CN111049159A - 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法 - Google Patents

Abstract

本发明涉及电力系统自动化技术领域的技术领域，目的是提供一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，包括以下步骤，S1：确定发电机有功出力波动范围、负荷波动范围，生成N个发电机有功出力样本，获取大量初始状态数据，对初始状态数据进行时域仿真计算，生成样本数据；S2：建立深度信念网络，使用样本数据训练深度信念网络，对发电机有功出力和系统暂态稳定性进行拟合，生成电力系统暂态稳定评估器；S3：基于暂态稳定约束条件，为NSGA‑II算法添加成本约束、潮流约束和稳定运行约束，搭建NSGA‑II进化算法模型；S4：获取故障下暂态失稳的发电机出力波动范围、负荷波动范围，NSGA‑II进化算法模型迭代寻优，求取预防控制策略。

Description

一种嵌入深度信念网络的电力系统暂态稳定预防控制方法

技术领域

本发明属于电力系统自动化技术领域，具体涉及一种嵌入深度信念网络的电力系统暂态稳定预防控制方法。

背景技术

随着电力系统规模日益增大，网络结构更加复杂，系统运行点越来越靠近稳定极限，对电力系统稳定性预防控制要求也越来越高。暂态失稳往往是造成电力系统大规模事故的主要原因，有效的电力系统暂态稳定评估以及事故预防措施是解决此问题的关键。传统暂态稳定计算通常采用时域仿真加适当判据的方法，拥有计算准确、可靠性高的优点，但模型中含有非线性微分代数方程，计算复杂，运算时间长，难以满足在线计算的要求。深度学习模型拥有特征自动提取、抽象能力强、收敛性好的优点，其网络结构更深，更有利于发现数据内在规律，因此被用于电力系统暂态稳定评估。预防控制是指在系统发生故障前，通过对当前系统状态识别，提前发现系统潜在故障风险，并通过调节发电机出力，改变负荷大小的方式将系统调节到故障后仍可稳定运行的状态。将预防控制与暂态稳定结合，提出暂态稳定预防控制，保证系统运行在满足暂态稳定要求的状态。

发明内容

本发明目的在于提供一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，将深度信念网络和NSGA-II引入暂态稳定预防控制中，实现了针对故障的暂态稳定预防控制优化策略的快速、稳定求取。

为实现上述目的，本发明所采用的技术方案是：一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，包括以下步骤：

S1：确定发电机有功出力波动范围、负荷波动范围，生成N个发电机有功出力样本，获取大量初始状态数据，对初始状态数据进行时域仿真计算，生成样本数据，执行S2；

S2：建立深度信念网络，使用样本数据训练深度信念网络，对发电机有功出力和系统暂态稳定性进行拟合，生成电力系统暂态稳定评估器，将电力系统暂态稳定评估器嵌入非支配排序遗传算法NSGA-II中，作为暂态稳定约束条件，执行S3；

S3：基于暂态稳定约束条件，为NSGA-II算法添加成本约束、潮流约束和稳定运行约束，搭建NSGA-II进化算法模型，执行S4；

S4：获取故障下暂态失稳的发电机出力波动范围、负荷波动范围，NSGA-II进化算法模型迭代寻优，求取预防控制策略。

优选的，所述S1中采用拉丁超立方抽样算法根据发电机有功出力波动范围、负荷波动范围获取N个发电机有功出力样本。

优选的，所述S1生成样本数据包括以下步骤，

S11：选取系统中M条线路作为预想故障集，每次时域仿真计算选择其中一条线路作为故障线路，所述故障线路的故障类型为三相短路故障，执行S12；

S12：将预想故障集中M条故障线路和N个发电机有功出力样本两两组合，生成M*N种暂态稳定仿真初始条件，执行S13；

S13：对M*N种暂态稳定仿真初始条件进行时域仿真计算，求取发电机的功角曲线，并计算M*N个暂态稳定系数TSI，每个发电机有功出力对应M个TSI，执行S14；

S14：选择M个TSI中最小的TSI与对应的发电机有功出力组合成一个训练深度信念网络的样本数据，共生成N个样本数据。

优选的，所述TSI的计算式为：

其中，δ_max为系统任意两台发电机之间的最大功角差，当TSI>0，系统暂态稳定，并且TSI数值越大，系统暂态稳定性越高；当TSI<0，系统暂态失稳。

优选的，所述S2中将电力系统暂态稳定评估器嵌入非支配排序遗传算法NSGA-II中表示为：

其中，

为预防控制给出的发电机有功出力；Φ(P_G)为训练后的DBN模型，其输入为系统所有发电机有功出力，输出为模型评估的TSI，当评估的TSI>0，则DBN模型认为此有功出力情况下系统暂态稳定，反之，认为系统暂态失稳，需要采取预防控制。

