融合注意力机制深度残差倒置网络电力系统暂态评估方法

1.本发明涉及电力系统暂态评估技术，特别涉及一种融合注意力机制深度残差倒置网络电力系统暂态评估方法。

背景技术：

2.电力系统暂态稳定评估是指在运行中的系统突然受到大干扰(负荷突然大幅度变化，切除或投入系统的主要元件，发生断线故障，发生短路故障等)，在干扰消失或不消失的情况下，系统经过一段暂态时间能否回到原来的运行点或转移到另一运行点稳定同步运行。
3.传统的暂态稳定评估方法有时域仿真法与暂态能量函数法，现有的技术中，时域仿真法计算速度慢、计算时间长，只能对系统是否稳定给出判定，不能给出系统的稳定裕度，对于输出的大量信息利用率很低；暂态能量函数法的模型简单，分析出的结果容易偏于保守，在复杂的大电网系统中应用并不广泛；现有的机器学习算法和深度学习算法，多为浅层的机器学习算法和浅层卷积神经网络，无法有效提取电力系统暂态运行数据特征信息。对于深层次网络，参数量和计算量太大，对计算设备负荷大，要求高，模型训练缓慢。

技术实现要素：

4.本发明的目的是提供一种融合注意力机制深度残差倒置网络电力系统暂态评估方法，能减少网络训练参数，提高训练效率，显著提高模型评估准确率，实现电力系统暂态快速稳定评估。
5.本发明的上述技术目的是通过以下技术方案得以实现的：
6.一种融合注意力机制深度残差倒置网络电力系统暂态评估方法，包括有以下步骤：
7.数据采集，基于matlab的仿真建立新英格兰10机39节点系统，采集系统中各母线处在故障前、故障时、故障后的电压幅值与相角构造的三维特征图数据，作为输入特征；
8.数据预处理，对采集到的数据采用min-max的方法进行预处理；
9.稳定性判断，以任意两台发电机间最大功角差是否大于360度判断系统稳定性，根据判断结果对预处理后的数据对应打上标签，分为训练集和测试集；
10.构建电力系统暂态稳定评估模型，采用残差倒置形式的残差倒置模块，加入注意力机制，建立得到融合注意力机制的残差倒置网络；
11.模型训练，引入准确率、精确率、召回率、f1值四种综合指标对模型性能进行评估，通过样本对模型进行训练测试并进行参数寻优，保存参数最优时模型为最佳模型；
12.评估更新，对wams系统采集到的在线电力系统数据信息进行处理，构成评测数据集，将测评数据集输入至最佳模型进行评估得到评估结果，将在线累计的数据添加至原数据构成的样本，对模型进行更新训练。
13.综上所述，本发明具有以下有益效果：
14.基于融合注意力机制的深度残差倒置网络的暂态评估方法，运用残差倒置模块，减少了网络的训练参数，提高了推理速度，使训练效率进一步提高，融合了注意力机制，改变模型深层权重，显著提高模型准确率等指标；将在线获得的故障前、故障时、故障后的数据构成三维特征图，输入离线训练好的网络中，可实现电力系统暂态快速稳定评估。
附图说明
15.图1为本技术暂态评估方法流程示意图；
16.图2为新英格兰10机39节点系统示意图；
17.图3为融合注意力机制的残差倒置模块结构示意图；
18.图4为网络总体结构示意图。
具体实施方式
19.以下结合附图对本发明作进一步详细说明。
20.根据一个或多个实施例，公开了一种融合注意力机制深度残差倒置网络电力系统暂态评估方法，如图1所示，包括有以下步骤：
21.s1、数据采集，基于matlab的仿真建立新英格兰10机39节点系统，如图2所示，采集系统中各母线处在故障前、故障时、故障后的电压幅值与相角构造的三维特征图数据，作为输入特征。
22.仿真设置如下：系统的负荷功率设置为系统基本负载水平的80％、90％、100％、110％和120％；故障设置为三种主要类型的短路故障(三相，两相和单相故障)；短路位于母线和传输线上，当位于传输线上时，可以出现在20％、40％、60％和80％处；每个仿真的观察窗口周期设置为3秒。
23.s2、数据预处理，对采集到的数据采用min-max的方法进行预处理。公式如下：
[0024][0025]
式中：表示x为原有特征信息，x
min
为特征信息最小值，x
max
为特征信息最大值，数据经归一化处理后全部映射在[0,1]区间。
[0026]
s3、稳定性判断，以任意两台发电机间最大功角差是否大于360度判断系统稳定性，
[0027][0028]
δδ
max
表示任意两台发电机间最大功角差；当tsi》0，系统暂态稳定；当tsi《＝0，系统暂态不稳定；分为稳定0和不稳定1两类标签。
[0029]
根据判断结果对预处理后的数据对应打上标签，随机选取设定数量数据构成样本，分为训练集和测试集。实验获得5329个样本，稳定样本3266个，失稳样本2063个，分别随机取出2000个样本组成4000个训练集样本，剩下的作为测试集。
[0030]
s4、构建电力系统暂态稳定评估模型，采用残差倒置形式的残差倒置模块，加入注意力机制，建立得到融合注意力机制的残差倒置网络。
[0031]
传统的残差结构，对输入层采用1
×
1的卷积核进行降维操作，再用1
×
1的卷积核对输出层进行升维操作。本数据集构成的输入层维度不高，通常为一维或三维，进行降维操作可能会丢失特征信息，残差倒置网络采用残差倒置的形式，先通过1
