CN109038636B - 数据驱动的直流受端电网动态无功储备需求评估方法 - Google Patents
数据驱动的直流受端电网动态无功储备需求评估方法 Download PDFInfo
- Publication number
- CN109038636B CN109038636B CN201810884728.3A CN201810884728A CN109038636B CN 109038636 B CN109038636 B CN 109038636B CN 201810884728 A CN201810884728 A CN 201810884728A CN 109038636 B CN109038636 B CN 109038636B
- Authority
- CN
- China
- Prior art keywords
- direct current
- bus
- power grid
- receiving end
- reactive power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Abstract
本发明涉及一种数据驱动的直流受端电网动态无功储备需求评估方法,属于电力系统运行控制技术领域。本发明利用一种指标来量化评估直流逆变换流站近区的暂态电压稳定性,基于数值仿真迭代计算出直流逆变换流站近区的动态无功储备需求,把计算结果和特征量存储到离线样本库。针对直流逆变换流站近区的动态无功储备在线评估问题,构建了一种数据挖掘模型,基于离线样本集训练该模型。提出了一种周期性更新样本集的方法,周期地更新数据挖掘模型。从电网在线的读取运行方式数据,提取在线系统的特征量,利用数据挖掘模型,在线快速的评估动态无功储备需求。
Description
技术领域
本发明涉及一种数据驱动的直流受端电网动态无功储备需求评估方法,属于电力系统运行控制技术领域。
背景技术
近年来,我国投运了多条大容量远距离输电工程,促成了多个典型的送端电网和受端电网。受端电网需要从区域外部接收大量电能,其区域内部的发电设备相对较少,无功储备相对缺乏,因而电压稳定问题突出。
直流受端电网中的电压稳定问题更加严峻。直流逆变侧换流站交流母线的电压能很大程度上影响直流输电线的运行特性。受端电网内的发电量低于负荷量,因此直流输电线的故障会严重威胁到受端电网的电压稳定。如果直流逆变侧换流站母线的电压低于一定的阈值,就可能引起换流站发生换相失败故障,甚至会引起直流输电线发生闭锁故障。所以直流逆变换流站近区的电压稳定性十分重要,值得进行深入地分析。实际中,通常通过增加无功储备来改善电网的电压稳定性。因此,直流逆变换流站近区的无功储备需求是实际运行中所关心的问题。
现代电网中,感应电动机负荷等动态元件的比重很大,在分析电压稳定问题中必须考虑电网的动态响应。尤其是对于直流受端电网,其逆变侧换流站的动态响应丰富,并能够很大程度上的影响其电压稳定性。因此,直流受端电网中最应该关注的问题是暂态电压稳定问题。
实际的受端电网规模通常很大,用非线性动力学法或暂态能量函数法难以求解电网的无功储备需求。此外,由于负荷的随机性和新能源发电出力的波动性,受端电网的无功储备需求会快速的变化。基于时域仿真的方法需要反复的迭代才能估计出电网的无功储备需求,也难以用于在线分析。
随着近年来计算资源的增加,各种数据挖掘算法有了长足的发展,其中有些算法已经在电力系统的许多领域得到应用,并且对一些传统问题提出了新的解决方案。
发明内容
本发明的目的是提出一种数据驱动的直流受端电网动态无功储备需求评估方法用指标来量化评估直流逆变换流站近区的暂态电压稳定性,从电网在线的读取运行方式数据,提取在线系统的特征量,利用数据挖掘模型,在线快速的评估动态无功储备需求。
本发明提出的数据驱动的直流受端电网动态无功储备需求评估方法,包括以下步骤:
(1)建立直流受端电网的离线样本库,离线样本库中的每个样本包括直流受端电网的特征量和动态无功储备需求量,定义直流受端电网为电网中的一个从直流输电线接收电能的区域电网,具体包括以下步骤:
(1-1)提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量,过程如下:
(1-1-1)确定直流逆变换流站近区的范围:
定义电网中的PQ节点为有功功率注入和无功功率注入给定,PQ节点为电压幅值和电压相角待求,设定电网中500kV母线和逆变换流站母线为PQ节点,根据电网潮流方程的快速分解法,简化的修正方程的PQ节点的无功功率为:
-B”ΔV=ΔQ/V
其中,B”是电网中不包括PV节点时节点的导纳矩阵的虚部,ΔV是电网中不包括PV节点时节点的电压幅值的修正量,ΔQ是电网中不包括PV节点时的节点无功功率注入的修正量,修正量的取值为任意实数,V是电网中不包括PV节点时的点电压幅值;
把上式增广到包含PV节点和PQ节点,则增广后的修正方程PQ节点的无功功率为:
-B”0ΔV=ΔQ0/V
其中,B”0是电网中包含PV节点和PQ节点时节点导纳矩阵的虚部,ΔQ0是电网中包含PV节点和PQ节点时节点无功功率注入的修正量,修正量的取值为任意实数;
计算PQ节点分别与PV节点和PQ节点之间的无功功率-电压灵敏度矩阵SVQ如下:
SVQ=ΔV/ΔQ0=-(B”0)-1/V
根据上述无功功率-电压灵敏度矩阵SVQ,得到逆变换流站母线与电网中500kV母线之间的无功功率-电压灵敏度向量S'VQ:
其中,SBus500是电网中500kV母线的集合,下标Bus500i是集合SBus500中的第i个元素,下标n500是SBus500中的元素数量,是逆变换流站母线与集合SBus500中的第i个元素Bus500i之间的无功功率-电压灵敏度;
定义|S'VQ|为S'VQ里各个元素的绝对值的集合|S'VQ|:
定义|S'VQ|0.90大于|S'VQ|中90%的元素,但小于|S'VQ|中10%的元素,并定义SNZ500为直流逆变换流站近区的母线集合,即:
定义电网中电压等级低于500kV的母线为低压母线,则电网中低压母线对SBus500中母线的无功功率-电压灵敏度矩阵S”VQ为:
SBus'={Bus1,...,Busn'}
定义|S”VQ|为S”VQ中各个元素的绝对值的集合|S”VQ|:
定义SBusNZ500,Bus'为SBus500,Bus'中与直流逆变换流站近区的母线集合SNZ500相对应的部分,即:
根据上述步骤中的定义和表达式,得到直流逆变换流站近区的范围SNZ为:
SNZ=SNZ500∪SBusNZ500,Bus'∪SInv
其中,SInv是电网中逆变换流站母线的集合,BusInv,i是SInv中的第i个元素,下标nInv是SInv中的元素数量;
(1-1-2)提取上述直流逆变换流站近区的暂态电压稳定特征量:
定义SNZ,F为直流逆变换流站近区的特征量的集合SNZ,F为:
其中,Pg是电网中发电机母线的有功出力,Qg是电网中发电机母线的无功出力,Pl是电网中负荷母线的有功负荷量,Ql是电网中负荷母线的无功负荷量,V是电网中母线的电压幅值,Pd是电网中逆变换流站母线接收的有功功率;
(1-2)定义量化评估上述直流逆变换流站近区暂态电压稳定性指标ISTVS如下:
ISTVS=Tspan,max/Tth
其中,Tth为v(t)低电压阈值,Tend为v(t)结束的时刻,Vth为v(t)低电压持续时间阈值,v(t)为母线的电压轨迹,Tspan,max是v(t)中电压持续低于Vth的最长时间段,ISTVS是Tspan,max与Tth的比值,ISTVS的取值范围是[0,+∞);
