基于一維卷積神經(jīng)網(wǎng)絡的電力系統(tǒng)暫態(tài)穩(wěn)定在線評估

齊 放

(中國廣核新能源控股有限公司, 北京 100000)

0 引 言

近年來，由于暫態(tài)失穩(wěn)所引發(fā)的電力系統(tǒng)事故時有發(fā)生，對社會和經(jīng)濟產(chǎn)生極大的危害。然而，傳統(tǒng)電力系統(tǒng)暫態(tài)穩(wěn)定計算基于時域仿真，包含復雜的微分代數(shù)方程，在大電網(wǎng)中計算復雜，難以進行暫態(tài)穩(wěn)定在線評估與風險預警[1-4]。

近年來，機器學習技術被引入電力系統(tǒng)暫態(tài)穩(wěn)定評估中，通過非線性方程替代復雜微分代數(shù)方程計算，加速暫態(tài)穩(wěn)定評估速度，以滿足在線應用需求。文獻[5]提出了暫態(tài)穩(wěn)定安全域的概念，并在安全域下提出基于多支持向量機的綜合電力系統(tǒng)暫態(tài)穩(wěn)定評估方法，可減少暫態(tài)失穩(wěn)場景的誤判。文獻[6]中離線數(shù)據(jù)通過相量測量單元PMU采集得到，并通過串行集成多棵回歸樹構建基于XGBoost的暫態(tài)穩(wěn)定預測模型，實現(xiàn)暫態(tài)穩(wěn)定特征重要度排序關系，提高了模型的可解釋性。文獻[7]將概率神經(jīng)網(wǎng)絡和徑向基函數(shù)神經(jīng)網(wǎng)絡結合，形成復合神經(jīng)網(wǎng)絡，并用于故障臨界切除時間裕度的預測，提升預測精度。文獻[8] 將深度置信網(wǎng)絡作為黑盒模型擬合發(fā)電機出力和系統(tǒng)暫態(tài)穩(wěn)定系數(shù)間映射關系，實現(xiàn)暫態(tài)穩(wěn)定評估。文獻[9]直接基于底層數(shù)據(jù)，將堆疊自動編碼器引入電力系統(tǒng)暫態(tài)穩(wěn)定評估中，采用“預訓練-參數(shù)微調”的兩階段學習方法和稀疏化技術提升暫態(tài)穩(wěn)定評估準確度。

下面提出一種基于一維卷積神經(jīng)網(wǎng)絡(one dimensional convolutional neural network, 1DCNN)的電力系統(tǒng)暫態(tài)穩(wěn)定在線評估方法，將在圖像學習中廣泛應用的卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)引入電力系統(tǒng)暫態(tài)穩(wěn)定評估中，相較于傳統(tǒng)神經(jīng)網(wǎng)絡方法，有更強的抽象擬合能力，并且1DCNN是傳統(tǒng)CNN的一維形式，更適合電力系統(tǒng)數(shù)據(jù)的學習。

1 樣本生成

1.1 馬爾可夫鏈蒙特卡洛抽樣

馬爾可夫鏈是一個序列模型，其中數(shù)據(jù)樣本之間存在依賴關系，且時刻t的狀態(tài)概率只與前一時刻t-1的狀態(tài)有關。在馬爾可夫鏈中有狀態(tài)轉移矩陣，狀態(tài)概率矩陣本身通過一定次數(shù)的矩陣乘法后，轉移矩陣每一行的概率會趨向于穩(wěn)定的值，稱為馬爾可夫鏈的平穩(wěn)分布，即[10-12]：

P(xt∣xt-1,xt-2,…,x1)=P(xt∣xt-1)

(1)

(2)

