CN111985091A - 一种含upfc的电力系统的快速安全校正方法 - Google Patents
一种含upfc的电力系统的快速安全校正方法 Download PDFInfo
- Publication number
- CN111985091A CN111985091A CN202010743476.XA CN202010743476A CN111985091A CN 111985091 A CN111985091 A CN 111985091A CN 202010743476 A CN202010743476 A CN 202010743476A CN 111985091 A CN111985091 A CN 111985091A
- Authority
- CN
- China
- Prior art keywords
- node
- upfc
- adjustment
- voltage
- adjustment state
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012937 correction Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 239000004020 conductor Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000243 solution Substances 0.000 description 9
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- KUEUWHJGRZKESU-UHFFFAOYSA-N Niceritrol Chemical compound C=1C=CN=CC=1C(=O)OCC(COC(=O)C=1C=NC=CC=1)(COC(=O)C=1C=NC=CC=1)COC(=O)C1=CC=CN=C1 KUEUWHJGRZKESU-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
- H02J3/1807—Arrangements for adjusting, eliminating or compensating reactive power in networks using series compensators
- H02J3/1814—Arrangements for adjusting, eliminating or compensating reactive power in networks using series compensators wherein al least one reactive element is actively controlled by a bridge converter, e.g. unified power flow controllers [UPFC]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/10—Flexible AC transmission systems [FACTS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种含UPFC的电力系统的快速安全校正方法，包括以下步骤：A.获得含UPFC的电力系统工作运行时的节点调整状态以及节点调整状态范围，所述节点调整状态范围为参与调整的节点集合；B.基于节点调整状态范围，采用该节点预先建立的安全校正模型进行校正计算，所述安全校正模型的输入包括节点调整状态，输出为寻优空间内各设备的调整量；C.根据所述调整量对含UPFC的电力系统进行校正，并验证校正后各节点、支路是否满足系统安全稳定运行条件；若不满足系统安全稳定运行条件，则重复步骤A至B，直至满足后停止，输出该节点的调整量。本发明可对含UPFC电力系统进行精确、快速的校正。
Description
技术领域
本发明涉及一种含UPFC的电力系统的快速安全校正方法，属于电力系统校正领域。
背景技术
