CN112217207A - 一种暂态电压稳定裕度预测方法及装置 - Google Patents

一种暂态电压稳定裕度预测方法及装置 Download PDF

Info

Publication number
CN112217207A
CN112217207A CN202011124060.6A CN202011124060A CN112217207A CN 112217207 A CN112217207 A CN 112217207A CN 202011124060 A CN202011124060 A CN 202011124060A CN 112217207 A CN112217207 A CN 112217207A
Authority
CN
China
Prior art keywords
stability margin
transient voltage
power system
system operation
voltage stability
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
CN202011124060.6A
Other languages
English (en)
Other versions
CN112217207B (zh
Inventor
张�杰
孙志媛
郭琦
刘默斯
胡斌江
李明珀
朱益华
张翌辉
常东旭
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Research Institute of Southern Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Research Institute of Southern Power Grid 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd, Research Institute of Southern Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202011124060.6A priority Critical patent/CN112217207B/zh
Publication of CN112217207A publication Critical patent/CN112217207A/zh
Application granted granted Critical
Publication of CN112217207B publication Critical patent/CN112217207B/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
    • 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"
    • 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
    • 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
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种暂态电压稳定裕度预测方法及装置，其方法包括：从预先构建的电力数据库中提取稳定裕度训练样本；选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压稳定预测模型；将目标电力系统运行方式数据输入到所述预测模型，得到目标暂态电压稳定裕度。从而满足现阶段对电子系统暂态稳定裕度预测的快速性和准确性要求，同时由于在输出目标暂态稳定裕度的同时也输出对应的置信度以供调度人员参考，调度人员可以短时间内确认目标暂态稳定裕度的可信程度。

