CN111756034A - 基于图时空网络的电力系统暂态电压稳定评估方法 - Google Patents

基于图时空网络的电力系统暂态电压稳定评估方法 Download PDF

Info

Publication number
CN111756034A
CN111756034A CN202010537174.7A CN202010537174A CN111756034A CN 111756034 A CN111756034 A CN 111756034A CN 202010537174 A CN202010537174 A CN 202010537174A CN 111756034 A CN111756034 A CN 111756034A
Authority
CN
China
Prior art keywords
power system
graph
time network
time
graph space
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
CN202010537174.7A
Other languages
English (en)
Other versions
CN111756034B (zh
Inventor
陆超
罗永红
张晓华
冯长有
段方维
杨滢璇
刘芮彤
韩月
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.)
Tsinghua University
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
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 Tsinghua University, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN202010537174.7A priority Critical patent/CN111756034B/zh
Publication of CN111756034A publication Critical patent/CN111756034A/zh
Priority to US17/345,214 priority patent/US11967823B2/en
Application granted granted Critical
Publication of CN111756034B publication Critical patent/CN111756034B/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
    • H02J3/24—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid 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
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)

Abstract

本发明实施例提供一种基于图时空网络的电力系统暂态电压稳定评估方法，该方法包括：获取当前电力系统的拓扑和时序轨迹；将所述当前电力系统的拓扑和时序轨迹输入训练好的图时空网络模型中，其中，所述图时空网络模型是根据仿真样本集，以图时空网络进行分类学习得到的；输出电力系统的暂态电压稳定情况。本发明实施例采用图时空网络模型，通过图卷积以提取空间信息，将电力系统的拓扑也作为输入，能够更好地适应拓扑的变化。

