本技術(shù)涉及電力安全，尤其涉及一種仿真樣本生成方法系統(tǒng)設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著新型負(fù)荷在電力系統(tǒng)中的部署，使得電力系統(tǒng)源網(wǎng)荷端表現(xiàn)出高度電力電子化的特性，電網(wǎng)潮流波動性增大，系統(tǒng)的抗擾動能力下降，動態(tài)安全穩(wěn)定問題日益突出。為確保電力系統(tǒng)的安全穩(wěn)定運(yùn)行，需要采用高效、準(zhǔn)確的動態(tài)安全態(tài)勢感知技術(shù)，以評估未來電力系統(tǒng)運(yùn)行場景在預(yù)設(shè)擾動下的安全穩(wěn)定性，及時發(fā)現(xiàn)安全威脅。

2、隨著廣域測量技術(shù)的發(fā)展，以電力大數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)技術(shù)成為快速和精確評估系統(tǒng)安全穩(wěn)定的重要手段。數(shù)據(jù)驅(qū)動的動態(tài)安全穩(wěn)定評估方法是利用大量歷史運(yùn)行方式通過數(shù)值模擬的方式形成故障后的安全穩(wěn)定標(biāo)簽，然后離線訓(xùn)練構(gòu)建機(jī)器學(xué)習(xí)模型，在線滾動評估超短期運(yùn)行方式或?qū)崟r評估當(dāng)前運(yùn)行方式。然而，高精確率的機(jī)器學(xué)習(xí)模型的訓(xùn)練所需數(shù)據(jù)樣本數(shù)量巨大。而電力系統(tǒng)本身是一個高維非線性系統(tǒng)，僅直接從電力系統(tǒng)歷史運(yùn)行場景中采集樣本信息，訓(xùn)練樣本多樣性差難以覆蓋高維映射空間，將導(dǎo)致模型評估能力不足。因此，需在離線階段生成大量電力系統(tǒng)運(yùn)行場景集，并進(jìn)行預(yù)想事故擾動的動態(tài)時域仿真，得到相應(yīng)場景下動態(tài)安全穩(wěn)定標(biāo)簽，以生成訓(xùn)練樣本用于評估模型的訓(xùn)練。

3、目前訓(xùn)練樣本集生成方法通常是采取蒙特卡洛的方法根據(jù)負(fù)荷上下限和新能源最大最小出力隨機(jī)改變負(fù)荷水平和新能源出力等系統(tǒng)運(yùn)行狀態(tài)量，從而生成海量運(yùn)行場景并構(gòu)成訓(xùn)練樣本庫。然而，受不同地區(qū)的氣候、地形、經(jīng)濟(jì)狀況等環(huán)境因素的影響，同一時間各地區(qū)的負(fù)荷和新能源出力狀況具有差異性且表現(xiàn)出一定的規(guī)律。因此，這種基于蒙特卡洛的樣本生成方法生成的運(yùn)行場景集會涉及一些不符合實際運(yùn)行狀況的負(fù)荷和新能源出力狀態(tài)，從而難以準(zhǔn)確覆蓋電力系統(tǒng)實際運(yùn)行方式分布空間，動態(tài)安全穩(wěn)定評估模型對未來待評估運(yùn)行場景的泛化能力不足。而且此類方法還會產(chǎn)生大量偏離系統(tǒng)實際運(yùn)行狀況的訓(xùn)練樣本，導(dǎo)致計算資源的浪費(fèi)，高代價的計算時間成本，評估模型訓(xùn)練效率低下的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供了一種仿真樣本生成方法系統(tǒng)設(shè)備及介質(zhì)，能夠有效從系統(tǒng)歷史運(yùn)行數(shù)據(jù)中自動提取并學(xué)習(xí)運(yùn)行分布規(guī)律，進(jìn)而生成符合系統(tǒng)實際運(yùn)行情況的批量場景，用于構(gòu)建動態(tài)安全穩(wěn)定評估模型的訓(xùn)練樣本集。

2、第一方面，本技術(shù)實施例提供了一種仿真樣本生成方法，方法基于wgan-gp，包括以下步驟：獲取電網(wǎng)預(yù)設(shè)時間范圍內(nèi)的歷史數(shù)據(jù)集，將歷史數(shù)據(jù)集中同一電力系統(tǒng)、同一時間的數(shù)據(jù)構(gòu)建為一個歷史場景；其中，歷史場景中的向量包括：光伏發(fā)電機(jī)組的有功出力向量、風(fēng)力發(fā)電機(jī)組的有功出力向量、負(fù)荷向量和交直流互聯(lián)傳輸通道的傳輸量；負(fù)荷向量包含有功功率和無功功率，交直流互聯(lián)傳輸通道的傳輸量包含有功傳輸量和無功傳輸量；構(gòu)建wgan-gp初始模型，并使用歷史場景對wgan-gp初始模型的生成器和判別器進(jìn)行訓(xùn)練；采用訓(xùn)練完成的wgan-gp模型，生成仿真場景；將仿真場景輸入到預(yù)設(shè)的潮流模型中得到實現(xiàn)仿真場景的電力系統(tǒng)運(yùn)行參數(shù)；對仿真場景的電力系統(tǒng)運(yùn)行參數(shù)進(jìn)行異常場景控制校驗和稀疏性校驗；將若干個通過異常場景控制校驗和稀疏性校驗的仿真場景作為仿真樣本，獲得仿真樣本集。

