CN111008686B - 一种基于节点相关度实现可靠解列的网架结构优化方法 - Google Patents
一种基于节点相关度实现可靠解列的网架结构优化方法 Download PDFInfo
- Publication number
- CN111008686B CN111008686B CN201911225971.5A CN201911225971A CN111008686B CN 111008686 B CN111008686 B CN 111008686B CN 201911225971 A CN201911225971 A CN 201911225971A CN 111008686 B CN111008686 B CN 111008686B
- Authority
- CN
- China
- Prior art keywords
- node
- matrix
- splitting
- nodes
- correlation
- 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 58
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 114
- 230000001427 coherent effect Effects 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000008030 elimination Effects 0.000 claims abstract description 8
- 238000003379 elimination reaction Methods 0.000 claims abstract description 8
- 230000010355 oscillation Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 21
- 239000002245 particle Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 8
- 230000019771 cognition Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于节点相关度实现可靠解列的网架结构优化方法,该方法针对当前解列过程中分群模式不显著、解列范围广散分布,导致解列策略不收敛的难题,通过采用调整线路支数的方法,改变系统节点之间的关联程度,达到缩小解列决策空间的目的。本发明基于慢同调理论进行广义特征分析,获取主导模式构造模态矩阵;经过Gauss消主元得到慢同调矩阵,改进节点分类判据,构造节点相关度模型;综合考虑系统稳定约束条件,利用DPSO智能优化算法获取同调群强耦合、非同调群弱连接的优化方案。本发明将解列决策空间高度集中化,确保不同扰动下解列断面均能高概率落在弱连接区域,避免同调群内部振荡,提升解列有效性,对维护系统安全稳定有着重要意义。
Description
技术领域
本发明涉及电力系统同调解列分析技术领域,尤其涉及一种基于节点相关度实现可靠解列的网架结构优化方法。
背景技术
随着电力市场的快速发展和特高压电网的广泛互联,电网结构日益复杂,系统的安全稳定也面临重大挑战。解列控制作为防止系统发生崩溃的最后一道防线,对维护电网稳定运行具有极其重要意义。但近年来世界各地频发的大面积停电事故表明,解列控制仍然不够完善。针对节点数目众多、拓扑结构复杂的电网规模,如何从网架结构优化的角度,研究系统的弱连接区域,深入探寻解列控制的机理和规律,更具现实意义。
当前解列控制主要有两类研究,第一类是在扰动发生后,通过研究发电机同调分群和最优解列断面来获得最优的解列结果;第二类是从网架结构本身的基本特性展开研究,讨论系统受扰之后可能的解列方案。对于第一类研究,主要有失步前馈性主动解列控制和广度信号实时跟踪适应控制两种技术方向,但当电力系统的分群模式不显著时,如何从海量故障信息中获得可靠性强的触发信号、并在线调控广域分布的解列装置,是此类研究的关键和难点。对于第二类研究,重点是考虑当前电网的网架结构和潮流水平,结合故障类型进行研究,其目的在于找出网架结构的“薄弱环节”,使得在大扰动真正发生后更加容易判断解列可能出现的位置。慢同调理论作为研究系统同调分群的有效工具,在国内外引起广泛关注。众多已有研究在慢同调特性基础上划分功率平衡区域,深度挖掘了系统本身的动态特性,并指出群间各节点相关性差异不明显是导致解列策略不收敛的重要原因,但没有进一步探寻解列空间,无法确保分区内部实现电气联系的高度耦合,针对大规模电网解列范围广散分布的问题仍然没有解决。
针对上述问题,提出一种通过调整网架结构改变节点相关度的方法,使节点间电气相关度呈现出“强者愈强,弱者愈弱”的趋势,确保不同扰动下解列断面均能高概率落在弱连接区域,将解列决策空间高度集中化,提升解列有效性,对维护系统的稳定运行具有重要意义。
发明内容
本发明要解决的技术问题在于针对现有技术中的如何精准快速地找到失步断面并可靠断开,是当前解列问题的研究重点,针对当前解列过程中分群模式不显著,导致解列策略不收敛的难题,提供一种基于节点相关度实现可靠解列的网架结构优化方法,通过调整线路支数的方式改变节点之间的电气联系,实现同调群内节点间强耦合、非同调群间节点弱连接,将高概率解列线路集中化,达到缩小解列决策范围的效果。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种基于节点相关度实现可靠解列的网架结构优化方法,该方法包括以下步骤:
S1、输入电力网络系统的原始数据,构造系统初始节点导纳矩阵,经过潮流计算获取潮流信息,根据潮流信息计算状态矩阵;
S2、利用广义特征分析计算状态矩阵特征值,筛选主导模式构造模态矩阵;
S3、针对模态矩阵进行Gauss消主元得到慢同调矩阵,根据节点与慢同调群的相关性组成相关度矩阵,将其作为节点分类的判据,进而获取系统节点分布情况;
S4、利用节点之间的关联程度搭建节点相关度模型,确定目标函数与约束条件;
S5、通过DPSO优化算法计算目标函数并更新网架结构;当优化迭代次数结束时,执行步骤S6;当优化迭代次数没有结束,依据新的网架结构修正节点导纳矩阵,代入步骤S1中并执行步骤S1;
S6、输出网架结构最优调整方案,计算结束;
S7、提出解列决策范围量化指标,验证方案有效性。
进一步地,本发明的步骤S1中状态矩阵的计算方法具体为:
S11、忽略励磁动态系统和凸极效应,发电机采用经典二阶模型,将系统在平衡位置处线性化得到数学模型:
S12、为提高分群效果,采用以发电机节点电压相角代替发电机功角的方法,分析所有系统节点的关联程度,此时发电机惯量矩阵视为单位矩阵,则状态矩阵A等于状态矩阵K,具体求解如下:
其中,Kij表示节点i注入功率对节点j电压相角的求偏导;Kii表示节点i注入功率对自身电压相角的求偏导,其值等于节点i注入功率对其余所有节点相角求偏导加和的相反数;Ei、Ej表示节点i和j的电压;Gij、Bij表示节点i和j之间的互电导、互电纳;δij表示节点i和j之间的相角差;通过上式进行偏导计算,得到步骤S1输出的状态矩阵A。
进一步地,本发明的步骤S2的具体方法为:
S21、状态矩阵A反映发电机运动方程,对状态矩阵A进行特征值求解获取发电机运动状态,其计算过程演变为广义特征值计算:
Av=λEv
其中,λ表示特征值,v表示特征向量;E的表达式为:
其中,m和n为发电机和非发电机节点个数;Im为m维单位矩阵;
S22、特征值λ反映了发电机运动模式,其中实部表示衰减时间常数,虚部表示慢同调振荡频率;为从m个特征值中获取主导模式,采用最大差异法,将系统特征值按照衰减时间常数绝对值从小到大排序,令:
其中,k值越小,电力系统时间尺度特征越明显,选取前r个特征值{λ1 λ2 … λr}为主导模式,与之对应的r列特征向量构成模态矩阵Vr。
进一步地,本发明的步骤S3的具体方法为:
S31、对模态矩阵Vr进行Gauss消主元,并获取分群矩阵L和慢同调相关度矩阵S;
S32、慢同调相关度矩阵中的元素Sij表示节点i与慢同调群j之间的相关度,针对相关度矩阵提出节点分类判据。
进一步地,本发明的步骤S31的具体方法为:
1)Gauss消主元:选列主元进行行列变换,并用ik记录第k个模式对应的参考变量编号;
2)参考矩阵Vr1∈Rr×r:根据Gauss消主元中ik记录值,形成参考矩阵Vr1(k,:)=VGr(ik,:);
4)分群矩阵L∈R(m+n)×r:取矩阵S的每行中最大元素所在位置为1,其余值为0,即:
进一步地,本发明的步骤S32的具体方法为:
判据如下:
其中,di>λ,λ为一正数;λ取值越大,表明对模式节点要求越高;
根据判断对系统节点进行重新定义:
a.模式节点:同时满足判据1)、2)和3),则该节点为模式节点,且归属于慢同调群k;
b.模糊节点:满足判据1),但不满足判据2)或3),则该节点为模糊节点;
c.弱连接节点:不满足条件1),则该节点为弱连接节点,与任何慢同调群都弱相关。
进一步地,本发明的步骤S4的具体方法为:
对网架结构进行优化,使网架结构中模糊节点的数量小于一定阈值,模式节点的数量大于一定阈值,同调群内节点相关度大于一定阈值,非同调群之间节点相关度小于一定阈值;
假设解列断面将系统共分为s群,其中第i群中有Rsi个系统节点,Rmi个模式节点,Rfi个模糊节点,且模式节点a对同调群b的相关度为Aab,则目标函数分为以下4种情况:
观察发现上述4种适应度值处在同一数量级,令权重相等,得到如下适应度函数:
max f=f1+f2+f3-f4
其中,f的最大值为3,该值越大,不同区域间的节点相关度差异越明显。
进一步地,本发明的步骤S5的具体方法为:
DPSO算法中每个粒子代表一种可行方案,各粒子根据个体惯性、个体认知和群体认知不断调整自身飞行姿态,最终找到合适的优化方案;粒子调整姿态的过程,是通过线路增减调整网架结构的过程,反映在数学模型中即是系统导纳矩阵发生变化;为避免重复计算,直接在初始导纳矩阵基础之上添加修正矩阵来构造不同网架结构下的导纳矩阵;令线路x在导纳矩阵中的修正位置为:
其值由线路x两端节点决定,ix和jx表示线路x两端的节点标识;则修正导纳矩阵为:
其中,qx表示线路x变化条数;yx表示线路x的导纳值。
进一步地,本发明的步骤S7中为观察网架结构优化对解列分群的影响,其具体方法为:
S71、利用Matlab编程软件编写离散粒子群算法,并基于广义特征分析的慢同调理论,求解寻找网架结构优化方案;
S72、针对最优方案,利用PSS/E电力系统仿真软件获取大量故障扰动下所有节点的电压频率与相角数据;
S73、依据电压数据绘制特性曲线,寻找可能的解列线路并构造解列断面;若某条线路在所有测试故障下位于解列断面上的概率高于平均概率,则该线路属于高概率解列线路;经过大量故障仿真后,令所有线路、解列线路、高概率解列线路条数分别为L、Ls、Lh,则定义:
其中,α表示解列范围,β表示高概率解列决策空间,这两个值越小,表明解列发生位置越集中;同时令所有故障下,第i条解列线路出现的次数记为Csi,第j条高概率解列线路出现的次数记为Chj,则定义:
其中,γ为高概率线路平均解列频次,该值越大,表明故障发生时分区解列断面落在该区间的概率越大。
本发明产生的有益效果是:本发明的基于节点相关度实现可靠解列的网架结构优化方法,1、在原有系统节点的定义基础上增加一条判据,可以提升对模式节点和模糊节点的区分度,提高同调群内系统节点的耦合程度,并考虑系统中所有节点的关联程度,提出易解列系统的评判指标;2、为量化说明所提方案确实能够有效缩小解列决策范围,提出解列范围、高概率解列决策空间、高概率线路平均解列频次的量化指标,为后期工作开展提供评判标准;3、从网架结构优化的角度入手,改变网架拓扑结构,影响系统母线间的电气联系,能在发现解列决策空间的传统研究基础上,将高概率解列决策空间集中缩小,减少对解列装置协调能力的需求,从本质降低解列难度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1(a)是本发明实施例的网架结构优化控制策略的初始结果图;
图1(b)是本发明实施例的网架结构优化控制策略的优化后结果图;
图2是本发明实施例的基于DPSO优化算法的网架结构优化流程;
图3(a)是本发明IEEE-118实施例的优化前解列范围示意图;
图3(b)是本发明IEEE-118实施例的优化后解列范围示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的基于节点相关度实现可靠解列的网架结构优化方法,该方法包括以下步骤:
S1、输入电力网络原始数据,构造系统初始节点导纳矩阵,经过潮流计算获取潮流信息,计算状态矩阵;
S2、利用广义特征分析计算状态矩阵特征值,筛选主导模式构造模态矩阵;
S3、针对模态矩阵进行Gauss消主元得到慢同调矩阵,基于并改进节点分类判据,获取系统节点分布情况;
S4、利用节点之间的关联程度搭建节点相关度模型,确定目标函数与约束条件;
S5、通过DPSO优化算法计算目标函数并更新网架结构;当优化迭代次数结束时,执行步骤S6;当优化迭代次数没有结束,依据新的网架结构修正节点导纳矩阵,代入步骤S1中并执行步骤S1;
S6、输出网架结构最优调整方案,计算结束;
S7、提出解列决策范围量化指标,验证方案有效性。
步骤S1中状态矩阵的计算包括:
S11、忽略励磁动态系统和凸极效应,发电机采用经典二阶模型,将系统在平衡位置处线性化得到数学模型:
S12、为获取更佳分群效果,采用以发电机节点电压相角代替发电机功角的方法,分析所有系统节点的关联程度,此时发电机惯量矩阵视为单位矩阵,则状态矩阵A等于状态矩阵K,具体求解如下:
其中,Kij表示节点i注入功率对节点j电压相角的求偏导;Kii表示节点i注入功率对自身电压相角的求偏导,其值等于节点i注入功率对其余所有节点相角求偏导加和的相反数;Ei、Ej表示节点i和j的电压;Gij、Bij表示节点i和j之间的互电导、互电纳;δij表示节点i和j之间的相角差。通过上式进行偏导计算,可以得到步骤S1输出的状态矩阵A。
步骤S2具体包括:
S21、状态矩阵A反映发电机运动方程,对A进行特征值求解能够获取发电机运动状态,其计算过程演变为广义特征值计算:
Av=λEv
式中,λ表示特征值,v表示特征向量;E的表达式为:
式中,m和n为发电机和非发电机节点个数;Im为m维单位矩阵。
S22、特征值λ反映了发电机运动模式,其中实部表示衰减时间常数,虚部表示慢同调振荡频率。为从m个特征值中获取主导模式,采用最大差异法,将系统特征值按照衰减时间常数绝对值从小到大排序,令:
式中,k值越小,电力系统时间尺度特征越明显。选取前r个特征值{λ1 λ2 … λr}为主导模式,与之对应的r列特征向量构成模态矩阵Vr。
步骤S3具体包括:
S31、模态矩阵Vr不能直观反映系统节点分群信息,需要经过Gauss消主元及后续步骤获取分群矩阵L和慢同调相关度矩阵S。重要步骤列出如下:
1)Gauss消主元:选列主元进行行列变换,并用ik记录第k个模式对应的参考变量编号;
2)参考矩阵Vr1∈Rr×r:根据Gauss消主元中ik记录值,形成参考矩阵Vr1(k,:)=VGr(ik,:);
4)分群矩阵L∈R(m+n)×r:取矩阵S的每行中最大元素所在位置为1,其余值为0,即:
S32、慢同调相关度矩阵中的元素Sij表示节点i与慢同调群j之间的相关度,针对相关度矩阵提出节点分类判据:
值得注意,判据2)中引入矩阵Aik作为区分模式节点与模糊节点的标准,可依然有些不足:若节点i已满足1)和2)判据,但Aik中可能存在不止一个k使得Aik→1,或者其它数与差距不大。针对电力系统,可以从更加保守的角度出发,对节点i增加一条判据3):
式中,di>λ,λ为一正数。λ取值越大,表明对模式节点要求越高。
根据以上三条判据,重新对系统节点进行定义,具体说明如下:
a、模式节点:同时满足判据1)、2)和3),则该节点为模式节点,且归属于慢同调群k;
b、模糊节点:满足判据1),但不满足判据2)或3),则该节点为模糊节点;
c、弱连接节点:不满足条件1),则该节点为弱连接节点,与任何慢同调群都弱相关。
步骤S4具体包括:
一个合适的优化网架结构应当具有较少模糊节点和较多模式节点,而且同调群内节点相关度尽可能高,非同调群之间节点相关度尽可能低,可假设解列断面将系统共分为s群,其中第i群中有Rsi个系统节点,Rmi个模式节点,Rfi个模糊节点,且模式节点a对同调群b的相关度为Aab,则目标函数可分为以下4种情况:
观察发现上述4种适应度值处在同一数量级,令权重相等,可得到如下适应度函数:
max f=f1+f2+f3-f4
式中,f的最大值为3,该值越大,不同区域间的节点相关度差异越明显。
线路调整为系统网络安全带来多方面的影响,在追求高适应度函数值的同时还需要考虑以下约束条件来确保系统的稳定运行:1)节点功率平衡约束;2)电源有功与无功出力上下限约束;3)节点电压幅值上下限约束;4)节点电压相位差约束;5)支路传输功率上限约束;6)连通性约束。
步骤S5具体包括:
DPSO算法中每个粒子代表一种可行方案,各粒子根据个体惯性、个体认知和群体认知不断调整自身飞行姿态,最终找到合适的优化方案。粒子调整姿态的过程,是通过线路增减调整网架结构的过程,反映在数学模型中即是系统导纳矩阵发生变化。为避免重复计算,可直接在初始导纳矩阵基础之上添加修正矩阵来构造不同网架结构下的导纳矩阵。令线路x在导纳矩阵中的修正位置为:
其值由线路x两端节点决定,ix和jx表示线路x两端的节点标识。则修正导纳矩阵为:
式中,qx表示线路x变化条数;yx表示线路x的导纳值。
步骤S7中为观察网架结构优化对解列分群的影响,具体包括以下步骤:
S71、利用Matlab编程软件编写离散粒子群算法,并基于广义特征分析的慢同调理论,求解寻找合适的网架结构优化方案。
S72、针对最优方案,利用PSS/E(Power System Simulator for Engineering)电力系统仿真软件获取大量故障扰动下所有节点的电压频率与相角数据。
S73、依据电压数据绘制特性曲线,寻找可能的解列线路并构造解列断面。若某条线路在所有测试故障下位于解列断面上的概率高于平均概率,则该线路属于高概率解列线路。经过大量故障仿真后,令所有线路、解列线路、高概率解列线路条数分别为L、Ls、Lh,则定义:
式中,α表示解列范围,β表示高概率解列决策空间,这两个值越小,表明解列发生位置越集中。同时令所有故障下,第i条解列线路出现的次数记为Csi,第j条高概率解列线路出现的次数记为Chj,则定义:
其中,γ为高概率线路平均解列频次,该值越大,表明故障发生时分区解列断面落在该区间的概率越大。
在本发明的另一个具体实施例中:
S1、本发明以IEEE-118系统作为实施例进行仿真验证。IEEE-118节点网络中存在19台发电机,对应19种机电振荡模式,每种模式下所有系统节点相关度均有不同。将广义特征值计算结果按从小到大排序如下表所示:
表1 IEEE-118节点系统广义特征值
根据原理中提及的最大差异法,筛选出反映区域间慢运动的主导模式:
求得r=4,则系统可分为4群(包含零模式),对应主导特征值为0,0.5158,0.6382,0.7224。利用这些特征值对应的特征向量构造模态矩阵,再经Gauss消主元等计算得到慢同调相关度矩阵S与分群矩阵L。分群结果如表2所示:
表2 IEEE-118节点系统分群结果
S2、获取慢同调相关度矩阵之后,根据系统节点定义,对比考虑判据3)前后系统节点分布情况如表3所示:
表3 IEEE-118节点分类结果
由上表可以看出判据3)并不会影响弱连接节点个数,而是提高了系统对模式节点的要求,因此部分效果不佳的模式节点变成了模糊节点,这有利于确保同调群的一致性。
S3、利用DPSO算法获得优化网架结构之后,需进一步验证方案有效性。利用PSS/E模拟多组短路故障,并根据频率振荡曲线与电压相角曲线分析得到可能发生解列的线路,选取解列频次高的线路构成高概率解列决策空间。将当前所有故障下的解列范围与高概率解列决策空间求解如表4所示,并将解列线路分布情况绘制出如图3(a)和图3(b)所示。
表4 IEEE-118系统部分故障下优化前后解列范围对比
图3(a)和图3(b)中红线表示在当前所有仿真故障下落在分群断面上的输电线路,蓝色阴影区域表示解列频次相对高的区域,即高概率解列决策空间。同时通过数据对比发现,优化前解列线路十分分散,且高概率解列线路的解列频次低,表明解列断面落在决策空间与其它区域的区分度不够明显;优化后解列范围明显缩小,且解列断面落在高概率决策空间的可能性大幅增加,表明故障扰动触发该区域内解列装置动作的可能性更大。解列决策范围的缩小,能提升对解列装置的协调控制能力,提升解列效率。
本发明的发明目的包括以下几点:
1)提出一种基于节点相关度实现可靠解列的网架结构优化方法。如何精准快速地找到失步断面并可靠断开,是当前解列问题的研究重点,针对当前解列过程中分群模式不显著,导致解列策略不收敛的难题,通过调整线路支数的方式改变节点之间的电气联系,实现同调群内节点间强耦合、非同调群间节点弱连接,将高概率解列线路集中化,达到缩小解列决策范围的效果。
2)提出节点分类判据的改进措施。传统的系统节点分类判据通过节点与同调群的相关度和节点与同调群的相关度高斯距离两种情况作为分类判据,但忽略了节点与非归属群之间的电气相关度,若节点在同调群和非同调群之间的相关度差异不够尖锐,则系统是不适合解列的。通过改进节点分类判据提升对模式节点的要求,可以从更加保守角度确保系统的同调分群。
3)提出可靠解列系统的评估模型。一个合适的优化网架结构应当具有较少的模糊节点和较多的模式节点,而且同调群内节点相关度尽可能高,非同调群之间节点相关度尽可能低,本发明将以上四点作为评估系统适合可靠解列的指标,并构造节点相关度模型寻找最优方案。
4)提出方案验证的量化指标。为能量化说明优化前后系统解列决策空间的变化,本发明提出解列范围、高概率解列决策空间、高概率线路平均解列频次的概念,并在后续方案对比中验证了这三项指标能在一定程度量化反映系统解列的决策范围。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于节点相关度实现可靠解列的网架结构优化方法,其特征在于,该方法包括以下步骤:
S1、输入电力网络系统的原始数据,构造系统初始节点导纳矩阵,经过潮流计算获取潮流信息,根据潮流信息计算状态矩阵;
S2、利用广义特征分析计算状态矩阵特征值,筛选主导模式构造模态矩阵;
S3、针对模态矩阵进行Gauss消主元得到慢同调矩阵,根据节点与慢同调群的相关性组成相关度矩阵,将其作为节点分类的判据,进而获取系统节点分布情况;
S4、利用节点之间的关联程度搭建节点相关度模型,确定目标函数与约束条件;
S5、通过DPSO优化算法计算目标函数并更新网架结构;当优化迭代次数结束时,执行步骤S6;当优化迭代次数没有结束,依据新的网架结构修正节点导纳矩阵,代入步骤S1中并执行步骤S1;
S6、输出网架结构最优调整方案,计算结束;
S7、提出解列决策范围量化指标,验证方案有效性;
步骤S4的具体方法为:
对网架结构进行优化,使网架结构中模糊节点的数量小于一定阈值,模式节点的数量大于一定阈值,同调群内节点相关度大于一定阈值,非同调群之间节点相关度小于一定阈值;
假设解列断面将系统共分为s群,其中第i群中有Rsi个系统节点,Rmi个模式节点,Rfi个模糊节点,且模式节点a对同调群b的相关度为Aab,则目标函数分为以下4种情况:
观察发现上述f1、f2、f3、f4的值处在同一数量级,令权重相等,得到如下适应度函数:
maxf=f1+f2+f3-f4
其中,f的最大值为3,该值越大,不同区域间的节点相关度差异越明显;
步骤S5的具体方法为:
DPSO算法中每个粒子代表一种可行方案,各粒子根据个体惯性、个体认知和群体认知不断调整自身飞行姿态,最终找到合适的优化方案;粒子调整姿态的过程,是通过线路增减调整网架结构的过程,反映在数学模型中即是系统导纳矩阵发生变化;为避免重复计算,直接在初始导纳矩阵基础之上添加修正矩阵来构造不同网架结构下的导纳矩阵;令线路x在导纳矩阵中的修正位置为:
其值由线路x两端节点决定;ix和jx表示线路x两端的节点标识;则修正导纳矩阵为:
其中,qx表示线路x变化条数;yx表示线路x的导纳值。
2.根据权利要求1所述的基于节点相关度实现可靠解列的网架结构优化方法,其特征在于,步骤S1中状态矩阵的计算方法具体为:
S11、忽略励磁动态系统和凸极效应,发电机采用经典二阶模型,将系统在平衡位置处线性化得到数学模型:
S12、为提高分群效果,采用以发电机节点电压相角代替发电机功角的方法,分析所有系统节点的关联程度,此时发电机惯量矩阵视为单位矩阵,则状态矩阵A等于状态矩阵K,具体求解如下:
其中,Kij表示节点i注入功率对节点j电压相角的求偏导;Kii表示节点i注入功率对自身电压相角的求偏导,其值等于节点i注入功率对其余所有节点相角求偏导加和的相反数;Ei、Ej表示节点i和j的电压;Gij、Bij表示节点i和j之间的互电导、互电纳;δij表示节点i和j之间的相角差;通过上式进行偏导计算,得到步骤S1输出的状态矩阵A。
3.根据权利要求2所述的基于节点相关度实现可靠解列的网架结构优化方法,其特征在于,步骤S2的具体方法为:
S21、状态矩阵A反映发电机运动方程,对状态矩阵A进行特征值求解获取发电机运动状态,其计算过程演变为广义特征值计算:
Av=λEv
其中,λ表示特征值,v表示特征向量;E的表达式为:
其中,m和n为发电机和非发电机节点个数;Im为m维单位矩阵;
S22、特征值λ反映了发电机运动模式,其中实部表示衰减时间常数,虚部表示慢同调振荡频率;为从m个特征值中获取主导模式,采用最大差异法,将系统特征值按照衰减时间常数绝对值从小到大排序,令:
其中,k值越小,电力系统时间尺度特征越明显,选取前r个特征值{λ1 λ2 … λr}为主导模式,与之对应的r列特征向量构成模态矩阵Vr。
4.根据权利要求1所述的基于节点相关度实现可靠解列的网架结构优化方法,其特征在于,步骤S3的具体方法为:
S31、对模态矩阵Vr进行Gauss消主元,并获取分群矩阵L和慢同调相关度矩阵S;
S32、慢同调相关度矩阵中的元素Sij表示节点i与慢同调群j之间的相关度,针对相关度矩阵提出节点分类判据。
6.根据权利要求5所述的基于节点相关度实现可靠解列的网架结构优化方法,其特征在于,步骤S32的具体方法为:
判据如下:
1)||Si*||>κ,κ为一小正数;
对节点i增加一条判据3):
其中,di>λ,λ为一正数;λ取值越大,表明对模式节点要求越高;
根据判断对系统节点进行重新定义:
a.模式节点:同时满足判据1)、2)和3),则该节点为模式节点,且归属于慢同调群k;
b.模糊节点:满足判据1),但不满足判据2)或3),则该节点为模糊节点;
c.弱连接节点:不满足条件1),则该节点为弱连接节点,与任何慢同调群都弱相关。
7.根据权利要求1所述的基于节点相关度实现可靠解列的网架结构优化方法,其特征在于,步骤S7中为观察网架结构优化对解列分群的影响,其具体方法为:
S71、利用Matlab编程软件编写离散粒子群算法,并基于广义特征分析的慢同调理论,求解寻找网架结构优化方案;
S72、针对最优方案,利用PSS/E电力系统仿真软件获取大量故障扰动下所有节点的电压频率与相角数据;
S73、依据电压数据绘制特性曲线,寻找可能的解列线路并构造解列断面;若某条线路在所有测试故障下位于解列断面上的概率高于平均概率,则该线路属于高概率解列线路;经过大量故障仿真后,令所有线路、解列线路、高概率解列线路条数分别为L、Ls、Lh,则定义:
其中,α表示解列范围,β表示高概率解列决策空间,这两个值越小,表明解列发生位置越集中;同时令所有故障下,第i条解列线路出现的次数记为Csi,第j条高概率解列线路出现的次数记为Chj,则定义:
其中,γ为高概率线路平均解列频次,该值越大,表明故障发生时分区解列断面落在该区间的概率越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911225971.5A CN111008686B (zh) | 2019-12-04 | 2019-12-04 | 一种基于节点相关度实现可靠解列的网架结构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911225971.5A CN111008686B (zh) | 2019-12-04 | 2019-12-04 | 一种基于节点相关度实现可靠解列的网架结构优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008686A CN111008686A (zh) | 2020-04-14 |
CN111008686B true CN111008686B (zh) | 2022-11-01 |
Family
ID=70115609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911225971.5A Active CN111008686B (zh) | 2019-12-04 | 2019-12-04 | 一种基于节点相关度实现可靠解列的网架结构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008686B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039198B (zh) * | 2020-07-22 | 2022-04-01 | 清华大学 | 基于dane的电网拓扑结构关键特征提取方法和装置 |
CN113098065B (zh) * | 2021-04-15 | 2022-10-04 | 东北电力大学 | 适用于下垂并网逆变器网络的模型降阶方法 |
CN113901670B (zh) * | 2021-10-25 | 2023-04-21 | 国网四川省电力公司电力科学研究院 | 一种全功率变速恒频抽蓄机组动态稳定特性快速评估方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946098B (zh) * | 2012-10-23 | 2014-06-04 | 四川大学 | 基于网络拓扑聚类的电力系统主动解列方法 |
US9280744B2 (en) * | 2014-01-14 | 2016-03-08 | Mitsubishi Electric Research Laboratories, Inc. | System and method for optimal power flow analysis |
CN104077393B (zh) * | 2014-07-01 | 2017-07-11 | 国家电网公司 | 一种基于半监督谱聚类的最优解列断面搜索方法 |
CN106712059B (zh) * | 2017-02-15 | 2019-11-29 | 国网江苏省电力公司电力科学研究院 | 基于凸优化理论的电力系统主动解列最优断面搜索方法 |
CN109871587A (zh) * | 2019-01-21 | 2019-06-11 | 南京铭越创信电气有限公司 | 一种极端天气条件下电力系统受控解列的方法 |
-
2019
- 2019-12-04 CN CN201911225971.5A patent/CN111008686B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于电网互联和电力市场运营下的电网安全稳定运行对策研究;刘婷 等;《电工技术》;20181125;第26-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008686A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008686B (zh) | 一种基于节点相关度实现可靠解列的网架结构优化方法 | |
CN110943453B (zh) | 面向迁移学习的电力系统故障样本生成和模型构建方法 | |
CN110989342B (zh) | 一种联合循环机组重型燃气轮机实时t-s模糊建模方法 | |
CN109066728B (zh) | 特高压电网多个区间振荡模式在线阻尼协调控制方法 | |
CN112464996A (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
CN109921458A (zh) | 新能源接入的电力系统小干扰稳定评估方法 | |
CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
CN110233503A (zh) | 并网光伏逆变器控制参数优化方法 | |
Hu et al. | Hybrid prediction model for the interindustry carbon emissions transfer network based on the grey model and general vector machine | |
CN111371125B (zh) | 一种考虑风机接入下提升系统同调性的解列分群优化方法 | |
CN116826728A (zh) | 一种少测量样本条件下的配电网状态结构估计方法及系统 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
Xie et al. | A novel crossover operator for particle swarm algorithm | |
CN114881176A (zh) | 一种基于自适应优化随机森林的非侵入式负荷识别方法 | |
CN110555262B (zh) | 一种同步发电机参数辨识方法 | |
Zhu et al. | Random walk and first passage time on a weighted hierarchical network | |
CN114139812A (zh) | 一种用于次同步振荡监测的监测装置优化配置方法 | |
Li et al. | Deep Reinforcement Learning-Based Fast Prediction of Strategies for Security Control | |
Yu et al. | Quantitative method of damage degree of power system network attack based on improved artificial immune algorithm | |
Yang et al. | Data-driven load frequency control based on multi-agent reinforcement learning with attention mechanism | |
CN103647277A (zh) | 一种基于优化的电力系统一阶模态谐振点的查找方法 | |
Song et al. | Solving traveling salesman problem with hybrid estimation of distribution algorithm | |
Li et al. | A Parameter Optimization Method Based on Eigenvalue Analysis for Microgrid With Multiple VSG Units | |
Wang et al. | Review of the Multi-perspective Evaluation Methods of Information Systems Equipment Facing the System Contribution Rate | |
Mengmeng et al. | Data mining research in wireless sensor network based on genetic BP algorithm |
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 |