基于权值共享的深度卷积网络的电力系统暂态稳定预测

• 作 者: 王臻
• 出 处: 北京邮电大学
• 发表日期: 2017年01期
• 关键词: 卷积神经网络 电力系统 暂态稳定 深度学习

随着可再生能源的高度渗透,电力负荷的进一步增长,以及电力电子化的广泛应用,电力系统的结构和运行方式变得越来越复杂,其安全稳定运行正在面临严峻的挑战。近年来,国内外发生了多起大面积停电事故,造成了严重的经济和社会影响,也暴露了现有的电网稳定分析系统在运行机制与时效性上的诸多不足。这些系统在预测的精确性和实时性等方面还存在巨大的改善空间。受深度卷积神经网络在特征学习上的启发,本文提出了一种利用深度卷积网络进行电力系统暂态稳定评估的方法。本方法可以自动从PMU采集的电压和相角原始数据中获取不同抽象层次的特征信息,因此不需要进行对数据的前期特征处理。具体来说,我们提出了一种有效的处理多维多通道时间序列的深度卷积网络模型,每个通道包含一个二维的时间序列,表示电力网络中单个母线的复电压时序信息(由母线电压和相角数据经过简单坐标变换构成)。各个通道的数据通过权值共享的深度卷积网络,得到其隐含的抽象信息。然后,模型将这些信息输入一个多层感知器(MLP),来完成稳定预测。我们利用基于模型梯度的方法来确定网络参数,然后在基于IEEE39系统的仿真场景中进行了性能验证。结果表明我们的模型在速度和精度两方面都有良好的效果。此外,为了利用现实电网中存在的大量无标签真实数据,本文提出了一种针对此模型的无监督预训练方法,以提高模型精度。本文也对学习到的特征进行了可视化分析,来提供对学习到的特征的直观表示。