CN107276072A - 一种利用稳态信息定量评估电力系统暂态稳定裕度的方法 - Google Patents

Abstract

本发明是一种利用稳态信息定量评估电力系统暂态稳定裕度的方法，其特点是，首先依据轨迹分析法计算不同潮流断面下区域联络线严重故障时表征系统暂态稳定裕度的发电机稳定指标和不稳定指标；进一步通过复合神经网络建立起稳态运行特征变量与发电机稳定、不稳定指标之间的映射关系；最后实现仅通过稳态信息定量评估系统的暂态稳定裕度，为电网调度人员采取预防控制措施提供决策依据。

Description

一种利用稳态信息定量评估电力系统暂态稳定裕度的方法

技术领域

本发明涉及电力系统安全稳定运行领域，是一种利用稳态信息定量评估电力系统暂态稳定裕度的方法。

背景技术

暂态稳定评估是电力系统动态安全分析的重要内容，是保证电力系统安全运行的前提。传统评估方法，如能量函数法(直接法)在在线稳定分析中与时域仿真法有效配合，其特点是适应性强、精度高，获得了广泛应用。以人工智能为基础的电力系统暂态稳定评估具有很大潜力，它不需要建立复杂的数学模型，而是建立起输入与输出量之间的非线性映射关系，具有自学习能力强、评估速度快、判稳同时给出系统稳定裕度等优点。另外，在实际场景中，很多暂态稳定问题都表现为特定运行方式下的稳定问题。区域联络线故障引发的暂态稳定问题是调度运行人员密切关注的，在故障确定(扰动类型、位置及持续时间固定)的情况下，系统的暂态稳定程度仅与初始稳态运行方式有关。但是，现有技术应用于规模较大的电力系统时，在线计算量大、仿真时间长、很难满足在线评估需求；现有技术中缺乏仅利用稳态信息定量评估特定运行方式下暂态稳定裕度的研究。如何基于稳态数据，挖掘区域联络线严重故障时的暂态稳定程度与运行特征量之间的关系，提高系统安全水平已经成为本领域技术人员渴望解决，但至今尚未解决的技术难题。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种利用稳态信息定量评估电力系统暂态稳定裕度的方法，其方法科学合理，仅通过稳态信息定量评估区域联络线严重故障时的系统稳定裕度，为电网调度人员采取预防控制措施提供决策依据。

解决技术问题采用的方案是：一种利用稳态信息定量评估电力系统暂态稳定裕度的方法，其特征是评估结果不依赖于动态轨迹信息，它包括以下内容：

1)采用轨迹分析方法中的稳定指标和不稳定指标来定量评估电力系统中发电机的暂态稳定程度，电力系统暂态稳定性越好，稳定指标绝对值越大，不稳定指标为0；电力系统暂态失稳越严重，不稳定指标绝对值越大，稳定指标为0；

2)构建复合神经网络来建立电力系统运行初态和发电机暂态稳定指标之间的映射关系，实现仅基于稳态信息的暂态稳定裕度定量评估，根据电网实际经验构建电网故障集，即区域间联络线三相短路故障，每一个电网仿真样本包含该运行方式下的稳态运行特征变量及故障集中最严重故障下的发电机稳定指标S_t与不稳定指标U_t，稳态运行特征变量构成输入特征集作为训练网络的输入，为了避免因降维而导致关键信息的缺失和遗漏，稳态运行特征变量无需进行降维处理，发电机稳定指标S_t与不稳定指标U_t作为训练网络的输出；

(1)第一层采用概率神经网络(PNN)进行数据分类，训练输入为稳态运行特征变量集，训练输出为不稳定集和稳定集，分别标识为0和1，将输入样本根据稳定性状况分成稳定、不稳定2类，训练样本经PNN分类后，每个子类样本属于同一类别，具有相似特征，在形成BP子网时，各类子网对当前类的样本更具针对性；

