一種面向大數(shù)據(jù)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于電力系統(tǒng)暫態(tài)安全評(píng)估技術(shù)領(lǐng)域，涉及一種面向大數(shù)據(jù)的電力系統(tǒng)暫 態(tài)穩(wěn)定快速評(píng)估方法。
【背景技術(shù)】
[0002] 隨著電力系統(tǒng)信息化的不斷進(jìn)步、基于PMU的廣域測(cè)量技術(shù)(WAMS)迅速發(fā)展，智能 電網(wǎng)電力系統(tǒng)的狀態(tài)測(cè)量向高采樣率、大范圍、快速連續(xù)記錄和海量存儲(chǔ)的方向發(fā)展。當(dāng)前 電力系統(tǒng)數(shù)據(jù)具有數(shù)據(jù)量大，數(shù)據(jù)類型復(fù)雜，數(shù)據(jù)發(fā)布范圍廣、數(shù)據(jù)采集傳輸速度快等典型 的大數(shù)據(jù)特征，智能電網(wǎng)的發(fā)展使電力系統(tǒng)進(jìn)入大數(shù)據(jù)時(shí)代。
[0003] 電力系統(tǒng)是由發(fā)電、輸電、配電和用電等多層次網(wǎng)絡(luò)組成的電能生產(chǎn)與供給系統(tǒng)， 具有處理能量大，覆蓋地域廣、覆蓋元件多、動(dòng)態(tài)過程復(fù)雜、強(qiáng)非線性等特點(diǎn)，是最復(fù)雜的人 造系統(tǒng)之一，電力系統(tǒng)的暫態(tài)安全本身就是一個(gè)高維度非線性問題。
[0004] 目前針對(duì)電力系統(tǒng)暫態(tài)安全評(píng)估的方法有兩種。第一種是利用離線分析，人工決 策的方式由調(diào)度人員憑自身經(jīng)驗(yàn)來實(shí)現(xiàn)，這種方法對(duì)電網(wǎng)多變的運(yùn)行方式適應(yīng)性很差;第 二種方法是利用現(xiàn)代控制理論的相關(guān)方法，提取當(dāng)前電網(wǎng)的暫穩(wěn)特征，然后利用神經(jīng)網(wǎng)絡(luò)、 支持向量機(jī)等的工具對(duì)電網(wǎng)的暫態(tài)穩(wěn)定進(jìn)行判定，這種方法除了有易于陷入局部最小值陷 阱等問題外，通常還需要很長的訓(xùn)練和處理時(shí)間，很難滿足電力系統(tǒng)大數(shù)據(jù)的實(shí)時(shí)性要求。
[0005] 雖然電力系大數(shù)據(jù)包含了能夠表征當(dāng)前電網(wǎng)暫態(tài)安全的所有信息，而如何在海量 數(shù)據(jù)中找到這些信息、合理利用這些信息，對(duì)電網(wǎng)暫態(tài)安全作出評(píng)估，是當(dāng)前一個(gè)亟待解決 的問題。

【發(fā)明內(nèi)容】

[0006] 為了解決上述技術(shù)問題，本發(fā)明提出一種面向大數(shù)據(jù)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方 法，解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法易于陷入局部最小值陷阱等問題的同時(shí)，滿足大數(shù)據(jù)的實(shí)時(shí)性 要求。
[0007] 本發(fā)明所采用的技術(shù)方案是：一種面向大數(shù)據(jù)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法，其 特征在于，包括以下步驟：
[0008] 步驟1:根據(jù)實(shí)際電力系統(tǒng)特點(diǎn)，確定當(dāng)前電力系統(tǒng)暫態(tài)穩(wěn)定的判據(jù)；
[0009] 步驟2:設(shè)定訓(xùn)練及相關(guān)參數(shù)初始值；
[0010] 步驟3:確定暫態(tài)穩(wěn)定基礎(chǔ)特征庫；
[0011] 步驟4:利用電力系統(tǒng)歷史大數(shù)據(jù)完成樣本訓(xùn)練；
[0012] 步驟5:提取當(dāng)前電力系統(tǒng)中暫態(tài)穩(wěn)定關(guān)鍵特征群數(shù)據(jù)，并將其送入到已訓(xùn)練好的 多極限學(xué)習(xí)單元(ELMs)中；
[0013] 步驟6:對(duì)多極限學(xué)習(xí)單元(ELMs)的輸出結(jié)果進(jìn)行綜合評(píng)價(jià)決策，給出當(dāng)前電力系 統(tǒng)的暫穩(wěn)評(píng)估結(jié)果和當(dāng)前結(jié)果的置信度。
[0014] 作為優(yōu)選，步驟1中所述電力系統(tǒng)暫態(tài)穩(wěn)定的判據(jù)，是能夠表征當(dāng)前電力系統(tǒng)暫態(tài) 是否穩(wěn)定的參數(shù)值，當(dāng)參數(shù)值越過某個(gè)閾值，就認(rèn)定當(dāng)前系統(tǒng)不能滿足到暫態(tài)穩(wěn)定要求。 [0015]作為優(yōu)選，步驟2中所述訓(xùn)練及相關(guān)參數(shù)初始值包括極限學(xué)習(xí)單元ELM總數(shù)E、極限 學(xué)習(xí)單元ELM的輸入特征個(gè)數(shù)f、隱含層節(jié)點(diǎn)數(shù)區(qū)間[j_min，j_max]、最大訓(xùn)練次數(shù)i_max。 [0016]作為優(yōu)選，步驟4中所述利用電力系統(tǒng)歷史大數(shù)據(jù)完成樣本訓(xùn)練，其具體實(shí)現(xiàn)包括 以下子步驟：
[0017] 步驟4 · 1:對(duì)多極限學(xué)習(xí)單元(ELMs)進(jìn)行集中訓(xùn)練學(xué)習(xí)；
[0018] 步驟4.2:步驟4.2:迭代計(jì)算基礎(chǔ)特征庫中各個(gè)特征對(duì)暫態(tài)穩(wěn)定的權(quán)重系數(shù)，確定 關(guān)鍵特征群。
[0019] 作為優(yōu)選，步驟4.1中所述對(duì)多極限學(xué)習(xí)單元(ELMs)進(jìn)行集中訓(xùn)練學(xué)習(xí)，其具體流 程如下：
[0020] (1)執(zhí)行第一次循環(huán)：i = l to最大訓(xùn)練次數(shù)i_max;
[0021 ] (2)執(zhí)行第二次循環(huán):e = l to極限學(xué)習(xí)單元ELM總數(shù)E;
[0022] (3)隨機(jī)確定訓(xùn)練樣本；
[0023] (4)隨機(jī)確定當(dāng)前被訓(xùn)練極限學(xué)習(xí)單元ELM隱含層節(jié)點(diǎn)數(shù)je [ jmin，jmax];
[0024] (5)在基礎(chǔ)特征庫隨機(jī)挑選f個(gè)特征作為當(dāng)前輸入極限學(xué)習(xí)單元ELM，其中f為極限 學(xué)習(xí)單元ELM的輸入特征個(gè)數(shù)；
[0025] (6)隨機(jī)確定輸入權(quán)值向量wj和bj ;
[0026] (7)計(jì)算βιΗ^Γ，其中:Η為神經(jīng)網(wǎng)絡(luò)隱層輸出矩陣，T為樣本矩陣；
[0027] (8)判斷第二次循環(huán)是否循環(huán)完畢，若是則結(jié)束第二次循環(huán)；
[0028] (9)判斷第一次循環(huán)是否循環(huán)完畢，若是則結(jié)束第一次循環(huán)。
[0029] 作為優(yōu)選，步驟4.2中所述暫穩(wěn)特征量權(quán)重系數(shù)，表征不同電量參數(shù)對(duì)樣本之間的 區(qū)分能力;權(quán)重系數(shù)大的特征，對(duì)同類型樣本輸出結(jié)果的區(qū)分度小，即極限學(xué)習(xí)單元EML輸 出值差別小;權(quán)重系數(shù)大的特征，對(duì)不同類型樣本區(qū)分度較大，即極限學(xué)習(xí)單元EML輸出值 差異大;而權(quán)重系數(shù)小的特征，其輸出值對(duì)不同類型的樣本并不敏感所述同類型樣本是指 所有暫態(tài)穩(wěn)定判定結(jié)果為安全或不安全的所有樣本集合;所述不同類型樣本是指不在樣本 所在集合的其他樣本。
[0030] 作為優(yōu)選，步驟4.2中所述暫穩(wěn)特征量權(quán)重系數(shù)，計(jì)算方法包括以下步驟：
[0031] (1)執(zhí)行循環(huán)：i = l to最大訓(xùn)練次數(shù)i_max;
[0032]
[0033]
[0034] (4)判斷循環(huán)是否循環(huán)完畢，若是則結(jié)束循環(huán)；
[0035] 其中:X表示某暫穩(wěn)特征；你財(cái)―表示特征X最終的權(quán)重系數(shù);心是第i次訓(xùn)練的樣 本;Η是同類樣本中離Ri最近的樣本;Μ是不同類樣本中離Ri最近的樣本;val(X，R)是R樣本 中特征X的值;函數(shù)disU，!?，!^ )計(jì)算特征X在樣本R和V之間的相對(duì)對(duì)差別;N是本次實(shí)例樣 本總數(shù)，它的存在使得料撲_ e [-1,1]。
[0036] 作為優(yōu)選，步驟6中所述給出當(dāng)前電力系統(tǒng)的暫穩(wěn)評(píng)估結(jié)果和當(dāng)前結(jié)果的置信度， 其置信區(qū)間的設(shè)置準(zhǔn)則為：
[0037] 設(shè)當(dāng)前電力系統(tǒng)處于暫態(tài)穩(wěn)定狀態(tài)，判定結(jié)果=1;當(dāng)前電力系統(tǒng)不能夠維持暫態(tài) 穩(wěn)定狀態(tài)，判定結(jié)果=_1，則對(duì)于ELMS中的每一個(gè)學(xué)習(xí)元的輸出結(jié)果
[0038] 若 YeE[0.7，1.3]或 Yee[-l·3，-0·7]，當(dāng)前ELM學(xué)習(xí)元輸出可信:u = u+l;
[0039] 若Ye E [-0 · 7，0 · 7 ]，當(dāng)前ELM學(xué)習(xí)元輸出不可信:v = v+1。
[0040] 作為優(yōu)選，步驟6中所述給出當(dāng)前電力系統(tǒng)的暫穩(wěn)評(píng)估結(jié)果和當(dāng)前結(jié)果的置信度， 其暫穩(wěn)判定準(zhǔn)則為：
[0041 ] 設(shè)u表征在E個(gè)ELM學(xué)習(xí)元中，輸出可信結(jié)果的ELM數(shù);v表征不可信結(jié)果數(shù)；
[0042]若u〈80%*E，則當(dāng)前ELMs可信輸出沒有達(dá)到閾值要求，當(dāng)前結(jié)果不可信，判定失 敗；
[0043] 若u>80%*E，且則當(dāng)前系統(tǒng)暫態(tài)穩(wěn)定；
[0044] 若u>80%*E，且Sf=1Te<〇,則當(dāng)前系統(tǒng)不暫態(tài)穩(wěn)定；
[0045] 置信度?
[0046] 本發(fā)明主要包括樣本訓(xùn)練和結(jié)果評(píng)價(jià)兩個(gè)階段。樣本訓(xùn)練階段又分為ELMs的集中 學(xué)習(xí)和電網(wǎng)暫態(tài)關(guān)鍵特征的提取兩個(gè)部分，前者為后續(xù)暫穩(wěn)判斷提供準(zhǔn)確且可靠的數(shù)據(jù)支 撐;后者針對(duì)智能電網(wǎng)的大數(shù)據(jù)實(shí)時(shí)性要求對(duì)輸入變量科學(xué)降維。結(jié)果評(píng)價(jià)階段給出最終 的系統(tǒng)暫態(tài)穩(wěn)定安全狀態(tài)。與一般方法相比，本發(fā)明有益的效果為：
[0047] (1)設(shè)計(jì)了一種適用于大數(shù)據(jù)的評(píng)估系統(tǒng)，對(duì)電網(wǎng)大數(shù)據(jù)進(jìn)行合理的降維，實(shí)現(xiàn)對(duì) 電網(wǎng)的安全狀況全面、合理的評(píng)估；
[0048] (2)利用極端學(xué)習(xí)機(jī)自有的特點(diǎn)，采用集中的方法并行訓(xùn)練和使用多個(gè)EMLs，與傳 統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，其具有顯著的快速性;與單個(gè)EML相比，又具有更好的穩(wěn)定性和高精度； [0049] (3)決策評(píng)價(jià)模塊結(jié)合每一個(gè)ELM學(xué)習(xí)元的輸出，結(jié)合合理的評(píng)判規(guī)則給出精確評(píng) 估結(jié)果的同時(shí)，還從統(tǒng)計(jì)學(xué)的角度給出了當(dāng)前評(píng)估結(jié)果的置信度。
【附圖說明】
[0050]圖1為本發(fā)明實(shí)施例的流程圖；
[0051 ]圖2為本發(fā)明實(shí)施例的樣本訓(xùn)練流程圖；
[0052] 圖3為本發(fā)明實(shí)施例中各個(gè)特征按權(quán)重系數(shù)的降序排列圖。
【具體實(shí)施方式】
[0053] 下面將結(jié)合本發(fā)明實(shí)例中的附圖，對(duì)本發(fā)明實(shí)例中的技術(shù)方案進(jìn)行清楚、完整的 描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明的一個(gè)實(shí)施例，而不是全部的實(shí)施例。基于發(fā)明 中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有實(shí)施例， 都屬于本發(fā)明保護(hù)的范圍。