Description

一种暂态电压稳定裕度预测方法及装置
技术领域
本发明涉及稳定裕度预测技术领域，尤其涉及一种暂态电压稳定裕度预测方法及装置。
背景技术
暂态电压稳定性是电力系统安全稳定运行的重要评估指标，电力系统暂态电压稳定性分析中，暂态电压稳定裕度指标能够提供直观判断电力系统暂态电压的稳定性。
到目前为止，暂态电压稳定问题最常用的方法是时域仿真法，虽然时域仿真法可适应各种不同的元件模型和系统故障及操作，但耗时长，很难提供关于系统稳定程度的精确信息，从而无法满足电力系统暂态电压稳定裕度评估快速性和准确性的要求。
发明内容
本发明提供了一种暂态电压稳定裕度预测方法及装置，用于解决现有的暂态电压稳定裕度预测方法无法满足电子系统暂态稳定裕度预测的快速性和准确性要求的技术问题。
第一方面，本发明提供的一种暂态电压稳定裕度预测方法，包括：
从预先构建的电力数据库中提取稳定裕度训练样本；
选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；
利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压稳定预测模型；
将目标电力系统运行方式数据输入到所述暂态电压稳定预测模型，得到目标暂态电压稳定裕度。
可选地，所述将目标电力系统运行方式数据输入到所述预测模型，得到目标暂态电压稳定裕度的步骤，包括：
将所述目标电力系统运行方式数据输入到所述预测暂态电压稳定裕度预测模型，得到待定暂态电压稳定裕度及对应的置信度；
确定最大置信度，并将所述最大置信度对应的待定暂态电压稳定裕度确定为目标暂态稳定裕度。
可选地，构建所述电力数据库的步骤包括：
通过动态调整电力负荷大小和发电机输出功率，获取不同电力系统运行方式数据；
对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度；
根据所述不同电力系统运行方式数据和所述不同电力系统运行方式下的暂态电压稳定裕度，构建所述电力数据库。
可选地，所述对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度的步骤，包括：
依次对所述不同电力系统运行方式数据进行拓扑分析，生成所有N-1故障集数据；
利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不同电力系统运行方式下的暂态电压稳定裕度。
可选地，所述利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不用电力系统运行方式下的暂态电压稳定裕度的步骤包括：
利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到不同电力系统运行方式对应的仿真结果；
从所述不同电力系统运行方式对应的仿真结果中提取故障前的支路有功潮流、故障前的支路无功潮流、母线电压和发电机输出功率作为所述不同电力系统运行方式的表征状态量；
依据所述不同电力系统运行方式的表征状态量生成算例，得到所述不用电力系统运行方式对应的暂态电压稳定裕度。
第二方面，本发明还提供了一种暂态电压稳定裕度预测装置，其特征在于，包括：
训练样本提取模块，用于从预先构建的电力数据库中提取稳定裕度训练样本；
算法构建模块，用于选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；
预测模型获取模块，用于利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压稳定预测模型；
稳定裕度获取模块，用于将目标电力系统运行方式数据输入到所述暂态电压稳定预测模型，得到目标暂态电压稳定裕度。
可选地，所述稳定裕度获取模块包括：
输入子模块，用于将所述目标电力系统运行方式数据输入到所述预测暂态电压稳定裕度预测模型，得到待定暂态电压稳定裕度及对应的置信度；
确定子模块，用于确定最大置信度，并将所述最大置信度对应的待定暂态电压稳定裕度确定为目标暂态稳定裕度。
可选地，所述装置电力数据库构建的模块包括：
数据获取模块，用于通过动态调整电力负荷大小和发电机输出功率，获取不同电力系统运行方式数据；
仿真分析模块，用于对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度；
数据库构建模块，用于根据所述不同电力系统运行方式数据和所述不同电力系统运行方式下的暂态电压稳定裕度，构建所述电力数据库。
可选地，所述仿真分析模块包括：
生成子模块，用于依次对所述不同电力系统运行方式数据进行拓扑分析，生成所有N-1故障集数据；
分析子模块，用于利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不同电力系统运行方式下的暂态电压稳定裕度。
