田芳(1973),女,博士,教授级高级工程师,研究方向为电力系统分析与控制、电力系统数字仿真,tianf@epri.sgcc.com. cn;
0 引言
随着电网的快速发展,大规模新能源并网以及大量电力电子装备的应用,电网的技术水平和复杂程度也越来越高,要求电网调度运行人员及时掌握电网的安全稳定状态及电网的运行风险,提升应对大电网事故风险的分析和处置能力。在线动态安全评估(dynamic security assessment,DSA)技术[1-5]是解决上述问题的有效手段。DSA系统包括暂态稳定评估、电压稳定评估、小干扰稳定评估等功能。其中暂态稳定评估一般采用时域仿真实现,随着电网规模的不断扩大,其耗时长、效率低的不足表现得越来越突出。为此,有学者开始研究机器学习方法在电力系统暂态稳定评估中的应用。主要包括支持向量机(support vector machine,SVM)[6-9]、决策 树[10-11]、人工神经网络[12-13]等浅层学习方法。目前,这些浅层学习方法在电网安全稳定评估方面已经取得了一些成果,但其在实际大电网的应用较少,性能也有进一步提升的空间。
近年来,由于深度学习技术具有无需特征提取、适应性强、易于转换等优点,其在图像识别、语音识别和自然语言处理等技术领域得到成功应用,开始有学者转而探索研究深度学习在电力系统暂态稳定评估中的应用,但仍处于起步阶段。文 献[14-15]采用深度置信网络进行电力系统暂态稳定评估,文献[16]采用堆叠自动编码器进行电力系统暂态稳定评估,文献[17]采用卷积神经网络(convolutional neural network,CNN)进行暂态稳定裕度预测,文献[18]结合采用堆叠自动编码器和CNN进行暂态稳定评估。
上述深度学习算法虽然比SVM等浅层学习方法取得了性能上的比较优势,但性能仍有进一步提升的空间。为此,本文提出了CNN综合模型,以及CNN与时域仿真相结合的解决思路。首先构建若干个具有相同结构、不同参数的CNN模型进行训练和预测;然后根据一定的结果综合原则对若干个CNN模型的预测结果进行综合,得到“稳定”、“不稳定”和“不确定”3种分类预测结果;最后将标为“不确定”的样本送入时域仿真进行稳定评估。此外,由于CNN模型的输入特征仅包含从数据采集与监视控制系统(supervisory control and data acquisition,SCADA)采集来的稳态特征量,故称该方法为基于CNN和稳态特征量的电力系统暂态稳定评估方法。
本文第1节简单介绍CNN的基本原理;第2节描述基于CNN的暂态稳定评估方法和流程;第3节介绍CNN应用于暂态稳定评估时存在的问题和改进措施;第4节提出CNN综合模型;第5节采用某省级电网算例进行分类效果验证。
1 CNN简介
CNN是一种前馈人工神经网络模型。经典的CNN模型包括1998年LeChun等人提出的LeNet-5[19]、2012年Krizhevsky等人提出的AlexNet[20],以及VGGNet[21]和GoogleNet[22]等。典型的卷积神经网络由卷积层、池化层和全连接层构成。卷积层局部连接和权值共享的特点,使得网络自由参数大幅度降低,训练复杂度大幅度下降,并减轻了过拟合;而池化层既能使特征减少,又赋予模型对于轻微变形的容忍性,提高了模型的泛化能力。因而与全连接神经网络相比,CNN具有网络参数少、训练时间短、泛化能力强、可并行学习等优点。目前,CNN在语音和图像识别等方面都取得了优异的性能。
用
\({{H}_{i}}=\sigma ({{H}_{i-1}}\otimes {{W}_{i}}+{{b}_{i}})\) (1)
式中:
对于池化层,其计算过程可表示为
\({{H}_{i}}=p({{H}_{i-1}})\) (2)
式中
对于全连接层,其上一层的特征图经过加权求和,并通过激活函数得到输出特征图,可表示为
\({{H}_{i}}=\sigma ({{H}_{i-1}}{{W}_{i}}+{{b}_{i}})\) (3)
CNN的训练目标是最小化损失函数,用于分类问题时,损失函数一般采用交叉熵;用于回归问题时,损失函数一般采用均方误差函数。
为了减轻过拟合,可采用正则化、Dropout等技术。
在训练过程中,常用的优化方法是梯度下降方法,残差通过梯度下降进行反向传播,逐层更新CNN各层的参数(
2 基于CNN的暂态稳定评估
CNN用于暂态稳定评估时对应于二分类问题。
基于CNN的暂态稳定评估计算流程如
离线训练包括:
1)运行方式生成。一般是通过离线仿真计算,针对特定网络进行大量运行方式下的各种故障仿真,以得到样本集。也可以通过DSA系统,收集过去一段时间内的历史数据作为样本集。但DSA系统收集到的历史数据,其运行方式的覆盖性并不全面,往往还需要大量的离线仿真计算作补充。
2)稳定扫描。对样本集中的每个运行方式,针对预想故障集中的故障,采用时域仿真法判断系统是否稳定。
3)输入特征选择和特征图构建。特征量的选择对稳定评估效果至关重要。在特征量较多时,有时会掩盖主要特征,导致评估效果不理想;特征量较少时,又可能无法全面表征系统状态,评估效果
图1
基于CNN的暂态稳定评估计算流程
Fig. 1
Flowchat of the CNN-based transient stability assessment
也不理想。本文采用发电机有功出力、负荷有功功率和关键线路有功功率作为输入特征。这些特征量可通过SCADA状态估计后得到,称为稳态特征量。在构建特征图时,本文采用了一种简单的处理方法,直接将一维特征依序排列成二维矩阵。
4)CNN模型建立和训练。本文建立的CNN分类模型包括2个卷积层、2个池化层、1个全连接层、1个Softmax输出层,如
图2
CNN分类模型示意图
Fig. 2
Schematic diagram of the CNN classification model
在线应用时,对于当前运行方式,根据输入特征形成特征图,采用离线训练好的模型进行分类。
3 问题和改进措施
3.1 样本不均衡
当CNN用于暂态稳定评估时,存在样本不均衡的问题,即用于训练的样本中,稳定样本比不稳定样本数多很多,这会导致无法完成训练或训练效果不佳的问题。
为此,本文提出了下述措施:在用批(batch)数据方式取数时,从稳定训练样本和不稳定训练样本中各随机抽取批数量的50%的样本。例如,若批数据为50,则从稳定训练样本和不稳定训练样本中各随机抽取25个样本。
3.2 神经元失效问题
当输入小于0时,ReLU激活函数的输出为0,这会带来神经元失效问题,Leaky ReLU、PReLU等ReLU的变种试图解决神经元失效问题。另一个解决方案是换用其它激活函数。谷歌于2017年10月提出了一种新型激活函数Swish,具有不饱和、光滑、非单调性的特征,大量测试表明,同样的数据集、同样的模型结构下,采用Swish激活函数比ReLU激活函数,可得到更好的性能。
本文采用Swish激活函数,如下所示:
\(\sigma (x)=\frac{x}{1+{{\text{e}}^{-\beta x}}}\) (4)
此外,为了进一步提高性能,本文还采取了逐渐减少学习率和增加批数据大小的方式。
4 CNN综合模型的提出
由于初始权重是随机赋值的,即使采用相同的模型结构,相同的学习率,每次得到的CNN模型都是不同的,一般的做法是训练多次,取其中性能最好的模型作为预测模型。但与SVM[7]类似,只取一个模型进行预测,会浪费很多有用的信息。
这里,为了进一步提高分类性能,提出CNN综合模型。
图3
CNN综合模型示意图
Fig. 3
Schematic diagram of the comprehensive CNN model
设共有
1)若min(
2)若max(
3)若条件1)和2)均不满足,则判定为不确定,将该样本送入时域仿真进行判稳。
5 算例分析
下面首先利用WECC9节点系统作为算例简要说明本文所提综合模型的物理意义,然后利用某省级电网算例验证本文所提方法的有效性。
5.1 WECC9节点系统
