CN111628501A - 一种交直流大电网暂态电压稳定评估方法及系统 - Google Patents
一种交直流大电网暂态电压稳定评估方法及系统 Download PDFInfo
- Publication number
- CN111628501A CN111628501A CN202010563749.2A CN202010563749A CN111628501A CN 111628501 A CN111628501 A CN 111628501A CN 202010563749 A CN202010563749 A CN 202010563749A CN 111628501 A CN111628501 A CN 111628501A
- Authority
- CN
- China
- Prior art keywords
- transient voltage
- voltage stability
- evaluation model
- converter bus
- training
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- 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
本发明公开了一种交直流大电网暂态电压稳定评估方法及系统,方法包括以下步骤:基于历史潮流数据构建训练样本集;将训练样本集的期望输出向量作为暂态电压稳定指标;基于暂态电压稳定指标构建换流母线暂态电压稳定快速评估模型;利用训练样本集对换流母线暂态电压稳定快速评估模型进行训练;利用训练后的换流母线暂态电压稳定快速评估模型在线识别影响交直流电网暂态电压稳定的高风险运行场景。本发明将故障后换流母线电压二次跌落的最小值作为输出,建立换流母线暂态电压稳定快速评估模型,并将滚动获取的负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据输入该模型进行实时评估电网暂态电压的稳定性。
Description
技术领域
本发明涉及一种交直流大电网暂态电压稳定评估方法及系统,属于电力系统电压稳定评估技术技术领域。
背景技术
随着特高压直流工程密集投运和负荷构成及特性的变化,电力电子元件占比日益增大,交直流大电网的电压稳定问题突出,大停电风险加剧。高压直流系统的正常运行需要交流系统提供足够的无功支撑,交流系统的局部短路故障可能会造成直流受端系统的暂态电压失稳,引发HVDC(高压直流输电)发生连续换相失败或者闭锁,破坏整个系统的安全性和稳定性。在系统发生大扰动后,故障点附近母线电压会发生一定程度的偏移,严重时还会造成系统暂态电压失稳。换相失败是HVDC系统最常见的特有故障之一,换流器中硅阀从正向导通到反向截止需要一个换相过程,如换相过程无法成功完成,就会发生换相失败。换流母线电压下降会导致换流器熄弧角的减小,当熄弧角小于阈值时,便会导致直流系统的换相失败。因此,对换流母线进行暂态电压稳定评估是预防系统发生失稳和挖掘高风险运行方式的基础和关键。
针对暂态电压稳定评估问题,分析方法主要有时域仿真法、能量函数法和人工智能法。时域仿真方法是基于详细的数学仿真模型,针对不同元件建立对应的微分方程,能精确地考虑到元件的动态特性,计算结果较为准确。但其缺点是仿真计算量大,计算耗时较长,难以满足在线评估要求。能量函数法从能量的角度对电压稳定性进行判断,其计算速度快,并能给出稳定度,但其模型适应性不够,难以应用于大规模的交直流电网。人工智能方法是一种先进的数据处理方法,其通过浅层神经网络对训练数据的学习,可在一定精度范围内实现暂态电压稳定的快速评估。
发明人发现现有的暂态电压稳定评估方法至少存在以下不足:(1)高压直流输电系统在输电网中占比越来越高,直流系统通过换流器与交流系统相联,直流系统的换相失败或直流闭锁会对交流系统造成功率冲击,而交流系统故障会导致换流母线电压波动,影响直流系统的正常运行,但现有暂态电压稳定评估方法未充分考虑直流系统和交流系统的相互影响。(2)随着电网规模的扩大,现有方法的计算耗时较长,难以应用与在线实时评估。(3)传统的浅层神经网络评估准确度较低,且无法应用于大规模电网。
发明内容
为了上述问题,本发明提出了一种交直流大电网暂态电压稳定评估方法及系统,能够实时评估电网暂态电压稳定性。
本发明解决其技术问题采取的技术方案是:
第一方面,本发明实施例提供的一种交直流大电网暂态电压稳定评估方法,包括以下步骤:
基于历史潮流数据构建训练样本集;将训练样本集的期望输出向量作为暂态电压稳定指标;
基于暂态电压稳定指标构建换流母线暂态电压稳定快速评估模型;
利用训练样本集对换流母线暂态电压稳定快速评估模型进行训练;
利用训练后的换流母线暂态电压稳定快速评估模型在线识别影响交直流电网暂态电压稳定的高风险运行场景。
作为本实施例一种可能的实现方式,所述构建训练样本集的过程为:
利用调度系统的历史运行方式,从交直流大电网历史潮流数据中获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据作为训练样本集的原始特征集;
确定调度系统的基本运行方式,在75%-125%基准负荷范围内等间距得到各节点负荷,并等比例得到发电机出力,获取相应的负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据作为训练样本集的原始特征集;
在换流母线附近的输电线路设置三相短路永久性跳闸故障,利用原始特征集对其进行时域仿真得到故障后换流母线电压二次跌落的最小值,作为期望输出向量。