可选地，所述分析子模块包括：
时域仿真单元，用于利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到不同电力系统运行方式对应的仿真结果；
表征状态量确定单元，用于从所述不同电力系统运行方式对应的仿真结果中提取故障前的支路有功潮流、故障前的支路无功潮流、母线电压和发电机输出功率作为所述不同电力系统运行方式的表征状态量；
稳定裕度确定单元，用于依据所述不同电力系统运行方式的表征状态量生成算例，得到所述不用电力系统运行方式对应的暂态电压稳定裕度。
从以上技术方案可以看出，本发明具有以下优点：
本申请通过从预先构建的电力数据库中提取稳定裕度训练样本；通过网格搜索法选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压温度稳定预测模型；将目标电力系统运行方式数据输入到所述预测模型，得到目标暂态电压稳定裕度。从而满足现阶段对电子系统暂态稳定裕度预测的快速性和准确性要求，同时由于在输出目标暂态稳定裕度的同时也输出对应的置信度以供调度人员参考，调度人员可以短时间内确认目标暂态稳定裕度的可信程度。
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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的一种暂态稳定裕度预测方法实施例一的步骤流程图；
图2为具备概率预测功能的梯度提升机算法中三个组件的构成示意图；
图3为本发明的一种暂态稳定裕度预测方法实施例二的步骤流程图；
图4为本发明的一种暂态稳定裕度预测装置的实施例的结构框图。
具体实施方式
本发明实施例提供了一种暂态电压稳定裕度预测方法及装置，用于解决现有的暂态电压稳定裕度预测方法无法满足电子系统暂态稳定裕度预测的快速性和准确性要求的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
为了便于理解，请参阅图1，图1为本发明实施例提供的一种暂态电压稳定裕度预测方法实施例一的步骤流程图，具体为：
步骤S101，从预先构建的电力数据库中提取稳定裕度训练样本；
在本发实施例中，可从预先构建的电力数据库中准备一定的稳定裕度训练样本。
步骤S102，选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；
需要说明的是，具备概率预测功能的梯度提升机算法是使用自然梯度来解决现有梯度提升方法难以处理的通用概率预测中的技术难题，具体的，这种算法是模块化的，基础学习器、参数概率分布类型和评分规则都是可灵活选择。
请参阅图2，图2为具备概率预测功能的梯度提升机算法中三个组件的构成示意图，其中x为输入数据，y为x对应的标签数据，1组件可以是多个，用于选定基础学习器，2组件用于选定参数概率分布类型，3组件用于选定评分规则。在具体的选定中，对输入数据x的预测是以2组件所选定的参数概率分布类型，即Pθ(y∣x)的形式完成的，其中参数θ是通过不少于一个基础学习区输出与初始分布的叠加组合得到。
本发明实施例中，把基础学习器、参数概率分布类型和评分规则当做是超参数对待，通过网格搜索的方法确定构建具备概率预测功能的梯度提升机算法。
在具体实现中，基础学习器类型可以是任何定义好的可用于回归任务的学习器，如决策树和XGBoost等；参数概率分布类型可以是高斯分布和对数高斯分布等；评分规则将预先指定的概率分布和x对应的标签数据作为输入，然后在输出空间上打分，从而使得实际输出分布的打分在期望上达到最佳，一般可以选择最大似然估计或者最大似然估计的鲁棒版本，以及连续分级概率评分等。
需要说明的是，网格搜索是一种调参手段，指在所有的候选参数中，通过循环遍历，尝试每一种可能性，将表现最好的参数定义为最终的结果。
步骤S103，利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压稳定预测模型；
在本发明实施例中，对于步骤S101获取的训练材料。使用具备概率预测功能的梯度提升机算法监督暂态电压稳定预测模型的训练，从而得到暂态电压稳定预测模型，从而不需要人工的干预，直接根据数据本身的特定，生成对暂态电压稳定裕度有指导意义的预测模型。
步骤S104，将目标电力系统运行方式数据输入到所述暂态电压稳定预测模型，得到目标暂态电压稳定裕度。
在本发明的一个可选实施例中，所述将目标电力系统运行方式数据输入到所述预测模型，得到目标暂态电压稳定裕度的步骤，包括：
将所述目标电力系统运行方式数据输入到所述预测暂态电压稳定裕度预测模型，得到待定暂态电压稳定裕度及对应的置信度；
确定最大置信度，并将所述最大置信度对应的待定暂态电压稳定裕度确定为目标暂态稳定裕度。
