CN111628531A - 一种针对电力系统静态电压稳定评估的数据驱动方法 - Google Patents

一种针对电力系统静态电压稳定评估的数据驱动方法 Download PDF

Info

Publication number
CN111628531A
CN111628531A CN202010426426.9A CN202010426426A CN111628531A CN 111628531 A CN111628531 A CN 111628531A CN 202010426426 A CN202010426426 A CN 202010426426A CN 111628531 A CN111628531 A CN 111628531A
Authority
CN
China
Prior art keywords
feature
voltage stability
vsm
power system
data set
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
Application number
CN202010426426.9A
Other languages
English (en)
Other versions
CN111628531B (zh
Inventor
刘颂凯
刘礼煌
刘明怡
陈浩
薛田良
张磊
叶婧
钟浩
李世春
杨苗
陈云龙
汪平
陈星�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202010426426.9A priority Critical patent/CN111628531B/zh
Publication of CN111628531A publication Critical patent/CN111628531A/zh
Application granted granted Critical
Publication of CN111628531B publication Critical patent/CN111628531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • 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"
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种针对电力系统静态电压稳定评估的数据驱动方法，包括以下步骤：步骤一)：建立初始的数据集；步骤二)：构建特征选择框架，并利用此框架对初始样本集进行关键特征选择，建立由关键特征及相应的VSM构成的样本集；步骤三)：对随机比特森林进行训练及更新，形成基于RBF的电压稳定评估模型；步骤四)：基于同步相量测量单元与广域测量系统实时收集的电力系统运行数据，选择相应的特征，利用已训练的电压稳定评估模型完成实时电压稳定评估。本发明的目的是为了建立一种高效的特征选择框架及构建高精度、高适应性的电力系统静态稳定评估模型，从而提供一种针对电力系统静态电压稳定评估的数据驱动方法。