电力系统安全校正是一种通过对相关节点进行有功、无功注入来实现消除越限目的的调整策略。因此当电力系统在运行中出现电压越限或者支路潮流越限，引发了潮流转移甚至出现大规模波及性跳闸时，快速制定并采取安全校正策略，充分发挥UPFC的调控能力，对于保障电网安全运行具有重要意义。目前计及UPFC的实际电力系统的安全校正研究仍在起步阶段。当下安全校正的计算方法主要为两大类：灵敏度类方法和优化规划类方法，应用灵敏度法进行安全校正，具有较高的求解效率，然而由于UPFC参与调节需要无功功率这个电气量，但灵敏度法往往忽略无功功率的影响，因此对于含UPFC系统的安全校正问题灵敏度法不适用。目前已有研究提出利用优化法对含UPFC系统安全校正策略并且以发电机和负荷调整最小量为目标函数，但由于其迭代次数较多，计算时间较长，无法满足快速调整、消除越限的目的，而且该方法随着网络节点增加、优化变量增多时，可能出现不收敛问题。
发明内容
本发明是提供一种含UPFC的电力系统的快速安全校正方法，可对含UPFC电力系统进行精确、快速的校正。
为达到上述目的，本发明所采用的技术方案是：一种含UPFC的电力系统的快速安全校正方法，包括以下步骤：A.获得含UPFC的电力系统工作运行时的节点调整状态以及节点调整状态范围，所述节点调整状态范围为参与调整的节点集合；B.基于节点调整状态范围，采用该节点预先建立的安全校正模型进行校正计算，所述安全校正模型的输入包括节点调整状态，输出为寻优空间内各设备的调整量；C.根据所述调整量对含UPFC的电力系统进行校正，并验证校正后各节点、支路是否满足系统安全稳定运行条件；若不满足系统安全稳定运行条件，则重复步骤A至B，直至满足后停止，输出该节点的调整量。
进一步地，所述安全校正模型为：
其中，minf表示系统中设备最小调整量，
表示安全校正过程中的调整量，sPi、sQi分别表征节点有功、无功调整量，nb为系统的节点个数；
表示校正过程调整节点数，ki表征节点是否参与调节，ki＝1表示节点参与调节、ki＝0表示未参与调节；Wi和W1i分别表示节点调整状态的权重和调整量的权重，T表示权衡权重。
进一步地，所述获得节点调整状态以及节点调整状态范围包括以下步骤：记录含UPFC的电力系统在发生故障时刻的故障信息和所述时刻的潮流数据；将故障时刻的故障信息和潮流数据输入已训练好的节点调整状态识别模型，判断此故障下系统各节点调整状态，以及节点调整状态范围。
进一步地，所述节点调整状态识别模型为DNN模型，包含7层,其中第二层为Dropout层，第四、五层激活函数均为ReLU函数，其余层均选取Sigmoid函数。
进一步地，所述节点调整状态识别模型的训练包括以下步骤：建立离线训练集样本以及验证集样本，所述离线训练集样本以及验证集样本中的数据为输入数据集和输出数据集；所述输入数据集为故障支路不同越限数据和系统潮流数据；所述输出数据为基于输入数据集，应用传统基于物理模型的优化规划类方法获得的不同工况下系统各设备的调整状态；采用所述离线训练集样本对所述节点调整状态识别模型进行训练；在模型训练过程中，基于验证集样本，并根据各评判指数对其中各项参数进行调整，直至得到预设准确度的节点调整状态识别模型。
进一步地，所述越限数据为不同工况下各支路出现超过其自身热稳定限值1％～30％的有效越限数据。
进一步地，所述评判指数包括离线训练测试集的准确率、精确率、召回率、F1值和AUC值。
进一步地，所述系统安全稳定运行条件包括系统运行时，串、并联换流器的内部功率约束和容量约束，UPFC串、并联侧的电压幅值和相角满足调整控制约束，以及电网经济运行对各节点功率调整平衡的约束。
进一步地，所述系统运行时，串、并联换流器的内部功率约束和容量约束，UPFC串、并联侧的电压幅值和相角满足调整控制约束为：
其中，
PB分别为UPFC串等效电压源的电压相量、有功功率，
PE分别为并联侧等效电压源的电压相量、有功功率；
为虚拟节点的电压相量、
为串联侧所在线路首的电压相量、
为末端节点的电压相量，
为并联侧节点的电压相量；gB、bB分别为UPFC串的电导和电納，gE、bE分别为并联侧的电导和电納；*为共轭，||表示相量的模；
表示UPFC串的上限、
表示并联侧容量的上限；θB为UPFC串的相角、θE为并联侧的相角；
为UPFC串电压源电压的上限，
为并联侧电压源电压的上限；
为UPFC串相角的上限、
为并联侧相角的上限，UB 为UPFC串电压源电压的下限，UE 为并联侧电压源电压的下限；θB 为UPFC串相角的下限、θE 为并联侧相角的下限，j为复数参数，UB为UPFC串电压源电压，UE为并联侧电压源电压。
进一步地，所述电网经济运行对各节点功率调整平衡的约束为：
其中：Ui表示节点i的电压、Uj表示节点j的电压；θij＝θi-θj为节点i和节点j的电压相角差；
表示发电机节点的初始有功出力、
表示发电机节点的无功出力，
表示节点初始有功负荷、
表示节点的无功负荷，Gij、Bij分别表征导纳矩阵中对应位置i-j元素的实部和虚部；
