CN110957742B - 基于深度学习的电力系统小干扰稳定辅助决策方法及系统 - Google Patents
基于深度学习的电力系统小干扰稳定辅助决策方法及系统 Download PDFInfo
- Publication number
- CN110957742B CN110957742B CN201910983548.5A CN201910983548A CN110957742B CN 110957742 B CN110957742 B CN 110957742B CN 201910983548 A CN201910983548 A CN 201910983548A CN 110957742 B CN110957742 B CN 110957742B
- Authority
- CN
- China
- Prior art keywords
- unit
- damping ratio
- power grid
- determining
- control strategy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000013016 damping Methods 0.000 claims abstract description 111
- 238000011217 control strategy Methods 0.000 claims abstract description 54
- 230000035945 sensitivity Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 235000014443 Pyrus communis Nutrition 0.000 description 2
- 241000233948 Typha Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- H02J3/24—Arrangements for preventing or reducing oscillations of 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的电力系统小干扰稳定辅助决策方法及系统，包括：基于电网的连接关系构建电网层级网络深度学习模型，并利用获取的输入参数的历史断面数据和对应的阻尼比对模型进行训练，以确定小干扰稳定快速判别模型；当电网处于不安全状态时，基于所述小干扰稳定快速判别模型，利用神经网络的反向传播方法，确定每个机组的每个输入参数与阻尼比间的灵敏度；根据输入参数为机组有功功率对应的灵敏度对机组进行排序，选取调整目标；按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整；根据调整后的输入参数数据，利用所述小干扰稳定快速判别模型对电网当前的运行方式进行校验，并根据当前的阻尼比确定控制策略。
Description
技术领域
本发明涉及计量校准领域，并且更具体地，涉及一种基于深度学习的电力系统小干扰稳定辅助决策方法及系统。
背景技术
随着经济水平的飞速提升，中国社会对电力的需求也日益强烈。为了保障电能安全可靠的传输，中国电网中开展了西电东送、全国联网以及特高压输电等重大工程，交直流混联的特大电网已经基本形成。随着电网规模的扩大，电网安全稳定性愈加难以掌控。世界上已经发生的多次电网故障表明，输电电压等级的提高、联网规模扩大以及传输容量的增加，都会增大电网故障带来的危害，故障原因和过程也更为复杂。开展对运行电网全面细致的在线监视、分析和控制，保障电力生产、传输和使用的安全是各国电力行业的迫切需求。
开展电网在线安全稳定分析工作，计算速度是必须保障的核心指标之一，如果失去计算速度，那么在线分析也就失去了时效性，而变得没有意义。现有在线分析系统主要采用时域仿真方法进行分析，计算量较大，难以进一步提升速度。
由于在线分析系统积累了大量的历史仿真样本，其中蕴含了宝贵的电网运行规律，同时又贴近实际运行情况，可作为运行方式调整的依据。因此，需要一种基于深度学习的电力系统小干扰稳定辅助决策方法。
发明内容
本发明提出一种基于深度学习的电力系统小干扰稳定辅助决策方法及系统，以解决如何确定确定电力系统小干扰稳定控制策略的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种基于深度学习的电力系统小干扰稳定辅助决策方法，所述方法包括：
