CN110310033A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110310033A CN110310033A CN201910573092.5A CN201910573092A CN110310033A CN 110310033 A CN110310033 A CN 110310033A CN 201910573092 A CN201910573092 A CN 201910573092A CN 110310033 A CN110310033 A CN 110310033A
- Authority
- CN
- China
- Prior art keywords
- operating condition
- condition set
- transient stability
- power system
- transient
- 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.)
- Granted
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 163
- 238000011156 evaluation Methods 0.000 title claims abstract description 85
- 239000013598 vector Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013097 stability assessment Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 abstract description 11
- 238000013210 evaluation model Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 1
- 108010050014 systemin Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供的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,所述方法以基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
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闵可夫斯基距离的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。
为了提高暂态稳定评估的性能,包括准确性、可靠性和评估的速度,现有研究有使用集成多个基模型的方法来进行暂态稳定评估的方法。基于机器学习的暂态稳定评估模型,接受系统在扰动(故障)后的动态响应作为输入,输出其对系统暂态稳定性的预测(评估)结果。现有的集成模型的基本结构如图1所示,将离线训练集进行随机子抽样之后得到m个不同的子训练集,在这m个不同的子训练集上分别训练得到m个不同的基模型。每个子训练集通常还具备不同的特征选取方法,使得基模型之间学习到的分类模式具有一定的差异性。在线应用时,接收到实时的系统响应之后,每个基模型都会给出各自的预测结果,通过一定的整合方法,得到整个集成模型的预测结果。现有集成方法的出发点,是对训练集中数据所体现的特征进行更好的挖掘,与单一模型相比,其减少了在训练中可能出现的过拟合、陷入局部最优等情况。
然而,目前的暂态稳定评估集成模型存在以下两方面的问题:
第一,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。
第二,目前的暂态稳定评估集成模型,每个基模型的输出多被离散化为离散的标签值(稳定/不稳定),因此在整合多个基模型得到最终预测结果时,一般采用投票的方式(m个基模型输出中“稳定”更多还是“不稳定”更多)来决定最终的输出,这种方法得到的输出较为粗糙。
发明内容
本发明实施例提供一种基于潮流向量闵可夫斯基距离的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闵可夫斯基距离的暂态稳定评估方法,包括:
计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离;其中,目标电力系统的各工况集合为预先划分获得;
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距离目标电力系统的各工况集合的闵可夫斯基距离,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,计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离,包括:
其中,D为闵可夫斯基距离,X=(x1,x2,x3,...)和Y=(y1,y2,y3,...)为两个向量;p是可指定的参数;
给定参数p,计算当前潮流向量与训练集中潮流向量的闵可夫斯基距离,然后对于每一个工况集合找出中的潮流向量与的距离最小值,记作潮流向量与工况集合的距离Di。
进一步,所述基于当前目标电力系统运行工况距离目标电力系统的各工况集合的闵可夫斯基距离,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;
为当前目标电力系统在第i工况集合下的暂态稳定的概率;为当前目标电力系统在第i工况集合下的暂态失稳的概率,1≤i≤m。
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闵可夫斯基距离的暂态稳定评估系统,包括:
第一计算模块,用于计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离;其中,目标电力系统的各工况集合为预先划分获得;
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距离目标电力系统的各工况集合的闵可夫斯基距离,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闵可夫斯基距离的暂态稳定评估方法及系统,所述方法以基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
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为现有技术中电力系统暂态稳定评估集成模型的基本结构;
图2为本发明基于潮流向量闵可夫斯基距离的暂态稳定评估方法整体实施例流程图;
图3为本发明基于潮流向量闵可夫斯基距离的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闵可夫斯基距离的暂态稳定评估方法中对新工况下目标电力系统的暂态稳定性进行评估的实施例流程图;
图5为本发明基于潮流向量闵可夫斯基距离的暂态稳定评估系统实施例结构示意图;
