CN110309873B - 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 - Google Patents
基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 Download PDFInfo
- Publication number
- CN110309873B CN110309873B CN201910573094.4A CN201910573094A CN110309873B CN 110309873 B CN110309873 B CN 110309873B CN 201910573094 A CN201910573094 A CN 201910573094A CN 110309873 B CN110309873 B CN 110309873B
- Authority
- CN
- China
- Prior art keywords
- power system
- target power
- probability
- condition set
- working condition
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 122
- 238000011156 evaluation Methods 0.000 title claims abstract description 72
- 239000013598 vector Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 27
- 238000013097 stability assessment Methods 0.000 claims description 26
- 239000000203 mixture Substances 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统,所述方法考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法及系统物理含义清晰,可解释性强,具备较强的实际应用意义。
Description
技术领域
本发明涉及电力系统信息管理技术领域,尤其涉及一种基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统。
背景技术
基于机器学习方法的电力系统暂态稳定评估算法,一般包括离线训练、在线评估、滚动更新几个步骤。离线训练一般使用目标电网的仿真数据,从在线测量得到多个实际的运行工况(潮流断面),将这些工况作为仿真的初始条件,并设置工况对应的预想故障参数进行仿真,仿真得出大量的仿真结果,仿真结果包含系统状态变量、代数变量的时间序列,同时还有系统经受预想故障扰动之后的状态(稳定/不稳定)。利用这些离线仿真的数据,研究者对设计的暂态稳定评估模型进行训练。在线应用中,暂态稳定评估模型利用电力系统测量系统(SCADA、PMUs等)收集的数据,对电力系统一段时间之后的状态进行评估,给出稳定或者不稳定的评估结果。
然而,由于电网的运行状态在不断地改变,电网的暂态特性也会发生变化。目前研究大多将电网所有的运行工况对应的暂态仿真结果用于训练单一的暂态稳定评估模型,忽略了不同工况下电网的暂态特性的差异,这会使得暂态稳定评估模型的评估性能降低。目前的暂态稳定评估模型集成方法,没有考虑这一关键问题。
发明内容
本发明实施例提供一种基于潮流向量贝叶斯分类的集成暂态稳定评估方法及设备,用以解决现有技术中当前的暂态稳定评估集成模型无法考虑不同工况下系统暂态稳定性不同,和当前基于运行工况聚类的暂态稳定评估模型仅挑选单个暂态稳定评估器作为评估工具,泛化性不强的问题。
本发明实施例提供一种基于潮流向量贝叶斯分类的集成暂态稳定评估方法,包括:
基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率;其中,各工况集合潮流分布概率模型基于高斯混合模型和目标电力系统各工况集合中样本潮流向量预先训练获得;
基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果;
基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果;其中,总评估结果包括目标系统暂态稳定的概率和目标系统暂态失稳的概率。
进一步,基于目标电力系统在任一时刻的潮流断面描述所述目标电力系统在所述任一时刻的运行工况;基于一个潮流向量的形式表达一个潮流断面。
进一步,所述基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率,之前还包括:
基于高斯混合模型建立目标电力系统各工况集合所对应的m个概率密度函数fi(c),1≤i≤m,m为目标电力系统的工况集合的数量;
分别将各运行工况集合中潮流向量作为训练数据,根据最大期望算法拟合所述m个概率密度函数fi(c),获得目标电力系统的各工况集合潮流分布概率模型。
进一步,基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率,包括:
进一步,所述基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果,包括:
基于下式计算目标系统暂态稳定的概率Pstable和目标系统暂态失稳的概率Punstable;
进一步,所述基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果,之前还包括:
获取目标电力系统的各工况集合和各工况集合对应的暂态仿真结果子集合;
将目标电力系统的各工况集合和各工况集合对应的暂态仿真结果子集合作为训练集,训练获得各工况集合所对应的各子评估器。
