本發(fā)明涉及暫態(tài)電壓安全，具體而言，涉及一種暫態(tài)電壓安全裕度的估計方法、估計裝置、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術(shù)：

1、隨著電網(wǎng)數(shù)字化進程不斷深入，人工智能、大數(shù)據(jù)等技術(shù)為新型電力系統(tǒng)安全穩(wěn)定分析提供了新的思路。復(fù)雜高維的電力系統(tǒng)可以依托于神經(jīng)網(wǎng)絡(luò)強大的表征能力，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力系統(tǒng)暫態(tài)電壓安全性的可靠評估。然而，鑒于新型電力系統(tǒng)的多變性與復(fù)雜性，直接將數(shù)據(jù)驅(qū)動的人工智能技術(shù)應(yīng)用于電力系統(tǒng)暫態(tài)電壓安全評估會存在很多困難與挑戰(zhàn)。其一是數(shù)據(jù)驅(qū)動模型物理意義不明確，對于具有極高安全運行需求的電力系統(tǒng)而言，缺乏可解釋性的智能評估模型難以直接應(yīng)用；其二，數(shù)據(jù)驅(qū)動模型需要海量的有標記樣本進行訓練，即便如此樣本集也難以覆蓋系統(tǒng)所有實際應(yīng)用中可能存在的運行狀況，且模型訓練復(fù)雜度較高。

技術(shù)實現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種暫態(tài)電壓安全裕度的估計方法、估計裝置、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品，以至少解決現(xiàn)有技術(shù)中因評估模型難以直接應(yīng)用導致安全裕度無法高效估計的問題。

2、為了實現(xiàn)上述目的，根據(jù)本技術(shù)的一個方面，提供了一種暫態(tài)電壓安全裕度的估計方法，包括：采用領(lǐng)域自適應(yīng)方法和主動學習方法將多組訓練數(shù)據(jù)中的輸入數(shù)據(jù)輸入至預(yù)定網(wǎng)絡(luò)模型中進行迭代訓練，得到暫態(tài)電壓安全評估模型，每組所述訓練數(shù)據(jù)均包括輸入數(shù)據(jù)和輸出數(shù)據(jù)，所述輸入數(shù)據(jù)為樣本注入功率向量，所述輸出數(shù)據(jù)為樣本暫態(tài)電壓安全評估結(jié)果，所述樣本暫態(tài)電壓安全評估結(jié)果為暫態(tài)電壓安全或暫態(tài)電壓不安全，所述預(yù)定網(wǎng)絡(luò)模型為殘差網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)相結(jié)合的網(wǎng)絡(luò)模型；根據(jù)所述暫態(tài)電壓安全評估模型的輸出確定所述暫態(tài)電壓安全評估模型對應(yīng)的暫態(tài)電壓安全域邊界，所述暫態(tài)電壓安全域邊界為使得暫態(tài)電壓的安全概率與不安全概率相等時的所述樣本注入功率向量所形成的集合；實時獲取電力系統(tǒng)的注入功率向量，并計算所述注入功率向量與所述暫態(tài)電壓安全域邊界之間的最短距離，得到安全裕度，所述安全裕度的數(shù)值為所述最短距離對應(yīng)的數(shù)值。

3、可選地，采用領(lǐng)域自適應(yīng)方法和主動學習方法將多組訓練數(shù)據(jù)中的輸入數(shù)據(jù)輸入至預(yù)定網(wǎng)絡(luò)模型中進行迭代訓練，得到暫態(tài)電壓安全評估模型，包括：獲取未標定數(shù)據(jù)集，所述未標定數(shù)據(jù)集為所述電力系統(tǒng)的歷史運行數(shù)據(jù)以及仿真數(shù)據(jù)形成的集合，所述仿真數(shù)據(jù)為對所述電力系統(tǒng)進行數(shù)學建模和仿真計算得到的數(shù)據(jù)；從所述未標定數(shù)據(jù)集中隨機抽取出多個待標定樣本，形成待標定數(shù)據(jù)集；標定步驟，對所述待標定數(shù)據(jù)集進行標定，得到訓練樣本集，所述訓練樣本集包括多組所述訓練數(shù)據(jù)；訓練步驟，將所述訓練樣本集中的輸入數(shù)據(jù)輸入至初始評估模型中進行訓練，得到訓練后的初始評估模型，所述初始評估模型為待訓練的所述預(yù)定網(wǎng)絡(luò)模型；評估步驟，利用測試樣本集對訓練后的所述初始評估模型進行評估，得到模型精度；在所述模型精度不符合精度要求的情況下，基于所述領(lǐng)域自適應(yīng)方法確定損失函數(shù)，以利用梯度下降法更新模型參數(shù)，并從所述未標定數(shù)據(jù)集中重新選取多個所述待標定樣本作為所述待標定數(shù)據(jù)集，重復(fù)執(zhí)行所述標定步驟，所述訓練步驟和所述評估步驟至少一次直至達到收斂條件，所述收斂條件為迭代次數(shù)達到設(shè)定最大迭代次數(shù)或所述訓練后的所述初始評估模型符合所述精度要求，將訓練后的所述初始評估模型確定為所述暫態(tài)電壓安全評估模型，所述模型參數(shù)為所述初始評估模型中的所有參數(shù)。