基于电网的连接关系构建电网层级网络深度学习模型，并利用获取的输入参数的历史断面数据和对应的阻尼比对模型进行训练，以确定小干扰稳定快速判别模型；所述输入参数包括：机组有功功率、机组极端电压、负荷站的总有功功率和总无功功率；
当电网处于不安全状态时，基于所述小干扰稳定快速判别模型，利用神经网络的反向传播方法，确定每个机组的每个输入参数与阻尼比间的灵敏度；
根据输入参数为机组有功功率对应的灵敏度对机组进行排序，根据排序结果分别正向和逆向选取预设数量的机组作为调整目标；
按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式；
根据调整后的输入参数数据，利用所述小干扰稳定快速判别模型对电网当前的运行方式进行校验，确定当前的阻尼比，并根据当前的阻尼比确定控制策略。
优选地，其中所述按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式，包括：
每个机组按照预设步长调整机组有功功率，包括：灵敏度为正则增加出力；灵敏度为负则减小出力。
优选地，其中所述根据当前的阻尼比确定控制策略，包括：
若当前的阻尼比大于预设阻尼比阈值，则确定控制策略为根据当前的输入参数数据对机组进行调整；若当前的阻尼比小于等于预设阻尼比阈值，则继续对基于机组有功功率进行调整，直至当前的阻尼比大于预设阻尼比阈值时，确定控制策略为根据当前的输入参数数据对机组进行调整。
优选地，其中所述方法还包括：
根据获取的不同预设数量的机组作为调整目标时对对应的控制策略，选取调整总量最小的控制策略为最优控制策略。
优选地，其中所述方法还包括：
当电网的阻尼比小于0，处于负阻尼状态；或当电网的阻尼比小于预设阈值，处于弱阻尼状态时，确定电网处于不安全状态。
根据本发明的另一个方面，提供了一种基于深度学习的电力系统小干扰稳定辅助决策系统，所述系统包括：
模型确定单元，用于基于电网的连接关系构建电网层级网络深度学习模型，并利用获取的输入参数的历史断面数据和对应的阻尼比对模型进行训练，以确定小干扰稳定快速判别模型；所述输入参数包括：机组有功功率、机组极端电压、负荷站的总有功功率和总无功功率；
灵敏度确定单元，用于当电网处于不安全状态时，基于所述小干扰稳定快速判别模型，利用神经网络的反向传播系统，确定每个机组的每个输入参数与阻尼比间的灵敏度；
调整目标确定单元，用于根据输入参数为机组有功功率对应的灵敏度对机组进行排序，根据排序结果分别正向和逆向选取预设数量的机组作为调整目标；
调整单元，用于按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式；
控制策略确定单元，用于根据调整后的输入参数数据，利用所述小干扰稳定快速判别模型对电网当前的运行方式进行校验，确定当前的阻尼比，并根据当前的阻尼比确定控制策略。
优选地，其中所述调整单元，按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式，包括：
每个机组按照预设步长调整机组有功功率，包括：灵敏度为正则增加出力；灵敏度为负则减小出力。
优选地，其中所述控制策略确定单元，根据当前的阻尼比确定控制策略，包括：
若当前的阻尼比大于预设阻尼比阈值，则确定控制策略为根据当前的输入参数数据对机组进行调整；若当前的阻尼比小于等于预设阻尼比阈值，则继续对基于机组有功功率进行调整，直至当前的阻尼比大于预设阻尼比阈值时，确定控制策略为根据当前的输入参数数据对机组进行调整。
优选地，其中所述系统还包括：
最优控制策略确定单元，用于根据获取的不同预设数量的机组作为调整目标时对对应的控制策略，选取调整总量最小的控制策略为最优控制策略。
优选地，其中所述系统还包括：
不安全状态确定单元，用于当电网的阻尼比小于0，处于负阻尼状态；或当电网的阻尼比小于预设阈值，处于弱阻尼状态时，确定电网处于不安全状态。
本发明提供了一种基于深度学习的电力系统小干扰稳定辅助决策方法及系统，根据输电网络结构特点，构建了电网层级网络模型；利用历史数据完成模型训练，提取电力系统小干扰稳定的特性规律；当实际系统中出现小干扰稳定指标较低的情况时，利用上述训练好的模型和当前电网运行点，实现灵敏度计算；再根据灵敏度结果进行电网运行方式的自动调整；最后结合仿真计算，给出小干扰辅助决策的结果和安全调度区间，完成了智能化的灵敏度分析和辅助决策方法，实现了预防控制辅助决策在响应速度上的大幅提升。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的基于深度学习的电力系统小干扰稳定辅助决策方法100的流程图；以及
图2为根据本发明实施方式的基于深度学习的电力系统小干扰稳定辅助决策系统200的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