作为本实施例一种可能的实现方式,所述构建流母线暂态电压稳定快速评估模型的过程为:将故障后换流母线电压二次跌落的最小值作为输出,以训练样本集的原始特征集作为输入,基于堆叠降噪自动编码器建立换流母线暂态电压稳定快速评估模型。
作为本实施例一种可能的实现方式,所述换流母线暂态电压稳定快速评估模型由堆叠降噪自动编码器和ADAM算法构成,所述堆叠降噪自动编码器用于特征抽取以获得原始特征的高阶特征表达,形成包含多隐含层的深度神经网络;所述ADAM用于优化深度神经网络的权重,深度神经网络的回归层采用反向传播的思想更新网络权重。
作为本实施例一种可能的实现方式,所述对换流母线暂态电压稳定快速评估模型进行训练的过程为:
将堆叠降噪自动编码器的每个隐藏层分解为一个独立的降噪自动编码器,使用所有训练样本进行逐层的无监督训练;
堆叠降噪自动编码器训练完成后,将其提取出的高阶特征作为新的样本特征,使用所有训练样本进行有监督训练;
根据上述训练结果暂态电压稳定指标,更新换流母线暂态电压稳定快速评估模型的权重。
作为本实施例一种可能的实现方式,所述在线识别影响交直流电网暂态电压稳定的高风险运行场景的过程为:
获取实时的调度系统运行方式,按照调度系统的负荷功率预测功能预测未来一段时间内的电网负荷有功无功,并按照调度计划获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流的实时数据,作为输入特征集;
针对不同的直流系统,确定不同的能够导致直流系统换相失败的阈值;
作为本实施例一种可能的实现方式,评估方法还包括评估结果滚动更新步骤:
获取负荷功率预测数据和发电机出力计划信息,滚动更新相关的预测信息;
基于最新的预测信息生成待评估的未来态运行场景集合;
对于待评估的未来态运行场景应进行场景缩减;
利用训练后的换流母线暂态电压稳定快速评估模型对全部运行场景进行评估,得到评估结果;
对原有的评估结果进行滚动更新。
第二方面,本发明实施例提供的一种交直流大电网暂态电压稳定评估系统,包括:
样本构建模块,用于基于历史潮流数据构建训练样本集;将训练样本集的期望输出向量作为暂态电压稳定指标;
评估模型构建模块,用于基于暂态电压稳定指标构建换流母线暂态电压稳定快速评估模型;
模型训练模块,利用训练样本集对换流母线暂态电压稳定快速评估模型进行训练;
高风险运行场景识别模块,用于利用训练后的换流母线暂态电压稳定快速评估模型在线识别影响交直流电网暂态电压稳定的高风险运行场景。
作为本实施例一种可能的实现方式,该评估系统还包括:
未来态运行场景生成模块,用于获取负荷功率预测数据和发电机出力计划信息,滚动更新相关的预测信息;并基于最新的预测信息生成待评估的未来态运行场景集合;
评估模块,用于对于待评估的未来态运行场景应进行场景缩减;并利用训练后的换流母线暂态电压稳定快速评估模型对全部运行场景进行评估,得到评估结果;
评估结果滚动更新模块,用于对原有的评估结果进行滚动更新。
第三方面,本发明实施例提供的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述的一种交直流大电网暂态电压稳定评估方法的步骤。
本发明实施例的技术方案可以具有的有益效果如下:
本发明将故障后换流母线电压二次跌落的最小值作为输出,以训练样本集的原始特征集作为输入,基于堆叠降噪自动编码器建立换流母线暂态电压稳定快速评估模型。通过滚动获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据,实时评估电网暂态电压稳定性。
本发明基于交直流系统的交互影响特性提出了以故障后换流母线电压二次跌落的最小值作为衡量直流系统受影响程度的指标,增加了暂态电压稳定评估结果的合理性。
本发明利用深度学习技术建立暂态电压稳定快速评估模型,能够针对大规模交直流电网快速计算给定运行方式的故障后换流母线电压二次跌落的最小值;由于避免了时域仿真,能够快速计算出不同运行方式下的暂态电压稳定评估结果。
本发明采用了堆叠降噪自动编码器对输入特征进行高阶特征提取,并采用ADAM算法对参数进行优化,相比于传统的浅层神经网络,增加了对大规模电网的适应性,提高了评估的准确率,并且更加贴合工程实际。
附图说明:
图1是根据一示例性实施例示出的一种交直流大电网暂态电压稳定评估方法的流程图;
图2是根据一示例性实施例示出的一种暂态电压稳定快速评估模型的结构图;
图3是根据一示例性实施例示出的一种交直流大电网暂态电压稳定评估系统的结构图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的一种配电网主设备状态监测的方法的流程图。如图1所示,本发明实施例提供的一种交直流大电网暂态电压稳定评估方法,包括以下步骤:
基于历史潮流数据构建训练样本集;将训练样本集的期望输出向量作为暂态电压稳定指标;
基于暂态电压稳定指标构建换流母线暂态电压稳定快速评估模型;
利用训练样本集对换流母线暂态电压稳定快速评估模型进行训练;
利用训练后的换流母线暂态电压稳定快速评估模型在线识别影响交直流电网暂态电压稳定的高风险运行场景。
根据与故障后换流母线电压二次跌落的最小值有关的运行方式特征构建暂态电压稳定快速评估模型的原始特征集,所述原始特征集包括负荷有功无功功率、发电机有功无功出力和关键输电线路潮流等。故障后换流母线电压二次跌落的最小值作为训练样本集的期望输出向量,与原始特征集构成训练样本集。
