CN104331837A - 电力系统暂态稳定最优切机控制策略搜索的简化方法 - Google Patents

Abstract

本发明公开了一种电力系统暂态稳定最优切机控制策略搜索的简化方法，属于电力系统紧急控制技术领域。本发明基于EEAC准则，根据SEEAC、DEEAC算法分析结果及其差异将预想故障集按暂态稳定严重程度分类，对于被识别为失稳类的算例，利用识别时由SEEAC和DEEAC算法进行裕度计算的中间结果，进行简化操作，同时设计切机控制策略校核指标校验每一轮切机的有效性并指导简化方法与现有方法间的切换，以保证所得切机控制策略为最优。本发明方法可以使得绝大部分被识别为失稳类的算例应用简化方法求得最优切机控制策略、且不需要附加其他计算量，对于实现电力系统暂态稳定紧急控制策略的在线搜索具有重大的理论和工程意义。

Description

电力系统暂态稳定最优切机控制策略搜索的简化方法

技术领域

本发明属于电力系统及其自动化技术领域，更准确地说，本发明涉及一种电力系统暂态稳定最优切机控制策略搜索的简化方法。

背景技术

电力系统的安全稳定运行关系到社会稳定与经济发展，随着特高压及智能电网建设的快速发展、电力市场机制的越趋成熟、自然灾害风险的不断增大，大电网动态特性越来越复杂，电网运行控制难度越来越大，因此，实现电力系统暂态稳定在线分析与控制成为解决这一系列问题的关键要素，而计算量大的缺点则限制了暂态稳定分析与控制在实时环境中的应用。

由特性互补的静态EEAC(SEEAC)、动态EEAC(DEEAC)和集成EEAC(IEEAC)算法构成的EEAC算法框架是进行电力系统暂态稳定在线分析的算法基础。

IEEAC算法基于由满足精度要求的逐步积分法给出的受扰轨迹，在每个积分步的初始时刻更新一系列映象OMIB系统的参数，再通过最小值原则将映象系统的分析结果返回至多机空间。它与对应的数值积分具有相当的精确性和模型灵活性，未采用任何新的假设，是EEAC的精度与强壮性的保证。

SEEAC是专门针对经典模型的EEAC算法，它采用了理想两群模式的假设，本质上为模型凝聚技术，故误差较大。但它只需用单步泰勒级数求取映象系统在τ时刻的功角与加速度，故仅消耗极小的计算量就可获得稳定裕度的解析解。同时也为EEAC提供了许多宝贵的中间结果。

DEEAC巧妙地用4次自适应的大步长泰勒级数展开获得指定τ值或准临界条件下故障中、故障后轨迹，并在多机轨迹的凝聚时大大松弛了SEEAC算法关于冻结同群各机组间偏移角的近似假设，分别处理4段正弦曲线。它是协调SEEAC及IEEAC的接口，对提高EEAC的整体性能起到不可或缺的作用。

针对暂态稳定分析，算例筛选是减少计算量的措施之一。专利申请“电力系统暂态稳定评估预想故障集快速筛选方法”(公开号：103336994A)基于EEAC理论，通过比较静态EEAC(SEEAC)算法和动态EEAC(DEEAC)算法分析结果间差异、结合研究算例故障信息，匹配组合成不同筛选判据，从预想故障全集中分层筛除满足筛选判据的相当稳定的预想故障子集，大大减少了需进行详细暂态稳定分析的预想故障数。在其基础上，专利申请“电力系统暂态稳定评估预想故障快速强壮分类方法”(申请号：201410271454.2)进一步将预想故障全集中各算例分为稳定、疑似稳定、临界、疑似失稳、失稳5类，并视在线暂态稳定分析对计算时间要求的苛刻程度，灵活选择可以筛除的算例类别，将相当稳定和相当失稳的算例同时可靠筛除，使得需执行详细暂态稳定分析的预想故障数进一步降低。

针对暂态稳定控制，薛禹胜院士在《An Emergency Control Framework forTransient Security Emergency Control》(In:Proceedings of International Symposiumon Power Systems,Singapore,1993)一文中首次提出了“在线预决策，实时匹配”的暂态安全稳定紧急控制框架，并已有成功的工程应用，如何进一步减小在线策略优化算法的计算量成为亟需解决的问题。

许剑冰、方勇杰、鲍颜红等人在《最优控制策略搜索工具(OCDT)》(电力系统自动化,2002,26(22):56-58.)一文中则提出了一种最优切机控制策略的搜索方法：即首先应用时域仿真法得到全过程的系统动态轨迹，应用EEAC算法从这些轨迹中抽取系统稳定性的定量信息，得到系统的稳定裕度，结合所采用控制措施的控制代价，可计算出沿该控制方向增加控制量的性能代价比，从而为在候选控制措施集中选择下一个控制提供搜索方向，搜索过程一直进行到系统的稳定裕度满足要求为止。