(1-3)利用数值仿真迭代方法,计算上述直流逆变换流站近区的动态无功功率储备需求,过程如下:
迭代计算的步骤如下:
第1步,设定直流受端电网的运行方式,用数值仿真方法计算直流受端电网的潮流方程,得到潮流计算结果;
第2步,定义SQ为直流受端电网中直流逆变换流站近区当前的动态无功功率源的容量,记录直流逆变换流站近区当前SQ,并根据上述第一步的潮流计算结果,计算上述步骤(1-1-2)中的直流逆变换流站近区的特征量的集合SNZ,F,记录计算得到的当前SNZ,F;
第3步,用数值仿真方法,计算得到直流逆变换流站近区SNZ中母线的电压轨迹v(t),并根据电压轨迹v(t),计算上述步骤(1-2)的直流逆变换流站近区暂态电压稳定性指标ISTVS,记录计算得到的当前ISTVS;
第4步,取ISTVS中的最大值,记为max(ISTVS),计算1与max(ISTVS)的差的绝对值,对该绝对值进行判断,若|(max(ISTVS)-1)|<0.01,则判定直流受端电网中直流逆变换流站近区当前的动态无功功率源的需求量为SQ,停止迭代计算,若|(max(ISTVS)-1)|≥0.01,则进行第五步;
第5步,设定一个修正系数α,α>0,根据修正系数,对上述第二步当前动态无功功率源的容量SQ进行修正,使动态无功功率源中的每个动态无功源容量的修正量与相应动态无功功率源的容量成正比,所有动态无功源容量的修正量的总和为α(max(ISTVS)-1),返回上述第2步;
(1-4)建立直流受端电网的离线样本库,步骤如下:
第1步,将一天分隔为96个相等的时间间隔,记为96个时刻,设定96个时刻直流受端电网的运行方式为直流受端电网的设定运行方式;
第2步,以96个设定运行方式为中心,分别在96个设定运行方式的邻域内随机选择100个运行方式,分别计算9600个运行方式下的直流逆变换流站近区的特征量的集合SNZ,F和直流逆变换流站近区当前的动态无功功率源容量SQ;
设定直流受端电网的运行方式为Operi,将Operi的邻域记为U(Operi):
其中,SBus是直流受端电网中母线的集合,是SBus中的第m个元素在Operi下的有功功率,是SBus中的第m个元素在Operi下的无功功率,是SBus中的第m个元素在Operi下的发电机有功出力,是SBus中的第m个元素在Operi下的发电机电压幅值。是全部的绝对值平均值,是全部的绝对值平均值,是全部的绝对值平均值,是全部的绝对值平均值;
第3步,将上述第二步中的直流逆变换流站近区的特征量的集合SNZ,F和直流逆变换流站近区当前的动态无功功率源容量SQ存储到直流受端电网的离线样本库,并为每个样本附加一个Mark:
Mark={Operi,Casej}
其中,Mark是该样本的标识,Operi是该样本所对应的设定运行方式编号,Casej是该样本在相应的设定运行方式所生成的样本集合中的编号;
第4步,将直流受端电网的离线样本库记为Sspl,构建Sspl,Sspl中每个样本的表述如下:
(2)根据上述步骤(1-4)的离线样本库,建立数据挖掘模型,并训练数据挖掘模型,具体包括以下步骤:
(2-1)建立以上述步骤(1-1)中的直流逆变换流站近区暂态电压稳定特征量为输入,以上述步骤(1-1)中的直流逆变换流站近区的动态无功功率容量为输出的支持向量回归模型,将上述步骤(1)中直流受端电网的离线样本库Sspl中的样本按照相应的运行方式分成96类,96类样本分别对应一个子支持向量回归模型,总支持向量回归模型是96个子支持向量回归模型的并联,总支持向量回归模型、子支持向量回归模型的输入为SNZ,F,总支持向量回归模型、子支持向量回归模型的输出为SQ;
(2-2)对上述支持向量回归模型进行训练和调优,包括以下步骤:
(2-2-1)对上述步骤(1)的直流受端电网的离线样本库Sspl的样本数据进行预处理,包括以下步骤:
第1步,将Sspl中的样本按照相应运行方式分成96类:
Sspl={sspl,1,...,sspl,96}
其中,sspl,i是Operi对应的样本子集合;
第2步,计算sspl,i中的样本的平均值μ(sspl,i),计算sspl,i中的样本的标准差σ(sspl,i);
第3步,得到预处理后的样本z:
x∈sspl,i
其中,x是sspl,i中的一个样本,z的输入为SNZ,F',输出为SQ';
(2-2-2)训练支持向量回归模型:
定义一个支持向量回归模型的评价函数Cost:
Cost=|(SQ'-(SQ')predict)/SQ'|,
其中,(SQ')predict是支持向量回归模型的输出值,SQ'是直流逆变换流站近区的动态无功储备需求的实际值;
利用评价函数Cost,计算得到支持向量回归模型的评价值,根据上述评价值,将步骤(2-1)中样本集Sspl分成训练集、交叉检验集和测试集3个部分,其中,训练集占70%,交叉检验集占15%,测试集占15%;
(2-2-3)调优支持向量回归模型,包括以下步骤:
第1步,设定c的松弛系数C,C的取值范围为Cmin≤C≤Cmax,设定支持向量回归模型的核函数参数为γ,γ的取值范围γmin≤γ≤γmax;
第2步,定义为C的取值上限和下限的平均值, 为γ的取值上限和下限的平均值,对松弛系数C和核函数参数γ进行判断,若或者则结束调优,并将当前的(C,γ)作为支持向量回归模型最优的松弛系数C和核函数参数γ;若且则进行第3步;
(3)周期性地更新上述步骤(1)的直流受端电网的离线样本库Sspl,并周期性地更新支持向量回归模型,具体包括:
(3-1)直流受端电网离线样本库的周期性更新方法:
设定离线样本库的更新周期为15分钟,周期性离线样本库的具体步骤如下:
第1步,记当前直流受端电网的运行方式为Oper0,当前时刻为T0,记录Oper0和T0;
第3步,根据步骤(1-1-2)和步骤(1-3),计算的各运行方式的直流逆变换流站近区特征量SNZ,F和直流逆变换流站近区的动态无功功率源容量SQ,并将的各运行方式的直流逆变换流站近区特征量SNZ,F和直流逆变换流站近区的动态无功功率源容量SQ添加到当前直流受端电网样本库中;
第4步,从直流受端电网离线样本库中,删去与当前时刻T0之前24小时的运行方式相对应的样本;
第5步,等待到T0+15分钟时刻,返回上述第1步;
(3-2)支持向量回归模型的周期性更新方法:
设定支持向量回归模型的更新周期为15分钟;
更新支持向量回归模型的步骤如下:
第1步,记当前时刻为T0,读取离线样本库Sspl,0;
第2步,利用Sspl,0,训练并更新T0对应的子支持向量回归模型;
第3步,更新总支持向量回归模型;
第4步,等待到T0+15分钟时刻,返回上述第1步;
(4)利用步骤(2)和步骤(3)训练得到的支持向量回归模型,在线计算直流受端电网动态无功功率源容量,具体包括:
(4-1)在线获取直流受端电网当前运行状态:
从电网的能量管理系统中获取SNZ中的母线的电气量SStateVar,表述如下:
SStateVar={StateVari|i∈SNZ}
StateVari={Pg,i,Qg,i,Pl,i,Ql,i,Vi,θi,Pd},i∈SNZ
其中,Pg,i是直流受端电网中母线i的发电机有功功率,Qg,i是直流受端电网中母线i的发电机无功功率,Pl,i是直流受端电网中母线i的有功功率,Ql,i是直流受端电网中母线i的无功功率,Vi是直流受端电网中母线i的电压幅值,θi是直流受端电网中母线i的电压相角,Pd是直流受端电网中逆变换流站母线接收的有功功率;
