(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 202211117058.5 (22)申请日 2022.09.14 (65)同一申请的已公布的文献号 申请公布号 CN 115187154 A (43)申请公布日 2022.10.14 (73)专利权人 华中科技大 学 地址 430074 湖北省武汉市珞 瑜路1037号 专利权人 中国电力科 学研究院有限公司 (72)发明人 付红军　熊浩清　孙海顺　唐晓骏　 李岩　谢岩　镐俊杰　杜晓勇　 邵德军　李程昊　石梦璇　王东泽　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 鲁力 (51)Int.Cl. G06Q 10/06(2012.01)G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112200038 A,2021.01.08 US 2022115871 A1,202 2.04.14 CN 115022193 A,202 2.09.06 CN 114818483 A,202 2.07.29 US 11164068 B1,2021.1 1.02 Fanta Senesoul in1e等.Estimati on of dominant power osci llation modes based o n ConvLSTM ap proach using synchrophasor data and cros s-validation technique. 《Sustai nable Energy, Grids and Netw orks》 .2022, 审查员 陈敏 (54)发明名称 一种基于神经网络的区域电网振荡源风险 预测方法及系统 (57)摘要 本发明涉及一种基于神经网络的区域电网 振荡源风险预测方法及系统。 首先绘制近似 “电 气节点虚拟平面地图 ”， 然后生成卷积神经网络 自适应电网平面化扰动图像， 最后基于Conv LSTM 网络设计构建基于ConvLSTM网络的振荡源风 险 分析时空分布预测模型进行预测。 本发明具有如 下优点： 1、 能够将立体电网结构近似刻画成为可 接受的平面图形， 简化了数据编码形式。 2、 能够 结合具体电网结构特点以及季节 性的差异， 对图 形数据进行有效压缩， 提高了训练效率。 3、 能够 大幅提高振荡源识别、 预测的速度。 4、 模型预测 结果区域电网振 荡源风险数量影 响， 在区域电网 振荡源风险数量较大的时段， 预测效果会更好。 权利要求书3页 说明书9页 附图1页 CN 115187154 B 2022.12.16 CN 115187154 B 1.一种基于卷积长短期记忆神经网络的区域电网振荡源风险预测与控制方法， 其特征 在于， 包括： 基于节点关系矩阵绘制电气节点虚拟平面地图， 具体是通过循环等效修改节点关系矩 阵将立体电网电网络节点结构等效为 等效平面电网电网络节点结构； 等效转换时， 判定任意一个110千伏电气节点从属的若干500千伏电气节点， 形成矩阵T_5_1， 矩阵T_ 5_1为3*N_500矩阵； 遍历给定的110千伏电气节点并查询初始节点关系矩阵中节点i对应列非0元素， 并删 除该列， 对角阵除外； 利用矩阵T_5_1确定邻近500千伏电气节点对， 并采用下述公式确定关联电气节节点对 应的矩阵元 素数值直至所有1 10千伏电气节点遍历完毕； 其中， ； 采集等效平面电网电网络节点结构的振荡源数据， 并对其进行预处理后输出基于季节 性自适应型CNN网络模型中对其训练， 获得适用于设定电网的不同季节 时期的振荡源分类 数据； 构建基于ConvLSTM网络的振荡源风险分析时空分布预测模型， 将振荡源分类数据划分 训练集以及测试集对预测模型进行训练并测试后， 得到优化后的预测模型， 预测模型能够 在输入当日给定的日振荡记录数后， 预测得出第二日可能发生的振荡扰动数量形态图， 具 体是： 通过ConvLSTM网络设计、 相关环境影响因子融合和预测结果评价方法这四个部分， 构 建基于ConvLSTM网络的区域电网振 荡源时空分布预测模 型， 创建图像矩阵为L*L的3D矩阵， 设置3D矩阵C结构为L*L*D的3D地理矩阵的矩阵中 的任一t维度下， 一个元素 , ,其 数值表示为该节点记录到的单日振荡幅值数量， t 为时间维度， 时间刻度为 1天为单位， 预测 时间长度为7天， 即t=7； ConvLSTM初始基本参数为： 第一层采用的过滤器filters＝16， 卷积核大小为3 ×3， 跨 度strides采用1 ×1； 第二层采用fi lters＝32， 卷积核大小为7 ×7， strides采用3 ×3。 2.根据权利要求1所述的一种基于卷积长短期记忆神经网络的区域电网振荡源风险预 测与控制方法， 其特 征在于， 电网络的Grid的节点关联导纳矩阵为A_Grid节点数为 N：权　利　要　求　书 1/3 页 2 CN 115187154 B 2对于任意的 ， 表示节点i和节点j之间的电气关联 关系， 且节点关联导纳矩阵的行列 范围能够配置为设定分类的千伏 节点。 3.根据权利要求2所述的一种基于卷积长短期记忆神经网络的区域电网振荡源风险预 测与控制方法， 其特 征在于， 行列范围的具体 配置为： 将所有500千伏节点均至于从1 ‑N_500行列， 自N_500+1~N_220_500为止， 为220千伏与 500千伏相连的200千伏电气节点， 自N_22 0_500+1~N_220为220千伏普通节点， 自N_22 0+1至 N为普通110千伏节点； 对角元 素默认为1； 其它原则对于任意的 ， 节点i与节点j之间 存在直接电气线路链接时， 则置为1， 否则置为0 。 4.根据权利要求2所述的一种基于卷积长短期记忆神经网络的区域电网振荡源风险预 测与控制方法， 其特征在于， CNN网络模 型包括振 荡预处理层， 对振荡源数据进 行预处理， 采 用激活函数对日扰动图形扫描后进行图像压缩， 具体是 创建图像矩阵为M *M的2D地理矩阵， 2D地理矩阵对应节点与节点关系矩阵为单一映射； 采用改进sigmo id激活函数将图像矩阵A_Grid变更为A_oc_Grid： ； 其中， 根据经典的强迫功率振荡理论， ， 其中A为经过PRONY分解后的最 大振幅， 而 为对应分解后最大振幅的阻尼值； 对图像矩阵A_oc_Grid中图像的空白无效区域进行压缩， 删除图像矩阵A_oc_Grid中所 有空值行列后生成A_oc_Grid_dense。 5.根据权利要求1所述的一种基于卷积长短期记忆神经网络的区域电网振荡源风险预 测与控制方法， 其特征在于， CNN网络模 型还包括至少两层CONV层， 输入为区域地形要 素， 输 出为处理后的区域 地形要素， 每层的激活函数为改进relu函数： n为一个正整数， 随季节不同结合人工经验及逆行确定 。 6.根据权利要求1所述的一种基于卷积长短期记忆神经网络的区域电网振荡源风险预 测与控制方法， 其特征在于， 预测模型中在 全连接层后加入注意力机制层作为输出， 在 全连 接层后加入softmax函数层， Softmax函数层定义如下 所示：权　利　要　求　书 2/3 页 3 CN 115187154 B 3