CN108053128B - 一种基于elm和tf的电网暂态稳定快速评估方法 - Google Patents

Abstract

本发明公开了一种基于极限学习机和轨迹匹配的电网暂态稳定快速评估方法，属于电力系统暂态稳定预测技术领域。该方法以基于极限学习机的暂态稳定评估模型为核心，利用轨迹匹配方法进行校验和修正，实现暂态稳定预测准确性的提升。同时，该方法将电网通信状态的影响考虑在内，设置了通信中断、异常等故障下的应对方案，保证了该方法在实际应用中的可靠性。本发明可用于严重故障后电网暂态稳定性的快速评估，能够为电网运行控制提供决策依据。

Description

一种基于ELM和TF的电网暂态稳定快速评估方法

技术领域

本发明涉及电网安全稳定分析方法，具体涉及一种基于极限学习机和轨迹匹配的电网暂态稳定快速评估方法。

背景技术

随着电力系统规模在地理距离和负荷量级上的增加，以及新型电力电子设备的并网投运，电力系统的动态特性，诸如同调性、失稳模式和关键断面都越来越复杂，其运行控制的难度变大。同时，电力系统信息化及数据分析技术水平的提高，支撑了电力系统在线分析和预测技术的发展，能够提高电力系统抵御大面积停电和连锁故障风险的能力。因此，研究新形势下电力系统在线分析和预测方法具有重要的实际意义。

一直以来，功角稳定问题是电力系统稳定性研究的重点，经过长期的发展，电力系统中用于功角稳定评估的方法很丰富，包括时域仿真法、能量函数法、EEAC(ExtendedEqual Area Criterion)法等。以此为基础，可将暂态稳定评估方法分为两类：一类以挖掘系统轨迹变化特征判断系统稳定性，主要依靠数值分析、时域仿真方法；另一类以系统能量变化特征分析系统稳定性，在能量函数构建、稳定域求解等方面有所发展，并趋于实用化，但分析结果仍存在一定误差。

数据分析处理技术的发展进步，使机器学习为代表的智能算法在电力系统稳定评估及预测中获得了广泛的重视，包括人工神经网络、决策树、支持向量机、极限学习机等方法，这类方法通过对先验数据的学习，建立系统动态特征与系统稳定性间的映射，直接利用数值计算结果判断系统稳定性。这种以数据分析为基础的稳定评估和预测方法，在计算时间、可实施性方面相比于时域仿真和能量函数方法具有优势，且能够达到较高的预测准确度，是未来电力系统稳定预测方法的研究热点。其中，极限学习机方法由于其网络参数并不需要迭代计算，在学习速度上具有其他机器学习方法不可比拟的优势，适用于跟踪电力系统实际运行工况的变化。

现有研究中，对电力系统稳定预测方法的研究偏重于理论，而对实际应用的背景常常缺乏考虑。智能电网建设的推进，使电力系统中的计算资源更加丰富，多种新型计算方式的实施拥有了技术支撑，电力系统信息处理能力得到加强。同时，预测方法所需的实际量测信息也存在缺失或延迟的风险，但鲜有研究人员对此进行考虑，影响了预测方法在实际应用中的实施效果。

发明内容

发明目的：针对以上不足，为提高稳定预测方法实际应用的可靠性，对预测方法的实施方式和面临的通信风险进行考虑，本发明提出一种基于极限学习机(ExtremeLearning Machine，ELM)和轨迹匹配(Trajectory Fitting，TF)的电网暂态稳定快速评估方法，利用极限学习机学习速度快的优势，应对实际电力系统运行工况的变化，在保证其计算速度优势的基础上，提高其预测准确度。

技术方案：一种基于ELM和TF的电网暂态稳定快速评估方法，包括基于ELM的评估方法和基于TF的评估方法，其中ELM方法，以各发电机功角状态信息、发电机功角和转速变化信息、节点电压幅值和相角变化信息、节点注入功率变化信息、稳态下线路有功和无功信息、稳态下发电机出力信息、扰动类型和地点等信息为初始特征，经过改进费希尔判别法，筛选出关键特征，作为ELM方法的输入，并根据其输出的T_Y值判断电网的暂态稳定性，其映射关系如下所示：

if T_Y≥0→T_Y＝1(稳定)

if T_Y＜0→T_Y＝0(不稳定)

