CN112800683A - 基于卷积神经网络的系统短路电流水平评估方法及系统 - Google Patents
基于卷积神经网络的系统短路电流水平评估方法及系统 Download PDFInfo
- Publication number
- CN112800683A CN112800683A CN202110260723.5A CN202110260723A CN112800683A CN 112800683 A CN112800683 A CN 112800683A CN 202110260723 A CN202110260723 A CN 202110260723A CN 112800683 A CN112800683 A CN 112800683A
- Authority
- CN
- China
- Prior art keywords
- circuit current
- short
- neural network
- convolutional neural
- wind speed
- 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
Links
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
Abstract
本发明提供一种基于卷积神经网络的系统短路电流水平评估方法及系统,通过构建反映该系统短路电流水平信息的稳态和暂态特征作为输入特性集,并构建基于系统短路电流水平的安全裕度指标作为样本标签。综合考虑风电场出力大小、负荷需求大小和故障情况的不确定性,通过概率抽样的方式获得较为完备和可行的样本集。使用样本集的数据,对构造的卷积神经网络模型进行训练,进而以训练后的模型为基础对实际运行系统的短路电流水平进行预测,得到短路电流安全裕度矩阵,从而实现对系统短路电流水平的快速评估。所述方法可为进一步探讨并网系统中限流措施的使用提供理论依据。
Description
技术领域
本发明涉及电力系统技术领域,特别是涉及一种基于卷积神经网络的系统短路电流水平评估方法及系统。
背景技术
随着化石燃料的逐步耗尽和人们环保意识的不断提高,以风能为代表的可再生能源凭借其环境友好和资源容量大的优点越来越受到重视,近年来风力发电得到了快速的发展,大规模风力发电并网将成为未来电力系统的重要趋势。
风力资源具有很强随机性、间歇性和波动性,环境气候因素的变化会直接导致风速的发生变化。由于风电机组出力大小决定于风速的大小,不同时间、地点的风电机组出力并不恒定,风电机组的出力有很强的不确定性。而故障期间风力发电机组会向系统注入短路电流,可能提高系统短路水平,从而出现短路电流超标等严重问题。风电机组出力的不确定性导致了系统运行方式的不确定性,不同运行方式下风电场提供的短路电流会有明显的不同,使得电网系统故障情况下的短路电流的大小和分布变化更加复杂化。
由于风电机组暂态模型的复杂性和特殊性,传统的短路电流计算方法已经不在适用,基于物理建模的时域仿真方法的短路电流水平评估方法受到计算时长、模型适应性和建模复杂度等问题的影响,难以满足大规模风电接入电网系统短路电流水平的快速、准确评估要求。
发明内容
本发明提供一种基于卷积神经网络的系统短路电流水平评估方法及系统,以快速、准确对系统短路电流进行评估。
本发明一个实施例提供一种基于卷积神经网络的系统短路电流水平评估方法,包括:
基于短路电流的产生机理,选取反映系统短路电流信息的关键特征,作为输入特性集;其中,所述输入特性集包括:稳态特征集及故障特征集;
根据母线短路电流值、母线断路器额定电流值及短路电流裕度与安全性之间非线性关系,构建短路电流安全裕度指标,作为样本标签;
通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,通过计算母线节点在所述模拟场景的短路电流安全裕度指标,得到系统短路电流安全裕度矩阵,作为系统样本标签;将所述输入特性集与所述系统样本标签共同作为卷积神经网络的样本集;
根据所述输入特性集构建基于卷积神经网络的系统短路电流水平评估模型,生成理论输出结果;根据所述理论输出结果与系统样本标签构造损失函数,基于所述损失函数,通过反向传播过程计算各神经元的误差项以及各参数的梯度,经过迭代更新参数使误差收敛,生成基于卷积神经网络的系统短路电流水平评估优化模型,完成模型的训练;
获取目标运行数据,并输入至所述基于卷积神经网络的系统短路电流水平评估优化模型,对系统短路电流安全裕度进行预测。
进一步地,所述构建短路电流安全裕度指标,作为样本标签,通过以下公式进行计算:
其中,λ为短路电流安全裕度指标,ISC,i为母线i处流过的短路电流大小;ISCM,i为母线断路器额定开断电流;h为近似描述短路电流裕度与安全性之间非线性关系的参数。
进一步地,所述通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,包括:
通过威布尔分布拟合风速的随机变量,所述风速的概率分布函数和概率密度函数通过以下公式计算:
其中,P(v≤V)表示概率分布函数,f(v)表示概率密度函数,v为实测风速,V为给定风速,k为形状参数,c为尺度参数。
进一步地,所述通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,还包括:
根据风电场的设计参数和实际运行参数,构建风电场出力与风速大小的关系;所述风电场出力与风速大小的关系通过以下公式计算:
其中,vin为风电场切入风速,vn为风电场额定风速,vout为风电场切出风速,Pw(v)为风电场功率特性曲线,Pw0为风电场额定风速。
进一步地,所述通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,还包括:
通过正态分布模型模拟负荷概率分布密度函数;通过以下公式计算:
其中,f(PL)表示负荷概率分布密度函数,μ表示平均值,σ表示标准差。
本发明一实施例提供一种基于卷积神经网络的系统短路电流水平评估系统,包括:
输入特性集建立模块,用于基于短路电流的产生机理,选取反映系统短路电流信息的关键特征,作为输入特性集;其中,所述输入特性集包括:稳态特征集及故障特征集;
短路电流安全裕度指标建立模块,用于根据母线短路电流值、母线断路器额定电流值及短路电流裕度与安全性之间非线性关系,构建短路电流安全裕度指标,作为样本标签;
样本集建立模块,用于通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,通过计算母线节点在所述模拟场景的短路电流安全裕度指标,得到系统短路电流安全裕度矩阵,作为系统样本标签;将所述输入特性集与所述系统样本标签共同作为卷积神经网络的样本集;
系统短路电流水平评估优化模型建立模块,用于根据所述输入特性集构建基于卷积神经网络的系统短路电流水平评估模型,生成理论输出结果;根据所述理论输出结果与系统样本标签构造损失函数,基于所述损失函数,通过反向传播过程计算各神经元的误差项以及各参数的梯度,经过迭代更新参数使误差收敛,生成基于卷积神经网络的系统短路电流水平评估优化模型,完成模型的训练;
短路电流安全裕度预测模块,用于获取目标运行数据,并输入至所述基于卷积神经网络的系统短路电流水平评估优化模型,对系统短路电流安全裕度进行预测。
进一步地,所述构建短路电流安全裕度指标,作为样本标签,通过以下公式进行计算:
其中,λ为短路电流安全裕度指标,ISC,i为母线i处流过的短路电流大小;ISCM,i为母线断路器额定开断电流;h为近似描述短路电流裕度与安全性之间非线性关系的参数。
进一步地,所述通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,包括:
通过威布尔分布拟合风速的随机变量,所述风速的概率分布函数和概率密度函数通过以下公式计算:
其中,P(v≤V)表示概率分布函数,f(v)表示概率密度函数,v为实测风速,V为给定风速,k为形状参数,c为尺度参数。
进一步地,所述通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,还包括:
根据风电场的设计参数和实际运行参数,构建风电场出力与风速大小的关系;所述风电场出力与风速大小的关系通过以下公式计算:
其中,vin为风电场切入风速,vn为风电场额定风速,vout为风电场切出风速,Pw(v)为风电场功率特性曲线,Pw0为风电场额定风速。
进一步地,所述通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,还包括:
通过正态分布模型模拟负荷概率分布密度函数;通过以下公式计算:
其中,f(PL)表示负荷概率分布密度函数,μ表示平均值,σ表示标准差。
与现有技术相比,本发明实施例的有益效果在于:
本发明一个实施例提供一种基于卷积神经网络的系统短路电流水平评估方法,包括:基于短路电流的产生机理,选取反映系统短路电流信息的关键特征,作为输入特性集;其中,所述输入特性集包括:稳态特征集及故障特征集;根据母线短路电流值、母线断路器额定电流值及短路电流裕度与安全性之间非线性关系,构建短路电流安全裕度指标,作为样本标签;通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,通过计算母线节点在所述模拟场景的短路电流安全裕度指标,得到系统短路电流安全裕度矩阵,作为系统样本标签;将所述输入特性集与所述系统样本标签共同作为卷积神经网络的样本集;根据所述输入特性集构建基于卷积神经网络的系统短路电流水平评估模型,生成理论输出结果;根据所述理论输出结果与系统样本标签构造损失函数,基于所述损失函数,通过反向传播过程计算各神经元的误差项以及各参数的梯度,经过迭代更新参数使误差收敛,生成基于卷积神经网络的系统短路电流水平评估优化模型,完成模型的训练;获取目标运行数据,并输入至所述基于卷积神经网络的系统短路电流水平评估优化模型,对系统短路电流安全裕度进行预测。本发明以快速、准确对系统短路电流进行评估,进一步探讨并网系统中限流措施的使用提供理论依据。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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是本发明某一实施例提供的一种基于卷积神经网络的系统短路电流水平评估方法的流程图;
图2是本发明另一实施例提供的一种基于卷积神经网络的系统短路电流水平评估方法的流程图;
图3是本发明某一实施例提供的卷积神经网络模型结构图;
图4是本发明某一实施例提供的卷积神经网络模型训练流程图;
图5是本发明某一实施例提供的一种基于卷积神经网络的系统短路电流水平评估系统的装置图;
图6是本发明某一实施例提供的一种电子设备的结构图。
具体实施方式
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,所描述的实施例仅仅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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
卷积神经网络是一种深度学习模型,通过使用历史运行或暂态仿真数据进行离线训练,能够快速、准确地对系统短路电流水平进行预测和评估,很好地适应了风电机组的复杂性和不确定性,在系统短路电流在线快速评估方面具有巨大的应用潜力。
由于风电机组暂态模型的复杂性和特殊性,传统的短路电流计算方法已经不在适用,基于物理建模的时域仿真方法的短路电流水平评估方法受到计算时长、模型适应性和建模复杂度等问题的影响,难以满足大规模风电接入电网系统短路电流水平的快速、准确评估要求。
卷积神经网络是一种深度学习模型,通过使用历史运行或暂态仿真数据进行离线训练,能够快速、准确地对系统短路电流水平进行预测和评估,很好地适应了风电机组的复杂性和不确定性,在系统短路电流在线快速评估方面具有巨大的应用潜力。
第一方面。
请参阅图1,本发明一实施例提供一种基于卷积神经网络的系统短路电流水平评估方法,包括:
S10、基于短路电流的产生机理,选取反映系统短路电流信息的关键特征,作为输入特性集;其中,所述输入特性集包括:稳态特征集及故障特征集。
S20、根据母线短路电流值、母线断路器额定电流值及短路电流裕度与安全性之间非线性关系,构建短路电流安全裕度指标,作为样本标签。
在某一具体实施方式中,所述构建短路电流安全裕度指标,作为样本标签,通过以下公式进行计算:
其中,λ为短路电流安全裕度指标,ISC,i为母线i处流过的短路电流大小;ISCM,i为母线断路器额定开断电流;h为近似描述短路电流裕度与安全性之间非线性关系的参数。
S30、通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,通过计算母线节点在所述模拟场景的短路电流安全裕度指标,得到系统短路电流安全裕度矩阵,作为系统样本标签;将所述输入特性集与所述系统样本标签共同作为卷积神经网络的样本集。
在某一具体实施方式中,所述通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,包括:
通过威布尔分布拟合风速的随机变量,所述风速的概率分布函数和概率密度函数通过以下公式计算:
其中,P(v≤V)表示概率分布函数,f(v)表示概率密度函数,v为实测风速,V为给定风速,k为形状参数,c为尺度参数。
根据风电场的设计参数和实际运行参数,构建风电场出力与风速大小的关系;所述风电场出力与风速大小的关系通过以下公式计算:
其中,vin为风电场切入风速,vn为风电场额定风速,vout为风电场切出风速,Pw(v)为风电场功率特性曲线,Pw0为风电场额定风速。
通过正态分布模型模拟负荷概率分布密度函数;通过以下公式计算:
其中,f(PL)表示负荷概率分布密度函数,μ表示平均值,σ表示标准差。
S40、根据所述输入特性集构建基于卷积神经网络的系统短路电流水平评估模型,生成理论输出结果;根据所述理论输出结果与系统样本标签构造损失函数,基于所述损失函数,通过反向传播过程计算各神经元的误差项以及各参数的梯度,经过迭代更新参数使误差收敛,生成基于卷积神经网络的系统短路电流水平评估优化模型,完成模型的训练。
S50、获取目标运行数据,并输入至所述基于卷积神经网络的系统短路电流水平评估优化模型,对系统短路电流安全裕度进行预测。
在某一具体实施方式中,请参阅图2,本发明一实施例提供一种基于卷积神经网络的系统短路电流水平评估方法,包括:
步骤S10,构建表征系统稳态和故障运行特性的卷积神经网络输入特性集;
步骤S20,构造用于评价短路电流水平的短路电流安全裕度指标作为样本标签;
步骤S30,综合考虑风电场出力大小、负荷需求大小和故障情况的不确定性,构建包含不同风电出力、负荷需求和故障情况下的系统短路电流安全裕度的样本集;
步骤S40,构建短路电流安全裕度预测的卷积神经网络模型,利用系统短路电流安全裕度的样本集对卷积神经网络模型进行离线训练;
步骤S50,根据电网系统当前运行数据和预想事故集,构建相应卷积神经网络的输入特性集,基于训练后的卷积神经网络模型,对系统短路电流安全裕度进行预测,并评估安全风险。
其中,步骤S10的具体步骤为:
基于短路电流的产生机理,从电源-网架-负荷的角度分析影响短路电流水平的因素,选取能反映该系统短路电流信息的关键特征,并作为系统稳态和故障特征构建卷积神经网络的输入特性集,特征选取如下所示:
A.所构建的电网系统的稳态特征集包括:
稳态特征1、2:稳态时同步发电机的有功出力、无功出力Pgi、Qgi;
稳态特征3:同步发电机的等效阻抗zgi;
稳态特征4、5:稳态时风机的有功出力、无功出力Pwi、Qwi;
稳态特征6、7:稳态时负荷的有功功率、无功功率Pli、Qli;
稳态特征8、9:稳态时母线节点电压的幅值和相角Ubi、θbi;
稳态特征10、11:稳态时线路传输的有功功率、无功功率Pti、Qti;
B.所构建的电网系统的故障特征集包括:
故障特征1:故障线路编号n;
故障特征2:故障类型编号m;
故障特征3:故障发生位置距离线路始端的距离l;
步骤S20的具体步骤为:
构建短路电流安全裕度指标λ,作为描述短路电流水平特征的样本标签:
式中,ISC,i为母线i处流过的短路电流大小;ISCM,i为母线断路器额定开断电流;h为近似描述短路电流裕度与安全性之间非线性关系的参数,反映了短路电流裕度与安全性之间非线性关系的大小,h∈Z,其大小根据实际需求选取。
短路电流安全裕度指标λ反映了系统短路电流水平的安全裕度,λ越小意味着短路电流水平越高,短路电流安全裕度越小,尤其是当λ≤0时,说明存在母线短路电流越限的故障场景,该运行场景下系统短路电流水平具有超标风险。
短路电流安全裕度指标对应于某一特定运行方式和故障场景下,特定母线处的短路电流安全裕度大小情况,在λ的基础上进一步构造短路电流安全裕度矩阵,用以描述在不同的运行方式和故障场景下全系统母线短路电流水平的安全特征:
其中,i为故障母线节点编号,n为故障场景编号。
步骤S30的具体步骤为:
为了使全系统的短路电流的样本集更加全面、准确,从源—网—荷三个方面综合考虑了风电机组出力大小、负荷需求大小和故障情况的不确定性,通过对体现风电机组出力大小、负荷需求大小和故障情况不确定性的随机变量进行概率抽样,来表征不同的系统运行和故障场景,最终得到全系统的暂态电压稳定矩阵。
A.风速的随机变量采用威布尔分布进行拟合,其概率分布函数和概率密度函数分别为:
式中,v为实测风速;V为给定风速;k为形状参数;c为尺度参数。威布尔分布的形状参数c和尺度参数k由实际地区的风能资源分布特点决定,可以通过实地测量得到,从而风速的分布特征也可以随之确定。
通过采用反函数变换法,把风速表示为关于随机变量x1的函数,使得生产的随机变量x1不仅可以使风速服从我们给定的威布尔分布,且随机变量x1符合[0,1]上的均匀分布。风速与随机变量x1的关系式为:
风电场出力Pw与风速大小v的关系可以表示为:
式中,vin为风电场切入风速,vn为风电场额定风速,vout为风电场切出风速,Pw(v)为风电场功率特性曲线,Pw0为风电场额定风速。上述参数表征了风电场的功率特性,主要由风电场自身结构所决定,可通过风电场的设计参数和实际运行参数得到。
最终,根据上述风速的分布特征和风电场机组输出功率与风速之间的关系式,通过概率抽样生成表示风电场出力的大小的随机变量。
B.负荷水平设置
负荷水平大小的设置也采用考虑了不确定性的概率分布函数,负荷概率分布函数通过正态分布模型进行模拟,通过分析负荷持续时间曲线得到正态分布模型的平均值μ和标准差σ2,记为PL~N(μ,σ2),并进一步得到负荷正态分布的密度函数:
同理,根据box-muller算法生成把负荷表示为关于随机变量x1,x2的函数,随机变量x1,x2不仅可以使负荷随机变量符合所设置的正态分布模型,且随机变量x1,x2符合[0,1]上的均匀分布。
C.故障设置
发生故障的线路设置为整个系统所有的220kV及以上母线上,且考虑所有可能发生的故障类型,故障发生位置距离线路始端的距离l认为是服从均匀分布l~U(0,1)的随机变量。
基于以上关于风电机组出力大小、负荷需求大小和故障情况设置原则,通过对表示风电场出力大小、负荷需求大小和故障位置的随机变量进行区间[0,1]上的概率抽样,生成一定数量的包含不同风电场出力、负荷需求和故障情况的随机场景,通过暂态仿真计算全系统各母线节点在各个场景下的λ,得到全系统短路电流安全裕度矩阵λ作为样本标签,同构建的输入特性集一起构成较为完备的卷积神经网络样本集。
步骤S40的具体步骤为:
所采用的卷积神经网络模型由输入层、卷积层、池化层、全连接层和输出层组成,其模型结构如图3所示。卷积神经网络模型的过程如图4所示,根据所生成样本集的输入特征,基于当前模型参数通过前向传播过程得到模型的预测输出,通过预测输出与样本输出标签之间的差距构造损失函数,然后基于损失函数,通过反向传播过程计算各神经元的误差项以及各参数的梯度,最终经过反复迭代更新参数使误差收敛,完成模型的训练。
步骤S50的具体步骤为:
根据目标电网系统的实际运行数据和预想事故集,构建卷积神经网络模型的输入特征,通过训练后的模型计算后,快速得到当前运行场景故障下的短路电流安全裕度矩阵,从而得到系统整体在所有可能的故障场景下的短路电流水平安全特征。考虑到实际运行中,不仅要知道短路电流是否超过安全水平,短路电流水平距离安全的裕度大小也是运行人员所重点关心的。根据电网实际运行需求,将短路电流水平安全裕度划分为不同的级别。
第二方面。
请参阅图5,本发明一实施例提供一种基于卷积神经网络的系统短路电流水平评估系统,包括:
输入特性集建立模块10,用于基于短路电流的产生机理,选取反映系统短路电流信息的关键特征,作为输入特性集;其中,所述输入特性集包括:稳态特征集及故障特征集。
短路电流安全裕度指标建立模块20,用于根据母线短路电流值、母线断路器额定电流值及短路电流裕度与安全性之间非线性关系,构建短路电流安全裕度指标,作为样本标签。
所述构建短路电流安全裕度指标,作为样本标签,通过以下公式进行计算:
其中,λ为短路电流安全裕度指标,ISC,i为母线i处流过的短路电流大小;ISCM,i为母线断路器额定开断电流;h为近似描述短路电流裕度与安全性之间非线性关系的参数。
样本集建立模块30,用于通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,通过计算母线节点在所述模拟场景的短路电流安全裕度指标,得到系统短路电流安全裕度矩阵,作为系统样本标签;将所述输入特性集与所述系统样本标签共同作为卷积神经网络的样本集。
所述通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,包括:
通过威布尔分布拟合风速的随机变量,所述风速的概率分布函数和概率密度函数通过以下公式计算:
其中,P(v≤V)表示概率分布函数,f(v)表示概率密度函数,v为实测风速,V为给定风速,k为形状参数,c为尺度参数。
根据风电场的设计参数和实际运行参数,构建风电场出力与风速大小的关系;所述风电场出力与风速大小的关系通过以下公式计算:
其中,vin为风电场切入风速,vn为风电场额定风速,vout为风电场切出风速,Pw(v)为风电场功率特性曲线,Pw0为风电场额定风速。
通过正态分布模型模拟负荷概率分布密度函数;通过以下公式计算:
其中,f(PL)表示负荷概率分布密度函数,μ表示平均值,σ表示标准差。
系统短路电流水平评估优化模型建立模块40,用于根据所述输入特性集构建基于卷积神经网络的系统短路电流水平评估模型,生成理论输出结果;根据所述理论输出结果与系统样本标签构造损失函数,基于所述损失函数,通过反向传播过程计算各神经元的误差项以及各参数的梯度,经过迭代更新参数使误差收敛,生成基于卷积神经网络的系统短路电流水平评估优化模型,完成模型的训练。
短路电流安全裕度预测模块50,用于获取目标运行数据,并输入至所述基于卷积神经网络的系统短路电流水平评估优化模型,对系统短路电流安全裕度进行预测。
第三方面。
本发明提供了一种电子设备,该电子设备包括:
处理器、存储器和总线;
所述总线,用于连接所述处理器和所述存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,可执行指令使处理器执行如本申请的第一方面所示的一种基于卷积神经网络的系统短路电流水平评估方法对应的操作。
在一个可选实施例中提供了一种电子设备,如图6所示,图6所示的电子设备5000包括:处理器5001和存储器5003。其中,处理器5001和存储器5003相连,如通过总线5002相连。可选地,电子设备5000还可以包括收发器5004。需要说明的是,实际应用中收发器5004不限于一个,该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器5001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线5002可包括一通路,在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码,并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的一种基于卷积神经网络的系统短路电流水平评估方法。
本申请的又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种基于卷积神经网络的系统短路电流水平评估方法,其特征在于,包括:
基于短路电流的产生机理,选取反映系统短路电流信息的关键特征,作为输入特性集;其中,所述输入特性集包括:稳态特征集及故障特征集;
根据母线短路电流值、母线断路器额定电流值及短路电流裕度与安全性之间非线性关系,构建短路电流安全裕度指标,作为样本标签;
通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,通过计算母线节点在所述模拟场景的短路电流安全裕度指标,得到系统短路电流安全裕度矩阵,作为系统样本标签;将所述输入特性集与所述系统样本标签共同作为卷积神经网络的样本集;
根据所述输入特性集构建基于卷积神经网络的系统短路电流水平评估模型,生成理论输出结果;根据所述理论输出结果与系统样本标签构造损失函数,基于所述损失函数,通过反向传播过程计算各神经元的误差项以及各参数的梯度,经过迭代更新参数使误差收敛,生成基于卷积神经网络的系统短路电流水平评估优化模型,完成模型的训练;
获取目标运行数据,并输入至所述基于卷积神经网络的系统短路电流水平评估优化模型,对系统短路电流安全裕度进行预测。
6.一种基于卷积神经网络的系统短路电流水平评估系统,其特征在于,包括:
输入特性集建立模块,用于基于短路电流的产生机理,选取反映系统短路电流信息的关键特征,作为输入特性集;其中,所述输入特性集包括:稳态特征集及故障特征集;
短路电流安全裕度指标建立模块,用于根据母线短路电流值、母线断路器额定电流值及短路电流裕度与安全性之间非线性关系,构建短路电流安全裕度指标,作为样本标签;
样本集建立模块,用于通过风电场出力大小、负荷需求大小和故障位置进行概率抽样,生成若干模拟场景,通过计算母线节点在所述模拟场景的短路电流安全裕度指标,得到系统短路电流安全裕度矩阵,作为系统样本标签;将所述输入特性集与所述系统样本标签共同作为卷积神经网络的样本集;
系统短路电流水平评估优化模型建立模块,用于根据所述输入特性集构建基于卷积神经网络的系统短路电流水平评估模型,生成理论输出结果;根据所述理论输出结果与系统样本标签构造损失函数,基于所述损失函数,通过反向传播过程计算各神经元的误差项以及各参数的梯度,经过迭代更新参数使误差收敛,生成基于卷积神经网络的系统短路电流水平评估优化模型,完成模型的训练;
短路电流安全裕度预测模块,用于获取目标运行数据,并输入至所述基于卷积神经网络的系统短路电流水平评估优化模型,对系统短路电流安全裕度进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110260723.5A CN112800683B (zh) | 2021-03-10 | 2021-03-10 | 基于卷积神经网络的系统短路电流水平评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110260723.5A CN112800683B (zh) | 2021-03-10 | 2021-03-10 | 基于卷积神经网络的系统短路电流水平评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800683A true CN112800683A (zh) | 2021-05-14 |
CN112800683B CN112800683B (zh) | 2023-02-07 |
Family
ID=75816797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110260723.5A Active CN112800683B (zh) | 2021-03-10 | 2021-03-10 | 基于卷积神经网络的系统短路电流水平评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800683B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449467A (zh) * | 2021-06-21 | 2021-09-28 | 清华大学 | 基于jdan-nfn的电力系统在线安全评估方法及装置 |
CN114629118A (zh) * | 2022-05-16 | 2022-06-14 | 国网湖北省电力有限公司经济技术研究院 | 一种含光伏电网的短路电流超标场景筛选方法 |
CN116992248A (zh) * | 2023-09-27 | 2023-11-03 | 国网江苏省电力有限公司电力科学研究院 | 基于突短试验的卷铁心变压器抗短路能力评估方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
CN106712097A (zh) * | 2017-02-13 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种含大规模风电场的电力系统暂态稳定风险评估方法 |
CN107276072A (zh) * | 2017-06-16 | 2017-10-20 | 东北电力大学 | 一种利用稳态信息定量评估电力系统暂态稳定裕度的方法 |
CN109659934A (zh) * | 2018-12-24 | 2019-04-19 | 中国电力科学研究院有限公司 | 基于短路电流裕度的新能源并网规划优选方法 |
CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
CN110429637A (zh) * | 2019-06-25 | 2019-11-08 | 广西电网有限责任公司南宁供电局 | 一种概率静态电压稳定域的可视化方法 |
CN111064182A (zh) * | 2019-11-25 | 2020-04-24 | 国网浙江省电力有限公司湖州供电公司 | 一种基于电网特征的短路电流计算方法 |
CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力系统动态安全评估方法 |
-
2021
- 2021-03-10 CN CN202110260723.5A patent/CN112800683B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
CN106712097A (zh) * | 2017-02-13 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种含大规模风电场的电力系统暂态稳定风险评估方法 |