优选的，所述成本约束表示为

其中，C_Ui为发电机出力上调成本；C_Di为发电机出力下调成本；P_Oi为预防控制前发电机出力；P_Pi为预防控制后发电机出力；ΔP_Ui为发电机出力上调值；ΔP_Di为发电机出力下调值。

优选的，所述潮流约束表示为

其中，P_Ni和Q_Ni为节点有功和无功注入功率；P_Di和Q_Di为节点有功和无功输出功率；V_i和V_j为节点电压幅值；α_ij为节点电压相角差；G_ij和B_ij为节点导纳的实部和虚部；S_n为节点集合。

优选的，所述稳定运行约束表示为

其中，

和

为发电机有功出力上、下限；

和

为无功源输出上、下限；

和

为节点电压上、下限；

和

为线路热稳定约束上下限；S_l为线路集合。

优选的，所述S4包括以下步骤，

S41：获取发电机有功出力，输入至深度信念网络，执行S42；

S42：判断系统是否失稳、需要预防控制，若是，执行S43，若否，执行S43；

S43：NSGA-II算法进行交叉、遗传的迭代寻优，执行S43；

S44：迭代次数是否达到最大迭代次数，若是，执行S45，若否，执行S43；

S45：输出预防控制策略。

优选的，所述深度信念网络基于TensorFlow的Keras框架，所述深度信念网络的层数为四层，包括两个受限玻尔兹曼机层和一个全连接层。

综上所述，本发明的有益效果为：

本发明将深度信念网络和NSGA-II引入暂态稳定预防控制中，实现了针对故障的暂态稳定预防控制优化策略的快速、稳定求取。

附图说明

图1为本发明用于展示一种嵌入深度信念网络的电力系统暂态稳定预防控制方法的步骤示意图；

图2为本发明的用于展示拉丁超立方抽样原理的示意图；

图3为本发明用于展示一种嵌入深度信念网络的电力系统暂态稳定预防控制方法的S1的步骤示意图；

图4为本发明用于展示深度信念网络的示意图；

图5为本发明用于展示电力系统暂态稳定评估器的示意图；

图6为本发明用于展示深度信念网络嵌入NSGA-II的示意图；

图7为本发明用于展示一种嵌入深度信念网络的电力系统暂态稳定预防控制方法的S4的流程示意图；

图8为本发明用于展示一种嵌入深度信念网络的电力系统暂态稳定预防控制方法的S4的步骤示意图；

图9为本发明的实施例用于展示IEEE39、68、140节点系统的示意图；

图10为本发明的实施例用于展示拉丁超立方抽样生成1000种发电机有功出力情况的示意图；

图11为本发明的实施例用于展示预防控制后发电机有功出力的示意图；

图12为本发明的实施例用于展示预防控制后成本的示意图；

图13为本发明的实施例用于展示预防控制后TSI的示意图；

图14为本发明的实施例用于展示39节点系统在故障7下预防控制前后功角曲线图；

图15为本发明的实施例用于展示39节点系统在故障10下预防控制前后功角曲线图；

图16为本发明的实施例用于展示68节点系统在故障8下预防控制前后功角曲线图；

图17为本发明的实施例用于展示68节点系统在故障9下预防控制前后功角曲线图；

图18为本发明的实施例用于展示140节点系统在故障1下预防控制前后功角曲线图；

图19为本发明的实施例用于展示140节点系统在故障2下预防控制前后功角曲线图。

具体实施方式

下面结合本发明的附图1～19，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

参照图1，一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，包括以下步骤：

S1：确定发电机有功出力波动范围、负荷波动范围，生成N个发电机有功出力样本，获取大量初始状态数据，对初始状态数据进行时域仿真计算，生成样本数据，执行S2；

S2：建立深度信念网络，使用样本数据训练深度信念网络，对发电机有功出力和系统暂态稳定性进行拟合，生成电力系统暂态稳定评估器，将电力系统暂态稳定评估器嵌入非支配排序遗传算法NSGA-II中，作为暂态稳定约束条件，执行S3；