已有专利申请根据研究算例时变程度与积分步长不同的暂态稳定分析算法裕度计算结果间相似程度的联系，设计算例分类框架，大大减小了暂态稳定分析计算量，循着这一思路并基于专利申请“电力系统暂态稳定评估预想故障快速强壮分类方法”(申请号：201410271454.2)的技术成果，本发明根据研究算例时变程度与由积分步长不同的暂态稳定分析算法识别得到的主导映象间相似程度的联系，设计切机控制策略搜索的简化方法，以期减小策略搜索计算量。

发明内容

本发明目的是：为进一步减小在线策略优化算法的计算量，在保证求得的切机控制策略为最优的前提下，为加快其搜索速度，基于EEAC理论、利用研究算例时变程度与由积分步长不同的暂态稳定分析算法识别得到的主导映象间相似程度的内在联系，针对切机控制措施提供一种考虑暂态功角稳定约束的最优控制策略搜索的简化方法。

具体地说，本发明是采用以下技术方案实现的，包括如下步骤：

1)针对预想故障全集中某一算例，应用专利申请201410271454.2“电力系统暂态稳定评估预想故障快速强壮分类方法”中的分类方法，根据SEEAC、DEEAC算法的裕度计算分析结果及其比较信息进行算例分类，将该算例识别为稳定类、疑似稳定类、临界类、疑似失稳类、失稳类中的一类；对于被识别为失稳类的算例而言，同时得到在应用SEEAC算法对该算例进行裕度计算的过程中由SEEAC算法识别得到的该算例的各领前群机组及各余下群机组，以及在应用DEEAC算法对该算例进行裕度计算的过程中由DEEAC算法求得的在研究算例主导映象的等值单机功角δ到达动态鞍点DSP时刻该算例的各领前群机组及各余下群机组的角速度v_DSP，v_DSP的单位是rad/s；

2)若该算例被识别为稳定类，执行步骤13)，否则执行步骤3)；

3)若该算例被识别为临界类，应用IEEAC算法对该算例进行裕度计算求得其稳定裕度η^IE，如果η^IE为正，执行步骤13)，如果η^IE非正，执行步骤12)；否则执行步骤4)；

4)若该算例被识别为疑似稳定类或疑似失稳类，应用IEEAC算法对该算例进行裕度计算求得其暂态稳定裕度η^IE，同时得到在应用IEEAC算法对该算例进行裕度计算的过程中由IEEAC算法识别得到的该算例的各领前群机组、各余下群机组以及求得的各机组的v_DSP，如果η^IE为正，执行步骤13)，如果η^IE非正，执行步骤7)；否则执行步骤5)；

5)若该算例被识别为失稳类，执行步骤6)；

6)对于该算例，记步骤1)中由SEEAC算法识别得到的该算例的领前群机组数为如果大于事先设定的设置值，则认为较大，执行步骤12)，否则执行步骤7)；

7)若该算例被识别为疑似稳定类或疑似失稳类，则针对步骤4)中由IEEAC算法识别得到的该算例的各领前群机组，求得各领前群机组的切机近似性价比，并按切机近似性价比由高到低排序；若该算例被识别为失稳类，则针对步骤1)中由SEEAC算法识别得到的该算例的各领前群机组，求得各领前群机组的切机近似性价比，并按切机近似性价比由高到低排序；

设切机数i＝1，并置k＝0，执行步骤8)；

8)若不等式成立，置k＝1，则由步骤7)求得的排序失效，此时若该算例被识别为疑似稳定类或疑似失稳类，则针对步骤4)中由IEEAC算法识别得到的该算例的各余下群机组，求得各余下群机组的切机近似性价比，并按切机近似性价比由高到低重新排序；若该算例被识别为失稳类，则针对步骤1)中由SEEAC算法识别得到的该算例的各余下群机组，求得各余下群机组的切机近似性价比，并按切机近似性价比由高到低重新排序；执行步骤9)；

否则直接执行步骤9)；

9)按照排序切除第i台机组，并基于此应用IEEAC算法对该算例进行裕度计算求得切除i台机组时的暂态稳定裕度

若已切除机组数i为1，执行步骤11)，否则执行步骤10)；

10)按公式求取切机控制策略校核指标若为负，则恢复被切除的第i台机组，执行步骤12)，否则执行步骤11)；

11)若为正，执行步骤13)，否则令切机数i＝i+1，并做如下判断，若k＝0则执行步骤8)，否则执行步骤9)；

12)应用现有的最优控制策略搜索方法进行策略搜索；

13)对该算例的最优切机控制策略搜索结束，若预想故障全集中所有算例的最优切机控制策略搜索都已结束，则结束本方法，否则取下一算例执行步骤1)。上述技术方案的进一步特征在于：

所述步骤7)中各领前群机组的切机近似性价比以及所述步骤8)中各余下群机组的切机近似性价比，按以下公式计算：

$W_{\mathrm{app}}=\frac{v_{\mathrm{DSP}}^2}{2C}$

上式中，W_app代表各机组的切机近似性价比，其中对于疑似稳定类或疑似失稳类算例，v_DSP是在步骤4)中由IEEAC算法求得，对于失稳类算例，v_DSP是在步骤1)中由DEEAC算法求得；C代表切除该机组所需经济代价，C的计算公式如下所示：