Description

基于图时空网络的电力系统暂态电压稳定评估方法
技术领域
本发明涉及电力系统稳定分析评估技术领域，尤其涉及一种基于图时空网络的电力系统暂态电压稳定评估方法。
背景技术
随着电力负荷的逐年增长，可再生能源的接入以及电力市场的逐渐推行，电力系统运行在一个越来越严峻的环境下。当电力系统遭受大的扰动，如设备故障或线路短路时，电力系统可能会发生暂态电压失稳现象，进而导致大停电事故的发生。因此，在电力系统发生扰动后，迅速准确地判断电力系统的稳定性，有利于操作人员了解系统的状态，并针对不稳定的情况及时做出相应的控制措施。
由于广域测量系统的普及，利用PMU/SCADA数据的在线电力系统稳定性监测已经逐渐成为可能。目前在线监测电力系统暂态电压稳定性的方法主要有三种：第一种是利用分布式计算等方法加快电力系统仿真软件的速度；第二种方法是基于电力系统暂态电压稳定的基础理论采用直接法判断电力系统的稳定性；第三种方法是利用数据挖掘和机器学习的思想判断系统的暂态电压稳定性。由于理论基础的不完善，基于仿真软件的稳定性评估仍然是最为准确度的，其中第三种方法既利用了仿真软件的准确性也弥补了仿真软件仿真得过慢的缺陷，因此目前已有较多的研究采用机器学习/数据挖掘的方法对电力系统的稳定性进行评估。但是，目前采用机器学习/数据挖掘进行暂态电压稳定评估的方法，主要利用孤立时间断面的量测量作为输入信息，且没有利用网络的拓扑信息，当系统发生变化时，方法的适应性和可靠性将完全无法保证。
因此，现在亟需一种基于图时空网络的电力系统暂态电压稳定评估方法来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于图时空网络的电力系统暂态电压稳定评估方法。
本发明实施例提供的基于图时空网络的电力系统暂态电压稳定评估方法，包括：
获取当前电力系统的拓扑和时序轨迹；
将所述当前电力系统的拓扑和时序轨迹输入训练好的图时空网络模型中，其中，所述训练好的图时空网络模型是根据仿真样本集，以图时空网络进行分类学习得到的；
输出电力系统的暂态电压稳定情况。
进一步地，在所述获取当前电力系统的拓扑和时序轨迹之前，所述方法还包括：
构建仿真样本集，所述仿真样本集包括运行方式集，故障集和拓扑集；
构建图时空网络模型；
基于所述仿真样本集，对所述图时空网络模型进行训练。
进一步地，所述构建仿真样本集，所述仿真样本集包括运行方式集，故障集和拓扑集，包括：
从电力系统的运行数据库中搜集典型的运行方式构成运行方式集，设置不同的故障构成故障集，设置电力系统不同的拓扑变化构成拓扑集；
采用机电暂态仿真软件对电力系统在各种运行方式，故障和拓扑情况下进行多次时域仿真，得到所述仿真样本集。
进一步地，所述构建图时空网络模型，包括：
构建时空特性融合提取模块，提取时空特征，其中，所述时空特性融合提取模块是由多个时空特性提取模块堆叠而成，所述时空特性提取模块的图卷积层用于提取空间信息，时空特性提取模块的一维时间卷积层用于提取时间信息；
构建节点层特征提取模块，基于所述时空特征，对每个节点得到的多个维度的数据进行加权求和，得到每个节点对应的节点表征；
构建系统层模块，对所述每个节点对应的节点表征进行标准化并取绝对值，与经softmax函数处理后的系统层参数相乘计算后，再经softmax函数输出评估结果。
进一步地，所述基于所述仿真样本集，对所述图时空网络模型进行训练，包括：
将所述仿真样本集分为第一样本集和第二样本集；
基于所述第一样本集，采用随机梯度算法对所述图时空网络模型进行训练，并通过所述第二样本集进行测试；
当测试准确率超过预设阈值时，得到训练好的图时空网络模型。
进一步地，所述方法还包括：
基于训练后的图时空网络模型中系统层的参数，确定电力系统各节点对暂态电压稳定性的影响。
本发明实施例提供的一种基于图时空网络的电力系统暂态电压稳定评估方法，采用图时空网络模型，通过图卷积以提取空间信息，将电力系统的拓扑也作为输入，能够更好地适应拓扑的变化，具有更好的可靠性和适应性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的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为本发明实施例提供的电网结构示意图；
图2为本发明实施例提供的基于图时空网络的电力系统暂态电压稳定评估方法的流程示意图；
图3为本发明实施例提供的图时空网络模型结构示意图；
图4为本发明实施例提供的时空特性提取模块的具体结构示意图；
图5为本发明实施例提供的训练后图时空网络的系统层参数示意图；
图6为本发明实施例提供的基于系统层参数解释时涉及的多直流馈入地区的站点示意图。
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的附图，对本发明实施例中的技术方案进行清楚、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。基于本发明中的实施例，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。