SStateVar将用于后续步骤中提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量;
(4-2)在线提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量:
定义SNZ,F为直流逆变换流站近区的特征量的集合SNZ,F为:
其中,Pg是电网中发电机母线的有功出力,Qg是电网中发电机母线的无功出力,Pl是电网中负荷母线的有功负荷量,Ql是电网中负荷母线的无功负荷量,V是电网中母线的电压幅值,Pd是电网中逆变换流站母线接收的有功功率;
(4-3)在线计算直流逆变换流站近区的动态无功功率源容量,包括以下步骤:
其中,是发电机有功功率的权重,是发电机无功功率的权重,是直流受端电网有功功率的权重,是直流受端电网无功功率的权重,ωV是电压幅值的权重,ωθ是电压相角的权重,是逆变换流站接收的有功功率的权重,下标Operi代表运行方式i,下标Operj代表运行方式j,Pg,k是SNZ500中母线的发电机有功出力,Qg,k是SNZ500中母线的发电机无功出力,Pl,k是SNZ500中母线的负荷有功量,Ql,k是SNZ500中母线的负荷无功量,Vk是SNZ500中母线的电压幅值,θk是SNZ500中母线的电压相角,Pd是SNZ500中的直流输电有功功率;
(4-3-2)从步骤(2)和步骤(3)得到的总支持向量回归模型中选择适用于当前运行方式的子支持向量回归模型,分别计算当前运行方式与96个设定运行方式之间的距离从96个中选择与的最小值相对应的子支持向量回归模型,作为适用于当前运行方式的子支持向量回归模型;
(4-3-3)根据上述步骤(4-3-2)选择的子支持向量回归模型,以直流逆变换流站近区的暂态电压稳定特征量SNZ,F作为模型输入,计算得到直流逆变换流站近区的动态无功储备需求SQ,实现直流受端电网动态无功储备需求的评估。
本发明提出的数据驱动的直流受端电网动态无功储备需求评估方法,其优点是:
本发明提出的数据驱动的直流受端电网动态无功储备需求评估方法,针对直流逆变换流站近区的暂态电压稳定问题,针对直流逆变换流站近区的动态无功储备在线评估问题,构建了一种数据挖掘模型,基于离线样本集训练该模型。采用了组合SVR模型描述直流逆变换流站近区的暂态电压稳定特征量与直流逆变换流站近区动态无功储备需求之间的关系,泛化能力强于单一模型。本发明提出了一种周期性更新样本集的方法,周期地更新数据挖掘模型。周期性地更新能提高数据挖掘模型的效果。利用该周期性更新样本集的方法,可使得每个周期中SVR的更新幅度比较小,因而可实现在线的更新。本发明方法从电网在线的读取运行方式数据,提取在线系统的特征量,利用数据挖掘模型,在线快速的评估动态无功储备需求。相比于传统的分析电网暂态电压稳定性的方法,本发明提出的方法不仅计算速度快,而且能用于大电网。因此,该方面能在线的评估直流受端电网动态无功储备需求。
附图说明
图1是本发明方法涉及的模型训练示意图。
具体实施方式
本发明提出的数据驱动的直流受端电网动态无功储备需求评估方法,包括以下步骤:
(1)建立直流受端电网的离线样本库,离线样本库中的每个样本包括直流受端电网的特征量和动态无功储备需求量,定义直流受端电网为电网中的一个从直流输电线接收电能的区域电网,电网的动态无功储备需求量用于保证电网暂态电压稳定需要的动态无功源容量的最小值。具体包括以下步骤:
(1-1)提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量,过程如下:
(1-1-1)确定直流逆变换流站近区的范围:
定义电网中的PQ节点为有功功率注入和无功功率注入给定,PQ节点为电压幅值和电压相角待求,设定电网中500kV母线和逆变换流站母线为PQ节点,根据电网潮流方程的快速分解法,简化的修正方程的PQ节点的无功功率为:
-B”ΔV=ΔQ/V
其中,B”是电网中不包括PV节点时节点的导纳矩阵的虚部,ΔV是电网中不包括PV节点时节点的电压幅值的修正量,ΔQ是电网中不包括PV节点时的节点无功功率注入的修正量,修正量的取值为任意实数,V是电网中不包括PV节点时的点电压幅值;
把上式增广到包含PV节点和PQ节点,则增广后的修正方程PQ节点的无功功率为:
-B”0ΔV=ΔQ0/V
其中,B”0是电网中包含PV节点和PQ节点时节点导纳矩阵的虚部,ΔQ0是电网中包含PV节点和PQ节点时节点无功功率注入的修正量,修正量的取值为任意实数;
计算PQ节点分别与PV节点和PQ节点之间的无功功率-电压灵敏度矩阵SVQ如下:
SVQ=ΔV/ΔQ0=-(B”0)-1/V
根据上述无功功率-电压灵敏度矩阵SVQ,得到逆变换流站母线与电网中500kV母线之间的无功功率-电压灵敏度向量S'VQ:
其中,SBus500是电网中500kV母线的集合,下标Bus500i是集合SBus500中的第i个元素,下标n500是SBus500中的元素数量,是逆变换流站母线与集合SBus500中的第i个元素Bus500i之间的无功功率-电压灵敏度;
定义|S'VQ|为S'VQ里各个元素的绝对值的集合|S'VQ|:
定义|S'VQ|0.90大于|S'VQ|中90%的元素,但小于|S'VQ|中10%的元素,并定义SNZ500为直流逆变换流站近区的母线集合,即:
定义电网中电压等级低于500kV的母线为低压母线,则电网中低压母线对SBus500中母线的无功功率-电压灵敏度矩阵S”VQ为:
SBus'={Bus1,...,Busn'}
定义|S”VQ|为S”VQ中各个元素的绝对值的集合|S”VQ|:
定义SBusNZ500,Bus'为SBus500,Bus'中与直流逆变换流站近区的母线集合SNZ500相对应的部分,即:
根据上述步骤中的定义和表达式,得到直流逆变换流站近区的范围SNZ为:
SNZ=SNZ500∪SBusNZ500,Bus'∪SInv
其中,SInv是电网中逆变换流站母线的集合,BusInv,i是SInv中的第i个元素,下标nInv是SInv中的元素数量;
(1-1-2)提取上述直流逆变换流站近区的暂态电压稳定特征量:
定义SNZ,F为直流逆变换流站近区的特征量的集合SNZ,F为:
其中,Pg是电网中发电机母线的有功出力,Qg是电网中发电机母线的无功出力,Pl是电网中负荷母线的有功负荷量,Ql是电网中负荷母线的无功负荷量,V是电网中母线的电压幅值,Pd是电网中逆变换流站母线接收的有功功率;
(1-2)定义量化评估上述直流逆变换流站近区暂态电压稳定性指标ISTVS如下:
ISTVS=Tspan,max/Tth
其中,Tth为v(t)低电压阈值,Tend为v(t)结束的时刻,Vth为v(t)低电压持续时间阈值,v(t)为母线的电压轨迹,Tspan,max是v(t)中电压持续低于Vth的最长时间段,ISTVS是Tspan,max与Tth的比值,ISTVS的取值范围是[0,+∞);
(1-3)利用数值仿真迭代方法,计算上述直流逆变换流站近区的动态无功功率储备需求,过程如下:
常见的电力系统数值仿真软件都能完成本步骤计算,例如:电力系统分析综合程序(PSASP)。
迭代计算的步骤如下:
第1步,设定直流受端电网的运行方式,用数值仿真方法计算直流受端电网的潮流方程,得到潮流计算结果;