C＝C_fix+C_exe×P_m

上式中，C_fix为措施选用代价，C_exe为单位有功出力措施执行代价，P_m为稳态时该机组有功出力。

上述技术方案的进一步特征在于：所述步骤6)中，所述的事先设定的设置值为8。

上述技术方案的进一步特征在于：所述步骤12)中现有最优控制策略搜索方法为，首先应用时域仿真法得到全过程的系统动态轨迹，应用EEAC算法从这些轨迹中抽取系统稳定性的定量信息，得到系统的稳定裕度，结合所采用控制措施的控制代价，计算出沿该控制方向增加控制量的性能代价比，从而为在候选控制措施集中选择下一个控制提供搜索方向，搜索过程一直进行到系统的稳定裕度满足要求为止。

上述技术方案的进一步特征在于：所述C_fix为5万元，C_exe为0.1万元/MW。

本发明的有益效果如下：本发明基于EEAC理论，利用研究算例时变程度与由积分步长不同的暂态稳定分析算法识别得到的主导映象间相似程度的关系，对于时变程度较弱的失稳算例(即实际失稳算例中被识别为失稳类的算例)，综合应用分类框架进行算例暂态稳定严重程度分类时由SEEAC、DEEAC算法进行裕度计算的中间结果直接给出切机控制策略的性价比排序，无需用户提供候选切机控制策略并逐个应用IEEAC算法摄动求取。同时，设计切机控制策略校核指标保证由简化方法求得的控制策略的最优性。本发明适用于所有工程实际系统，大量试验表明：对于绝大部分(超过80％)时变程度较弱的实际失稳算例，应用本发明所述简化方法可求得最优切机控制策略，其与由现有最优控制策略搜索方法求得的完全一致。此外，失稳类的算例所需计算量全部包含在算例分类框架之中，无需附加任何计算量。由此，本发明对于实现在线暂态安全稳定分析与控制具有重大的理论和工程意义。

附图说明

图1为本发明方法的流程图。

具体实施方式

下面参照附图并结合实例对本发明作进一步详细描述。

图1中步骤1描述的是针对预想故障全集中某一算例，应用专利申请201410271454.2“电力系统暂态稳定评估预想故障快速强壮分类方法”中的分类方法，根据SEEAC、DEEAC算法的裕度计算分析结果及其比较信息进行算例分类，将其识别为稳定类、疑似稳定类、临界类、疑似失稳类、失稳类这5类之一，即通过挖掘积分步长不同的暂态稳定分析算法间所包含的不同裕度信息及其比较结果，反映研究算例时变程度，并结合故障信息组成暂态稳定严重程度不同类别的识别规则，实现算例分类。

专利申请201410271454.2“电力系统暂态稳定评估预想故障快速强壮分类方法”中的分类方法已详细披露在该申请的说明书中，分类方法即构成一个算例分类框架，具体而言，包括以下步骤：

A1)对于预想故障全集中某个算例，应用SEEAC算法对该算例进行裕度计算。

A2)如果由SEEAC算法求得的稳定裕度η^SE(τ)大于阈值ε₁(τ)，且该算例故障清除时间τ小于或等于阈值ε₂，则将其识别为稳定类算例，进入步骤A14)，否则执行步骤A3)。

A3)应用SEEAC算法进行极限计算求得该算例临界清除时间以其替代该算例故障清除时间τ，分别应用SEEAC、DEEAC算法进行裕度计算，通过比较SEEAC、DEEAC算法裕度计算过程的差异反映该算例时变程度。

其中，步骤A3)中通过比较SEEAC、DEEAC算法裕度计算过程的差异反映该算例时变程度的方法为，分别求得SEEAC和DEEAC两种算法裕度计算过程中得到的加速、减速面积的差异、以及DEEAC算法裕度计算过程中得到的加速面积和减速面积的差异，再按公式(1)求取最大差异值σ₁以反映该算例时变程度：

${\mathrm{\σ}}_1=\max \{{\mathrm{\ΔA}}_{\mathrm{inc}}\left(t_c^{\mathrm{SE}}\right),{\mathrm{\ΔA}}_{\mathrm{dec}}\left(t_c^{\mathrm{SE}}\right),\mathrm{\Δ\η}\left(t_c^{\mathrm{SE}}\right)\}---\left(1\right)$

其中：

${\mathrm{\ΔA}}_{\mathrm{inc}}\left(t_c^{\mathrm{SE}}\right)=\frac{|A_{\mathrm{inc}}^{\mathrm{DE}}\left(t_c^{\mathrm{SE}}\right)-A_{\mathrm{inc}}^{\mathrm{SE}}\left(t_c^{\mathrm{SE}}\right)|}{\max \{A_{\mathrm{inc}}^{\mathrm{SE}}\left(t_c^{\mathrm{SE}}\right),A_{\mathrm{inc}}^{\mathrm{DE}}\left(t_c^{\mathrm{SE}}\right)\}}$