Description

一种针对电力系统静态电压稳定评估的数据驱动方法
技术领域
本发明涉及电力系统静态电压稳定评估领域，具体涉及针对电力系统静态电压稳定评估的数据驱动方法。
背景技术
随着可再生能源的可持续发展以及现代电力系统的广域互联，电力系统的安全运行受到了全所未有的挑战。由于电压崩溃可能导致巨大的经济损失以及不利的社会影响，静态电压稳定评估的研究日益受到广泛关注。
通常静态电压稳定评估的研究用电压稳定裕度(Voltage Stability Margin，VSM)来衡量某个工作点离电压崩溃点的距离。在以往的研究中，主要分为两个角度：机理研究、数据驱动。其中基于机理研究且用于预测VSM的方法主要有灵敏度法、奇异值分解法、连续潮流法等。然而，由于现代电力系统日益复杂、非线性程度增加、规模愈加庞大。传统机理研究方法在大系统上的使用效果被大量的时间和计算资源损耗所制约，已无法保证对电力系统进行实时且有效的评估。
随着广域测量系统和同步相量测量装置的普及，海量的电力系统运行数据的收集愈加方便快捷，数据驱动方法的使用也日益广泛。基于数据驱动的方法主要有人工神经网络(Artificial Neural Network，ANN)、支持向量机(Support Vector Machine，SVM)及决策树(Decision Tree，DT)等。
然而，文献1(Y.Fan,S.Liu,L.Qin,H.Li,H.Qiu,Anovel online estimationscheme for static voltage stability margin based on relationshipsexplorationin a large data set,IEEE Trans Power Syst 30(3)(2014)1380–1393.)与文献2(B.Wang,B. Fang,Y.Wang,and Y.Liu,“Power system transient stabilityassessment based on big data and the core vector machine,”IEEE Trans.SmartGrid,7(5)(2016)2561-2570.) 均指出ANN与SVM无法处理大量的样本数据，且文献1指出处理数据丢失情况对于DT也是个难题。同时，随着现代电力系统的运行规模逐步扩大，样本的输入空间也不可避免地急速增加，造成“维度诅咒”。
综上所述，目前的静态电压评估方法不能满足现代电力系统对电压稳定评估方法的高适应性、高精度的需求。
发明内容
本发明的目的是为了建立一种高效的特征选择框架及构建高精度、高适应性的电力系统静态稳定评估模型。
本发明的目的是这样实现的：
一种针对电力系统静态电压稳定评估的数据驱动方法，包括以下步骤：
步骤一)：基于电力系统历史运行数据，利用连续潮流法确定电压稳定极限，并构建电压稳定裕度(Voltage Stability Margin，VSM)指标，建立初始的数据集；
步骤二)：基于相关性探索工具，构建特征选择框架，并利用此框架对初始样本集进行关键特征选择，建立由关键特征及相应的VSM构成的样本集；
步骤三)：基于特征选择后的样本集，对随机比特森林(Random Bits Forest，RBF)进行训练及更新，形成基于RBF的电压稳定评估模型；
步骤四)：基于同步相量测量单元与广域测量系统实时收集的电力系统运行数据，选择相应的特征，利用已训练的电压稳定评估模型完成实时电压稳定评估。
在步骤一)中，从历史电力系统工作点的运行数据中，针对每个工作点，利用连续潮流法，确定电压稳定极限即电压崩溃点，利用工作点与电压崩溃点之间的负载有功功率差值，构建连续的VSM指标，其中，每个工作点的稳态运行数据为特征，对应的都具有稳定裕度指标，形成特征与指标的对应关系。
稳态运行数据包括同步相量测量单元所收集的有功/无功潮流、节点电压幅值及相角等特征，相应的VSM构造如公式(1)所示。
Figure RE-RE-GDA0002555194570000021
式中：
Figure RE-RE-GDA0002555194570000022
代表电压达到崩溃点时的负载有功功率，P0代表某一个初始运行点的有功功率。
将某运行点的各个特征与对应VSM构建一个行向量{x1,...,xP,y}，其中xi (i＝1,…,P)代表某一个特征量，y代表对应的VSM，当大量的样本被生成，则可以获得初始的数据集{X1,...,XP,Y}，其中Xi(i＝1,…,P)代表大量样本的同一个特征量构成的列向量，Y代表各样本对应的VSM列向量。
在步骤二)中，在基于相关性探索工具，构建特征选择框架时，采用以下步骤：