第2步,定义SQ为直流受端电网中直流逆变换流站近区当前的动态无功功率源(无功功率源为直流逆变换流站近区发出无功功率的设备)的容量,记录直流逆变换流站近区当前SQ,并根据上述第一步的潮流计算结果,计算上述步骤(1-1-2)中的直流逆变换流站近区的特征量的集合SNZ,F,记录计算得到的当前SNZ,F;
第3步,用数值仿真方法,计算得到直流逆变换流站近区SNZ中母线的电压轨迹v(t),并根据电压轨迹v(t),计算上述步骤(1-2)的直流逆变换流站近区暂态电压稳定性指标ISTVS,记录计算得到的当前ISTVS;
第4步,取ISTVS中的最大值,记为max(ISTVS),计算1与max(ISTVS)的差的绝对值,对该绝对值进行判断,若|(max(ISTVS)-1)|<0.01,则判定直流受端电网中直流逆变换流站近区当前的动态无功功率源的需求量为SQ,停止迭代计算,若|(max(ISTVS)-1)|≥0.01,则进行第五步;
第5步,设定一个修正系数α,α>0,根据修正系数,对上述第二步当前动态无功功率源的容量SQ进行修正,使动态无功功率源中的每个动态无功源容量的修正量与相应动态无功功率源的容量成正比,所有动态无功源容量的修正量的总和为α(max(ISTVS)-1),返回上述第2步;
(1-4)建立直流受端电网的离线样本库,步骤如下:
第1步,将一天分隔为96个相等的时间间隔,记为96个时刻,设定96个时刻直流受端电网的运行方式为直流受端电网的设定运行方式;
第2步,以96个设定运行方式为中心,分别在96个设定运行方式的邻域内随机选择100个运行方式,分别计算9600个运行方式下的直流逆变换流站近区的特征量的集合SNZ,F和直流逆变换流站近区当前的动态无功功率源容量SQ;
对本发明方法中涉及的邻域介绍如下:
设定直流受端电网的运行方式为Operi,将Operi的邻域记为U(Operi):
其中,SBus是直流受端电网中母线的集合,是SBus中的第m个元素在Operi下的有功功率,是SBus中的第m个元素在Operi下的无功功率,是SBus中的第m个元素在Operi下的发电机有功出力,是SBus中的第m个元素在Operi下的发电机电压幅值。是全部的绝对值平均值,是全部的绝对值平均值,是全部的绝对值平均值,是全部的绝对值平均值;
第3步,将上述第二步中的直流逆变换流站近区的特征量的集合SNZ,F和直流逆变换流站近区当前的动态无功功率源容量SQ存储到直流受端电网的离线样本库,并为每个样本附加一个Mark:
Mark={Operi,Casej}
其中,Mark是该样本的标识,Operi是该样本所对应的设定运行方式编号,Casej是该样本在相应的设定运行方式所生成的样本集合中的编号;
第4步,将直流受端电网的离线样本库记为Sspl,构建Sspl,Sspl中每个样本的表述如下:
(2)根据上述步骤(1-4)的离线样本库,建立数据挖掘模型,并训练数据挖掘模型,具体包括以下步骤:
(2-1)建立以上述步骤(1-1)中的直流逆变换流站近区暂态电压稳定特征量为输入,以上述步骤(1-1)中的直流逆变换流站近区的动态无功功率容量为输出的支持向量回归(简称为SVR)模型,将上述步骤(1)中直流受端电网的离线样本库Sspl中的样本按照相应的运行方式分成96类,96类样本分别对应一个子支持向量回归模型,总支持向量回归模型是96个子支持向量回归模型的并联,总支持向量回归模型、子支持向量回归模型的输入为SNZ,F,总支持向量回归模型、子支持向量回归模型的输出为SQ;如图1所示。
(2-2)对上述支持向量回归模型进行训练和调优,包括以下步骤:
(2-2-1)对上述步骤(1)的直流受端电网的离线样本库Sspl的样本数据进行预处理,包括以下步骤:
第1步,将Sspl中的样本按照相应运行方式分成96类:
Sspl={sspl,1,...,sspl,96}
其中,sspl,i是Operi对应的样本子集合;
第2步,计算sspl,i中的样本的平均值μ(sspl,i),计算sspl,i中的样本的标准差σ(sspl,i);
第3步,得到预处理后的样本z:
x∈sspl,i
其中,x是sspl,i中的一个样本,z的输入为SNZ,F',输出为SQ';
(2-2-2)训练支持向量回归模型:
很多开源程序都能完成本步骤计算,例如基于Python编程语言的scikit-learn包中就有训练SVR模型的函数。训练SVR时,
定义一个支持向量回归模型的评价函数Cost:
Cost=|(SQ'-(SQ')predict)/SQ'|,
其中,(SQ')predict是支持向量回归模型的输出值,SQ'是直流逆变换流站近区的动态无功储备需求的实际值;
利用评价函数Cost,计算得到支持向量回归模型的评价值,根据上述评价值,将步骤(2-1)中样本集Sspl分成训练集、交叉检验集和测试集3个部分,其中,训练集占70%,交叉检验集占15%,测试集占15%;
(2-2-3)调优支持向量回归模型,包括以下步骤:
第1步,设定c的松弛系数C,C的取值范围为Cmin≤C≤Cmax,设定支持向量回归模型的核函数参数为γ,γ的取值范围γmin≤γ≤γmax;
第2步,定义为C的取值上限和下限的平均值, 为γ的取值上限和下限的平均值,对松弛系数C和核函数参数γ进行判断,若或者则结束调优,并将当前的(C,γ)作为支持向量回归模型最优的松弛系数C和核函数参数γ;若且则进行第3步;
(3)周期性地更新上述步骤(1)的直流受端电网的离线样本库Sspl,并周期性地更新支持向量回归模型,具体包括:
(3-1)直流受端电网离线样本库的周期性更新方法:
设定离线样本库的更新周期为15分钟,周期性离线样本库的具体步骤如下:
第1步,记当前直流受端电网的运行方式为Oper0,当前时刻为T0,记录Oper0和T0;
第3步,根据步骤(1-1-2)和步骤(1-3),计算的各运行方式的直流逆变换流站近区特征量SNZ,F和直流逆变换流站近区的动态无功功率源容量SQ,并将的各运行方式的直流逆变换流站近区特征量SNZ,F和直流逆变换流站近区的动态无功功率源容量SQ添加到当前直流受端电网样本库中;
第4步,从直流受端电网离线样本库中,删去与当前时刻T0之前24小时的运行方式相对应的样本;
第5步,等待到T0+15分钟时刻,返回上述第1步;
(3-2)支持向量回归模型的周期性更新方法:
设定支持向量回归模型的更新周期为15分钟;
更新支持向量回归模型的步骤如下:
第1步,记当前时刻为T0,读取离线样本库Sspl,0;
第2步,利用Sspl,0,训练并更新T0对应的子支持向量回归模型;
第3步,更新总支持向量回归模型;
第4步,等待到T0+15分钟时刻,返回上述第1步;
(4)利用步骤(2)和步骤(3)训练得到的支持向量回归模型,在线计算直流受端电网动态无功功率源容量,具体包括:
(4-1)在线获取直流受端电网当前运行状态:
从电网的能量管理系统中获取SNZ中的母线的电气量SStateVar,表述如下:
SStateVar={StateVari|i∈SNZ}
StateVari={Pg,i,Qg,i,Pl,i,Ql,i,Vi,θi,Pd},i∈SNZ
其中,Pg,i是直流受端电网中母线i的发电机有功功率,Qg,i是直流受端电网中母线i的发电机无功功率,Pl,i是直流受端电网中母线i的有功功率,Ql,i是直流受端电网中母线i的无功功率,Vi是直流受端电网中母线i的电压幅值,θi是直流受端电网中母线i的电压相角,Pd是直流受端电网中逆变换流站母线接收的有功功率;
SStateVar将用于后续步骤中提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量;
