本發(fā)明屬于電力系統(tǒng)可靠性評估，本發(fā)明涉及一種基于transformer編碼器的電力系統(tǒng)可靠性評估方法。

背景技術(shù)：

1、傳統(tǒng)的電力系統(tǒng)可靠性評估過程需要通過電力潮流計算和最優(yōu)潮流計算工具進(jìn)行故障狀態(tài)分析，這一過程耗時較長。近年來，機(jī)器學(xué)習(xí)技術(shù)被應(yīng)用于電力系統(tǒng)可靠性評估中，以提高計算效率和準(zhǔn)確性。例如，卷積神經(jīng)網(wǎng)絡(luò)（cnn）在歷史數(shù)據(jù)模式學(xué)習(xí)方面表現(xiàn)出色，但在深層網(wǎng)絡(luò)架構(gòu)中常遇到梯度消失問題，限制了模型的深度和學(xué)習(xí)能力。當(dāng)模型面對新的或未見過的系統(tǒng)狀態(tài)時，其預(yù)測性能會顯著下降。因此，現(xiàn)有技術(shù)存在計算時間長、預(yù)測性能不穩(wěn)定等問題，亟需一種新方法來解決這些問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于transformer編碼器的電力系統(tǒng)可靠性評估方法，通過采用transformer編碼器模型，減少了應(yīng)急狀態(tài)分析的計算時間，并且利用自適應(yīng)拉丁超立方采樣技術(shù)生成高質(zhì)量的訓(xùn)練數(shù)據(jù)，提高了模型在不同場景下的預(yù)測準(zhǔn)確性。

2、實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

3、一種用于電力系統(tǒng)可靠性評估的神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)構(gòu)建方法，包括以下步驟：

4、s01：根據(jù)發(fā)電機(jī)組和輸電線路的故障概率計算電力系統(tǒng)處于正常狀態(tài)或一階故障狀態(tài)的概率；

5、s02：對于拉丁超立方體的每個維度，將區(qū)間[0,1]分成n個不重疊的區(qū)間，每個區(qū)間長度為1/n，在每個維度和每個區(qū)間內(nèi)，生成一個均勻分布的隨機(jī)數(shù)，映射到相應(yīng)的區(qū)間以生成樣本點；

6、s03：對于每個維度，隨機(jī)排序生成的n個樣本點的位置形成最終的拉丁超立方體樣本矩陣。因為電力系統(tǒng)總元件數(shù)（即發(fā)電機(jī)組和輸電線路的總數(shù)）和的行數(shù)相等，總抽樣樣本量n和的列數(shù)n相等，用的每1列元素可以確定系統(tǒng)中個元件的狀態(tài)。將的第列元素與更新后的元件故障概率比較，可以確定電力系統(tǒng)中每臺發(fā)電機(jī)組和每條輸電線路的運(yùn)行狀態(tài)（故障或正常）。然后，考慮系統(tǒng)負(fù)荷曲線，得到第個系統(tǒng)狀態(tài)樣本 ?;

7、s04：根據(jù)當(dāng)前系統(tǒng)狀態(tài)，獲得可能的負(fù)荷削減量；

8、s05：根據(jù)當(dāng)前系統(tǒng)狀態(tài)和可能的負(fù)荷削減量生成神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的輸入和相應(yīng)的標(biāo)簽。

9、優(yōu)選的技術(shù)方案中，步驟s03中計算電力系統(tǒng)處于正常狀態(tài)或一階故障狀態(tài)的概率的公式為：

10、

11、其中，是發(fā)電機(jī)組和輸電線路的總數(shù)，是更新后的第個元件的故障概率，是更新后的第個元件的故障概率，不等于。

12、優(yōu)選的技術(shù)方案中，步驟s02還包括更新隨機(jī)數(shù)：

13、。

14、優(yōu)選的技術(shù)方案中，步驟s05中生成神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的輸入和相應(yīng)的標(biāo)簽的方法包括：

15、將母線相關(guān)輸入、線路相關(guān)輸入矩陣作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)：

16、

17、神經(jīng)網(wǎng)絡(luò)輸出的標(biāo)簽為：

18、

19、其中，是電力系統(tǒng)中母線的數(shù)量，是線路的數(shù)量，表示第個母線上可用發(fā)電容量，表示第個母線上負(fù)荷需求，和分別表示第條線路首端和末端的母線編號，是用于直流潮流計算的第條線路的電納，表示第條線路的可用傳輸容量，表示當(dāng)前系統(tǒng)狀態(tài)下的負(fù)荷削減量，表示系統(tǒng)的總裝機(jī)容量。

20、本發(fā)明還公開了一種基于transformer編碼器的電力系統(tǒng)可靠性評估方法，包括以下步驟：

21、構(gòu)建transformer編碼器模型；

22、使用上述任一項所述的方法構(gòu)建神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)；

23、通過訓(xùn)練后的transformer編碼器模型得到電力系統(tǒng)負(fù)荷削減量與系統(tǒng)狀態(tài)變量之間的關(guān)系；