图1为本发明实施例提供的电网结构示意图，可参考图1所示，为本发明实施例提供的一个应用实施例。图2为本发明实施例提供的基于图时空网络的电力系统暂态电压稳定评估方法的流程示意图，如图2所示，本发明实施例提供了一种基于图时空网络的电力系统暂态电压稳定评估方法，包括：
步骤201，获取当前电力系统的拓扑和时序轨迹；
步骤202，将所述当前电力系统的拓扑和时序轨迹输入训练好的图时空网络模型中，其中，所述图时空网络模型是根据仿真样本集，以图时空网络进行分类学习得到的。
步骤203，输出电力系统的暂态电压稳定情况。
在本发明实施例中，首先需要采用相量测量装置监测电力系统的状态，当所观测的电力系统遭受暂态故障时，电力系统中各变电站的相量测量单元实时获取故障清除后的电压时序轨迹V，有功功率注入轨迹P和无功功率注入轨迹Q。此外，还需要获取电力系统目前的拓扑W。
进一步地，在步骤202中，将时序轨迹和拓扑输入到训练好的图时空网络模型中，其中，图时空网络模型是根据仿真软件仿真得到的仿真样本集，以图时空网络进行分类学习得到的。最后，通过步骤203，输出电力系统的暂态电压稳定情况，当失稳时，发出告警信号，从而可尽快采取相应措施。
本发明实施例提供的基于图时空网络的电力系统暂态电压稳定评估方法，采用图时空网络模型，通过图卷积以提取空间信息，将电力系统的拓扑也作为输入，能够更好地适应拓扑的变化，具有更好的可靠性和适应性。
在上述实施例的基础上，在所述获取当前电力系统的拓扑和时序轨迹之前，所述方法还包括：
构建仿真样本集，所述仿真样本集包括运行方式集，故障集和拓扑集；
构建图时空网络模型；
基于所述仿真样本集，对所述图时空网络模型进行训练。
由上述实施例的内容可知，本发明实施例提供了一个训练好的图时空网络模型对电力系统的暂态电压稳定情况进行评估。在训练好图时空网络模型之前，首先需要构建仿真数据集、构建图时空网络模型，并根据预设方式对模型进行训练。
在上述实施例的基础上，所述构建仿真样本集，所述仿真样本集包括运行方式集，故障集和拓扑集，包括：
从电力系统的运行数据库中搜集典型的运行方式构成运行方式集，设置不同的故障构成故障集，设置电力系统不同的拓扑变化构成拓扑集；
采用机电暂态仿真软件对电力系统在各种运行方式，故障和拓扑情况下进行多次时域仿真，得到所述仿真样本集。
在本发明实施例中，每次仿真都需要记录所研究的电力系统中的观测电站在故障清除后Δt时间内，电压时序轨迹V，有功功率注入轨迹P和无功功率注入轨迹Q，所研究电力系统的拓扑W；此外，记录电力系统最终的电压稳定状态C，将这些信息(V,P,Q,W,C)构成一个仿真样本。在本发明实施例中，设置所监测电力系统中所含的节点个数为n，采用的故障清除后时序轨迹的长度为N，则仿真样本中的故障后时序轨迹信息V，P，Q的维度为n*N。系统的网络拓扑W采用节点导纳矩阵进行表示，维度为n*n。进行K次时域仿真就得到K个仿真样本，从而构成后续学习和测试的仿真样本集。
在上述实施例的基础上，所述构建图时空网络模型，包括：
构建时空特性融合提取模块，提取时空特征，其中，所述时空特性融合提取模块是由多个时空特性提取模块堆叠而成，所述时空特性提取模块的图卷积层用于提取空间信息，时空特性提取模块的一维时间卷积层用于提取时间信息；
构建节点层特征提取模块，基于所述时空特征，对每个节点得到的多个维度的数据进行加权求和，得到每个节点对应的节点表征；
构建系统层模块，对所述每个节点对应的节点表征进行标准化并取绝对值，与经softmax函数处理后的系统层参数相乘计算后，再经softmax函数输出评估结果。
图3为本发明实施例提供的图时空网络模型结构示意图，图4为本发明实施例提供的时空特性提取模块的具体结构示意图，可参考图3和图4所示，本发明实施例提供的图时空网络模型包括时空特性融合提取模块，节点层特征提取模块，系统层模块。
其中，时空特性融合提取模块由多个时空特性提取模块堆叠，并取各个模块的融合信息作为模块的输出，每个时空特性模块由一个图卷积层，一个一维的时间卷积层，一个归一化层和一个dropout层组成。
图卷积层中的图卷积采用Chebyshev图卷积。图卷积是提取具有图结构数据的空间信息的有效方法。Chebyshev图卷积是基于谱理论的一种图卷积方法，在谱理论中，图的数学表示是标准化的拉普拉斯矩阵，定义为：
L＝In-D-1/2WD-1/2；
其中，W是所研究电力系统的拓扑，即节点导纳矩阵，D是W的节点度矩阵，In是单位矩阵。拉普拉斯矩阵L具有对称半正定特性，可进行分解如下：
L＝UΔUT；
其中，Δ是由特征值组成的对角矩阵，U是对应于特征值的特征向量矩阵。用Chebyshev滤波器对输入信号电压时序轨迹V，注入有功功率P和注入无功功率Q进行图卷积，表示为：
Figure BDA0002537465680000061
P＝[p1 p2 ...... pn]T；
Figure BDA0002537465680000071
