基于深度学习及其预测不确定性的暂态稳定评估方法研究

作     者：袁梦薇 

作者单位：贵州大学 

学位级别：硕士

导师姓名：何宇

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：暂态稳定评估 深度学习 不确定性估计 卷积神经网络 贝叶斯神经网络 

摘      要：随着现代电力系统规模的不断扩大,不同区域电网间的互联关系日益复杂,这导致现代电力系统呈现高维非线性的特点,并给暂态稳定评估带来新的挑战。传统时域仿真法与直接法耗时长、适用性差,难以满足在线评估的需求,因此目前亟需一种快速、准确、可靠的电力系统暂态稳定评估方法,辅助运行人员做出决策,提高电力系统运行稳定性。深度学习技术无需对复杂的电网进行物理建模,可实现实时运算,满足在线实时预测的要求。本文基于深度学习理论及其不确定性量化方法,研究了一种基于卷积神经网络及其变体网络的暂态稳定评估框架,实现了端到端的暂态稳定评估以及预测结果的不确定性量化。论文主要工作由以下两部分组成:为了避免人工特征选择引入的主观偏差对模型预测性能的影响,本文选择PMU的底层量测数据作为输入特征,为捕捉输入特征的时序信息,提出了一种基于一维卷积神经网络(1D-CNN)的暂态稳定评估方法;同时,考虑数据集样本不平衡带来的预测精度下降问题,采用SVM-SMOTE技术对样本进行均衡化。算例仿真结果显示,所提出的方法实现了端到端的时序特征提取和暂态稳定评估,可满足在线评估准确性、快速性和可靠性的要求,且有效解决了不平衡数据集中失稳样本漏判率高的问题。为了解决传统神经网络模型在暂态稳定评估问题中无法对不确定性进行量化的问题,本文构建了一种基于贝叶斯卷积神经网络(BCNN)的暂态稳定评估模型,该模型通过在CNN网络的参数上设置一个分布来引入不确定性估计。通过算例验证,BCNN模型不仅具有更强的鲁棒性及小数据集适应性,该模型还能在预测电力系统暂态稳定状态的基础上给出预测结果的不确定性估计,这意味着BCNN模型具有更好的可解释性与可靠性,运行人员可根据具体需求设置不同的不确定性阈值改善预测结果,使得预测结果更具有指导意义。