×
1的卷积核进行升维操作，再对输出层进行降维操作，使中间特征信息提取维度更立体，如图3所示，在残差倒置模块ribm基础上加入注意力机制，得到融合注意力机制的残差倒置模块(residual inversion building module with attention mechanism，ribm-a)。注意力机制计算公式如下：
[0032]
l
t
＝v
·
sigmoid(wx
t
+b)
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0033][0034][0035]
式中：l
t
为注意力打分函数，v和w为权重系数，b为偏置系数；αi为二维卷积层输出矩阵y所决定的注意力概率分布，n为注意力变量总数；ei为注意力层输出。
[0036]
融合注意力机制的残差倒置模块中的注意力机制对卷积得到的特征矩阵每一个通道进行池化处理，再通过两个全连接层，输出的特征向量，对之前的特征矩阵的各通道分析出权重关系，对重要的特征信息赋予更大的权重，得到新的权重信息。
[0037]
图4所示，建立融合注意力机制的深度残差倒置网络(deep residual inversion network with attention mechanism，drin-a)，总体结构为：一层二维卷积层2d-conv、2个残差倒置模块ribm和9个融合了注意力机制的残差倒置模块ribm-a组成的改进残差倒置模块组ribms、一层一维卷积层1d-2conv、一层全局平均池化层gap(global average pooling)、两层全连接层fc(fully connected layer)，最后通过softmax输出评估结果。激活函数采用relu。
[0038]
s5、模型训练，引入准确率、精确率、召回率、f1值四种综合指标，通过样本对模型进行训练测试并进行参数寻优，保存参数最优时模型为最佳模型。训练时运用批处理技术和adam算法，在获得最佳学习率、最合适残差导致模块数目等最优参数时，保存最佳模型。
[0039][0040][0041][0042][0043]
tp和tn分别为稳定样本和失稳样本被正确识别的数量；fn和fp分别为稳定样本被识别为失稳和不稳定样本被识别为稳定的样本数量。
[0044]
准确率a
cc
为网络识别稳定样本和失稳样本正确数量占总量比例；精确率precisoin是在被识别为失稳样本中识别正确的比例；召回率recall是在所有失稳样本中识别正确的比例；f1值是precisoin和recall的调和平均；a
cc
和f1值越高，模型的评估性能越好，f1综合了精确率与召回率的结果，相比于a
cc
能较好地反应模型的评估能力。
[0045]
s6、评估更新，对wams系统采集到的在线电力系统数据信息进行处理，构成评测数据集，将测评数据集输入至最佳模型进行评估得到评估结果，将在线累计的数据添加至原数据构成的样本，对模型进行更新训练。
[0046]
运用卷积神经网络中特征图的特点，将电力系统暂态过程中的电气量各时刻信息通过多维特征图的形式输入暂态评估网络中，利用模型深层结构挖掘暂态运行数据与稳定性的关联关系。对于浅层网络无法提取深层次信息的问题，模型采用融入注意力机制的残差倒置模块堆叠的方式建立深层网络提取信息；面对模型庞大的问题，网络改进传统残差模块，减少模型参数，提高了推理速度，加上批处理技术，使训练效率进一步提高，引入注意力机制，改变模型深层权重，显著提高模型准确率等指标，筛选有效结构，选用合适激活函数，使量化过程友好，计算负担下降，提高推理速度，增强评估性能。运用新英格兰10机39节点系统进行算例分析，生成样本集，对网络进行离线训练，再将在线获得的故障前、故障时、故障后的数据构成三维特征图，输入离线训练好的网络中，进行电力系统暂态快速稳定评估。
[0047]
利用引入的准确率，精确率，召回率，f1值四种综合指标对drin-a模型进行全面评估，并将其与其他机器学习算法和深度学习模型相比较。如下表1
[0048][0049]
表1各模型评估结果对照表(％)
[0050]
表中1d-cnn为一维卷积神经网络，svm为支持向量机算法，lstm为长短期记忆神经网络算法，drin为深度残差倒置网络，drin-a为融合注意力机制的深度残差倒置网络。
[0051]
由表1可看出svm、lstm表现较好，准确率达到了93.13、97.89；但lstm训练过程中参数量较大，速度较慢；1d-cnn效果较差，准确率比drin-a低了14.2，考虑到因其卷积层次较浅，对特征提取能力较差，评估准确率低，整体性能不佳，f1较低；drin运用到了残差倒置模块，对特征信息提取能力较强，但收敛速度慢，准确率低于参数量更大的lstm网络。本发明所提改进模型drin-a，运用到了残差倒置模块，注意力机制以及捷径分支等结构，评估准确率最高，达到了98.96，也能最快收敛，f1值最高，整体评估能力最强。
[0052]
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

