基于深度置信网络的暂态稳定性实时评估方法及装置

技术领域

本发明涉及电力系统安全稳定分析技术领域，特别涉及一种基于深度置信网络的暂态稳定性实时评估方法及装置。

背景技术

大型电力系统的互联现象越来越普遍，其目的是提高发、输电的可靠性与经济性，但系统规模的扩大，使得电网结构和运行方式复杂多样化，导致系统稳定性问题更加突出。一旦发生大的暂态故障，若对电网的状态不能及时做出准确评估并采取措施，极可能导致连锁事故的发生，严重时导致系统解列成若干相互独立的孤岛，引发大面积停电等严重后果。

相关技术中，暂态稳定性实时评估是利用故障清除后系统量测信息判断系统是否能够恢复稳定运行的过程，目前暂态稳定性评估的方法主要有时域仿真法和直接分析法。然而，时域仿真法具有计算精度高的特点，但是受限于数值积分的速度，时域仿真法的计算速度难以满足在线评估的要求；直接分析法具有计算速度快的特点，但是受限于电力系统模型的精度，直接分析法通常只能分析较为简单的电力系统，计算精度难以满足大型电力系统评估的要求。因此，相关技术均存在一定缺陷，有待改进。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于深度置信网络的暂态稳定性实时评估方法，该方法可以实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。

本发明的另一个目的在于提出一种基于深度置信网络的暂态稳定性实时评估装置。

为达到上述目的，本发明一方面实施例提出了一种基于深度置信网络的暂态稳定性实时评估方法，包括以下步骤：利用时域仿真技术生成学习样本集；将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型；将故障清除时刻系统实测数据输入所述暂态稳定评估模型，预测系统的暂态稳定性。

本发明实施例的基于深度置信网络的暂态稳定性实时评估方法，可以使用DBN(Deep Belief Network，深度置信网络)来自动提取电力系统特征，从而用于暂态稳定性评估，可同时满足暂态稳定实时评估计算速度和精度的要求，实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。

进一步地，在本发明的一个实施例中，所述通过非监督预训练和监督精确调整更新深度置信网络的网络参数，进一步包括：训练第一个RBM⁽¹⁾，并且将RBM⁽¹⁾的隐含层神经元的激活概率作为RBM⁽²⁾的输入，再次训练第二个RBM⁽²⁾，然后将RBM⁽²⁾的隐含层神经元的激活概率作为RBM⁽³⁾的输入，直至训练完所有RBM^(k)；在每个RBM都预训练一遍后，获取所述每个RBM的连接关系矩阵；对于任意RBM，记输入层变量为x，且输出层变量为h，以学习RBM得到参数W，使得符合样本D的概率似然函数最大，其中，采用梯度下降法来计算所述参数W，以对所述网络参数逐层非监督预训练。

进一步地，在本发明的一个实施例中，在使得符合样本D的概率似然函数P(x)最大的过程中，损失评估函数L(W,D)等于负的概率似然函数：

其中，E(x,h)为RBM的能量，Z(W)为归一化因子；

所述损失评估函数L相对于所述参数W的梯度为：

其中，<·>_data表示满足输入数据分布的期望，<·>_model表示满足RBM分布的期望；

另外，对所述RBM⁽¹⁾添加网络稀疏化约束，使得所述损失评估函数为：

进而，所述损失评估函数相对于所述参数W的梯度为：

进一步地，在本发明的一个实施例中，还包括：在所述每个RBM都预训练之后，将所有RBM展开并顺序连接合成得到完整的深度置信网络；根据具体任务来设计所述损失评估函数，并利用反向传播算法调整所述深度置信网络的参数；获取所述深度置信网络的参数矩阵。

进一步地，在本发明的一个实施例中，所述损失评估函数为逻辑斯蒂函数，参数更新方法采用梯度下降法。

为达到上述目的，本发明另一方面实施例提出了一种基于深度置信网络的暂态稳定性实时评估装置，包括：生成模块，用于利用时域仿真技术生成学习样本集；训练模块，用于将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型；评估模块，用于将故障清除时刻系统实测数据输入所述暂态稳定评估模型，预测系统的暂态稳定性。

