本發(fā)明屬于電力系統(tǒng)自動(dòng)化，具體涉及考慮數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法、系統(tǒng)及儲(chǔ)存介質(zhì)。

背景技術(shù)：

1、隨著廣泛的電網(wǎng)互聯(lián)、高滲透水平的可再生能源并網(wǎng)以及電力市場自由化的發(fā)展，電力系統(tǒng)的動(dòng)態(tài)特性變得越來越復(fù)雜，因此，暫態(tài)失穩(wěn)的風(fēng)險(xiǎn)也相應(yīng)增加。為了防范由于暫態(tài)失穩(wěn)而造成的各方面重大損失，必須對電力系統(tǒng)進(jìn)行暫態(tài)穩(wěn)定評估。

2、隨著廣域測量系統(tǒng)中大量的相量測量單元(pmu)的安裝以及人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法得到了大量數(shù)據(jù)支持，使得這類方法得到了研究人員的廣泛關(guān)注?；跀?shù)據(jù)驅(qū)動(dòng)的暫態(tài)穩(wěn)定評估方法通過模型訓(xùn)練構(gòu)建電力系統(tǒng)某些特征與系統(tǒng)穩(wěn)定狀態(tài)的強(qiáng)映射關(guān)系，從而實(shí)現(xiàn)高效、準(zhǔn)確的暫態(tài)穩(wěn)定評估。然而在實(shí)際電力系統(tǒng)的數(shù)據(jù)采集中，可能因通訊延遲、pmu故障等原因造成pmu采集數(shù)據(jù)缺失，這種情況下，缺少了部分特征的暫態(tài)穩(wěn)定評估模型性能將大大降低甚至不可使用。因此提出一種能夠考慮pmu故障導(dǎo)致數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法，以增強(qiáng)暫態(tài)穩(wěn)定評估對數(shù)據(jù)缺失情形的容忍度，具備一定的價(jià)值。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明是為了解決上述問題而進(jìn)行的，目的在于提供考慮pmu數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定自適應(yīng)評估方法、系統(tǒng)和存儲(chǔ)介質(zhì)，能夠在面對不同程度數(shù)據(jù)缺失時(shí)，能夠進(jìn)行自適應(yīng)暫態(tài)穩(wěn)定評估，從而提升在數(shù)據(jù)發(fā)生缺失后電力系統(tǒng)暫態(tài)穩(wěn)定評估的準(zhǔn)確性。

2、為了實(shí)現(xiàn)以上目的，本發(fā)明采用了以下方案：

3、第一方面，本發(fā)明提供了一種考慮pmu數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定自適應(yīng)評估方法，所述方法包括：

4、步驟1.數(shù)據(jù)的預(yù)處理：獲取不同情形下的電力系統(tǒng)故障切除后采集的預(yù)設(shè)周期內(nèi)所有時(shí)間序列特征向量，并與對應(yīng)的暫態(tài)穩(wěn)定狀態(tài)匹配，構(gòu)造出原始樣本集，然后分割成訓(xùn)練樣本集和驗(yàn)證樣本集；

5、步驟2.構(gòu)建最優(yōu)pmu組合的集合：采用步驟1中的訓(xùn)練樣本集，計(jì)算訓(xùn)練樣本集的時(shí)間序列特征重要性，基于時(shí)間序列特征重要性構(gòu)建最小風(fēng)險(xiǎn)尋優(yōu)的目標(biāo)函數(shù)，并設(shè)定滿足全網(wǎng)節(jié)點(diǎn)可觀測并且在pmu嚴(yán)重故障下仍有可用pmu組合的約束條件求解得到最優(yōu)pmu組合的集合；

6、步驟3.暫態(tài)穩(wěn)定評估集成模型訓(xùn)練：構(gòu)造暫態(tài)穩(wěn)定評估子分類器，基于暫態(tài)穩(wěn)定評估子分類器獲取特征變量信息和時(shí)間信息并對其進(jìn)行加權(quán)融合，采用步驟2中的每一個(gè)最優(yōu)pmu組合對應(yīng)一個(gè)子分類器，用最優(yōu)pmu組合觀測到的對應(yīng)的訓(xùn)練樣本集中的時(shí)間序列特征訓(xùn)練相應(yīng)的子分類器，然后采用驗(yàn)證樣本集求取每一個(gè)子分類器的權(quán)重，進(jìn)而構(gòu)造出加權(quán)集成的暫態(tài)穩(wěn)定評估集成模型；