S3：基于暂态稳定约束条件，为NSGA-II算法添加成本约束、潮流约束和稳定运行约束，搭建NSGA-II进化算法模型，执行S4；

S4：获取故障下暂态失稳的发电机出力波动范围、负荷波动范围，NSGA-II进化算法模型迭代寻优，求取预防控制策略。

下面对S1进行详细说明。

具体的，S1中采用拉丁超立方抽样算法根据发电机有功出力波动范围、负荷波动范围获取N个发电机有功出力样本。

参照图2，拉丁超立方抽样原理为：根据抽样个数N，将样本取值范围分为N等份，在每一等份内选取一点，使样本遍布整个样本空间，且拥有一定的随机性。设置发电机有功出力在90％～110％范围内波动，基于拉丁超立方抽样，对发电机有功出力进行抽样，在发电机有功出力范围内，生成N个分布均匀的发电机有功出力样本，并根据有功平衡与负荷功率因数恒定原则，使负荷有功无功随发电机有功上下波动。

具体的，参照图3，S1生成样本数据包括以下步骤，

S11：选取系统中M条线路作为预想故障集，每次时域仿真计算选择其中一条线路作为故障线路，故障线路的故障类型为三相短路故障，执行S12；

S12：将预想故障集中M条故障线路和拉丁超立方抽样生成的N个发电机有功出力样本两两组合，生成M*N种暂态稳定仿真初始条件，执行S13；

S13：对M*N种暂态稳定仿真初始条件进行时域仿真计算，求取发电机的功角曲线，并计算M*N个暂态稳定系数TSI，每个发电机有功出力对应M个TSI，执行S14；

S14：选择M个TSI中最小的TSI与对应的发电机有功出力组合成一个训练深度信念网络的样本数据，共生成N个样本数据。

具体的，TSI的计算式为：

其中，δ_max为系统任意两台发电机之间的最大功角差，当TSI>0，系统暂态稳定，并且TSI数值越大，系统暂态稳定性越高；当TSI<0，系统暂态失稳。

下面对S2进行详细说明。

具体的，使用样本数据对深度信念网络进行训练，拟合发电机有功出力和系统暂态稳定性之间的非线性关系，生成基于深度信念网络的电力系统暂态稳定评估器。

具体的，参照图4，深度信念网络基于TensorFlow的Keras框架搭建深度信念网络，所搭建深度信念网络层数为4层，包括2个受限玻尔兹曼机层和一个全连接层叠加构成。深度信念网络训练分为两个阶段，第一阶段为预训练，各层受限玻尔兹曼机使用没有标签的样本数据进行贪婪的逐层无监督学习。通过预训练，深度信念网络处于最优解附近，解决了深度神经网络由于梯度丢失或者梯度爆炸而无法训练的问题。第二阶段为使用有标签的样本数据对模型整体训练，通过随机梯度下降算法和反向传播，使权重和偏置在预训练基础上进行微调，达到最优拟合效果。

深度信念网络的能量函数和联合概率函数分别为：

E(v,h¹,h²,h³)＝-v^TW¹h¹-

设发电机数量为L，则深度信念网络各层的神经元数量依次为：L-100-50-1。学习率设置为0.0001，批处理个数为50，预训练次数为50次，激活函数为ReLU，整体训练的迭代次数为1000，以上超参数的选择可以先设置一个取值范围，然后通过粒子群算法等寻优算法对超参数进行寻优，将深度信念网络的准确度作为判断超参数性能的标准，找到最优超参数，使深度信念网络达到最优拟合效果。

具体的，模型训练过程中采用了学习率衰减的方法、均方误差MSE和L2正则化。学习率衰减的方法可以在训练前期提高学习速度，训练后期提高评估准确率；MSE损失的梯度随损失减小而减小，损失趋于0时梯度非常小，在训练结束时，MSE较平均绝对误差MAE计算结果更准确；L2正则化可以防止模型过拟合。数学表达式分别为：

式中，L_r为学习率；D为学习率衰减系数；E为训练次数；Φ(x)为DBN模型；x_i为训练集；y_i为与x_i对应的标签值；m为训练集样本个数；n为DBN层数；ω_i为权重系数；λ为正则化参数。

值得说明的是，参照图5，将电力系统暂态稳定评估器嵌入非支配排序遗传算法NSGA-II中，作为暂态稳定约束条件，具体为：

参照图6，将电力系统暂态稳定评估器嵌入非支配排序遗传算法NSGA-II中，代替时域方程的求解，用于系统暂态稳定性的判断，可以用下式表示：

式中，

为预防控制给出的发电机有功出力；Φ(P_G)为训练后的DBN模型，其输入为系统所有发电机有功出力，输出为模型评估的TSI，当评估的TSI>0，则DBN模型认为此有功出力情况下系统暂态稳定，反之，认为系统暂态失稳，需要采取预防控制。