本发明实施例提供一种基于潮流向量贝叶斯分类的集成暂态稳定评估系统,包括:
第一计算模块,用于基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率;其中,各工况集合潮流分布概率模型为基于高斯混合模型和目标电力系统各工况集合中样本潮流向量训练获得;
第二计算模块,用于基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果;
拟合模块,用于基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果;其中,总评估结果包括目标系统暂态稳定的概率和目标系统暂态失稳的概率。
进一步,基于目标电力系统在任一时刻的潮流断面描述所述目标电力系统在所述任一时刻的运行工况;基于一个潮流向量的形式表达一个潮流断面。
本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述集成暂态稳定评估方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述集成暂态稳定评估方法的步骤。
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统,所述方法考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法及系统物理含义清晰,可解释性强,具备较强的实际应用意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于潮流向量贝叶斯分类的集成暂态稳定评估方法整体实施例流程图;
图2为本发明基于潮流向量贝叶斯分类的集成暂态稳定评估方法中给定的多个潮流向量集合以及对应的子评估模型实施例示意图;
图4为本发明基于潮流向量贝叶斯分类的集成暂态稳定评估系统实施例结构示意图;
图5为本发明实施例一种电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中,针对该问题,文章《基于深度学习的电力系统运行状态聚类二级框架》(Guan,Huizhe&Chen,Ying&Huang,Shaowei&Fan,Hang&Li,Xiaomeng.(2018).A DeepLearning Based Two-level Framework of Power System Operating ConditionClustering)使用一种基于深度学习的两级框架,将电力系统的运行工况按照其潮流特性和暂态特性进行聚类(可以参见专利申请号201810871989、申请号201810871987)。使用这种方法,可以得到多组电力系统运行工况,每组运行工况下电网具备相近的暂态特性,而不同组的运行工况下电网的暂态特性差别较大。对电力系统运行工况进行分组之后,对应的暂态稳定评估模型训练数据集也相应的得到了剖分。每个剖分之后的子训练集可以训练出一个子评估模型,其同样也是使用电网故障后的动态响应作为输入,输出电力系统暂态稳定性的预测结果。在在线应用的场景下,首先评估模型将会读取当前的系统运行工况,将其与训练集中的运行工况进行相似性度量,然后找出具备最大相似度的工况组,选择其对应的暂态稳定评估模型作为目标暂态稳定评估模型,再根据当前的系统响应对系统的暂态稳定性作出预测。这种方法仅使用了一个暂态稳定评估模型进行评估,泛化性不强。
为解决现有技术中的至少一个问题,本发明实施例提供一种集成暂态稳定评估方法。如图1,所述方法整体上包括以下步骤。
步骤S1,基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率;其中,各工况集合潮流分布概率模型基于高斯混合模型和目标电力系统各工况集合中样本潮流向量预先训练获得。
其中,本发明实施例预先基于高斯混合模型和目标电力系统各工况集合中样本潮流向量预先训练获得目标电力系统的各工况集合潮流分布概率模型。其中,可以基于某时刻的潮流断面来描述所述目标电力系统在该时刻的运行工况。在本发明实施例中,基于一个潮流向量的形式来进行描述潮流断面。
高斯混合模型(Gaussian Mixture Model,GMM)是用高斯概率密度函数(正态分布曲线)精确地量化概率分布模型,将一个概率密度函数分解为若干的基于高斯概率密度函数(正态分布曲线)叠加形成的模型。通俗点讲,无论观测数据集如何分布以及呈现何种规律,都可以通过多个单一高斯模型的混合进行拟合。
在本方法中,首先利用GMM建立每一个运行工况集合的潮流向量概率分布模型,得到m个概率密度函数fi(c),1≤i≤m。使用每个运行工况集合中的潮流向量作为训练数据,使用最大期望算法(Expectation Maximization Algorithm,EM)拟合即可得到GMM模型。
将目标电力系统的当前运行工况输入目标电力系统的各工况集合潮流分布概率模型,计算分别属于各工况集合的概率。
步骤S2,基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果。
步骤S3,基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果;其中,总评估结果包括目标系统暂态稳定的概率和目标系统暂态失稳的概率。
其中,基于下式计算目标系统暂态稳定的概率Pstable和目标系统暂态失稳的概率Punstable;
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估方法,所述方法考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法物理含义清晰,可解释性强,具备较强的实际应用意义。
在本发明上述实施例的基础上,提供一种集成暂态稳定评估方法,基于目标电力系统在任一时刻的潮流断面描述所述目标电力系统在所述任一时刻的运行工况;基于一个潮流向量的形式表达一个潮流断面。
