CN112564158B - 一种直流换相失败预测方法 - Google Patents
一种直流换相失败预测方法 Download PDFInfo
- Publication number
- CN112564158B CN112564158B CN202011468763.0A CN202011468763A CN112564158B CN 112564158 B CN112564158 B CN 112564158B CN 202011468763 A CN202011468763 A CN 202011468763A CN 112564158 B CN112564158 B CN 112564158B
- Authority
- CN
- China
- Prior art keywords
- voltage drop
- converter station
- commutation failure
- voltage
- target converter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000013499 data model Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- 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
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Inverter Devices (AREA)
- Direct Current Feeding And Distribution (AREA)
Abstract
本发明公开一种直流换相失败预测方法,包括:步骤S1,通过批量仿真建立交流系统故障与目标换流站电压跌落的映射关系,获得交流系统故障造成的目标换流站电压跌落的第一分量;步骤S2,通过批量仿真绘制用于表征电压交互影响的调整后的多馈入相互作用因子AMIIF曲线,计算邻近换流站造成的目标换流站电压跌落的第二分量;步骤S3,将目标换流站电压跌落的第一分量与第二分量相叠加,获得目标换流站电压跌落预测值,将所述电压跌落预测值与换相失败临界电压比较,根据比较结果判断是否发生换相失败。本发明能够解决电力系统中连锁换相失败预测困难的问题,利用数据模型与物理模型联合驱动的方式提高预测精度。
Description
技术领域
本发明涉及输电技术领域,尤其涉及一种直流换相失败预测方法。
背景技术
高压直流(HVDC)技术因其低传输损耗和高可控性而广泛应用于输电项目。但是,与本地发电相比,大容量输电系统使受端电网更加脆弱。如果HVDC系统遇到严重故障,造成直流换相失败甚至直流闭锁,则严重的电力短缺将导致一系列连锁事件,例如频率跌落甚至大规模停电。
现有针对换相失败的研究主要从物理机理开展,通过对换相失败过程中的动态电流电压特性进行精细化建模,实现对换相失败的预测,但这一过程涉及大量电磁过程,通常需要消耗大量计算时间才能得出计算结果。因此,该方法虽然准确,但不适用于在线实时预测。
发明内容
本发明所要解决的技术问题在于,提出一种直流换相失败预测方法,以解决换相失败的速度与精度协同的问题,使其能够进行准确的在线实时预测。
为了解决上述技术问题,本发明提供一种直流换相失败预测方法,包括:
步骤S1,通过批量仿真建立交流系统故障与目标换流站电压跌落的映射关系,获得交流系统故障造成的目标换流站电压跌落的第一分量;
步骤S2,通过批量仿真绘制用于表征电压交互影响的调整后的多馈入相互作用因子AMIIF曲线,计算邻近换流站造成的目标换流站电压跌落的第二分量;
步骤S3,将目标换流站电压跌落的第一分量与第二分量相叠加,获得目标换流站电压跌落预测值,将所述电压跌落预测值与换相失败临界电压比较,根据比较结果判断是否发生换相失败。
进一步地,所述步骤S1中,通过数据模型进行预测,利用大量仿真样本,通过人工智能技术拟合交流系统故障参数和对应的电压跌落之间的关系,计算得到交流系统故障造成的目标换流站电压跌落的第一分量。
进一步地,所述步骤S2中,通过物理模型进行预测邻近换流站造成的电压跌落,利用仿真或实际数据绘制AMIIF曲线,通过AMIIF曲线计算邻近换流站造成的目标换流站电压跌落的第二分量。
进一步地,通过AMIIF曲线计算邻近换流站造成的目标换流站电压跌落的第二分量,具体是根据下式计算:
ΔVj=AMIIF×ΔVi
其中,ΔVi是邻近换流站的电压跌落,ΔVj是目标换流站的电压跌落。
进一步地,所述步骤S3具体包括:
将步骤S1获得的目标换流站电压跌落的第一分量与步骤S2获得的目标换流站电压跌落的第二分量相叠加,得到目标换流站电压跌落预测值;
将目标换流站电压跌落预测值与临界换相失败电压进行比较,若目标换流站电压跌落预测值小于临界换相失败电压,则判断不发生换相失败,否则判定发生换相失败。
进一步地,所述步骤S2中,绘制调整后电压交互影响因子AMIIF曲线具体为:通过对邻近换流站不同的电压跌落幅值进行测试,得到目标换流站的电压跌落情况,多次测量形成拟合曲线。
