(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111232321.0 (22)申请日 2021.10.2 2 (71)申请人 中冶赛迪电气技 术有限公司 地址 100176 北京市大兴区经济技 术开发 区博兴一路10号 (72)发明人 周有为　杨成禹　钟雨哲　王伟　 余代海　童建林　高忠江　莫海勇　 欧博　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 代理人 廖曦 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/04(2020.01) G06F 113/04(2020.01) (54)发明名称 一种改进DBN算法的电力系统故障后暂态稳 定评估方法 (57)摘要 本发明涉及一种改进DBN算法的电力系统故 障后暂态稳定评估方法， 属于电力系统领域。 它 包括依次进行的离线学习、 稳定规则以及在线评 估步骤； 首先进行样本数据生成， 然后进行表达 式学习， 再进行分类评估； 首先导入系统参数， 进 行实时暂态评估。 本发明的基于改进DBN算法的 电力系统故障后暂态稳定评估 方法， 首先进行样 本数据生成， 然后进行表达式学习， 再进行分类 评估； 在进行在线评估时， 导入系统参数， 然后进 行实时暂态评估， 提出了稳定评估方法与流程； 提出了基于大数据技术深度学习的暂态稳定评 估方法， 并考虑电力系统特点对原始算法进行约 束， 增强模型的泛化能力， 具有提高故障计算速 度和评估准确性的特点。 权利要求书3页 说明书11页 附图4页 CN 114021434 A 2022.02.08 CN 114021434 A 1.一种改进DBN 算法的电力系统故障后暂态稳定 评估方法， 其特 征在于： 该 方法为： 依次进行的离线学习 、 稳定规则以及 在线评估； 在进行离线学习时， 首 先进行样本数据生成， 然后进行表达式学习， 再进行分类评估； 在进行在线评估时， 首 先导入系统参数， 然后进行实时暂态评估。 2.根据权利要求1所述的一种改进DBN算法的电力系统故障后暂态稳定评估方法， 其特 征在于： 所述表达式学习包括以下步骤： a、 首先初始化DBN神经网络， 将样本数据分为训练集和测试集， 并将样本数据进行归一 化； b、 初始化粒子群各参数， 包括学习因子cmax和cmin、 最大迭代次数T、 惯性权重wmin和wmax， 并且规定粒子 速度和位置的范围； c、 确定适应度函数如下， 计算各个 粒子的适应度函数值， 求出个体极值Pbest和群体极值 gbest， 式中： N为样本总数目； m为粒子维数； pij、 tij分别为第i个样本的第j维数据的重构值和 实际值； d、 比较各粒子的适应度值与自身个体极值Pbest的大小， 若粒子当前的适应度大于个体 极值Pbest， 则将其赋给个体极值， 反之保持不变； 同时， 比较粒子群中所有粒子的个体极值 与群体极值gbest， 若存在个 体极值优于群 体极值gbest， 则将其赋 给群体极值， 反 之保持不变； e、 更新各 粒子的速度和位置； f、 判断迭代是否终止， 当达到设定的最高迭代次数或群体极值的变化量足够小时， 迭 代终止， 否则， 返回步骤c； g、 将最终取得的群体极值gbest的各维数值设为DBN神经网络的连接权值， 进行DBN神经 网络的预训练和反向微调， 直至 达到DBN神经网络结束训练的要求。 3.根据权利要求2所述的一种改进DBN算法的电力系统故障后暂态稳定评估方法， 其特 征在于： 在所述步骤a中， 初始化DBN神经网络时， 确定DBN神经网络的层数和每层的个数， 以 此确定粒子的维度。 4.根据权利要求3所述的一种改进DBN算法的电力系统故障后暂态稳定评估方法， 其特 征在于： 在所述步骤b中， 在规定粒子速度和位置的范围内随机初始 化种群中粒子的速度向 量和位置向量， 将DBN神经网络的各层间的连接 权重映射到粒子的各维度。 5.根据权利要求4所述的一种改进DBN算法的电力系统故障后暂态稳定评估方法， 其特 征在于： 在所述 步骤c中， 计算各个粒子的适应度函数值时采用如下公式， tj＝CNN(w， Yj) 其中:w表示所有的权重和偏置变量； Yj表示学习资源j的原始文本信息； tj表示学习资 源j的文本特 征向量。 6.根据权利要求5所述的一种改进DBN算法的电力系统故障后暂态稳定评估方法， 其特 征在于： 所述 步骤e中， 更新各 粒子的速度和位置时依据如下公式，权　利　要　求　书 1/3 页 2 CN 114021434 A 2其中， ω表示该粒子对原来运动速度的保持程度即惯性权值； c1和c2为加速因子， 其中 c1表示该粒子保 持自身个体极值的程度， c2表示该粒子对全局的群体极值 学习程度的系数； r1和r2是0～1之间的随机数。 7.根据权利要求6所述的一种改进DBN算法的电力系统故障后暂态稳定评估方法， 其特 征在于： 所述分类评估 时， DBN神经网络获取资源数据库的文本特征时， 首先经过word2vec 表示成学习资源文本向量形式， 再输入到卷积神经网络中提取 特征。 8.根据权利要求7所述的一种改进DBN算法的电力系统故障后暂态稳定评估方法， 其特 征在于： 所述DBN神经网络包 含嵌入层、 卷积层、 池化层和全连接层四层； 其中， 嵌入层用于将学习资源的文本信息转换为嵌入矩阵， 矩阵中的每一行为一个分 词元素， 供卷积层进行 卷积操作学习资源的文本矩阵D∈Rn×m表示为： 卷积层使用多个不同尺寸的卷积核在嵌入矩阵上作卷积， 最终形成四个不同的特征图 由此可见特征图与卷积核存在一 一对应的关系特 征图的计算公式为： mi＝f(D*Fi+bi) 其中： D*Fi表示卷积计算； bi表示偏置项； f( ·)是一个非线性的激活函数， 在模型中引 入非线性因素解决线性模型难以表示的特 征向量； 池化层， 池化层用于卷积层之后， 通过下采样操作降低特征图维度， 减小网络参数量； 假设在第t个卷积层中得到的特征图为Mt＝{m1， m2，…， ms}， 采用最大池化， 提取Mt中的最大 值， pi表示第ti个卷积层的池化结果， 形式化表示 为： ρi＝max(Mt)＝max{m1， m2...,ms} 全连接层， 将所提取的特征值进行综合， 输出固定大小的特征向量， 假设全连接层有m 个神经元， 经ReLU激活函数后， 得到固定大小的向量s， 即为学习资源的文本特征向量计算 公式为： s＝ReLU(wiρi+bi) 其中pi表示学习资源文本信息在池化层上的输出； wi表示权重； bi表示对应的偏置； 通 过以上描述， CNN模型构成一个函数， 输入数据为学习资源的文本信息， 输出结果为每个文 本信息的特 征向量， tj＝CNN(w， Yj) 其中w表示所有的权重和偏置变量； Yj表示学习资源j的原始文本信息； tj表示学习资源 j的文本特 征向量。 9.根据权利要求8所述的一种改进DBN算法的电力系统故障后暂态稳定评估方法， 其特 征在于： 结合所述学习资源的特征， 得学习资源j的属性特征为sj， 得学习资源j的文本特征 为tj， 则学习资源j的特 征vj表示为：权　利　要　求　书 2/3 页 3 CN 114021434 A 3