首先,给定一个具有n1条母线和n2条输电线路的电力系统,可以使用某时刻的潮流断面来描述这个电力系统在该时刻的运行工况。在本工作中,将潮流断面用一个潮流向量的形式来进行描述,如下面的式子所示:
c=[Vbus θbus Pline Qline]
其中,
在上述式子中,Vi∠θi表示第i个母线的电压相量,则表示第j条传输线上的潮流。本发明实施例使用的都是标幺值的方法,对应线路的潮流的正方向在不同的潮流断面保持一致。由于某些线路或者母线在某些运行工况下是不投运的,在潮流向量c中,规定未投入运行的母线或者传输线对应的元素为0。
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估方法,所述方法考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法物理含义清晰,可解释性强,具备较强的实际应用意义。
在本发明任一上述实施例的基础上,提供一种集成暂态稳定评估方法,所述基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率,之前还包括:
基于高斯混合模型建立目标电力系统各工况集合所对应的m个概率密度函数fi(c),1≤i≤m,m为目标电力系统的工况集合的数量;
分别将各运行工况集合中潮流向量作为训练数据,根据最大期望算法拟合所述m个概率密度函数fi(c),获得目标电力系统的各工况集合潮流分布概率模型。
高斯混合模型(Gaussian Mixture Model,GMM)是用高斯概率密度函数(正态分布曲线)精确地量化概率分布模型,将一个概率密度函数分解为若干的基于高斯概率密度函数(正态分布曲线)叠加形成的模型。通俗点讲,无论观测数据集如何分布以及呈现何种规律,都可以通过多个单一高斯模型的混合进行拟合。
在本发明实施例中,首先利用高斯混合模型建立每一个运行工况集合的潮流向量概率分布模型,得到m个概率密度函数fi(c),1≤i≤m。使用每个运行工况集合中的潮流向量作为训练数据,使用最大期望算法(Expectation Maximization Algorithm,EM)拟合即可得到GMM模型。
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估方法,所述方法考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法物理含义清晰,可解释性强,具备较强的实际应用意义。
在本发明任一上述实施例的基础上,提供一种集成暂态稳定评估方法,基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率,包括:
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估方法,所述方法考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法物理含义清晰,可解释性强,具备较强的实际应用意义。
在本发明任一上述实施例的基础上,提供一种集成暂态稳定评估方法,所述基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果,包括:
基于下式计算目标系统暂态稳定的概率Pstable和目标系统暂态失稳的概率Punstable;
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估方法,所述方法考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法物理含义清晰,可解释性强,具备较强的实际应用意义。
在本发明任一上述实施例的基础上,提供一种集成暂态稳定评估方法,所述基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果,之前还包括:
获取目标电力系统的各工况集合和各工况集合对应的暂态仿真结果子集合;
将目标电力系统的各工况集合和各工况集合对应的暂态仿真结果子集合作为训练集,训练获得各工况集合所对应的各子评估器。
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估方法,所述方法考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法物理含义清晰,可解释性强,具备较强的实际应用意义。
在本发明上述任一现有技术的基础上,对本发明实施例一种基于潮流向量贝叶斯分类的集成暂态稳定评估方法的具体实现方式进行说明。
(1)给定的初始条件
首先,给定一个具有n1条母线和n2条输电线路的电力系统,可以使用某时刻的潮流断面来描述这个电力系统在该时刻的运行工况。在本发明实施例中,将潮流断面用一个潮流向量c的形式来进行描述,如下面的式子所示:
c=[Vbus θbus Pline Qline]
其中,
在上述式子中,Vi∠θi表示第i个母线的电压相量,则表示第j条传输线上的潮流。本发明实施例使用的是标幺值方法,对应线路的潮流的正方向在不同的潮流断面保持一致。由于某些线路或者母线在某些运行工况下是不投运的,在潮流向量c中,规定未投入运行的母线或者传输线对应的元素为0。
每个子评估器在输入系统响应X的条件下,会给出系统暂态稳定的概率Pstable和暂态失稳的概率Punstable,它们满足Pstable+Punstable=1。
(2)基于高斯混合模型建立各工况集合的潮流分布概率模型。
高斯混合模型(Gaussian Mixture Model,GMM)是用高斯概率密度函数(正态分布曲线)精确地量化概率分布模型,将一个概率密度函数分解为若干的基于高斯概率密度函数(正态分布曲线)叠加形成的模型。通俗点讲,无论观测数据集如何分布以及呈现何种规律,都可以通过多个单一高斯模型的混合进行拟合。
具体地,使用以下式子来逼近待拟合的概率密度函数:
其中,