式中：P為狀態(tài)轉移矩陣；x為樣本；π為平穩(wěn)概率分布；n為轉移次數(shù)，當接近無窮時，P接近π，即達到平穩(wěn)分布。

馬爾可夫鏈蒙特卡洛抽樣算法(Markov chain Monte carlo sampling algorithm，MCMC)是馬爾可夫鏈和蒙特卡洛抽樣的結合。設給定的初始樣本為x0，根據(jù)馬爾可夫鏈的收斂性質，經(jīng)過一定次數(shù)的矩陣連乘后，x的采樣概率都會收斂到一個平穩(wěn)分布，設為π(x)，則后續(xù)所有樣本均服從概率分布π(x)。MCMC是從xn+1開始的采樣(設n為矩陣連乘次數(shù))：

(3)

式中，x*為新樣本。πt+1(x*)和πt+1(x)同分布。

實際中采用經(jīng)典的MCMC采樣的Metropolis Hasting算法進行采樣：

1)初始化：初始化t0時刻樣本為x0，所需抽樣的樣本總數(shù)為M。

2)循環(huán)：

(1)從均勻分布U(0, 1)中采樣u；

(2)從概率分布q(x*|xi)中采樣樣本x*；

則xi+1=x*，否則xi+1=xi；

(4)當所生成樣本數(shù)達到M，結束循環(huán)。

3)結束：得到基于MCMC采樣的Metropolis Hasting算法采樣結果。

1.2 基于MCMC的電力系統(tǒng)運行數(shù)據(jù)生成

電力系統(tǒng)包括PV節(jié)點、PQ節(jié)點和Vθ節(jié)點，以電力系統(tǒng)潮流計算和時域仿真計算的初始參數(shù)為所需抽樣的特征參數(shù)，因此所考慮的電力系統(tǒng)特征包括：發(fā)電機有功出力、發(fā)電機節(jié)點電壓、有功負荷和無功負荷。根據(jù)所研究電力系統(tǒng)模型的特征，設置各個特征變量的取值范圍，然后通過MCMC抽樣算法抽樣海量的電力系統(tǒng)運行數(shù)據(jù)。基于MCMC的抽樣結果可以使電力系統(tǒng)特征在取值范圍內分布更加均勻，增加樣本的代表性，有助于提高1DCNN模型的泛化性能。

根據(jù)以往經(jīng)驗，對系統(tǒng)模型設置短路類型、故障位置以及故障切除時間，并執(zhí)行時域仿真計算，得到對應的發(fā)電機最大功角差。最大功角差超出180°即視為失穩(wěn)，否則認為系統(tǒng)穩(wěn)定。若故障數(shù)量為N，則單個電力系統(tǒng)運行數(shù)據(jù)包括N個最大功角差，分別對應不同的故障[13]。

2 基于1DCNN的暫態(tài)穩(wěn)定評估

2.1 一維卷積神經(jīng)網(wǎng)絡

CNN是一種前饋神經(jīng)網(wǎng)絡，它的人工神經(jīng)元可以對一定覆蓋范圍內的輸入特征進行響應，在大型圖像處理中性能突出。CNN由一個或多個卷積層、線性整流層、池化層和頂端的全連通層組成。1DCNN是CNN的一維形式，被普遍應用于序列數(shù)據(jù)識別中，更適合電力系統(tǒng)狀態(tài)特征向量的識別，相比于傳統(tǒng)神經(jīng)網(wǎng)絡方法，具有更高的擬合準確度和更好的泛化性能等優(yōu)點[14-16]。

1)輸入層

CNN的輸入層用于接收輸入數(shù)據(jù)，其中1DCNN的輸入層的輸入?yún)?shù)為一維數(shù)據(jù)，在這里為發(fā)電機有功出力、發(fā)電機節(jié)點電壓、有功負荷和無功負荷組成的向量。

2)卷積層

卷積層的功能是對輸入數(shù)據(jù)進行特征提取，內部包含多個卷積核，并且含有權重和偏置需要進行訓練更新。卷積核比輸入?yún)?shù)維度小，對于1DCNN，卷積核也為一維，并且會在輸入?yún)?shù)上進行滑動，對其范圍內參數(shù)進行特征提取和映射，并且需要設置每次滑動步長。