Q＝[q1 q2 ...... qn]T；
Figure BDA0002537465680000072
V＝[v1 v2 ...... vn]T；
其中，
Figure BDA0002537465680000073
Figure BDA0002537465680000074
其中λmax是L进行特征值分解后得到的最大特征值，
Figure BDA0002537465680000075
为实现图卷积的Chebyshev矩阵，K为Chebyshev阶次，θ是图卷积层中需要学习的参数。P_gcni,Q_gcni,V_gcni是经过图卷积层后的序列，i＝1,2,……,n。
进一步地，在经过图卷积层提取空间信息之后，采用一维时间卷积以提取时间信息：
Pindex_nodei＝1D_conv(P_gcni)；
Figure BDA0002537465680000078
Qindex_nodei＝1D_conv(Q_gcni)；
Q_gcni＝[q_gcn1 q_gcn2 ...... q_gcnN]；
Vindex_nodei＝1D_conv(V_gcni)；
V_gcni＝[v_gcn1 v_gcn2 ...... v_gcnN]；
需要说明的是，在本发明实施例中，为了防止过拟合，采用归一化层和dropout层提高模型的性能。
进一步地，为了从多个感知域提取时空特征，将多个时空特性模块进行堆叠，并采用它们的融合信息作为最终时空特性融合提取模块的输出：
Figure BDA0002537465680000076
Figure BDA0002537465680000077
Figure BDA0002537465680000081
其中Pindex_nodei,k，Qindex_nodei,k，Vindex_nodei,k是堆叠了k个时空特性提取模块，得到的第i个节点的表示，P_indexzi，Q_indexzi，V_indexzi是通过时空特性融合提取模块进行变换后得到的第i个节点的表示，Lc是所堆叠的时空特性提取模块的个数。
节点层特征提取模块对上面每个节点得到的多个维度的数据进行加权求和，从而针对每个节点得到相应的节点表征：
Figure BDA0002537465680000082
其中，SVS_nodei是所观测区域的节点表示，ψ1，ψ2，ψ3是节点特征提取层中的参数。
在上述实施例的基础上，对所述每个节点对应的节点表征进行标准化并取绝对值，与经softmax函数处理后的系统层参数相乘，再经softmax函数进行输出，用公式表示为：
SVS_system＝softmax(softmax(S)T·SVS_NODE)；
SVS_NODE＝[SVS_node1...SVS_noden]；
其中，S是系统层的参数，SVS_system是最终输出的暂态电压稳定性评估结果，SVS_NODE是节点层给出的每个站点的融合了时空信息的节点表示。
在上述实施例的基础上，所述基于所述仿真样本集，对所述图时空网络模型进行训练，包括：
将所述仿真样本集分为第一样本集和第二样本集；
基于所述第一样本集，采用随机梯度算法对所述图时空网络模型进行训练，并通过所述第二样本集进行测试；
当测试准确率超过预设阈值时，得到训练好的图时空网络模型。
在本发明实施例中，训练过程选用不同的超参数，如训练轮数，学习率等，对图时空网络模型进行训练，并测试。当测试准确率达到了预设的标准时，将对应的图时空网络模型和参数进行保存，得到训练后的图时空网络模型。
在上述实施例的基础上，所述方法还包括：
基于训练后的图时空网络模型中系统层的参数，确定电力系统各节点对暂态电压稳定性的影响。
在本发明实施例中，训练好的图时空网络模型中的参数可以提供关于所观测电力系统的有用信息，例如系统层中的参数。当某站点对应的系统层参数为正时，说明该站点对暂态电压稳定起着积极的作用，当某站点对应的系统层参数为负时，说明该站点对暂态电压稳定起着消极的作用。基于系统层的参数，可以作为站点配置无功电源，如并联电容器，statcom的参考。图5为本发明实施例提供的训练后图时空网络的系统层参数示意图，如图5所示，对应系统层参数最低的站点是BA站点，事实上，该站点空间邻近的几个站点，包括XD，CW，ZZ，PC，DF对应的系统层参数都是负值，说明它们对暂态电压稳定性有消极的影响。图6为本发明实施例提供的基于系统层参数解释时涉及的多直流馈入地区的站点示意图，如图6所示，BA，XD，CW，ZZ，PC和DF正好处于多直流落点区域，而交流和直流系统的相互作用导致直流受端区域的电压稳定性薄弱，这与系统层参数体现的规律一致。DG站点对应的系统层参数最高，而这一站点配置有200Mvar的statcom，并有配有励磁调节器的发电站在附近。众所周知，statcom和配有励磁调节器的发电站对电压稳定性有积极影响，本发明实施例中系统层参数体现的规律与这一结论一致，说明了系统层参数的有效性。
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 (6)

1.一种基于图时空网络的电力系统暂态电压稳定评估方法，其特征在于，包括：
获取当前电力系统的拓扑和时序轨迹；
将所述当前电力系统的拓扑和时序轨迹输入训练好的图时空网络模型中，其中，所述训练好的图时空网络模型是根据仿真样本集，以图时空网络进行分类学习得到的；
输出电力系统的暂态电压稳定情况。
2.根据权利要求1所述的基于图时空网络的电力系统暂态电压稳定评估方法，其特征在于，在所述获取当前电力系统的拓扑和时序轨迹之前，所述方法还包括：
构建仿真样本集，所述仿真样本集包括运行方式集，故障集和拓扑集；
构建图时空网络模型；
基于所述仿真样本集，对所述图时空网络模型进行训练。
3.根据权利要求2所述的基于图时空网络的电力系统暂态电压稳定评估方法，其特征在于，所述构建仿真样本集，所述仿真样本集包括运行方式集，故障集和拓扑集，包括：
从电力系统的运行数据库中搜集典型的运行方式构成运行方式集，设置不同的故障构成故障集，设置电力系统不同的拓扑变化构成拓扑集；
采用机电暂态仿真软件对电力系统在各种运行方式，故障和拓扑情况下进行多次时域仿真，得到所述仿真样本集。
4.根据权利要求2所述的基于图时空网络的电力系统暂态电压稳定评估方法，其特征在于，所述构建图时空网络模型，包括：
构建时空特性融合提取模块，提取时空特征，其中，所述时空特性融合提取模块是由多个时空特性提取模块堆叠而成，所述时空特性提取模块的图卷积层用于提取空间信息，时空特性提取模块的一维时间卷积层用于提取时间信息；
构建节点层特征提取模块，基于所述时空特征，对每个节点得到的多个维度的数据进行加权求和，得到每个节点对应的节点表征；
构建系统层模块，对所述每个节点对应的节点表征进行标准化并取绝对值，与经softmax函数处理后的系统层参数相乘计算后，再经softmax函数输出评估结果。
5.根据权利要求2所述的基于图时空网络的电力系统暂态电压稳定评估方法，其特征在于，所述基于所述仿真样本集，对所述图时空网络模型进行训练，包括：
将所述仿真样本集分为第一样本集和第二样本集；
基于所述第一样本集，采用随机梯度算法对所述图时空网络模型进行训练，并通过所述第二样本集进行测试；
当测试准确率超过预设阈值时，得到训练好的图时空网络模型。
6.根据权利要求2所述的基于图时空网络的电力系统暂态电压稳定评估方法，其特征在于，所述方法还包括：
基于训练后的图时空网络模型中系统层的参数，确定电力系统各节点对暂态电压稳定性的影响。
CN202010537174.7A 2020-06-12 2020-06-12 基于图时空网络的电力系统暂态电压稳定评估方法 Active CN111756034B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010537174.7A CN111756034B (zh) 2020-06-12 2020-06-12 基于图时空网络的电力系统暂态电压稳定评估方法
US17/345,214 US11967823B2 (en) 2020-06-12 2021-06-11 Method for monitoring short-term voltage stability of power system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010537174.7A CN111756034B (zh) 2020-06-12 2020-06-12 基于图时空网络的电力系统暂态电压稳定评估方法

Publications (2)

Publication Number Publication Date
CN111756034A true CN111756034A (zh) 2020-10-09
CN111756034B CN111756034B (zh) 2022-04-08

Family

ID=72675989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010537174.7A Active CN111756034B (zh) 2020-06-12 2020-06-12 基于图时空网络的电力系统暂态电压稳定评估方法

Country Status (2)

Country Link
US (1) US11967823B2 (zh)
CN (1) CN111756034B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446171A (zh) * 2020-11-09 2021-03-05 深圳供电局有限公司 电力系统暂态稳定监测方法、装置、终端设备及存储介质
CN112506909A (zh) * 2020-12-11 2021-03-16 清华大学 配电系统测量数据补全方法及系统、电子设备及存储介质
CN112561303A (zh) * 2020-12-10 2021-03-26 清华大学 基于集成学习和电网拓扑变化的电力系统动态分析方法
CN113537821A (zh) * 2021-07-30 2021-10-22 深圳供电局有限公司 一种电力系统状态的快速评估方法及系统
CN115935264A (zh) * 2023-03-09 2023-04-07 湖南大学 一种基于时空信息同步学习的电网暂态电压稳定评估方法
CN117872038A (zh) * 2024-03-11 2024-04-12 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置
CN118366314A (zh) * 2024-06-20 2024-07-19 北京航空航天大学 一种城市交通路网交通中断预测方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115189369B (zh) * 2022-07-18 2024-01-12 国网江苏省电力有限公司连云港供电分公司 基于数据驱动的交直流混合微电网故障后电压稳定性预测方法及系统
CN115360719B (zh) * 2022-08-30 2024-04-12 东北大学秦皇岛分校 基于plnn的电力系统短期电压稳定性评估方法
CN115391967B (zh) * 2022-10-27 2022-12-27 北京安帝科技有限公司 一种面向电力工业网络的安全场景仿真方法及系统
CN116244961A (zh) * 2023-03-20 2023-06-09 国网江苏省电力有限公司宿迁供电分公司 配电网故障场景仿真模拟方法、系统、介质及数字仿真系统
CN117635216B (zh) * 2023-12-22 2024-04-30 华南理工大学 基于改进gcn网络的共享单车需求量预测方法
CN118013862B (zh) * 2024-04-09 2024-07-05 湖南大学 一种风电场短期电压稳定性仿真模型构建、评估及监测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102255319A (zh) * 2011-07-15 2011-11-23 广东电网公司电力科学研究院 基于断面抽取的电网电压无功实时控制评估方法及系统
CN104617574A (zh) * 2015-01-19 2015-05-13 清华大学 一种电力系统负荷区域暂态电压稳定的评估方法
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
CN107482621A (zh) * 2017-08-02 2017-12-15 清华大学 一种基于电压时序轨迹的电力系统暂态电压稳定评估方法
JP2018019456A (ja) * 2016-07-25 2018-02-01 株式会社東芝 電制機選択方法、電制機選択プログラム及びその記録媒体
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
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
CN109713668A (zh) * 2019-01-24 2019-05-03 国电南瑞科技股份有限公司 一种新能源基地直流外送连锁脱网预警和防御系统及方法
CN109921414A (zh) * 2019-03-13 2019-06-21 华北电力大学 一种基于深度学习融合模型的电力系统暂态稳定评估方法
US20190214821A1 (en) * 2018-01-10 2019-07-11 General Electric Company System and Method for Optimizing Reactive Power Generation of a Wind Farm
CN110879917A (zh) * 2019-11-08 2020-03-13 北京交通大学 一种基于迁移学习的电力系统暂态稳定自适应评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351010A1 (en) * 2008-11-14 2014-11-27 Thinkeco Power Inc. System and method of democratizing power to create a meta-exchange
US9134353B2 (en) * 2009-02-26 2015-09-15 Distributed Energy Management Inc. Comfort-driven optimization of electric grid utilization

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102255319A (zh) * 2011-07-15 2011-11-23 广东电网公司电力科学研究院 基于断面抽取的电网电压无功实时控制评估方法及系统
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
CN104617574A (zh) * 2015-01-19 2015-05-13 清华大学 一种电力系统负荷区域暂态电压稳定的评估方法
JP2018019456A (ja) * 2016-07-25 2018-02-01 株式会社東芝 電制機選択方法、電制機選択プログラム及びその記録媒体
CN107482621A (zh) * 2017-08-02 2017-12-15 清华大学 一种基于电压时序轨迹的电力系统暂态电压稳定评估方法
US20190214821A1 (en) * 2018-01-10 2019-07-11 General Electric Company System and Method for Optimizing Reactive Power Generation of a Wind Farm
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
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
CN109713668A (zh) * 2019-01-24 2019-05-03 国电南瑞科技股份有限公司 一种新能源基地直流外送连锁脱网预警和防御系统及方法
CN109921414A (zh) * 2019-03-13 2019-06-21 华北电力大学 一种基于深度学习融合模型的电力系统暂态稳定评估方法
CN110879917A (zh) * 2019-11-08 2020-03-13 北京交通大学 一种基于迁移学习的电力系统暂态稳定自适应评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANJUN HUANG等: "3 Impact of Network Structure on Short-Term Voltage Stability Using Data-Driven Method", 《2019 IEEE INNOVATIVE SMART GRID TECHNOLOGIES - ASIA》 *
侯建兰等: "一种量化评估暂态电压稳定性的指标与方法", 《电力自动化设备》 *
朱利鹏: "基于时序轨迹特征学习的暂态电压稳定评估", 《电网技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446171A (zh) * 2020-11-09 2021-03-05 深圳供电局有限公司 电力系统暂态稳定监测方法、装置、终端设备及存储介质
CN112446171B (zh) * 2020-11-09 2023-11-07 深圳供电局有限公司 电力系统暂态稳定监测方法、装置、终端设备及存储介质
CN112561303A (zh) * 2020-12-10 2021-03-26 清华大学 基于集成学习和电网拓扑变化的电力系统动态分析方法
CN112506909A (zh) * 2020-12-11 2021-03-16 清华大学 配电系统测量数据补全方法及系统、电子设备及存储介质
CN112506909B (zh) * 2020-12-11 2022-06-21 清华大学 配电系统测量数据补全方法及系统、电子设备及存储介质
CN113537821A (zh) * 2021-07-30 2021-10-22 深圳供电局有限公司 一种电力系统状态的快速评估方法及系统
CN115935264A (zh) * 2023-03-09 2023-04-07 湖南大学 一种基于时空信息同步学习的电网暂态电压稳定评估方法
US11906957B1 (en) 2023-03-09 2024-02-20 Hunan University Method for assessing short-term voltage stability of power grid based on synchronous spatio-temporal information learning
CN117872038A (zh) * 2024-03-11 2024-04-12 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置
CN117872038B (zh) * 2024-03-11 2024-05-17 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置
CN118366314A (zh) * 2024-06-20 2024-07-19 北京航空航天大学 一种城市交通路网交通中断预测方法
CN118366314B (zh) * 2024-06-20 2024-08-13 北京航空航天大学 一种城市交通路网交通中断预测方法

Also Published As

Publication number Publication date
US20210391723A1 (en) 2021-12-16
CN111756034B (zh) 2022-04-08
US11967823B2 (en) 2024-04-23

Similar Documents

Publication Publication Date Title
CN111756034B (zh) 基于图时空网络的电力系统暂态电压稳定评估方法
CN111768082A (zh) 一种基于大数据分析的电力设备状态评估方法
CN110829417B (zh) 基于lstm双结构模型的电力系统暂态稳定预测方法
CN110458230A (zh) 一种基于多判据融合的配变用采数据异常甄别方法
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
CN111160241B (zh) 一种基于深度学习的配电网故障分类方法、系统和介质
Afrasiabi et al. Fast GRNN-based method for distinguishing inrush currents in power transformers
CN116610998A (zh) 一种基于多模态数据融合的开关柜故障诊断方法和系统
CN114091549A (zh) 一种基于深度残差网络的设备故障诊断方法
Shihabudheen et al. Detection of high impedance fault using machine learning techniques
Ndjakomo Essiane et al. Faults detection and identification in PV array using kernel principal components analysis
Dwivedi et al. DynamoPMU: A Physics Informed Anomaly Detection, Clustering and Prediction Method using Non-linear Dynamics on μPMU Measurements
MansourLakouraj et al. Event classification in active distribution grids using physics-informed graph neural network and PMU measurements
CN112363012A (zh) 一种电网故障预警装置及方法
Abianeh et al. Identification of small-signal dynamic faults in distribution systems utilizing intelligent classifiers
Zanoni et al. FExWaveS application for voltage dips origin assessment: optimization of the tool in views of its integration into the QuEEN monitoring system
Balouji et al. A deep learning approach to earth fault classification and source localization
Cui et al. High impedance fault detection method based on Data divergence in the distribution network
Das et al. Cross stockwell transform aided random forest based surface condition identification of metal oxide surge arrester employning leakage current signal
Murali et al. Forecasting and classification of power quality disturbance in smart grid using hybrid networks
Wang et al. Fault feeder detection method of distribution network based on gramian angular field and convolutional neural network
Benšić et al. Laboratory Experimental System for Ferroresonance Analysis
Zhou et al. Research on Data Classification and Risk Level Perception of Weak Distribution Network
Sofwan et al. Early Warning System of Landslide Disaster using Generalized Neural Network Algorithm
Li et al. Deep learning for classification of islanding and grid disturbance based on multi-resolution singular spectrum entropy

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