买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网湖北省电力有限公司电力科学研究院;南京东博智慧能源研究院有限公司

摘要：一种基于Transformer自注意力机制的交直流混联电网紧急控制方法，包括以下步骤：采集历史电气数据，并对数据进行预处理；利用预处理后的数据对Transformer神经网络模型预训练；用预训练好的Transformer神经网络模型对实际电力系统中故障切除后数据进行稳定性预测，如果判断结果为不稳定，通过切机措施实现交直流电网紧急控制处理。本发明利用Transformer自注意力机制实现了高效的特征学习和模型解释，能够快速准确地找到失去同调性的机组，实现交直流混联电网的紧急控制。通过该方法，交直流混联电网能够在发生严重故障后实现快速、稳定的控制，提高了电网的可靠性和安全性。

主权项：1.一种基于Transformer自注意力机制的交直流混联电网紧急控制方法，其特征在于，包括以下步骤：步骤一、数据采集及预处理采集历史电气数据，并对数据进行预处理；步骤二、利用预处理后的数据对Transformer神经网络模型预训练；步骤三、用步骤二预训练好的Transformer神经网络模型对实际电力系统中故障切除后数据进行稳定性预测，如果判断结果为不稳定，通过切机措施实现交直流电网紧急控制处理；步骤二中，具体包括以下步骤：B1、设定超参数确定批次大小及隐藏层数，设置批次为400；确定隐藏层数为6层；确定头数为8，初始学习率为0.05；B2、数据降维采用1×1卷积将标准化后的功角、电压、有功、无功4通道数据降维为单通道数据Gi＝[Vi,Pi,Qi,Ai]，Gi表示ti时刻的发电机特征值,Vi,Pi,Qi,Ai分别表示ti时刻发电机的母线电压，有功、无功输出和功角大小；B3、模型训练将降维处理后的数据转化为输入序列Di＝[ti,Gi,S]T输入到Transformer神经网络模型Embedding层中，其中Di表示在ti时刻的输入序列，S表示ti时刻的系统稳定状态；采用交叉熵损失函数作为损失函数，并对损失函数进行L2正则化以避免过拟合现象，Transformer分类层Softmax函数的输出值为即为Transformer神经网络模型对输入序列的预测值，ys代表A2步骤中的稳定与否状态标签，通过不断降低整体的损失函数值来提高模型预测精度，并使用Adam优化器调节学习率来加速训练；损失函数L： 式中：W表示网络中所有权重参数，α为L2正则化项的惩罚因子完成训练后的模型能够根据输入序列输出一个预测值该值即为模型对当前输入序列暂态稳定性的判断值；步骤三具体如下：C1:稳定状态预测当电力系统发生新的故障时，将经过步骤一得到的数据输入到步骤二预训练好的Transformer神经网络模型中进行稳定性判断得到预测值对步骤B3得到的预测值当判断为不稳定，执行C2步骤，反之为稳定，不执行操作；C2:紧急控制策略：根据训练好的Transformer模型对C1的数据评估得到的注意力分布，找到注意力分布最集中的发电机组，即识别与其他发电机组失去同调性的机组，对该发电机组进行切机处理。

全文数据：

权利要求：

百度查询： 国网湖北省电力有限公司电力科学研究院 南京东博智慧能源研究院有限公司 基于Transformer自注意力机制的交直流混联电网紧急控制方法