暂态稳定评估模型更新方法、装置、电子设备及存储介质

1.一种暂态稳定评估模型更新方法，其特征在于，包括：响应于检测到电力系统中运行拓扑发生变化，生成变化后运行拓扑对应的故障测试集，所述故障测试集用于对暂态稳定评估模型的评估精度进行测试；若精度测试结果不满足预设精度要求，则生成故障训练集，并获取所述暂态稳定评估模型在历史模型学习过程中所生成的嵌入特征集；对所述嵌入特征集进行聚类记忆回放处理，获得回放样本集；根据所述故障训练集以及所述回放样本集，基于持续学习训练策略对所述暂态稳定评估模型进行更新；所述根据所述故障训练集以及所述回放样本集，基于持续学习训练策略对所述暂态稳定评估模型进行更新，包括：采用交叉熵损失函数以及嵌入正则损失函数构建持续学习损失函数，并根据所述持续学习损失函数对所述暂态稳定评估模型进行更新，所述持续学习损失函数的构建表达式如下： ；其中，所述交叉熵损失函数用于对所述故障训练集进行学习，所述嵌入正则损失函数用于对所述回放样本集进行学习，所述嵌入正则损失函数的表达式如下： ；其中，L CL 表示持续学习损失函数，L CE 表示交叉熵损失函数， 表示权衡参数，L ER 表示嵌入正则损失函数，O表示已学习过的历史数据集的数量，M表示历史回放样本集中回放样本的数量，L表示暂态稳定评估模型中全连接层的数量， 表示第t个历史数据集的第i个回放样本在当前更新模型中第j层全连接层后的嵌入特征向量， 则表示对应 在历史模型中的嵌入特征向量，||*||表示向量范数计算。 2.根据权利要求1所述的暂态稳定评估模型更新方法，其特征在于，所述对所述嵌入特征集进行聚类记忆回放处理，获得回放样本集，包括：步骤S1：从所述嵌入特征集中随机选取若干个数据点作为初始质心；步骤S2：分别计算所述嵌入特征集中其他数据点到所述初始质心的距离，并将所述其他数据点分别划分至与其距离最近的初始质心所属聚类簇中；步骤S3：计算每个聚类簇中各个数据点的聚类平均值，并基于所述聚类平均值重新确定划分后聚类簇所对应的聚类质心；步骤S4：重复执行步骤S2至S3，直至所述嵌入特征集中数据点所属聚类簇不再发生变化；步骤S5：选取各个聚类簇中最靠近聚类质心的数据点作为所述嵌入特征集对应的回放样本集，所述回放样本集中包含对所述暂态稳定评估模型进行模型训练的样本输入特征集以及在模型学习过程中所生成的嵌入特征集。 3.根据权利要求2所述的暂态稳定评估模型更新方法，其特征在于，在将暂态稳定评估模型投入至电力系统进行在线应用之前，所述方法还包括：构建暂态稳定评估模型，所述暂态稳定评估模型由多个图卷积层、多个图池化层以及多个全连接层堆叠组成；获取预想故障数据集，所述预想故障数据集中包括多个样本输入特征以及所述样本输入特征对应的样本标签；将所述样本输入特征输入至所述暂态稳定评估模型进行特征训练，基于所述样本标签构建交叉熵损失函数，同时采用反向传播算法训练所述暂态稳定评估模型的网络参数，以对所述暂态稳定评估模型进行模型优化。 4.根据权利要求3所述的暂态稳定评估模型更新方法，其特征在于，所述将所述样本输入特征输入至所述暂态稳定评估模型进行特征训练，包括：对所述样本输入特征进行特征合并处理，获得图特征输入，所述图特征输入表示电力系统所有节点中单个节点在系统故障前、故障发生后瞬间、故障清除后瞬间三个时刻的电网运行特征的合并；通过所述多个图卷积层对所述图特征输入进行特征提取处理，并通过所述多个图池化层对经图卷积层处理后的图特征输入进行池化处理，提取出多个图特征向量；将每一所述图特征向量进行特征合并，获得合并图特征；通过所述多个全连接层对所述合并图特征进行特征提取分类，输出暂态稳定性判别，同时在每一所述全连接层处理后提取所述合并图特征的隐层特征作为嵌入特征向量；对多个所述嵌入特征向量进行合并处理，输出所述样本输入特征对应的嵌入特征；将多个样本输入特征各自对应的嵌入特征作为所述暂态稳定评估模型在进行模型学习过程中所生成的嵌入特征集。 5.