下面对S3进行具体说明。

具体的，NSGA-II是多目标优化算法，可以寻找同时满足多个约束条件的优化结果。本发明中NSGA-II有四个优化目标，分别为：预防控制调节成本，潮流约束、稳定运行约束和暂态稳定约束。NSGA-II算法会同时考量四个优化目标计算结果，通过交叉、变异、循环迭代的方式，给出最优预防控制策略。

具体的，成本约束表示为

其中，C_Ui为发电机出力上调成本；C_Di为发电机出力下调成本；P_Oi为预防控制前发电机出力；P_Pi为预防控制后发电机出力；ΔP_Ui为发电机出力上调值；ΔP_Di为发电机出力下调值。

具体的，潮流约束表示为

其中，P_Ni和Q_Ni为节点有功和无功注入功率；P_Di和Q_Di为节点有功和无功输出功率；V_i和V_j为节点电压幅值；α_ij为节点电压相角差；G_ij和B_ij为节点导纳的实部和虚部；S_n为节点集合。

具体的，稳定运行约束表示为

其中，

和

为发电机有功出力上、下限；

和

为无功源输出上、下限；

和

为节点电压上、下限；

和

为线路热稳定约束上下限；S_l为线路集合。

下面对S4进行详细说明。

参照图7、8，S4包括以下步骤，

S41：获取实时发电机有功出力，输入至深度信念网络，执行S42；

S42：判断系统是否失稳、需要预防控制，若是，执行S43，若否，执行S43；

值得说明的是，电力系统暂态稳定评估器计算TSI，当评估的TSI>0，则DBN模型认为此有功出力情况下系统暂态稳定，反之，认为系统暂态失稳，需要采取预防控制；

S43：NSGA-II算法进行交叉、遗传的迭代寻优，执行S43；

值得说明的是，其中潮流约束、稳定运行约束通过潮流计算结果判断是否满足，暂态稳定约束通过深度信念网络评估结果判断是否满足，预防控制调节成本通过预防控制策略发电机有功出力和发电机原始有功出力的差值计算得到；

S44：迭代次数是否达到最大迭代次数，若是，执行S45，若否，执行S43；

S45：输出预防控制策略。

值得说明的是，步骤S45具体包括，得到预防控制策略后，使用电力系统工具箱求取预防控制策略下发电机功角曲线，并计算暂态稳定系数TSI，判断预防控制策略的准确性；调度人员根据预防控制策略给出的发电机有功出力大小对系统发电机原始有功出力进行调节，使系统满足暂态稳定性要求。

参照图9，下面以IEEE39、68、140节点系统为例对本方案提出的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法进行说明。

分别选择各系统所有线路中的10条线路作为预想故障线路，设置线路中间三相短路故障，构成预想故障集，如表1所示。

表1

参照图10，针对预想故障集中故障线路和故障类型，设置发电机有功出力在90％～110％的范围内波动。使用拉丁超立方抽样生成1000种发电机有功出力情况，并根据有功功率平衡和负荷功率因数恒定的原则，使系统负荷有功和无功随发电机有功出力总和变化而整体上下浮动。将这1000种发电机有功出力情况与预想故障集中的10条预想故障线路组合，组成10000种预想故障数据。使用电力系统工具箱PST对预想故障数据进行时域仿真计算，设置故障切除时间为0.1秒，总仿真时间为20秒，求解对应的TSI。每种发电机出力情况对应10个TSI，筛选10个TSI中最小TSI，与此发电机出力共同组成1000个用于训练暂态稳定评估器的样本数据。

具体的，将1000个样本数据分为包含800个数据的训练集和包含200个数据的测试集，使用训练集对暂态稳定评估器进行训练，并通过测试集验证模型准确度。本发明使用基于TensorFlow的Keras框架搭建深度信念网络，所搭建深度信念网络层数为4层，包括2个受限玻尔兹曼机层和一个全连接层。设发电机数量为L，则深度信念网络各层的神经元数量依次为：L-100-50-1。学习率设置为0.0001，批处理个数为50，预训练次数为50次，激活函数为ReLU，整体训练的迭代次数为1000，以上超参数的选择可以先设置一个取值范围，然后通过粒子群算法等寻优算法对超参数进行寻优，将深度信念网络的准确度作为判断超参数性能的标准，找到最优超参数，使深度信念网络达到最优拟合效果。不同测试系统识别准确度对比如表2所示：

表2

参照图7，获取故障下暂态失稳的发电机出力波动范围、负荷波动范围，NSGA-II进化算法模型迭代寻优，求取预防控制策略。

参照图11～13，使用电力系统工具箱PST对预防控制策略进行验证，采用时域仿真法计算各预想故障下预防控制前后TSI。预防控制前暂态失稳的故障，经过预防控制变成暂态稳定，预防控制前暂态稳定的故障仍保持暂态稳定，并且TSI有小幅提升，表明策略还适当增加了面向全故障集的系统暂稳裕度。

