CN112103949B - 电网扰动稳定控制方法及装置、电子设备及存储介质 - Google Patents

电网扰动稳定控制方法及装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112103949B
CN112103949B CN202010889646.5A CN202010889646A CN112103949B CN 112103949 B CN112103949 B CN 112103949B CN 202010889646 A CN202010889646 A CN 202010889646A CN 112103949 B CN112103949 B CN 112103949B
Authority
CN
China
Prior art keywords
power grid
stability
sample
disturbance
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.)
Active
Application number
CN202010889646.5A
Other languages
English (en)
Other versions
CN112103949A (zh
Inventor
陈磊
傅一苇
闵勇
於喆
张琦兵
史迪
徐飞
胡伟
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
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
State Grid Jiangsu 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, State Grid Jiangsu Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN202010889646.5A priority Critical patent/CN112103949B/zh
Publication of CN112103949A publication Critical patent/CN112103949A/zh
Application granted granted Critical
Publication of CN112103949B publication Critical patent/CN112103949B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • 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
    • H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
    • 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
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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

Landscapes

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

Abstract

本发明实施例提供一种电网扰动稳定控制方法及装置、电子设备及存储介质，包括：获取电网潮流数据；将所述电网潮流数据，输入至扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求。本发明实施例基于所述振荡模式阻尼比确定所述电网是否符合预设的小扰动稳定性要求，利用所述扰动稳定控制方法能够有效提高电网的振荡模式阻尼比，从而提升电网的小扰动稳定性，使其满足预设的扰动稳定性要求。

