[发明专利]基于马尔可夫转移场的电力系统主导失稳模式识别方法

说明书

本发明公开了一种基于马尔可夫转移场的电力系统主导失稳模式识别方法，属于电力系统稳定性判断领域，包括：S1，依据给定的运行工况和故障条件，仿真生成多条电压‑时间曲线和多条功角‑时间曲线；S2，利用马尔可夫转移场，将电压失稳程度最大的三条电压‑时间曲线转化为电压图像，将功角失稳程度最大的三条功角‑时间曲线转化为功角图像；S3，给定新的运行工况和故障条件，多次重复执行S1‑S2，得到多组电压图像和功角图像；S4，将电压图像、功角图像和对应的标签作为样本集，训练主导失稳模式识别模型，标签通过人工标注得到；S5，利用训练好的主导失稳模式识别模型识别电力系统主导失稳模式。提升模型的鲁棒性和准确率。

技术领域

本发明属于电力系统稳定性判断领域，更具体地，涉及一种基于马尔可夫转移场的电力系统主导失稳模式识别方法。

背景技术

电力系统运行的稳定性与社会经济的可持续发展密切相关。电力系统发生故障后失稳，暂态功角失稳和暂态电压失稳会交织出现。功角失稳表现为系统受到扰动后同步发电机不再保持同步运行，针对功角失稳占主导的情况，通常采用切发电机的控制措施使得系统恢复稳定运行。电压失稳反映出来是系统动态无功支撑不足，针对电压失稳占主导的情况，采取的控制措施通常是切负荷。如果将功角失稳误判为电压失稳，那么会造成控制措施的误动作进而使得故障加重。

现有的研究以及工程实际表明，系统失稳必然由一种失稳模式主导，不同的失稳模式对应了不同的控制策略。深度学习方法具有很强的特征提取能力，可以实现从原始数据到目标之间的端对端学习，识别主导失稳模式时，无需依赖专家进行繁琐的特征提取工程，进而极大地提升机器学习模型的适应能力。

然而，现有基于深度学习的主导失稳模式识别方法具有一定的局限。一方面，电网的海量仿真时序数据具有很高的冗余性，现有深度学习方法大都将所有节点或发电机的所有时序特征输入模型中进行训练，大量的数据要求计算机要有很高的算力。另一方面，冗余的特征导致模型容易出现过拟合，难以适应复杂多变的电力系统运行工况，导致模型的鲁棒性不足，一种典型的情况是，当电网拓扑发生改变后，模型的判断准确率会受到很大的影响。因此，如何降低特征的冗余度，对电力系统主导失稳模式识别具有重要意义。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于马尔可夫转移场的电力系统主导失稳模式识别方法，其目的在于降低特征的冗余度，实现高效时序特征提取，最终提升模型的鲁棒性和准确率。

为实现上述目的，按照本发明的一个方面，提供了一种基于马尔可夫转移场的电力系统主导失稳模式识别方法，包括训练阶段和识别阶段；所述训练阶段包括：S1，依据给定的运行工况和故障条件，仿真生成多条电压-时间曲线和多条功角-时间曲线，并筛选出电压失稳程度最大的三条电压-时间曲线，以及筛选出功角失稳程度最大的三条功角-时间曲线；S2，利用马尔可夫转移场将筛选出的三条电压-时间曲线分别转化为图像中的R、G、B通道，得到电压图像，以及利用马尔可夫转移场将筛选出的三条功角-时间曲线分别转化为图像中的R、G、B通道，得到功角图像；S3，给定新的运行工况和故障条件，多次重复执行所述S1-S2，得到多组电压图像和功角图像；S4，将所述电压图像、所述功角图像和对应的标签作为样本集，训练主导失稳模式识别模型，所述标签通过人工标注得到；所述识别阶段包括：S5，利用训练好的主导失稳模式识别模型识别电力系统主导失稳模式。

更进一步地，所述S2中的转化包括：根据取值范围将待转化曲线中包含n个时间点的时间序列划分为m个时间段，n＞m＞1，所述待转化曲线为任一筛选出的电压-时间曲线和功角-时间曲线；构建n×n的马尔可夫场，以将所述待转化曲线转化为图像中的通道，其中，所述马尔可夫场中的值M_ij为第i个时间点所属时间段中包含的时间点被第j个时间点所属时间段中包含的时间点紧邻的频率，i＝1,2,…,n，j＝1,2,…,n。