(1)初始化S为空集，设定一个大于0的数μ；
(2)从初始数据集中选出令I(VSM,f)为最大值时的特征f，将其挑选出并放入集合S中，作为S中的第一个特征，I(VSM,f)为两变量之间的互信息 (Mutual Information，MI)；
(3)激活评价函数J，遍历S中余下的所有特征，如果J(S,fk)max＞μ，则将特征fk由初始数据集中选入S中；
(4)对于特征数不断变化的初始数据集与集合S，重复步骤(2)和(3)，直至两个集合中的特征数量不再发生变化。
评价函数J可通过MI构建而成，构建评价函数J如公式(2)所示：
J(S,f)＝I(VSM,f)-βΣs∈SI(s,f) (2)
式中：f为初始数据集中的特征，S为由初始数据集中挑选出的特征构成的新的特征集，s为由初始数据集中挑选出的特征，I为两变量之间的MI，β为用于调整筛选特征数量的自定义取值，取值范围为[0.5，1]。
构建评价函数J，并建立特征预处理进程，以剔除众多特征中的冗余特征，在剔除冗余特征后的数据集中，利用套袋最近邻预测独立性检验(Bagging Nearest-NeighborPrediction independence Test，BNNPT)筛选出与VSM高度非线性相关的特征，利用皮尔逊相关系数(Pearson Correlation Coefficient，PCC)筛选出与VSM高度线性相关的特征。
在采用BNNPT筛选出与VSM高度非线性相关的特征时，包括以下步骤：
对于两长度为N的向量X，Y，首先基于X构造一个套袋邻域结构，此邻域结构是一个N行，K(套袋数)列的索引矩阵，将XNei(i,j)定义为元素Xi的第j 个套袋最近邻元素(Nei(i,j)≠i)，Nei(i,j)的值按照如下方式采样：由Xi的邻域结构随机抽取m个元素，选取距离Xi最近的一个元素Xnearest，令Nei(i,j) ＝nearst。当构造完邻域结构，则对于向量Y的每个元素Yi，可以得到一个套袋最近邻估计值Hi，即：
Hi＝sum(YNei(i,j),j)/bags (3)
令SE＝||H-Y||2，以此来检验X预测Y的准确程度。为检验统计学上的显著性水平，以SE为检验统计量进行排列检验。将Y中元素排列顺序随机打乱多次，计算SErandom≤SE的概率，作为假设检验的P值。定义SEBNNPT(X,Y,b,m)为由 X预测Y所构建的套袋最近邻估计值残差的平方根，其中b为套袋数，零假设如公式(4)：
SEBNNPT(X,Y,b,m)＝SEBNNPT(X,Y',b,m)
Y'～Random shuffle(Y) (4)
ρ(x,y)为特征量X，Y的皮尔逊相关系数，计算公式如(5)所示。
Figure RE-RE-GDA0002555194570000041
式中：n为单个特征量的维度；
Figure RE-RE-GDA0002555194570000042
及
Figure RE-RE-GDA0002555194570000043
分别为X和Y所含元素的平均值。
一种特征选择框架，它可对样本集进行关键特征选择，它包括特征预处理进程，在建立特征预处理进程时，采用以下步骤：
(1)初始化S为空集，设定一个大于0的数μ；
(2)从初始数据集中选出令I(VSM,f)为最大值时的特征f，将其挑选出并放入集合S中，作为S中的第一个特征，I(VSM,f)为两变量之间的互信息 (Mutual Information，MI)；
(3)激活评价函数J，遍历S中余下的所有特征，如果J(S,fk)max＞μ，则将特征fk由初始数据集中选入S中；
(4)对于特征数不断变化的初始数据集与集合S，重复步骤(2)和(3)，直至两个集合中的特征数量不再发生变化。
评价函数J可通过MI构建而成，构建评价函数J如公式(2)所示：
J(S,f)＝I(VSM,f)-βΣs∈SI(s,f) (2)
式中：f为初始数据集中的特征，S为由初始数据集中挑选出的特征构成的新的特征集，s为由初始数据集中挑选出的特征，I为两变量之间的MI，β为用于调整筛选特征数量的自定义取值，取值范围为[0.5，1]。
构建评价函数J，并建立特征预处理进程，以剔除众多特征中的冗余特征，在剔除冗余特征后的数据集中，利用套袋最近邻预测独立性检验(Bagging Nearest-NeighborPrediction independence Test，BNNPT)筛选出与VSM高度非线性相关的特征，利用皮尔逊相关系数(Pearson Correlation Coefficient，PCC)筛选出与VSM高度线性相关的特征。
采用上述技术方案，能带来以下技术效果：
(1)设计了一种有效的特征选择框架，克服了维数诅咒。此外，当关键特征被选择出来时，特征的冗余度可以显著降低。利用所提出的特征选择框架，可以实现更有效的特征选择；