Description

电网扰动稳定控制方法及装置、电子设备及存储介质
技术领域
本发明涉及电力系统领域，尤其涉及一种电网扰动稳定控制方法及装置、电子设备及存储介质。
背景技术
小扰动稳定性是现代电力系统面临的关键问题之一。在电网拓扑结构固定不变的情况下，系统的小扰动稳定性是由电网潮流决定的。即电网的小扰动稳定性指标(振荡模式阻尼比)与电网潮流之间可以通过一个映射来表示：DR＝f(X)。基于充足的运行数据，数据驱动方法可以训练得到该映射，并由此对电网的小扰动稳定性做出判断。当计算得到的振荡模式阻尼比未达到预设的稳定阈值ythre，表明电网没有达到小扰动稳定性要求，需要对其进行预防控制。已有的预防控制策略大多通过迭代方法求解，调节精度低，泛化能力弱，难以在线应用。问题根本在于，数据驱动的扰动稳定预防控制模型未能实现解析化的表征，因此构建解析化的小扰动稳定约束成为解决电网小扰动稳定控制问题的关键。
发明内容
本发明实施例提供一种基于非参数回归的电网扰动稳定控制方法及装置，用于解决现有技术中的上述技术问题。
本发明实施例提供一种电网扰动稳定控制方法，包括：
S1：获取电网潮流数据；
S2：将所述电网潮流数据，输入至扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；
S3：基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求。
根据本发明一个实施例提供的电网扰动稳定控制方法，所述S3具体包括：
若所述振荡模式阻尼比大于等于预设的稳定阈值，则确定电网满足预设的扰动稳定性要求；
若所述振荡模式阻尼比小于所述稳定阈值，则确定电网不满足预设的扰动稳定性要求。
根据本发明一个实施例提供的电网扰动稳定控制方法，所述非参数回归模型的训练步骤如下：
构建样本库，所述样本库中包含多组样本数据，每组样本数据包括数据特征和振荡模式阻尼比标签值；
利用所述样本数据对非参数回归模型进行训练，生成非参数回归模型。
根据本发明一个实施例提供的电网扰动稳定控制方法，所述S3之后还包括：
S4：根据所述电网潮流数据，对所述非参数回归模型进行关键特征提取、主导样本筛选及线性化处理，得到预防控制模型中的扰动稳定约束。
根据本发明一个实施例提供的电网扰动稳定控制方法，所述S4之后还包括：
S5：根据所述扰动稳定约束，构成并求解预防控制的优化模型，输出调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力，所述求解得到的各发电机的有功出力为电网的扰动稳定预防控制策略。
根据本发明一个实施例提供的电网扰动稳定控制方法，所述稳定评估器具体通过如下方法训练得到：
将电力潮流数据样本作为输入、电网潮流数据样本对应的振荡模式阻尼比标签作为输出，采用″留一法″计算非参数回归模型的损失函数；
当所述损失函数取值达到预设值时，训练结束，得到的非参数回归模型即为稳定评估器。
本发明实施例提供一种电网扰动稳定控制装置，包括：
获取模块，用于获取电网潮流数据；
评估模块，连接所述获取模块，用于将所述电网潮流数据，输入至扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；
判断模块，连接所述评估模块，用于基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求。
根据本发明一个实施例提供的电网扰动稳定控制装置，还包括：
转换模块，连接所述判断模块，用于在评估结果为所述电网不满足预设的扰动稳定性要求时，将所述扰动稳定预防控制模型进行关键特征提取、主导样本筛选及线性化处理，得到扰动稳定预防控制模型中的扰动稳定约束；
控制模块，用于根据所述扰动稳定约束构成并优化预防控制的优化模型，输出调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力。
本发明实施例提供一种电子设备，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程序时实现所述的电网扰动稳定控制方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的电网扰动稳定控制方法的步骤。
本发明实施例提供的电网扰动稳定控制方法及装置电子设备及存储介质，通过将所述电网潮流数据，输入至扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型，并基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求，利用所述扰动稳定控制方法能够有效提高电网的振荡模式阻尼比，从而提升电网的扰动稳定性，使其满足预设的扰动稳定性要求。
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扰动稳定控制方法的流程图；
图2为本发明实施例提供的电网扰动稳定控制装置的示意图；
图3为本发明实施例提供的电子设备的示意图。
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扰动稳定控制方法示意图，如图1所示，本发明实施例提供一种电网扰动稳定控制方法，其执行主体为电网扰动稳定控制装置，主要针对的是电力系统中的小扰动，也就是由于负荷正常波动、功率及潮流控制、变压器分接头调整和联络线功率自然波动引起的扰动。该方法包括：
S1：获取电网潮流数据。
具体来说，首先，获取电网潮流数据，所述潮流数据包括：所述电网内所有节点的电压幅值的平方和相角、各发电机的有功出力和无功出力、交流连接线或变压器上的有功潮流和无功潮流、各负荷的有功功率和无功功率。
S2：将所述电网潮流数据，输入至小扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型。
所述稳定评估器具体通过如下方法训练得到：
将电力潮流数据样本作为输入、电网潮流数据样本对应的振荡模式阻尼比标签作为输出，采用″留一法″计算非参数回归模型的损失函数；
利用所述样本数据对非参数回归模型进行训练，生成非参数回归模型，通过训练生成训练精度达到预设要求的非参数回归模型。达到预设要求是指当所述损失函数取值达到预设值时，预设值为损失函数的最小值，训练结束，得到的非参数回归模型即为稳定评估器。
所述非参数回归模型具体为：
Figure BDA0002656531530000061
其中，Ntrain为训练样本总数，
Figure BDA0002656531530000062
为第i个训练样本，Yi train是第i个训练样本的标签(振荡模式阻尼比)。Xtest为待预测样本。
Figure BDA0002656531530000063
Xtest均为行向量。M是马氏距离的度量矩阵，γ是宽度参数。M和γ是需要通过训练得到的。训练得到的非参数回归模型即为稳定评估器。
所述损失函数和″留一法″具体为：
Figure BDA0002656531530000064
其中，loss为所述稳定评估器的损失函数，α是放大系数，这里取10-8。所述″留一法″是指对于任意一个训练样本
Figure BDA0002656531530000065
用训练集中的其他样本来估算它的振荡模式阻尼比。所述损失函数由″留一法″在所有训练样本中的总误差和M矩阵的正则项构成。
S2中，将所述电网潮流数据，输入至小扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比，所述振荡模式阻尼比用于判断电网的小扰动稳定性。所述稳定评估器还包括：判决器；所述判决器用于判断所述电网潮流数据是否处于稳定状态。
S3：基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求。
S3具体包括：若所述振荡模式阻尼比大于等于预设的稳定阈值，则确定电网满足预设的小扰动稳定性要求；若所述振荡模式阻尼比小于所述稳定阈值，则确定电网不满足预设的小扰动稳定性要求。
S3之后，包括S4：将所述稳定评估器转换成小扰动稳定预防控制模型中的小扰动稳定约束。具体来说，在判定所述电网的小扰动稳定性为不稳定时，对所述稳定评估器进行关键特征提取、主导样本筛选及线性化处理的三步转换，得到预防控制模型中的小扰动稳定约束。
其中，所述关键特征提取的具体方法如下：
对训练得到的所述非参数回归模型中的所述度量矩阵M中的元素的绝对值设置阈值mthre，将所述矩阵中小于mthre的元素都置为0，由此实现变量的筛选，筛选后得到度量矩阵Mextract。
所述主导样本筛选方法具体为：
由所述度量矩阵M可以构成马氏距离DM，其表达式为：
Figure BDA0002656531530000071
其中，DM(Xi，Xj)表示向量Xi与向量Xj之间的马氏距离，在所述稳定评估器中表示两个样本间的相似度，相似度越高，二者间的马氏距离越小。
根据所述马氏距离的大小得到DM提出主导样本筛选方法，所述主导样本筛选的具体步骤如下：
1)将原始训练集XTRAIN中所有训练样本的潮流数据中除负荷的有功、无功之外的特征定义成与初始潮流X0中负荷的有功、无功相同的值，得到修正后的训练样本集
Figure BDA0002656531530000072
计算所述训练样本集中的每个样本与初始潮流之间的马氏距离，选择距离最小的N1个样本构成主导样本集
Figure BDA0002656531530000073
2)然后，计算所述原始训练样本集XTRAIN中各样本与初始潮流X0之间的马氏距离，选择距离最小的N2个样本构成主导样本集
Figure BDA0002656531530000074
3)并且，选择标签值接近预设的稳定阈值ythre的N3个训练样本，构成主导样本集
Figure BDA0002656531530000075
4)最后，取所述三个样本集
Figure BDA0002656531530000081
和
Figure BDA0002656531530000082
的并集，得到最终含Nsel个训练样本的主导样本集
Figure BDA0002656531530000083
所述线性化的具体步骤如下：
对所述马氏距离DM(Xi，Xj)中的平方项和交叉相乘项，在所述初始潮流X0附近进行线性化：
Figure BDA0002656531530000084
Figure BDA0002656531530000085
其中
Figure BDA0002656531530000086
是初始潮流X0中的第p个特征，xp是某个训练样本的潮流Xtrain中的第p个特征。
对所述非参数回归模型中的exp函数，进行分段线性化：
Figure BDA0002656531530000087
Figure BDA0002656531530000088
Figure BDA0002656531530000089
Figure BDA00026565315300000810
Figure BDA00026565315300000811
其中，Di表示
Figure BDA00026565315300000812
是指待控制运行场景X与主导样本集中的第i个训练样本
Figure BDA00026565315300000813
之间的马氏距离的平方；Zi表示与Di对应的线性化后的exp函数值；
Figure BDA00026565315300000814
和
Figure BDA00026565315300000815
分别是Di的第l个分段的上限和下限；
Figure BDA00026565315300000816
和
Figure BDA00026565315300000817
是Zi的第l个分段的上限和下限；Lexp是线性化的分段总数；
Figure BDA00026565315300000818
和
Figure BDA00026565315300000819
是线性化需要引入的两个变量，
Figure BDA00026565315300000820
是取值在[0，1]范围内的连续变量，
Figure BDA00026565315300000821
是取值只能是0或1的离散变量，Di的每个分段都需要引入1对
Figure BDA0002656531530000091
和
Figure BDA0002656531530000092
变量。上述表达式能够保证Di和Zi仅在某一分段中的某个位置取值。上述约束保证了所述马氏距离及exp函数能够在Lexp个分段中的某个分段内取值。
依次经过所述的关键特征提取、主导样本筛选及线性化处理的三步转换，得到预防控制模型中的小扰动稳定约束为：
Figure BDA0002656531530000093
其中，Zi为主导样本集中的第i个训练样本与控制对象间线性化后的exp函数值，Yi train是主导样本集中的第i个训练样本的振荡模式阻尼比，ythre是对系统预先设定的稳定阈值。
所述S4之后还包括：
S5：根据所述小扰动稳定约束，构成并求解预防控制的优化模型，输出调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力，所述求解得到的各发电机的有功出力为电网的小扰动稳定预防控制策略。
具体来说，将所述小扰动稳定约束与其他运行约束结合构成预防控制的优化模型，利用Cplex等现有优化程序包求解所述优化模型，输出调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力。
其中，所述其他运行约束具体包括：线性化后的潮流等式约束，节点功率平衡约束，节点电压上下限约束，发电机有功出力上下限约束以及发电机无功出力上下限约束。
所述优化目标是指最小化发电机出力的总调节量，所述优化模型中的优化目标具体为：
Figure BDA0002656531530000094
其中，Pg，i是在当前运行方式下机组i的出力，
Figure BDA0002656531530000095
是在初始运行方式(待控制的运行方式)下机组i的出力，所述优化目标是指最小化发电机出力的总调节量。
经过上述转换，所述扰动稳定预防控制的优化问题为一个混合整数规划问题，可以直接采用Cplex等/优化程序进行求解，得到的调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力即为电网的预防控制策略。
基于上述任一实施例，图2为本发明实施例提供的电网小扰动稳定控制装置示意图，如图2所示，本发明实施例提供一种电网小扰动稳定控制装置，包括：
获取模块10，用于获取电网潮流数据；
评估模块20用于评估在电网给定潮流下的小扰动稳定性，评估模块20连接所述获取模块10，具体地，用于将所述电网潮流数据，输入至小扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；
判断模块30，连接所述评估模块20，用于基于所述振荡模式阻尼比确定所述电网是否符合预设的小扰动稳定性要求。
还包括：
转换模块，连接所述判断模块30，用于在评估结果为所述电网不满足预设的小扰动稳定性要求时，将所述扰动稳定预防控制模型进行关键特征提取、主导样本筛选及线性化处理，得到小扰动稳定预防控制模型中的小扰动稳定约束；
控制模块，用于根据所述小扰动稳定约束构成并优化预防控制的优化模型，输出调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力。
由于电网小扰动稳定控制装置与上述的电网小扰动稳定控制方法是对应的，其工作原理是一样的，此处不再一一赘述，
图3示出了本发明实施例的一种电子设备，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行电网小扰动稳定控制方法，该方法包括：
S1：获取电网潮流数据；
S2：将所述电网潮流数据，输入至小扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；
S3：基于所述振荡模式阻尼比确定所述电网是否符合预设的小扰动稳定性要求。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的以执行电网扰动稳定控制方法，该方法包括：
S1：获取电网潮流数据；
S2：将所述电网潮流数据，输入至扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；
S3：基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的以执行电网扰动稳定控制方法，该方法包括：
S1：获取电网潮流数据；
S2：将所述电网潮流数据，输入至扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；
S3：基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (8)

1.一种电网扰动稳定控制方法，其特征在于，包括：
S1：获取电网潮流数据；
S2：将所述电网潮流数据，输入至扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；
S3：基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求；
其中，所述S3之后还包括：
S4：根据所述电网潮流数据，对所述非参数回归模型进行关键特征提取、主导样本筛选及线性化处理，得到预防控制模型中的扰动稳定约束；
其中，所述关键特征提取的具体方法如下：
对训练得到的所述非参数回归模型中的度量矩阵M中的元素的绝对值设置阈值mthre，将所述矩阵中小于mthre的元素都置为0，由此实现变量的筛选，筛选后得到度量矩阵Mextract；
所述主导样本筛选方法具体为：
由所述度量矩阵M可以构成马氏距离DM，其表达式为：
Figure FDA0003580698670000011
其中，DM(Xi,Xj)表示向量Xi与向量Xj之间的马氏距离，在所述稳定评估器中表示两个样本间的相似度，相似度越高，二者间的马氏距离越小；
根据所述马氏距离的大小得到DM提出主导样本筛选方法,所述主导样本筛选的具体步骤如下：
1)将原始训练集XTRAIN中所有训练样本的潮流数据中除负荷的有功、无功之外的特征定义成与初始潮流X0中负荷的有功、无功相同的值，得到修正后的训练样本集
Figure FDA0003580698670000021
计算所述训练样本集中的每个样本与初始潮流之间的马氏距离，选择距离最小的N1个样本构成主导样本集
Figure FDA0003580698670000022
2)然后，计算所述原始训练样本集XTRAIN中各样本与初始潮流X0之间的马氏距离，选择距离最小的N2个样本构成主导样本集
Figure FDA0003580698670000023
3)并且，选择标签值接近预设的稳定阈值ythre的N3个训练样本，构成主导样本集
Figure FDA0003580698670000024
4)最后，取所述三个样本集
Figure FDA0003580698670000025
和
Figure FDA0003580698670000026
的并集，得到最终含Nsel个训练样本的主导样本集
Figure FDA0003580698670000027
所述线性化的具体步骤如下：
对所述马氏距离DM(Xi,Xj)中的平方项和交叉相乘项，在所述初始潮流X0附近进行线性化：
Figure FDA0003580698670000028
Figure FDA0003580698670000029
其中
Figure FDA00035806986700000210
是初始潮流X0中的第p个特征，xp是某个训练样本的潮流Xtrain中的第p个特征；
对所述非参数回归模型中的exp函数，进行分段线性化：
Figure FDA00035806986700000211
Figure FDA00035806986700000212
Figure FDA00035806986700000213
Figure FDA00035806986700000214
Figure FDA0003580698670000031
其中，Di表示
Figure FDA0003580698670000032
是指待控制运行场景X与主导样本集中的第i个训练样本
Figure FDA0003580698670000033
之间的马氏距离的平方；Zi表示与Di对应的线性化后的exp函数值；
Figure FDA0003580698670000034
和
Figure FDA0003580698670000035
分别是Di的第l个分段的上限和下限；
Figure FDA0003580698670000036
和
Figure FDA0003580698670000037
是Zi的第l个分段的上限和下限；Lexp是线性化的分段总数；
Figure FDA0003580698670000038
和
Figure FDA0003580698670000039
是线性化需要引入的两个变量，
Figure FDA00035806986700000310
是取值在[0,1]范围内的连续变量，
Figure FDA00035806986700000311
是取值只能是0或1的离散变量，Di的每个分段都需要引入1对
Figure FDA00035806986700000312
和
Figure FDA00035806986700000313
变量；上述表达式能够保证Di和Zi仅在某一分段中的某个位置取值；上述约束保证了所述马氏距离及exp函数能够在Lexp个分段中的某个分段内取值，γ是宽度参数；
依次经过所述的关键特征提取、主导样本筛选及线性化处理的三步转换，得到预防控制模型中的小扰动稳定约束为：
Figure FDA00035806986700000314
其中，Zi为主导样本集中的第i个训练样本与控制对象间线性化后的exp函数值，Yi train是主导样本集中的第i个训练样本的振荡模式阻尼比，ythre是对系统预先设定的稳定阈值。
2.根据权利要求1所述的电网扰动稳定控制方法，其特征在于，所述S3具体包括：
若所述振荡模式阻尼比大于等于预设的稳定阈值，则确定电网满足预设的扰动稳定性要求；
若所述振荡模式阻尼比小于所述稳定阈值，则确定电网不满足预设的扰动稳定性要求。
3.根据权利要求1所述的电网扰动稳定控制方法，其特征在于，所述非参数回归模型的训练步骤如下：
构建样本库，所述样本库中包含多组样本数据，每组样本数据包括数据特征和振荡模式阻尼比标签值；
利用所述样本数据对非参数回归模型进行训练，生成非参数回归模型。
4.根据权利要求1所述的电网扰动稳定控制方法，其特征在于，所述S4之后还包括：
S5：根据所述扰动稳定约束，构成并求解预防控制的优化模型，输出调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力，所述求解得到的各发电机的有功出力为电网的扰动稳定预防控制策略；
其中，将所述小扰动稳定约束与其他运行约束结合构成预防控制的优化模型，利用Cplex优化程序包求解所述优化模型，输出调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力；
其中，所述其他运行约束具体包括：线性化后的潮流等式约束，节点功率平衡约束，节点电压上下限约束，发电机有功出力上下限约束以及发电机无功出力上下限约束。
5.根据权利要求1-4任一所述的电网扰动稳定控制方法，其特征在于，所述稳定评估器具体通过如下方法训练得到：
将电力潮流数据样本作为输入、电网潮流数据样本对应的振荡模式阻尼比标签作为输出，采用“留一法”计算非参数回归模型的损失函数；
当所述损失函数取值达到预设值时，训练结束，得到的非参数回归模型即为稳定评估器。
6.一种电网扰动稳定控制装置，其特征在于，包括：
获取模块，用于获取电网潮流数据；
评估模块，连接所述获取模块，用于将所述电网潮流数据，输入至扰动稳定预防控制模型中的稳定评估器，输出系统的振荡模式阻尼比；其中，所述稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的振荡模式阻尼比标签进行训练后得到的非参数回归模型；
判断模块，连接所述评估模块，用于基于所述振荡模式阻尼比确定所述电网是否符合预设的扰动稳定性要求；
其中，电网扰动稳定控制装置，还包括：
转换模块，连接所述判断模块，用于在评估结果为所述电网不满足预设的扰动稳定性要求时，将所述扰动稳定预防控制模型进行关键特征提取、主导样本筛选及线性化处理，得到扰动稳定预防控制模型中的扰动稳定约束；
控制模块，用于根据所述扰动稳定约束构成并优化预防控制的优化模型，输出调整后的、使电网处于小扰动稳定状态下的各发电机的有功出力；
其中，所述关键特征提取的具体方法如下：
对训练得到的所述非参数回归模型中的度量矩阵M中的元素的绝对值设置阈值mthre，将所述矩阵中小于mthre的元素都置为0，由此实现变量的筛选，筛选后得到度量矩阵Mextract；
所述主导样本筛选方法具体为：
由所述度量矩阵M可以构成马氏距离DM，其表达式为：
Figure FDA0003580698670000051
其中，DM(Xi,Xj)表示向量Xi与向量Xj之间的马氏距离，在所述稳定评估器中表示两个样本间的相似度，相似度越高，二者间的马氏距离越小；
根据所述马氏距离的大小得到DM提出主导样本筛选方法,所述主导样本筛选的具体步骤如下：
1)将原始训练集XTRAIN中所有训练样本的潮流数据中除负荷的有功、无功之外的特征定义成与初始潮流X0中负荷的有功、无功相同的值，得到修正后的训练样本集
Figure FDA0003580698670000061
计算所述训练样本集中的每个样本与初始潮流之间的马氏距离，选择距离最小的N1个样本构成主导样本集
Figure FDA0003580698670000062
2)然后，计算所述原始训练样本集XTRAIN中各样本与初始潮流X0之间的马氏距离，选择距离最小的N2个样本构成主导样本集
Figure FDA0003580698670000063
3)并且，选择标签值接近预设的稳定阈值ythre的N3个训练样本，构成主导样本集
Figure FDA0003580698670000064
4)最后，取所述三个样本集
Figure FDA0003580698670000065
和
Figure FDA0003580698670000066
的并集，得到最终含Nsel个训练样本的主导样本集
Figure FDA0003580698670000067
所述线性化的具体步骤如下：
对所述马氏距离DM(Xi,Xj)中的平方项和交叉相乘项，在所述初始潮流X0附近进行线性化：
Figure FDA0003580698670000068
Figure FDA0003580698670000069
其中
Figure FDA00035806986700000610
是初始潮流X0中的第p个特征，xp是某个训练样本的潮流Xtrain中的第p个特征；
对所述非参数回归模型中的exp函数，进行分段线性化：
Figure FDA00035806986700000611
Figure FDA00035806986700000612
Figure FDA00035806986700000614
Figure FDA00035806986700000613
Figure FDA0003580698670000071
其中，Di表示
Figure FDA0003580698670000072
是指待控制运行场景X与主导样本集中的第i个训练样本
Figure FDA0003580698670000073
之间的马氏距离的平方；Zi表示与Di对应的线性化后的exp函数值；
Figure FDA0003580698670000074
和
Figure FDA0003580698670000075
分别是Di的第l个分段的上限和下限；
Figure FDA0003580698670000076
和
Figure FDA0003580698670000077
是Zi的第l个分段的上限和下限；Lexp是线性化的分段总数；
Figure FDA0003580698670000078
和
Figure FDA0003580698670000079
是线性化需要引入的两个变量，
Figure FDA00035806986700000710
是取值在[0,1]范围内的连续变量，
Figure FDA00035806986700000711
是取值只能是0或1的离散变量，Di的每个分段都需要引入1对
Figure FDA00035806986700000712
和
Figure FDA00035806986700000713
变量；上述表达式能够保证Di和Zi仅在某一分段中的某个位置取值；上述约束保证了所述马氏距离及exp函数能够在Lexp个分段中的某个分段内取值，γ是宽度参数；
依次经过所述的关键特征提取、主导样本筛选及线性化处理的三步转换，得到预防控制模型中的小扰动稳定约束为：
Figure FDA00035806986700000714
其中，Zi为主导样本集中的第i个训练样本与控制对象间线性化后的exp函数值，Yi train是主导样本集中的第i个训练样本的振荡模式阻尼比，ythre是对系统预先设定的稳定阈值。
7.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一所述的电网扰动稳定控制方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5任一所述的电网扰动稳定控制方法的步骤。
CN202010889646.5A 2020-08-28 2020-08-28 电网扰动稳定控制方法及装置、电子设备及存储介质 Active CN112103949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010889646.5A CN112103949B (zh) 2020-08-28 2020-08-28 电网扰动稳定控制方法及装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010889646.5A CN112103949B (zh) 2020-08-28 2020-08-28 电网扰动稳定控制方法及装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112103949A CN112103949A (zh) 2020-12-18
CN112103949B true CN112103949B (zh) 2022-07-08

Family

ID=73758215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010889646.5A Active CN112103949B (zh) 2020-08-28 2020-08-28 电网扰动稳定控制方法及装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112103949B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707019B (zh) * 2023-05-12 2024-01-26 云南电网有限责任公司信息中心 一种日前电力市场的电量分配方法、系统及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100464119B1 (ko) * 2002-12-30 2005-01-03 한국전기연구원 최적화 기법을 적용한 전력진동 댐핑율 계산방법
CN111355247B (zh) * 2020-02-18 2022-04-01 清华大学 电网低频振荡预测方法及装置

Also Published As

Publication number Publication date
CN112103949A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
KR20200031163A (ko) 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체
Das et al. Multi-objective LQR with optimum weight selection to design FOPID controllers for delayed fractional order processes
Lv et al. Prediction of the transient stability boundary using the lasso
Chen et al. Multi-objective mean–variance–skewness model for nonconvex and stochastic optimal power flow considering wind power and load uncertainties
CN110163540B (zh) 电力系统暂态稳定预防控制方法及系统
CN110518591B (zh) 一种不确定电力系统的潮流计算方法
Younesi et al. Application of reinforcement learning for generating optimal control signal to the IPFC for damping of low‐frequency oscillations
CN112103949B (zh) 电网扰动稳定控制方法及装置、电子设备及存储介质
Razmi et al. Steady state voltage stability with AVR voltage constraints
CN110490248A (zh) 一种电力电子变换器故障诊断方法、终端设备及存储介质
Jiang et al. H∞ optimal control of unknown linear systems by adaptive dynamic programming with applications to time‐delay systems
Maged et al. Optimal Real-time implementation of fuzzy logic control strategy for performance enhancement of autonomous microgrids
CN111355247B (zh) 电网低频振荡预测方法及装置
JP6067289B2 (ja) 電力系統の縮約モデル作成装置、作成方法及び作成プログラム
CN117217290A (zh) 因果生成对抗网络的数据插补方法、装置、设备和介质
CN108539799B (zh) 一种电网中风电的调度方法及装置
CN115833147A (zh) 基于强化学习的无功电压优化方法、装置、设备及介质
Montagner et al. Design of H∞ gain-scheduled controllers for linear time-varying systems by means of polynomial Lyapunov functions
US10467119B2 (en) Data-agnostic adjustment of hard thresholds based on user feedback
Hassan-Moghaddam et al. Distributed design of optimal structured feedback gains
CN114583714A (zh) 电力系统无功优化控制参数求解方法、系统、设备及介质
Cheng A grey CES production function model and its application in Calculating the contribution rate of economic growth factors
CN114386322A (zh) 一种基于蜻蜓算法的含分布式电源的配电网无功优化方法
KR102212384B1 (ko) 복합 시스템들의 제어를 위한 무작위화된 강화 학습
CN108899910B (zh) 一种对量测噪声鲁棒的数据驱动电网潮流方程线性化计算方法

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