图6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,针对背景技术部分第一个问题,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 Deep Learning Based Two-level Framework of Power System OperatingCondition Clustering)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,如果当前运行工况与训练集中的多个运行工况组距离相近,评估结果的可靠性和准确性将会受到影响。选择其中的多个模型进行集成而非单个模型的方法将有利于解决这一问题。
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暂态稳定评估方法。如图2,所述方法整体上包括以下步骤。
步骤S1,计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离;其中,目标电力系统的各工况集合为预先划分获得。
其中,本发明实施例预先将目标电力系统划分出各工况集合。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。
闵氏空间指狭义相对论中由一个时间维和三个空间维组成的时空,为俄裔德国数学家闵可夫斯基(H.Minkowski,1864-1909)最先表述。他的平坦空间(即假设没有重力,曲率为零的空间)的概念以及表示为特殊距离量的几何学是与狭义相对论的要求相一致的。闵可夫斯基空间不同于牛顿力学的平坦空间。闵可夫斯基距离(Minkowski distance)是衡量数值点之间距离的一种非常常见的方法。
在本方法中,
其中,D为闵可夫斯基距离,X=(x1,x2,x3,...)和Y=(y1,y2,y3,...)为两个向量;p是可指定的参数;
给定参数p,计算当前潮流向量与训练集中潮流向量的闵可夫斯基距离,然后对于每一个工况集合找出中的潮流向量与的距离最小值,记作潮流向量与工况集合的距离Di。
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。
每一个运行工况子集合对应一个暂态仿真结果子集合其作为子评估器Mi的训练集。因此,一共有m个子评估器。输入当前目标电力系统响应得到m个子评估结果,也就是和
步骤S3,基于当前目标电力系统运行工况距离目标电力系统的各工况集合的闵可夫斯基距离,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;
为当前目标电力系统在第i工况集合下的暂态稳定的概率;为当前目标电力系统在第i工况集合下的暂态失稳的概率,1≤i≤m。
本发明实施例提供的基于潮流向量闵可夫斯基距离的暂态稳定评估方法,所述方法以基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
在本发明上述实施例的基础上,提供一种暂态稳定评估方法,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。
给定电力系统运行工况集合和运行工况集合的聚类结果显然有:
本发明实施例提供的基于潮流向量闵可夫斯基距离的暂态稳定评估方法,所述方法以基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
在本发明任一上述实施例的基础上,提供一种暂态稳定评估方法,计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离,包括:
其中,D为闵可夫斯基距离,X=(x1,x2,x3,...)和Y=(y1,y2,y3,...)为两个向量;p是可指定的参数;
给定参数p,计算当前潮流向量与训练集中潮流向量的闵可夫斯基距离,然后对于每一个工况集合找出中的潮流向量与的距离最小值,记作潮流向量与工况集合的距离Di。
本发明实施例提供的基于潮流向量闵可夫斯基距离的暂态稳定评估方法,所述方法以基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
在本发明任一上述实施例的基础上,提供一种暂态稳定评估方法,所述基于当前目标电力系统运行工况距离目标电力系统的各工况集合的闵可夫斯基距离,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;
为当前目标电力系统在第i工况集合下的暂态稳定的概率;为当前目标电力系统在第i工况集合下的暂态失稳的概率,1≤i≤m。
本发明实施例提供的基于潮流向量闵可夫斯基距离的暂态稳定评估方法,所述方法以基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
在本发明任一上述实施例的基础上,提供一种暂态稳定评估方法,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闵可夫斯基距离的暂态稳定评估方法,所述方法以基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
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闵可夫斯基距离的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。
给定电力系统运行工况集合和运行工况集合的聚类结果显然有:
每一个运行工况子集合对应一个暂态仿真结果子集合其作为子评估器Mi的训练集。因此,一共有m个子评估器。以上给定条件的关系如图3所示。
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)基于潮流向量闵可夫斯基距离的暂态稳定评估方法。
如图4所述,当电网进入到一个新的运行工况时,在给定系统响应的情况下,通过本专利提出的暂态稳定评估方法,可以得到系统暂态稳定性的评估结果具体地分为以下几个步骤。
步骤一:计算当前潮流向量与每个工况集合的距离。
给定两个向量X=(x1,x2,x3,...)和Y=(y1,y2,y3,...),他们之间的闵可夫斯基距离按下式进行计算:
其中p是可指定的参数,常用的包括p=1(曼哈顿距离)和p=2(欧式距离)。
给定参数p之后,计算当前潮流向量与训练集中潮流向量的闵可夫斯基距离,然后对于每一个工况集合找出中的潮流向量与的距离最小值,记作潮流向量与工况集合的距离Di。
步骤二:使用子评估模型对系统暂态稳定性进行评估。
对于给定的m个子评估器,输入当前的系统响应得到m个子评估结果,也就是和
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暂态稳定评估系统,如图5,包括:
第一计算模块51,用于计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离;其中,目标电力系统的各工况集合为预先划分获得。
其中,其中,本发明实施例预先将目标电力系统划分出各工况集合。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。
闵氏空间指狭义相对论中由一个时间维和三个空间维组成的时空,为俄裔德国数学家闵可夫斯基(H.Minkowski,1864-1909)最先表述。他的平坦空间(即假设没有重力,曲率为零的空间)的概念以及表示为特殊距离量的几何学是与狭义相对论的要求相一致的。闵可夫斯基空间不同于牛顿力学的平坦空间。闵可夫斯基距离(Minkowski distance)是衡量数值点之间距离的一种非常常见的方法。
在本方法中,
