(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110212733.1 (22)申请日 2021.02.25 (65)同一申请的已公布的文献号 申请公布号 CN 112861439 A (43)申请公布日 2021.05.28 (73)专利权人 清华大学 地址 100084 北京市海淀区清华园1号 专利权人 国网浙江省电力有限公司绍兴供 电公司　 国网浙江省电力有限公司 (72)发明人 孙宏斌　郭庆来　杨滢　周艳真　 谢栋　王彬　吴文传　祁炜雯　 王铮澄　兰健　(74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 罗文群 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/04(2020.01) 审查员 刘肇荣 (54)发明名称 一种基于深度学习的电力系统仿真样本生 成方法 (57)摘要 本发明涉及一种基于深度学习的电力系统 仿真样本生成方法， 属于电力技术领域。 本发明 从电网历史数据或仿真计算数据中获取电网数 据样本和所有变量的上、 下限值， 采用 深度自编 码器对归一化电网数据样本进行降维， 统计降维 后样本的分布情况， 在降维后样 本分布稀疏的区 间重新生成数据， 通过解码器、 归一化逆变换和 潮流计算验证得到新的电力系统仿真样本。 本发 明能够主动生成在历史数据中较少涉及的样本， 提高电力系统仿真样本的多样性， 此外， 本发明 得到的样 本还会经过潮流分析验证， 从而提高样 本的有效性。 权利要求书3页 说明书4页 附图1页 CN 112861439 B 2022.12.09 CN 112861439 B 1.一种基于深度学习的电力系统仿真样本生成方法， 其特 征在于包括： 从电网历史数据或仿真计算数据中获取电网数据样本和所有变量的上、 下限值； 采用 深度自编码器对归一化电网数据样本进行降维， 统计降维后样本的分布情况； 在降维后样 本分布稀疏的区间重新生成数据； 通过解码器、 归一化逆变换和潮流计算验证得到新的电 力系统仿真样本； 其中， 该方法包括以下步骤： (1)对一个具有N台发电机、 n个负荷的电力系统， 从电力系统历史数据或仿真计算数据 中获取s种电力系统运行状态和所有运行参数的上限值和下限值， s为 获取的电力系统运行 状态数量， 运行参数包括发电机的有功功率、 发电机的无功功率、 负荷的有功功率、 负荷的 无功功率、 节点电压和输电线路输送功率， 设电力系统的第N台发电机为平衡发电机， 其余 N‑1台发电机为非平衡发电机， 从s种电力系统运行状态中获取所有N ‑1台非平衡发电机的 有功功率、 所有N台发电机的机端电压幅值、 所有n个负荷的有功功 率和无功功 率， 构成初始 样本库X0， 即： 其中， w表示从s种电力系统运行状态获取的第w个初始样本， 且w＝1,2, …,s， P(Gen,r)w表 示初始样本w 中第r台非平衡发电机的有功功率， 且r＝1, …,N‑1， V(Gen,i)w表示初始样本w中 第i台发电机的机端电压幅值， 且i＝1, …,N， P(Load,j)w表示初始样本w中第j个负荷的有功功 率， 且j＝1, …,n， Q(Load,j)w表示初始样本w中第j个负荷的无功 功率； (2)对初始样本库X0中的所有非平衡发电机的有功功率、 所有发电机的机端电压幅值、 所有负荷的有功 功率和无功 功率作归一 化变换， 得到归一 化数据X， 即： 其中， xw为步骤(1)中初始样本w进行归一化变换后得到的特征向量， w＝1, …,s， 且xw∈ R2N‑1+2n； (3)利用步骤(2)中的数据X和深度自编码器的逐层训练方法， 训练得到一个编码器和 一个解码器， 其中， 编码器的输入为步骤(2)的特征向量xw， 