[发明专利]电力系统分析用深度卷积神经网络张量输入构建方法

说明书

一种电力系统分析评估用深度卷积神经网络张量输入构建方法：利用电力系统节点的空间分布表示方法，通过电网任意节点之间的联系阻抗来描述节点之间的电气距离；利用节点空间分布降维方法，将以电气距离表示的高维空间节点分布降维到二维平面，同时保持原来高维空间中节点间的距离关系。利用深度卷积神经网络张量输入构建方法，将电力系统运行数据赋值给二维平面中的节点并得到一个二维张量特征图，将若干二维张量特征图进行叠加，得到张量形式的电力系统运行数据。本发明提高了电力系统分析评估的精度。

技术领域

本发明属于电力系统安全分析技术领域，一种用于电力系统分析的深度卷积神经网络张量输入构建方法。

背景技术

现代大电力系统通过高压、特高压交直流输电形成区域互联输电格局。电力系统的互联使网络结构更复杂、分布地域更广、元件更多，动态行为也更复杂。另一方面，具有随机性、波动性和间歇性等特点的新能源并网，给电力系统的运行带来极大的不确定性，增加了系统出现功角失稳、频率失稳和电压失稳的风险。电力系统的稳定是电网安全运行的关键，一旦遭到破坏，必将造成巨大的经济损失和灾难性的后果，随着电力系统的发展与变化，系统的安全稳定问题越来越突出和越来越复杂，这些都对电力系统安全分析提出了新的挑战。对扰动和故障下的电力系统进行快速、准确的安全分析，并实施有效经济的控制策略，是保证电力系统安全稳定运行的重要措施也是当务之急。

针对该问题，通常电力系统安全分析是基于时域仿真进行。传统的时域仿真通过建立电力系统中各元件的详细数学模型，采用数值方法求解系统的非线性微分代数方程来实现系统动态分析。然而时域仿真方法计算耗时大，且难以保证仿真模型的准确性，并不能适用于大型电力系统在线分析。针对时域仿真的缺点，现有技术还研究了基于等值模型法的电力系统快速分析，此类方法具有非常快的计算速度，但是由于大量的等值简化使得分析精度不足。

电力系统调度中心每时每刻通过数据采集与监视控制(Supervisory ControlAnd Data Acquisition,SCADA)系统和同步相量测量单元(Phasor Measurement Unit,PMU)等采集电力系统大量的状态信息和数据。基于电力系统运行数据的浅层机器学习方法在电力系统安全分析的领域也取得了一些成果，主要方法包括：人工神经网络、决策树、支持向量机等。但是，受制于浅层机器学习方法有限的特征提取能力，其在复杂的电力系统安全分析领域的应用较为效果有限。随着计算机科学及与之相应的硬件发展，大数据挖掘、深度学习也取得了一定的成果。一些深度学习的方法，包括多层感知机，深度置信网络等等也被应用于电力系统安全分析，然而，上述所有方法的输入特征量均为矢量形式，无法考虑电力系统输入特征量在空间中的分布和关联特性。

发明内容

本发明的目的是，提供一种用于电力系统分析的深度卷积神经网络输入构建方法，旨在将矢量形式的电力系统运行数据改造为三维张量形式，从而保留电力系统节点在空间上的距离，并体现电力系统运行数据在空间上的关联性，同时能够作为深度卷积神经网络的输入进行电力系统分析。

本发明的技术解决方案是：

一种适用于深度卷积神经网络输入的电力系统运行特征构建方法，包括以下步骤：

步骤1：利用基于电气距离的电力系统节点的空间分布表示方法，首先形成电力系统节点导纳矩阵，对节点导纳矩阵求逆矩阵，得到电力系统节点阻抗矩阵；利用电力系统节点阻抗矩阵求解电力系统任意两个节点之间的电气距离，以表征节点在空间中的分布，任意两个电力系统节点间的联系阻抗的模即为节点间的电气距离，电气距离与电力系统节点阻抗矩阵的关系为：

X_ij＝|(Z_ii-Z_ij)-(Z_ij-Z_jj)|