关键词:
电力系统暂态稳定评估
深度学习
CNN
注意力机制
特征融合
摘要:
近些年来,计算机水平的快速发展更新,使得深度学习在各行各业的应用逐渐崭露头角,机器翻译、图像识别、目标检测等已在人们的生活中随处可见。与此同时,随着社会的快速发展,电力的应用也逐渐普及并走向日常,同时伴随着大量风电光伏器件的接入,其电力网络的规模,产生的数据种类,以及数据量都在以指数级的形式增长。维持安全稳定是电力系统运行的一个基本要求,因此为了避免电力系统发生扰动时出现破坏性事故的发生,有必要运用电力系统稳定评估的方法,在发生事故时能够快速准确地判断系统的暂态稳定性并为进一步的预防控制提供参照信息。本文基于电力系统的暂态稳定时域分析,结合深度学习,主要的研究工作如下:
(1)以一个10机39节点系统为研究对象,通过仿真获得描述系统状态的多维特征向量数据,并在不同的负荷水平以及不同的故障切除时间下验证数据集的正确性。
(2)将卷积神经网络(Convolutional Neural Network,CNN)与注意力机制(Attention Mechanism)融合后的网络模型进行电力系统的暂态稳定评估。卷积神经网络能够较好地处理高维数据,提取数据之间的隐藏特征,因而在深度学习领域内最常用表现相对较好。注意力机制是基于人工视觉发展而来,能够关注更加重要的信息忽略相对次要的信息。通过设立多组对比实验分析了一些超参数对于网络的影响,同时将设计的网络与传统的机器学习算法之间进行对比测试,验证所提模型在进行暂态稳定分类时的优越性。并通过设置不同的数据采样周波、不同的数据采样噪声对网络的影响,进一步验证所提模型在面对系统发生干扰时的鲁棒性。
(3)通过对于注意力机制的原理进行分析,提出改进注意力机制的深度网络模型,使其减少注意力机制的计算复杂度,以此来减少在进行电力系统暂态稳定分类过程中的计算时间。同时考虑到随着卷积的使用会导致特征之间的联系相对较弱,通过采用特征之间的融合来增强前后数据之间的联系,对注意力机制的Query作进一步的改进,提高在进行暂态稳定分类过程中的准确率。通过多组对比试验筛选出减少计算复杂度注意机制最优的添加位置,并通过采用不同的特征融合方法来验证该方法的有效性以及适用性,最后通过在CEPRI36节点系统下对模型的泛化性以及鲁棒性进行进一步的验证。