(2)提出了一种针对电力系统静态电压稳定评估的数据驱动方法，实现了 VSM的快速预测。与传统的数据驱动工具相比，所提出的基于RBF的数据驱动方法能够克服传统预测模型计算量大、局部最优、过拟合和数据丢失等缺点。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1是本发明方法流程图；
图2是本发明提出的基于MI、BNNPT及PCC的特征选择框架；
图3是本发明提出的基于RBF的电压稳定评估模型；
图4是本发明实例中IEEE 30节点系统示意图；
图5是本发明实例中所提出方法对IEEE 30节点系统及7917节点系统负载分布不确定性的鲁棒性测试结果；
图6是本发明实例中所提出方法对IEEE 30节点系统及7917节点系统发电机出力分布不确定性的鲁棒性测试结果。
具体实施方式
一种针对电力系统静态电压稳定评估的数据驱动方法，如图1所示，包括以下步骤：
步骤一)：基于电力系统历史运行数据，利用连续潮流法确定电压稳定极限，并构建电压稳定裕度(Voltage Stability Margin，VSM)指标，建立初始的数据集；
步骤二)：基于相关性探索工具，构建特征选择框架，并利用此框架对初始样本集进行关键特征选择，建立由关键特征及相应的VSM构成的样本集；
步骤三)：基于特征选择后的样本集，对随机比特森林(Random Bits Forest，RBF)进行训练及更新，形成基于RBF的电压稳定评估模型；
步骤四)：基于同步相量测量单元与广域测量系统实时收集的电力系统运行数据，选择相应的特征，利用已训练的电压稳定评估模型完成实时电压稳定评估。
在步骤一)中，具体的，电力公司可提供大量历史电力系统工作点的运行数据，针对每个工作点，利用连续潮流法，确定电压稳定极限(即电压崩溃点)。利用工作点与电压崩溃点之间的负载有功功率差值，构建连续的VSM指标。其中，每个工作点的稳态运行数据为特征，对应的，都具有一个稳定裕度指标，形成特征与指标的对应关系。
稳态运行数据包括同步相量测量单元所收集的有功/无功潮流、节点电压幅值及相角等特征。相应的VSM构造如公式(1)所示。
Figure RE-RE-GDA0002555194570000061
式中：
Figure RE-RE-GDA0002555194570000062
代表电压达到崩溃点时的负载有功功率，P0代表某一个初始运行点的有功功率。
将某一个运行点的各个特征与对应VSM构建一个行向量{x1,...,xP,y}，其中 xi(i＝1,…,P)代表某一个特征量，y代表对应的VSM。当大量的样本被生成，则可以获得初始的数据集{X1,...,XP,Y}，其中Xi(i＝1,…,P)代表大量样本的同一个特征量构成的列向量，Y代表各样本对应的VSM列向量。
在构建数据集时，综合考虑多种可能影响电力系统稳定状态的因素，其中包括负载和发电机出力分布的不确定性，电力系统拓扑变化等。以负载分布不确定为例，将系统的每个负载都作为一个服从正态分布的随机变量，保持正态分布的概率密度函数的均值为初始负载大小，通过改变其标准差，可以使负载增长方向产生不同程度的变化。类似的，发电机出力分布的不确定性也可以以此方法模拟。对于电网拓扑变化，由于可信的紧急事故列表大多可在电力公司获得，则对应每一个紧急事故，对于各个事故后的电网拓扑建立对应的数据集。
在步骤二)中：具体的，特征数会随着电网规模的增大而极速增长，处理大量的特征将会耗费大量的计算资源，而且其中还存在着大量与其他特征高度相关的冗余特征。因此建立一个特征选择框架，如图2所示。
使用的相关性探索工具包括：MI、BNNPT和PCC。
利用MI构建一个评价函数J，并建立特征预处理进程，以剔除众多特征中的冗余特征。
特征预处理进程作为特征选择框架中的第一步，构建评价函数J如公式(2) 所示。
J(S,f)＝I(VSM,f)-βΣs∈SI(s,f) (2)
式中：f为初始数据集中的特征，S为由初始数据集中挑选出的特征构成的新的特征集，s为由初始数据集中挑选出的特征，I为两变量之间的MI，β为用于调整筛选特征数量的自定义取值，取值范围为[0.5，1]。
所建立的特征预处理进程，包括如下步骤：
(1)初始化S为空集，设定一个大于0的数μ；
(2)从初始数据集中选出令I(VSM,f)为最大值时的特征f，将其挑选出并放入集合S中，作为S中的第一个特征，I(VSM,f)为两变量之间的互信息 (Mutual Information，MI)；
(3)激活评价函数J，遍历S中余下的所有特征，如果J(S,fk)max＞μ，则将特征fk由初始数据集中选入S中；