[0054] 利用電力系統(tǒng)歷史大數(shù)據(jù)對(duì)多極限學(xué)習(xí)單元（EXTREME LEARNING MACHINES， ELMs)進(jìn)行集中學(xué)習(xí)訓(xùn)練，在海量數(shù)據(jù)中提取能夠表征當(dāng)前電力系統(tǒng)暫態(tài)穩(wěn)定狀況的關(guān)鍵 特征;然后將關(guān)鍵特征群輸入到訓(xùn)練好的ELMs中，最后利用決策評(píng)價(jià)準(zhǔn)則得出最終的暫態(tài) 穩(wěn)定評(píng)價(jià)結(jié)果和結(jié)果的置信度。系統(tǒng)具有高精度的同時(shí)，還滿足了智能電網(wǎng)大數(shù)據(jù)的快速 性要求。
[0055]極限學(xué)習(xí)單元(ELM)，是一種由輸入層、隱含層和輸出層構(gòu)成的單隱含層前饋神經(jīng) 網(wǎng)絡(luò)，由于其隱含層結(jié)構(gòu)相對(duì)簡(jiǎn)單(僅有一層），使其訓(xùn)練和判定的速度都較快，從結(jié)構(gòu)上能 夠滿足大數(shù)據(jù)的實(shí)時(shí)性要求；由于其樣本訓(xùn)練過程具有普遍的隨機(jī)化概念，使其克服了傳 統(tǒng)神經(jīng)網(wǎng)絡(luò)易于陷入最小值陷阱等的諸多缺點(diǎn)。單個(gè)極限學(xué)習(xí)單元(ELM)的訓(xùn)練方法已在 其他文獻(xiàn)中有涉及，故本文只做簡(jiǎn)要介紹，設(shè)訓(xùn)練樣本個(gè)數(shù)為n，用sigmoid函數(shù)作為激活函 數(shù)，單個(gè)ELM的訓(xùn)練方法如下：
[0056]輸出函數(shù)為：
[0057]
[0058] 根據(jù)ELM的相關(guān)理論，（1)式可簡(jiǎn)寫為：
[0059] Ηβ = Τ (2)
[0060] 其中：!1 = !1(￥1，'\￥2，'?3，一'?1，131，匕2，匕3，，"131，叉1，叉2叉3,111)，11為神經(jīng)網(wǎng)絡(luò)隱層輸出矩 陣;Τ = [ti，t2，t3···. tn]T，Τ為樣本矩陣;1為神經(jīng)元個(gè)數(shù);η為樣本數(shù)。
[0061 ]對(duì)于單個(gè)樣本訓(xùn)練過程，隨機(jī)給定隱含節(jié)點(diǎn)數(shù)、輸入權(quán)值向量Wj和bj，則輸出權(quán)值 矩陣β = ?ΓιΤ，其中是η的廣義逆矩陣。
[0062] 本實(shí)施例以ΙΕΕΕ57節(jié)點(diǎn)電力系統(tǒng)為研究對(duì)象，判定其在各種工況下的暫態(tài)穩(wěn)定情 況。方法主要包括訓(xùn)練和決策兩部分。樣本訓(xùn)練部分又包括ELMs的集中訓(xùn)練和電網(wǎng)暫態(tài)關(guān) 鍵特征提取兩個(gè)部分。決策部分首先在大數(shù)據(jù)中提取關(guān)鍵特征，然后將其送入已訓(xùn)練好的 一簇EMLs中，最后綜合分析其輸出后，給出暫穩(wěn)評(píng)估結(jié)果和當(dāng)前結(jié)果的置信度。
[0063] 請(qǐng)見圖1，本發(fā)明提供的一種面向大數(shù)據(jù)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法，包括以下 步驟：
[0064]步驟1:根據(jù)實(shí)際電力系統(tǒng)特點(diǎn)，確定當(dāng)前電力系統(tǒng)暫態(tài)穩(wěn)定的判據(jù)；電力系統(tǒng)暫 態(tài)穩(wěn)定的判據(jù)，是能夠表征當(dāng)前電力系統(tǒng)暫態(tài)是否穩(wěn)定的參數(shù)值，當(dāng)參數(shù)值越過某個(gè)閾值， 就認(rèn)定當(dāng)前系統(tǒng)不能滿足到暫態(tài)穩(wěn)定要求。
[0065]步驟2:設(shè)定訓(xùn)練及相關(guān)參數(shù)初始值，包括極限學(xué)習(xí)單元ELM總數(shù)E、極限學(xué)習(xí)單元 ELM的輸入特征個(gè)數(shù)f、隱含層節(jié)點(diǎn)數(shù)區(qū)間[j_min，j_max]、最大訓(xùn)練次數(shù)i_max。
[0066] 本實(shí)施例訓(xùn)練過程中，相關(guān)參數(shù)的類型及初值如下表1。
[0067] 表1相關(guān)參數(shù)的類型及初值
[0068] Luuciy」 步驟；3:佛疋酉念穩(wěn)疋盎礎(chǔ)狩祉洋；
[0070]步驟4:利用電力系統(tǒng)歷史大數(shù)據(jù)完成樣本訓(xùn)練，其具體實(shí)