电力系统小干扰稳定是指系统受到小干扰后，不发生自发振荡或非周期性失步，自动恢复到起始运行状态的能力。系统小干扰稳定性取决于系统的固有特性，与扰动的大小无关。电力系统小干扰稳定性既包括系统中同步发电机之间因同步力矩不足或电压崩溃造成的非周期失去稳定(即通常所指的“静态稳定”)，也包括因系统动态过程阻尼不足造成的周期性发散失去稳定(即通常所指的“动态稳定”)。电力系统小干扰稳定重点关注电网固有的主要振荡模式，而振荡模式的频率和阻尼比就是表征小干扰稳定程度的主要指标，其中频率表示振荡的快慢，阻尼比表示振荡衰减的情况。
本发明的实施方式采用深度学习技术进行在线辅助决策，深度学习模型除了可以直接给出判稳结果以外，同时还可以提供电网稳定特征，再通过调整灵敏度较高的特征量，实现运行方式的改变，来提升电网的稳定程度。也就是说，综合利用深度学习技术可以完成电网稳定特征提取、快速判稳和辅助决策等一系列功能。小干扰稳定在线辅助决策主要包括离线训练和在线应用两个组成部分。
图1为根据本发明实施方式的基于深度学习的电力系统小干扰稳定辅助决策方法100的流程图。如图1所示，本发明的实施方式提供的基于深度学习的电力系统小干扰稳定辅助决策方法，根据输电网络结构特点，构建了电网层级网络模型；利用历史数据完成模型训练，提取电力系统小干扰稳定的特性规律；当实际系统中出现小干扰稳定指标较低的情况时，利用上述训练好的模型和当前电网运行点，实现灵敏度计算；再根据灵敏度结果进行电网运行方式的自动调整；最后结合仿真计算，给出小干扰辅助决策的结果和安全调度区间，完成了智能化的灵敏度分析和辅助决策方法，实现了预防控制辅助决策在响应速度上的大幅提升。本发明实施方式提供的基于深度学习的电力系统小干扰稳定辅助决策方法100从步骤101处开始，在步骤101基于电网的连接关系构建电网层级网络深度学习模型，并利用获取的输入参数的历史断面数据和对应的阻尼比对模型进行训练，以确定小干扰稳定快速判别模型；所述输入参数包括：机组有功功率、机组极端电压、负荷站的总有功功率和总无功功率。
在本发明的实施方式中，基于电网连接关系的特点，构建电网层级网络深度学习模型。为了满足后续辅助决策的需要，要求模型的每个输入量都是单个机组设备的电气量，所述电气量即输入参数，包括：机组有功功率、机组极端电压、负荷站的总有功功率和总无功功率，不能采用统计量作为输入。然后，利用历史断面数据和小干扰稳定仿真结果对模型进行训练，获取小干扰稳定快速判别模型，当模型准确率较高时，说明该模型已经提取了电力系统小干扰稳定的特征规律。
在步骤102，当电网处于不安全状态时，基于所述小干扰稳定快速判别模型，利用神经网络的反向传播方法，确定每个机组的每个输入参数与阻尼比间的灵敏度。
优选地，其中所述方法还包括：
当电网的阻尼比小于0，处于负阻尼状态；或当电网的阻尼比小于预设阈值，处于弱阻尼状态时，确定电网处于不安全状态。
小干扰稳定的判别对象主要是关键振荡模式的阻尼比，当阻尼比小于0时为负阻尼状态，当阻尼比较低时为弱阻尼状态，这两种情况的出现都说明系统处于不安全的状态，需要启动辅助控制。
当电网处于不安全状态时，基于所述小干扰稳定快速判别模型，利用神经网络的反向传播方法，确定每个机组的每个输入参数与阻尼比间的灵敏度。
在步骤103，根据输入参数为机组有功功率对应的灵敏度对机组进行排序，根据排序结果分别正向和逆向选取预设数量的机组作为调整目标。
对于预设数量，可以根据需求设置。例如，若共有20组机组，则可以根据用功功率灵敏度对应的机组排序结果分别从序列结果的头和尾处均选取5个机组作为调整目标。
在步骤104，按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式。
优选地，其中所述按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式，包括：
每个机组按照预设步长调整机组有功功率，包括：灵敏度为正则增加出力；灵敏度为负则减小出力。
在本发明的实施方式中，每个机组按照预设的步长修改有功出力，灵敏度为正则增加出力，灵敏度为负则减小出力，此时能够保证功率不会超出机组功率的限值，以及保证全网的机组出力总量不变。
对于预设的步长，可以根据调整需求进行设置。例如，设置调整步长为10MW。
在步骤105，根据调整后的输入参数数据，利用所述小干扰稳定快速判别模型对电网当前的运行方式进行校验，确定当前的阻尼比，并根据当前的阻尼比确定控制策略。
优选地，其中所述根据当前的阻尼比确定控制策略，包括：
若当前的阻尼比大于预设阻尼比阈值，则确定控制策略为根据当前的输入参数数据对机组进行调整；若当前的阻尼比小于等于预设阻尼比阈值，则继续对基于机组有功功率进行调整，直至当前的阻尼比大于预设阻尼比阈值时，确定控制策略为根据当前的输入参数数据对机组进行调整。
优选地，其中所述方法还包括：
根据获取的不同预设数量的机组作为调整目标时对对应的控制策略，选取调整总量最小的控制策略为最优控制策略。
以东北电网2018年11月的实际在线数据为基础，共计7221个有效断面，其中80％作为训练集，20％作为测试集；以辽宁-黑龙江振荡模式的阻尼比作为预测目标，即小干扰快速判稳模型的输出；输入参数数据包括：机组有功功率、机组机端电压、负荷站的总有功和总无功。训练快速判稳模型，在测试集上的平均误差率为0.4627％，说明该模型已经成功提取了辽宁-黑龙江振荡模式的稳定特征，可以用于快速判稳。
然后，以2018年11月27日10:00在线数据为初始断面，当时小干扰稳定结果为：辽宁-黑龙江振荡阻尼比为16.9238％，振荡频率为0.564777Hz，机电回路相关比为0.802912，整体属于强阻尼状态。2018年11月的总共7221个断面数据中，辽宁-黑龙江振荡模式的阻尼比大约为16％-23％，可见11月27日10:00的阻尼比处于相对较低的运行水平。
基于训练得到的小干扰快速判稳模型，连续进行17轮次调整来增强系统的小干扰稳定性。其中，每轮均调整20台机组，其中10台机组每个调增10MW有功出力，另外10台机组每个调减10MW有功出力，保证总体功率平衡。在调整过程中，辽宁-黑龙江振荡模式阻尼比的仿真结果与预测结果如表1所示。
表1增强系统小干扰稳定性的仿真和预测结果对比
从表1可以看到，前13轮调整很好地实现了增大系统阻尼比的目标，仿真结果的阻尼比从初始状态16.9238％逐步提升到19.3444％；与之对应的快速判稳模型的预测结果也呈现同步增加的状态。14-17轮次调整，决策结果与预期相反，阻尼比非但没有增加，反而快速下降，同时仿真结果与预测结果也会出现较大的分歧。齐总，主要调整和调减机组列表如表2和表3所示。
表2主要调增机组列表
| 机组名称 | 初值 | 终值 | 变化量 |
| 辽宁.营口厂/20kV.2#机组 | 0.8559 | 2.455900 | 1.600000 |
| 黑龙江.佳木斯B厂/20kV.#2机 | 1.3756 | 2.775599 | 1.399999 |
| 辽宁.甘井子火厂/20kV.2#机组 | 0.9062 | 2.206200 | 1.300000 |
| 黑龙江.鸡西二热厂/15kV.#1机 | 0.9359 | 2.035900 | 1.100000 |
| 辽宁.大连湾火厂/20kV.4#机组 | 1.0150 | 1.815000 | 0.800000 |
| 辽宁.营口热厂/20kV.2#机组 | 0.7038 | 1.403800 | 0.700000 |
| 辽宁.营口热厂/20kV.1#机组 | 0.7099 | 1.409900 | 0.700000 |
| 辽宁.阜新厂/20kV.3#机组 | 1.4379 | 2.037900 | 0.600000 |
| 辽宁.丹东热厂/10kV.2#机组 | 1.4658 | 1.965800 | 0.500000 |
| 辽宁.大开火厂/10kV.2#机组 | 1.3751 | 1.875100 | 0.500000 |
表3主要调减机组列表
由于小干扰稳定是一种全网性质的指标，因此采用东北电网重要省间断面的输电功率作为安全区间的统计目标。东北重要省间断面包括：1)黑-吉断面，包括东北.合南#1线、东北.合南#2线、东北.永包线、东北.林平线等4条500kV线路；2)辽-吉断面，包括东北.蒲梨一线、东北.蒲梨二线、东北.丰徐一线、东北.丰徐二线等4条500kV线路。
指定阻尼比不小于15％是稳定与否的判断条件。两个断面的安全稳定区间结果如表4所示。
表4东北电网省间断面的安全区间
| 功率下限(MW) | 当前值(MW) | 功率上限(MW) | |
| 黑-吉断面 | 1570.11 | 1640.86 | 1863.09 |
| 辽-吉断面 | 1237.14 | 1843.47 | 1843.47 |
图2为根据本发明实施方式的基于深度学习的电力系统小干扰稳定辅助决策系统200的结构示意图。如图2所示，本发明的实施方式提供的基于深度学习的电力系统小干扰稳定辅助决策系统200，包括：模型确定单元201、灵敏度确定单元202、调整目标确定单元203、调整单元204和控制策略确定单元205。
优选地，所述模型确定单元201，用于基于电网的连接关系构建电网层级网络深度学习模型，并利用获取的输入参数的历史断面数据和对应的阻尼比对模型进行训练，以确定小干扰稳定快速判别模型；所述输入参数包括：机组有功功率、机组极端电压、负荷站的总有功功率和总无功功率。
优选地，所述灵敏度确定单元202，用于当电网处于不安全状态时，基于所述小干扰稳定快速判别模型，利用神经网络的反向传播系统，确定每个机组的每个输入参数与阻尼比间的灵敏度。
优选地，其中所述系统还包括：不安全状态确定单元，用于当电网的阻尼比小于0，处于负阻尼状态；或当电网的阻尼比小于预设阈值，处于弱阻尼状态时，确定电网处于不安全状态。
优选地，所述调整目标确定单元203，用于根据输入参数为机组有功功率对应的灵敏度对机组进行排序，根据排序结果分别正向和逆向选取预设数量的机组作为调整目标。
优选地，所述调整单元204，用于按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式。
优选地，其中所述调整单元201，按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式，包括：
每个机组按照预设步长调整机组有功功率，包括：灵敏度为正则增加出力；灵敏度为负则减小出力。
优选地，所述控制策略确定单元205，用于根据调整后的输入参数数据，利用所述小干扰稳定快速判别模型对电网当前的运行方式进行校验，确定当前的阻尼比，并根据当前的阻尼比确定控制策略。
优选地，其中所述控制策略确定单元205，根据当前的阻尼比确定控制策略，包括：
若当前的阻尼比大于预设阻尼比阈值，则确定控制策略为根据当前的输入参数数据对机组进行调整；若当前的阻尼比小于等于预设阻尼比阈值，则继续对基于机组有功功率进行调整，直至当前的阻尼比大于预设阻尼比阈值时，确定控制策略为根据当前的输入参数数据对机组进行调整。
优选地，其中所述系统还包括：
最优控制策略确定单元，用于根据获取的不同预设数量的机组作为调整目标时对对应的控制策略，选取调整总量最小的控制策略为最优控制策略。
本发明的实施例的基于深度学习的电力系统小干扰稳定辅助决策系统200与本发明的另一个实施例的基于深度学习的电力系统小干扰稳定辅助决策方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于深度学习的电力系统小干扰稳定辅助决策方法，其特征在于，所述方法包括：
基于电网的连接关系构建电网层级网络深度学习模型，并利用获取的输入参数的历史断面数据和对应的阻尼比对模型进行训练，以确定小干扰稳定快速判别模型；所述输入参数包括：机组有功功率、机组极端电压、负荷站的总有功功率和总无功功率；
当电网处于不安全状态时，基于所述小干扰稳定快速判别模型，利用神经网络的反向传播方法，确定每个机组的每个输入参数与阻尼比间的灵敏度；
根据输入参数为机组有功功率对应的灵敏度对机组进行排序，根据排序结果分别正向和逆向选取预设数量的机组作为调整目标；
按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式；
根据调整后的输入参数数据，利用所述小干扰稳定快速判别模型对电网当前的运行方式进行校验，确定当前的阻尼比，并根据当前的阻尼比确定控制策略。
2.根据权利要求1所述的方法，其特征在于，所述按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式，包括：
每个机组按照预设步长调整机组有功功率，包括：灵敏度为正则增加出力；灵敏度为负则减小出力。
3.根据权利要求1所述的方法，其特征在于，所述根据当前的阻尼比确定控制策略，包括：
若当前的阻尼比大于预设阻尼比阈值，则确定控制策略为根据当前的输入参数数据对机组进行调整；若当前的阻尼比小于等于预设阻尼比阈值，则继续对基于机组有功功率进行调整，直至当前的阻尼比大于预设阻尼比阈值时，确定控制策略为根据当前的输入参数数据对机组进行调整。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据获取的不同预设数量的机组作为调整目标时对对应的控制策略，选取调整总量最小的控制策略为最优控制策略。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当电网的阻尼比小于0，处于负阻尼状态；或当电网的阻尼比小于预设阈值，处于弱阻尼状态时，确定电网处于不安全状态。
6.一种基于深度学习的电力系统小干扰稳定辅助决策系统，其特征在于，所述系统包括：