(4)对于特征数不断变化的初始数据集与集合S，重复步骤(2)和(3)，直至两个集合中的特征数量不再发生变化。
在剔除冗余特征后的数据集中，利用BNNPT筛选出与VSM高度非线性相关的特征，利用PCC筛选出与VSM高度线性相关的特征。
关于BNNPT，对于两长度为N的向量X，Y，首先基于X构造一个套袋邻域结构，此邻域结构是一个N行，K(套袋数)列的索引矩阵，将XNei(i,j)定义为元素Xi的第j个套袋最近邻元素(Nei(i,j)≠i)，Nei(i,j)的值按照如下方式采样：由Xi的邻域结构随机抽取m个元素，选取距离Xi最近的一个元素Xnearest，令Nei(i,j)＝nearst。当构造完邻域结构，则对于向量Y的每个元素Yi，可以得到一个套袋最近邻估计值Hi，即：
Hi＝sum(YNei(i,j),j)/bags (3)
令SE＝||H-Y||2，以此来检验X预测Y的准确程度。为检验统计学上的显著性水平，以SE为检验统计量进行排列检验。将Y中元素排列顺序随机打乱多次，计算SErandom≤SE的概率，作为假设检验的P值。定义SEBNNPT(X,Y,b,m)为由 X预测Y所构建的套袋最近邻估计值残差的平方根，其中b为套袋数，零假设如公式(4)：
SEBNNPT(X,Y,b,m)＝SEBNNPT(X,Y',b,m)
Y'～Random shuffle(Y) (4)
ρ(x,y)为特征量X，Y的皮尔逊相关系数，计算公式如(5)所示。
Figure RE-RE-GDA0002555194570000081
式中：n为单个特征量的维度；
Figure RE-RE-GDA0002555194570000082
及
Figure RE-RE-GDA0002555194570000083
分别为X和Y所含元素的平均值。
构建特征选择框架以实现关键变量的挑选，有效地降低数据集的维度，建立高效样本集，从而提升数据驱动方法的训练效率。
在步骤三)中：具体的，采用一种结合神经网络，Boosting，随机森林的新型数据驱动算法RBF构建如图3所示的电压稳定评估模型。
关于RBF的建立，包括以下步骤：
(1)首先输入特征量通过减去其平均值再除以其标准差以实现标准化。
(2)然后通过对一系列具有随机权重的三层稀疏神经网络进行梯度提升，将特征转化为随机特征。将具有随机权重的三层稀疏神经网络称作随机比特，神经网络的构建过程使用了两个参数：twist1(连接到每个隐藏神经元的特征数) 和twist2(隐藏神经元数量)。随机分配与隐藏神经元相连的特征并从标准正态分布中提取层间权重。隐藏神经元和输出神经元都为阈值单元，每个神经元的阈值的确定都是通过计算第i个样本Zi输入特征的线性求和，并随机选取一个Zi作为阈值。为了生成更多的随机比特，采用梯度提升算法。该算法使用B个独立的提升链，每个提升链都有N步。每个提升链都经过标准的梯度提升过程，每一步生成C个随机比特特征(C>100)。由每个独立的提升链中的随机比特，形成一个大的特征集合。
(3)最终生成的随机比特与改进的随机森林(每棵树都有一个引导样本和用户指定数量的引导位，用户可以调整引导位的数量)结合，形成RBF。标准化后的特征输入到改进的随机森林中，进行预测。
通过将由关键特征构成的特征集作为RBF的训练输入，相应的VSM作为 RBF的对应训练输出，完成训练过程，形成特征与指标间的映射关系，构建基于RBF的电压稳定评估模型。训练过程分为两步：离线训练，更新阶段。其中离线训练基于历史运行数据构成的数据集，更新阶段包含如下步骤：
(1)针对每一个紧急事故所建立对应的离线数据集，训练一个对应的基于 RBF的电压稳定评估模型，最终形成对应可信的紧急事故的一系列模型；
(2)若电网的拓扑关系发生改变且对应的拓扑已被包含在离线数据集中，则选出其对应的评估模型用于新的电网拓扑；
(3)若新的电网拓扑不包含在离线数据集中，且已有的所有模型都不能提供合格的评估结果，则对应此拓扑建立新的数据集并训练新的评估模型。
在步骤四)中：基于同步相量测量单元与广域测量系统实时收集的电力系统运行数据，选择相应的特征数据，利用已训练的对应的电压稳定评估模型完成实时电压稳定评估。
实施例1：本发明使用的实施例1基于如图4所示的IEEE 30节点系统，该系统包含30个节点，6台发电机以及37条传输线路。本次测试包括本发明方法所述所有步骤，通过在一台装有Intel Core i7处理器和8GB内存的计算机上进行测试，并获得了测试结果。本次测试获取了4270个初始样本并具有526个初始特征，选取P值为0的变量以及ρ为所有变量中排名前5％的变量为特征。将样本集的80％用于训练，其余20％用于性能测试，经过5倍交叉验证，得到了稳定的结果。采用R2及RMSE评估预测性能，计算公式如下：