而当电网中发生通信中断、异常等故障导致ELM模型的输入特征发生缺失时，则根据量测的关键特征，重新训练生成ELM暂态稳定评估模型，以进行电网暂态稳定评估。

TF方法通过采集故障后N周波的功角变化数据，在发电机功角轨迹模式库中按照欧氏距离匹配最接近的功角轨迹，根据获得的功角轨迹是否超过180°判断电网是否发生暂态失稳。其中发电机功角轨迹模式库可以基于在线量测的或者离线仿真产生的样本数据，对各发电机在不同场景下的功角度轨迹进行整理，采用基于最小距离的层次聚类法建立。

而当电网中发生通信中断、异常等故障导致TF方法缺少量测功角数据时，采用电网运行状态信息，在邻近发电机组的功角轨迹模式库中，以最小欧氏距离进行发电机功角轨迹匹配，评估信息缺失发电机的功角趋势。

ELM方法与TF方法间的协调，通过对ELM暂态稳定评估模型的输出值T_Y进行判断，当其属于[0，ε]时，需要采用TF方法进行暂态稳定评估结果的校验，当其属于(ε，+∞)时，则直接输出ELM暂态稳定评估模型的结果。ε的具体值可通过离线测试分析给定。

有益效果：本发明以基于ELM的暂态稳定评估模型为核心，利用TF方法进行校验和修正，可以弥补仅基于ELM的暂态稳定评估方法在实际应用中的不确定性，防止因误判导致严重的后果，可提高预测结果的可靠性，实现暂态稳定预测准确性的提升。基于此，本发明对严重故障后电网暂态稳定性的快速评估，有助于制定电网控制措施，防止事故影响扩大，保证电网的安全稳定运行。

附图说明

图1为基于ELM和TF的暂态稳定快速评估方法实施框架图；

图2为本发明的在线应用实现流程图；

图3为本发明所测试系统的电网拓扑结构图；

图4为本发明特征选取过程中对特征重要程度分布图；

图5为ELM暂态稳定评估模型的输出值分布图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

图1为本发明提出的基于ELM和TF的暂态稳定快速评估方法实施框架图。如图1所示，在具体实施过程中，TF方法通过采集发电机功角轨迹进行预测，ELM方法利用全局系统信息对电网暂态稳定性快速评估，TF方法将有选择地对ELM方法的评估结果进行校验或修正，保证暂态稳定评估的准确性，其中TF方法与ELM方法的建立均基于历史或仿真数据。在实际应用中TF方法的轨迹模式库以及ELM方法的暂态稳定评估模型会在线更新。当电网中发生通信故障时，TF方法采用按照系统运行信息匹配的方法进行预测，ELM方法则利用样本库重新生成、关键信息重新筛选、ELM重新训练的方案进行预测，再根据输出结果决定是否进行匹配校验。

具体地，利用ELM方法，基于全局系统信息建立暂态稳定评估模型，包含特征选取过程，本发明以各发电机功角状态信息、发电机功角和转速变化信息、节点电压幅值和相角变化信息、节点注入功率变化信息、稳态下线路有功和无功信息、稳态下发电机出力信息、扰动类型和地点等信息为初始特征，经过改进费希尔判别法，筛选出关键特征，作为ELM方法的输入，并根据其输出的T_Y值判断电网的暂态稳定性，其映射关系如下所示：

if T_Y≥0→T_Y＝1(稳定)

if T_Y＜0→T_Y＝0(不稳定)

其中费希尔判别法进行特征选取的过程如下：费希尔判别法基于费希尔线性区分函数F(w)，即以从D维空间中，向一条线做投影的方式，对数据进行区分。假设有n个D维的训练样本x₁，x₂，…x_n，要将其分为两类，其中n₁个样本属于C₁类，n₂个样本属于C₂类，需要确定线性映射y＝w^Tx，使下式最大：

其中m_i是C_i的均值，σ_i是C_i的偏差，对上式进行转化后，写为w的表达式，如下：

其中S_B是类间的离差矩阵，S_W是类内的离差矩阵。基于特征集的类间区分度，可以通过下式进行计算：

J_F＝trace(S_W ¹S_B)