本发明实施例的基于深度置信网络的暂态稳定性实时评估装置，可以使用DBN来自动提取电力系统特征，从而用于暂态稳定性评估，可同时满足暂态稳定实时评估计算速度和精度的要求，实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。进一步地，在本发明的一个实施例中，所述训练模块进一步用于：训练第一个RBM⁽¹⁾，并且将RBM⁽¹⁾的隐含层神经元的激活概率作为RBM⁽²⁾的输入，再次训练第二个RBM⁽²⁾，然后将RBM⁽²⁾的隐含层神经元的激活概率作为RBM⁽³⁾的输入，直至训练完所有RBM^(k)；在每个RBM都预训练一遍后，获取所述每个RBM的连接关系矩阵；对于任意RBM，记输入层变量为x，且输出层变量为h，以学习RBM得到参数W，使得符合样本D的概率似然函数P(x)最大，其中，采用梯度下降法来计算所述参数W，以对所述网络参数逐层非监督预训练。

进一步地，在本发明的一个实施例中，在使得符合样本D的概率似然函数P(x)最大的过程中，损失评估函数L(W,D)等于负的概率似然函数：

其中，E(x,h)为RBM的能量，Z(W)为归一化因子；

所述损失评估函数L相对于所述参数W的梯度为：

其中，<·>_data表示满足输入数据分布的期望，<·>_model表示满足RBM分布的期望；

另外，对所述RBM⁽¹⁾添加网络稀疏化约束，使得所述损失评估函数为：

进而，所述损失评估函数相对于所述参数W的梯度为：

进一步地，在本发明的一个实施例中，所述训练模块还用于在所述每个RBM都预训练之后，将所有RBM展开并顺序连接合成得到完整的深度置信网络，并根据具体任务来设计所述损失评估函数，并利用反向传播算法调整所述深度置信网络的参数，以及获取所述深度置信网络的参数矩阵。

进一步地，在本发明的一个实施例中，所述损失评估函数可以为逻辑斯蒂函数，参数更新方法采用梯度下降法。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于深度置信网络的暂态稳定性实时评估方法的流程图；

图2为根据本发明一个具体实施例的基于深度置信网络的电力系统暂态稳定性实时评估方法的流程图；

图3为根据本发明一个实施例的深度置信网络训练方法的示意图；

图4为根据本发明一个实施例的深度置信网络单元的结构示意图；以及

图5为根据本发明一个实施例的基于深度置信网络的暂态稳定性实时评估装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于深度置信网络的暂态稳定性实时评估方法及装置，首先将参照附图描述根据本发明实施例提出的基于深度置信网络的暂态稳定性实时评估方法。

图1为根据本发明一个实施例的基于深度置信网络的暂态稳定性实时评估方法的流程图。

如图1所示，该基于深度置信网络的暂态稳定性实时评估方法包括以下步骤：

在步骤S101中，利用时域仿真技术生成学习样本集。

可以理解的是，在本发明的实施例中，本发明实施例的方法包括离线学习和在线应用两个阶段，如图2所示，在离线学习阶段中，首先利用时域仿真技术生成学习样本集。

可以理解的是，在离线学习阶段，通过预设故障进行暂态稳定仿真，可以得到大量用于特征学习的样本集。由于本发明实施例关注的是大扰动下的暂态稳定事故，因此选择最严重的N-1故障来进行仿真。对系统内所有线路进行扫描，在线路两端设置三相短路接地故障，一段时间之后切除故障线路。同一种故障的严重程度通过故障切除时间来确定，保证最终的样本集中稳定样本和不稳定样本的数量相当。

在步骤S102中，将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型。

可以理解的是，如图2所示，其次将系统量测作为模型输入，并将稳定状态作为模型输出，从而通过非监督预训练和监督精确调整等两步来更新DBN的网络参数，形成暂态稳定评估模型。

进一步地，在本发明的一个实施例中，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，进一步包括：训练第一个RBM⁽¹⁾，并且将RBM⁽¹⁾的隐含层神经元的激活概率作为RBM⁽²⁾的输入，再次训练第二个RBM⁽²⁾，然后将RBM(2)的隐含层神经元的激活概率作为RBM⁽³⁾的输入，直至训练完所有RBM^(k)；在每个RBM都预训练一遍后，获取每个RBM的连接关系矩阵；对于任意RBM，记输入层变量为x，且输出层变量为h，以学习RBM得到参数W，使得符合样本D的概率似然函数最大，其中，采用梯度下降法来计算参数W，以对网络参数逐层非监督预训练。

举例而言，如图3所示，本发明实施例的方法首先对DBN参数进行逐层非监督预训练。具体地，DBN的基本单元是一个由输入层和隐含层组成的双层神经网络结构，称为RBM，其中，RBM需要确定的参数为输入层和隐含层间的参数矩阵W。由于DBN的层数较多，深层结构不容易训练，因此，本发明实施例可以采取一种逐层非监督预训练与精确调整相结合的参数优化方法。如图3所示，首先，训练第一个RBM⁽¹⁾，然后将RBM⁽¹⁾的隐含层神经元的激活概率作为RBM⁽²⁾的输入，再次训练第二个RBM⁽²⁾，然后将RBM⁽²⁾的隐含层神经元的激活概率作为RBM⁽³⁾的输入，以此类推直到RBM^(k)，将每个RBM都预训练一遍，可以得到每个RBM的连接关系矩阵W⁽¹⁾、W⁽²⁾、……、W^(k)。

对于任意RBM，记输入层变量为x，输出层变量为h。给定学习样本集D，学习RBM的任务是求出参数W，使得符合样本D的概率似然函数P(x)最大。在本发明的实施例中可以写成求最小值的形式，即损失评估函数L(W,D)等于负的概率似然函数，如式(1)所示：

其中，E(x,h)为RBM的能量，Z(W)为归一化因子，分别如式(2)和式(3)所示：

需要说明的是，式(1)可以采用梯度下降法来计算最优参数W,经过推导，损失评估函数L相对于参数W的梯度可以如式(4)所示：

其中，<·>_data表示满足输入数据分布的期望，<·>_model表示满足RBM分布的期望，该期望可由对比散度法进行估计。

举例而言，第一个RBM⁽¹⁾的输入为从电力系统的采集量，由于受暂态故障影响较大的电网范围有限，且帮助RBM抓住更为重要的局部暂态特征，本发明实施例对RBM⁽¹⁾添加网络稀疏化约束，从而新的损失评估函数如式(5)所示：

此时，损失评估函数相对于参数W的梯度可以如式(6)所示：

进一步地，在本发明的一个实施例中，本发明实施例的方法还包括：在每个RBM都预训练之后，将所有RBM展开并顺序连接合成得到完整的深度置信网络；根据具体任务来设计损失评估函数，并利用反向传播算法调整深度置信网络的参数；获取深度置信网络的参数矩阵。

可以理解的是，在对DBN参数逐层非监督预训练之后，本发明实施例的方法对DBN参数进行精确调整。具体地，DBN每一个单元的RBM参数都预训练之后，将所有的RBM展开(Unfolding)，顺序连接合成一个完整的DBN，并根据具体的任务来设计损失评估函数，利用反向传播算法来精确调整网路的参数，最终得到DBN的参数矩阵Δ⁽ⁱ⁾表示根据标签信息学习到的微调量。

在步骤S103中，将故障清除时刻系统实测数据输入暂态稳定评估模型，预测系统的暂态稳定性。

可以理解的是，在经过离线学习阶段之后，本发明实施例的方法进入在线应用阶段，将故障清除时刻系统实测数据输入暂态稳定评估模型，预测系统的暂态稳定性。如图4所示，由于深度置信网络的结构与多层神经网络类似，由系统输入到暂态稳定结果输出本质上只需要经历若干次矩阵乘法的计算，因此计算速度极快，可满足实时评估的需求。

具体而言，对于典型的省级电力系统，暂态稳定仿真在中国电力科学研究院开发的PSASP(Power System Analysis Software Package，电力系统分析综合程序)中进行，故障设置为线路三相短路接地，故障经过一段时间后切除故障及相应故障线路。故障发生地点设置在线路的任意一端，故障清除时间随机取自0.2s至0.5s，记录故障清除时刻时线路有功P、无功Q和母线电压幅值U和相角θ全体作为系统的输入特征。第i次数值仿真结束之后，记故障清除时刻为t₀(由于样本的特征为非状态变量，因此确切来说应该是t₀+时刻)，记录此时系统中线路的有功P、无功Q和母线电压幅值U和相角θ向量为其中N表示系统中线路的个数，M表示系统中节点的个数。仿真终止时间为故障结束后10s，仿真终止时若某两台机组的功角差大于180°，则判定此次仿真系统不稳定，目标记为Y⁽ⁱ⁾＝0，否则Y⁽ⁱ⁾＝1。