7、步驟4.在線自適應(yīng)暫態(tài)穩(wěn)定評估：pmu在線獲取電力系統(tǒng)的量測數(shù)據(jù)，基于步驟3獲得的暫態(tài)穩(wěn)定評估集成模型得到最終的暫態(tài)穩(wěn)定評估結(jié)果。

8、進(jìn)一步地，所述步驟1包括如下子步驟：

9、步驟1.1，根據(jù)電力系統(tǒng)歷史運(yùn)行數(shù)據(jù)和利用時(shí)域仿真記錄故障清除后tmax個(gè)采樣周期的發(fā)電機(jī)的有功功率和無功功率、母線的電壓和相角、線路傳輸?shù)挠泄β屎蜔o功功率、負(fù)載的有功功率和無功功率，構(gòu)造出含時(shí)間序列的特征向量x；

10、步驟1.2，電力系統(tǒng)的暫態(tài)穩(wěn)定狀態(tài)y設(shè)定為0或1，分別表示系統(tǒng)暫態(tài)穩(wěn)定和系統(tǒng)暫態(tài)失穩(wěn)，將每種運(yùn)行狀態(tài)下的暫態(tài)穩(wěn)定狀態(tài)y與特征向量x相對應(yīng)，構(gòu)造出原始樣本集{x,y}，將原始樣本集{x,y}按預(yù)設(shè)的比例隨機(jī)劃分成訓(xùn)練樣本集{x1,y1}和驗(yàn)證樣本集{x2,y2}。

11、進(jìn)一步地，所述步驟2包括如下子步驟：

12、步驟2.1，時(shí)序特征重要性計(jì)算：利用訓(xùn)練樣本集{x1,y1}進(jìn)行時(shí)間序列特征的重要性計(jì)算的迭代過程，執(zhí)行循環(huán)m＝1直到m＝mmax，其中m為迭代抽樣次數(shù)，mmax為最大迭代抽樣次數(shù)；

13、判斷時(shí)間序列特征重要性計(jì)算的迭代循環(huán)是否完成，若是則結(jié)束迭代過程，獲得最后計(jì)算得到的各個(gè)時(shí)序特征的權(quán)重，作為該特征的重要性度量，用hα表示第α個(gè)時(shí)序特征的重要性；

14、步驟2.2，最小風(fēng)險(xiǎn)pmu組合尋優(yōu):

15、基于pmu的重要性定義衡量pmu組合不可用的風(fēng)險(xiǎn)度，構(gòu)建最小風(fēng)險(xiǎn)尋優(yōu)的目標(biāo)函數(shù)尋找最優(yōu)pmu組合，其中最小風(fēng)險(xiǎn)尋優(yōu)的目標(biāo)函數(shù)表示為：

16、

17、式中，k表示pmu組合的數(shù)量，n表示電網(wǎng)中安裝的pmu數(shù)量，i是一個(gè)指示函數(shù)，表示i個(gè)pmu的組合的第j種組合方式，xk表示第k個(gè)pmu組合的組合方式，hk表示第k個(gè)pmu組合的重要性，p是pmu發(fā)生故障的概率，pi則表示i個(gè)pmu同時(shí)故障的概率；表示n個(gè)pmu中任取i個(gè)的所有組合個(gè)數(shù)；

18、指示函數(shù)i具體表示為：

19、

20、第k個(gè)pmu組合的重要性的計(jì)算式為：

21、

22、式中ωk表示第k個(gè)pmu組合可觀測到的全部特征，hα表示第α個(gè)時(shí)序特征的重要性，通過子步驟2.1計(jì)算得到；

23、約束條件表示為：

24、

25、式中f(·)表示pmu觀測范圍計(jì)算函數(shù)，f(xk-n+1)到f(xk)是電網(wǎng)的n個(gè)pmu中通過觀測算法求取的每一個(gè)pmu的觀測范圍，f(x1)到f(xk-n)則為其余含2個(gè)及以上pmu的組合的觀測范圍，vk表示第k個(gè)pmu組合根據(jù)pmu觀測算法得到的可觀測節(jié)點(diǎn)，q表示全網(wǎng)節(jié)點(diǎn)數(shù)，當(dāng)節(jié)點(diǎn)可觀測時(shí)，v為1值，當(dāng)節(jié)點(diǎn)不可觀測時(shí)，v為0值；

26、求取最小風(fēng)險(xiǎn)尋優(yōu)的目標(biāo)函數(shù)的最優(yōu)解，當(dāng)風(fēng)險(xiǎn)值達(dá)到最小，得到含k個(gè)pmu組合的集合，這些組合即為最優(yōu)的pmu組合。

27、進(jìn)一步地，所述步驟3包括如下子步驟：

28、步驟3.1，訓(xùn)練暫態(tài)穩(wěn)定評估子分類器：采用時(shí)間序列特征分類的卷積神經(jīng)網(wǎng)絡(luò)作為暫態(tài)穩(wěn)定評估的子分類器，所述子分類器中一維卷積神經(jīng)網(wǎng)絡(luò)和二維卷積神經(jīng)網(wǎng)絡(luò)用下列函數(shù)表示：

29、

30、式中x表示輸入的特征，x1是一維卷積神經(jīng)網(wǎng)絡(luò)c1(·)獲取的時(shí)間戳相關(guān)的信息，xd是二維卷積神經(jīng)網(wǎng)絡(luò)，c2(·)獲取的與觀測特征變量相關(guān)的信息；θ1和θ2分別為一維和二維卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)；

31、引入信息加權(quán)融合機(jī)制，接入加權(quán)模塊，首先將所述的時(shí)間戳相關(guān)的信息x1和觀測特征變量相關(guān)的信息xd進(jìn)行拼接，拼接后的信息表示為xd+1＝[xd|x1]，然后xd+1通過全局平均池化層將全局時(shí)間信息壓縮到輸入通道中，隨后信息通過具有relu激活函數(shù)的第一個(gè)全連接層和具有sigmoid激活函數(shù)的第二個(gè)全連接層，從而獲得信息權(quán)重sd+1；

32、利用獲得的信息權(quán)重sd+1計(jì)算注意力模塊的輸出其表示為:

33、

34、最后通過全局平均池化層和softmax算子得到整個(gè)網(wǎng)絡(luò)的最終輸出結(jié)果；

35、子分類器的各部分神經(jīng)網(wǎng)絡(luò)的優(yōu)化器學(xué)習(xí)率設(shè)置為η，更新各網(wǎng)絡(luò)參數(shù)過程為：

36、

37、式中l(wèi)1、l2、lw1和lw2分別為一維卷積神經(jīng)網(wǎng)絡(luò)、二維卷積神經(jīng)網(wǎng)絡(luò)、加權(quán)模塊中第一層全連接層和第一層全連接層的損失函數(shù)，均采用交叉熵?fù)p失函數(shù)；

38、根據(jù)步驟2中求得的最優(yōu)的k個(gè)pmu組合，每一個(gè)pmu組合對應(yīng)一個(gè)子分類器，pmu組合觀測到的訓(xùn)練樣本集{x1,y1}的特征作為子分類器的輸入特征；

39、執(zhí)行循環(huán)it＝1直到it＝it_max，對每一個(gè)子分類器分別進(jìn)行迭代訓(xùn)練；

40、判斷子分類器訓(xùn)練的迭代循環(huán)是否完成，若是則結(jié)束訓(xùn)練迭代過程，獲得k個(gè)訓(xùn)練完成的暫態(tài)穩(wěn)定評估子分類器；

41、步驟3.2，構(gòu)造暫態(tài)穩(wěn)定評估集成模型：采用驗(yàn)證樣本集{x2,y2}求取子步驟3.1中每個(gè)子分類器的權(quán)重，搜尋驗(yàn)證樣本集預(yù)測結(jié)果與真實(shí)結(jié)果最接近時(shí)各子分類器的相應(yīng)權(quán)重，具體過程用最優(yōu)化求解過程表示為：

42、

43、

44、其中m表示驗(yàn)證集樣本數(shù)目，yi表示驗(yàn)證樣本集第i個(gè)樣本的真實(shí)類別，表示對驗(yàn)證樣本集第i個(gè)樣本的預(yù)測類別，ωk表示第k個(gè)子分類器的權(quán)重，p(xik)表示驗(yàn)證樣本集中第i個(gè)樣本在第k個(gè)子分類器中的概率化輸出結(jié)果；

45、完成最優(yōu)化求解后，得到每各自子分類器的對應(yīng)權(quán)重ω，進(jìn)而構(gòu)造用于暫態(tài)穩(wěn)定評估的集成模型，利用各個(gè)子分類器的權(quán)重進(jìn)行加權(quán)集成，無數(shù)據(jù)缺失情形下，第t時(shí)刻集成模型給出的最終暫態(tài)穩(wěn)定預(yù)測結(jié)果yt′可以表示為：