J_F的幅值可以作为特征集合线性区分度的指标，其中，J_F值越高，数据区分的越明显。

为确定最优的特征子集，通常将费希尔判别法与搜索过程相结合，但在对大规模数据进行处理分析时，搜索过程的引入极大地增加了计算代价，使在线辨识与分类相关的关键信息的效率降低。因此，本发明通过下式来改进费希尔判别法，以评价一个单独特征信息的区分度，即对于第k个特征，区分度可以表示为：

其中S_B ^(k)和S_W ^(k)是S_B和S_W中的第k个对角元素，特征信息对应的F_S值越大，则相应的区分度指标越大，在分类时越重要。为进行快速特征选取，通过上式计算每一个特征信息的F_S，并按照降序排序，然后选择排名较高的部分信息作为与分类相关的关键信息。通过对关键信息的筛选，能够大幅降低所提方法在线应用时对数据采集的要求，减小因通信故障导致数据丢失的风险，同时，能够在保证精度的前提下，提高在线应用的计算效率。

TF方法通过采集故障后一定时间内的功角变化数据，在发电机功角轨迹模式库中按照欧氏距离匹配最接近的功角轨迹，根据获得的功角轨迹是否超过180°判断电网是否发生暂态失稳。采样时间越长预测效果越好，本发明中设为20周波，欧氏距离计算公式如下：

其中，x_i,20和x_j,20分别为具有20个时刻数据值的量测样本i和功角轨迹模式库中标准样本j，x_i,t表示t时刻量测的值，x_j,t表示t时刻模式库中标准样本值。发电机功角轨迹模式库可以基于在线量测数据或离线仿真产生的样本数据，对各发电机在不同场景下的功角度轨迹进行整理，采用基于最小距离的层次聚类法建立。

ELM方法与TF方法间的协调，通过对ELM暂态稳定评估模型的输出值T_Y进行判断，当其属于[0，ε]时，需要采用TF方法进行暂态稳定评估结果的校验，当其属于(ε，+∞)时，则直接输出ELM暂态稳定评估模型的结果。ε的具体值可通过离线测试分析给定。

图2示出了本发明的方法实现流程图，其过程主要包括：首先检测电网系统运行状态，根据电网运行状态信息判断是否启动轨迹预测程序；然后对TF及ELM方法所需信息是否受通信故障影响进行判断，若两种方法均受通信故障影响，则选用ELM预测，TF方法验证的方案，若仅ELM方法受影响，则采用TF方法，若仅TF方法受影响，则采用ELM方法预测，并根据ELM输出结果，决定是否采用TF方法进行验证。具体步骤如下：

步骤(1)、当检测到系统故障或人工干预时，启动轨迹预测程序，对系统故障后指定时间窗ΔT内的稳定状态信息进行预测，ΔT取值范围一般在8s-20s之间，本发明实施例中取值为10s；

步骤(2)、检测是否存在通信故障，从而造成ELM预测所需信息不足的情况，若存在，则进入步骤(3)；若不存在，则进入步骤(4)；

步骤(3)、修正样本库，即，剔除没有采集到的特征，重新生成由采集的信息特征组成的样本库；重新生成关键信息表，重新训练ELM，根据可用的系统备用信息，利用ELM方法进行预测，并对ELM的输出结果进行判断，若输出结果在可信区间内，则进入步骤(8)，否则，进入步骤(5)；

步骤(4)、根据采集的系统动态信息，利用ELM方法进行预测，输出系统稳定性状态，并对ELM方法输出的结果判断，若输出结果在可信区间内，则进入步骤(8)，否则，进入步骤(5)；

步骤(5)、判断是否存在由于通信故障而造成的基于模式库的TF方法所需信息不足的情况，若存在，则进入步骤(6)，若不存在，则进入步骤(7)；

步骤(6)、依靠可正常进行轨迹的机组所反映出的系统运行工况信息，在受通信故障影响的机组的功角轨迹模式库中，按照系统附加信息进行匹配，进行轨迹预测，即，将运行工况信息(负荷水平、故障类型等)组成向量，然后类似地通过计算向量距离来评价近似程度；