进一步地，在本发明的一个实施例中，在使得符合样本D的概率似然函数P(x)最大的过程中，损失评估函数L(W,D)等于负的概率似然函数：

其中，E(x,h)为RBM的能量，Z(W)为归一化因子；

损失评估函数L相对于参数W的梯度为：

其中，<·>_data表示满足输入数据分布的期望，<·>_model表示满足RBM分布的期望；

另外，对RBM⁽¹⁾添加网络稀疏化约束，使得损失评估函数为：

进而，损失评估函数相对于参数W的梯度为：

其中，在本发明的一个实施例中，损失评估函数可以为逻辑斯蒂函数，参数更新方法可以采用梯度下降法。

需要说明的是，由于暂态稳定性评估是一个分类问题，因此参数精确调整使用的损失评估函数可以为逻辑斯蒂函数，参数更新的方法可以依然采用梯度下降法。即言，在参数精调结束之后，本发明实施例得到的DBN模型即可用于暂态稳定性评估，从而得到评估结果。

根据本发明实施例的基于深度置信网络的暂态稳定性实时评估方法，可以采用深度学习方法进行电力系统暂态稳定的分析，相比于人工分析，可更加有效地抓住电力系统在暂态过程中的特征，使用DBN来自动提取电力系统特征，从而用于暂态稳定性评估，可同时满足暂态稳定实时评估计算速度和精度的要求，实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。

其次参照附图描述根据本发明实施例提出的基于深度置信网络的暂态稳定性实时评估装置。

图5是本发明一个实施例的基于深度置信网络的暂态稳定性实时评估装置。

如图5所示，该基于深度置信网络的暂态稳定性实时评估装置10包括：生成模块100、训练模块200和评估模块300。

其中，生成模块100用于利用时域仿真技术生成学习样本集。训练模块200用于将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型。评估模块300用于将故障清除时刻系统实测数据输入暂态稳定评估模型，预测系统的暂态稳定性。本发明实施例的装置10可以使用DBN来自动提取电力系统特征，以用于暂态稳定性评估，可同时满足暂态稳定实时评估计算速度和精度的要求，实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。

进一步地，在本发明的一个实施例中，训练模块200进一步用于：训练第一个RBM⁽¹⁾，并且将RBM⁽¹⁾的隐含层神经元的激活概率作为RBM⁽²⁾的输入，再次训练第二个RBM⁽²⁾，然后将RBM⁽²⁾的隐含层神经元的激活概率作为RBM⁽³⁾的输入，直至训练完所有RBM^(k)；在每个RBM都预训练一遍后，获取每个RBM的连接关系矩阵；对于任意RBM，记输入层变量为x，且输出层变量为h，以学习RBM得到参数W，使得符合样本D的概率似然函数P(x)最大，其中，采用梯度下降法来计算参数W，以对网络参数逐层非监督预训练。

进一步地，在本发明的一个实施例中，在使得符合样本D的概率似然函数P(x)最大的过程中，损失评估函数L(W,D)等于负的概率似然函数：

其中，E(x,h)为RBM的能量，Z(W)为归一化因子；

损失评估函数L相对于参数W的梯度为：

其中，<·>_data表示满足输入数据分布的期望，<·>_model表示满足RBM分布的期望；

另外，对RBM⁽¹⁾添加网络稀疏化约束，使得损失评估函数为：

进而，损失评估函数相对于参数W的梯度为：

进一步地，在本发明的一个实施例中，训练模块200还用于在每个RBM都预训练之后，将所有RBM展开并顺序连接合成得到完整的深度置信网络，并根据具体任务来设计损失评估函数，并利用反向传播算法调整深度置信网络的参数，以及获取深度置信网络的参数矩阵。

进一步地，在本发明的一个实施例中，损失评估函数可以为逻辑斯蒂函数，参数更新方法可以采用梯度下降法。

需要说明的是，前述对基于深度置信网络的暂态稳定性实时评估方法实施例的解释说明也适用于该实施例的基于深度置信网络的暂态稳定性实时评估装置，此处不再赘述。

根据本发明实施例的基于深度置信网络的暂态稳定性实时评估装置，可以采用深度学习方法进行电力系统暂态稳定的分析，相比于人工分析，可更加有效地抓住电力系统在暂态过程中的特征，使用DBN来自动提取电力系统特征，从而用于暂态稳定性评估，可同时满足暂态稳定实时评估计算速度和精度的要求，实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。