Pi 分别表征节点i的可调有功功率的最大值、最小值；
Qi 分别表征节点i的无功功率的最大值、最小值；
表示节点i的初始有功功率，
表示节点i的无功功率，
本发明针对大规模电力系统安全校正问题，采用了基于DNN的节点调整状态识别模型具有较好的精确度，大大提高了计算速度，同时避免了大系统优化类算法迭代过程中出现的无解问题。本发明通过对每个节点的调整状态进行识别，首先确定可能参与调节节点，便可将节点调整的寻优空间缩小在一定范围内甚至精确到相应调整节点，由于在更小的寻优空间中计算系统内各设备的调整量，因此本发明具有更佳的准确性和快速性。
附图说明
图1本发明实施例中含UPFC的电力系统快速安全校正策略实现过程流程图；
图2为本发明实施例中UPFC的等效电路图；
图3本发明实施例中节点调整状态识别模型结构图。
具体实施方式
为了更好的理解本发明的实质，下面结合具体实施例和附图对本发明作进一步的阐述。
本发明适用于含UPFC的电力系统的快速安全校正，如图1所示，具体包括以下步骤：
步骤一，记录含UPFC的电力系统在发生故障时刻的故障信息和所述时刻的潮流数据。
分析含UPFC的电力系统在实际运行过程中产生的大量可以反映运行状态的数据，记录系统发生故障时刻的故障信息和故障时刻潮流数据，所述故障信息为越限支路数据。
步骤二，将故障时刻的故障信息和当下系统潮流数据输入已训练好的节点调整状态识别模型，判断此故障下系统各节点调整状态，其中，判定为参与调整的节点集合即为下一步调整量优化计算的节点调整状态范围。
采用传统物理模型对于某些支路的节点调整状态进行预测时，存在迭代无解问题，而本发明的节点调整状态识别模型的迁移学习能力可以突破有监督学习的局限性，从而可解决安全校正传统物理模型迭代无解问题。因此，本发明在提高求解效率的同时可对部分模型方法计算无解的支路进行预测。
1、样本生成
在多个潮流断面基础上分别设置不同负荷水平(随机调整负荷，使系统支路出现重载)、N-1故障和N-2故障等工况，获取不同工况下各支路出现超过其自身热稳定限值1％～30％的有效越限数据。故障支路不同越限数据和系统潮流数据作为深度神经网络的输入数据集。基于输入数据集应用传统基于物理模型的优化规划类方法获得不同工况下系统各设备的调整状态(0或1)，对应形成深度神经网络的输出数据集。鉴于以上设定，共获得离线阶段的有效训练集样本41545个，验证集样本4000个。
2、节点调整状态识别模型的参数设置。针对系统中的每个节点建立节点调整状态识别模型，确定不同隐藏层的激活函数和相应神经元数。
如图3所示，所述节点调整状态识别模型可选为DNN模型，其结构和网络参数如表1所示：
表1节点调整状态识别模型结构和网络参数
从表1可以看出，本发明建立的节点调整状态识别模型有7层：其中第二层为Dropout层，用以减少特征检测器间的相互作用，避免出现过度依赖某些局部特征；第四、五层激活函数均选取非饱和非线性的“ReLU”函数，其余均选取“Sigmoid”函数；该模型可选为二分类模型，因此输出层神经元只有1个。
该模型参数如表2所示：
表2为节点调整状态识别模型参数
3、模型精度校验
在训练过程中，根据所述各评判指数对其中各项参数进行调整，直至得到准确度较高的节点调整状态识别模型。所述评判指数包括离线训练测试集的准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值和AUC值。
其中，准确率表示识别正确的事件占全部事件的比例；精确率表示被模型识别为该类事件的样本中实际为该类别的比例；召回率表示实际为该类事件的样本中预测也为该类别的比例；F1值为对精确率和召回率的综合平均，以上四类指标取值范围均为[0-1],且值越接近1说明模型识别效果越好。AUC(Area under roc Curve)为ROC曲线下面积，是一个只能用于二分类模型的评价指标，该评估指标可更加直观、客观地衡量模型在不同阈值下的敏感性和精确性，AUC的取值一般在0.5～1之间，越接近1表示该模型越精确。
随机抽取一些发电机节点和负荷节点的识别模型训练结果，其各项检测指标及AUC值如表3所示(其中，节点10和节点43是发电机节点)。
表3为节点调整状态识别模型的误差
从表3中各项数值均体现本发明所提节点调整状态识别模型具有较高精度，可以满足实际需要。
步骤三，以系统中设备调整量最小minf为目标函数，建立融合节点调整状态的安全校正模型：
其中，
表示安全校正过程中的调整量，sPi、sQi分别表征节点有功、无功调整量，nb为系统的节点个数；
表示校正过程调整节点数，ki表征节点是否参与调节，ki＝1表示节点参与调节、ki＝0表示未参与调节；Wi和W1i分别表示节点调整状态的权重和调整量的权重，T表示权衡权重。