其中,D为闵可夫斯基距离,X=(x1,x2,x3,...)和Y=(y1,y2,y3,...)为两个向量;p是可指定的参数;
给定参数p,计算当前潮流向量与训练集中潮流向量的闵可夫斯基距离,然后对于每一个工况集合找出中的潮流向量与的距离最小值,记作潮流向量与工况集合的距离Di。
第二计算模块52,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。
每一个运行工况子集合对应一个暂态仿真结果子集合其作为子评估器Mi的训练集。因此,一共有m个子评估器。输入当前目标电力系统响应得到m个子评估结果,也就是和
拟合模块53,用于基于当前目标电力系统运行工况距离目标电力系统的各工况集合的闵可夫斯基距离,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;
为当前目标电力系统在第i工况集合下的暂态稳定的概率;为当前目标电力系统在第i工况集合下的暂态失稳的概率,1≤i≤m。
本发明实施例提供的基于潮流向量闵可夫斯基距离的暂态稳定评估系统,所述系统基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
在本发明上述实施例的基础上,提供一种暂态稳定评估系统,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。
给定电力系统运行工况集合和运行工况集合的聚类结果显然有:
本发明实施例提供的基于潮流向量闵可夫斯基距离的暂态稳定评估系统,所述系统基于运行工况聚类的暂态稳定评估方法为基础,结合当前暂态稳定评估集成模型的设计思路,设计了一种基于潮流向量闵可夫斯基距离的集成暂态稳定评估方法。该方法考虑不同工况下系统暂态稳定性的差异,按工况的相似度加权整合多个子评估模型,使得系统暂态稳定性匹配程度越高的子评估模型对总评估结果影响越大;与使用单个评估模型相比具备更强的泛化性,提高了评估的可靠性和泛化性;此外,本集成模型直接利用基模型的输出,整合得到最终输出时,保留了更多的信息,提高了准确性。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中逻辑指令,以执行如下方法:计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离;其中,目标电力系统的各工况集合为预先划分获得;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距离目标电力系统的各工况集合的闵可夫斯基距离,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630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:计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离;其中,目标电力系统的各工况集合为预先划分获得;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距离目标电力系统的各工况集合的闵可夫斯基距离,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)
1.一种暂态稳定评估方法,其特征在于,包括:
计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离;其中,目标电力系统的各工况集合为预先划分获得;
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距离目标电力系统的各工况集合的闵可夫斯基距离,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。
2.根据权利要求1所述的暂态稳定评估方法,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所述的暂态稳定评估方法,其特征在于,计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离,包括:
其中,D为闵可夫斯基距离,X=(x1,x2,x3,...)和Y=(y1,y2,y3,...)为两个向量;p是可指定的参数;
给定参数p,计算当前潮流向量与训练集中潮流向量的闵可夫斯基距离,然后对于每一个工况集合找出中的潮流向量与的距离最小值,记作潮流向量与工况集合的距离Di。
4.根据权利要求3所述的暂态稳定评估方法,其特征在于,所述基于当前目标电力系统运行工况距离目标电力系统的各工况集合的闵可夫斯基距离,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;
为当前目标电力系统在第i工况集合下的暂态稳定的概率;为当前目标电力系统在第i工况集合下的暂态失稳的概率,1≤i≤m。
5.根据权利要求1所述的暂态稳定评估方法,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。
6.一种暂态稳定评估系统,其特征在于,包括:
第一计算模块,用于计算目标电力系统的当前运行工况分别距离目标电力系统的各工况集合的闵可夫斯基距离;其中,目标电力系统的各工况集合为预先划分获得;
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距离目标电力系统的各工况集合的闵可夫斯基距离,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。
7.根据权利要求6所述的暂态稳定评估系统,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任一项所述暂态稳定评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573092.5A CN110310033B (zh) | 2019-06-28 | 2019-06-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910573092.5A CN110310033B (zh) | 2019-06-28 | 2019-06-28 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110310033A true CN110310033A (zh) | 2019-10-08 |
CN110310033B CN110310033B (zh) | 2021-10-15 |
Family
ID=68078481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910573092.5A Active CN110310033B (zh) | 2019-06-28 | 2019-06-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310033B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359435A (zh) * | 2021-05-12 | 2021-09-07 | 东南大学 | 用于火电机组动态工况数据的修正方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718248A (zh) * | 2009-12-21 | 2010-06-02 | 昆明理工大学 | 水轮发电机组主动稳定控制方法 |