${\mathrm{\ΔA}}_{\mathrm{dec}}\left(t_c^{\mathrm{SE}}\right)=\frac{|A_{\mathrm{dec}}^{\mathrm{DE}}\left(t_c^{\mathrm{SE}}\right)-A_{\mathrm{dec}}^{\mathrm{SE}}\left(t_c^{\mathrm{SE}}\right)|}{\max \{A_{\mathrm{dec}}^{\mathrm{SE}}\left(t_c^{\mathrm{SE}}\right),A_{\mathrm{dec}}^{\mathrm{DE}}\left(t_c^{\mathrm{SE}}\right)\}}$

$\mathrm{\Δ\η}\left(t_c^{\mathrm{SE}}\right)=\frac{|A_{\mathrm{dec}}^{\mathrm{DE}}\left(t_c^{\mathrm{SE}}\right)-A_{\mathrm{inc}}^{\mathrm{DE}}\left(t_c^{\mathrm{SE}}\right)|}{\max \{A_{\mathrm{inc}}^{\mathrm{DE}}\left(t_c^{\mathrm{SE}}\right),A_{\mathrm{dec}}^{\mathrm{DE}}\left(t_c^{\mathrm{SE}}\right)\}}$

上述式中，为SEEAC、DEEAC两种算法裕度计算过程中得到的加速面积的差异，为SEEAC、DEEAC两种算法裕度计算过程中得到的减速面积的差异，为DEEAC算法裕度计算过程中得到的加速面积和减速面积的差异，为对应于的由SEEAC算法求得的加速面积，为对应于的由DEEAC算法求得的加速面积，为对应于的由SEEAC算法求得的减速面积，为对应于的由DEEAC算法求得的减速面积。

A4)如果由SEEAC算法求得的稳定裕度η^SE(τ)大于阈值ε₃(τ)，且由步骤A3)反映的时变程度小于或等于阈值ε₄，则将该算例识别为稳定类算例，进入步骤A14)，否则执行步骤A5)。

A5)应用DEEAC算法对该算例进行裕度计算，并通过比较SEEAC与DEEAC算法裕度计算结果的差异反映该算例时变程度。

其中，步骤A5)中通过比较SEEAC、DEEAC算法裕度计算结果的差异反映该算例时变程度的方法为，按公式(2)求取SEEAC、DEEAC算法裕度计算结果的差异值σ₂(τ)以反映该算例时变程度：

${\mathrm{\σ}}_2\left(\mathrm{\τ}\right)=\frac{|{\mathrm{\η}}^{\mathrm{DE}}\left(\mathrm{\τ}\right)-{\mathrm{\η}}^{\mathrm{SE}}\left(\mathrm{\τ}\right)|}{\max \left\{\right|{\mathrm{\η}}^{\mathrm{SE}}\left(\mathrm{\τ}\right)|,|{\mathrm{\η}}^{\mathrm{DE}}\left(\mathrm{\τ}\right)\left|\right\}}---\left(2\right)$

其中，η^SE(τ)是由SEEAC算法求得的稳定裕度，η^DE(τ)由DEEAC算法求得的稳定裕度。

A6)如果由DEEAC算法求得的稳定裕度η^DE(τ)大于阈值ε₅(τ)，且由步骤A5)反映的时变程度小于或等于阈值ε₆，则将该算例识别为稳定类算例，进入步骤A14)，否则执行步骤A7)。

A7)如果由SEEAC算法求得的稳定裕度η^SE(τ)大于阈值ε₇、由DEEAC算法求得的稳定裕度η^DE(τ)大于阈值ε₈，且该算例故障清除时间τ小于或等于阈值ε₉，同时由步骤A3)反映的时变程度小于或等于阈值ε₁₀，则将该算例识别为稳定类算例，进入步骤A14)，否则执行步骤A8)。

A8)如果由SEEAC算法求得的稳定裕度η^SE(τ)小于阈值ε₁₁，且由DEEAC算法求得的稳定裕度η^DE(τ)小于阈值ε₁₂，则将该算例识别为失稳类算例，进入步骤A14)，否则执行步骤A9)。

A9)如果由SEEAC算法求得的稳定裕度η^SE(τ)小于阈值ε₁₃，且由DEEAC算法求得的稳定裕度η^DE(τ)小于阈值ε₁₄(τ)，同时，由步骤A3)反映的时变程度小于或等于阈值ε₁₅，则将该算例识别为失稳类算例，进入步骤A14)，否则执行步骤A10)。

A10)如果由SEEAC算法求得的稳定裕度η^SE(τ)小于阈值ε₁₆且大于由DEEAC算法求得的稳定裕度η^DE(τ)，同时，该算例故障清除时间τ大于或等于阈值ε₁₇且由步骤A5)反映的时变程度小于或等于阈值ε₁₈，则将该算例识别为失稳类算例，进入步骤A14)，否则执行步骤A11)。

A11)如果由SEEAC算法求得的稳定裕度η^SE(τ)大于阈值ε₁₉，且由DEEAC算法求得的稳定裕度η^DE(τ)大于阈值ε₂₀，同时该算例故障清除时间τ小于或等于阈值ε₂₁，则将该算例识别为疑似稳定类算例，进入步骤A14)，否则执行步骤A12)。