由于电力系统安全校正问题的最终目的是在优先确定最小调整节点数的基础上优化相应节点的调整量，因此，在公式(1)中引入权衡权重T，保证优先确定节点数，保证优先确定节点数。虽然已经通过深度学习确定节点调整状态，但是为保证计算的准确性，此处仍需设置小范围的整数变量寻优过程，其目的是考虑到深度学习存在误差，识别模型误差导致某些不需要调整的节点可能出现误动作，引起调整节点范围变大。
建立融合节点调整状态的含UPFC的安全校正模型时，由于调整所涉及的节点一般在10个以内，因此本发明目标函数中取负荷节点调整状态和发电机节点调整状态的权重比为100:1可以保证优先调整发电机节点，选取发电机调整状态权重为1、负荷节点调整状态权重为100；同时，针对权衡权重T的取值，当T分别取值为1000、10000、10000分别进行优化计算，发现此时发现节点调整数、节点有功调整量并无较大差异，因此本发明引入的T取值可为1000。
步骤四，基于步骤二确定的节点调整状态范围，利用所述安全校正模型进行校正优化计算。所述安全校正模型的输入包括节点调整状态，输出为寻优空间内各设备优化的调整量。
步骤五，根据计算出的节点调整量对系统相应节点进行有功、无功的修正，并验证校正后各节点、支路是否满足系统安全稳定运行条件：如果不满足，则重复步骤一至步骤四直至满足所有系统安全稳定运行条件；如果满足，则结束安全校正，并给出实时安全计算结果，并根据各设备调整量制定系统该故障下的安全校正策略。
1、系统运行时UPFC需满足流过其串、并联换流器的有功功率相等的内部功率约束和容量约束，同时UPFC串、并联侧电压幅值和相角也需满足调整控制约束：
其中，
PB分别为UPFC串等效电压源的电压相量、有功功率，
PE分别为并联侧等效电压源的电压相量、有功功率；
为虚拟节点的电压相量、
为串联侧所在线路首的电压相量、
为末端节点的电压相量，
为并联侧节点的电压相量；gB、bB分别为UPFC串的电导和电納，gE、bE分别为并联侧的电导和电納；*为共轭，||表示相量的模；
表示UPFC串的上限、
表示并联侧容量的上限；θB为UPFC串的相角、θE为并联侧的相角；
为UPFC串电压源电压的上限，
为并联侧电压源电压的上限；
为UPFC串相角的上限、
为并联侧相角的上限，UB 为UPFC串电压源电压的下限，UE 为并联侧电压源电压的下限；θB 为UPFC串相角的下限、θE 为并联侧相角的下限，j为复数参数，UB为UPFC串电压源电压，UE为并联侧电压源电压。
2、由于电网经济性的要求，安全校正过程中还需要满足各节点功率调整平衡的约束：
其中：Ui表示节点i的电压、Uj表示节点j的电压；θij＝θi-θj为节点i和节点j的电压相角差；
表示发电机节点的初始有功出力、
表示发电机节点的无功出力，
表示节点初始有功负荷、
表示节点的无功负荷，Gij、Bij分别表征导纳矩阵中对应位置i-j元素的实部和虚部；
Pi 分别表征节点i的可调有功功率的最大值、最小值；
Qi 分别表征节点i的无功功率的最大值、最小值；
表示节点i的初始有功功率，
表示节点i的无功功率，
为了进一步验证本发明的准确性、快速性和解决传统校正优化无解问题能力，本发明针对某UPFC示范工程的95节点等值系统进行算例分析，该系统共包含节点95个，其中发电机节点15个，支路151条(包含双回路)，变压器29台，无功补偿装置11组，UPFC串联侧接于220kv双回路中，并联侧接于变电站35kv侧，三台换流器容量均为60MVA。其中，UB的上、下限取值分别为0.4p.u和0p.u，UE的上、下限取值分别为1p.u和0p.u。
步骤一，在某UPFC实际系统多个潮流断面基础上分别设置不同负荷水平(随机调整负荷，使系统支路出现过载)、N-1故障和N-2故障等工况，获取有效越限支路数据和不同工况下对应的潮流数据；利用传统基于物理模型的优化规划类方法确定不同工况下的节点调整状态(0或1)。其节点调整状态范围即为调整状态判定为1的节点集合。
步骤二，基于该节点调整状态范围，采用公式1进行校正计算。采用传统基于物理模型的优化规划类方法作为对照例对该系统进行校正计算，其计算结果如表4所示：
表4本发明所提方法与传统方法计算效率结果对比
由表4数据对比可知，本发明与传统安全校正方法相对比，寻优空间内节点数出现显著变化：应用传统安全校正方法进行节点调整量计算时，计算过程需在整个网络所有95个节点遍历寻优，其计算量大，速度慢；而本发明通过对每个节点的调整状态进行识别，首先确定可能参与调节节点，便可将节点调整的寻优空间缩小在一定范围内甚至精确到相应调整节点。如果在更大规模、拥有更多节点数的系统中出现不同程度的支路越限时，长时间进行遍历所有节点的寻优，不能保证电网中故障快速被清除，会威胁电网安全，然而本发明可以通过第一阶段的计算结果缩小寻优空间保证安全校正的快速性。在支路40-34出现15％越限时，尽管稍有误差导致寻优空间确定为5个节点(其中包括真正需要调整的三个节点和误判为参与调整的二个节点)，但第二阶段节点调整量优化计算仍能在此寻优空间中寻找到准确的节点参与调整，这也验证了本发明可在快速计算的同时保证节点调整的准确性。
随机选取某些利用传统基于物理模型的优化类方法(以下简称“模型方法”)无法求解的负载支路，采用本发明所提基于数据驱动的含UPFC系统快速安全校正方法进行计算，计算结果如表5所示：
表5本发明所提方法与传统方法对部分无解支路计算结果对比
从表5中可以看出，支路148在小额越限(越限1％)时，两种方法均可以正常进行安全校正有功、无功调整，但当越限程度增加后，由于模型方法中的混合整数非线性规划无法计算获得节点调整状态的整数变量，因此无法利用优化法进一步求得相应调整量；部分支路如支路64，传统含UPFC的模型方法始终无法在计算中求解出整数变量，导致在1％、10％、20％越限下均出现无解情况；然而，此类支路仍可由本发明进行计算，在节点调整状态识别模型对有解工况大量数据进行训练后，可学习到许多相近工况的调整策略，此类运行状态相近的DNN可通过大量不同越限数据的学习判断某一无解工况下节点调整状态，确定寻优空间并完成在线计算阶段的节点调整量求取。
仿真结果表明，本发明精确度较高，可有效代替传统含UPFC的模型方法中对整数变量进行求解的混合整数非线性规划计算。与传统的优化方法相比较，实验结果表明，本发明解决了传统优化规划法计算效率低和出现无解的问题，满足了电力系统安全校正的准确性和快速性，提高了对实际工程问题的应用能力。
应当指出，虽然通过上述实施方式对本发明进行了描述，然而本发明还可有其它多种实施方式。在不脱离本发明精神和范围的前提下，熟悉本领域的技术人员显然可以对本发明做出各种相应的改变和变形，但这些改变和变形都应当属于本发明所附权利要求及其等效物所保护的范围内。
Claims (10)
1.一种含UPFC的电力系统的快速安全校正方法，其特征在于，包括以下步骤：
A.获得含UPFC的电力系统工作运行时的节点调整状态以及节点调整状态范围，所述节点调整状态范围为参与调整的节点集合；
B.基于节点调整状态范围，采用该节点预先建立的安全校正模型进行校正计算，所述安全校正模型的输入包括节点调整状态，输出为寻优空间内各设备的调整量；
C.根据所述调整量对含UPFC的电力系统进行校正，并验证校正后各节点、支路是否满足系统安全稳定运行条件；
若不满足系统安全稳定运行条件，则重复步骤A至B，直至满足后停止，输出该节点的调整量。
2.根据权利要求1所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述安全校正模型为：
其中，min f表示系统中设备最小调整量，
表示安全校正过程中的调整量，sPi、sQi分别表征节点有功、无功调整量，nb为系统的节点个数；
表示校正过程调整节点数，ki表征节点是否参与调节，ki＝1表示节点参与调节、ki＝0表示未参与调节；Wi和W1i分别表示节点调整状态的权重和调整量的权重，T表示权衡权重。
3.根据权利要求1所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述获得节点调整状态以及节点调整状态范围包括以下步骤：
记录含UPFC的电力系统在发生故障时刻的故障信息和所述时刻的潮流数据；
将故障时刻的故障信息和潮流数据输入已训练好的节点调整状态识别模型，判断此故障下系统各节点调整状态，以及节点调整状态范围。
4.根据权利要求3所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述节点调整状态识别模型为DNN模型，包含7层,其中第二层为Dropout层，第四、五层激活函数均为ReLU函数，其余层均选取Sigmoid函数。
5.根据权利要求3所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述节点调整状态识别模型的训练包括以下步骤：
建立离线训练集样本以及验证集样本，所述离线训练集样本以及验证集样本中的数据为输入数据集和输出数据集；所述输入数据集为故障支路不同越限数据和系统潮流数据；所述输出数据为基于输入数据集，应用传统基于物理模型的优化规划类方法获得的不同工况下系统各设备的调整状态；
采用所述离线训练集样本对所述节点调整状态识别模型进行训练；
在模型训练过程中，基于验证集样本，并根据各评判指数对其中各项参数进行调整，直至得到预设准确度的节点调整状态识别模型。
6.根据权利要求5所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述越限数据为各支路出现超过其自身热稳定限值1％～30％的有效越限数据。
7.根据权利要求5所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述评判指数包括离线训练测试集的准确率、精确率、召回率、F1值和AUC值。
8.根据权利要求1所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述系统安全稳定运行条件包括系统运行时，串、并联换流器的内部功率约束和容量约束，UPFC串、并联侧的电压幅值和相角满足调整控制约束，以及电网经济运行对各节点功率调整平衡的约束。
9.根据权利要求8所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述系统运行时，串、并联换流器的内部功率约束和容量约束，UPFC串、并联侧的电压幅值和相角满足调整控制约束为：
其中，
PB分别为UPFC串等效电压源的电压相量、有功功率，
PE分别为并联侧等效电压源的电压相量、有功功率；
为虚拟节点的电压相量、
为串联侧所在线路首的电压相量、
为末端节点的电压相量，
为并联侧节点的电压相量；gB、bB分别为UPFC串的电导和电納，gE、bE分别为并联侧的电导和电納；*为共轭，||表示相量的模；
表示UPFC串的上限、
表示并联侧容量的上限；θB为UPFC串的相角、θE为并联侧的相角；
为UPFC串电压源电压的上限，
为并联侧电压源电压的上限；
为UPFC串相角的上限、
为并联侧相角的上限，UB 为UPFC串电压源电压的下限，UE 为并联侧电压源电压的下限；θB 为UPFC串相角的下限、θE 为并联侧相角的下限，j为复数参数，UB为UPFC串电压源电压，UE为并联侧电压源电压。
10.根据权利要求8所述含UPFC的电力系统的快速安全校正方法，其特征在于：所述电网经济运行对各节点功率调整平衡的约束为：
其中：Ui表示节点i的电压、Uj表示节点j的电压；θij＝θi-θj为节点i和节点j的电压相角差；
表示发电机节点的初始有功出力、
表示发电机节点的无功出力，
表示节点初始有功负荷、
表示节点的无功负荷，Gij、Bij分别表征导纳矩阵中对应位置i-j元素的实部和虚部；
Pi 分别表征节点i的可调有功功率的最大值、最小值；
Qi 分别表征节点i的无功功率的最大值、最小值；Pi 0表示节点i的初始有功功率，
Qi 0表示节点i的无功功率，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010743476.XA CN111985091A (zh) | 2020-07-29 | 2020-07-29 | 一种含upfc的电力系统的快速安全校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010743476.XA CN111985091A (zh) | 2020-07-29 | 2020-07-29 | 一种含upfc的电力系统的快速安全校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111985091A true CN111985091A (zh) | 2020-11-24 |
Family
ID=73444674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010743476.XA Withdrawn CN111985091A (zh) | 2020-07-29 | 2020-07-29 | 一种含upfc的电力系统的快速安全校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985091A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298342A (zh) * | 2021-03-25 | 2021-08-24 | 深圳供电局有限公司 | 一种电力调度指令安全状态的分析方法 |
| CN115329911A (zh) * | 2022-10-14 | 2022-11-11 | 国网江苏省电力有限公司电力科学研究院 | 一种基于sae二分类模型的含upfc电力系统安全校正方法 |
-
2020
- 2020-07-29 CN CN202010743476.XA patent/CN111985091A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298342A (zh) * | 2021-03-25 | 2021-08-24 | 深圳供电局有限公司 | 一种电力调度指令安全状态的分析方法 |
| CN115329911A (zh) * | 2022-10-14 | 2022-11-11 | 国网江苏省电力有限公司电力科学研究院 | 一种基于sae二分类模型的含upfc电力系统安全校正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288208B (zh) | 一种辐射型配电网可靠性与经济性的综合评估方法 | |
| CN108038300A (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
| CN111224404B (zh) | 含可控移相器的电力系统潮流快速控制方法 | |
| CN112865118B (zh) | 一种用于电网动态无功储备需求计算的深度学习模型生成方法 | |
| CN111985091A (zh) | 一种含upfc的电力系统的快速安全校正方法 | |
| CN110417011A (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 | |
| CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
| CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
| CN108564205A (zh) | 一种基于实测数据的负荷模型及参数辨识优化方法 | |
| CN112821420B (zh) | 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及系统 | |
| CN115034493B (zh) | 一种考虑机组运行状态的风电场黑启动路径寻优方法 | |
| CN113285450A (zh) | 一种电网静态电压稳定在线预防控制优化方法 | |
| CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
| CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
| CN104410065B (zh) | 一种受端电网限制短路电流的多目标决策方法 | |
| CN115329911A (zh) | 一种基于sae二分类模型的含upfc电力系统安全校正方法 | |
| CN108334990B (zh) | 一种大电网无功补偿选址及容量优化方法及系统 | |
| CN115718478A (zh) | 基于sac深度强化学习的svg参数优化辨识方法 | |
| CN113991652B (zh) | 数据驱动的含iidg配电网短路电流多输出计算方法 | |
| CN115473271A (zh) | 一种基于深度神经网络的交流变电站无功电压控制方法 | |
| CN111860617A (zh) | 一种配电网综合优化运行方法 | |
| CN108988319B (zh) | 一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法 | |
| Yu et al. | Real-Time Monitoring Method for Thyristor Losses in Ultra High Voltage Converter Station Based on Wavelet Optimized GA-BP Neural Network | |
| CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
| Li et al. | A Data Driven Security Correction Method for Power Systems with UPFC |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201124 |