模型确定单元，用于基于电网的连接关系构建电网层级网络深度学习模型，并利用获取的输入参数的历史断面数据和对应的阻尼比对模型进行训练，以确定小干扰稳定快速判别模型；所述输入参数包括：机组有功功率、机组极端电压、负荷站的总有功功率和总无功功率；
灵敏度确定单元，用于当电网处于不安全状态时，基于所述小干扰稳定快速判别模型，利用神经网络的反向传播系统，确定每个机组的每个输入参数与阻尼比间的灵敏度；
调整目标确定单元，用于根据输入参数为机组有功功率对应的灵敏度对机组进行排序，根据排序结果分别正向和逆向选取预设数量的机组作为调整目标；
调整单元，用于按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式；
控制策略确定单元，用于根据调整后的输入参数数据，利用所述小干扰稳定快速判别模型对电网当前的运行方式进行校验，确定当前的阻尼比，并根据当前的阻尼比确定控制策略。
7.根据权利要求6所述的系统，其特征在于，所述调整单元，按照预设的调整策略对调整目标中的每个机组的机组有功功率进行调整，改变电网的运行方式，包括：
每个机组按照预设步长调整机组有功功率，包括：灵敏度为正则增加出力；灵敏度为负则减小出力。
8.根据权利要求6所述的系统，其特征在于，所述控制策略确定单元，根据当前的阻尼比确定控制策略，包括：
若当前的阻尼比大于预设阻尼比阈值，则确定控制策略为根据当前的输入参数数据对机组进行调整；若当前的阻尼比小于等于预设阻尼比阈值，则继续对基于机组有功功率进行调整，直至当前的阻尼比大于预设阻尼比阈值时，确定控制策略为根据当前的输入参数数据对机组进行调整。
9.根据权利要求6所述的系统，其特征在于，所述系统还包括：
最优控制策略确定单元，用于根据获取的不同预设数量的机组作为调整目标时对对应的控制策略，选取调整总量最小的控制策略为最优控制策略。
10.根据权利要求6所述的系统，其特征在于，所述系统还包括：
不安全状态确定单元，用于当电网的阻尼比小于0，处于负阻尼状态；或当电网的阻尼比小于预设阈值，处于弱阻尼状态时，确定电网处于不安全状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910983548.5A CN110957742B (zh) | 2019-10-16 | 2019-10-16 | 基于深度学习的电力系统小干扰稳定辅助决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910983548.5A CN110957742B (zh) | 2019-10-16 | 2019-10-16 | 基于深度学习的电力系统小干扰稳定辅助决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110957742A CN110957742A (zh) | 2020-04-03 |
| CN110957742B true CN110957742B (zh) | 2022-07-01 |
Family
ID=69975625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910983548.5A Active CN110957742B (zh) | 2019-10-16 | 2019-10-16 | 基于深度学习的电力系统小干扰稳定辅助决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110957742B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102157949A (zh) * | 2011-03-25 | 2011-08-17 | 武汉大学 | 一种小干扰稳定性预测及辅助决策方法 |
| CN103324828A (zh) * | 2013-04-27 | 2013-09-25 | 国家电网公司 | 基于运行方式灵敏度的电力系统低频振荡辅助决策方法 |
| CN105337290A (zh) * | 2015-11-23 | 2016-02-17 | 中国电力科学研究院 | 一种适用于电力系统低频振荡辅助决策的无功调整方法 |
| WO2018049737A1 (zh) * | 2016-09-18 | 2018-03-22 | 国电南瑞科技股份有限公司 | 一种基于分区负荷控制的安全校正计算方法 |
-
2019
- 2019-10-16 CN CN201910983548.5A patent/CN110957742B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102157949A (zh) * | 2011-03-25 | 2011-08-17 | 武汉大学 | 一种小干扰稳定性预测及辅助决策方法 |