步骤(7)、利用采集的系统中发电机的实时功角信息，在发电机功角轨迹模式库中，按照发电机功角信息进匹配，进行轨迹预测；

步骤(8)、输出轨迹预测和稳定性评估结果，结束预测程序。

利用上述方法在测试系统进行仿真实验，图3示出了测试系统的电网拓扑结构图，包括10台发电机和39条母线。利用Monte-Carlo原理制造测试样本，假设系统负荷总体水平服从0.8～1.0区间内的平均分布；各节点注入功率服从独立的正态分布，期望为节点注入功率的基值，标准差为节点注入功率基值的3％；故障持续时间服从期望为0.1s、标准差值为0.01s的正态分布，且远端设备与近端设备延迟0.03s动作；故障线路、线路故障位置以及故障类型均服从平均分布。其中故障类型主要包括五类：三相短路故障、单相接地故障、两相短路接地故障、相间短路故障以及母线失负荷故障。电力系统扰动后暂态稳定评估仿真分析结果如下：

1)基于ELM的暂态稳定评估模型结果分析

特征选取：从图4中可以看出，与电网暂态过程稳定性区分强相关的信息，主要集中在电力系统故障前后运行参数的动态变化信息中，从关键信息的分布上来看，主要包括了系统扰动前后各发电机功角的变化信息(δ)、系统扰动前后各节点电压幅值、相角的变化信息(V,θ)、节点注入有功功率及无功功率(P_in,Q_in)、线路传输有功功率及无功功率(P_L,Q_L)、故障信息(F_info)和运行方式信息(L,L_node)。选取最重要的100个特征，作为与系统暂态稳定性强相关的特征，作为基于ELM的暂态稳定评估模型的输入，同时将剩余特征作为备选特征，在通信故障时，可以作为替代特征进行应用。

效果分析：针对基于ELM的暂态稳定评估模型，利用测试样本对预测正确、错误的样本进行分析，如图5所示，在预测发生错误的情况中，虽然存在部分ELM输出结果接近数值1的情况，但大部分的ELM输出结果集中在区间0-0.8内；而当ELM输出结果超过0.8时，几乎没有发生预测错误的情况，故设定ε＝0.8。因此，通过对ELM输出结果的检测，利用轨迹匹配方法进行校验、修正，判断ELM预测结果的可靠性，可以提高ELM电力系统暂态过程稳定评估模型的预测准确度。

2)基于ELM和TF的电网暂态稳定快速评估方法

基于ELM和TF的电网暂态稳定快速评估方法的在线应用过程如图1所示，主要可以分为3类，一类为直接基于ELM的暂态评估模型输出结果，一类为基于ELM的暂态稳定评估模型的输出结果经TF方法验证后输出，一类为基于ELM的暂态稳定评估模型的输出结果经TF方法修正后输出。两种方法在计算时间与精度上的比较如表1所示：

表1 通信故障前后，TF方法与ELM方法预测计算速度比较

由表1可知，ELM相对于TF方法具有更快的预测速度，其中，通信影响下，ELM的关键信息重选耗时为0.0538s，重新训练耗时为0.1250s，预测时间为0.0946s。

对各预测方法的连续预测能力进行分析，按照每次预测1组样本，连续预测1000次的情况考虑，各预测方法的预测计算时间和预测准确度如表2所示：

表2 各方法实施效果比较表

由表2可看出，随着不可信区间的增加，将使得预测状态预测准确度增加，因此，实际运行时，需考虑二者的协调。

表3 通信故障影响下，ELM和TF的电网暂态稳定评估方法实施效果

由表3可以看出，由于通信故障的影响，导致暂态稳定评估方法的准确率下降。基于ELM和TF的电网暂态稳定快速评估方法，通过ELM和TF在预测时间尺度和预测准确度上的协调配合，提高了预测方法在电力系统暂态过程轨迹预测中的综合性能，并针对实际电网中存在的通信风险，配置了相应的预案，提高了该方法在线应用的可靠性。

Claims (8)

1.一种基于ELM和TF的电网暂态稳定快速评估方法，其特征在于，包括：基于全局系统信息建立ELM暂态稳定评估模型，对电网暂态稳定性进行快速评估，如果ELM评估结果未落入预先设定的可信区间，则使用TF方法，通过采集发电机功角轨迹进行稳定性预测，实现对ELM评估结果的校验或修正，具体包括以下步骤：