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 |
CN108053128A (zh) * | 2017-12-25 | 2018-05-18 | 东南大学 | 一种基于elm和tf的电网暂态稳定快速评估方法 |
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 |
CN109193703A (zh) * | 2018-11-02 | 2019-01-11 | 国网四川省电力公司电力科学研究院 | 考虑类别不均衡性的电力系统暂态稳定关键特征选择方法 |
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 |
CN109861206A (zh) * | 2018-12-29 | 2019-06-07 | 国电南瑞科技股份有限公司 | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 |
-
2019
- 2019-06-28 CN CN201910573092.5A patent/CN110310033B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718248A (zh) * | 2009-12-21 | 2010-06-02 | 昆明理工大学 | 水轮发电机组主动稳定控制方法 |
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 |
CN108053128A (zh) * | 2017-12-25 | 2018-05-18 | 东南大学 | 一种基于elm和tf的电网暂态稳定快速评估方法 |
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 |
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 |
CN109193703A (zh) * | 2018-11-02 | 2019-01-11 | 国网四川省电力公司电力科学研究院 | 考虑类别不均衡性的电力系统暂态稳定关键特征选择方法 |
CN109861206A (zh) * | 2018-12-29 | 2019-06-07 | 国电南瑞科技股份有限公司 | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359435A (zh) * | 2021-05-12 | 2021-09-07 | 东南大学 | 用于火电机组动态工况数据的修正方法 |
CN113359435B (zh) * | 2021-05-12 | 2022-08-12 | 东南大学 | 用于火电机组动态工况数据的修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110310033B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A hybrid wind speed forecasting model based on phase space reconstruction theory and Markov model: A case study of wind farms in northwest China | |
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
Ma et al. | Ultra-short-term wind generation forecast based on multivariate empirical dynamic modeling | |
Zhu et al. | A novel LSTM based deep learning approach for multi-time scale electric vehicles charging load prediction | |
CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
CN109472321A (zh) | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 | |
CN105225006B (zh) | 一种短期风电功率非参数概率预测方法 | |
CN108053077A (zh) | 一种基于区间二型t-s模糊模型的短期风速预测方法与系统 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN110535149A (zh) | 一种公变台区电力负荷三相不平衡预测方法 | |
CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
CN110880062A (zh) | 一种配电设备状态检修时间的确定方法 | |
CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
CN109066819A (zh) | 一种基于案件推理的配电网的无功优化方法 | |
Chaturvedi et al. | Improved generalized neuron model for short-term load forecasting | |
Mohammad et al. | Short term load forecasting using deep neural networks | |
Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
Geng et al. | A data-driven approach to identifying system pattern regions in market operations | |
CN110310033A (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 | |
Razmi et al. | Neural network based on a genetic algorithm for power system loading margin estimation | |
Alam | Recurrent neural networks in electricity load forecasting | |
Cai et al. | Short-term load forecasting for city holidays based on genetic support vector machines | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises |
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 |