根据权利要求4所述的暂态稳定评估模型更新方法，其特征在于，所述对多个所述嵌入特征向量进行合并处理，输出所述样本输入特征对应的嵌入特征，包括：采用如下公式对多个所述嵌入特征向量进行合并处理，输出所述样本输入特征对应的嵌入特征： ；其中，h表示样本输入特征对应的嵌入特征，L为全连接层的数量， 表示对向量的并列操作，h l 表示模型中第l层全连接层输出的嵌入特征向量，特别地，当l=0时，h 0 表示首个全连接层的输入特征向量。 6.根据权利要求3所述的暂态稳定评估模型更新方法，其特征在于，所述暂态稳定评估模型的评估参数包括模型输出，所述模型输出表示暂态稳定性判别，所述暂态稳定性判别为暂态运行稳定或者暂态运行不稳定，所述基于所述样本标签构建交叉熵损失函数，包括：根据所述样本标签以及模型输出，通过如下公式构建交叉熵损失函数： ；其中，L CE 表示交叉熵损失函数，n表示预想故障数据集中故障样本的数量，y i 表示第i个故障样本所对应的样本标签，g i 表示第i个故障样本所对应的模型输出，log表示对数函数。 7.根据权利要求3所述的暂态稳定评估模型更新方法，其特征在于，在所述获取预想故障数据集之前，所述方法还包括：在初始电网运行拓扑情况下，结合拓扑中负荷变化以及功率平衡，生成运行方式集合，所述运行方式集合对应多个运行方式，每一所述运行方式对应一预想故障集，每一所述预想故障集中包含多个故障样本；采用时域仿真分别计算每个运行方式故障后系统的暂态响应，并根据所述暂态响应提取每一所述故障样本的样本输入特征以及样本标签，所述样本输入特征为系统所有节点中单个节点在系统故障前、故障发生后瞬间、故障清除后瞬间三个时刻的电网运行特征；将各个所述故障样本的样本输入特征以及样本标签一并作为所述运行方式集合对应的预想故障数据集。 8.根据权利要求1所述的暂态稳定评估模型更新方法，其特征在于，还包括：若更新后暂态稳定评估模型的评估精度满足预设精度要求，则将更新后暂态稳定评估模型应用于电力系统的在线暂态稳定评估，同时对已完成学习的故障训练集进行聚类记忆回放处理，以更新回放样本集。 9.一种暂态稳定评估模型更新装置，其特征在于，包括：故障测试集生成模块，用于响应于检测到电力系统中运行拓扑发生变化，生成变化后运行拓扑对应的故障测试集，所述故障测试集用于对暂态稳定评估模型的评估精度进行测试；嵌入特征集获取模块，用于若精度测试结果不满足预设精度要求，则生成故障训练集，并获取所述暂态稳定评估模型在历史模型学习过程中所生成的嵌入特征集；聚类记忆回放处理模块，用于对所述嵌入特征集进行聚类记忆回放处理，获得回放样本集；持续学习训练模型更新模块，用于根据所述故障训练集以及所述回放样本集，基于持续学习训练策略对所述暂态稳定评估模型进行更新；所述持续学习训练模型更新模块具体用于：采用交叉熵损失函数以及嵌入正则损失函数构建持续学习损失函数，并根据所述持续学习损失函数对所述暂态稳定评估模型进行更新，所述持续学习损失函数的构建表达式如下： ；其中，所述交叉熵损失函数用于对所述故障训练集进行学习，所述嵌入正则损失函数用于对所述回放样本集进行学习，所述嵌入正则损失函数的表达式如下： ；其中，L CL 表示持续学习损失函数，L CE 表示交叉熵损失函数， 表示权衡参数，L ER 表示嵌入正则损失函数，O表示已学习过的历史数据集的数量，M表示历史回放样本集中回放样本的数量，L表示暂态稳定评估模型中全连接层的数量， 表示第t个历史数据集的第i个回放样本在当前更新模型中第j层全连接层后的嵌入特征向量， 则表示对应 在历史模型中的嵌入特征向量，||*||表示向量范数计算。 10.一种电子设备，其特征在于，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-8任一项所述的暂态稳定评估模型更新方法。 11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-8任一项所述的暂态稳定评估模型更新方法。