(2)第二层采用BP神经网络，其中BP输入层是PNN分类后的样本，根据输入特征数合理设置隐含层的神经元个数，BP输出层是发电机稳定指标S_t与不稳定指标U_t，分类后的样本经训练后用于对不同类别的样本中各发电机稳定、不稳定指标进行预测；

(3)为改善PNN误分类的缺陷，采用交叉训练的方式进行检查修正操作：被PNN分类为稳定类的样本进入稳定类与不稳定类BP子网，分别训练得到该发电机非0的稳定指标与为0的不稳定指标，其中不稳定指标用于检查修正稳定指标的训练结果，即只有在不稳定指标为0、稳定指标非0时，稳定指标作为结果输出；而不稳定指标非0时，稳定样本被再次划分为不稳定样本，这种修正方法可有效减少误判样本，即不稳定错误分类成稳定的个数；同理，被PNN分类为不稳定类的样本会同时进入稳定类与不稳定类BP子网，分别训练得到该发电机为0的稳定指标与非0的不稳定指标，稳定类BP子网中得到的稳定指标用于检查修正不稳定指标的训练结果，即只有在稳定指标为0、不稳定指标非0时，稳定指标作为结果输出为0；而稳定指标非0时，不稳定样本被再次划分为稳定样本，这种修正方法可有效减少漏判样本，即稳定错误分类成不稳定的个数。

本发明的一种利用稳态信息定量评估电力系统暂态稳定裕度的方法，由于采用复合神经网络，明显提高了评估准确率及预测精度，原因在于：①因PNN的网络内部按各模式的最大概率直接输出分类结果，且对同一输入输出样本数据进行神经网络训练时，PNN训练得到的网络结构是固定不变的，相比BP网络，PNN具有较好的分类性能；②训练样本经PNN分类后，各类BP子网对当前类的样本更具针对性，采用分类预测具有更好的预测精度；③复合网络中各类BP子网对训练结果具有检查修正功能，可以有效减少误判和漏判样本。特征样本经过上述复合神经网络的训练后，可以获得较好的预测效果，选择关注稳定指标较小的发电机可直观地评估当前运行方式下区域联络线严重故障时系统暂态稳定裕度。其方法科学合理，仅通过稳态信息定量评估区域联络线严重故障时的系统稳定裕度，为电网调度人员采取预防控制措施提供决策依据。

附图说明

图1为复合神经网络训练示意图；

图2为IEEE-39系统划分图。

具体实施方式

参照图1，本发明的一种利用稳态信息定量评估电力系统暂态稳定裕度的方法，包括以下内容：

1)采用轨迹分析方法中的稳定指标和不稳定指标来定量评估电力系统中发电机的暂态稳定程度，电力系统暂态稳定性越好，稳定指标绝对值越大，不稳定指标为0；电力系统暂态失稳越严重，不稳定指标绝对值越大，稳定指标为0；

2)构建复合神经网络来建立电力系统运行初态和发电机暂态稳定指标之间的映射关系，实现仅基于稳态信息的暂态稳定裕度定量评估，根据电网实际经验构建电网故障集，即区域间联络线三相短路故障，每一个电网仿真样本包含该运行方式下的稳态运行特征变量及故障集中最严重故障下的发电机稳定指标S_t与不稳定指标U_t，稳态运行特征变量构成输入特征集作为训练网络的输入，为了避免因降维而导致关键信息的缺失和遗漏，稳态运行特征变量无需进行降维处理，发电机稳定指标S_t与不稳定指标U_t作为训练网络的输出；

(1)第一层采用概率神经网络(PNN)进行数据分类，训练输入为稳态运行特征变量集，训练输出为不稳定集和稳定集，分别标识为0和1，将输入样本根据稳定性状况分成稳定、不稳定2类，训练样本经PNN分类后，每个子类样本属于同一类别，具有相似特征，在形成BP子网时，各类子网对当前类的样本更具针对性；