技术特征：

1.一种融合注意力机制深度残差倒置网络电力系统暂态评估方法，其特征是，包括有以下步骤：数据采集，基于matlab的仿真建立新英格兰10机39节点系统，采集系统中各母线处在故障前、故障时、故障后的电压幅值与相角构造的三维特征图数据，作为输入特征；数据预处理，对采集到的数据采用min-max的方法进行预处理；稳定性判断，以任意两台发电机间最大功角差是否大于360度判断系统稳定性，根据判断结果对预处理后的数据对应打上标签，分为训练集和测试集；构建电力系统暂态稳定评估模型，采用残差倒置形式的残差倒置模块，加入注意力机制，建立得到融合注意力机制的残差倒置网络；模型训练，引入准确率、精确率、召回率、f1值四种综合指标对模型性能进行评估，通过样本对模型进行训练测试并进行参数寻优，保存参数最优时模型为最佳模型；评估更新，对wams系统采集到的在线电力系统数据信息进行处理，构成评测数据集，将测评数据集输入至最佳模型进行评估得到评估结果，将在线累计的数据添加至原数据构成的样本，对模型进行更新训练。2.根据权利要求1所述的融合注意力机制深度残差倒置网络电力系统暂态评估方法，其特征是，对数据的预处理具体为：采用min-max方法式中：表示x为原有特征信息，x
min
为特征信息最小值，x
max
为特征信息最大值，数据经归一化处理后全部映射在[0,1]区间。3.根据权利要求1所述的融合注意力机制深度残差倒置网络电力系统暂态评估方法，其特征是，稳定性判断具体为：δδ
max
表示任意两台发电机间最大功角差；当tsi>0，系统暂态稳定；当tsi<＝0，系统暂态不稳定；分为稳定0和不稳定1两类标签。4.根据权利要求1所述的融合注意力机制深度残差倒置网络电力系统暂态评估方法，其特征是，电力系统暂态稳定评估模型的构建具体为：残差倒置网络采用残差倒置的形式，先通过1
×
1的卷积核进行升维操作，再对输出层进行降维操作，使中间特征信息提取维度更立体；在残差倒置模块基础上加入注意力机制，得到融合注意力机制的残差倒置模块；建立融合注意力机制的残差倒置网络，结构为一层二维卷积层、2个残差倒置模块和9个融合了注意力机制的残差倒置模块组成的改进残差倒置模块组、一层一维卷积层、一层全局平均池化层、两层全连接层、通过softmax输出评估结果；激活函数采用relu。5.根据权利要求4所述的融合注意力机制深度残差倒置网络电力系统暂态评估方法，其特征是：注意力机制计算公式如下
l
t
＝v
·
sigmoid(wx
t
+b)+b)式中，l
t
为注意力打分函数，v和w为权重系数，b为偏置系数；α
i
为二维卷积层输出矩阵y所决定的注意力概率分布，n为注意力变量总数；e
i
为注意力层输出；融合注意力机制的残差倒置模块中的注意力机制对卷积得到的特征矩阵每一个通道进行池化处理，再通过两个全连接层，输出的特征向量，对之前的特征矩阵的各通道分析出权重关系，根据特征信息的重要性重新赋予权重，得到新的权重信息。6.根据权利要求1所述的融合注意力机制深度残差倒置网络电力系统暂态评估方法，其特征是，四种综合指标对模型性能的评估具体为：其特征是，四种综合指标对模型性能的评估具体为：其特征是，四种综合指标对模型性能的评估具体为：其特征是，四种综合指标对模型性能的评估具体为：tp和tn分别为稳定样本和失稳样本被正确识别的数量；fn和fp分别为稳定样本被识别为失稳和不稳定样本被识别为稳定的样本数量准确率a
cc
为网络识别稳定样本和失稳样本正确数量占总量比例；精确率precisoin是在被识别为失稳样本中识别正确的比例；召回率recall是在所有失稳样本中识别正确的比例；f1值是precisoin和recall的调和平均。

技术总结

本发明公开了一种融合注意力机制深度残差倒置网络电力系统暂态评估方法，解决了现有方法难以同时做到高效、高准确率、快速稳定的评估，其技术方案要点是仿真建立新英格兰10机39节点系统，采集系统中各母线处在故障前、故障时、故障后的电压幅值与相角构造的三维特征图数据作为输入特征，对采集到的数据预处理，对处理后数据进行系统稳定性判断，采用加入注意力机制得到融合注意力机制的残差倒置网络并训练，引入综合指标对模型评估并保存最佳模型，通过最佳模型对采集的在线数据评估，本发明的融合注意力机制深度残差倒置网络电力系统暂态评估方法，能减少网络训练参数，提高训练效率，显著提高模型评估准确率，实现电力系统暂态快速稳定评估。统暂态快速稳定评估。统暂态快速稳定评估。