参照图14～19，预防控制前后功角曲线对比可以看出通过预测控制，系统从暂态失稳回归暂态稳定，验证了本方法的可行性。

在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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，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。

Claims (10)

1.一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，包括以下步骤，

S1：确定发电机有功出力波动范围、负荷波动范围，生成N个发电机有功出力样本，获取大量初始状态数据，对初始状态数据进行时域仿真计算，生成样本数据，执行S2；

S2：建立深度信念网络，使用样本数据训练深度信念网络，对发电机有功出力和系统暂态稳定性进行拟合，生成电力系统暂态稳定评估器，将电力系统暂态稳定评估器嵌入非支配排序遗传算法NSGA-II中，作为暂态稳定约束条件，执行S3；

S3：基于暂态稳定约束条件，为NSGA-II算法添加成本约束、潮流约束和稳定运行约束，搭建NSGA-II进化算法模型，执行S4；

S4：获取故障下暂态失稳的发电机出力波动范围、负荷波动范围，NSGA-II进化算法模型迭代寻优，求取预防控制策略。

2.根据权利要求1所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述S1中采用拉丁超立方抽样算法根据发电机有功出力波动范围、负荷波动范围获取N个发电机有功出力样本。

3.根据权利要求1或2所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述S1生成样本数据包括以下步骤，

S11：选取系统中M条线路作为预想故障集，每次时域仿真计算选择其中一条线路作为故障线路，所述故障线路的故障类型为三相短路故障，执行S12；

S12：将预想故障集中M条故障线路和N个发电机有功出力样本两两组合，生成M*N种暂态稳定仿真初始条件，执行S13；

S13：对M*N种暂态稳定仿真初始条件进行时域仿真计算，求取发电机的功角曲线，并计算M*N个暂态稳定系数TSI，每个发电机有功出力对应M个TSI，执行S14；

S14：选择M个TSI中最小的TSI与对应的发电机有功出力组合成一个训练深度信念网络的样本数据，共生成N个样本数据。

4.根据权利要求3所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述TSI的计算式为：

其中，δ_max为系统任意两台发电机之间的最大功角差，当TSI>0，系统暂态稳定，并且TSI数值越大，系统暂态稳定性越高；当TSI<0，系统暂态失稳。

5.根据权利要求1所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述S2中将电力系统暂态稳定评估器嵌入非支配排序遗传算法NSGA-II中表示为：

其中，

为预防控制给出的发电机有功出力；Φ(P_G)为训练后的DBN模型，其输入为系统所有发电机有功出力，输出为模型评估的TSI，当评估的TSI>0，则DBN模型认为此有功出力情况下系统暂态稳定，反之，认为系统暂态失稳，需要采取预防控制。

6.根据权利要求1所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述成本约束表示为

其中，C_Ui为发电机出力上调成本；C_Di为发电机出力下调成本；P_Oi为预防控制前发电机出力；P_Pi为预防控制后发电机出力；ΔP_Ui为发电机出力上调值；ΔP_Di为发电机出力下调值。

7.根据权利要求1所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述潮流约束表示为

其中，P_Ni和Q_Ni为节点有功和无功注入功率；P_Di和Q_Di为节点有功和无功输出功率；V_i和V_j为节点电压幅值；α_ij为节点电压相角差；G_ij和B_ij为节点导纳的实部和虚部；S_n为节点集合。

8.根据权利要求1所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述稳定运行约束表示为

其中，

和

为发电机有功出力上、下限；

和

为无功源输出上、下限；

和

为节点电压上、下限；

和

为线路热稳定约束上下限；S_l为线路集合。

9.根据权利要求4-8任意一项所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述S4包括以下步骤，

S41：获取发电机有功出力，输入至深度信念网络，执行S42；

S42：判断系统是否失稳、需要预防控制，若是，执行S43，若否，执行S43；

S43：NSGA-II算法进行交叉、遗传的迭代寻优，执行S43；

S44：迭代次数是否达到最大迭代次数，若是，执行S45，若否，执行S43；

S45：输出预防控制策略。

10.根据权利要求4-8任意一项所述的一种嵌入深度信念网络的电力系统暂态稳定预防控制方法，其特征在于，所述深度信念网络基于TensorFlow的Keras框架，所述深度信念网络的层数为四层，包括两个受限玻尔兹曼机层和一个全连接层。

Images