暂态电压稳定快速评估模型的输入特征需要包括影响故障后换流母线暂态电压稳定的所有因素。系统电压稳定与有功功率和无功功率有密切的关系,当系统负荷较重时,故障后恢复过程中电网需要传输更多的功率,暂态电压失稳的风险会加大。所以暂态电压稳定快速评估模型的输入特征集应包括:负荷有功无功、发电机有功无功出力和关键输电线路的潮流;模型的输出为特定预想事故下的
作为本实施例一种可能的实现方式,所述构建训练样本集的过程为:
利用调度系统的历史运行方式,从交直流大电网历史潮流数据中获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据作为训练样本集的原始特征集;
确定调度系统的基本运行方式,在75%-125%基准负荷范围内等间距得到各节点负荷,并等比例得到发电机出力,获取相应的负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据作为训练样本集的原始特征集;
在换流母线附近的输电线路设置三相短路永久性跳闸故障,利用原始特征集对其进行时域仿真得到故障后换流母线电压二次跌落的最小值,作为期望输出向量。
作为本实施例一种可能的实现方式,所述构建流母线暂态电压稳定快速评估模型的过程为:将故障后换流母线电压二次跌落的最小值作为输出,以训练样本集的原始特征集作为输入,基于堆叠降噪自动编码器建立换流母线暂态电压稳定快速评估模型。
作为本实施例一种可能的实现方式,如图2所示,所述换流母线暂态电压稳定快速评估模型由堆叠降噪自动编码器(stacked denoising autoencoder,SDAE)和ADAM(Adaptive moment)算法构成,所述堆叠降噪自动编码器用于特征抽取以获得原始特征的高阶特征表达,形成包含多隐含层的深度神经网络;所述ADAM用于优化深度神经网络的权重,深度神经网络的回归层采用反向传播的思想更新网络权重。
SDAE是一种典型的深度学习算法,其利用深层网络结构从原始输入特征提取出高阶抽象特征,能够提高后续回归器的准确性,在应用于大量数据时具有更好的稳定性和鲁棒性。因此,SDAE被用在换流母线电压稳定的快速评估模型中进行特征提取。
(1)SDAE由降噪自动编码器(denoising autoencoder,DAE)经过栈式堆叠构成,DAE的模型结构与自动编码器(autoencoder,AE)相同,为了增加网络的鲁棒性,采用dropout方法对输入特征加入噪声,即形成了DAE。
AE分为编码和解码两个过程,通过对输入x进行编码,得到新的特征h:
h=f(Wx+b),
式中:W为网络权重,b为偏置,f为激活函数。
解码过程是利用新特征h对x进行重构,通过样本训练使z和x尽可能一致,即:
z=g(W′x+b′),
式中:W′为网络权重,b′为偏置,g为激活函数。
AE的激活函数采用sigmoid函数,损失函数L的表达式为:
在应用AE进行有监督训练时,将解码过程去掉,令新特征h作为有监督训练的输入。
(2)回归器的代价函数为:
式中:C1为惩罚系数;Y为训练样本的输出向量;J为隐藏层的输出向量;we是回归层神经网络的输出权重向量。
作为本实施例一种可能的实现方式,所述对换流母线暂态电压稳定快速评估模型进行训练的过程为:
将堆叠降噪自动编码器的每个隐藏层分解为一个独立的降噪自动编码器,使用所有训练样本进行逐层的无监督训练;
堆叠降噪自动编码器训练完成后,将其提取出的高阶特征作为新的样本特征,使用所有训练样本进行有监督训练;
根据上述训练结果暂态电压稳定指标,更新换流母线暂态电压稳定快速评估模型的权重。
作为本实施例一种可能的实现方式,所述在线识别影响交直流电网暂态电压稳定的高风险运行场景的过程为:
获取实时的调度系统运行方式,按照调度系统的负荷功率预测功能预测未来一段时间内的电网负荷有功无功,并按照调度计划获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流的实时数据,作为输入特征集;
针对不同的直流系统,确定不同的能够导致直流系统换相失败的阈值;
根据获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流的实时数据可生成未来态运行场景;针对当前及未来一段时间可能出现的运行场景,即未来态运行场景,进行在线电压稳定评估,在线识别影响交直流电网暂态电压稳定的高风险运行场景。的大小能够反映直流系统受影响程度,当低于阈值时,会导致直流系统发生连续换相失败,严重时还会造成直流闭锁,引发系统的大规模停电。针对不同的直流系统,确定不同的能够导致直流系统换相失败的阈值,并根据确定系统风险等级,进而识别出影响交直流暂态电压稳定的高风险运行场景。
作为本实施例一种可能的实现方式,评估方法还包括评估结果滚动更新步骤:
获取负荷功率预测数据和发电机出力计划信息,滚动更新相关的预测信息作为模型的输入特征;
基于最新的预测信息生成待评估的未来态运行场景集合;
对于待评估的未来态运行场景根据实际情况,如计算能力、时间要求等,进行场景缩减;
利用训练后的换流母线暂态电压稳定快速评估模型对全部运行场景进行评估,得到评估结果;
对原有的评估结果进行滚动更新。
电力系统实际运行时,负荷功率和发电机出力计划信息会间隔一定的时间进行滚动更新,可用的预防控制资源也会不断变化。负荷功率会随着滚动更新变得更加准确,不确定性逐渐降低。基于这些更新后的预测信息进行计算,能够提高评估结果的准确性。
图3是根据一示例性实施例示出的一种交直流大电网暂态电压稳定评估系统的结构图。如图3所示,本发明实施例提供的一种交直流大电网暂态电压稳定评估系统,包括:
样本构建模块,用于基于历史潮流数据构建训练样本集;将训练样本集的期望输出向量作为暂态电压稳定指标;