本发明实施例的有益效果在于:能够在交流故障后的第一次换相失败后尽早做出后续其他换流站的换相失败预测,准确性较高。另外,通过机器学习模型来量化由交流故障引起的压降效应,其中在仿真平台中生成各种情况来训练该模型,该数据驱动的模型能够最大限度的提升预测速度,为紧急控制提供时间裕度。通过这种方式,建立了物理数据组合模型来预测交流故障后的后续换向失败。基于换相失败的快速预测,可以更快地执行紧急控制,防止系统发生大停电事故。
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为本发明实施例一种直流换相失败预测方法的流程示意图。
图2为一种直流换相失败预测方法的原理框架图。
图3为测试系统的某实际电网拓扑图。
图4为本发明实施例中AMIIF与MIIF的对比示意图。
图5为本发明实施例中电压跌落预测值与实际电压跌落的对比示意图。
图6为本发明实施例中电压跌落预测值的误差分布示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例提供一种直流换相失败预测方法,包括:
步骤S1,通过批量仿真建立交流系统故障与换流站电压跌落的映射关系,获得交流系统故障造成的目标换流站电压跌落的第一分量;
步骤S2,通过批量仿真绘制用于表征电压交互影响的调整后的多馈入相互作用因子AMIIF曲线,计算邻近换流站造成的目标换流站电压跌落的第二分量;
步骤S3,将目标换流站电压跌落的第一分量与第二分量相叠加,获得目标换流站电压跌落预测值,将所述电压跌落预测值与换相失败临界电压比较,根据比较结果判断是否发生换相失败。
具体地,请结合图2所示,与通过切断电容器导致的电压降相比,交流系统故障后的电压降会更大。因此,通过调整后的多馈入相互作用因子AMIIF(Adjusted Multi-InfeedInteraction Factor)计算出的电压降仅偏离真实值。本发明实施例认为该偏差与交流系统故障有关,在步骤S1将使用机器学习来回归这部分压降。
数据驱动的方法取决于大型样本集,因此已进行了广泛的仿真以生成训练集,目的是建立交流系统故障与HVDC压降之间的关系。设置不同类型的交流系统故障来获取电压跌落的现象,其中故障位置,持续时间,类型和负载水平是重要的参数,通过设置随机分布以实现样本的多样性。
在多馈HVDC系统中,数百个交流母线和多个直流换流站在一个样本中产生数千个测量值。本发明将Fisher用作特征选择算法。该方法根据每个特征与换向失败的相关性给予其权重,其定义如下:
考虑到电压降预测的时间尺度,机器学习算法应该快速。另外,实际的电源系统包含多个测量值,这些测量值会在离线训练期间增加计算量。结合离线训练和在线应用的需求,本发明采用极限学习机(ELM)来提高训练效率和快速计算。此外,决策树、卷积神经网络等算法也可应用于该问题。
步骤S2建立邻近换流站造成电压跌落预测模型。
以小步长测试电压降并绘制MIIF(Multi-Infeed Interaction Factor,多馈入相互作用因子)曲线,在本发明中,按照换流站的电容器不同的容量切断,从而导致直流母线产生不同的电压降幅值。由于调整后的MIIF(即AMIIF)是通过仿真绘制的,因此可以确定两个站点之间的电压降关系。在每种情况下,只有那些先发生换相失败的换流站才能被视为参考站,并可以用来预测目标站中的后续电压降。
步骤S3将最终预测目标换流站的换相失败,具体包括以下步骤:
将步骤S1获得的目标换流站电压跌落的第一分量与步骤S2获得的目标换流站电压跌落的第二分量相叠加,得到目标换流站电压跌落预测值;
将目标换流站电压跌落预测值与临界换相失败电压进行比较,若目标换流站电压跌落预测值小于临界换相失败电压,则判断不发生换相失败,否则判定发生换相失败。
本发明所提出的物理数据融合模型在华东电网中进行了验证测试,证明了该模型在实际系统中的有效性和优势。华东地区是中国最发达的地区之一,就地发电电能无法满足其负荷消耗。建立长距离大容量高压直流输电项目是为了解决发电和用电不平衡的问题。通过多个HVDC通道,将西部的过剩电能输送到中国东部,如图3所示。
在华东电网中,在500kV和1050kV的76条交流母线中设置三相短路故障。故障持续时间随机设置为10ms至20ms。
通过仿真测试得到不同换流站的换相失败临界电压如表1所示。
表1换流站换相失败临界电压
为了绘制AMIIF曲线,将换流站的滤波器每200MVar切除一次,测得了不同换流站的AMIIF曲线,选取了其中一个站的数据进行展示如图4所示。
为了预测第一个CF之后目标站的电压降,本发明使用了并行模型,分别预测两个电压跌落分量,预测结果如图5所示,物理模型和数据模型部分,共同组成了电压跌落预测值,与真实值的差异较小,因此该模型能够准确直流电压跌落情况。AMIIF模型是物理模型,而ELM模型是统计模型。在图6中,绘制了预测误差的分布图,该图显示了收敛趋势。预测电压跌落的RMSE为0.0073。由于提出的方法旨在解决时域仿真的时间消耗问题和纯机器学习模型的准确性问题,将时域仿真法,ELM和所提出的方法进行对比,测试结果列于表2。
表2不同预测方法的比较
通过上表可见,本发明方法相比于时域仿真法节省了大量预测时间,相比于纯数据方法精度明显提高,能够满足在线应用对于速度和精度两方面的要求。
