为电压幅值、有功、转速和功角；

④排列方式B：以发电机每个电气量为单位，每单位构成的特征量的特征区域包含所有发电机组的同一电气量的采样序列，4个特征量共计得到4个区域，发电机的排列顺序和电气量的排列顺序与排列方式A中的排列顺序相同；

⑤排列方式C：在B的基础上，改变发电机的排列顺序，发电机的排列顺序按照系统故障初期发电机对的受扰程度从大到小排列，故障初期的受扰程度按相对动能的大小为依据，相对动能为M_i为发电机i的转子惯性时间常数；为惯量中心坐标下发电机i的角速度偏差，即ω_i为与同步速的偏差，ω_coi为系统惯量中心等值速度；

⑥以A、B、C中准确率最优的排列方式作为卷积神经网络参数寻优的基础结构；

3)卷积神经网络参数寻优：

卷积神经网络的特征提取层由卷积层和池化层组成，两者应交替连接；卷积神经网络的卷积层中的卷积核、池化层中的池化矩阵的窗口维度设置应根据维度原则确定：输入矩阵经过卷积层的卷积操作得到本层的输出矩阵，输入矩阵的维度为m×s、卷积核窗口k×k、输出矩阵的维度为p×v，三者的维度关系应满足p＝m-k+1，v＝s-k+1；其中，卷积层的卷积操作计算方法如式(1)

式中，l为网络的第l层，W为卷积核的权值矩阵，b为偏置项，为第l层的输出矩阵，为第l层的输入矩阵，f为激活函数sigmoid；

池化层中池化矩阵的维度j×j由上一层的输出矩阵维度p×v决定，要求池化矩阵的维度能够均被输出矩阵的行数和列数整除，即满足维度关系r＝p/j，u＝v/j，其中r×u为经过池化操作得到的输出矩阵的维度，其中，池化层的池化操作计算方法如式(2)

式中，l为网络的第l层，j为池化矩阵的维度，b为偏置项，为第l层的输出矩阵，为第l层的输入矩阵，f为激活函数sigmoid；

寻找满足维度原则的所有窗口组合参数，将数据样本集按7.5:1的比例分成训练集和测试集，训练集用来训练模型，每次训练采用一组窗口组合参数，测试集用来测试在此窗口组合参数下模型的评估性能，由评估准确率A、Kappa统计值和N指标的平均值作为评价模型的综合指标，通过模型最优综合评价指标寻求模型的最优窗口组合与参数；

其中，评估准确率A指标如式(3)

Kappa统计值指标如式(4)

N指标如式(5)

N＝1-λ_FPR·FPR-λ_FNR·FNR (5)

其中，权重系数λ_FPR＝0.65，λ_FNR＝0.35，FPR为误报率，如式(6)，FNR为漏报率，如式(7)

因此，模型的综合评价指标为

式中，TP、FN分别表示实际为稳定样本被分类成稳定样本和的个数；FP、TN分别表示实际为失稳样本被分类成稳定样本和失稳样本的个数；

4)建立短时受扰组合轨迹与暂态稳定性之间的非线性映射关系：

在寻求最优特征空间排列方式、模型窗口组合和参数的基础上，利用寻求的最优模型的卷积层挖掘隐含在短时受扰组合轨迹中关于暂态稳定性的局部特征，然后利用池化层进行特征二次提取，最后通过全连接层整合所有高阶局部特征进行暂态稳定性分类，最终实现基于短时受扰轨迹的暂态稳定性的快速评估。