评估模型构建模块,用于基于暂态电压稳定指标构建换流母线暂态电压稳定快速评估模型;
模型训练模块,利用训练样本集对换流母线暂态电压稳定快速评估模型进行训练;
高风险运行场景识别模块,用于利用训练后的换流母线暂态电压稳定快速评估模型在线识别影响交直流电网暂态电压稳定的高风险运行场景。
所述样本构建模块构建训练样本集的过程为:
利用调度系统的历史运行方式,从交直流大电网历史潮流数据中获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据作为训练样本集的原始特征集;
确定调度系统的基本运行方式,在75%-125%基准负荷范围内等间距得到各节点负荷,并等比例得到发电机出力,获取相应的负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据作为训练样本集的原始特征集;
在换流母线附近的输电线路设置三相短路永久性跳闸故障,利用原始特征集对其进行时域仿真得到故障后换流母线电压二次跌落的最小值,作为期望输出向量。
所述评估模型构建模块构建流母线暂态电压稳定快速评估模型的过程为:将故障后换流母线电压二次跌落的最小值作为输出,以训练样本集的原始特征集作为输入,基于堆叠降噪自动编码器建立换流母线暂态电压稳定快速评估模型。
所述模型训练模块对换流母线暂态电压稳定快速评估模型进行训练的过程为:
将堆叠降噪自动编码器的每个隐藏层分解为一个独立的降噪自动编码器,使用所有训练样本进行逐层的无监督训练;
堆叠降噪自动编码器训练完成后,将其提取出的高阶特征作为新的样本特征,使用所有训练样本进行有监督训练;
根据上述训练结果暂态电压稳定指标,更新换流母线暂态电压稳定快速评估模型的权重。
所述高风险运行场景识别模块在线识别影响交直流电网暂态电压稳定的高风险运行场景的过程为:
获取实时的调度系统运行方式,按照调度系统的负荷功率预测功能预测未来一段时间内的电网负荷有功无功,并按照调度计划获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流的实时数据,作为输入特征集;
针对不同的直流系统,确定不同的能够导致直流系统换相失败的阈值;
作为本实施例一种可能的实现方式,该评估系统还包括:
未来态运行场景生成模块,用于获取负荷功率预测数据和发电机出力计划信息,滚动更新相关的预测信息;并基于最新的预测信息生成待评估的未来态运行场景集合;
评估模块,用于对于待评估的未来态运行场景应进行场景缩减;并利用训练后的换流母线暂态电压稳定快速评估模型对全部运行场景进行评估,得到评估结果;
评估结果滚动更新模块,用于对原有的评估结果进行滚动更新。
电力系统实际运行时,负荷功率和发电机出力计划信息会间隔一定的时间进行滚动更新,可用的预防控制资源也会不断变化。负荷功率会随着滚动更新变得更加准确,不确定性逐渐降低。基于这些更新后的预测信息进行计算,能够提高评估结果的准确性。
基于同样的发明构思,本发明实施例提供的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述的一种交直流大电网暂态电压稳定评估方法的步骤。
基于同样的发明构思,本发明实施例提供的一种计算机设备,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计算机程序时实现上述所述的一种交直流大电网暂态电压稳定评估方法的步骤。
以上实施例的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白,上述本公开的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种交直流大电网暂态电压稳定评估方法,其特征是,包括以下步骤:
基于历史潮流数据构建训练样本集;将训练样本集的期望输出向量作为暂态电压稳定指标;
基于暂态电压稳定指标构建换流母线暂态电压稳定快速评估模型;
利用训练样本集对换流母线暂态电压稳定快速评估模型进行训练;
利用训练后的换流母线暂态电压稳定快速评估模型在线识别影响交直流电网暂态电压稳定的高风险运行场景。
2.根据权利要求1所述的一种交直流大电网暂态电压稳定评估方法,其特征是,所述构建训练样本集的过程为:
利用调度系统的历史运行方式,从交直流大电网历史潮流数据中获取负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据作为训练样本集的原始特征集;
确定调度系统的基本运行方式,在75%-125%基准负荷范围内等间距得到各节点负荷,并等比例得到发电机出力,获取相应的负荷有功无功功率、发电机有功无功出力和关键输电线路潮流数据作为训练样本集的原始特征集;
在换流母线附近的输电线路设置三相短路永久性跳闸故障,利用原始特征集对其进行时域仿真得到故障后换流母线电压二次跌落的最小值,作为期望输出向量。
3.根据权利要求2所述的一种交直流大电网暂态电压稳定评估方法,其特征是,所述构建流母线暂态电压稳定快速评估模型的过程为:将故障后换流母线电压二次跌落的最小值作为输出,以训练样本集的原始特征集作为输入,基于堆叠降噪自动编码器建立换流母线暂态电压稳定快速评估模型。
4.根据权利要求2所述的一种交直流大电网暂态电压稳定评估方法,其特征是,所述换流母线暂态电压稳定快速评估模型由堆叠降噪自动编码器和ADAM算法构成,所述堆叠降噪自动编码器用于特征抽取以获得原始特征的高阶特征表达,形成包含多隐含层的深度神经网络;所述ADAM用于优化深度神经网络的权重,深度神经网络的回归层采用反向传播的思想更新网络权重。