CN107276072A (zh) * | 2017-06-16 | 2017-10-20 | 东北电力大学 | 一种利用稳态信息定量评估电力系统暂态稳定裕度的方法 |
CN109659934A (zh) * | 2018-12-24 | 2019-04-19 | 中国电力科学研究院有限公司 | 基于短路电流裕度的新能源并网规划优选方法 |
CN110429637A (zh) * | 2019-06-25 | 2019-11-08 | 广西电网有限责任公司南宁供电局 | 一种概率静态电压稳定域的可视化方法 |
CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
CN111064182A (zh) * | 2019-11-25 | 2020-04-24 | 国网浙江省电力有限公司湖州供电公司 | 一种基于电网特征的短路电流计算方法 |
CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力系统动态安全评估方法 |
Non-Patent Citations (5)
Title |
---|
NATTAYAMON KHATTIJIT ET AL.: "The Evaluation of Short Circuit Current to Achieve Optimal Design and Protection for Elements in Power Network with Renewable Energy", 《2018 INTERNATIONAL ELECTRICAL ENGINEERING CONGRESS (IEECON)》 * |
赵双等: "适用于电网规划的风电场短路电流计算模型", 《广东电力》 * |
陈达 等: "基于卷积神经网络的暂态电压稳定评估及风险量化", 《电力系统自动化》 * |
陈达: "基于深度学习的交直流系统暂态电压稳定快速评估", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
龙霏 等: "短路计算中并联电容以及充电功率的影响研究", 《广东电力》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449467A (zh) * | 2021-06-21 | 2021-09-28 | 清华大学 | 基于jdan-nfn的电力系统在线安全评估方法及装置 |
CN114629118A (zh) * | 2022-05-16 | 2022-06-14 | 国网湖北省电力有限公司经济技术研究院 | 一种含光伏电网的短路电流超标场景筛选方法 |
CN114629118B (zh) * | 2022-05-16 | 2022-07-22 | 国网湖北省电力有限公司经济技术研究院 | 一种含光伏电网的短路电流超标场景筛选方法 |
CN116992248A (zh) * | 2023-09-27 | 2023-11-03 | 国网江苏省电力有限公司电力科学研究院 | 基于突短试验的卷铁心变压器抗短路能力评估方法及装置 |
CN116992248B (zh) * | 2023-09-27 | 2023-12-05 | 国网江苏省电力有限公司电力科学研究院 | 基于突短试验的卷铁心变压器抗短路能力评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112800683B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800683B (zh) | 基于卷积神经网络的系统短路电流水平评估方法及系统 | |
Tang et al. | Dimension-adaptive sparse grid interpolation for uncertainty quantification in modern power systems: Probabilistic power flow | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
Rouhani et al. | Parzen window density estimator-based probabilistic power flow with correlated uncertainties | |
CN111179121A (zh) | 基于专家系统与深度逆向强化学习的电网紧急控制方法 | |
Wan et al. | Probabilistic load flow computation using first-order second-moment method | |
Abbasi | Probabilistic load flow based on holomorphic embedding, kernel density estimator and saddle point approximation including correlated uncertainty variables | |