代表一个高斯分量,K是一个事先指定的参数,含义为高斯分量的个数。只要K足够大,GMM就会变得足够复杂,可以用来逼近任意连续的概率密度分布。
在本发明实施例中,首先利用GMM建立每一个运行工况集合的潮流向量概率分布模型,得到m个概率密度函数fi(c),1≤i≤m。使用每个运行工况集合中的潮流向量作为训练数据,使用最大期望算法(Expectation Maximization Algorithm,EM)拟合即可得到GMM模型。
(3)基于潮流向量贝叶斯分类的集成暂态稳定评估方法。
步骤二:使用子评估模型对系统暂态稳定性进行评估。
步骤三:对子评估模型的评估结果进行整合,得到集成模型的总评估结果。
使用以下的两条式子得到集成模型的总评估结果:
容易验证,Pstable和Punstable也满足Pstable+Punstable=1。
为解决现有技术中的至少一个技术问题,本发明实施例提供一种集成暂态稳定评估系统,如图4,包括:
第一计算模块41,用于基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率;其中,各工况集合潮流分布概率模型为基于高斯混合模型和目标电力系统各工况集合中样本潮流向量训练获得。
其中,本发明实施例预先基于高斯混合模型和目标电力系统各工况集合中样本潮流向量预先训练获得目标电力系统的各工况集合潮流分布概率模型。其中,可以基于某时刻的潮流断面来描述所述目标电力系统在该时刻的运行工况。在本发明实施例中,基于一个潮流向量的形式来进行描述潮流断面。
高斯混合模型(Gaussian Mixture Model,GMM)是用高斯概率密度函数(正态分布曲线)精确地量化概率分布模型,将一个概率密度函数分解为若干的基于高斯概率密度函数(正态分布曲线)叠加形成的模型。通俗点讲,无论观测数据集如何分布以及呈现何种规律,都可以通过多个单一高斯模型的混合进行拟合。
在本实施例中,首先利用GMM建立每一个运行工况集合的潮流向量概率分布模型,得到m个概率密度函数fi(c),1≤i≤m。使用每个运行工况集合中的潮流向量作为训练数据,使用最大期望算法(Expectation Maximization Algorithm,EM)拟合即可得到GMM模型。
将目标电力系统的当前运行工况输入目标电力系统的各工况集合潮流分布概率模型,计算分别属于各工况集合的概率。
第二计算模块42,用于基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果。
拟合模块43,用于基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果;其中,总评估结果包括目标系统暂态稳定的概率和目标系统暂态失稳的概率。
其中,基于下式计算目标系统暂态稳定的概率Pstable和目标系统暂态失稳的概率Punstable;
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估系统,所述系统考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例方法物理含义清晰,可解释性强,具备较强的实际应用意义。
在本发明上述实施例的基础上,提供一种集成暂态稳定评估系统,基于目标电力系统在任一时刻的潮流断面描述所述目标电力系统在所述任一时刻的运行工况;基于一个潮流向量的形式表达一个潮流断面。
首先,给定一个具有n1条母线和n2条输电线路的电力系统,可以使用某时刻的潮流断面来描述这个电力系统在该时刻的运行工况。在本工作中,将潮流断面用一个潮流向量的形式来进行描述,如下面的式子所示:
c=[Vbus θbus Pline Qline]
其中,
在上述式子中,Vi∠θi表示第i个母线的电压相量,则表示第j条传输线上的潮流。本发明实施例使用的都是标幺值的方法,对应线路的潮流的正方向在不同的潮流断面保持一致。由于某些线路或者母线在某些运行工况下是不投运的,在潮流向量c中,规定未投入运行的母线或者传输线对应的元素为0。
本发明实施例提供的基于潮流向量贝叶斯分类的集成暂态稳定评估系统,所述系统考虑不同工况下系统暂态稳定性的差异,通过贝叶斯分类计算当前运行工况适用于各个子评估器的概率,然后根据全概率公式整合各个子评估器的输出得到总输出。本发明实施例系统物理含义清晰,可解释性强,具备较强的实际应用意义。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中逻辑指令,以执行如下方法:基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率;其中,各工况集合潮流分布概率模型基于高斯混合模型和目标电力系统各工况集合中样本潮流向量预先训练获得;基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果;基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果;其中,总评估结果包括目标系统暂态稳定的概率和目标系统暂态失稳的概率。
此外,上述的存储器530中逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率;其中,各工况集合潮流分布概率模型基于高斯混合模型和目标电力系统各工况集合中样本潮流向量预先训练获得;基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果;基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果;其中,总评估结果包括目标系统暂态稳定的概率和目标系统暂态失稳的概率。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种集成暂态稳定评估方法,其特征在于,包括:
基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率;其中,各工况集合潮流分布概率模型基于高斯混合模型和目标电力系统各工况集合中样本潮流向量预先训练获得;
基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果;
基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果;其中,总评估结果包括目标系统暂态稳定的概率和目标系统暂态失稳的概率;
基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率,包括:
2.根据权利要求1所述的集成暂态稳定评估方法,其特征在于,基于目标电力系统在任一时刻的潮流断面描述所述目标电力系统在所述任一时刻的运行工况;基于一个潮流向量的形式表达一个潮流断面。
3.根据权利要求2所述的集成暂态稳定评估方法,其特征在于,所述基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率,之前还包括:
基于高斯混合模型建立目标电力系统各工况集合所对应的m个概率密度函数fi(c),1≤i≤m,m为目标电力系统的工况集合的数量;
分别将各运行工况集合中潮流向量作为训练数据,根据最大期望算法拟合所述m个概率密度函数fi(c),获得目标电力系统的各工况集合潮流分布概率模型。
5.根据权利要求1所述的集成暂态稳定评估方法,其特征在于,所述基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果,之前还包括:
获取目标电力系统的各工况集合和各工况集合对应的暂态仿真结果子集合;
将目标电力系统的各工况集合和各工况集合对应的暂态仿真结果子集合作为训练集,训练获得各工况集合所对应的各子评估器。
6.一种集成暂态稳定评估系统,其特征在于,包括:
第一计算模块,用于基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率;其中,各工况集合潮流分布概率模型为基于高斯混合模型和目标电力系统各工况集合中样本潮流向量训练获得;
第二计算模块,用于基于当前目标电力系统的故障后响应参数和目标电力系统的各工况集合所对应的各子评估器,计算当前目标电力系统在各工况集合下的各稳定评估结果;
拟合模块,用于基于当前目标电力系统运行工况属于各工况集合的概率,和当前目标电力系统在各工况集合下的各稳定评估结果,拟合获得当前电力系统的总评价结果;其中,总评估结果包括目标系统暂态稳定的概率和目标系统暂态失稳的概率;
基于目标电力系统的各工况集合潮流分布概率模型,计算目标电力系统的当前运行工况分别属于各工况集合的概率,包括:
7.根据权利要求6所述的集成暂态稳定评估系统,其特征在于,基于目标电力系统在任一时刻的潮流断面描述所述目标电力系统在所述任一时刻的运行工况;基于一个潮流向量的形式表达一个潮流断面。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述集成暂态稳定评估方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述集成暂态稳定评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573094.4A CN110309873B (zh) | 2019-06-28 | 2019-06-28 | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573094.4A CN110309873B (zh) | 2019-06-28 | 2019-06-28 | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309873A CN110309873A (zh) | 2019-10-08 |
CN110309873B true CN110309873B (zh) | 2021-05-14 |
Family
ID=68078482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910573094.4A Active CN110309873B (zh) | 2019-06-28 | 2019-06-28 | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110718910B (zh) * | 2019-10-29 | 2020-09-15 | 国网四川省电力公司经济技术研究院 | 贝叶斯优化LightGBM的暂态稳定评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN107341349A (zh) * | 2017-06-30 | 2017-11-10 | 上海交通大学 | 风机健康评估的方法、系统、存储器及控制器 |
CN107918709A (zh) * | 2017-11-17 | 2018-04-17 | 浙江工业大学 | 一种多相混输泵用单向阀暂态开启高度的预测方法 |
CN108879732A (zh) * | 2018-08-02 | 2018-11-23 | 清华大学 | 电力系统暂态稳定评估方法及装置 |
CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
CN109390935A (zh) * | 2018-10-16 | 2019-02-26 | 清华大学 | 一种用于电力系统暂态稳定预测的样本生成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103236692B (zh) * | 2013-04-25 | 2014-12-10 | 网新创新研究开发有限公司 | 一种利用概率潮流评估电力系统运行状况的方法 |