5.根据权利要求4所述的一种交直流大电网暂态电压稳定评估方法,其特征是,所述对换流母线暂态电压稳定快速评估模型进行训练的过程为:
将堆叠降噪自动编码器的每个隐藏层分解为一个独立的降噪自动编码器,使用所有训练样本进行逐层的无监督训练;
堆叠降噪自动编码器训练完成后,将其提取出的高阶特征作为新的样本特征,使用所有训练样本进行有监督训练;
根据上述训练结果暂态电压稳定指标,更新换流母线暂态电压稳定快速评估模型的权重。
7.根据权利要求6所述的一种交直流大电网暂态电压稳定评估方法,其特征是,还包括评估结果滚动更新步骤:
获取负荷功率预测数据和发电机出力计划信息,滚动更新相关的预测信息;
基于最新的预测信息生成待评估的未来态运行场景集合;
对于待评估的未来态运行场景应进行场景缩减;
利用训练后的换流母线暂态电压稳定快速评估模型对全部运行场景进行评估,得到评估结果;
对原有的评估结果进行滚动更新。
8.一种交直流大电网暂态电压稳定评估系统,其特征是,包括:
样本构建模块,用于基于历史潮流数据构建训练样本集;将训练样本集的期望输出向量作为暂态电压稳定指标;
评估模型构建模块,用于基于暂态电压稳定指标构建换流母线暂态电压稳定快速评估模型;
模型训练模块,利用训练样本集对换流母线暂态电压稳定快速评估模型进行训练;
高风险运行场景识别模块,用于利用训练后的换流母线暂态电压稳定快速评估模型在线识别影响交直流电网暂态电压稳定的高风险运行场景。
9.根据权利要求8所述的一种交直流大电网暂态电压稳定评估系统,其特征是,还包括:
未来态运行场景生成模块,用于获取负荷功率预测数据和发电机出力计划信息,滚动更新相关的预测信息;并基于最新的预测信息生成待评估的未来态运行场景集合;
评估模块,用于对于待评估的未来态运行场景应进行场景缩减;并利用训练后的换流母线暂态电压稳定快速评估模型对全部运行场景进行评估,得到评估结果;
评估结果滚动更新模块,用于对原有的评估结果进行滚动更新。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该计算机程序被处理器执行时实现上述权利要求1-7任一所述的一种交直流大电网暂态电压稳定评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563749.2A CN111628501B (zh) | 2020-06-18 | 2020-06-18 | 一种交直流大电网暂态电压稳定评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563749.2A CN111628501B (zh) | 2020-06-18 | 2020-06-18 | 一种交直流大电网暂态电压稳定评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111628501A true CN111628501A (zh) | 2020-09-04 |
CN111628501B CN111628501B (zh) | 2023-04-18 |
Family
ID=72260356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010563749.2A Active CN111628501B (zh) | 2020-06-18 | 2020-06-18 | 一种交直流大电网暂态电压稳定评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111628501B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112310980A (zh) * | 2020-11-11 | 2021-02-02 | 国网山东省电力公司电力科学研究院 | 交直流混联电网直流闭锁频率安全稳定评估方法及系统 |
CN112583039A (zh) * | 2020-12-21 | 2021-03-30 | 中国科学院电工研究所 | 数据-模型联合驱动的交直流配用电系统协调管控方法 |
CN113139152A (zh) * | 2021-04-22 | 2021-07-20 | 山东大学 | 海洋采油平台直流配网瞬时负载的适应性评估方法及系统 |
CN113379279A (zh) * | 2021-06-23 | 2021-09-10 | 黑龙江大学 | 基于不完整数据的深度强化学习短期电压稳定性评估方法 |
CN113394774A (zh) * | 2021-06-23 | 2021-09-14 | 湘潭大学 | 基于深度神经网络与阻抗模裕度的静态电压稳定监测方法 |
CN113872238A (zh) * | 2021-09-26 | 2021-12-31 | 国网江苏省电力有限公司 | 一种电力系统自动电压控制方法、装置、电子设备及存储介质 |
EP4106128A1 (en) * | 2021-06-18 | 2022-12-21 | Siemens Energy Global GmbH & Co. KG | Power demand prediction method and system |
CN115510693A (zh) * | 2022-11-17 | 2022-12-23 | 国网山东省电力公司济南供电公司 | 一种直流配电系统换流器参数优化设计方法 |
CN115588983A (zh) * | 2022-10-25 | 2023-01-10 | 广东工业大学 | 一种暂态电压稳定评估方法 |