3)激活函數(shù)

對卷積層得到的特征進行非線性化處理，增加模型的擬合能力，常用的激活函數(shù)有ReLU、Sigmoid等。

(4)

(5)

式中，x為激活函數(shù)的輸入。

所選用的激活函數(shù)為ReLU函數(shù)，如圖1所示。

圖1 RuLU函數(shù)

4)池化層

池化層的作用是對數(shù)據(jù)進行降維，其會設定池化區(qū)域，在該區(qū)域內進行降維，常用的池化操作有：

(1)最大值池化：在池化區(qū)域內取最大值作為最終的特征。

(2)平均值池化：在池化區(qū)域內取均值作為最終的特征。

設滑動步長為2，卷積核長度為4，對長度為9的向量卷積結果如圖2所示。

圖2 最大值池化和平均值池化

5)全連接層

CNN中的全連接層等價于傳統(tǒng)前饋神經(jīng)網(wǎng)絡中的隱含層，包括前向傳播和反向傳播兩部分。

前向傳播中，數(shù)據(jù)從輸入到輸出，第l層的輸出為

al=σ(zl)=σ(Wlal-1+bl)

(6)

式中：σ為激活函數(shù)；Wl為權重，bl為偏置；zl為未激活前輸出；al為輸出。

反向傳播由輸出向輸入傳播，并逐層更新權重和偏置，更新的依據(jù)為1DCNN的正向輸出結果和時域仿真計算結果的偏差，偏差的表達式為

(7)

式中：x為樣本輸入；y為樣本真值；J為偏差。

J對W和b求梯度為：

得到梯度后，使用隨機梯度下降法更新W和b，減小偏差。

6)輸出層

輸出層為CNN的最終輸出結果，1DCNN的最終輸出結果為所有故障的最大功角差。

除此之外，在訓練1DCNN的過程中使用了L2正則化仿真過擬合：

(10)

式中，λ為L2正則化的超參數(shù)。

1DCNN在Tensorflow框架上進行搭建，搭建好的1DCNN的模型如圖3所示。

圖3 1DCNN結果

2.2 基于1DCNN的暫態(tài)穩(wěn)定評估

1DCNN模型搭建好之后，將MCMC產(chǎn)生的運行場景(發(fā)電機有功出力、發(fā)電機節(jié)點電壓、有功負荷和無功負荷)作為1DCNN的輸入?yún)?shù)，將所有故障的最大功角差作為輸出參數(shù)，并對1DCNN進行訓練，所提1DCNN結構如圖4所示。

圖4 1DCNN結構

以發(fā)電機最大功角差是否超過180°作為判斷系統(tǒng)是否失穩(wěn)的標準，并且只要有一個故障下的最大功角差超過180°，即認為系統(tǒng)失穩(wěn)。因此準確度定義為1DCNN模型成功判斷系統(tǒng)穩(wěn)定性的百分比。

3 算例分析

3.1 測試系統(tǒng)

選取新英格蘭10機39節(jié)點系統(tǒng)進行算例測試，該系統(tǒng)包括39個節(jié)點、10臺火力發(fā)電機、34條輸電線路、12臺兩繞組變壓器和19個負荷，該系統(tǒng)的示意圖如圖5所示[17]。

圖5 新英格蘭10機39節(jié)點系統(tǒng)

3.2 電力系統(tǒng)運行數(shù)據(jù)仿真

設置發(fā)電機有功出力在基礎出力的80%～120%、發(fā)電機節(jié)點電壓的標幺值在0.95～1.1、有功負荷和無功負荷均在80%～120%之間波動。通過MCMC算法抽樣5000個樣本，作為電力系統(tǒng)運行場景。