| CN103324828A (zh) * | 2013-04-27 | 2013-09-25 | 国家电网公司 | 基于运行方式灵敏度的电力系统低频振荡辅助决策方法 |
| CN105337290A (zh) * | 2015-11-23 | 2016-02-17 | 中国电力科学研究院 | 一种适用于电力系统低频振荡辅助决策的无功调整方法 |
| WO2018049737A1 (zh) * | 2016-09-18 | 2018-03-22 | 国电南瑞科技股份有限公司 | 一种基于分区负荷控制的安全校正计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机组出力调整的小干扰稳定辅助决策计算;鲍颜红等;《电力系统自动化》;20111231;第35卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110957742A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110460061B (zh) | 一种故障后潮流快速计算方法及系统 | |
| CN104917085A (zh) | 一种优化可靠性与经济性的变压器检修决策方法 | |
| CN111652478B (zh) | 基于伞式算法的电力系统电压稳定评估误分类约束方法 | |
| CN112383045A (zh) | 新能源发电不确定性的暂态稳定越限概率计算方法和装置 | |
| CN111799773B (zh) | 一种用于预测电网连锁故障集的方法及系统 | |
| Zhang et al. | LSTM-Based Dynamic Frequency Prediction | |
| CN110957742B (zh) | 基于深度学习的电力系统小干扰稳定辅助决策方法及系统 | |
| CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
| CN107491862B (zh) | 电网风险评测的方法及装置 | |
| CN116882838A (zh) | 一种基于Stacking集成策略的短期电压稳定性评估方法 | |
| CN113258682B (zh) | 一种优化变压器运行的智能控制方法及系统 | |
| CN110782080B (zh) | 一种基于种群性能排序选择的电力系统结构优化方法 | |
| CN111339664B (zh) | 一种基于边缘计算的逐层负荷建模方法和系统 | |
| CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
| CN109031006B (zh) | 变压器固定损耗影响因素确定方法 | |
| Dongyang et al. | Wind speed time series forecasting method in wind farm based on EEMD | |
| He et al. | Temperature intelligent prediction model of coke oven flue based on CBR and RBFNN | |
| CN112769124A (zh) | 一种基于潮流转移和追踪的电力系统快速运行风险评估方法 | |
| CN110970899A (zh) | 一种多区域紧急减负荷协同决策方法、系统及存储介质 | |
| CN113689112B (zh) | 利用云计算改进层次分析法的智慧能源站能效评估方法及系统 | |
| CN110796297B (zh) | 一种基于平衡度方差和可靠度的电力系统结构优化方法 | |
| CN110797884B (zh) | 模拟agc调频确定储能容量方法和装置 | |
| Tian et al. | An Improved XGBoost-based Transient Stability Assessment Method for Power System | |
| CN111181200B (zh) | 一种发电可行域实用分析方法、装置及系统 | |
| CN112217220B (zh) | 新能源送出多端柔性直流电网安全稳定防御方法及装置 |
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 |