[发明专利]电力系统失稳状态识别模型训练方法及识别方法

说明书

本发明公开了一种电力系统失稳状态识别模型训练方法及识别方法，属于电力系统稳定性分析技术领域，训练方法包括对携带失稳状态标签的原始样本集Dsubgt;0/subgt;进行噪声识别后在训练失稳状态识别模型，其中，噪声识别包括：以样本集Dsubgt;0/subgt;训练模型Msubgt;0/subgt;，根据损失大小将样本集Dsubgt;0/subgt;划分为简单样本集Dsubgt;s/subgt;和复杂样本集Dsubgt;H/N/subgt;，将样本集Dsubgt;s/subgt;中的部分样本的失稳状态标签更改形成人工标签噪声样本集Dsubgt;a/subgt;；以样本集Dsubgt;a/subgt;训练模型Msubgt;1/subgt;，根据损失大小将样本集Dsubgt;a/subgt;分为简单样本集Dsubgt;a，s/subgt;和复杂样本集Dsubgt;a，H/N/subgt;；根据样本集Dsubgt;a，H/N/subgt;训练模型Msubgt;a/subgt;，通过模型Msubgt;a/subgt;构建损失值序列与标签类型的映射关系；再基于模型Msubgt;a/subgt;识别样本集Dsubgt;H/N/subgt;中的噪声。通过上述过程，便能够识别出原始样本集中的噪声，能够对电力系统失稳状态识别模型进行更为有效的训练。

技术领域

本发明属于电力系统稳定性分析技术领域，更具体地，涉及一种电力系统失稳状态识别模型训练方法及识别方法。

背景技术

电力系统的安全稳定运行对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、准确地判断出其是否稳定以及具体的失稳模式，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。近年来，一些研究将深度学习应用到失稳状态识别中，深度学习方法可以摆脱复杂的物理机理，学习从仿真数据或量测数据到稳定性及主导失稳模式之间的映射关系，根据数据直接做出判断，在主导失稳模式判别问题中具有广阔的应用前景。

但在实际应用中，深度学习的成功很大程度上依赖于获得大量准确标注的训练样本。由于不同的失稳模式可能具有相似的表象和耦合性质，难以通过机理的方式准确判断失稳模式，也没有可靠的自动程序和简单的规则可直接应用。因此，失稳模式样本集依赖电力系统专家人工标注。

然而，即使对于电力系统专家而言，失稳状态识别的样本标注也是一项相当复杂和具有挑战性的任务，在标注中难免会出现错误。错误的标注(标签噪声)会给深度学习模型训练带来严重的负面影响。如未经处理，深度学习模型将过拟合错误标签，学习到错误的映射关系，严重影响正确的稳定性分析和主导失稳状态识别。

因此，如何应对样本集的标注错误，尽可能减轻标注错误对深度学习模型的影响，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，本发明提供了一种电力系统失稳状态识别模型训练方法及识别方法，其目的在于降低对样本标注准确性的要求，基于含标签噪声的样本集也能训练得到准确的失稳状态识别模型，提高模型实现效率。

为实现上述目的，按照本发明的一个方面，提供了一种电力系统失稳状态识别模型的训练方法，包括：

对携带失稳状态标签的原始样本集D₀进行标签噪声识别；原始样本包括电网运行数据，失稳状态包括是否失稳以及失稳模式；

以电网运行数据为输入、以失稳状态为输出训练目标神经网络，得到电力系统失稳状态识别模型；其中，

所述标签噪声识别的过程包括；