(4-2)在线提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量:
定义SNZ,F为直流逆变换流站近区的特征量的集合SNZ,F为:
其中,Pg是电网中发电机母线的有功出力,Qg是电网中发电机母线的无功出力,Pl是电网中负荷母线的有功负荷量,Ql是电网中负荷母线的无功负荷量,V是电网中母线的电压幅值,Pd是电网中逆变换流站母线接收的有功功率;
(4-3)在线计算直流逆变换流站近区的动态无功功率源容量,包括以下步骤:
其中,是发电机有功功率的权重,是发电机无功功率的权重,是直流受端电网有功功率的权重,是直流受端电网无功功率的权重,ωV是电压幅值的权重,ωθ是电压相角的权重,是逆变换流站接收的有功功率的权重,下标Operi代表运行方式i,下标Operj代表运行方式j,Pg,k是SNZ500中母线的发电机有功出力,Qg,k是SNZ500中母线的发电机无功出力,Pl,k是SNZ500中母线的负荷有功量,Ql,k是SNZ500中母线的负荷无功量,Vk是SNZ500中母线的电压幅值,θk是SNZ500中母线的电压相角,Pd是SNZ500中的直流输电有功功率;
(4-3-2)从步骤(2)和步骤(3)得到的总支持向量回归模型中选择适用于当前运行方式的子支持向量回归模型,分别计算当前运行方式与96个设定运行方式之间的距离从96个中选择与的最小值相对应的子支持向量回归模型,作为适用于当前运行方式的子支持向量回归模型;
(4-3-3)根据上述步骤(4-3-2)选择的子支持向量回归模型,以直流逆变换流站近区的暂态电压稳定特征量SNZ,F作为模型输入,计算得到直流逆变换流站近区的动态无功储备需求SQ,实现直流受端电网动态无功储备需求的评估。
Claims (1)
1.一种数据驱动的直流受端电网动态无功储备需求评估方法,其特征在于该方法包括以下步骤:
(1)建立直流受端电网的离线样本库,离线样本库中的每个样本包括直流受端电网的特征量和动态无功储备需求量,定义直流受端电网为电网中的一个从直流输电线接收电能的区域电网,具体包括以下步骤:
(1-1)提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量,过程如下:
(1-1-1)确定直流逆变换流站近区的范围:
定义电网中的PQ节点为有功功率注入和无功功率注入给定,PQ节点为电压幅值和电压相角待求,设定电网中500kV母线和逆变换流站母线为PQ节点,根据电网潮流方程的快速分解法,简化的修正方程的PQ节点的无功功率为:
-B”ΔV=ΔQ/V
其中,B”是电网中不包括PV节点时节点的导纳矩阵的虚部,ΔV是电网中不包括PV节点时节点的电压幅值的修正量,ΔQ是电网中不包括PV节点时的节点无功功率注入的修正量,修正量的取值为任意实数,V是电网中不包括PV节点时的点电压幅值;
把上式增广到包含PV节点和PQ节点,则增广后的修正方程PQ节点的无功功率为:
-B”0ΔV=ΔQ0/V
其中,B”0是电网中包含PV节点和PQ节点时节点导纳矩阵的虚部,ΔQ0是电网中包含PV节点和PQ节点时节点无功功率注入的修正量,修正量的取值为任意实数;
计算PQ节点与PV节点之间的无功功率-电压灵敏度矩阵SVQ如下:
SVQ=ΔV/ΔQ0=-(B”0)-1/V
根据上述无功功率-电压灵敏度矩阵SVQ,得到逆变换流站母线与电网中500kV母线之间的无功功率-电压灵敏度向量S'VQ:
其中,SBus500是电网中500kV母线的集合,下标Bus500i是集合SBus500中的第i个元素,下标n500是SBus500中的元素数量,是逆变换流站母线与集合SBus500中的第i个元素Bus500i之间的无功功率-电压灵敏度;
定义|S'VQ|为S'VQ里各个元素的绝对值的集合|S'VQ|:
定义|S'VQ|0.90大于|S'VQ|中90%的元素,但小于|S'VQ|中10%的元素,并定义SNZ500为直流逆变换流站近区的母线集合,即:
定义电网中电压等级低于500kV的母线为低压母线,则电网中低压母线对SBus500中母线的无功功率-电压灵敏度矩阵S″VQ为:
SBus'={Bus1,...,Busn'}
定义|S″VQ|为S″VQ中各个元素的绝对值的集合|S″VQ|:
定义SBusNZ500,Bus'为SBus500,Bus'中与直流逆变换流站近区的母线集合SNZ500相对应的部分,即:
根据上述步骤中的定义和表达式,得到直流逆变换流站近区的范围SNZ为:
SNZ=SNZ500∪SBusNZ500,Bus'∪SInv
其中,SInv是电网中逆变换流站母线的集合,BusInv,i是SInv中的第i个元素,下标nInv是SInv中的元素数量;
(1-1-2)提取上述直流逆变换流站近区的暂态电压稳定特征量:
定义SNZ,F为直流逆变换流站近区的特征量的集合SNZ,F为:
其中,Pg是电网中发电机母线的有功出力,Qg是电网中发电机母线的无功出力,Pl是电网中负荷母线的有功负荷量,Ql是电网中负荷母线的无功负荷量,V是电网中母线的电压幅值,Pd是电网中逆变换流站母线接收的有功功率;
(1-2)定义量化评估上述直流逆变换流站近区暂态电压稳定性指标ISTVS如下:
ISTVS=Tspan,max/Tth
其中,Tth为v(t)低电压阈值,Tend为v(t)结束的时刻,Vth为v(t)低电压持续时间阈值,v(t)为母线的电压轨迹,Tspan,max是v(t)中电压持续低于Vth的最长时间段,ISTVS是Tspan,max与Tth的比值,ISTVS的取值范围是[0,+∞);
(1-3)利用数值仿真迭代方法,计算上述直流逆变换流站近区的动态无功功率储备需求,过程如下:
迭代计算的步骤如下:
第1步,设定直流受端电网的运行方式,用数值仿真方法计算直流受端电网的潮流方程,得到潮流计算结果;
第2步,定义SQ为直流受端电网中直流逆变换流站近区当前的动态无功功率源的容量,记录直流逆变换流站近区当前SQ,并根据上述(1-3)中的潮流计算结果,计算上述步骤(1-1-2)中的直流逆变换流站近区的特征量的集合SNZ,F,记录计算得到的当前SNZ,F;
第3步,用数值仿真方法,计算得到直流逆变换流站近区SNZ中母线的电压轨迹v(t),并根据电压轨迹v(t),计算上述步骤(1-2)的直流逆变换流站近区暂态电压稳定性指标ISTVS,记录计算得到的当前ISTVS;
第4步,取ISTVS中的最大值,记为max(ISTVS),计算1与max(ISTVS)的差的绝对值,对该绝对值进行判断,若|(max(ISTVS)-1)|<0.01,则判定直流受端电网中直流逆变换流站近区当前的动态无功功率源的需求量为SQ,停止迭代计算,若|(max(ISTVS)-1)|≥0.01,则进行第五步;
第5步,设定一个修正系数α,α>0,根据修正系数,对上述(1-3)中的当前动态无功功率源的容量SQ进行修正,使动态无功功率源中的每个动态无功源容量的修正量与相应动态无功功率源的容量成正比,所有动态无功源容量的修正量的总和为α(max(ISTVS)-1),返回上述第2步;
(1-4)建立直流受端电网的离线样本库,步骤如下:
第1步,将一天分隔为96个相等的时间间隔,记为96个时刻,设定96个时刻直流受端电网的运行方式为直流受端电网的设定运行方式;