CN105677952B (zh) * | 2015-12-30 | 2019-01-15 | 南京理工大学 | 一种考虑失稳位置不确定的输电线路故障概率评估方法 |
-
2019
- 2019-06-28 CN CN201910573094.4A patent/CN110309873B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN107341349A (zh) * | 2017-06-30 | 2017-11-10 | 上海交通大学 | 风机健康评估的方法、系统、存储器及控制器 |
CN107918709A (zh) * | 2017-11-17 | 2018-04-17 | 浙江工业大学 | 一种多相混输泵用单向阀暂态开启高度的预测方法 |
CN108879732A (zh) * | 2018-08-02 | 2018-11-23 | 清华大学 | 电力系统暂态稳定评估方法及装置 |
CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
CN109390935A (zh) * | 2018-10-16 | 2019-02-26 | 清华大学 | 一种用于电力系统暂态稳定预测的样本生成方法 |
Non-Patent Citations (3)
Title |
---|
"A Deep Learning Based Two-level Framework of Power System Operating Condition Clustering";Huizhe Guan 等;《2018 International Conference on Power System Technology》;20181108;第4462-4467页 * |
"Power system probabilistic security assessment using Bayes classifier";Hyungchul Kim 等;《ELSEVIER》;20051231;第157-165页 * |
"Transient Stability Analysis of Power System Based on Bayesian Networks and Main Electrical Wiring";Youping Fan;《IEEE》;20091231;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110309873A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN106934242B (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及系统 | |
CN109524982B (zh) | 一种交直流电网暂态稳定风险评估方法 | |
CN114006370A (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN110309873B (zh) | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN111400966A (zh) | 一种基于改进AdaBoost的电力系统静态电压稳定评估方法 | |
CN111414943A (zh) | 一种基于混合隐朴素贝叶斯模型的异常检测方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN105978733A (zh) | 一种基于韦布尔分布的网络流量建模方法和系统 | |
CN110310033B (zh) | 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统 | |
Tucci et al. | Adaptive FIR neural model for centroid learning in self-organizing maps | |
Zhao et al. | Dimension reduction based non-parametric disaggregation for dependence modeling in composite system reliability evaluation | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN113435575B (zh) | 基于不平衡数据的门图神经网络暂态稳定性评估方法 | |
CN113506186A (zh) | 电力系统受扰轨迹筛选方法、装置、电子设备和存储介质 | |
CN112232381A (zh) | 主导负荷参数类噪声辨识的模型参数后处理方法和装置 | |
CN110826690A (zh) | 一种设备状态识别方法及其系统、计算机可读存储介质 | |
CN111814394A (zh) | 一种基于相关性和冗余性检测的电力系统安全评估方法 | |
CN110825051A (zh) | 一种基于gap metric的不确定系统的多模型控制方法 | |
CN111144572A (zh) | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 | |
CN109598644A (zh) | 基于高斯分布的窃电用户识别方法及终端设备 | |
Guo et al. | Short-term stock forecasting based on phase space reconstruction and cluster analysis | |
CN111798049B (zh) | 一种基于集成学习与多目标规划的电压稳定评估方法 |
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 |