(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 202110304189.3 (22)申请日 2021.03.22 (65)同一申请的已公布的文献号 申请公布号 CN 112784500 A (43)申请公布日 2021.05.11 (73)专利权人 重庆邮电大 学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 黄淼　李韬　李涛　杨小永　文旭　 谢涛　唐贤伦　马艺玮　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 专利代理师 赵荣之 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/08(2006.01) G06F 111/04(2020.01) (56)对比文件 CN 110348161 A,2019.10.18 CN 108959732 A,2018.12.07 US 2005001623 A1,20 05.01.06 CA 2676549 A1,2010.02.28 CN 102930110 A,2013.02.13 CN 103646152 A,2014.0 3.19 CN 103646152 A,2014.0 3.19 李洋等.微电网传递过电压电磁暂态特性研 究. 《电瓷避雷器》 .2019,(第0 6期), 赵金利等.面向指数积分方法的电磁暂态仿 真GPU并行算法. 《电力系统自动化》 .2018,(第0 6 期), 审查员 张芃 (54)发明名称 基于深度学习和PSCAD的电磁暂态仿真模型 的敏捷生成方法 (57)摘要 本发明涉及一种基于深度学习和PSCAD的电 磁暂态仿真模 型的敏捷生 成方法， 属于电力系统 仿真建模领域， 包括以下步骤： S1： 采用卷积神经 网络与多目标检测算法模型结合的方式建立电 力系统识别模型； S2： 基于矢量数据分析， 构建电 力系统拓扑判据； S3： 基于训练完成的电力系统 识别模型以及拓扑判据， 识别电力系统图形文 件， 进而生成符合仿真软件PSCAD要求的 电磁暂 态仿真模型文件。 本发明方法将深度学习技术应 用到电力系统仿真建模中， 能基于电力系统图形 文件快速建立电磁暂态仿真模型， 可提高仿真建 模的效率， 并降低仿真人员的工作强度。 权利要求书1页 说明书4页 附图3页 CN 112784500 B 2022.07.01 CN 112784500 B 1.一种基于深度 学习和PSCAD的电磁暂态仿真模型的敏捷生成方法， 其特征在于： 包括 以下步骤： S1： 采用卷积神经网络与多目标检测算法模型结合的方式建立电力系统识别模型， 具 体包括以下步骤： S11： 利用电力系统图形文件制作电力元件数据集； S12： 结合电力系统识别模型的识别模式对电力元件数据预处 理， 具体步骤为： S121： 将电力系统元件的母线等 直线类模型图形进行增强处 理； S122： 对应修改输入电力系统识别模型的数据标签； S13： 进行电力系统识别模型训练， 具体步骤为： S131： 将电力元件数据集 导入电力系统识别模型； S132： 通过 预训练模型VG G16以及额外卷积层对电力系统进行 特征提取； S133： 利用电力系统识别模型输出 元件分类信息和目标框； S2： 基于矢量数据分析， 构建电力系统拓扑判据， 具体包括以下步骤： S21： 利用仿真软件P SCAD模型的元件信息构造 拓扑判据， 具体步骤为： S211： 根据仿真软件的模型布局信息 选择合适判断阈值； S212： 分别将电机、 变压器等四边形的元件划分为 “点缓冲约束 ”， 将母线元件等直线模 型元件划分为 “线缓冲约束 ”； 所述“点缓冲约束 ”是指将布局为四边形元件的几何中心作为 中心， 依据设定阈值形成圆形区域约束； 所述 “线缓冲约束 ”是指将母线元件等直线模型 的 中点作为中心， 依据设定阈值形成环形区域约束； S22： 分别对各个电力元件进行矢量条件约束判断， 具体包括以下步骤： S221： 利用识别模型输出的元件矢量 位置信息结合模型的布局信息， 设定约束范围； S222： 判断约束范围内是否存在其他元件， 若存在其他元件， 则定义两者为 “连接关 系”， 若不存在其 他元件， 则定义两者 为“非连接关系 ”； S223： 判断完成后， 跳转步骤S222继续对下一个元件进行判定， 直至完成所有元件判 断； S224： 判断结束后， 输出 结果； S23： 通过判断结果 生成电力系统拓扑 连接关系； S3： 基于训练完成的电力系统识别 模型以及拓扑判据， 识别电力系统图形文件， 进而生 成符合仿真软件P SCAD要求的电磁暂态仿真模型文件， 具体包括以下步骤： S31： 准备阶段， 将电力元件信息和拓扑 连接关系生成电力系统信息集； S32： 实现阶段， 通过对应转换关系， 将电力系统信息集转换为电磁暂态仿真数据文件， 利用生成的电磁暂态仿真数据文件实现敏捷建模， 包括以下步骤： S321： 建立电磁暂态仿真模型信息与电磁暂态仿真数据的转换关系； S322： 利用电力系统信息集中的元件分类信息以及其中的拓扑连接关系对应步骤S32 1 中的方法快速转换生成相互对应的电磁暂态仿真数据， 最后在仿真软件中实现自动布局。权　利　要　求　书 1/1 页 2 CN 112784500 B 2基于深度学习和PSCAD的电磁暂态仿真模型的敏捷生成方 法 技术领域 [0001]本发明属于电力系统仿真建模领域， 涉及一种基于深度学习和PSCAD的电磁暂态 仿真模型的敏捷生成方法 背景技术 [0002]电磁暂态仿真是对电磁暂态过程进行模拟的活动， 旨在对目标系统进行精细建模 并得到各种暂态响应的详细时域波 形， 其应用涵盖电力系统规划、 设计、 运行及科学研究等 方面。 在针对工业电网建立仿真模型时， 仿真人员通常只能根据描述电力系统架构的图形 文件等信息来 开展工作。 由于是手动进行建模， 时间和精力耗费较大。 [0003]鉴于此， 亟需一种能够利用计算机程序来敏捷生成电磁暂态仿真模型的方法， 以 便实现从电力系统图形文件到电磁暂态仿 真模型的快速转换， 从而提升技术人员仿 真建模 的工作效率。 目前， 此类方法还未 见文献报道。 发明内容 [0004]有鉴于此， 本发明的目的在于提供一种基于深度学习和PSCAD的电磁暂态仿真模 型的敏捷生成方法， 用以识别电力系统图形文件， 并将图形文件描述的电力系统信息转换 为电磁暂态仿真数据， 从而实现电磁暂态仿真模型的敏捷生成。 [0005]为达到上述目的， 本发明提供如下技 术方案： [0006]一种基于深度学习和P SCAD的电磁暂态仿真模型的敏捷生成方法， 包括以下步骤： [0007]S1： 采用卷积神经网络(Convolut ional Neural Network,CNN)与多目标检测算法 模型结合的方式建立电力系统识别模型； [0008]S2： 基于矢量数据分析， 构建电力系统拓扑判据； [0009]S3： 基于训练完成的电力系统识别模型以及拓扑判据， 识别电力系统图形文件， 进 而生成符合仿真软件P SCAD要求的电磁暂态仿真模型文件。 [0010]进一步， 步骤S1中， 所述电力系统识别模型的建立具体包括以下步骤： [0011]S11： 利用电力系统图形文件制作电力元件数据集； [0012]S12： 结合电力系统识别模型的识别模式对电力元件数据预处 理； [0013]S13： 进行电力系统识别模型训练。 [0014]更进一步， 步骤S12中所述的电力元件数据预处 理， 具体步骤为： [0015]S121： 将电力系统元件的母线等 直线类模型图形进行增强处 理； [0016]S122： 对应修改输入电力系统识别模型的数据标签。 [0017]更进一步， 步骤S13中所述电力系统识别模型训练， 具体步骤为： [0018]S131： 将电力元件数据集 导入电力系统识别模型； [0019]S132： 通过 预训练模型VG G16以及额外卷积层对电力系统进行 特征提取； [0020]S133： 利用电力系统识别模型输出 元件分类信息和目标框 。 [0021]进一步， 步骤S2中， 采用矢量数据分析的方式构建电力元件矢量缓冲区的方法实说　明　书 1/4 页 3 CN 112784500 B 3