第2步,以96个设定运行方式为中心,分别在96个设定运行方式的邻域内随机选择100个运行方式,分别计算9600个运行方式下的直流逆变换流站近区的特征量的集合SNZ,F和直流逆变换流站近区当前的动态无功功率源容量SQ;
设定直流受端电网的运行方式为Operi,将Operi的邻域记为U(Operi):
其中,SBus是直流受端电网中母线的集合,是SBus中的第m个元素在Operi下的有功功率,是SBus中的第m个元素在Operi下的无功功率,是SBus中的第m个元素在Operi下的发电机有功出力,是SBus中的第m个元素在Operi下的发电机电压幅值,是全部的绝对值平均值,是全部的绝对值平均值,是全部的绝对值平均值,是全部的绝对值平均值;
第3步,将上述(1-4)中的直流逆变换流站近区的特征量的集合SNZ,F和直流逆变换流站近区当前的动态无功功率源容量SQ存储到直流受端电网的离线样本库,并为每个样本附加一个Mark:
Mark={Operi,Casej}
其中,Mark是该样本的标识,Operi是该样本所对应的设定运行方式编号,Casej是该样本在相应的设定运行方式所生成的样本集合中的编号;
第4步,将直流受端电网的离线样本库记为Sspl,构建Sspl,Sspl中每个样本的表述如下:
(2)根据上述步骤(1-4)的离线样本库,建立数据挖掘模型,并训练数据挖掘模型,具体包括以下步骤:
(2-1)建立以上述步骤(1-1)中的直流逆变换流站近区暂态电压稳定特征量为输入,以上述步骤(1-1)中的直流逆变换流站近区的动态无功功率容量为输出的支持向量回归模型,将上述步骤(1)中直流受端电网的离线样本库Sspl中的样本按照相应的运行方式分成96类,96类样本分别对应一个子支持向量回归模型,总支持向量回归模型是96个子支持向量回归模型的并联,总支持向量回归模型、子支持向量回归模型的输入为SNZ,F,总支持向量回归模型、子支持向量回归模型的输出为SQ;
(2-2)对上述支持向量回归模型进行训练和调优,包括以下步骤:
(2-2-1)对上述步骤(1)的直流受端电网的离线样本库Sspl的样本数据进行预处理,包括以下步骤:
第1步,将Sspl中的样本按照相应运行方式分成96类:
Sspl={sspl,1,...,sspl,96}
其中,sspl,i是Operi对应的样本子集合;
第2步,计算sspl,i中的样本的平均值μ(sspl,i),计算sspl,i中的样本的标准差σ(sspl,i);
第3步,得到预处理后的样本z:
x∈sspl,i
其中,x是sspl,i中的一个样本,z的输入为SNZ,F',输出为SQ';
(2-2-2)训练支持向量回归模型:
定义一个支持向量回归模型的评价函数Cost:
Cost=|(SQ'-(SQ')predict)/SQ'|,
其中,(SQ')predict是支持向量回归模型的输出值,SQ'是直流逆变换流站近区的动态无功储备需求的实际值;
利用评价函数Cost,计算得到支持向量回归模型的评价值,根据上述评价值,将步骤(2-1)中样本集Sspl分成训练集、交叉检验集和测试集3个部分,其中,训练集占70%,交叉检验集占15%,测试集占15%;
(2-2-3)调优支持向量回归模型,包括以下步骤:
第1步,设定c的松弛系数C,C的取值范围为Cmin≤C≤Cmax,设定支持向量回归模型的核函数参数为γ,γ的取值范围γmin≤γ≤γmax;
第2步,定义为C的取值上限和下限的平均值, 为γ的取值上限和下限的平均值,对松弛系数C和核函数参数γ进行判断,若或者则结束调优,并将当前的(C,γ)作为支持向量回归模型最优的松弛系数C和核函数参数γ;若且则进行第3步;
(3)周期性地更新上述步骤(1)的直流受端电网的离线样本库Sspl,并周期性地更新支持向量回归模型,具体包括:
(3-1)直流受端电网离线样本库的周期性更新方法:
设定离线样本库的更新周期为15分钟,周期性离线样本库的具体步骤如下:
第1步,记当前直流受端电网的运行方式为Oper0,当前时刻为T0,记录Oper0和T0;
第3步,根据步骤(1-1-2)和步骤(1-3),计算的各运行方式的直流逆变换流站近区特征量SNZ,F和直流逆变换流站近区的动态无功功率源容量SQ,并将的各运行方式的直流逆变换流站近区特征量SNZ,F和直流逆变换流站近区的动态无功功率源容量SQ添加到当前直流受端电网样本库中;
第4步,从直流受端电网离线样本库中,删去与当前时刻T0之前24小时的运行方式相对应的样本;
第5步,等待到T0+15分钟时刻,返回上述(3-1)中的第1步;
(3-2)支持向量回归模型的周期性更新方法:
设定支持向量回归模型的更新周期为15分钟;
更新支持向量回归模型的步骤如下:
第1步,记当前时刻为T0,读取离线样本库Sspl,0;
第2步,利用Sspl,0,训练并更新T0对应的子支持向量回归模型;
第3步,更新总支持向量回归模型;
第4步,等待到T0+15分钟时刻,返回上述(3-2)中的第1步;
(4)利用步骤(2)和步骤(3)训练得到的支持向量回归模型,在线计算直流受端电网动态无功功率源容量,具体包括:
(4-1)在线获取直流受端电网当前运行状态:
从电网的能量管理系统中获取SNZ中的母线的电气量SStateVar,表述如下:
SStateVar={StateVari|i∈SNZ}
StateVari={Pg,i,Qg,i,Pl,i,Ql,i,Vi,θi,Pd},i∈SNZ
其中,Pg,i是直流受端电网中母线i的发电机有功功率,Qg,i是直流受端电网中母线i的发电机无功功率,Pl,i是直流受端电网中母线i的有功功率,Ql,i是直流受端电网中母线i的无功功率,Vi是直流受端电网中母线i的电压幅值,θi是直流受端电网中母线i的电压相角,Pd是直流受端电网中逆变换流站母线接收的有功功率;
SStateVar将用于后续步骤中提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量;
(4-2)在线提取直流受端电网中直流逆变换流站近区的暂态电压稳定特征量:
定义SNZ,F为直流逆变换流站近区的特征量的集合SNZ,F为:
其中,Pg是电网中发电机母线的有功出力,Qg是电网中发电机母线的无功出力,Pl是电网中负荷母线的有功负荷量,Ql是电网中负荷母线的无功负荷量,V是电网中母线的电压幅值,Pd是电网中逆变换流站母线接收的有功功率;
(4-3)在线计算直流逆变换流站近区的动态无功功率源容量,包括以下步骤:
其中,是发电机有功功率的权重,是发电机无功功率的权重,是直流受端电网有功功率的权重,是直流受端电网无功功率的权重,ωV是电压幅值的权重,ωθ是电压相角的权重,是逆变换流站接收的有功功率的权重,下标Operi代表运行方式i,下标Operj代表运行方式j,Pg,k是SNZ500中母线的发电机有功出力,Qg,k是SNZ500中母线的发电机无功出力,Pl,k是SNZ500中母线的负荷有功量,Ql,k是SNZ500中母线的负荷无功量,Vk是SNZ500中母线的电压幅值,θk是SNZ500中母线的电压相角,Pd是SNZ500中的直流输电有功功率;
(4-3-2)从步骤(2)和步骤(3)得到的总支持向量回归模型中选择适用于当前运行方式的子支持向量回归模型,分别计算当前运行方式与96个设定运行方式之间的距离从96个中选择与的最小值相对应的子支持向量回归模型,作为适用于当前运行方式的子支持向量回归模型;