3、進(jìn)一步地，構(gòu)建wgan-gp初始模型，具體包括：使用全連接神經(jīng)網(wǎng)絡(luò)作為wgan-gp模型的結(jié)構(gòu)基本單元，通過試湊法確定wgan-gp模型中全連接神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)、神經(jīng)單元數(shù)、學(xué)習(xí)數(shù)和衰減因子，并將各層的激活函數(shù)設(shè)置為leakyrelu函數(shù)。

4、進(jìn)一步地，使用歷史場景對wgan-gp初始模型的生成器和判別器進(jìn)行訓(xùn)練，具體包括：將若干個高維噪聲輸入到生成器中，使生成器輸出若干個對應(yīng)的包含仿真場景向量的仿真場景；高維噪聲與歷史場景中數(shù)據(jù)維數(shù)相同；將歷史場景向量進(jìn)行歸一化處理，并為歷史場景添加為1的標(biāo)簽，將仿真場景添加為0的標(biāo)簽，將添加了標(biāo)簽后的歷史場景和仿真場景作為訓(xùn)練集輸入到wgan-gp模型的判別器中進(jìn)行訓(xùn)練，使判別器輸出對輸入場景的真假概率判別值；根據(jù)生成器的損失函數(shù)和判別器的損失函數(shù)，使用adam優(yōu)化算法更新生成器和判別器的參數(shù)，當(dāng)生成器的損失函數(shù)和判別器的損失函數(shù)都收斂時，wgan-gp模型訓(xùn)練完成。

5、進(jìn)一步地，根據(jù)生成器的損失函數(shù)和判別器的損失函數(shù)，使用adam優(yōu)化算法更新生成器和判別器的參數(shù)，當(dāng)生成器的損失函數(shù)和判別器的損失函數(shù)都收斂時，wgan-gp模型訓(xùn)練完成，具體包括：s01、將高維噪聲數(shù)據(jù)輸入生成器生成仿真場景，并將仿真場景和歷史場景輸入到判別器，判別器輸出對場景的真假概率判別值；s02、分別計算生成器和判別器的損失函數(shù)和；s03、使用adam算法，根據(jù)判別器損失函數(shù)更新判別器的參數(shù)，并固定判別器的參數(shù)；s04、使用adam算法，根據(jù)生成器損失函數(shù)更新生成器的參數(shù)；s05、將高維噪聲數(shù)據(jù)輸入生成器生成仿真場景，并將仿真場景和歷史場景輸入到判別器，判別器輸出對場景的真假概率判別值；s06、根據(jù)判別值重新計算生成器的損失函數(shù)；s07、執(zhí)行次步驟s04到s07；其中，為預(yù)設(shè)的生成器參數(shù)更新次數(shù)；s08、判斷此時生成器的損失函數(shù)和判斷器的損失函數(shù)是否收斂，當(dāng)有一個損失函數(shù)不收斂時，執(zhí)行步驟s01到步驟s08，當(dāng)兩個損失函數(shù)都收斂時，模型訓(xùn)練完成。

6、進(jìn)一步地，生成器的損失函數(shù)為：

7、；

8、判別器的損失函數(shù)為：

9、；

10、其中，為噪聲數(shù)據(jù)，表示數(shù)據(jù)的期望值，為噪聲數(shù)據(jù)的分布，表示判別器對場景的判別結(jié)果，為生成的場景數(shù)據(jù)，為歷史場景， phis( x)為歷史場景的分布，為梯度算子，為懲罰因子,為2的范數(shù)；為實際場景數(shù)據(jù)和生成的場景數(shù)據(jù)之間的隨機(jī)插值：

11、；

12、 r為隨機(jī)數(shù)，服從[0,1]范圍內(nèi)的均勻分布。

13、進(jìn)一步地，異常場景控制校驗具體包括：通過歷史潮流數(shù)據(jù)獲得最小允許有功輸出功率和最小允許無功輸出功率，最大允許有功輸出功率和最大允許無功輸出功率，并檢驗仿真場景的電力系統(tǒng)運(yùn)行參數(shù)中平衡機(jī)組的有功輸出功率和無功輸出功率是否越限：

14、；

15、；

16、選定一條支路并設(shè)置其短路，通過判定系統(tǒng)的功角是否穩(wěn)定、電壓是否崩潰、頻率是否安全，檢驗n-1故障下的穩(wěn)定性；通過檢測關(guān)鍵支路是否存在潮流越限的現(xiàn)象，檢驗輸電斷面是否越限。

17、進(jìn)一步地，稀疏性校驗包括：在歷史場景向量中添加與動態(tài)安全穩(wěn)定評估相關(guān)的潮流特征量，構(gòu)成場景稀疏性校驗向量；潮流特征量至少包括：常規(guī)火電機(jī)組出力、線路潮流、節(jié)點電壓幅值和相角；通過聚類算法確定場景稀疏性校驗向量中各個類別的數(shù)目和聚類中心數(shù)目，并設(shè)定擬采樣的各類群的場景最小數(shù)目 m，數(shù)目小于 m的類群則為稀疏場景；對于數(shù)目小于 m的類群則利用生成器進(jìn)行重新生成，并重復(fù)進(jìn)行異常場景控制和稀疏性校驗，直至滿足對應(yīng)類群的稀疏性要求。

18、第二方面，本技術(shù)實施例還提供了一種仿真樣本生成系統(tǒng)，系統(tǒng)包括：數(shù)據(jù)獲取模塊，數(shù)據(jù)獲取模塊獲取電網(wǎng)預(yù)設(shè)時間范圍內(nèi)的歷史數(shù)據(jù)集，將歷史數(shù)據(jù)集中同一電力系統(tǒng)、同一時間的數(shù)據(jù)構(gòu)建為一個歷史場景；其中，歷史場景中的向量包括：光伏發(fā)電機(jī)組的有功出力向量、風(fēng)力發(fā)電機(jī)組的有功出力向量、負(fù)荷向量和交直流互聯(lián)傳輸通道的傳輸量；負(fù)荷向量包含有功功率和無功功率，交直流互聯(lián)傳輸通道的傳輸量包含有功傳輸量和無功傳輸量；仿真場景生成模塊，仿真場景生成模塊構(gòu)建wgan-gp初始模型，并使用歷史場景對wgan-gp初始模型的生成器和判別器進(jìn)行訓(xùn)練；采用訓(xùn)練完成的wgan-gp模型，生成仿真場景；校驗?zāi)K，校驗?zāi)K將仿真場景輸入到預(yù)設(shè)的潮流模型中得到實現(xiàn)仿真場景的電力系統(tǒng)運(yùn)行參數(shù)；對仿真場景的電力系統(tǒng)運(yùn)行參數(shù)進(jìn)行異常場景控制校驗和稀疏性校驗；將若干個通過異常場景控制校驗和稀疏性校驗的仿真場景作為仿真樣本，獲得仿真樣本集。

19、第三方面，本技術(shù)實施例還提供了一種仿真樣本生成設(shè)備，設(shè)備包括：至少一個處理器；以及，與至少一個處理器通信連接的存儲器；其中，存儲器存儲有可被至少一個處理器執(zhí)行的指令，指令被所述至少一個處理器執(zhí)行，以使至少一個處理器能夠：實現(xiàn)上述一種方法的任意一項步驟。

20、第四方面，本技術(shù)實施例還提供了一種仿真樣本生成的非易失性計算機(jī)存儲介質(zhì)，存儲有計算機(jī)可執(zhí)行的指令，計算機(jī)可執(zhí)行指令設(shè)置為：能夠?qū)崿F(xiàn)上述一種方法的任意一項步驟。

21、本技術(shù)實施例提供的一種仿真樣本生成方法系統(tǒng)設(shè)備及介質(zhì)，通過使用wgan-gp模型從歷史運(yùn)行數(shù)據(jù)中自動生成仿真樣本，可以有效增加電力系統(tǒng)運(yùn)行場景的多樣性，使訓(xùn)練樣本集更好地覆蓋實際電力系統(tǒng)的各種可能運(yùn)行方式，解決了直接從歷史數(shù)據(jù)中采集樣本多樣性差、難以覆蓋高維映射空間的問題；與gan模型相比，wgan-gp模型使用wasserstein距離作為損失函數(shù)，此時無論真實場景分布和實際場景分布之間沒有重疊時都能有效地描述分布之間的距離，同時避免了其權(quán)重截斷導(dǎo)致的梯度消失或爆炸現(xiàn)象；并且相較于傳統(tǒng)的蒙特卡洛方法，該方法通過自動生成仿真樣本并對其進(jìn)行異常場景控制校驗和稀疏性校驗，有效避免了生成大量不符合實際運(yùn)行狀況的訓(xùn)練樣本，從而節(jié)省了計算資源，降低了計算時間成本，提高了評估模型的訓(xùn)練效率。