設置39節(jié)點系統(tǒng)的故障類型為輸電線路三相短路故障，故障位置為線路中心，故障數(shù)量為15條輸電線路，故障持續(xù)時間為0.5 s，在電力系統(tǒng)工具箱PST中進行時域仿真計算，得到不同故障下發(fā)電機的最大功角差，將其與對應的運行場景結合，作為訓練1DCNN的樣本數(shù)據(jù)。

3.3 基于1DCNN的暫態(tài)穩(wěn)定評估結果

樣本數(shù)據(jù)生成后，對1DCNN模型進行訓練，將MCMC產(chǎn)生的運行場景(發(fā)電機有功出力、發(fā)電機節(jié)點電壓、有功負荷和無功負荷)作為1DCNN的輸入?yún)?shù)，輸入?yún)?shù)的維度為58；將所有故障的最大功角差作為輸出參數(shù)，輸出參數(shù)的維度為15。設置輸入層、卷積層、激活函數(shù)、池化層、全連接層和輸出層數(shù)量各為1，共6層。設置每批次訓練樣本數(shù)量為500，訓練次數(shù)為100，訓練集數(shù)量為4000，測試集數(shù)量為1000，對1DCNN進行訓練，其在訓練過程中的誤差曲線如圖6所示。

圖6 訓練集損失曲線

從圖6可以看出，隨著訓練迭代次數(shù)增加，損失逐漸降低，表明1DCNN實現(xiàn)了基于運行場景的暫態(tài)穩(wěn)定擬合。

1DCNN的準確率如圖7所示。由圖7可以看出，隨著迭代周期的增加，1DCNN的準確度持續(xù)增加，并且在末端保持在90%以上的準確度，表明所提算法實現(xiàn)了暫態(tài)穩(wěn)定的準確評估。

圖7 訓練集準確率曲線

訓練好1DCNN模型后，可進行在線的暫態(tài)穩(wěn)定評估，與傳統(tǒng)基于時域仿真的暫態(tài)穩(wěn)定評估相比，在評估速度上得到極大提升，評估時間對比如表1所示。

表1 算法評估時間對比單位：s

從表2可以看出基于1DCNN的暫態(tài)穩(wěn)定評估算法在計算時間上相較于傳統(tǒng)時域仿真方法有極大提升，并且可以同時得到所有故障的暫態(tài)穩(wěn)定評估結果，故障數(shù)量越多，算法在評估時間上的優(yōu)勢越明顯。

最后，對比所提方法與其他文獻方法的評估準確度，結果如表2所示。

表2 評估準確度對比

從表2可以看出所提方法在準確度上明顯優(yōu)于其他方法，可以實現(xiàn)更加精準的電力系統(tǒng)暫態(tài)穩(wěn)定評估。

4 結 語

上面提出了一種基于1DCNN的電力系統(tǒng)暫態(tài)穩(wěn)定在線評估算法。該算法將1DCNN引入電力系統(tǒng)暫態(tài)穩(wěn)定評估和安全風險辨識中，通過MCMC算法生成算例模型海量可能的運行場景，并通過時域仿真計算暫態(tài)穩(wěn)定指標，通過1DCNN實現(xiàn)暫態(tài)穩(wěn)定性能快速評估。并在新英格蘭10機39節(jié)點系統(tǒng)中進行了算例驗證，算例結果表明了所提算法的可行性和先進性。通過算例分析，得到如下結論：

1)利用馬爾科夫鏈和蒙特卡洛抽樣算法結合的MCMC算法對電力系統(tǒng)運行場景進行抽樣，所生成樣本可以很好反映系統(tǒng)運行特征，提高1DCNN的泛化性能；

2)將1DCNN引入電力系統(tǒng)暫態(tài)穩(wěn)定評估中，將系統(tǒng)運行場景作為輸入?yún)?shù)，將所有故障的最大功角差作為輸出，對1DCNN進行訓練，實現(xiàn)了基于1DCNN的電力系統(tǒng)暫態(tài)穩(wěn)定快速評估，并且從算例結果可以看出所提算法評估時間滿足在線應用的需求。