(4-3-3)根据上述步骤(4-3-2)选择的子支持向量回归模型,以直流逆变换流站近区的暂态电压稳定特征量SNZ,F作为模型输入,计算得到直流逆变换流站近区的动态无功储备需求SQ,实现直流受端电网动态无功储备需求的评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884728.3A CN109038636B (zh) | 2018-08-06 | 2018-08-06 | 数据驱动的直流受端电网动态无功储备需求评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810884728.3A CN109038636B (zh) | 2018-08-06 | 2018-08-06 | 数据驱动的直流受端电网动态无功储备需求评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109038636A CN109038636A (zh) | 2018-12-18 |
CN109038636B true CN109038636B (zh) | 2021-06-04 |
Family
ID=64648851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810884728.3A Active CN109038636B (zh) | 2018-08-06 | 2018-08-06 | 数据驱动的直流受端电网动态无功储备需求评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109038636B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110957723B (zh) * | 2019-12-03 | 2021-05-07 | 国家电网公司华北分部 | 一种数据驱动的在线快速评估电网暂态电压安全性的方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3221260A1 (de) * | 1981-06-04 | 1982-12-23 | Westinghouse Electric Corp., 15222 Pittsburgh, Pa. | Blindleistungsgenerator |
US5984173A (en) * | 1998-02-02 | 1999-11-16 | Siemens Power Transmission & Distribution, Llc | Neutral point connected apparatus providing compensation to an AC power line |
CN101546912A (zh) * | 2009-04-28 | 2009-09-30 | 江苏省电力试验研究院有限公司 | 电网线损同类划分与评估方法 |
CN101692575A (zh) * | 2009-10-12 | 2010-04-07 | 中国电力科学研究院 | 一种大电网实时潮流计算数据的处理方法 |
WO2012000548A1 (en) * | 2010-06-30 | 2012-01-05 | Abb Technology Ag | A multi-terminal dc transmission system and method and means for control thereof |
CN103454928A (zh) * | 2013-09-12 | 2013-12-18 | 国家电网公司 | 基于电网调控一体模式的无功电压控制仿真系统及其方法 |
CN103701140A (zh) * | 2014-01-06 | 2014-04-02 | 国家电网公司 | 提高交直流电网暂态电压稳定的动态无功备用优化方法 |
CN104123459A (zh) * | 2014-07-22 | 2014-10-29 | 国家电网公司 | 一种基于无功损耗偏差的线路半容纳参数估计方法 |
EP2889995A1 (en) * | 2013-12-26 | 2015-07-01 | Kabushiki Kaisha Yaskawa Denki | Matrix converter, wind power generation system, and method for controlling matrix converter |
CN106099984A (zh) * | 2016-07-29 | 2016-11-09 | 清华大学 | 一种数据驱动的主动配电网分布式电源最大容量评估方法 |
CN106130028A (zh) * | 2016-08-16 | 2016-11-16 | 中国电力科学研究院 | 一种基于交直流主动配电网电压无功协调控制方法 |
CN106208099A (zh) * | 2016-07-26 | 2016-12-07 | 国网四川省电力公司电力科学研究院 | 一种基于二层规划的电力系统无功优化方法及其应用 |
CN107134799A (zh) * | 2017-04-19 | 2017-09-05 | 国家电网公司 | 一种基于短路比的特高压电网换流器无功配置方法 |
-
2018
- 2018-08-06 CN CN201810884728.3A patent/CN109038636B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3221260A1 (de) * | 1981-06-04 | 1982-12-23 | Westinghouse Electric Corp., 15222 Pittsburgh, Pa. | Blindleistungsgenerator |
US5984173A (en) * | 1998-02-02 | 1999-11-16 | Siemens Power Transmission & Distribution, Llc | Neutral point connected apparatus providing compensation to an AC power line |
CN101546912A (zh) * | 2009-04-28 | 2009-09-30 | 江苏省电力试验研究院有限公司 | 电网线损同类划分与评估方法 |
CN101692575A (zh) * | 2009-10-12 | 2010-04-07 | 中国电力科学研究院 | 一种大电网实时潮流计算数据的处理方法 |
WO2012000548A1 (en) * | 2010-06-30 | 2012-01-05 | Abb Technology Ag | A multi-terminal dc transmission system and method and means for control thereof |
CN103454928A (zh) * | 2013-09-12 | 2013-12-18 | 国家电网公司 | 基于电网调控一体模式的无功电压控制仿真系统及其方法 |
EP2889995A1 (en) * | 2013-12-26 | 2015-07-01 | Kabushiki Kaisha Yaskawa Denki | Matrix converter, wind power generation system, and method for controlling matrix converter |
CN103701140A (zh) * | 2014-01-06 | 2014-04-02 | 国家电网公司 | 提高交直流电网暂态电压稳定的动态无功备用优化方法 |
CN104123459A (zh) * | 2014-07-22 | 2014-10-29 | 国家电网公司 | 一种基于无功损耗偏差的线路半容纳参数估计方法 |
CN106208099A (zh) * | 2016-07-26 | 2016-12-07 | 国网四川省电力公司电力科学研究院 | 一种基于二层规划的电力系统无功优化方法及其应用 |
CN106099984A (zh) * | 2016-07-29 | 2016-11-09 | 清华大学 | 一种数据驱动的主动配电网分布式电源最大容量评估方法 |
CN106130028A (zh) * | 2016-08-16 | 2016-11-16 | 中国电力科学研究院 | 一种基于交直流主动配电网电压无功协调控制方法 |
CN107134799A (zh) * | 2017-04-19 | 2017-09-05 | 国家电网公司 | 一种基于短路比的特高压电网换流器无功配置方法 |
Non-Patent Citations (3)
Title |
---|
Prediction of loadability margin of power system using Support Vector Machine;M.V. Suganyadevi;《2013 International Conference on Energy Efficient Technologies for Sustainability》;20130512;全文 * |
交直流受端电网动态无功需求特性与对策研究;张一荻;《华南理工大学》;20120530;全文 * |
华东大受端电网安全稳定分析研究思路;黄志龙;《华东电力》;20070530;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109038636A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gou et al. | State-of-health estimation and remaining-useful-life prediction for lithium-ion battery using a hybrid data-driven method | |
Mohammadi et al. | PMU based voltage security assessment of power systems exploiting principal component analysis and decision trees | |
CN105512808A (zh) | 一种面向大数据的电力系统暂态稳定评估方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
Yue et al. | Probabilistic transient stability assessment of power system considering wind power uncertainties and correlations | |
CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
Li et al. | Grey relational decision making model of three-parameter interval grey number based on AHP and DEA | |
CN109038636B (zh) | 数据驱动的直流受端电网动态无功储备需求评估方法 | |
Liu et al. | An integrated scheme for static voltage stability assessment based on correlation detection and random bits forest | |
CN114897331A (zh) | 一种基于三参数区间灰数决策的电力变压器风险评估方法 | |
Asvapoositkul et al. | Decision tree-based prediction model for small signal stability and generation-rescheduling preventive control | |
Zhou et al. | A transfer learning method for forecasting masked-load with behind-the-meter distributed energy resources | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
Tiwary et al. | Multi-dimensional ANN application for active power flow state classification on a utility system | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN114268102B (zh) | 基于解析式概率潮流模型的电力系统运行状态量化方法 | |
Jiang et al. | Rule-based expert system to assess caving output ratio in top coal caving | |
Kim et al. | Projection-aware deep neural network for dc optimal power flow without constraint violations | |
Guo et al. | Online model-free estimation of the dynamic system model for a power system with renewables in ambient conditions | |
CN115561697A (zh) | 一种智能电表误差分析方法 | |
CN114066214A (zh) | 一种基于多融合卷积神经网络的电能质量分析方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
Shi et al. | Study on stability feature extraction of power system using deep learning | |
Liu et al. | Intelligent voltage prediction of active distribution network with high proportion of distributed photovoltaics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |