[发明专利]一种基于主动学习的电力系统主导失稳模式判别方法

说明书

本发明公开了一种基于主动学习的电力系统主导失稳模式判别方法，属于电力系统稳定性分析领域。本发明将主动学习应用到主导失稳模式判别方法中，无需标注所有样本，而仅主动地选择部分最有信息含量的样本来标注，以较少的样本标注来达到较高的判别准确率。同时，在模型不确定性基础上还考虑到样本多样性，以模型输出概率信息熵为权重，通过加权k‑means聚类的方法将样本聚成k簇，分别从每一簇中选择最接近聚类质心的样本，保证了采样的多样性，避免所选样本过于相似造成模型过拟合的问题。如此，本发明能够减少样本标注的成本，提高主导失稳模式判别模型实现效率，从而提高电力系统的安全性，实用性较强。

技术领域

本发明属于电力系统稳定性分析领域，更具体地，涉及一种基于主动学习的电力系统主导失稳模式判别方法。

背景技术

电力系统的安全稳定运行对国家能源安全和经济社会发展至关重要，其安全性和稳定性问题是系统规划、运行、保护工作者重点关注的问题。在电力系统受到大扰动后快速、准确地判断出其稳定和失稳以及主导失稳模式(电压失稳、功角失稳)，将为紧急控制措施赢得时间，同时为采取何种措施提供依据，从而有效保证系统的安全稳定。

时域仿真、能量函数、分岔分析等是主导失稳模式判别的常用方法，但在应用到实际大电网时存在诸多困难。

随着WAMS的发展，电力系统中数据不断积累，同时深度学习方法的进步使得一些研究将深度学习方法应用到主导失稳模式判别中。深度学习可自动从原始量测数据或仿真数据中提取所需要的特征并建立起特征到主导失稳模式的映射关系。一些研究将深度学习应用到主导失稳模式判别中，取得了不错的效果。深度学习方法可以摆脱复杂的物理机理，通过数据驱动方式直接作出准确判断，在主导失稳模式判别问题中具有广阔的应用前景。

然而，现有研究在训练深度学习模型时采用监督学习方式，需要大量有标注样本。事实上，主导失稳模式判别样本标注无法直接通过仿真程序获得，而需要根据电网专家经验，由人工进行判断和标注，需要花费较多的时间和人力成本，影响模型实现效率和适用性。

因此，如何减少对样本标注量的需求，提升模型实现的效率，是目前亟待解决的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于主动学习的电力系统主导失稳模式判别方法，其目的在于减少对样本标注量的需求，提升模型实现的效率。

为实现上述目的，本发明提供了一种基于主动学习的电力系统主导失稳模式判别方法，包括：

S1，进行多组暂稳仿真，并离散采样仿真结果中的电压数据和功角数据，作为样本集；其中，每一样本包括电压数据和功角数据；

S2，采用深度自编码器进行表征学习，将所述样本集中各样本压缩成低维稠密向量；

S3，对S2中得到的低维稠密向量进行k-means聚类，并对每一个聚类簇中最接近簇质心的低维稠密向量对应的样本标注主导失稳模式类别，得到k个标注样本；

S4，用所有标注样本训练卷积神经网络模型，并利用训练后的卷积神经网络模型对所述样本集中未标注的样本进行预测，得到每一个未标注样本对应的信息熵；

S5，以S4中得到的信息熵为权重，对所述样本集中未标注的样本对应的低维稠密向量进行加权k-means聚类；并对每一个聚类簇中最接近簇质心的低维稠密向量对应的样本标注主导失稳模式类别，得到k个新的标注样本；

S6，重复S4-S5，直至所述卷积神经网络模型的测试准确率达到预设目标值或达到预设迭代次数。

进一步地，步骤S2中，所述深度自编码器包括编码器和解码器；其中，所述编码器采用双输入结构，对应功角输入和电压输入，包括编码器由卷积层和全连接层组成；所述解码器采用双输出结构，对应功角输出和电压输出，解码器由包括全连接层和反卷积层组成；