基于流形学习的电力系统动态仿真可视化方法

摘要

本发明提出一种基于流形学习的电力系统动态仿真可视化方法，包括以下步骤：S1：对待仿真的电力系统进行多次仿真，以得到多组仿真结果；S2：构建单次仿真结果对应的矩阵；S3：根据单次仿真结果对应的矩阵得到单次仿真结果对应的向量；S4：根据单次仿真结果对应的向量和电力系统的仿真次数得到多组仿真结果对应的矩阵；S5：通过流形学习算法对多组仿真结果对应的矩阵进行降维处理，以完成对电力系统动态仿真过程的可视化。本发明能够实现电力系统动态仿真过程的可视化，具有稳定性好、准确度高的优点。

说明书

技术领域

本发明涉及电力系统仿真技术领域，特别涉及一种基于流形学习的电力系统动态仿真可视化方法。

背景技术

电网的快速发展以及可再生能源的接入，使得电网变得更加复杂。几年发生的如03年美加大停电以及10年印度大停电就反应了当前电力系统分析技术与快速发展的电网之间的矛盾。而先进的仿真技术以及大数据分析方法给传统的电力系统分析方法注入了新的活力。对各种运行场景下以及各种仿真参数下的电网络进行仿真计算的结果构成了基于大数据方法进行电力系统分析的大规模数据集。

电力系统的仿真结果可以描述为多个状态变量的时间序列。其中状态变量包含了各个节点的电压幅值、相角以及发电机的端电压、相位等等。以10机39节点为例，单次仿真的结果就包含了157个状态变量的时间序列。因此对于一个电力系统，如果仿真的结果可以描述为m个状态变量的长度为n的时间序列。这m个时间序列，就蕴含着电网动态仿真的信息。那么可以利用数据拼接的方法，将其拼接为一个长度为m*n的一个向量。这意味着可以用一个m*n维空间中的点对电网的动态仿真信息进行表征。如果进行了s次仿真，那么就可以得到一个s·m*n的一个矩阵，从而可以利用目前常用的线性降维方法PCA(PrincipalComponent Analysis，主成分分析)的方法对数据进行降维，将其降维到二维的平面或者三维的空间，从而实现了对电网动态仿真过程的可视化。

PCA方法作为一种线性的降维方法，在降维方面取得了广泛的运用。然而对于电力系统仿真数据而言，因为仿真的结果是通过改变故障的位置、故障持续时间以及故障类型得到的，其结果应该是分布在一个流形上，如果对于特定的流形采用简单的主成分分析的方法进行降维，降维的结果不一定能够反映样本点在高维空间真实的分布。

以Swiss卷为例进行说明。Swiss卷为位于三维空间中呈卷状分布的点构成的形状。利用PCA方法将其降维到二维的平面，分别如图1所示，其中图1(a)为降维前的示意图，图1(b)为降维后的示意图。由图1中可以看到，采用了线性降维PCA方法降维之后的点重合在了一起，并没能对原始空间中样本点之间的相对位置进行有效地区分。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种基于流形学习的电力系统动态仿真可视化方法，该方法能够通过非线性流形学习算法对特定的流形进行降维，以反映样本点在高维空间真实的分布，从而实现电力系统动态仿真过程的可视化，相对于PCA方法，该方法具有稳定性好、准确度高的优点。

为了实现上述目的，本发明的实施例提出了一种基于流形学习的电力系统动态仿真可视化方法，包括以下步骤：S1：对待仿真的电力系统进行多次仿真，以得到多组仿真结果；S2：构建所述单次仿真结果对应的矩阵；S3：根据所述单次仿真结果对应的矩阵得到所述单次仿真结果对应的向量；S4：根据所述单次仿真结果对应的向量和电力系统的仿真次数得到所述多组仿真结果对应的矩阵；S5：通过流形学习算法对所述多组仿真结果对应的矩阵进行降维处理，以完成对所述电力系统动态仿真过程的可视化。

另外，根据本发明上述实施例的基于流形学习的电力系统动态仿真可视化方法还可以具有如下附加的技术特征：

在一些示例中，所述S1进一步包括：通过改变所述待仿真的电力系统的故障发生的位置、类型及持续时间，以对所述待仿真的电力系统进行多次仿真。

在一些示例中，在所述S2中，所述单次仿真结果为m个长度为n的时间序列。

在一些示例中，所述单次仿真结果对应的矩阵为m·n。

在一些示例中，所述S3进一步包括：利用拼接的方法，将所述单次仿真结果对应的矩阵m·n拼接成所述单次仿真结果对应的向量m*n。

在一些示例中，在所述S4中，所述多组仿真结果对应的矩阵为s·m*n，其中，s为电力系统的仿真次数。

在一些示例中，在所述S5中，所述流形学习算法为非线性流形学习算法。

在一些示例中，所述非线性流形学习算法为等距映射算法、拉普拉斯特征映射算法或局部线性嵌入算法。

在一些示例中，所述对所述多组仿真结果对应的矩阵进行降维处理，进一步包括：将所述多组仿真结果对应的矩阵降维到二维平面或者三维空间。

根据本发明实施例的基于流形学习的电力系统动态仿真可视化方法，基于非线性流形学习算法将单次仿真的结果降维到二维平面或者三维空间中，对多运行场景以及多仿真参数下的电网络仿真结果进行降维可视化，即该方法能够通过非线性流形学习算法对特定的流形进行降维，以反映样本点在高维空间真实的分布，从而实现电力系统动态仿真过程的可视化，可以为后续电网络信息的挖掘奠定基础，该方法具有稳定性好、准确度高的优点。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据现有技术中采用PAC方法对Swiss卷进行降维的结果示意图；以及

