一种电力系统暂态电压稳定评估模型构建方法及评估方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115935795A(43)申请公布日2023.04.07(21)申请号202211452337.7(22)申请日2022.11.21(71)申请人三峡大学地址443000湖北省宜昌市大学路8号(72)发明人吴梓宁(74)专利代理机构武汉蓝宝石专利代理事务所(特殊普通合伙)42242专利代理师范三霞(51)Int.Cl.G06F30/27(2020.01)G06N3/048(2023.01)G06N3/08(2023.01)G06N3/0464(2023.01)权利要求书2页说明书9页附图6页(54)发明名称一种电力系统暂态电压稳定评估模型构建方法及评估方法(57)摘要本发明提供一种电力系统暂态电压稳定评估模型构建方法及评估方法，获取初始样本集，初始样本集包括多个初始样本，每一个初始样本包括一条电力系统运行数据和对应的暂态电压稳定状态；基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分；基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型；基于所述初始样本集训练基于Pin‑TSVM的暂态电压稳定评估模型。本发明对于缺失的测量数据，能够准确恢复出完整的测量数据，基于完整的测量数据，评估电力系统的暂态电压稳定状态，确保进行暂态电压稳定评估时结果更加准确可靠。CN115935795ACN115935795A权利要求书1/2页1.一种电力系统暂态电压稳定评估模型构建方法，其特征在于，包括：获取初始样本集，所述初始样本集包括多个初始样本，每一个初始样本包括一组电力系统运行数据和对应的暂态电压稳定状态；基于退化模型从所述初始样本集中退化出训练样本集，所述训练样本集为所述初始样本集中的一部分；基于所述初始样本集和所述训练样本集训练超分辨率预测SRP模型；基于所述初始样本集训练基于Pin‑TSVM的暂态电压稳定评估模型。2.根据权利要求1所述的构建方法，其特征在于，根据暂态电压稳定判据确定每一组电力系统运行数据的暂态电压稳定状态，其中，所述暂态电压稳定判据为：在电力系统受到扰动后的暂态过程中，负荷节点电压在设定持续时间内能恢复到设定电压值，则所述负荷节点处于暂态电压稳定状态。3.根据权利要求2所述的构建方法，其特征在于，所述在电力系统受到扰动后的暂态过程中，负荷节点电压在设定持续时间内能恢复到设定电压值，则所述负荷节点处于暂态电压稳定状态，包括：引入单二元表判据构造暂态电压稳定指标：式中，Vmin为发生扰动后的负荷节点电压最小值，Vcr为设定电压值，Ts为负荷节点电压低于设定电压值的持续时间，Tcr为低于设定电压值所允许的极限时间，TVSI＝1表示电力系统处于暂态电压稳定状态，TVSI＝‑1表示电力系统处于暂态电压失稳状态。4.根据权利要求1所述的构建方法，其特征在于，所述基于退化模型从所述初始样本集中退化出训练样本集，包括：所述初始样本集和训练样本集两者之间的退化模型为：Xmissing＝M(Xcomplete)+noise；式中，M(·)表示为退化函数，noise为噪声，Xcomplete表示初始样本集，Xmissing表示训练样本集；基于所述退化模型从所述初始样本集中退化出训练样本集。5.根据权利要求1所述的构建方法，其特征在于，所述超分辨率预测SRP模型包括卷积层、ResNet网络层和特征重构部分，所述ResNet网络层包括多个残差块，每一个所述残差块包括多个卷积块，每一个所述卷积块包括卷积层、批量归一化层和激活函数，所述激活函数为非线性ELU激活函数；所述卷积层，用于从所述缺失数据集中提取特征信息，并将特征信息处理为多个同维特征向量；所述ResNet网络层，用于补充所述多个同维特征向量的缺失信息；所述特征重构部分，用于对补充缺失信息后的特征向量进行整合，重新排列，并通过反2CN115935795A权利要求书2/2页卷积层输出完整数据。6.根据权利要求1所述的构建方法，其特征在于，所述基于Pin‑TSVM的暂态电压稳定评估模型采用弹球损失函数，包括：式中，τ为分位数，τ∈[0，1]，可重新定义稳定类和不稳定类之间的最近点，x为Pin‑TSVM模型的输入样本，y为样本x对应的标签类别，f(x)为Pin‑TSVM模型建立的超平面，实现样本x标签的预测，即暂态电压稳定状态。7.一种电力系统暂态电压稳定评估方法，其特征在于，包括：基于权利要求1所述的电力系统暂态电压稳定评估模型构建方法构建所述超分辨率预测SRP模型和基于Pin‑TSVM的暂态电压稳定评估模型；获取存在数据缺失的电力系统运行测量数据作为缺失数据集，基于训练后的所述超分辨率预测SRP模型对所述缺失数据集的缺失数据进行恢复，得到恢复后的完整数据集；将所述恢复后的完整数据集输