通过上述说明可知,本发明实施例的有益效果在于:能够在交流故障后的第一次换相失败后尽早做出后续其他换流站的换相失败预测,准确性较高。另外,通过机器学习模型来量化由交流故障引起的压降效应,其中在仿真平台中生成各种情况来训练该模型,该数据驱动的模型能够最大限度的提升预测速度,为紧急控制提供时间裕度。通过这种方式,建立了物理数据组合模型来预测交流故障后的后续换向失败。基于换相失败的快速预测,可以更快地执行紧急控制,防止系统发生大停电事故。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (5)
1.一种直流换相失败预测方法,其特征在于,包括:
步骤S1,通过批量仿真建立交流系统故障与目标换流站电压跌落的映射关系,获得交流系统故障造成的目标换流站电压跌落的第一分量;
步骤S2,通过批量仿真绘制用于表征电压交互影响的调整后的多馈入相互作用因子AMIIF曲线,计算邻近换流站造成的目标换流站电压跌落的第二分量;
步骤S3,将目标换流站电压跌落的第一分量与第二分量相叠加,获得目标换流站电压跌落预测值,将所述电压跌落预测值与换相失败临界电压比较,根据比较结果判断是否发生换相失败;
所述步骤S2中,通过物理模型进行预测邻近换流站造成的电压跌落,利用仿真或实际数据绘制AMIIF曲线,通过AMIIF曲线计算邻近换流站造成的目标换流站电压跌落的第二分量。
2.根据权利要求1所述的直流换相失败预测方法,其特征在于,所述步骤S1中,通过数据模型进行预测,利用大量仿真样本,通过人工智能技术拟合交流系统故障参数和对应的电压跌落之间的关系,计算得到交流系统故障造成的目标换流站电压跌落的第一分量。
3.根据权利要求1所述的直流换相失败预测方法,其特征在于,通过AMIIF曲线计算邻近换流站造成的目标换流站电压跌落的第二分量,具体是根据下式计算:
ΔVj=AMIIF×ΔVi
其中,ΔVi是邻近换流站的电压跌落,ΔVj是目标换流站的电压跌落。
4.根据权利要求1所述的直流换相失败预测方法,其特征在于,所述步骤S3具体包括:
将步骤S1获得的目标换流站电压跌落的第一分量与步骤S2获得的目标换流站电压跌落的第二分量相叠加,得到目标换流站电压跌落预测值;
将目标换流站电压跌落预测值与临界换相失败电压进行比较,若目标换流站电压跌落预测值小于临界换相失败电压,则判断不发生换相失败,否则判定发生换相失败。
5.根据权利要求1所述的直流换相失败预测方法,其特征在于,所述步骤S2中,绘制调整后电压交互影响因子AMIIF曲线具体为:通过对邻近换流站不同的电压跌落幅值进行测试,得到目标换流站的电压跌落情况,多次测量形成拟合曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468763.0A CN112564158B (zh) | 2020-12-15 | 2020-12-15 | 一种直流换相失败预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468763.0A CN112564158B (zh) | 2020-12-15 | 2020-12-15 | 一种直流换相失败预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112564158A CN112564158A (zh) | 2021-03-26 |
CN112564158B true CN112564158B (zh) | 2023-06-27 |
Family
ID=75064598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011468763.0A Active CN112564158B (zh) | 2020-12-15 | 2020-12-15 | 一种直流换相失败预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112564158B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018040466A1 (zh) * | 2016-08-27 | 2018-03-08 | 许继集团有限公司 | 一种直流故障穿越方法和计算机存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011346A (zh) * | 2019-03-19 | 2019-07-12 | 国家电网有限公司 | 一种考虑逆变站相互影响的换相失败风险评估方法 |
CN109873443B (zh) * | 2019-04-12 | 2020-06-30 | 重庆大学 | 基于临界电压的电网故障下直流连续换相失败预测方法 |
CN110187201B (zh) * | 2019-04-24 | 2021-11-16 | 中国电力科学研究院有限公司 | 考虑交直流交互的直流换相失败判别方法 |
CN110190617B (zh) * | 2019-06-06 | 2021-01-26 | 广东电网有限责任公司 | 多馈入直流电力系统的评估方法、系统、设备及存储介质 |
CN111817337B (zh) * | 2020-08-10 | 2022-03-08 | 重庆大学 | 一种多馈入高压直流输电系统相继换相失败预测控制方法 |
-
2020
- 2020-12-15 CN CN202011468763.0A patent/CN112564158B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018040466A1 (zh) * | 2016-08-27 | 2018-03-08 | 许继集团有限公司 | 一种直流故障穿越方法和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112564158A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107093895B (zh) | 基于预想故障集自动筛选的在线暂态安全稳定评估方法 | |
CN107508322B (zh) | 一种考虑光伏电站并网的电力系统短路故障计算方法 | |
CN106875127B (zh) | 统一潮流控制器可靠性建模及其接入电网可靠性评估方法 | |
Wang et al. | Resilience enhancement strategy using microgrids in distribution network | |
CN111262238B (zh) | 基于机器学习的含iidg配电网短路电流预测方法 | |
Ferdowsi et al. | New monitoring approach for distribution systems | |
CN115640748A (zh) | 一种电力系统扰动后各发电机动态频率响应预测方法 | |
CN112564158B (zh) | 一种直流换相失败预测方法 | |
CN117335426A (zh) | 一种适用于短期电压稳定性评估的关键特征识别方法 | |
CN113991652B (zh) | 数据驱动的含iidg配电网短路电流多输出计算方法 | |
CN110994614A (zh) | 一种直流输电系统的可靠性评估方法、系统及设备 | |
An et al. | IGBT open circuit fault diagnosis method for a modular multilevel converter based on PNN-MD | |
Liu et al. | Reliability evaluation of distribution network power supply based on improved sampling monte carlo method | |
CN110957723B (zh) | 一种数据驱动的在线快速评估电网暂态电压安全性的方法 | |
CN109165873B (zh) | 一种UMDs系统可靠性评估方法 | |
CN112595932A (zh) | 一种适用于中压直流配电网的单极故障选线方法 | |
CN107546742B (zh) | 一种日前计划潮流有功及电压计算误差分析方法 | |
Venayagamoorthy | Computational approaches for bad data handling in power system synchrophasor networks | |
Zhu et al. | An engineering applicable dynamic equivalent method for large-scale AC system connected to VSC-HVDC | |
de Toledo Silva et al. | Faster-than-Real-Time Simulation of a Large Brazilian AC/DC Grid to Analyze Electromagnetic & Electromechanical Transients as Well as Commutation Failures | |
Wang et al. | Fault Diagnosis Method for High Voltage Trip-off of Wind Farms Based on mRMR Method and SVM | |
CN118281945B (zh) | 考虑逆变器无功出力的分布式光伏电压控制方法及系统 | |
Vu et al. | Tuning Phase Lock Loop Controller of Grid Following Inverters by Reinforcement Learning to Support Networked Microgrid Operations | |
Ragab et al. | Implementation of reactive compensator for voltage balancing using AI based models and novel performance index | |
Lohitha Avula et al. | Online Estimation of Voltage Stability Margin Using PMU Data Check for updates |
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 |