46、

47、式中表示在第t時(shí)刻第k個(gè)子分類器的暫態(tài)穩(wěn)定評估輸出。

48、進(jìn)一步地，所述步驟4包括如下子步驟：

49、步驟4.1，當(dāng)前時(shí)刻集成模型輸出結(jié)果計(jì)算：使用廣域測量系統(tǒng)中的相量測量單元pmu獲取電力系統(tǒng)運(yùn)行時(shí)的實(shí)時(shí)量測數(shù)據(jù)，輸入到步驟3得到的暫態(tài)穩(wěn)定評估集成模型中進(jìn)行在線評估，發(fā)生數(shù)據(jù)缺失場景時(shí)，假設(shè)電力系統(tǒng)切除故障時(shí)間為tc，即模型開始進(jìn)行暫態(tài)穩(wěn)定評估的時(shí)間，pmu發(fā)生故障的時(shí)間為tm，最長暫態(tài)穩(wěn)定評估時(shí)間為tmax，將引起數(shù)據(jù)缺失的故障pmu所在的pmu組合對應(yīng)的子分類器歸為不可用子分類器，而其余的歸為可用子分類器，所述暫態(tài)穩(wěn)定評估集成模型在當(dāng)前時(shí)刻得到的評估結(jié)果是不可用子分類器在pmu發(fā)生故障前一時(shí)刻的評估結(jié)果與可用子分類器在當(dāng)前時(shí)刻的評估結(jié)果的加權(quán)融合，該過程的具體表達(dá)式y(tǒng)t為：

50、

51、式中s表示pmu發(fā)生故障后剩余可用的暫態(tài)穩(wěn)定評估子分類器，表示第i個(gè)子分類器在第t時(shí)刻的評估結(jié)果，表示第j個(gè)子分類器在第tm-1時(shí)刻的評估結(jié)果，如果pmu發(fā)生故障的時(shí)間tm≤tc，那么取0值和1值的中間值0.5，表示在暫態(tài)穩(wěn)定評估開始前就因pmu故障而不可用子分類器無法判別輸入樣本屬于暫態(tài)穩(wěn)定還是暫態(tài)失穩(wěn)；

52、步驟4.2，在線評估最終結(jié)果判定：設(shè)定暫態(tài)穩(wěn)定評估集成模型的觀測窗口長度為t，通過輸入時(shí)間長度為t的時(shí)序特征進(jìn)行預(yù)測，定義暫態(tài)失穩(wěn)判定閾值τ∈(0.5,1)，如果模型當(dāng)前時(shí)刻的預(yù)測結(jié)果yt∈[τ,1]，那么則在當(dāng)前時(shí)刻t輸出最終評估結(jié)果為暫態(tài)失穩(wěn)，如果yt∈[0,1-τ]那么則在當(dāng)前時(shí)刻t輸出最終評估結(jié)果為暫態(tài)穩(wěn)定，這兩種情況稱為滿足閾值條件，但如果yt∈(1-τ,τ)，即不滿足閾值條件，那么判定當(dāng)前時(shí)刻t還暫時(shí)不能給出準(zhǔn)確的預(yù)測結(jié)果，需要進(jìn)入下一時(shí)刻t+1重復(fù)步驟4的評估，直至滿足閾值條件或者到達(dá)最大評估時(shí)間tmax，在線評估預(yù)測的暫態(tài)穩(wěn)定性y具體表達(dá)式為：

53、

54、最終確定暫態(tài)穩(wěn)定性y即為在任一時(shí)刻任一數(shù)量pmu故障導(dǎo)致的數(shù)據(jù)缺失情形下的在線暫態(tài)穩(wěn)定評估結(jié)果。

55、另一方面，本發(fā)明提供一種考慮數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定評估系統(tǒng)，所述系統(tǒng)包括：

56、電力系統(tǒng)數(shù)據(jù)預(yù)處理模塊，其用于獲取不同情形下的電力系統(tǒng)故障切除后采集的所有時(shí)間序列特征向量，并與對應(yīng)的暫態(tài)穩(wěn)定狀態(tài)匹配，構(gòu)造出原始樣本集，然后分割成訓(xùn)練樣本集和驗(yàn)證樣本集；

57、電力系統(tǒng)最優(yōu)pmu組合構(gòu)建模塊，其用于獲取故障風(fēng)險(xiǎn)度最小的pmu組合的集合：采用數(shù)據(jù)預(yù)處理模塊中的訓(xùn)練樣本集特征，計(jì)算訓(xùn)練樣本集的時(shí)間序列特征重要性，然后基于特征重要性構(gòu)造滿足全網(wǎng)節(jié)點(diǎn)可觀測并且在pmu嚴(yán)重故障下仍有可用pmu組合，使故障風(fēng)險(xiǎn)達(dá)到最小的最優(yōu)pmu組合的集合；