(2)第二层采用BP神经网络，其中BP输入层是PNN分类后的样本，根据输入特征数合理设置隐含层的神经元个数，BP输出层是发电机稳定指标S_t与不稳定指标U_t，分类后的样本经训练后用于对不同类别的样本中各发电机稳定、不稳定指标进行预测；

(3)为改善PNN误分类的缺陷，采用交叉训练的方式进行检查修正操作：被PNN分类为稳定类的样本进入稳定类与不稳定类BP子网，分别训练得到该发电机非0的稳定指标与为0的不稳定指标，其中不稳定指标用于检查修正稳定指标的训练结果，即只有在不稳定指标为0、稳定指标非0时，稳定指标作为结果输出；而不稳定指标非0时，稳定样本被再次划分为不稳定样本，这种修正方法可有效减少误判样本，即不稳定错误分类成稳定的个数；同理，被PNN分类为不稳定类的样本会同时进入稳定类与不稳定类BP子网，分别训练得到该发电机为0的稳定指标与非0的不稳定指标，稳定类BP子网中得到的稳定指标用于检查修正不稳定指标的训练结果，即只有在稳定指标为0、不稳定指标非0时，稳定指标作为结果输出为0；而稳定指标非0时，不稳定样本被再次划分为稳定样本，这种修正方法可有效减少漏判样本，即稳定错误分类成不稳定的个数。

此复合神经网络明显提高了评估准确率及预测精度，原因在于：①因PNN的网络内部按各模式的最大概率直接输出分类结果，且对同一输入输出样本数据进行神经网络训练时，PNN训练得到的网络结构是固定不变的，相比BP网络，PNN具有较好的分类性能；②训练样本经PNN分类后，各类BP子网对当前类的样本更具针对性，采用分类预测具有更好的预测精度；③复合网络中各类BP子网对训练结果具有检查修正功能，可以有效减少误判和漏判样本。

特征样本经过上述复合神经网络的训练后，可以获得较好的预测效果，选择关注稳定指标较小的发电机可直观地评估当前运行方式下区域联络线严重故障时系统暂态稳定裕度。

下面结合具体的试验验证上述方案的可行性，详见以下描述：

以IEEE-39节点系统为算例，IEEE-39节点系统区域划分参照图2。输入特征变量如表1所示。统计得到各种运行方式对应的样本值，生成7200个样本组成的输入空间。7200个样本中随机选取6000个作为训练样本，其余1200个则作为测试样本，如表2所示。

表1 IEEE-39系统输入特征变量

表2训练集和测试集样本构成

为验证复合神经网络的优势，分别通过复合神经网络和单层BP网络建立起评估输入与发电机稳定指标之间的映射关系，得到不同运行方式下的训练和测试样本表明，训练网络均能收敛。以区域联络线6-11故障为例，对比了部分测试样本中5号发电机的稳定指标实际值、复合网络预测值与BP网络预测值，对比结果如表3所示。

表3稳定指标预测结果对比

通过上表不难看出：本发明所给出的方法无论在预测精度，还是在评估正确率上都优于传统的BP方法。

本发明用如下的暂态稳定评估正确率c来对其进行考核。

式中：N为样本总数；m为评估正确样本数。

如果预测的暂态稳定结果与实际结果一致，则认为是正确的。c用于考察神经网络的暂态稳定区分能力。本发明进一步采用如下的平均误差E_rr、最大绝对误差E_m来评判神经网络的预测精度：

E_m＝max{|s_i-r_i|}i＝1,2,···,N (3)

式中：s_i和r_i分别为第i个样本的稳定指标预测值和实际值。

表4为区域联络线6-11故障时复合网络和单层BP网络的稳定评估测试对比结果。预测中较大的绝对误差均出现在稳定指标较大的情况，这是具有输出饱和特性的BP网络的固有特征，并不会影响到评估正确率。