CN117318183A (zh) * | 2023-11-30 | 2023-12-29 | 国网天津市电力公司电力科学研究院 | 电力调度方法及系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008257309A (ja) * | 2007-03-31 | 2008-10-23 | Seishiro Munehira | 昇圧型最大電力点追従装置及び制御法 |
CN102412599A (zh) * | 2011-12-14 | 2012-04-11 | 北京洲能科技发展有限公司 | 一种双馈风力发电系统低电压穿越用Crowbar装置 |
JP2014011933A (ja) * | 2012-07-03 | 2014-01-20 | Central Research Institute Of Electric Power Industry | 電力系統安定化解析装置、電力系統安定化解析方法及び電力系統安定化解析プログラム |
CN103901319A (zh) * | 2014-03-03 | 2014-07-02 | 广州供电局有限公司 | 电网暂态电压稳定性检测方法 |
CN103997041A (zh) * | 2013-11-13 | 2014-08-20 | 国家电网公司 | 一种交直流混联系统的在线电压稳定判别系统 |
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
CN105098763A (zh) * | 2014-05-16 | 2015-11-25 | 国家电网公司 | 一种基于wams和ems的暂态电压稳定在线评估方法 |
CN105449701A (zh) * | 2016-01-18 | 2016-03-30 | 华北电力科学研究院有限责任公司 | 一种储能系统参与电网频率控制的方法及装置 |
CN105490292A (zh) * | 2016-01-18 | 2016-04-13 | 华北电力科学研究院有限责任公司 | 一种储能系统参与电网二次频率控制的方法及装置 |
CN105512808A (zh) * | 2015-11-30 | 2016-04-20 | 武汉大学 | 一种面向大数据的电力系统暂态稳定评估方法 |
CN106058876A (zh) * | 2016-06-02 | 2016-10-26 | 国网山东省电力公司济南供电公司 | 考虑暂态电压稳定性的动态无功规划选址分析方法及系统 |
CN106504116A (zh) * | 2016-10-31 | 2017-03-15 | 山东大学 | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 |
CN106599425A (zh) * | 2016-12-02 | 2017-04-26 | 广州供电局有限公司 | 电力系统暂态电压稳定检测方法和装置 |
CN108493929A (zh) * | 2018-03-28 | 2018-09-04 | 南方电网科学研究院有限责任公司 | 一种电力系统暂态稳定预测模型建模方法及系统 |
CN108988347A (zh) * | 2018-08-01 | 2018-12-11 | 中国南方电网有限责任公司 | 一种电网暂态电压稳定样本集类别失衡的调节方法及系统 |
CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
CN109086913A (zh) * | 2018-07-11 | 2018-12-25 | 山东大学 | 一种基于深度学习的电力系统暂态稳定评估方法及系统 |
CN110909795A (zh) * | 2019-11-22 | 2020-03-24 | 国网湖南省电力有限公司 | 电网暂态电压稳定性的判定方法 |
CN111104975A (zh) * | 2019-12-10 | 2020-05-05 | 恒瑞通(福建)信息技术有限公司 | 一种基于广度学习的信用评估模型 |
-
2020
- 2020-06-18 CN CN202010563749.2A patent/CN111628501B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008257309A (ja) * | 2007-03-31 | 2008-10-23 | Seishiro Munehira | 昇圧型最大電力点追従装置及び制御法 |
CN102412599A (zh) * | 2011-12-14 | 2012-04-11 | 北京洲能科技发展有限公司 | 一种双馈风力发电系统低电压穿越用Crowbar装置 |
JP2014011933A (ja) * | 2012-07-03 | 2014-01-20 | Central Research Institute Of Electric Power Industry | 電力系統安定化解析装置、電力系統安定化解析方法及び電力系統安定化解析プログラム |
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
CN103997041A (zh) * | 2013-11-13 | 2014-08-20 | 国家电网公司 | 一种交直流混联系统的在线电压稳定判别系统 |