在本发明实施例中，将目标电力系统运行方式数据全部输入到步骤S103得到的暂态电压稳定预测模型当中，得到至少一个的待定暂态电压稳定裕度，以及待定暂态电压稳定裕度的置信度，然后将置信度最高的待定暂态电压稳定裕度确定为目标暂态稳定裕度，进而确定目标电力系统的暂态电压稳定裕度。
值得一提的是，置信度是数据驱动类模型在电力系统中应用过程所需要的一种供调度人员参考的重要指标，同时，电压稳定裕度预测本质上属于回归问题，而基于回归问题的回归任务不同于分类任务：分类任务可有从分类器直接得到分类概率，通过回归分析得到的回归值缺乏置信度输出。本发明实施例通过在输出目标暂态稳定裕度的同时也输出对应的置信度以供调度人员参考，调度人员可以短时间内确认目标暂态稳定裕度的可信程度。
本发明实施例提供了一种暂态电压稳定裕度测方法，通过从预先构建的电力数据库中提取稳定裕度训练样本；通过网格搜索法选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压温度稳定预测模型；将目标电力系统运行方式数据输入到所述预测模型，得到目标暂态电压稳定裕度。从而满足现阶段对电子系统暂态稳定裕度预测的快速性和准确性要求，同时由于在输出目标暂态稳定裕度的同时也输出对应的置信度以供调度人员参考，调度人员可以短时间内确认目标暂态稳定裕度的可信程度。
请参阅图3，图3为本发明实施例提供的一种暂态电压稳定裕度预测方法实施例二的步骤流程图，具体包括以下步骤：
步骤S201，通过动态调整电力负荷大小和发电机输出功率，获取不同电力系统运行方式数据；
在具体实现中，通过调整电力系统中的电力负荷的大小和/或，发电机输出功率的大小，从而改变电力系统运行方式，记录不用电力系统运行方式数据。
步骤S202，对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度；
在一个可选本实施例中，所述对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度的步骤，包括：
依次对所述不同电力系统运行方式数据进行拓扑分析，生成所有N-1故障集数据；
利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不同电力系统运行方式下的暂态电压稳定裕度。
需要说明的是，暂态电压稳定裕度定义为1-T0.75pu，其中T0.75pu表示暂态期间电压低于0.75pu的持续时间。
在本发明实施例中，对不同电力系统方式数据以N-1原则确定故障集，即得到N-1故障集，进而得到与N-1故障集对应的正常数据，然后基于时域仿真法对不同电力系统的运行方式数据、N-1故障集，以及与N-1故障集对应的正常数据，调用PSD-BPA进行时域仿真，根据稳定判定导则，计算所述不同电力系统运行方式对应的暂态电压稳定裕度。
在一个可选实施例中，所述利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不同电力系统运行方式下的暂态电压稳定裕度的步骤包括：
利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到不同电力系统运行方式对应的仿真结果；
从所述不同电力系统运行方式对应的仿真结果中提取故障前的支路有功潮流、故障前的支路无功潮流、母线电压和发电机输出功率作为所述不同电力系统运行方式的表征状态量；
在本发明实施例中，对于时域仿真结果，将提取故障前的支路有功和无功潮流、母线电压和发电机出力等作为表征电力系统的状态量。
依据所述不同电力系统运行方式的表征状态量生成算例，得到所述不用电力系统运行方式对应的暂态电压稳定裕度。
在具体实现中，提取所有所述不同电力系统运行方式对应的仿真结果对应的故障前的支路有功潮流、无功潮流、母线电压和发电机输出功率作为所述不同电力系统运行方式的表征状态量，依据所述不同电力系统运行方式的表征状态量生成算例，得到所述不用电力系统运行方式对应的暂态电压稳定裕度。
步骤S203，根据所述不同电力系统运行方式数据和所述不同电力系统运行方式下的暂态电压稳定裕度，构建所述电力数据库；
在本发明实施例中，存储所述不同电力系统运行方式数据和所述不同电力系统运行方式对应的暂态电压稳定裕度，形成所述电力数据库。
步骤S204，从电力数据库中提取稳定裕度训练样本，所述训练数据包括所述不同电力系统运行方式数据和所述不同电力系统运行方式对应的暂态电压稳定裕度；
步骤S205，选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；
步骤S206，利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压稳定预测模型；
步骤S207，将目标电力系统运行方式数据输入到所述暂态电压稳定预测模型，得到目标暂态电压稳定裕度。
需要明白的是，尽管深度学习的迅速发展可以为电压稳定预测提供新的思路，但作为深度学习中最基本的深度神经网络模型对表格类数据的处理尚不能完全发挥良好的泛化能力，而电力系统的数据在忽略拓扑关系后，可以定义为表格类数据，因此深度神经网络模型对于电力系统的数据处理并不能达到很好的效果。与深度神经网络不同，具备概率预测功能的梯度提升机算法中的树类模型在结构上显著区别于神经网络：其在小数据集和表格类数据处理效果准确、可解释性好，并且学习速度快，因此具备概率预测功能的梯度提升机算法应用于大电网时可以有效降低时间，提高效率。
在本发明实施例中，通过将目标电力系统运行方式数据输入到基于具备概率预测功能的梯度提升机算法得到的暂态电压稳定预测模型当中，可以在短时间内精确得到可信度高的目标暂态电压稳定裕度。
本发明实施例提供了一种暂态电压稳定裕度测方法，通过从预先构建的电力数据库中提取稳定裕度训练样本；通过网格搜索法选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压温度稳定预测模型；将目标电力系统运行方式数据输入到所述预测模型，得到目标暂态电压稳定裕度。满足现阶段对电子系统暂态稳定裕度预测的快速性和准确性要求，同时由于在输出目标暂态稳定裕度的同时也输出对应的置信度以供调度人员参考，调度人员可以短时间内确认目标暂态稳定裕度的可信程度。
请参阅图4，示出了一种项目风险管理装置实施例的结构框图，包括如下模块：
训练样本提取模块101，用于从预先构建的电力数据库中提取稳定裕度训练样本；
算法构建模块102，用于选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；
预测模型获取模块103，用于利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压稳定预测模型；
稳定裕度获取模块104，用于将目标电力系统运行方式数据输入到所述暂态电压稳定预测模型，得到目标暂态电压稳定裕度。
在一个可选实施例中，所述稳定裕度获取模块104包括：
输入子模块，用于将所述目标电力系统运行方式数据输入到所述预测暂态电压稳定裕度预测模型，得到待定暂态电压稳定裕度及对应的置信度；
确定子模块，用于确定最大置信度，并将所述最大置信度对应的待定暂态电压稳定裕度确定为目标暂态稳定裕度。
在一个可选实施例中，所述装置电力数据库构建的模块包括：
数据获取模块，用于通过动态调整电力负荷大小和发电机输出功率，获取不同电力系统运行方式数据；
仿真分析模块，用于对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度；
数据库构建模块，用于根据所述不同电力系统运行方式数据和所述不同电力系统运行方式下的暂态电压稳定裕度，构建所述电力数据库。
在一个可选实施例中，所述仿真分析模块包括：
生成子模块，用于依次对所述不同电力系统运行方式数据进行拓扑分析，生成所有N-1故障集数据；
分析子模块，用于利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不同电力系统运行方式下的暂态电压稳定裕度。
在一个可选实施例中，所述分析子模块包括：
时域仿真单元，用于利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到不同电力系统运行方式对应的仿真结果；
表征状态量确定单元，用于从所述不同电力系统运行方式对应的仿真结果中提取故障前的支路有功潮流、故障前的支路无功潮流、母线电压和发电机输出功率作为所述不同电力系统运行方式的表征状态量；
稳定裕度确定单元，用于依据所述不同电力系统运行方式的表征状态量生成算例，得到所述不用电力系统运行方式对应的暂态电压稳定裕度。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一实施例所述的暂态电压稳定裕度预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一实施例所述的暂态电压稳定裕度预测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或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-OnlyMemory)、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。
以上所述，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 (10)

1.一种暂态电压稳定裕度预测方法，其特征在于，所述方法包括：
从预先构建的电力数据库中提取稳定裕度训练样本；
选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；
利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压稳定预测模型；
将目标电力系统运行方式数据输入到所述暂态电压稳定预测模型，得到目标暂态电压稳定裕度。
2.根据权利要求1所述的暂态电压稳定裕度预测方法，其特征在于，所述将目标电力系统运行方式数据输入到所述预测模型，得到目标暂态电压稳定裕度的步骤，包括：
将所述目标电力系统运行方式数据输入到所述预测暂态电压稳定裕度预测模型，得到待定暂态电压稳定裕度及对应的置信度；
确定最大置信度，并将所述最大置信度对应的待定暂态电压稳定裕度确定为目标暂态稳定裕度。
3.根据权利要求2所述的暂态电压稳定裕度预测方法，其特征在于，构建所述电力数据库的步骤包括：
通过动态调整电力负荷大小和发电机输出功率，获取不同电力系统运行方式数据；
对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度；
根据所述不同电力系统运行方式数据和所述不同电力系统运行方式下的暂态电压稳定裕度，构建所述电力数据库。
4.根据权利要求3所述的暂态电压稳定裕度预测方法，其特征在于，所述对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度的步骤，包括：
依次对所述不同电力系统运行方式数据进行拓扑分析，生成所有N-1故障集数据；
利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不同电力系统运行方式下的暂态电压稳定裕度。
5.根据权利要求4所述的暂态电压稳定裕度预测方法，其特征在于，所述利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不用电力系统运行方式下的暂态电压稳定裕度的步骤包括：
利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到不同电力系统运行方式对应的仿真结果；
从所述不同电力系统运行方式对应的仿真结果中提取故障前的支路有功潮流、故障前的支路无功潮流、母线电压和发电机输出功率作为所述不同电力系统运行方式的表征状态量；
依据所述不同电力系统运行方式的表征状态量生成算例，得到所述不用电力系统运行方式对应的暂态电压稳定裕度。
6.一种暂态电压稳定裕度预测装置，其特征在于，所述装置包括：
训练样本提取模块，用于从预先构建的电力数据库中提取稳定裕度训练样本；
算法构建模块，用于选定基础学习器、参数概率分布类型和评分规则，从而构建具备概率预测功能的梯度提升机算法；
预测模型获取模块，用于利用所述稳定裕度训练样本和所述具备概率预测功能的梯度提升机算法训练暂态电压稳定裕度模型的参数，得到暂态电压稳定预测模型；
稳定裕度获取模块，用于将目标电力系统运行方式数据输入到所述暂态电压稳定预测模型，得到目标暂态电压稳定裕度。
7.根据权利要求6所述的暂态电压稳定裕度预测装置，其特征在于，所述稳定裕度获取模块包括：
输入子模块，用于将所述目标电力系统运行方式数据输入到所述预测暂态电压稳定裕度预测模型，得到待定暂态电压稳定裕度及对应的置信度；
确定子模块，用于确定最大置信度，并将所述最大置信度对应的待定暂态电压稳定裕度确定为目标暂态稳定裕度。
8.根据权利要求7所述的暂态电压稳定裕度预测装置，其特征在于，所述装置电力数据库构建的模块包括：
数据获取模块，用于通过动态调整电力负荷大小和发电机输出功率，获取不同电力系统运行方式数据；
仿真分析模块，用于对所述不同电力系统运行方式数据进行时域仿真分析，得到不同电力系统运行方式下的暂态电压稳定裕度；
数据库构建模块，用于根据所述不同电力系统运行方式数据和所述不同电力系统运行方式下的暂态电压稳定裕度，构建所述电力数据库。
9.根据权利要求8所述的暂态电压稳定裕度预测装置，其特征在于，所述仿真分析模块包括：
生成子模块，用于依次对所述不同电力系统运行方式数据进行拓扑分析，生成所有N-1故障集数据；
分析子模块，用于利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到所述不同电力系统运行方式下的暂态电压稳定裕度。
10.根据权利要求9所述的暂态电压稳定裕度预测装置，其特征在于，所述分析子模块包括：
时域仿真单元，用于利用时域仿真法对所述不同电力系统运行方式数据和所述N-1故障集数据分析，得到不同电力系统运行方式对应的仿真结果；
表征状态量确定单元，用于从所述不同电力系统运行方式对应的仿真结果中提取故障前的支路有功潮流、故障前的支路无功潮流、母线电压和发电机输出功率作为所述不同电力系统运行方式的表征状态量；
稳定裕度确定单元，用于依据所述不同电力系统运行方式的表征状态量生成算例，得到所述不用电力系统运行方式对应的暂态电压稳定裕度。
CN202011124060.6A 2020-10-20 2020-10-20 一种暂态电压稳定裕度预测方法及装置 Active CN112217207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011124060.6A CN112217207B (zh) 2020-10-20 2020-10-20 一种暂态电压稳定裕度预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011124060.6A CN112217207B (zh) 2020-10-20 2020-10-20 一种暂态电压稳定裕度预测方法及装置

Publications (2)

Publication Number Publication Date
CN112217207A true CN112217207A (zh) 2021-01-12
CN112217207B CN112217207B (zh) 2023-04-28

Family

ID=74056050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011124060.6A Active CN112217207B (zh) 2020-10-20 2020-10-20 一种暂态电压稳定裕度预测方法及装置

Country Status (1)

Country Link
CN (1) CN112217207B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112865167A (zh) * 2021-04-12 2021-05-28 华北电力大学 一种交直流混联系统暂态稳定裕度确定方法及系统
CN113300373A (zh) * 2021-06-04 2021-08-24 南方电网科学研究有限责任公司 一种基于prmse评价指标的稳定裕度值预测方法及装置
CN113361769A (zh) * 2021-06-04 2021-09-07 南方电网科学研究有限责任公司 基于prmse和crmse评价指标的稳定裕度值预测方法及装置
CN115730838A (zh) * 2022-10-17 2023-03-03 国网河北省电力有限公司 基于并联局域模型的电力系统暂态电压安全裕度评估方法
CN115986746A (zh) * 2022-12-16 2023-04-18 南方电网数字电网研究院有限公司 基于软传感器的预测方法、装置、计算机设备和存储介质
CN117390418A (zh) * 2023-12-05 2024-01-12 国网湖北省电力有限公司经济技术研究院 一种风电并网系统暂态稳定评估方法、系统及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111404150A (zh) * 2020-03-30 2020-07-10 广西电网有限责任公司电力科学研究院 一种适用于大电网运行的暂态稳定评估方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111404150A (zh) * 2020-03-30 2020-07-10 广西电网有限责任公司电力科学研究院 一种适用于大电网运行的暂态稳定评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢锦玲等: "基于MGS-LGBM 算法的电力系统暂态稳定评估", 《电力科学与工程》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112865167A (zh) * 2021-04-12 2021-05-28 华北电力大学 一种交直流混联系统暂态稳定裕度确定方法及系统
CN113300373A (zh) * 2021-06-04 2021-08-24 南方电网科学研究有限责任公司 一种基于prmse评价指标的稳定裕度值预测方法及装置
CN113361769A (zh) * 2021-06-04 2021-09-07 南方电网科学研究有限责任公司 基于prmse和crmse评价指标的稳定裕度值预测方法及装置
CN113361769B (zh) * 2021-06-04 2023-01-03 南方电网科学研究有限责任公司 基于prmse和crmse评价指标的稳定裕度值预测方法及装置
CN115730838A (zh) * 2022-10-17 2023-03-03 国网河北省电力有限公司 基于并联局域模型的电力系统暂态电压安全裕度评估方法
CN115730838B (zh) * 2022-10-17 2023-11-07 国网河北省电力有限公司 基于并联局域模型的电力系统暂态电压安全裕度评估方法
CN115986746A (zh) * 2022-12-16 2023-04-18 南方电网数字电网研究院有限公司 基于软传感器的预测方法、装置、计算机设备和存储介质
CN115986746B (zh) * 2022-12-16 2024-03-26 南方电网数字电网研究院有限公司 基于软传感器的预测方法、装置、计算机设备和存储介质
CN117390418A (zh) * 2023-12-05 2024-01-12 国网湖北省电力有限公司经济技术研究院 一种风电并网系统暂态稳定评估方法、系统及设备
CN117390418B (zh) * 2023-12-05 2024-03-08 国网湖北省电力有限公司经济技术研究院 一种风电并网系统暂态稳定评估方法、系统及设备

Also Published As

Publication number Publication date
CN112217207B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN112217207A (zh) 一种暂态电压稳定裕度预测方法及装置
CN111881983B (zh) 基于分类模型的数据处理方法、装置、电子设备及介质
CN112579727B (zh) 文档内容的提取方法、装置、电子设备及存储介质
CN110971659A (zh) 推荐消息的推送方法、装置及存储介质
CN112801315A (zh) 电力二次设备的状态诊断方法、装置及终端
Luo et al. Graph convolutional network-based interpretable machine learning scheme in smart grids
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
CN111340287A (zh) 配电柜运行状态预测方法及装置
CN113300373B (zh) 一种基于prmse评价指标的稳定裕度值预测方法及装置
CN117520800A (zh) 一种营养学文献模型训练方法、系统、电子设备及介质
CN111985226B (zh) 标注数据生成方法及装置
CN111612149A (zh) 一种基于决策树的主网线路状态检测方法、系统及介质
CN115271277A (zh) 电力设备画像构建方法、系统、计算机设备及存储介质
EP3379461A1 (en) Method for computer-assisted determination of the performance of a classification model
CN114708117A (zh) 融合先验知识的用电安全检查评级方法、装置及设备
CN113887101A (zh) 网络模型的可视化方法、装置、电子设备及存储介质
CN117041073B (zh) 网络行为预测方法、系统、设备及存储介质
CN117215205B (zh) 基于决策树和iss理论的直流系统控制参数分析方法
CN113435655B (zh) 扇区动态管理决策方法、服务器及系统
CN113361769B (zh) 基于prmse和crmse评价指标的稳定裕度值预测方法及装置
CN117574146B (zh) 文本分类标注方法、装置、电子设备和存储介质
CN117892313A (zh) 软件安全漏洞预测方法、装置、计算机设备及存储介质
CN116468076A (zh) 一种驾驶行为分析方法、装置、电子设备及存储介质
CN118035445A (zh) 一种工单分类方法、装置、电子设备和存储介质
CN116484237A (zh) 一种电碳因子确定方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant