本發(fā)明屬于電力系統(tǒng)風(fēng)險(xiǎn)評估，本發(fā)明涉及一種基于交叉熵卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)風(fēng)險(xiǎn)評估方法及系統(tǒng)。

背景技術(shù)：

1、在電力系統(tǒng)風(fēng)險(xiǎn)評估領(lǐng)域，主要有兩種基本算法：解析法和仿真法。解析法（又稱狀態(tài)枚舉法）通過枚舉電力系統(tǒng)的所有可能狀態(tài)并分析每個(gè)狀態(tài)來計(jì)算系統(tǒng)的風(fēng)險(xiǎn)指標(biāo)。然而，隨著系統(tǒng)元件數(shù)量的增加，狀態(tài)數(shù)量呈指數(shù)增長，使得解析法在處理大規(guī)模系統(tǒng)時(shí)變得不切實(shí)際，因此通常應(yīng)用于小規(guī)模系統(tǒng)的風(fēng)險(xiǎn)評估或篩選關(guān)鍵故障狀態(tài)。而仿真法，如蒙特卡羅仿真，通過隨機(jī)抽樣系統(tǒng)的可能狀態(tài)來估計(jì)風(fēng)險(xiǎn)指標(biāo)。該方法的準(zhǔn)確性高度依賴于樣本數(shù)量，因此在追求高精度評估時(shí)面臨高計(jì)算成本。

2、為了解決這些挑戰(zhàn)，近年來先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)被引入到電力系統(tǒng)風(fēng)險(xiǎn)評估中，旨在通過數(shù)據(jù)驅(qū)動(dòng)的方法提高評估的效率和準(zhǔn)確性。這些方法嘗試通過使用機(jī)器學(xué)習(xí)算法來探索風(fēng)險(xiǎn)參數(shù)及其影響因素之間的復(fù)雜非線性關(guān)系，以在準(zhǔn)確性和計(jì)算速度之間找到平衡。特別是，深度學(xué)習(xí)技術(shù)，如卷積神經(jīng)網(wǎng)絡(luò)（cnns），因其在圖像處理和時(shí)間序列數(shù)據(jù)分析等領(lǐng)域的出色表現(xiàn)而受到關(guān)注。在電力系統(tǒng)風(fēng)險(xiǎn)評估中，cnns通過從歷史數(shù)據(jù)中學(xué)習(xí)模式和特征，可以快速評估系統(tǒng)風(fēng)險(xiǎn)水平，從而支持系統(tǒng)優(yōu)化和調(diào)度。

3、然而，cnns在實(shí)際應(yīng)用于大規(guī)模電力系統(tǒng)風(fēng)險(xiǎn)評估時(shí)面臨一些挑戰(zhàn)。實(shí)際電力系統(tǒng)通常表現(xiàn)出高可靠性，導(dǎo)致隨機(jī)抽樣方法獲得的訓(xùn)練數(shù)據(jù)嚴(yán)重偏斜，并存在大量0值標(biāo)簽，從而影響cnns的訓(xùn)練效果。此外，傳統(tǒng)的cnn在處理深層網(wǎng)絡(luò)時(shí)容易出現(xiàn)梯度消失問題，限制了網(wǎng)絡(luò)深度的增加和模型學(xué)習(xí)能力的提升，導(dǎo)致其泛化能力有限，在面對新的或未見過的系統(tǒng)狀態(tài)時(shí)預(yù)測準(zhǔn)確性可能顯著下降。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于交叉熵卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)風(fēng)險(xiǎn)評估方法及系統(tǒng)，通過引入基于交叉熵技術(shù)的數(shù)據(jù)構(gòu)建算法，自動(dòng)識別并優(yōu)先處理對風(fēng)險(xiǎn)指數(shù)至關(guān)重要的系統(tǒng)狀態(tài)，提高了訓(xùn)練數(shù)據(jù)集中有效樣本的比例，從而顯著提升了模型的訓(xùn)練質(zhì)量和預(yù)測精度。

2、實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

3、一種基于交叉熵的神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)構(gòu)建方法，包括以下步驟：

4、s01：使用強(qiáng)迫停運(yùn)率對發(fā)電機(jī)組和輸電線路狀態(tài)進(jìn)行抽樣，將抽樣得到元件狀態(tài)與系統(tǒng)負(fù)荷水平結(jié)合以獲得系統(tǒng)狀態(tài)；

5、s02：根據(jù)當(dāng)前系統(tǒng)狀態(tài)，獲得可能的負(fù)荷削減量；

6、s03：計(jì)算風(fēng)險(xiǎn)指標(biāo)函數(shù)和似然比，更新修正強(qiáng)迫停運(yùn)率，得到交叉熵迭代中故障樣本，為迭代次數(shù)；

7、s04：對于當(dāng)前系統(tǒng)狀態(tài)和可能的負(fù)荷削減量，使用運(yùn)行參數(shù)矩陣構(gòu)建神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的輸入和相應(yīng)的標(biāo)簽。

8、優(yōu)選的技術(shù)方案中，步驟s01中獲得系統(tǒng)狀態(tài)后還包括：

9、根據(jù)使用的負(fù)荷模型對系統(tǒng)負(fù)荷水平進(jìn)行隨機(jī)抽樣，然后更新，使用潮流和最優(yōu)潮流工具分析當(dāng)前系統(tǒng)狀態(tài)。

10、優(yōu)選的技術(shù)方案中，步驟s03中計(jì)算風(fēng)險(xiǎn)指標(biāo)函數(shù)和似然比的公式為：

11、

12、

13、其中，是發(fā)電機(jī)組和輸電線路的總數(shù)，是第個(gè)系統(tǒng)狀態(tài)樣本中第個(gè)元件狀態(tài)，其中表示成功狀態(tài)，表示故障狀態(tài)，是一個(gè)向量，其元素是發(fā)電機(jī)組和輸電線路的強(qiáng)迫停運(yùn)率，是第個(gè)元素，是強(qiáng)迫停運(yùn)率的第個(gè)元素。

14、優(yōu)選的技術(shù)方案中，步驟s03中更新修正強(qiáng)迫停運(yùn)率的每個(gè)元素：

15、

16、其中，為更新因子，為每次迭代的交叉熵樣本數(shù)。

17、優(yōu)選的技術(shù)方案中，步驟s04中運(yùn)行參數(shù)矩陣包括母線導(dǎo)納矩陣：

18、

19、母線上可用發(fā)電功率矩陣：

20、

21、母線上負(fù)荷功率矩陣：

22、

23、母線間傳輸容量矩陣：

24、

25、其中，n表示系統(tǒng)母線的數(shù)量，表示第個(gè)母線和第個(gè)母線之間的互導(dǎo)納，表示第個(gè)母線的自導(dǎo)納，表示第個(gè)母線上總的可用發(fā)電容量，表示第個(gè)母線上的總負(fù)荷需求，表示第個(gè)母線和第個(gè)母線之間的最大可用傳輸容量。

26、本發(fā)明還公開了一種基于交叉熵卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)風(fēng)險(xiǎn)評估方法，包括以下步驟：

27、構(gòu)建基于交叉熵的卷積神經(jīng)網(wǎng)絡(luò)；

28、使用上述任一項(xiàng)所述的方法構(gòu)建神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)；

29、通過訓(xùn)練后的基于交叉熵的卷積神經(jīng)網(wǎng)絡(luò)得到電力系統(tǒng)負(fù)荷削減量與系統(tǒng)狀態(tài)變量之間的關(guān)系；

30、分析系統(tǒng)狀態(tài)，計(jì)算風(fēng)險(xiǎn)指標(biāo)函數(shù)。

31、優(yōu)選的技術(shù)方案中，所述基于交叉熵的卷積神經(jīng)網(wǎng)絡(luò)包含層，每層實(shí)現(xiàn)一個(gè)變換，其中表示層數(shù)，和是三個(gè)連續(xù)操作的復(fù)合函數(shù)：先卷積運(yùn)算，然后是批量歸一化運(yùn)算和修正線性單元，是一個(gè)展平操作，將二維特征圖重構(gòu)為一維數(shù)據(jù)，和均由全連接層和修正線性單元組成，的輸出為負(fù)荷削減量。

32、優(yōu)選的技術(shù)方案中，所述批量歸一化通過零中心化和縮放來歸一化輸入，每層使用兩個(gè)參數(shù)以適應(yīng)，使用當(dāng)前小批量的均值和標(biāo)準(zhǔn)差對輸入進(jìn)行標(biāo)準(zhǔn)化，如下公式：

33、

34、

35、

36、

37、其中，是輸入均值向量，在整個(gè)小批量上評估，是小批量中的實(shí)例數(shù)量，是輸入標(biāo)準(zhǔn)差向量，在整個(gè)小批量上評估，是實(shí)例的零中心化和歸一化輸入向量，是避免除以零的小數(shù)，是層的輸出縮放參數(shù)向量，表示向量元素間乘法，是層的輸出移位參數(shù)向量，是批量歸一化的輸出，它是輸入的重新縮放和移位版本。

38、對于推理階段，不再為每個(gè)小批量重新計(jì)算均值和方差，而是使用訓(xùn)練期間通過移動(dòng)平均估計(jì)的值，調(diào)整的數(shù)學(xué)公式為：

39、

40、其中，是用于預(yù)測的均值向量，初始值為0，是用于預(yù)測的方差向量，初始值為1，是動(dòng)量標(biāo)量，在每批訓(xùn)練后，和將更新，當(dāng)模型訓(xùn)練完成后，和的值已確定，并直接用于預(yù)測階段。

41、本發(fā)明又公開了一種基于交叉熵卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)風(fēng)險(xiǎn)評估系統(tǒng)，包括：

42、卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊，構(gòu)建基于交叉熵的卷積神經(jīng)網(wǎng)絡(luò)；

43、輸入數(shù)據(jù)獲取模塊，使用上述任一項(xiàng)所述的方法構(gòu)建神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)；

44、預(yù)測模塊，通過訓(xùn)練后的基于交叉熵的卷積神經(jīng)網(wǎng)絡(luò)得到電力系統(tǒng)負(fù)荷削減量與系統(tǒng)狀態(tài)變量之間的關(guān)系；

45、風(fēng)險(xiǎn)評估模塊，分析系統(tǒng)狀態(tài)，計(jì)算風(fēng)險(xiǎn)指標(biāo)函數(shù)。

46、本發(fā)明又公開了一種計(jì)算機(jī)存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被執(zhí)行時(shí)實(shí)現(xiàn)上述任一項(xiàng)所述的基于交叉熵的神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)構(gòu)建方法。

47、本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為：

48、1.?提高數(shù)據(jù)樣本的有效性：

49、傳統(tǒng)的隨機(jī)采樣方法會導(dǎo)致高可靠性電力系統(tǒng)的訓(xùn)練數(shù)據(jù)集存在嚴(yán)重偏差，包含大量0值標(biāo)簽，影響模型的訓(xùn)練效果。本發(fā)明通過引入基于交叉熵技術(shù)的數(shù)據(jù)構(gòu)建算法，自動(dòng)識別并優(yōu)先處理對風(fēng)險(xiǎn)指數(shù)至關(guān)重要的系統(tǒng)狀態(tài)，提高了訓(xùn)練數(shù)據(jù)集中有效樣本的比例，從而顯著提升了模型的訓(xùn)練質(zhì)量和預(yù)測精度。

50、2.減少梯度消失問題：

51、傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在處理深層網(wǎng)絡(luò)時(shí)容易出現(xiàn)梯度消失問題，限制了網(wǎng)絡(luò)深度的增加和模型學(xué)習(xí)能力的提升。本發(fā)明在cnn架構(gòu)中引入了批量歸一化（batchnormalization,?bn）層，有效緩解了梯度消失問題，增強(qiáng)了模型的泛化能力，使其在面對新的或未見過的系統(tǒng)狀態(tài)時(shí)，預(yù)測準(zhǔn)確性顯著提高。

52、3.?提升風(fēng)險(xiǎn)評估的精度和效率：

53、本發(fā)明通過改進(jìn)的cnn模型和優(yōu)化的數(shù)據(jù)樣本構(gòu)建方法，顯著提高了風(fēng)險(xiǎn)評估的精度。具體表現(xiàn)為負(fù)荷削減預(yù)測的準(zhǔn)確性得到了顯著改善。此外，由于深度學(xué)習(xí)技術(shù)能夠快速分析和處理大量歷史數(shù)據(jù)，本發(fā)明的方法在評估效率上也有顯著提升，能夠更迅速地完成大規(guī)模電力系統(tǒng)的風(fēng)險(xiǎn)評估。

54、4.?降低計(jì)算成本：

55、相較于傳統(tǒng)的模擬方法（如蒙特卡羅模擬），本發(fā)明通過數(shù)據(jù)驅(qū)動(dòng)的方法有效平衡了評估精度與計(jì)算速度。改進(jìn)后的cnn能夠在較少樣本的情況下達(dá)到高精度的評估結(jié)果，從而大幅降低了計(jì)算成本，尤其是在進(jìn)行高精度評估時(shí)。

56、5.?增強(qiáng)系統(tǒng)優(yōu)化和調(diào)度支持：

57、由于本發(fā)明所提出的方法能夠快速、準(zhǔn)確地評估系統(tǒng)風(fēng)險(xiǎn)水平，它為電力系統(tǒng)的優(yōu)化和調(diào)度提供了有力支持。通過及時(shí)、準(zhǔn)確地識別潛在風(fēng)險(xiǎn)，電力系統(tǒng)運(yùn)營者可以更好地制定應(yīng)對策略，優(yōu)化資源配置，提升系統(tǒng)的整體可靠性和穩(wěn)定性。

58、綜上所述，本發(fā)明通過創(chuàng)新的數(shù)據(jù)構(gòu)建算法和改進(jìn)的cnn架構(gòu)，不僅顯著提升了電力系統(tǒng)風(fēng)險(xiǎn)評估的精度和效率，還有效降低了計(jì)算成本，增強(qiáng)了系統(tǒng)優(yōu)化和調(diào)度的支持能力，具有廣泛的應(yīng)用前景和顯著的實(shí)用價(jià)值。