WECC9节点系统单线图如
图4
WECC9节点系统单线图
Fig. 4
Single-line diagram of WECC 9-bus system
利用760个样本训练得到的综合模型(
图5
分类结果图
Fig. 5
Classification results
5.2 某省级电网算例
5.2.1 样本生成
为了验证本文方法的有效性,分析研究了某省级电网系统。其500kV主网接线图如
图6
某省级电网500kV主网接线图
Fig. 6
Wiring diagram for the 500kV main network of the certain provincial power grid
潮流和时域仿真采用电力系统分析综合程序PSASP。SVM模型利用LIBSVM3.2[24]建立。CNN模型利用TensorFlow框架构建。
样本集的构造过程如下:在初始潮流方式基础上,通过调节发电、负荷,在75%~120%(以1%为变化步长)基准负荷下,对每个负荷条件设置7种不同的负荷增长方式(按区域考虑负荷的增长,即仅东部增长、仅中部增长、仅西部增长、中西部同比增长、东西部同比增长、中东部同比增长、平均增长),对每种负荷增长方式各设置7种不同的发电出力(按区域考虑发电的调节,即仅东部调节、仅中部调节、仅西部调节、中西部同时调节、东西部同时调节、中东部同时调节、中西东部同时调节)。去掉潮流不收敛的样本后,共得到2031个潮流方式。
每个潮流方式,选取了该系统的某两条500kV线路(在图中标出)作
5.2.2 CNN分类模型结果
SVM分类模型采用径向基函数作为核函数。采用网格法和五折交叉验证得到最优参数。
CNN分类模型结构如
采用五折交叉验证法进行效果比较,即将所有的2031个样本随机分成5组数据(每组数据占总样本的20%),取其中1组数据作为测试样本,剩余的样本(占总样本的80%)作为训练样本,取5组数据的平均值进行比较。对于交叉验证的5组数据,其判稳正确率、漏判率、误判率平均值见
表1
分类效果比较(故障1)
Tab. 1
Comparison of classification effect(contingency 1)
表2
分类效果比较(故障2)
Tab. 2
Comparison of classification effect(contingency 2)
5.2.3 CNN综合模型结果
CNN综合模型结果如
由
表3
CNN综合模型结果(故障1)
Tab. 3
Comprehensive CNN model results(contingency 1)
表4
CNN综合模型结果(故障2)
Tab. 4
Comprehensive CNN model results(contingency 2)
表5
CNN综合模型结果比较(故障2)
Tab. 5
Comprehensive CNN model results(contingency2)
6 结论
本文提出了基于CNN和稳态特征量的电力系统暂态稳定评估方法。对于暂态稳定评估存在的样本不均衡问题和ReLU激活函数存在的神经元失效问题,提出了有效的解决措施。为进一步提升稳定评估性能,提出了采用多个结构相同、参数不同的CNN模型进行结果综合的方法,并对结果不确定的样本送入时域仿真进行稳定评估。对某省级电网算例的分析结果表明:
1)对于故障1和故障2,CNN模型的正确率、漏判率、误判率分别为99.11%、0.36%、0.94%和98.87%、2.33%、0.97%,三者都略好于SVM模型。
2)故障1情况下,对于交叉验证的5组数据,在采用CNN综合模型后,漏判数和误判数均为0,确定样本实现了100%的正确率,而不确定率在6%以内,说明该模型具有良好的故障筛选性能;故障2情况下效果略差于故障1,但也可接受。
采用在线数据验证本文算法将是下一阶段研究的重点。
参考文献
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]