编码器的输出为特征向量hw， 编 码器的表达式为hw＝σ(W1xw+b1)， 且hw∈Rc， c为编码器输出特征 向量的维度， c的取值为2或 3， W1为编码器的权重矩阵， b1为编码器的偏置 向量， σ()表示激活函数， 解码器的输入为编权　利　要　求　书 1/3 页 2 CN 112861439 B 2码器的输出特征向量hw， 解码器的输出为特征向量gw， 编码器的表达式为gw＝σ(W2hw+b2)， 且 gw∈R2N‑1+2n， W2为解码器的权 重矩阵， b2为解码器的偏置向量； (4)将步骤(2)中的归一化数据X输入至步骤(3)的编码器中， 得到由s个c维 向量构成的 编码器的输出H， 统计H的数据分布情况， 得到编码器输出H在不同子区间的数量统计结果， 具体步骤如下： (4‑1)将步骤(2)中的归一化数据X输入至步骤(3)的编码器中， 得到H＝[h1,h2,…, hw,…,hs]， 即； 其中， hw＝(hw,1,hw,2,…,hw,c)表示将步骤(2)中的特征向量xw输入至编 码器后的输出结 果； (4‑2)对步骤(4 ‑1)得到的[h1,h2,…,hw,…,hs]进行统计， 依次得到[h1,h2,…,hw,…, hs]在c个维度上的最小值和最 大值， 将[h1,h2,…,hw,…,hs]在c个维度上的最小值和最大值 组成c个区间， 其中， [h1,h2,…,hw,…,hs]在第d个维度上的最小 值hmin,d＝min{h1,d,h2,d,…, hw,d,…,hs,d}， [h1,h2,…,hw,…,hs]在第d个维度上的最大值hmax,d＝max{h1,d,h2,d,…, hw,d,…,hs,d}， [h1,h2,…,hw,…,hs]在第d个维度上的最小值和最大值组成第d个区间 [hmin,d,hmax,d]， d＝1,…,c； (4‑3)依次将步骤(4 ‑2)得到的第d个区间[hmin,d,hmax,d]平均分为f个一维子区间， 最终 得到c×f个一维子区间， 包括： e(1,d),e(2,d), …,e(f,d)， 其中d＝1, …,c， 每个一维区间 的长度为(hmax,d‑hmin,d)/f， 且满足e(1,d)∪e(2,d)∪ …∪e(f,d)＝[hmin,d,hmax,d]， f的取值 由人工设定， 为5 至10之间的整数； (4‑4)将步骤(4 ‑3)得到的c ×f个一维子区间e(1,d),e(2,d), …,e(f,d)进行排列组 合， 得到fc个c维子区间， 记c维子区间Q(v1,v2,…,vd,…,vc)＝{(q1,q2,…,qd,…,qc)： q1∈e (v1,d)， q2∈e(v2,d),…,qd∈e(vd,d),…,qc∈e(vc,c)}， 其中， 下标d表示c维子区间中的第 d个维度， vd表示c维子区间Q(v1,v2,…,vc)中第d维子区间是步骤(4 ‑3)中的子区间e(vd,d)， vd＝1,…,f， d＝1, …,c； (4‑5)统计步骤(4 ‑1)得到的H中c维向量落在Q(v1,v2,…,vc)上的数量， 得到E(v1, v2,…,vc)， 其中， E(v1,v2,…,vc)表示[h1,h2,…,hs]中属于Q(v1,v2,…,vc)的向量数量； (5)根据步骤(4 ‑5)得到的E(v1,v2,…,vc)， 重新生成 个向量 其中向量 的维度与步骤(3)中编码器输出特征向量的维度c相同， 将重新生成的 个向量输 入至步骤(3)得到的解码器中， 经过归一化逆变换、 潮流计算得到新仿真样本数据， 具体步 骤如下： (5‑1)设定H中c维向量落在 Q(v1,v2,…,vc)上的数量的阈值为M， 依次将步骤(4 ‑5)得到 的E(v1,v2,…,vc)与阈值M进行比较， 阈值M的值由电力系统专业人员根据c维子区间的数量权　利　要　求　书 2/3 页 3 CN 112861439 B 3