58、電力系統(tǒng)暫態(tài)穩(wěn)定評估集成模型訓(xùn)練模塊，其用于訓(xùn)練子分類器以構(gòu)建集成的暫態(tài)穩(wěn)定評估模型：采用一種時(shí)間序列特征分類的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造暫態(tài)穩(wěn)定評估子分類器，其能夠識(shí)別觀察到的特征變量信息和對預(yù)測很重要的輸入數(shù)據(jù)的時(shí)間信息，并對信息進(jìn)行加權(quán)融合，采用最優(yōu)pmu組合構(gòu)建模塊得到的每一個(gè)pmu組合對應(yīng)一個(gè)子分類器，用pmu組合觀測到的對應(yīng)的訓(xùn)練樣本集中的時(shí)間序列特征訓(xùn)練相應(yīng)的子分類器，然后采用驗(yàn)證樣本集求取每一個(gè)子分類器的權(quán)重，進(jìn)而構(gòu)造出加權(quán)集成的暫態(tài)穩(wěn)定評估集成模型；

59、電力系統(tǒng)在線自適應(yīng)暫態(tài)穩(wěn)定評估模塊，其用于在線評估pmu數(shù)據(jù)缺失下的電力系統(tǒng)的暫態(tài)穩(wěn)定狀態(tài)：pmu在線獲取電力系統(tǒng)的量測數(shù)據(jù)，暫態(tài)穩(wěn)定評估集成模型訓(xùn)練模塊獲得的暫態(tài)穩(wěn)定評估集成模型根據(jù)pmu故障導(dǎo)致的數(shù)據(jù)缺失情況將不受影響的子分類器輸出結(jié)果與受影響的子分類器的歷史輸出結(jié)果進(jìn)行在線自適應(yīng)融合，從而得到最終的暫態(tài)穩(wěn)定評估結(jié)果；

60、所述考慮數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定評估系統(tǒng)用于執(zhí)行所述的考慮數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法中的步驟。

61、進(jìn)一步地，還包括：

62、輸入顯示模塊，其用于根據(jù)操作員輸入的操作指令，對相應(yīng)部的輸入、輸出和中間處理數(shù)據(jù)以文本、列表、或二維/三維靜態(tài)/動(dòng)態(tài)圖的方式進(jìn)行相應(yīng)顯示；

63、控制模塊，其用于與電力系統(tǒng)數(shù)據(jù)預(yù)處理模塊、電力系統(tǒng)最優(yōu)pmu組合構(gòu)建模塊、電力系統(tǒng)暫態(tài)穩(wěn)定評估集成模型訓(xùn)練模塊、電力系統(tǒng)在線自適應(yīng)暫態(tài)穩(wěn)定評估模塊、輸入顯示模塊均通信相連，控制它們的運(yùn)行。

64、再一方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的考慮數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法的步驟。

65、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

66、本發(fā)明涉及的考慮pmu數(shù)據(jù)缺失的電力系統(tǒng)暫態(tài)穩(wěn)定自適應(yīng)評估方法、系統(tǒng)和存儲(chǔ)介質(zhì)，所構(gòu)建的最優(yōu)pmu組合是以不同數(shù)量的pmu發(fā)生故障的各種情形下故障風(fēng)險(xiǎn)最低為目標(biāo)的，從而提升了發(fā)生數(shù)據(jù)缺失時(shí)pmu組合的可用率，保證了在嚴(yán)重的數(shù)據(jù)缺失情形下仍有可用的子分類器進(jìn)行暫態(tài)穩(wěn)定評估；其次，所采用的子分類器能夠并行地提取與觀測特征變量和時(shí)間戳相關(guān)的信息，并通過信息加權(quán)融合機(jī)制，增強(qiáng)對暫態(tài)穩(wěn)定分類有用的信息映射，更加充分地發(fā)掘了時(shí)間序列特征中的電力系統(tǒng)暫態(tài)穩(wěn)定相關(guān)信息，同時(shí)提高了分類器的評估準(zhǔn)確率；進(jìn)一步，在線暫態(tài)穩(wěn)定評估階段，在數(shù)據(jù)缺失場景下能夠自適應(yīng)地集成融合歷史評估結(jié)果與可用子分類器評估結(jié)果，相較于其他常用的處理數(shù)據(jù)缺失的方法，提高了電力系統(tǒng)暫態(tài)穩(wěn)定評估模型的評估速度和評估精度。