Liu et al. | Probabilistic load flow analysis of active distribution network adopting improved sequence operation methodology | |
Wen et al. | Data‐driven transient frequency stability assessment: A deep learning method with combined estimation‐correction framework | |
Geng et al. | Simplified sequential simulation of bulk power system reliability via chronological probability model of load supplying capability | |
Wang et al. | A two-stage method for assessment of voltage stability in power system with renewable energy | |
Zhu et al. | Ranking and quantifying the effects of load model parameters on power system stability | |
Wang et al. | Applying probabilistic collocation method to power flow analysis in networks with wind farms | |
Dorado-Rojas et al. | Power flow record structures to initialize openipsl phasor time-domain simulations with python | |
Zhu et al. | Probabilistic load flow with correlated wind power sources using a frequency and duration method | |
Qin et al. | SR‐based chance‐constrained economic dispatch for power systems with wind power | |
Fu et al. | Statistical machine learning model for uncertainty planning of distributed renewable energy sources in distribution networks | |
de Jongh et al. | Physics-informed geometric deep learning for inference tasks in power systems | |
Basumatary et al. | Real-time contingency analysis of renewable-rich future power system in rscad/rtds | |
Liu et al. | Power system stochastic transient stability assessment based on Monte Carlo simulation | |
Su et al. | Probabilistic load flow analysis based on sparse polynomial chaotic expansion | |
Guo et al. | Online model-free estimation of the dynamic system model for a power system with renewables in ambient conditions | |
Jia et al. | Real-Time simulation models for photovoltaic cells and arrays in Opal-RT and Typhoon-HIL | |
Kurt et al. | Probabilistic Power Flow Analysis Using Matlab Graphical User Interface (GUI) | |
Bouzem et al. | Probabilistic and Reliability Analysis of an Intelligent Power Control for a Doubly Fed Induction Generator-Based Wind Turbine System |
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 |