24、計算電力系統(tǒng)的可靠性指標(biāo)。

25、優(yōu)選的技術(shù)方案中，所述transformer編碼器模型包含10層，每層執(zhí)行一個變換，其中表示層數(shù)，表示兩個獨立的全連接操作，通過矩陣乘法將與母線相關(guān)的輸入和與線路相關(guān)的輸入分別轉(zhuǎn)換為輸出和，通過的操作將和映射到d維，將棄負(fù)荷頭、和拼接起來，然后通過批量歸一化操作得到，然后將輸入到由、、、、和組成的transformer編碼器中，生成，在transformer編碼器中，和是批量歸一化操作，是注意力操作，和是殘差連接操作，是一個帶有elu激活函數(shù)的兩層感知器，還包括兩層全連接操作；通過操作提取的第一行得到，并通過包含全連接操作和elu激活函數(shù)的處理，生成負(fù)荷削減。

26、優(yōu)選的技術(shù)方案中，所述的注意力操作中輸入被三個不同的權(quán)重矩陣分別執(zhí)行矩陣乘法，分別得到查詢矩陣、鍵矩陣和值矩陣，計算公式為，對查詢矩陣和鍵矩陣執(zhí)行點積運(yùn)算，每個點積結(jié)果除以進(jìn)行縮放，然后應(yīng)用softmax函數(shù)來得到值矩陣上的權(quán)重，計算公式為。

27、優(yōu)選的技術(shù)方案中，動態(tài)降低elu激活函數(shù)的學(xué)習(xí)率，方法包括：

28、建立初始學(xué)習(xí)率并選擇一個監(jiān)控指標(biāo)；

29、在完成每個周期后，評估監(jiān)控指標(biāo)，如果在設(shè)定時間內(nèi)性能沒有改善，則將學(xué)習(xí)率按預(yù)定因子降低。

30、優(yōu)選的技術(shù)方案中，將神經(jīng)網(wǎng)絡(luò)預(yù)測出的系統(tǒng)狀態(tài)的負(fù)荷削減量用于計算電力系統(tǒng)的可靠性指標(biāo)，包括期望缺供功率edns和失負(fù)荷概率lolp；在計算lolp指標(biāo)時，預(yù)測出負(fù)荷削減量大于0的系統(tǒng)狀態(tài)被視為故障狀態(tài)，否則為正常狀態(tài)；

31、評估模型的預(yù)測性能，神經(jīng)網(wǎng)絡(luò)模型的性能指標(biāo)如下：

32、

33、

34、

35、

36、

37、

38、其中，mae為平均絕對誤差，mse為均方誤差，acc為準(zhǔn)確率、pr為精確率，rc為召回率，f1為f1分?jǐn)?shù)， n表示預(yù)測的系統(tǒng)狀態(tài)樣本總數(shù)，表示預(yù)測的負(fù)荷削減量，表示實際的負(fù)荷削減量，表示第個抽樣的系統(tǒng)狀態(tài)樣本；，表示被預(yù)測為故障狀態(tài)且實際也是故障狀態(tài)的樣本數(shù)量，表示被預(yù)測為正常狀態(tài)且實際也是正常狀態(tài)的樣本數(shù)量，表示被預(yù)測為故障狀態(tài)但實際是正常狀態(tài)的樣本數(shù)量，表示被預(yù)測為正常狀態(tài)但實際是故障狀態(tài)的樣本數(shù)量。

39、本發(fā)明又公開了一種計算機(jī)存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被執(zhí)行時實現(xiàn)上述任一項所述的用于電力系統(tǒng)可靠性評估的神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)構(gòu)建方法。

40、本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點為：

41、1?提高計算效率：通過采用transformer編碼器模型，減少了應(yīng)急狀態(tài)分析的計算時間。

42、2?增強(qiáng)預(yù)測準(zhǔn)確性：利用自適應(yīng)拉丁超立方采樣技術(shù)生成高質(zhì)量的訓(xùn)練數(shù)據(jù)，提高了模型在不同場景下的預(yù)測準(zhǔn)確性。

43、3?解決梯度消失問題：transformer模型有效解決了深層網(wǎng)絡(luò)中的梯度消失問題，增強(qiáng)了模型的深度和學(xué)習(xí)能力。

44、4?適應(yīng)性強(qiáng)：在系統(tǒng)運(yùn)行條件或元件可靠性參數(shù)變化時，模型無需重新訓(xùn)練即可進(jìn)行應(yīng)急狀態(tài)分析，具有較強(qiáng)的適應(yīng)性。

45、5?揭示非線性關(guān)系：通過注意力機(jī)制，模型能夠關(guān)注關(guān)鍵輸入特征，有助于揭示系統(tǒng)負(fù)荷削減與運(yùn)行參數(shù)之間的非線性關(guān)系，從而提高預(yù)測的準(zhǔn)確性。

46、綜上所述，本發(fā)明在計算效率、預(yù)測準(zhǔn)確性和模型適應(yīng)性等方面具有顯著優(yōu)勢，能夠有效提升電力系統(tǒng)可靠性評估的整體性能。