A12)如果由SEEAC算法求得的稳定裕度η^SE(τ)小于阈值ε₂₂，且由DEEAC算法求得的稳定裕度η^DE(τ)小于阈值ε₂₃，同时，由步骤A3)反映的时变程度小于或等于阈值ε₂₄，则将该算例识别为疑似失稳类算例，进入步骤A14)，否则执行步骤A13)。

A13)将该算例识别为临界类算例，进入步骤A14)。

A14)该算例的分类结束。

上述各阈值的取值如下：

ε₂＝0.260、ε₄＝0.465、ε₆＝0.350、ε₇＝0.800、ε₈＝0.810、ε₉＝0.400、ε₁₀＝0.500、ε₁₁＝-0.900、ε₁₂＝-0.950、ε₁₃＝0.000、ε₁₅＝0.405、ε₁₆＝-0.050、ε₁₇＝0.260、ε₁₈＝0.480、ε₁₉＝0.000、ε₂₀＝0.050、ε₂₁＝0.200、ε₂₂＝0.000、ε₂₃＝-0.050、ε₂₄＝0.400；

当0≤τ≤0.26时按下式计算ε₁(τ)的值：

${\mathrm{\ϵ}}_1\left(\mathrm{\τ}\right)=\left\{\begin{array}{cc}-0.300+8.750\mathrm{\τ}& \mathrm{\τ}\∈\left[\mathrm{0,0.12}\right)\\ 0.664+0.714\mathrm{\τ}& \mathrm{\τ}\∈\left[\mathrm{0.12,0.26}\right]\end{array}\right.$

当0≤τ<1时按以下公式计算ε₃(τ)、ε₅(τ)、ε₁₄(τ)的值：

${\mathrm{\&epsiv;}}_3\left(\mathrm{\&tau;}\right)=\left\{\begin{array}{cc}0.036+3.167\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;[\mathrm{0,0}.28)\\ 0.923& \mathrm{\&tau;}\&Element;[0.\mathrm{28,1}.00)\end{array}\right.$

${\mathrm{\&epsiv;}}_5\left(\mathrm{\&tau;}\right)=\left\{\begin{array}{cc}0.505+0.550\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;\left[\mathrm{0,0.20}\right)\\ 0.515+0.500\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;\left[\mathrm{0.20,0.22}\right)\\ -0.475+5.000\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;\left[\mathrm{0.22,0.26}\right)\\ -0.930+6.750\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;\left[\mathrm{0.26,0.28}\right)\\ 0.960& \mathrm{\&tau;}\&Element;\left[\mathrm{0.28,0.36}\right)\\ 0.780+0.500\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;\left[\mathrm{0.36,0.40}\right)\\ 0.980& \mathrm{\&tau;}\&Element;\left[\mathrm{0.40,1.00}\right)\end{array}\right.$

${\mathrm{\&epsiv;}}_{14}\left(\mathrm{\&tau;}\right)=\left\{\begin{array}{cc}-0.156-1.670\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;\left[\mathrm{0,0.20}\right)\\ 0.335-4.125\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;\left[\mathrm{0.20,0.28}\right)\\ -0.400-1.500\mathrm{\&tau;}& \mathrm{\&tau;}\&Element;\left[\mathrm{0.28,0.36}\right)\\ -0.940& \mathrm{\&tau;}\&Element;\left[\mathrm{0.36,1.00}\right)\end{array}\right.$

当τ≥1时，ε₃(τ)、ε₅(τ)、ε₁₄(τ)的值分别取0.923、0.980、-0.940。

需要说明的是，步骤A2)、A4)、A6)用于识别稳定类算例，上述主要技术方法已反映在专利申请“电力系统暂态稳定评估预想故障集快速筛选方法”(公开号：103336994A)中，它是专利申请201410271454.2“电力系统暂态稳定评估预想故障快速强壮分类方法”中的分类方法的基础。

需要说明的是，对于失稳类算例而言，在步骤A1)中应用SEEAC算法对该算例进行裕度计算的过程中，可同时由SEEAC算法识别得到该算例的各领前群机组及各余下群机组，在步骤A5)中应用DEEAC算法对该算例进行裕度计算的过程中，可同时由DEEAC算法求得在研究算例主导映象的等值单机功角δ到达动态鞍点DSP时刻(t_DSP，即该算例在其暂态稳定态势发展已趋于成熟的时刻)该算例的各领前群机组及各余下群机组的角速度v_DSP(单位：rad/s)。

应用SEEAC算法识别得到该算例的各领前群机组和各余下群机组的方法，具体可参见薛禹胜编著的《运动稳定性量化理论——非自治非线性多刚体系统的稳定性分析》(南京：江苏科学技术出版社，1999)，其基本过程包括3步：(1)列出领前群、余下群机组划分模式的候选表；(2)计算每个候选的互补群到达其对应的DSP的时间；(3)最早到达DSP的模式就是失稳模式。而v_DSP是步骤A5)中应用DEEAC算法对该算例进行裕度计算的中间结果。由于这些计算过程和方法都是本领域的公知技术，故不再详细描述。

图1中步骤2～步骤5分别针对该算例可能被识别的暂稳严重程度类别决定是否进行切机控制策略的搜索及其具体进程。

图1中步骤2描述的是若该算例被识别为稳定类，则它不需要进行切机控制策略的搜索，执行步骤13，否则执行步骤3。

图1中步骤3描述的是若该算例被识别为临界类，则接着应用IEEAC算法进行暂态稳定裕度计算，求得稳定裕度η^IE，继续进行如下判断：如果η^IE＞0，则它不需要进行切机控制策略的搜索，执行步骤13，如果η^IE≤0，则执行步骤12以直接应用现有最优控制策略搜索方法进行策略搜索；否则执行步骤4。

图1中步骤4描述的是若该算例被识别为疑似稳定类或疑似失稳类，则接着应用IEEAC算法进行暂态稳定裕度计算，求得稳定裕度η^IE，同时得到在应用IEEAC算法对该算例进行裕度计算的过程中由IEEAC算法识别得到的该算例的各领前群机组、各余下群机组以及求得的各机组的v_DSP，然后继续进行如下判断：如果η^IE＞0，则它不需要进行切机控制策略的搜索，执行步骤13，如果η^IE≤0，执行步骤7以应用简化方法进行策略搜索；否则执行步骤5。

图1中步骤5描述的是若该算例被识别为失稳类，执行步骤6。

图1中步骤6描述的是判定该算例可否应用简化方法进行切机控制策略搜索。记步骤1中由SEEAC算法识别得到的领前群机组数为若大于事先设定的设置值(例如8)成立，则认为较大使得该算例不能应用简化方法进行切机控制策略搜索，执行步骤12以直接应用现有最优控制策略搜索方法进行策略搜索，否则执行步骤7以应用简化方法进行策略搜索。

图1中步骤7和步骤8描述的是切机控制策略搜索的简化方法中候选切机控制策略近似性价比排序的生成。

图1中步骤7描述的是，若该算例被识别为疑似稳定类或疑似失稳类，则针对步骤4)中由IEEAC算法识别得到的该算例的各领前群机组，求得各领前群机组的切机近似性价比，并按切机近似性价比由高到低排序；若该算例被识别为失稳类，则针对步骤1)中由SEEAC算法识别得到的该算例的各领前群机组，求得各领前群机组的切机近似性价比，并按切机近似性价比由高到低排序。排序完成后，设切机数i＝1，并置k＝0。

切机近似性价比采用公式(1)求得：

$W_{\mathrm{app}}=\frac{v_{\mathrm{DSP}}^2}{2C}---\left(1\right)$

式(1)中，对于疑似稳定类或疑似失稳类算例，v_DSP是在步骤4)中由IEEAC算法求得，对于失稳类算例，v_DSP是在步骤1)中由DEEAC算法求得。C为切除该机组所需经济代价，其计算公式如式(2)所示。

C＝C_fix+C_exe×P_m    (2)

式(2)中，C_fix为措施选用代价，如可为5万元，C_exe为单位有功出力措施执行代价，如可为0.1万元/MW，P_m为稳态时该机组有功出力。

图1中步骤8描述的是判定不等式是否成立，若成立，置参量k＝1，则由步骤7求得的候选切机排序失效，并参照步骤7中所述方法，若该算例被识别为疑似稳定类或疑似失稳类，则针对步骤4中由IEEAC算法识别得到的各余下群机组，求得各余下群机组的切机近似性价比W_app，并按其值由高到低的顺序排序；若该算例被识别为失稳类，则针对步骤1中由SEEAC算法识别得到的各余下群机组，求得各余下群机组的切机近似性价比W_app，并按其值由高到低的顺序排序。

由以上说明可知，对于失稳类算例，步骤7和步骤8中求取各机组切机控制策略近似性价比排序所需计算量全部包含在算例分类框架中，即步骤1中在对该算例进行分类时就由SEEAC算法识别得到各领前群机组、各余下群机组以及由DEEAC算法求得各机组的转子角速度；而对于疑似稳定类或疑似失稳类算例，步骤7和步骤8中求取各机组切机控制策略近似性价比排序所需计算量则包含在步骤4应用IEEAC算法进行裕度计算的过程中。

图1中步骤9～步骤11描述的是切机控制策略搜索的简化方法的校验过程。

图1中步骤9描述的是按照步骤7或步骤8所得排序切除第i台机组，并由IEEAC算法求得此时(已切除i台机组)的暂态稳定裕度如果仅切除1台机组(i＝1)，执行步骤11，否则执行步骤10。

图1中步骤10描述的是切机有效性的校核。根据相邻两次切机控制策略实施后由IEEAC算法求得的稳定裕度的大小关系定义切机控制策略校核指标若为负，则恢复被切除的第i台机组，执行步骤12，否则执行步骤11。即采用公式(3)定义切机控制策略校核指标其中，代表已切除机组数分别为i-1、i时应用IEEAC算法求得的暂态稳定裕度。

${\mathrm{\&Delta;\&eta;}}_i^{\mathrm{IE}}={\mathrm{\&eta;}}_i^{\mathrm{IE}}-{\mathrm{\&eta;}}_{i-1}^{\mathrm{IE}}---\left(3\right)$

图1中步骤11描述的是切机控制策略搜索的结束判据。若由IEEAC算法求得的已切除i台机组后的暂态稳定裕度为正，执行步骤13，否则依排序继续切除机组，令i＝i+1，并做如下判断：若k＝0则执行步骤8，否则执行步骤9。

图1中步骤12描述的是对于不适宜使用简化方法的算例，应用许剑冰、方勇杰、鲍颜红等人在文献《最优控制策略搜索工具(OCDT)》(电力系统自动化,2002,26(22):56-58.)中所述的现有最优控制策略搜索方法进行策略搜索，即首先应用时域仿真法得到全过程的系统动态轨迹，应用EEAC算法从这些轨迹中抽取系统稳定性的定量信息，得到系统的稳定裕度，结合所采用控制措施的控制代价，计算出沿该控制方向增加控制量的性能代价比，从而为在候选控制措施集中选择下一个控制提供搜索方向，搜索过程一直进行到系统的稳定裕度满足要求为止。

图1中步骤13描述的是若预想故障全集中所有算例都已完成最优切机控制策略的求取，结束本方法，否则取下一算例执行步骤1。

作为本发明的一个实施例，以海南(2009年数据)、山东(2004及2012年数据，分别记为山东A及山东B)、浙江(2012及2013年数据，分别记为浙江A及浙江B)、江西(2011年数据)、河南(2011年数据)、新疆(2012年数据)和南网(2012年数据)这9个系统原始工况及修改工况下线路三相永久短路故障为预想故障全集(共1652个算例)，测试本发明方法的强壮性及有效性。

预想故障全集中，共379个实际失稳算例被正确识别为失稳类，它们需执行步骤6判断其可否应用简化方法进行切机控制策略搜索(以下称这379个算例为测试算例)。其中，31个算例(占测试算例的8.18％)由于满足不等式而直接应用现有最优控制策略搜索方法求解(执行步骤12)，其余348个算例(占测试算例的91.82％)则可以应用简化方法进行切机控制策略搜索。

在这348个算例中，43个算例(占测试算例的11.35％)在切除全部由SEEAC算法识别得到的领前群机组后，应用IEEAC算法求得的稳定裕度仍为负，依照排序继续切除由SEEAC算法识别得到的余下群机组时，由于为负转而应用现有最优控制策略搜索方法求解(执行步骤12)，剩余305个算例(占测试算例的80.47％)则自始至终仅应用简化方法求得控制策略使原算例恢复稳定。这348个算例或者仅应用简化方法、或者综合应用简化方法和现有方法求得控制策略，搜索结果与由现有最优控制策略搜索方法求得的完全一致。

预想故障全集中，共22个实际失稳算例被识别为疑似稳定类或疑似失稳类，它们需应用IEEAC算法执行一次裕度计算的中间结果求取各机组切机近似性价比排序，并依序切除相应机组直至系统稳定裕度满足要求，从而搜索得到最优切机控制措施，搜索结果与现有方法求得的完全一致。

简化方法和现有方法在计算量上的差别体现在候选控制措施性价比排序的求取上。简化方法不需要用户提供候选的控制措施，它通过提取原算例进行裕度计算时的中间结果自动给出性价比排序，对于绝大部分被识别为失稳类的算例，更是仅需提取SEEAC和DEEAC算法裕度计算中间结果，这部分计算量包含在算例分类框架之中。而现有方法则需要用户提供候选的控制措施，并针对每一个候选控制措施应用IEEAC算法各执行一次裕度计算求得候选控制措施的性价比并进行排序。

以n表征执行现有方法时由用户指定的候选控制策略数，以C_IE表征针对该算例应用IEEAC算法执行一次裕度计算所需计算量。

对于被专利申请201410271454.2“电力系统暂态稳定评估预想故障快速强壮分类方法”中所提算例分类框架识别为失稳类的绝大部分算例，应用简化方法求取其候选控制措施性价比排序时所需计算量全部包含在算例分类框架之中，无需另加任何计算量

对于被专利申请201410271454.2“电力系统暂态稳定评估预想故障快速强壮分类方法”中所提算例分类框架识别为疑似稳定类或疑似失稳类的失稳算例，应用简化方法求取其候选控制措施性价比排序时所需计算量为C_IE。

而对于任一失稳算例，由现有方法求取其候选控制措施性价比排序时所需计算量为(n+1)C_IE。

因此，算例分类框架的优异性能保证了对绝大部分实际失稳算例的准确识别(超过80％的实际失稳算例被准确识别为失稳类)，由此保证了最优切机控制策略搜索简化方法的快速性。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (5)

1.电力系统暂态稳定最优切机控制策略搜索的简化方法，其特征在于，包括以下步骤：

1)针对预想故障全集中某一算例，应用专利申请201410271454.2“电力系统暂态稳定评估预想故障快速强壮分类方法”中的分类方法，根据SEEAC、DEEAC算法的裕度计算分析结果及其比较信息进行算例分类，将该算例识别为稳定类、疑似稳定类、临界类、疑似失稳类、失稳类中的一类；对于被识别为失稳类的算例而言，同时得到在应用SEEAC算法对该算例进行裕度计算的过程中由SEEAC算法识别得到的该算例的各领前群机组及各余下群机组以及在应用DEEAC算法对该算例进行裕度计算的过程中由DEEAC算法求得的在研究算例主导映象的等值单机功角δ到达动态鞍点DSP时刻该算例的各领前群机组及各余下群机组的角速度v_DSP，v_DSP的单位是rad/s；

2)若该算例被识别为稳定类，执行步骤13)，否则执行步骤3)；

3)若该算例被识别为临界类，应用IEEAC算法对该算例进行裕度计算求得其稳定裕度η^IE，如果η^IE为正，执行步骤13)，如果η^IE非正，执行步骤12)；否则执行步骤4)；

4)若该算例被识别为疑似稳定类或疑似失稳类，应用IEEAC算法对该算例进行裕度计算求得其暂态稳定裕度η^IE，同时得到在应用IEEAC算法对该算例进行裕度计算的过程中由IEEAC算法识别得到的该算例的各领前群机组、各余下群机组以及求得的各机组的v_DSP，如果η^IE为正，执行步骤13)，如果η^IE非正，执行步骤7)；否则执行步骤5)；

5)若该算例被识别为失稳类，执行步骤6)；

6)对于该算例，记步骤1)中由SEEAC算法识别得到的该算例的领前群机组数为如果大于事先设定的设置值，则认为较大，执行步骤12)，否则执行步骤7)；

7)若该算例被识别为疑似稳定类或疑似失稳类，则针对步骤4)中由IEEAC算法识别得到的该算例的各领前群机组，求得各领前群机组的切机近似性价比，并按切机近似性价比由高到低排序；若该算例被识别为失稳类，则针对步骤1)中由SEEAC算法识别得到的该算例的各领前群机组，求得各领前群机组的切机近似性价比，并按切机近似性价比由高到低排序；

设切机数i＝1，并置k＝0，执行步骤8)；

8)若不等式成立，置k＝1，则由步骤7)求得的排序失效，此时若该算例被识别为疑似稳定类或疑似失稳类，则针对步骤4)中由IEEAC算法识别得到的该算例的各余下群机组，求得各余下群机组的切机近似性价比，并按切机近似性价比由高到低重新排序；若该算例被识别为失稳类，则针对步骤1)中由SEEAC算法识别得到的该算例的各余下群机组，求得各余下群机组的切机近似性价比，并按切机近似性价比由高到低重新排序；执行步骤9)；

否则直接执行步骤9)；

9)按照排序切除第i台机组，并基于此应用IEEAC算法对该算例进行裕度计算求得切除i台机组时的暂态稳定裕度

若已切除机组数i为1，执行步骤11)，否则执行步骤10)；

10)按公式求取切机控制策略校核指标若为负，则恢复被切除的第i台机组，执行步骤12)，否则执行步骤11)；

11)若为正，执行步骤13)，否则令切机数i＝i+1，并做如下判断，若k＝0则执行步骤8)，否则执行步骤9)；

12)应用现有的最优控制策略搜索方法进行策略搜索；

13)对该算例的最优切机控制策略搜索结束，若预想故障全集中所有算例的最优切机控制策略搜索都已结束，则结束本方法，否则取下一算例执行步骤1)。

2.根据权利要求1所述的电力系统暂态稳定最优切机控制策略搜索的简化方法，其特征在于，所述步骤7)中各领前群机组的切机近似性价比以及所述步骤8)中各余下群机组的切机近似性价比，按以下公式计算：

$W_{\mathrm{app}}=\frac{v_{\mathrm{DSP}}^2}{2C}$

上式中，W_app代表各机组的切机近似性价比，其中对于疑似稳定类或疑似失稳类算例，v_DSP是在步骤4)中由IEEAC算法求得，对于失稳类算例，v_DSP是在步骤1)中由DEEAC算法求得；C代表切除该机组所需经济代价，C的计算公式如下所示：

C＝C_fix+C_exe×P_m

上式中，C_fix为措施选用代价，C_exe为单位有功出力措施执行代价，P_m为稳态时该机组有功出力。

3.根据权利要求1所述的电力系统暂态稳定最优切机控制策略搜索的简化方法，其特征在于，所述步骤6)中，所述的事先设定的设置值为8。

4.根据权利要求1所述的电力系统暂态稳定最优切机控制策略搜索的简化方法，其特征在于，所述步骤12)中现有最优控制策略搜索方法为，首先应用时域仿真法得到全过程的系统动态轨迹，应用EEAC算法从这些轨迹中抽取系统稳定性的定量信息，得到系统的稳定裕度，结合所采用控制措施的控制代价，计算出沿该控制方向增加控制量的性能代价比，从而为在候选控制措施集中选择下一个控制提供搜索方向，搜索过程一直进行到系统的稳定裕度满足要求为止。

5.根据权利要求2所述的电力系统暂态稳定最优切机控制策略搜索的简化方法，其特征在于，所述C_fix为5万元，C_exe为0.1万元/MW。