CN103901319A (zh) * | 2014-03-03 | 2014-07-02 | 广州供电局有限公司 | 电网暂态电压稳定性检测方法 |
CN105098763A (zh) * | 2014-05-16 | 2015-11-25 | 国家电网公司 | 一种基于wams和ems的暂态电压稳定在线评估方法 |
CN105512808A (zh) * | 2015-11-30 | 2016-04-20 | 武汉大学 | 一种面向大数据的电力系统暂态稳定评估方法 |
CN105490292A (zh) * | 2016-01-18 | 2016-04-13 | 华北电力科学研究院有限责任公司 | 一种储能系统参与电网二次频率控制的方法及装置 |
CN105449701A (zh) * | 2016-01-18 | 2016-03-30 | 华北电力科学研究院有限责任公司 | 一种储能系统参与电网频率控制的方法及装置 |
CN106058876A (zh) * | 2016-06-02 | 2016-10-26 | 国网山东省电力公司济南供电公司 | 考虑暂态电压稳定性的动态无功规划选址分析方法及系统 |
CN106504116A (zh) * | 2016-10-31 | 2017-03-15 | 山东大学 | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 |
CN106599425A (zh) * | 2016-12-02 | 2017-04-26 | 广州供电局有限公司 | 电力系统暂态电压稳定检测方法和装置 |
CN108493929A (zh) * | 2018-03-28 | 2018-09-04 | 南方电网科学研究院有限责任公司 | 一种电力系统暂态稳定预测模型建模方法及系统 |
CN109086913A (zh) * | 2018-07-11 | 2018-12-25 | 山东大学 | 一种基于深度学习的电力系统暂态稳定评估方法及系统 |
CN108988347A (zh) * | 2018-08-01 | 2018-12-11 | 中国南方电网有限责任公司 | 一种电网暂态电压稳定样本集类别失衡的调节方法及系统 |
CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
CN110909795A (zh) * | 2019-11-22 | 2020-03-24 | 国网湖南省电力有限公司 | 电网暂态电压稳定性的判定方法 |
CN111104975A (zh) * | 2019-12-10 | 2020-05-05 | 恒瑞通(福建)信息技术有限公司 | 一种基于广度学习的信用评估模型 |
Non-Patent Citations (1)
Title |
---|
JIAN ZUO,BING ZHANG, MENG XIANG, YANGWU SHEN * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112310980A (zh) * | 2020-11-11 | 2021-02-02 | 国网山东省电力公司电力科学研究院 | 交直流混联电网直流闭锁频率安全稳定评估方法及系统 |
CN112583039B (zh) * | 2020-12-21 | 2022-11-15 | 中国科学院电工研究所 | 数据-模型联合驱动的交直流配用电系统协调管控方法 |
CN112583039A (zh) * | 2020-12-21 | 2021-03-30 | 中国科学院电工研究所 | 数据-模型联合驱动的交直流配用电系统协调管控方法 |
CN113139152A (zh) * | 2021-04-22 | 2021-07-20 | 山东大学 | 海洋采油平台直流配网瞬时负载的适应性评估方法及系统 |
CN113139152B (zh) * | 2021-04-22 | 2022-05-10 | 山东大学 | 海洋采油平台直流配网瞬时负载的适应性评估方法及系统 |
WO2022263155A1 (en) * | 2021-06-18 | 2022-12-22 | Siemens Energy Global GmbH & Co. KG | Power demand prediction method and system |
EP4106128A1 (en) * | 2021-06-18 | 2022-12-21 | Siemens Energy Global GmbH & Co. KG | Power demand prediction method and system |
CN113394774A (zh) * | 2021-06-23 | 2021-09-14 | 湘潭大学 | 基于深度神经网络与阻抗模裕度的静态电压稳定监测方法 |
CN113379279A (zh) * | 2021-06-23 | 2021-09-10 | 黑龙江大学 | 基于不完整数据的深度强化学习短期电压稳定性评估方法 |
CN113872238A (zh) * | 2021-09-26 | 2021-12-31 | 国网江苏省电力有限公司 | 一种电力系统自动电压控制方法、装置、电子设备及存储介质 |
CN113872238B (zh) * | 2021-09-26 | 2024-01-30 | 国网江苏省电力有限公司 | 一种电力系统自动电压控制方法、装置、电子设备及存储介质 |
CN115588983A (zh) * | 2022-10-25 | 2023-01-10 | 广东工业大学 | 一种暂态电压稳定评估方法 |