图2是根据本发明一个实施例的基于流形学习的电力系统动态仿真可视化方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

以下结合附图描述根据本发明实施例的基于流形学习的电力系统动态仿真可视化方法。

图2是根据本发明一个实施例的基于流形学习的电力系统动态仿真可视化方法的流程图。如图1所示，该方法包括以下步骤：

步骤S1：对待仿真的电力系统进行多次仿真，以得到多组仿真结果。

具体地，例如，通过改变待仿真的电力系统的故障发生的位置、类型及持续时间，以对待仿真的电力系统进行多次仿真，从而得到多组仿真结果。

步骤S2：构建单次仿真结果对应的矩阵。

具体地，例如，单次仿真结果为m个长度为n的时间序列。也就是说，单次仿真结果可以用m个长度为n的时间序列进行表征。基于此，则单词仿真结果对应的矩阵为m·n。

步骤S3：根据单次仿真结果对应的矩阵得到单次仿真结果对应的向量。

具体地，例如，利用拼接的方法，将单次仿真结果对应的矩阵m·n拼接成单次仿真结果对应的向量m*n。

步骤S4：根据单次仿真结果对应的向量和电力系统的仿真次数得到多组仿真结果对应的矩阵。

具体地，多组仿真结果对应的矩阵例如为s·m*n，其中，s为电力系统的仿真次数。也就是说，矩阵s·m*n代表了s仿真的信息。

步骤S5：通过流形学习算法对多组仿真结果对应的矩阵进行降维处理，以完成对电力系统动态仿真过程的可视化。

在本发明的一个实施例中，对多组仿真结果对应的矩阵进行降维处理，进一步包括：将多组仿真结果对应的矩阵s·m*n降维到二维平面或者三维空间，从而实现仿真过程的可视化。

具体地，在本发明的一个实施例中，上述采用的流形学习算法例如为非线性流形学习算法。进一步地，非线性流形学习算法例如为等距映射算法、拉普拉斯特征映射算法或局部线性嵌入算法。当然，非线性流形学习算法不仅限于以上几种，也可以为其他算法，此处仅是以示例性为目的来描述本发明的实施例，为减少冗余，此处不再一一列举赘述。

具体地，等距映射算法Isomap的主要目标是对于给定的高维流形，欲找到其对应的低维嵌入，使得高维流形上数据点间的近邻结构在低维嵌入中得以保持。Isomap以MDS(Multidimensional Scaling)为计算工具，创新之处在于计算高维流形上数据点间距离时，不是用传统的欧式距离，而是采用微分几何中的测地线距离(或称为曲线距离)，并且找到了一种用实际输入数据估计其测地线距离的算法(即图论中的最小路径逼近测地线距离)。采用等距映射算法Isomap的优点在于，求解过程依赖于线性代数的特征值和特征向量问题，保证了结果的稳健性和全局最优性；能通过剩余方差判定隐含的低维嵌入的本质维数；Isomap方法计算过程中只需要确定唯一的一个参数(近邻参数k或邻域半径e)。

拉普拉斯特征映射算法(Laplacian eigenmaps，LE)的基本思想是，用一个无向有权图描述一个流形，然后通过用图的嵌入(graph embedding)来找低维表示。简单来说，就是在保持图的局部邻接关系的情况下，将其图从高维空间中重新画在一个低维空间中(graph drawing)。在至今为止的流形学习的典型方法中，LE速度最快。LE的特点在于，如果出现离群值(outlier)情况下，其鲁棒性(robustness)十分理想。这个特点在其他流形学习方法中没有体现。

局部线性嵌入算法(Locally-linear embedding，LLE)可以归结为三步：寻找每个样本点的k个近邻点；由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。

需要说明的是，在使用流形学习的计算方法之前，需要保证降维的数据存在一个低维流形的嵌入，这样流形学习才会取得更好的效果。而电力系统仿真的结果，虽然可以用高维空间中的点进行表示，但是其实际的来源还是因为改变了仿真中故障的位置、持续时间以及类型得到的，存在低维流形的映射，所以可以利用流形学习的方法进行降维。

作为具体的示例，以电力系统的10机39节点系统为例，改变其故障的工况，可以得到稳定的算例和不稳定的算例。再利用PCA方法和本发明实施例提出的流形学习方法分别对其降维到二维平面和三维空间后，采用聚类分析的方法将其聚类为两类。并定义了衡量分类准确率的指标，Index_{crou>、Indexcros>、Indexcrou>和Indexcros>分别表示二维平面上不稳定的分类正确率、二维平面上稳定的分类正确率、三维空间中不稳定的分类正确率以及三维空间中稳定的分类正确率，通过计算正确率可以发现，本发明实施例提出的流形学习方法对于不稳定的分类准确性更高，而对于稳定性的分类相对更为保守，在实际中具有更好的价值。具体指标对比如下表1所示：}

PCAISOMAPLLELAPLACIANIndex_crou>0.64580.83330.08330.8333Index_cros>0.62760.45440.54380.2633Index_crou>0.72920.83330.18750.5417Index_cros>0.58850.44130.51961

表1

综上，根据本发明实施例的基于流形学习的电力系统动态仿真可视化方法，基于非线性流形学习算法将单次仿真的结果降维到二维平面或者三维空间中，对多运行场景以及多仿真参数下的电网络仿真结果进行降维可视化，即该方法能够通过非线性流形学习算法对特定的流形进行降维，以反映样本点在高维空间真实的分布，从而实现电力系统动态仿真过程的可视化，可以为后续电网络信息的挖掘奠定基础，该方法具有稳定性好、准确度高的优点。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。