基于深度学习的电力系统暂态稳定评估方法

doi:10.3969/j.issn.1000-7229.2018.02.013

电力建设 ›› 2018, Vol. 39 ›› Issue (2): 103-.doi: 10.3969/j.issn.1000-7229.2018.02.013

基于深度学习的电力系统暂态稳定评估方法

周悦1，谭本东2，李淼1，杨旋1，周强明1，张振兴1，谭敏1，杨军2

（1. 国网湖北省电力公司, 武汉市　430077；2. 武汉大学电气工程学院，武汉市　430072）

出版日期:2018-02-01
作者简介:周悦（1985），男，硕士，工程师，主要研究方向为电网调度与运行；谭本东（1994），男，通信作者，硕士研究生，研究方向为大数据在电力系统中的应用；李淼（1976），女，博士，高级工程师，主要研究方向为电网调度与运行；杨旋（1979），男，本科，高级工程师，主要研究方向为电网调度与运行；周强明（1984），男，硕士，高级工程师，主要研究方向为电网调度与运行；张振兴（1975），男，本科，中级工程师，主要研究方向为电网调度与运行；谭敏（1982），男，本科，中级工程师，主要研究方向为电网调度与运行；杨军（1977），男，教授，博士生导师，主要研究方向为电力系统运行与控制。
基金资助:
基金项目：国家自然科学基金项目（51277135）；国家电网公司科技项目（521500160011）

Transient Stability Assessment of Power System Based on Deep Learning Technology

ZHOU Yue1, TAN Bendong2, LI Miao1, YANG Xuan1, ZHOU Qiangming1, ZHANG Zhenxing1, TAN Min1, YANG Jun2

（1.State Grid Hubei Electric Power Company, Wuhan 430077, China；2.School of Electrical Engineering, Wuhan University, Wuhan 430072, China）

Online:2018-02-01
Supported by:
Project supported by National Natural Science Foundation of China（51277135）；Science and Technology Project of State Grid Corporation of China（521500160011）

摘要/Abstract

摘要： 摘要：在机器学习领域，暂态稳定评估问题被定义为通过大量故障样本来估计稳定边界的二分类问题。该文提出了一种深度学习方法来解决这个二分类问题。该方法包含4个步骤：首先，利用样本数据构建原始输入特征来描述电力系统动态特性；然后，采用变分自动编码器（variational auto-encoders ,VAE）对原始输入特征进行无监督学习实现特征抽取，从而获得高阶特征；之后，对卷积神经网络（convolution neural network ,CNN）进行有监督学习训练得到高阶特征与电力系统暂态稳定性之间的映射关系；最后，将训练得到的模型应用于电力系统在线暂态稳定评估。在新英格兰39节点测试电力系统的仿真试验表明，所提出的暂态稳定评估（transient stability assessment，TSA）模型具有评估精度高、不稳定样本评估错误率低、抗噪声干扰能力强的特点，适合基于广域测量信息的准实时在线暂态稳定评估。

关键词: , KEYWORDS： deep learning, variational auto-encoders （VAE）, high-order features, convolution neural network （CNN）, transient stability assessment （TSA）, machine learning, unsupervised learning , ,

Abstract: ABSTRACT： In the field of machine learning, transient stability assessment can be considered as a two-class problem of estimating the stability boundary through large number of fault samples. This paper proposes a method of deep learning to solve this problem. The method consists of four stages: firstly, using samples to construct the original input feature for describing the dynamic characteristics of the power system；secondly, variational auto-encoders （VAE） is used to perform unsupervised learning on the original input feature to obtain high-order features；thirdly, the supervised training of convolution neural network （CNN） is carried out to obtain the relationship between high order characteristic and transient stability of power system；finally, the model is applied to the transient stability assessment of power system. Simulation on the New England 39-bus test system shows that the proposed approach has high accuracy, rare misclassification of unstable sample and excellent robustness with noise for transient stability assessment （TSA）. Therefore, it is suitable for quasi-real-time online transient stability assessment based on wide-area measurement information.

Key words:

KEYWORDS： deep learning, variational auto-encoders （VAE）, high-order features, convolution neural network （CNN）, transient stability assessment （TSA）, machine learning, unsupervised learning

中图分类号:

TM 732

周悦，谭本东，李淼，杨旋，周强明，张振兴，谭敏，杨军 . 基于深度学习的电力系统暂态稳定评估方法 [J]. 电力建设, 2018, 39(2): 103-.

ZHOU Yue, TAN Bendong, LI Miao, YANG Xuan, ZHOU Qiangming, ZHANG Zhenxing, TAN Min, YANG Jun . Transient Stability Assessment of Power System Based on Deep Learning Technology [J]. Electric Power Construction, 2018, 39(2): 103-.

参考文献

［1］ZHANG C, LI Y, YU Z, et al. A weighted random forest approach to improve predictive performance for power system transient stability assessment［C］// 2016 Power and Energy Engineering Conference （APPEEC）. Xi’an: IEEE, 2016: 1259-1263.

［2］叶圣永. 基于机器学习的电力系统暂态稳定评估研究［D］.成都：西南交通大学,2010.

YE Shengyong. Study on power systems transient stability assessment based on machine learning method［D］. Chengdu: Southwest Jiaotong University，2010.

［3］梅生伟. 电力系统暂态分析中的半张量积方法［M］. 北京：清华大学出版社, 2010：142-144.

［4］WANG B, FANG B, WANG Y, et al. Power system transient stability assessment based on big data and the core vector machine［J］. IEEE Transactions on Smart Grid, 2016, 7（5）: 2561-2570.

［5］崔凯. 电力系统概率暂态稳定性分析与控制方法研究［D］.天津：天津大学,2006.

CUI Kai. Study on power system probabilistic analysis and control of power system transient stability［D］. Tianjin: Tianjin University,2006.

［6］于继来,郭志忠.采用神经暂态元网络技术的电力系统暂态安全分析［J］.电力系统自动化,1991,15（3）:44-50.

YU Jilai, GUO Zhizhong. Neural-network based transient security assessment for electrical power systems［J］. Automation of Electric Power Systems, 1991,15（3）:44-50.

［7］GOMEZ F R, RAJAPAKSE A D, ANNAKKAGE U D, et al. Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements［J］. IEEE Transactions on Power Systems, 2011, 26（3）: 1474-1483.

［8］戴远航,陈磊,张玮灵，等. 基于多支持向量机综合的电力系统暂态稳定评估［J］. 中国电机工程学报,2016,36（5）:1173-1180.

DAI Yuanhang, CHEN Lei, ZHANG Weiling, et al. Power system transient stability assessment based on multi-support vector machines［J］. Proceedings of the CSEE, 2016, 36（5）:1173-1180.

［9］ZHANG R, XU Y, DONG Z Y, et al. Post-disturbance transient stability assessment of power systems by a self-adaptive intelligent system［J］. IET Generation, Transmission & Distribution, 2015, 9（3）: 296-305.

［10］YU J J Q, HILL D J, LAM A Y S, et al. Intelligent time-adaptive transient stability assessment system［J］. IEEE Transactions on Power Systems, 2018, 33（1）: 1049-1058.

［11］DOERSCH C. Tutorial on variational autoencoders ［EB/OL］.（2016-06-19）［2017-12-27］. https://arxiv.org/abs/1606.05908.

［12］GOODFELLOW I, BENGIO Y, COURVILLE A. Deep learning［M］. Boca Raton: CRC Press, 2016: 331-372.

［13］刘菁. 基于模糊理论与人工神经网络的暂态稳定评估方法［D］.上海：上海交通大学,2007. LIU Jing. Transient stability assessment method based on fuzzy theory and ANN［D］. Shanghai: Shanghai Jiaotong University,2007.

［14］李杨. 基于广域动态信息的电力系统暂态稳定评估研究［D］.北京：华北电力大学,2014.

LI Yang. Research on transient stability assessment of power systems based on wide-area dynamic information［D］. Beijing: North China Electric Power University,2014.

［15］PAI A. Energy function analysis for power system stability［M］. New York: Springer Science & Business Media, 2012: 223-227.

[1]	汤吉鸿, 章德, 丛凡超, 田国梁, 吴贵烘, 李宇骏, 禹海峰. 基于线性二次型最优控制的多端直流最优功率调制方案[J]. 电力建设, 2020, 41(8): 32-39.
[2]	赵洱岽, 王浩, 林弘杨. 现货市场中基于演化博弈的火电企业阶梯报价策略[J]. 电力建设, 2020, 41(8): 68-71.
[3]	宋建，束洪春，董俊，梁雨婷，李雨龙，杨博. 基于GM(1，1)与BP神经网络的综合负荷预测[J]. 电力建设, 2020, 41(5): 75-80.
[4]	祁兵，叶欣，李彬，陈宋宋，李源非，石坤. 考虑IEC标准的用户侧电力物联网体系架构研究[J]. 电力建设, 2020, 41(5): 92-99.
[5]	钟永洁，谢东亮，孙永辉，翟苏巍，常福刚，张明理. 考虑能源子系统与储能的综合能源系统优化分析[J]. 电力建设, 2019, 40(8): 59-68.
[6]	杨军，林洋佳，陈杰军，李逸欣，詹祥澎. 未来城市共享电动汽车发展模式[J]. 电力建设, 2019, 40(4): 49-59.
[7]	江帆，杨洪耕. 基于选择性贝叶斯分类的非侵入式负荷识别方法[J]. 电力建设, 2019, 40(2): 94-.
[8]	刘中原，王维庆，王海云，袁成玉，王亮，李永钦，丁文彬. 基于VSG技术的VSC-HVDC输电系统受端换流器控制策略[J]. 电力建设, 2019, 40(2): 100-.
[9]	林伟芳，易俊，贾俊川，王安斯，余芳芳，方诗卉. 故障后半波长输电线路的稳态过电压控制措施[J]. 电力建设, 2019, 40(2): 109-.
[10]	崔树银，陆奕，常啸. 考虑信用评分机制的电力碳排放交易区块链模型[J]. 电力建设, 2019, 40(1): 104-111.
[11]	黄裕春，王宏，王珂，文福拴. 考虑电动汽车充电设施接入的居民配电系统供电容量最优规划[J]. 电力建设, 2018, 39(6): 1-.
[12]	常巩, 邓友均, 杨洪明, 文福拴, 赖明勇. 充换电站模式下电动汽车参与物流配送的电能补给方式规划[J]. 电力建设, 2018, 39(6): 7-.
[13]	刘洵源, 齐峰, 文福拴, 冯昌森, 王蕾，邹波，张西竹. 光伏不平衡接入的配电系统中电动汽车有序充电策略[J]. 电力建设, 2018, 39(6): 21-.
[14]	杨文涛, 王蕾, 邹波, 张西竹, 文福拴, 程敏 . 基于大数据服务平台的电动汽车有序充放电管理[J]. 电力建设, 2018, 39(6): 28-.
[15]	郑涛，张滋行. 基于半桥子模块的模块化多电平换流器内部故障诊断及对策[J]. 电力建设, 2018, 39(6): 42-.

基于深度学习的电力系统暂态稳定评估方法

Transient Stability Assessment of Power System Based on Deep Learning Technology

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价