(1)检测系统运行状态，当检测到系统故障或人工干预时，启动轨迹预测程序，对系统故障后指定时间窗ΔT内的稳定状态信息进行预测；

(2)检测是否存在通信故障，从而造成ELM预测所需信息不足的情况，若存在，则进入步骤(3)；若不存在，则进入步骤(4)；

(3)修正样本库，重新生成关键信息表，重新训练ELM，根据可用的系统备用信息，利用ELM方法进行预测，并对ELM的输出结果进行判断，若输出结果在可信区间内，则进入步骤(8)，否则，进入步骤(5)；

(4)根据采集的系统动态信息，利用ELM方法进行预测，输出系统稳定性状态，并对ELM方法输出的结果判断，若输出结果在可信区间内，则进入步骤(8)，否则，进入步骤(5)；

(5)判断是否存在由于通信故障而造成的基于模式库的TF方法所需信息不足的情况，若存在，则进入步骤(6)，若不存在，则进入步骤(7)；

(6)依靠可正常进行轨迹的机组所反映出的系统运行工况信息，在受通信故障影响的机组的功角轨迹模式库中，按照系统附加信息进行匹配，进行轨迹预测；

(7)利用采集的系统中发电机的实时功角信息，在发电机功角轨迹模式库中，按照发电机功角信息进匹配，进行轨迹预测；

(8)输出轨迹预测和稳定性评估结果，结束预测程序。

2.根据权利要求1所述的基于ELM和TF的电网暂态稳定快速评估方法，其特征在于，所述ELM暂态稳定评估模型以改进费希尔判别法选取的关键特征作为输入，通过输出值的正负判断电网暂态稳定评估结果，输出值与电网暂态稳定性的映射关系为：

if T_Y≥0→T_Y＝1(稳定)

if T_Y＜0→T_Y＝0(不稳定)

其中T_Y为ELM暂态稳定评估模型的输出值。

3.根据权利要求2所述的基于ELM和TF的电网暂态稳定快速评估方法，其特征在于，所述ELM暂态稳定评估模型的建立，其关键特征的选取来自以下初始特征：各发电机功角状态信息、发电机功角和转速变化信息、节点电压幅值和相角变化信息、节点注入功率变化信息、稳态下线路有功和无功信息、稳态下发电机出力信息、扰动类型和地点。

4.根据权利要求2所述的基于ELM和TF的电网暂态稳定快速评估方法，其特征在于，所述改进的费希尔判别法以下式来评价一个单独特征信息的区分度，即对于第k个特征，区分度表示为：

其中S_B ^(k)和S_W ^(k)是S_B和S_W中的第k个对角元素，而S_B是基于原始费希尔准则的类间的离差矩阵，S_W是基于原始费希尔准则的类内的离差矩阵，根据上式，特征信息对应的F_S值越大，相应的区分度指标越大，在分类时越重要。

5.根据权利要求1所述的基于ELM和TF的电网暂态稳定快速评估方法，其特征在于，所述步骤(6)中发电机功角轨迹模式库基于在线量测的或者离线仿真产生的样本数据，对各发电机在不同场景下的功角度轨迹进行整理，采用基于最小距离的层次聚类法进行建立。

6.根据权利要求1所述的基于ELM和TF的电网暂态稳定快速评估方法，其特征在于，所述步骤(7)包括：采集故障后N周波的功角变化数据，在发电机功角轨迹模式库中按照欧氏距离匹配最接近的功角轨迹，根据获得的功角轨迹是否超过180°判断电网是否发生暂态失稳，欧氏距离计算公式如下：

其中，x_i,N和x_j,N分别为具有N个时刻数据值的量测样本i和功角轨迹模式库中标准样本j，x_i,t表示t时刻量测的值，x_j,t表示t时刻模式库中标准样本值。

7.根据权利要求1所述的基于ELM和TF的电网暂态稳定快速评估方法，其特征在于，所述ELM评估结果的可信区间根据输出值T_Y进行判断，当其属于[0，ε]时，需要采用TF方法进行暂态稳定评估结果的校验，当其属于(ε，+∞)时，则直接输出ELM暂态稳定评估模型的结果。

8.根据权利要求7所述的基于ELM和TF的电网暂态稳定快速评估方法，其特征在于，ε取值为0.8。

Images