表4区域联络线6-11故障测试结果

表5为区域联络线16-17故障时，复合网络采用和不采用检查修正网络的测试对比结果。分析下表可知，复合神经网络采用结果检查修正后可以有效减少漏判样本数，但仍存在漏判样本，通过分析漏判样本的特点可知：漏判样本中薄弱发电机的稳定指标均在区间(0,1)内，说明漏判样本集中在稳定边界附近。

为提高复合网络在稳定边界附近样本的区分能力，减小稳定边界附近的误判/漏判样本，在训练样本数不变的情况下，相应增加稳定边界附近的训练样本，可以有效减少误判/漏判样本数。越靠近稳定边界的样本非线性越强，分类难度越高，这也是无法彻底消除漏判样本的主要原因。

表5区域联络线16-17故障测试结果

通过以上分析可知，本发明提出的利用稳态信息定量评估电力系统暂态稳定裕度的方法，无论在预测精度，还是在评估正确率上都优于传统BP方法，IEEE-39系统算例验证了本发明方法的有效性。

以上具体实施方式仅用以说明本发明的技术方案，而非对其限制，所属领域的普通技术人员应该理解，参照上述实施例所作的任何形式的修改、等同变化均在本发明权利要求保护范围之内。

Claims (1)

1.一种利用稳态信息定量评估电力系统暂态稳定裕度的方法，其特征是评估结果不依赖于动态轨迹信息，它包括以下内容：

1)采用轨迹分析方法中的稳定指标和不稳定指标来定量评估电力系统中发电机的暂态稳定程度，电力系统暂态稳定性越好，稳定指标绝对值越大，不稳定指标为0；电力系统暂态失稳越严重，不稳定指标绝对值越大，稳定指标为0；

2)构建复合神经网络来建立电力系统运行初态和发电机暂态稳定指标之间的映射关系，实现仅基于稳态信息的暂态稳定裕度定量评估，根据电网实际经验构建电网故障集，即区域间联络线三相短路故障，每一个电网仿真样本包含该运行方式下的稳态运行特征变量及故障集中最严重故障下的发电机稳定指标S_t与不稳定指标U_t，稳态运行特征变量构成输入特征集作为训练网络的输入，为了避免因降维而导致关键信息的缺失和遗漏，稳态运行特征变量无需进行降维处理，发电机稳定指标S_t与不稳定指标U_t作为训练网络的输出；

(1)第一层采用概率神经网络(PNN)进行数据分类，训练输入为稳态运行特征变量集，训练输出为不稳定集和稳定集，分别标识为0和1，将输入样本根据稳定性状况分成稳定、不稳定2类，训练样本经PNN分类后，每个子类样本属于同一类别，具有相似特征，在形成BP子网时，各类子网对当前类的样本更具针对性；

(2)第二层采用BP神经网络，其中BP输入层是PNN分类后的样本，根据输入特征数合理设置隐含层的神经元个数，BP输出层是发电机稳定指标S_t与不稳定指标U_t，分类后的样本经训练后用于对不同类别的样本中各发电机稳定、不稳定指标进行预测；

(3)为改善PNN误分类的缺陷，采用交叉训练的方式进行检查修正操作：被PNN分类为稳定类的样本进入稳定类与不稳定类BP子网，分别训练得到该发电机非0的稳定指标与为0的不稳定指标，其中不稳定指标用于检查修正稳定指标的训练结果，即只有在不稳定指标为0、稳定指标非0时，稳定指标作为结果输出；而不稳定指标非0时，稳定样本被再次划分为不稳定样本，这种修正方法可有效减少误判样本，即不稳定错误分类成稳定的个数；同理，被PNN分类为不稳定类的样本会同时进入稳定类与不稳定类BP子网，分别训练得到该发电机为0的稳定指标与非0的不稳定指标，稳定类BP子网中得到的稳定指标用于检查修正不稳定指标的训练结果，即只有在稳定指标为0、不稳定指标非0时，稳定指标作为结果输出为0；而稳定指标非0时，不稳定样本被再次划分为稳定样本，这种修正方法可有效减少漏判样本，即稳定错误分类成不稳定的个数。