4、可選地，重新選取多個所述待標定樣本作為所述待標定數(shù)據(jù)集，包括：按照樣本搜索策略從所述未標定數(shù)據(jù)集中選取多個所述待標定樣本作為所述待標定數(shù)據(jù)集，所述樣本搜索策略為選取所述未標定數(shù)據(jù)集中的不確定性度量最小的m個待標定樣本的策略，所述不確定性度量為所述樣本注入功率向量對應(yīng)的樣本安全評估結(jié)果的絕對值。

5、可選地，基于所述領(lǐng)域自適應(yīng)方法確定損失函數(shù)，包括：根據(jù)第一公式計算所述訓練樣本集和測試樣本集之間的最大均值差異損失，所述第一公式為mmd2(ds，dt)為所述最大均值差異損失，φ為變換函數(shù)，用于將數(shù)據(jù)集轉(zhuǎn)換到希爾伯特空間，ds表示所述訓練樣本集，m為所述訓練樣本集中訓練樣本的總個數(shù)，di表示所述訓練樣本集中第i個所述訓練樣本的特征值，di表示所述測試樣本集，n為所述測試樣本集中測試樣本的總個數(shù)，表示所述測試樣本集中第j個所述測試樣本的特征值；將第一分類損失、第二分類損失與差異損失進行相加，得到所述暫態(tài)電壓安全評估模型的所述損失函數(shù)，所述第一分類損失為所述暫態(tài)電壓安全評估模型在所述訓練樣本集上的分類損失，所述第二分類損失為所述暫態(tài)電壓安全評估模型在所述測試樣本集上的分類損失與第一加權(quán)系數(shù)之間的乘積，所述差異損失為所述最大均值差異損失與第二加權(quán)系數(shù)之間的乘積。

6、可選地，根據(jù)所述暫態(tài)電壓安全評估模型的輸出確定所述暫態(tài)電壓安全評估模型對應(yīng)的暫態(tài)電壓安全域邊界，包括：對所述暫態(tài)電壓安全評估模型進行簡化處理，得到所述暫態(tài)電壓安全評估模型的評估函數(shù)，所述評估函數(shù)的表達式為為所述評估函數(shù)，θc，1和θc，2為所述暫態(tài)電壓安全評估模型中的參數(shù)，m表示殘差網(wǎng)絡(luò)中殘差模塊的總數(shù)，u表示所述樣本注入功率向量；在所述評估函數(shù)為0的情況下，確定為所述暫態(tài)電壓安全域邊界，所述暫態(tài)電壓安全域邊界的表達式為

7、可選地，計算所述注入功率向量與所述暫態(tài)電壓安全域邊界之間的最短距離，得到安全裕度，包括：確定臨界功率向量和目標函數(shù)，所述臨界功率向量的表達式為uc＝u+θtu，uc為所述臨界功率向量，u為所述注入功率向量，θt為調(diào)整向量的轉(zhuǎn)置，所述目標函數(shù)的表達式為表示所述臨界功率向量位于所述暫態(tài)電壓安全域邊界上，||u-uc||為所述注入功率向量至所述臨界功率向量的距離；基于優(yōu)化算法對所述調(diào)整向量進行優(yōu)化，使得所述目標函數(shù)的函數(shù)值最小，得到目標臨界功率向量；計算所述注入功率向量與所述目標臨界功率向量之間的距離，得到所述安全裕度。

8、可選地，在采用領(lǐng)域自適應(yīng)方法和主動學習方法將多組訓練數(shù)據(jù)中的輸入數(shù)據(jù)輸入至預(yù)定網(wǎng)絡(luò)模型中進行迭代訓練，得到暫態(tài)電壓安全評估模型之后，所述方法還包括：將電力系統(tǒng)的注入功率向量輸入至暫態(tài)電壓安全評估模型中，輸出得到暫態(tài)電壓安全評估結(jié)果；在所述暫態(tài)電壓安全評估結(jié)果為所述暫態(tài)電壓不安全的情況下，發(fā)出提示信息，所述提示信息用于提示當前電力系統(tǒng)的暫態(tài)電壓處于不安全狀態(tài)。

9、根據(jù)本技術(shù)的另一方面，提供了一種暫態(tài)電壓安全裕度的估計裝置，所述裝置包括：訓練單元，用于采用領(lǐng)域自適應(yīng)方法和主動學習方法將多組訓練數(shù)據(jù)中的輸入數(shù)據(jù)輸入至預(yù)定網(wǎng)絡(luò)模型中進行迭代訓練，得到暫態(tài)電壓安全評估模型，每組所述訓練數(shù)據(jù)均包括輸入數(shù)據(jù)和輸出數(shù)據(jù)，所述輸入數(shù)據(jù)為樣本注入功率向量，所述輸出數(shù)據(jù)為樣本暫態(tài)電壓安全評估結(jié)果，所述樣本暫態(tài)電壓安全評估結(jié)果為暫態(tài)電壓安全或暫態(tài)電壓不安全，所述預(yù)定網(wǎng)絡(luò)模型為殘差網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)相結(jié)合的網(wǎng)絡(luò)模型；確定單元，用于根據(jù)所述暫態(tài)電壓安全評估模型的輸出確定所述暫態(tài)電壓安全評估模型對應(yīng)的暫態(tài)電壓安全域邊界，所述暫態(tài)電壓安全域邊界為使得暫態(tài)電壓的安全概率與不安全概率相等時的所述樣本注入功率向量所形成的集合；計算單元，用于實時獲取電力系統(tǒng)的注入功率向量，并計算所述注入功率向量與所述暫態(tài)電壓安全域邊界之間的最短距離，得到安全裕度，所述安全裕度的數(shù)值為所述最短距離對應(yīng)的數(shù)值。

10、根據(jù)本技術(shù)的再一方面，提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)包括存儲的程序，其中，在所述程序運行時控制所述計算機可讀存儲介質(zhì)所在設(shè)備執(zhí)行任意一種所述的方法。

11、根據(jù)本技術(shù)的又一方面，提供了一種計算機程序產(chǎn)品，包括計算機指令，所述計算機指令被處理器執(zhí)行時實現(xiàn)任意一種所述的方法。

12、應(yīng)用本技術(shù)的技術(shù)方案，在暫態(tài)電壓安全裕度的估計方法中，首先，采用領(lǐng)域自適應(yīng)方法和主動學習方法將多組訓練數(shù)據(jù)中的輸入數(shù)據(jù)輸入至預(yù)定網(wǎng)絡(luò)模型中進行迭代訓練，得到暫態(tài)電壓安全評估模型，每組上述訓練數(shù)據(jù)均包括輸入數(shù)據(jù)和輸出數(shù)據(jù)，上述輸入數(shù)據(jù)為樣本注入功率向量，上述輸出數(shù)據(jù)為樣本暫態(tài)電壓安全評估結(jié)果，上述樣本暫態(tài)電壓安全評估結(jié)果為暫態(tài)電壓安全或暫態(tài)電壓不安全，上述預(yù)定網(wǎng)絡(luò)模型為殘差網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)相結(jié)合的網(wǎng)絡(luò)模型；然后，根據(jù)上述暫態(tài)電壓安全評估模型的輸出確定上述暫態(tài)電壓安全評估模型對應(yīng)的暫態(tài)電壓安全域邊界，上述暫態(tài)電壓安全域邊界為使得暫態(tài)電壓的安全概率與不安全概率相等時的上述樣本注入功率向量所形成的集合；最后，實時獲取電力系統(tǒng)的注入功率向量，并計算上述注入功率向量與上述暫態(tài)電壓安全域邊界之間的最短距離，得到安全裕度，上述安全裕度的數(shù)值為上述最短距離對應(yīng)的數(shù)值。本技術(shù)通過基于領(lǐng)域自適應(yīng)與主動學習的小樣本情況下模型高效訓練的方法對殘差-lstm網(wǎng)絡(luò)進行訓練構(gòu)建暫態(tài)電壓安全評估模型，有效降低了評估模型的訓練時間；基于暫態(tài)電壓安全評估模型得到暫態(tài)電壓安全域邊界，計算電力系統(tǒng)當前的注入功率向量與暫態(tài)電壓安全域邊界之間的最短距離可以實時估計系統(tǒng)當前電力系統(tǒng)的安全裕度。本技術(shù)解決了現(xiàn)有技術(shù)中因評估模型難以直接應(yīng)用導致安全裕度無法高效估計的問題。