CN115588983B (zh) * | 2022-10-25 | 2023-04-18 | 广东工业大学 | 一种暂态电压稳定评估方法 |
CN115510693A (zh) * | 2022-11-17 | 2022-12-23 | 国网山东省电力公司济南供电公司 | 一种直流配电系统换流器参数优化设计方法 |
CN115510693B (zh) * | 2022-11-17 | 2023-03-03 | 国网山东省电力公司济南供电公司 | 一种直流配电系统换流器参数优化设计方法 |
CN117318183A (zh) * | 2023-11-30 | 2023-12-29 | 国网天津市电力公司电力科学研究院 | 电力调度方法及系统 |
CN117318183B (zh) * | 2023-11-30 | 2024-03-19 | 国网天津市电力公司电力科学研究院 | 电力调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111628501B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111628501B (zh) | 一种交直流大电网暂态电压稳定评估方法及系统 | |
Habibi et al. | Secure MPC/ANN-based false data injection cyber-attack detection and mitigation in DC microgrids | |
Dai et al. | Real-time prediction of event-driven load shedding for frequency stability enhancement of power systems | |
US20220113695A1 (en) | Rolling early warning method and system of dynamic security risk situation for large scale hybrid ac/dc grids | |
CN112310980B (zh) | 交直流混联电网直流闭锁频率安全稳定评估方法及系统 | |
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 | |
CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
Zhang et al. | Deep reinforcement leaming for short-term voltage control by dynamic load shedding in china southem power grid | |
CN115693661A (zh) | 一种基于图神经网络的连锁故障风险关键线路辨识方法 | |
CN110221167B (zh) | 一种基于确定学习的电力系统输电线短路故障诊断方法 | |
CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
CN113346484B (zh) | 一种考虑暂态不确定性的配电网弹性提升方法及系统 | |
CN111244937B (zh) | 一种电力系统暂态电压稳定性严重故障筛选方法 | |
CN109932617B (zh) | 一种基于深度学习的自适应电网故障诊断方法 | |
Gong et al. | Transient stability assessment of electric power system based on voltage phasor and cnn-lstm | |
CN115859627A (zh) | 电力系统连锁故障动态仿真模型、筛选方法、设备及介质 | |
CN116054224A (zh) | 一种多馈入直流输电系统换相失败快速评估方法 | |
Alquthami et al. | Forecasting Transmission System Outages Using Artificial Neural Networks | |
Oyama et al. | Online transient stability assessment employing decision tree and maximal lyapunov exponent | |
CN113592565B (zh) | 一种电力系统节点重要度预测方法 | |
CN116976206A (zh) | 一种电网连锁故障风险场景辨识方法、系统、设备及介质 | |
CN111478292B (zh) | 一种基于深度强化学习的电力系统的故障切除方法和系统 | |
Putranto et al. | Series PMU data-based state estimation technique for WAMS application | |
Huang et al. | Research of Transformer Protection Based on Joint Deep Learning | |
CN113852123B (zh) | 一种电力系统自动电压控制方法、装置、电子设备和存储介质 |
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 |