Figure RE-RE-GDA0002555194570000091
Figure RE-RE-GDA0002555194570000092
式中：Yi为实际VSMi值；Yi *为评估模型预测值；
Figure RE-RE-GDA0002555194570000101
为Yi的平均值；m为测试样本数。
最终模型的测试精度达到R2＝0.9847，RMSE＝0.0179(R2越接近于1，RMSE 越接近于0代表模型的预测精度更高，一般可接受的精度为R2≥0.9，对于IEEE 30节点系统而言，R2≥0.9同时对应于RMSE≤0.0457)，可见精度满足实际需要，符合本发明要达到的目的。
计算时间衡量评估模型能否满足实时在线评估的一个重要指标。为了验证模型的处理速度是否能满足无缝的在线动态安全评估，对于IEEE 30节点系统做了处理速度测试，最终处理速度测试结果如表1所示。根据实际同步相量测量单元的数据采集速度，处理速度一个系统快照的时间要小于0.033秒，从测试结果可以看出，该模型满足实际需要，符合本发明要达到的目的。
表1
测试系统 离线训练时间 测试集处理时间
IEEE 30节点 25.88秒(3416个样本) 1.59秒(854个样本)
7917节点 133.63秒(8568个样本) 4.21秒(2142个样本)
为了验证模型相较于其他传统方法的优越性，与其他方法做了同等条件下的性能测试。表2所示的测试结果表明，本发明提出的方法预测性能整体优于其他传统方法，符合本发明要达到的目的。
表2
Figure RE-RE-GDA0002555194570000102
为了验证模型适应电力系统拓扑变化的鲁棒性，改变测试系统的拓扑结构，生成新的样本用于测试模型，最终预测性能如表3所示。从测试结果可以看出，该模型在适应拓扑变化时具有良好的鲁棒性，符合本发明要达到的目的。
表3
Figure RE-RE-GDA0002555194570000111
为了验证模型适应负载分布不确定性的鲁棒性，通过将负载的概率密度函数的标准差分别设置为原负载的5％、10％、15％和20％，模拟4种不同程度的不确定性。最终测试结果的RMSE值如图5所示，由测试结果可以看出，随着不确定性程度增加，方法的精度呈现下降趋势。然而即使在本次测试的最大不确定性情况下，本发明中所提出的模型仍能保持较好的预测精度。可以看出该模型在适应负载分布不确定性时具有良好的鲁棒性。
为了验证模型适应发电机出力分布不确定性的鲁棒性，通过将发电机有功的的概率密度函数的标准差分别设置为原有功的3％、6％、9％和12％，模拟4种不同程度的不确定性。最终测试结果如图6所示，类似于对于负载分布不确定性的测试结果，可以看出本发明中所提出的模型适应发电机出力分布不确定性时具有良好的鲁棒性。
实施例2：本发明使用的实施例2基于一个实际的7917个节点的电力系统，该系统包含7917个节点，1325台发电机，5590个负载以及10796条传输线路。测试硬件条件同实施例1。本次测试获取了10710个初始样本并具有161109个初始特征，选取P值为0的变量以及ρ为所有变量中排名前0.5％的变量为特征。最终模型的测试精度达到R2＝0.9616，RMSE＝0.0163(R2越接近于1，RMSE越接近于0代表模型的预测精度更高，一般可接受的精度为R2≥0.9，对于IEEE 30 节点系统而言，R2≥0.9同时对应于RMSE≤0.0263)，可见精度满足实际需要，符合本发明要达到的目的。
相应的在此系统上进行的处理速度测试结果如表1所示。由此可见，本发明所提出的模型对于大型系统(7917节点系统)也满足在线评估的处理速度要求。
为了测试本发明所提出的模型在7917节点系统下是否能优于其他方法，与其他方法做了同等条件下的性能测试。图6所示的测试结果表明，本发明提出的方法对于7917节点系统仍然能优于其他传统方法，符合本发明要达到的目的。
为了验证本发明所提出的模型对于7917节点系统的拓扑变化是否仍具有较好的鲁棒性，改变7917节点系统的拓扑结构生成新的样本用于测试，最终预测性能如表4所示。从测试结果可以看出，本发明所提出的方法适应7917节点系统的拓扑变化时具有良好的鲁棒性，符合本发明要达到的目的。
表4
Figure RE-RE-GDA0002555194570000121
为了验证本文所提出的模型对于7917节点系统是否仍能保持对于负载/发电机出力分布不确定性的鲁棒性，对7917节点系统进行类似于IEEE 30节点系统的测试，测试结果得RMSE值分别如图5、图6所示。从图中结果可以看出，本发明所提出的模型对于7917节点系统仍能保持对于负载/发电机出力分布不确定性的鲁棒性，符合本发明要达到的目的。

Claims (10)

1.一种针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，包括以下步骤：
步骤一)：基于电力系统历史运行数据，利用连续潮流法确定电压稳定极限，并构建电压稳定裕度指标，建立初始的数据集；
步骤二)：基于相关性探索工具，构建特征选择框架，并利用此框架对初始样本集进行关键特征选择，建立由关键特征及相应的电压稳定裕度构成的样本集；
步骤三)：基于特征选择后的样本集，对随机比特森林进行训练及更新，形成基于随机比特森林的电压稳定评估模型；
步骤四)：基于同步相量测量单元与广域测量系统实时收集的电力系统运行数据，选择相应的特征，利用已训练的电压稳定评估模型完成实时电压稳定评估。
2.根据权利要求1所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于：在步骤一)中，从历史电力系统工作点的运行数据中，针对每个工作点，利用连续潮流法，确定电压稳定极限即电压崩溃点，利用工作点与电压崩溃点之间的负载有功功率差值，构建连续的VSM指标，其中，每个工作点的稳态运行数据为特征，对应的都具有稳定裕度指标，形成特征与指标的对应关系。
3.根据权利要求2所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于：所述稳态运行数据包括同步相量测量单元所收集的有功/无功潮流、节点电压幅值及相角等特征，相应的VSM构造如公式(1)所示，
Figure FDA0002498897020000011
式中：
Figure FDA0002498897020000012
代表电压达到崩溃点时的负载有功功率，P0代表某一个初始运行点的有功功率。
4.根据权利要求3所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于：将某运行点的各个特征与对应VSM构建一个行向量{x1,...,xP,y}，其中xi(i＝1,…,P)代表某一个特征量，y代表对应的VSM，当大量的样本被生成，则可以获得初始的数据集{X1,...,XP,Y}，其中Xi(i＝1,…,P)代表大量样本的同一个特征量构成的列向量，Y代表各样本对应的VSM列向量。
5.根据权利要求1所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，在步骤二)中，在基于相关性探索工具，构建特征选择框架时，采用以下步骤：
(1)初始化S为空集，设定一个大于0的数μ；
(2)从初始数据集中选出令I(VSM,f)为最大值时的特征f，将其挑选出并放入集合S中，作为S中的第一个特征，I(VSM,f)为两变量之间的互信息(Mutual Information，MI)；
(3)激活评价函数J，遍历S中余下的所有特征，如果J(S,fk)max>μ，则将特征fk由初始数据集中选入S中；
(4)对于特征数不断变化的初始数据集与集合S，重复步骤(2)和(3)，直至两个集合中的特征数量不再发生变化。
6.根据权利要求5所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，所述评价函数J可通过MI构建而成，构建评价函数J如公式(2)所示：
J(S,f)＝I(VSM,f)-β∑s∈SI(s,f) (2)
式中：f为初始数据集中的特征，S为由初始数据集中挑选出的特征构成的新的特征集，s为由初始数据集中挑选出的特征，I为两变量之间的MI，β为用于调整筛选特征数量的自定义取值，取值范围为[0.5，1]。
7.根据权利要求5或6所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，构建评价函数J，并建立特征预处理进程，以剔除众多特征中的冗余特征，在剔除冗余特征后的数据集中，利用套袋最近邻预测独立性检验(Bagging Nearest-NeighborPrediction independence Test，BNNPT)筛选出与VSM高度非线性相关的特征，利用皮尔逊相关系数(Pearson Correlation Coefficient，PCC)筛选出与VSM高度线性相关的特征。
8.根据权利要求7所述的针对电力系统静态电压稳定评估的数据驱动方法，其特征在于，在采用BNNPT筛选出与VSM高度非线性相关的特征时，包括以下步骤：
对于两长度为N的向量X，Y，首先基于X构造一个套袋邻域结构，此邻域结构是一个N行，K(套袋数)列的索引矩阵，将XNei(i,j)定义为元素Xi的第j个套袋最近邻元素(Nei(i,j)≠i)，Nei(i,j)的值按照如下方式采样：由Xi的邻域结构随机抽取m个元素，选取距离Xi最近的一个元素Xnearest，令Nei(i,j)＝nearst，当构造完邻域结构，则对于向量Y的每个元素Yi，可以得到一个套袋最近邻估计值Hi，即：
Hi＝sum(YNei(i,j),j)/bags (3)
令SE＝||H-Y||2，以此来检验X预测Y的准确程度，为检验统计学上的显著性水平，以SE为检验统计量进行排列检验，将Y中元素排列顺序随机打乱多次，计算SErandom≤SE的概率，作为假设检验的P值，定义SEBNNPT(X,Y,b,m)为由X预测Y所构建的套袋最近邻估计值残差的平方根，其中b为套袋数，零假设如公式(4)：
SEBNNPT(X,Y,b,m)＝SEBNNPT(X,Y',b,m)
Y'～Random shuffle(Y) (4)
ρ(x,y)为特征量X，Y的皮尔逊相关系数，计算公式如(5)所示，
Figure FDA0002498897020000031
式中：n为单个特征量的维度；
Figure FDA0002498897020000032
及
Figure FDA0002498897020000033
分别为X和Y所含元素的平均值。
9.一种特征选择框架，其特征在于，它可对样本集进行关键特征选择，它包括特征预处理进程，在建立特征预处理进程时，采用以下步骤：
(1)初始化S为空集，设定一个大于0的数μ；
(2)从初始数据集中选出令I(VSM,f)为最大值时的特征f，将其挑选出并放入集合S中，作为S中的第一个特征，I(VSM,f)为两变量之间的互信息(Mutual Information，MI)；
(3)激活评价函数J，遍历S中余下的所有特征，如果J(S,fk)max>μ，则将特征fk由初始数据集中选入S中；
(4)对于特征数不断变化的初始数据集与集合S，重复步骤(2)和(3)，直至两个集合中的特征数量不再发生变化。
10.根据权利要求9所述的特征选择框架，其特征在于，所述评价函数J可通过MI构建而成，构建评价函数J如公式(6)所示：
J(S,f)＝I(VSM,f)-β∑s∈SI(s,f) (6)
式中：f为初始数据集中的特征，S为由初始数据集中挑选出的特征构成的新的特征集，s为由初始数据集中挑选出的特征，I为两变量之间的MI，β为用于调整筛选特征数量的自定义取值，取值范围为[0.5，1]。
CN202010426426.9A 2020-05-19 2020-05-19 一种针对电力系统静态电压稳定评估的数据驱动方法 Active CN111628531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010426426.9A CN111628531B (zh) 2020-05-19 2020-05-19 一种针对电力系统静态电压稳定评估的数据驱动方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010426426.9A CN111628531B (zh) 2020-05-19 2020-05-19 一种针对电力系统静态电压稳定评估的数据驱动方法

Publications (2)

Publication Number Publication Date
CN111628531A true CN111628531A (zh) 2020-09-04
CN111628531B CN111628531B (zh) 2022-04-08

Family

ID=72258951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010426426.9A Active CN111628531B (zh) 2020-05-19 2020-05-19 一种针对电力系统静态电压稳定评估的数据驱动方法

Country Status (1)

Country Link
CN (1) CN111628531B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116424508A (zh) * 2022-12-31 2023-07-14 华中科技大学 基于gd加权融合rbfnn和随机森林的船舶稳性预报方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253531A1 (en) * 2011-03-30 2012-10-04 General Electric Company System and method for optimal load planning of electric vehicle charging
CN109376939A (zh) * 2018-11-01 2019-02-22 三峡大学 一种基于自适应神经网络的电网稳定性实时预测方法
CN110311376A (zh) * 2019-07-31 2019-10-08 三峡大学 一种电力系统动态安全评估综合模型及时空可视化方法
CN110428005A (zh) * 2019-07-31 2019-11-08 三峡大学 一种基于伞式算法的电力系统动态安全误分类约束方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253531A1 (en) * 2011-03-30 2012-10-04 General Electric Company System and method for optimal load planning of electric vehicle charging
CN109376939A (zh) * 2018-11-01 2019-02-22 三峡大学 一种基于自适应神经网络的电网稳定性实时预测方法
CN110311376A (zh) * 2019-07-31 2019-10-08 三峡大学 一种电力系统动态安全评估综合模型及时空可视化方法
CN110428005A (zh) * 2019-07-31 2019-11-08 三峡大学 一种基于伞式算法的电力系统动态安全误分类约束方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ROBERTO BATTITI: "Using Mutual Information for Selecting Features in Supervised Neural Net Learning", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 *
YI WANG: "Bagging Nearest-Neighbor Prediction independence Test: an efficient method for nonlinear dependence of two continuous variables", 《SCIENTIFIC REPORTS》 *
YOUPING FAN: "A Novel Online Estimation Scheme for Static Voltage Stability Margin Based on Relationships Exploration in a Large Data Set", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116424508A (zh) * 2022-12-31 2023-07-14 华中科技大学 基于gd加权融合rbfnn和随机森林的船舶稳性预报方法和系统
CN116424508B (zh) * 2022-12-31 2024-01-26 华中科技大学 基于gd加权融合rbfnn和随机森林的船舶稳性预报方法和系统

Also Published As

Publication number Publication date
CN111628531B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
Bahmanyar et al. Power system voltage stability monitoring using artificial neural networks with a reduced set of inputs
CN110417011B (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
Tong et al. Detection and classification of transmission line transient faults based on graph convolutional neural network
CN102074955B (zh) 基于知识发现技术的电力系统稳定评估及控制方法
CN111523785A (zh) 一种基于生成对抗网络的电力系统动态安全评估方法
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN111401749A (zh) 一种基于随机森林与极限学习回归的动态安全评估方法
CN108879732B (zh) 电力系统暂态稳定评估方法及装置
CN110542819A (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
CN108090615B (zh) 基于交叉熵集成学习的电力系统故障后最低频率预测方法
CN108336739A (zh) 一种基于rbf神经网络的概率潮流在线计算方法
Ghaghishpour et al. An intelligent method for online voltage stability margin assessment using optimized ANFIS and associated rules technique
Zheng et al. Real-time transient stability assessment based on deep recurrent neural network
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN109711435A (zh) 一种基于遗传算法的支持向量机在线电压稳定性监测方法
Du et al. Applying deep convolutional neural network for fast security assessment with N-1 contingency
CN111628531B (zh) 一种针对电力系统静态电压稳定评估的数据驱动方法
CN108805419B (zh) 基于网络嵌入与支持向量回归的电网节点重要度计算方法
Guo et al. On-line prediction of transient stability using decision tree method—Sensitivity of accuracy of prediction to different uncertainties
CN116933860A (zh) 暂态稳定评估模型更新方法、装置、电子设备及存储介质
CN111585277B (zh) 一种基于混合集成模型的电力系统动态安全评估方法
CN109861220B (zh) 电力系统分析用深度卷积神经网络张量输入构建方法
CN115983714A (zh) 边图神经网络电力系统静态安全评估方法及系统

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