CN112909939A - 一种基于故障前后潮流特征的电力系统暂态稳定评估方法 - Google Patents
一种基于故障前后潮流特征的电力系统暂态稳定评估方法 Download PDFInfo
- Publication number
- CN112909939A CN112909939A CN202110263884.XA CN202110263884A CN112909939A CN 112909939 A CN112909939 A CN 112909939A CN 202110263884 A CN202110263884 A CN 202110263884A CN 112909939 A CN112909939 A CN 112909939A
- Authority
- CN
- China
- Prior art keywords
- fault
- power
- samples
- classifier
- stable
- 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
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统暂态稳定评估技术领域,尤其为一种基于故障前后潮流特征的电力系统暂态稳定评估方法,其具体步骤如下:S1,数据获取:获取训练以及测试分类器所需要的电力系统运行数据,用PSAT软件搭建新英格兰十机三十九节点电力系统模型,仿真平台基于MATLAB R2016,本发明通过设计采用支持向量机(SVM)分类器在安全域概念下与稳定域概念下对电力系统暂态稳定状态做出判断,旨在减少稳定域概念下的漏判样本数量,当判断结果中只要有一个结果为系统受扰后失稳,那么综合分析的结果就是系统失稳,可以减少漏判样本数量,对保障电力系统的安全稳定运行具有一定的参考意义。
Description
技术领域
本发明涉及电力系统暂态稳定评估技术领域,具体为一种基于故障前后潮流特征的电力系统暂态稳定评估方法。
背景技术
随着社会和经济的发展,电力需求不断增长,新能源的并网运行以及负荷多样性的增加使电网运行机理日趋复杂,对电网的安全稳定运行提出了新的挑战,电力系统暂态稳定定义为电力系统在遭受大扰动(例如短路故障)后各发电机保持同步运行的能力,是电网动态安全稳定的重要组成部分,暂态失稳会引发大规模停电事故,对人民的生产生活造成严重影响。
电力系统暂态稳定评估对电网的安全稳定运行具有重要意义,评估方法的准确性与快速性成为电力研究者追求的目标,目前,暂态稳定评估方法主要分为三类:时域仿真法,直接法和机器学习法,时域仿真法是解决暂态稳定问题的一种精确的方法,但是其需要求解一系列代表电力系统物理元件的微分代数方程,计算耗时,难以满足快速评估的要求,直接法从能量的观点评估系统的稳定性,能量函数简单、直观,物理意义明确,但存在能量函数构建困难等问题。
综上所述,本发明通过设计一种基于故障前后潮流特征的电力系统暂态稳定评估方法来解决存在的问题。
发明内容
本发明的目的在于提供一种基于故障前后潮流特征的电力系统暂态稳定评估方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于故障前后潮流特征的电力系统暂态稳定评估方法,其具体步骤如下:
S1,数据获取:获取训练以及测试分类器所需要的电力系统运行数据,用PSAT软件搭建新英格兰十机三十九节点电力系统模型,仿真平台基于MATLAB R2016;
假设系统发生最严重的永久三相短路故障,在故障持续一段时间后切除故障,为了得到大致均衡的的失稳与稳定样本比例,通过试凑法得到三个预设故障的持续时间为0.18秒、0.21秒、0.18秒,对中小规模电力系统而言,在暂态稳定研究中关注的时间段通常为系统受扰后3-5秒,因此,设置时域仿真时长为10s,故障起始时刻为第1秒末,当系统中任意两台发电机之间的转子角差大于180°时,停止时域仿真,系统状态被判断为不稳定,时域仿真过程中选择牛顿-拉夫逊法求解潮流,功率基准为100MVA,在获取数据时,为了模仿实际电力系统中不断变化的运行状态,假设发电机有功出力以及负荷功率在基准功率的基础上在80%-120%范围内随机波动,在数据获取过程中,会产生少量不合格样本,此处不合格样本指的是在故障切除前就已经变得不稳定的样本,在数据处理过程中予以剔除,针对每个预设故障,我们获取4000个样本,其中每个样本包含系统潮流量,发电机功角转速等数据;
S2,特征选择与特征降维;根据特征提取时刻的不同,原始输入特征可以分为静态特征与动态特征,静态特征指的是系统受扰前的稳态测量值及其组合量,如稳态潮流量等;动态特征指的是系统受扰后的动态变量及其组合量,如故障持续期间及故障切除后的潮流量,发电机功角转速等机械量,输入特征如果选择功角转速等机械量,由于其不能由同步相量测量单元直接测得,会引起时延和转换误差,因此选取系统潮流量作为输入特征,选择10台发电机有功无功出力(20维),34条线路传输功率(总共68维),30条母线电压(30维)以及总负荷功率(2维)构成输入特征空间,由于考虑了自动电压调节器(AVR),发电机端口母线电压变化较小,因此不予考虑。在故障切除后,由于切除线路没有功率传输,因此系统线路传输功率变成66维,综上所述,在故障前候选特征为120维,在故障切除后候选特征为118维。
对候选特征进行降维处理,特征选择以及特征提取算法可以达到特征降维的目的,特征选择算法根据特征选择过程是否依赖分类器可以分为过滤法(filter)与包装法(wrapper),这两种方法通常配合进行,时间成本较大,特征提取算法中的主成分分析法(PCA)以最大化投影方差为目标对特征空间进行变换,具有计算效率高,以最大程度保留原始特征信息等优势得到广泛应用,其具体计算步骤如下:训练集样本矩阵为,代表样本数量,代表样本维度,首先进行标准化处理得到矩阵,根据式(1)计算其样本相关系数矩阵,求其特征值与对应的特征向量,
然后根据特征值大小进行排序,单位正交化得到特征向量矩阵,特征值的大小代表数据投影方差的大小,特征向量矩阵代表新空间的一组基,由此可以得到新空间下的样本矩阵,最后计算式(2)所示的特征值累积贡献率,根据的大小确定要保留的主成分;
选择保留96%的原始样本信息,即:。满足条件的前个特征值对应的特征向量形成转换矩阵,测试集数据与之相乘即可投影到新的空间,在安全域概念下,故障1、2和3经过PCA算法降维后的维度为21;在稳定域概念下,故障1、2和3经过PCA算法降维后的维度分别为18、7和14;
S3,暂态稳定评估:SVM是一种经典的有监督二分类机器学习算法,在解决小样本、非线性以及高维度分类问题中展现出了独特的优势,本发明基于Libsvm软件包实现SVM分类算法。对于线性可分样本,SVM在样本空间中寻找一个如式(3)所示的最优分类超平面,使得两类样本在准确分开的前提下,分类间隔最大。
其中代表超平面法向量,代表超平面位移。
对于线性不可分的样本,引入软间隔优化以及核技巧将分类问题转化为最优化问题,其目标函数及约束条件如式(4)所示。
其中为核参数。
为了更清晰的展现暂态评估效果,定义以下评估术语。True Positive(TP):系统是暂态不稳定的,并且分类器预测结果也是不稳定的。False Positive(FP):系统是暂态稳定的,但是分类器预测结果是不稳定的。True Negative(TN):系统是暂态稳定的,并且分类器预测结果也是稳定的。False Negative(FN):系统是暂态不稳定的,但是分类器预测结果为稳定。灵敏度()、特异性()以及准确率()的表达式如式(6)(7)(8)所示,由此可知灵敏度表示分类器对失稳样本的预测准确率,特异性表示分类器对稳定样本的预测准确率,准确率反映了分类器总体性能。
针对预设的三个故障,应用SVM算法分别在安全域和稳定域概念下进行了验证,然后以提高分类器的灵敏度,减少FN样本为目标,对实验结果进行综合分析。
优选的,所述S1中的三十九总线模型包括十台发电机、34条线路以及19个负荷,发电机采用四阶模型,负荷采用恒阻抗模型,并且在搭建的模型中设置三个电压等级分别为13.8KV,115KV和345KV。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过采用支持向量机(SVM)分类器在安全域概念下与稳定域概念下对电力系统暂态稳定状态做出判断,旨在减少稳定域概念下的漏判样本数量,当判断结果中只要有一个结果为系统受扰后失稳,那么综合分析的结果就是系统失稳,可以减少漏判样本数量,对保障电力系统的安全稳定运行具有一定的参考意义。
2、本发明中,通过设计主要针对电力系统安全域概念下的暂态稳定评估,旨在发现系统稳定运行薄弱区域,提醒运行人员积极采取有效措施提高电网稳定运行能力,稳定域概念下的暂态稳定评估,旨在快速判断出系统受扰后的运行状态,针对受扰后失稳样本,采取紧急控制措施防止系统失稳。安全域下与稳定域下的预测结果可能不相同,然而较少研究对比分析安全域和稳定域概念下的暂稳评估结果,比如当预测模型在安全域概念下判为不稳定情况时,故障可能在运行人员采取调整措施前突然发生,此时稳定域概念下的预测模型可能会判断为稳定情况,满足不同的工作需求。
附图说明
图1为本发明新英格兰十机三十九节点系统拓扑图。
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做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。
请参阅图1,本发明提供一种技术方案:
一种基于故障前后潮流特征的电力系统暂态稳定评估方法,其具体步骤如下:
S1,数据获取:获取训练以及测试分类器所需要的电力系统运行数据,用PSAT软件搭建新英格兰十机三十九节点电力系统模型,仿真平台基于MATLAB R2016;
假设系统发生最严重的永久三相短路故障,在故障持续一段时间后切除故障,为了得到大致均衡的的失稳与稳定样本比例,通过试凑法得到三个预设故障的持续时间为0.18秒、0.21秒、0.18秒,对中小规模电力系统而言,在暂态稳定研究中关注的时间段通常为系统受扰后3-5秒,因此,设置时域仿真时长为10s,故障起始时刻为第1秒末,当系统中任意两台发电机之间的转子角差大于180°时,停止时域仿真,系统状态被判断为不稳定,时域仿真过程中选择牛顿-拉夫逊法求解潮流,功率基准为100MVA,在获取数据时,为了模仿实际电力系统中不断变化的运行状态,假设发电机有功出力以及负荷功率在基准功率的基础上在80%-120%范围内随机波动,在数据获取过程中,会产生少量不合格样本,此处不合格样本指的是在故障切除前就已经变得不稳定的样本,在数据处理过程中予以剔除,针对每个预设故障,我们获取4000个样本,其中每个样本包含系统潮流量,发电机功角转速等数据;
S2,特征选择与特征降维;根据特征提取时刻的不同,原始输入特征可以分为静态特征与动态特征,静态特征指的是系统受扰前的稳态测量值及其组合量,如稳态潮流量等;动态特征指的是系统受扰后的动态变量及其组合量,如故障持续期间及故障切除后的潮流量,发电机功角转速等机械量,输入特征如果选择功角转速等机械量,由于其不能由同步相量测量单元直接测得,会引起时延和转换误差,因此选取系统潮流量作为输入特征,选择10台发电机有功无功出力(20维),34条线路传输功率(总共68维),30条母线电压(30维)以及总负荷功率(2维)构成输入特征空间,由于考虑了自动电压调节器(AVR),发电机端口母线电压变化较小,因此不予考虑。在故障切除后,由于切除线路没有功率传输,因此系统线路传输功率变成66维,综上所述,在故障前候选特征为120维,在故障切除后候选特征为118维。
对候选特征进行降维处理,特征选择以及特征提取算法可以达到特征降维的目的,特征选择算法根据特征选择过程是否依赖分类器可以分为过滤法(filter)与包装法(wrapper),这两种方法通常配合进行,时间成本较大,特征提取算法中的主成分分析法(PCA)以最大化投影方差为目标对特征空间进行变换,具有计算效率高,以最大程度保留原始特征信息等优势得到广泛应用,其具体计算步骤如下:训练集样本矩阵为,代表样本数量,代表样本维度,首先进行标准化处理得到矩阵,根据式(1)计算其样本相关系数矩阵,求其特征值与对应的特征向量。
然后根据特征值大小进行排序,单位正交化得到特征向量矩阵,特征值的大小代表数据投影方差的大小,特征向量矩阵代表新空间的一组基,由此可以得到新空间下的样本矩阵。最后计算式(2)所示的特征值累积贡献率,根据的大小确定要保留的主成分;
选择保留96%的原始样本信息,即:。满足条件的前个特征值对应的特征向量形成转换矩阵,测试集数据与之相乘即可投影到新的空间。在安全域概念下,故障1、2和3经过PCA算法降维后的维度为21;在稳定域概念下,故障1、2和3经过PCA算法降维后的维度分别为18、7和14;
S3,暂态稳定评估:SVM是一种经典的有监督二分类机器学习算法,在解决小样本、非线性以及高维度分类问题中展现出了独特的优势,本发明基于Libsvm软件包实现SVM分类算法。对于线性可分样本,SVM在样本空间中寻找一个如式(3)所示的最优分类超平面,使得两类样本在准确分开的前提下,分类间隔最大。
其中代表超平面法向量,代表超平面位移。
对于线性不可分的样本,引入软间隔优化以及核技巧将分类问题转化为最优化问题,其目标函数及约束条件如式(4)所示。
其中为核参数。
为了更清晰的展现暂态评估效果,定义以下评估术语。True Positive(TP):系统是暂态不稳定的,并且分类器预测结果也是不稳定的。False Positive(FP):系统是暂态稳定的,但是分类器预测结果是不稳定的。True Negative(TN):系统是暂态稳定的,并且分类器预测结果也是稳定的。False Negative(FN):系统是暂态不稳定的,但是分类器预测结果为稳定。灵敏度()、特异性()以及准确率()的表达式如式(6)(7)(8)所示,由此可知灵敏度表示分类器对失稳样本的预测准确率,特异性表示分类器对稳定样本的预测准确率,准确率反映了分类器总体性能。
针对预设的三个故障,应用SVM算法分别在安全域和稳定域概念下进行了验证,然后以提高分类器的灵敏度,减少FN样本为目标,对实验结果进行综合分析。
进一步的,所述S1中的三十九总线模型包括十台发电机、34条线路以及19个负荷,发电机采用四阶模型,负荷采用恒阻抗模型,并且在搭建的模型中设置三个电压等级分别为13.8KV,115KV和345KV。
具体实施案例:
步骤1,数据获取:获取训练以及测试分类器所需要的电力系统运行数据,用PSAT软件搭建新英格兰十机三十九节点电力系统模型,仿真平台基于MATLAB R2016a。三十九总线模型包括十台发电机、34条线路以及19个负荷,发电机采用四阶模型,负荷采用恒阻抗模型,在搭建的模型中设置三个电压等级分别为13.8KV,115KV和345KV。三十九总线模型拓扑结构如图1所示,由于一号发电机直接与345KV高压母线相连,在实际中并没有发电机能发出这么高的电压,因此增加一条低压母线,通过变压器与高压母线相连,原始模型变成40总线模型,如图1,新英格兰十机三十九节点系统拓扑图;
假设系统发生最严重的永久三相短路故障,在故障持续一段时间后切除故障,预设故障信息如表1所示。
表1 故障设置情况
故障 | 故障母线 | 切除线路 | 稳定样本 | 失稳样本 |
1 | 母线31 | Line4 | 2548 | 1452 |
2 | 母线16 | Line27 | 1496 | 2504 |
3 | 母线16 | Line20 | 1922 | 2078 |
为了得到大致均衡的的失稳与稳定样本比例,通过试凑法得到三个预设故障的持续时间为0.18秒、0.21秒、0.18秒。对中小规模电力系统而言,在暂态稳定研究中关注的时间段通常为系统受扰后3-5秒。因此,设置时域仿真时长为10s,故障起始时刻为第1秒末,当系统中任意两台发电机之间的转子角差大于180°时,停止时域仿真,系统状态被判断为不稳定。时域仿真过程中选择牛顿-拉夫逊法求解潮流,功率基准为100MVA。在获取数据时,为了模仿实际电力系统中不断变化的运行状态,我们假设发电机有功出力以及负荷功率在基准功率的基础上在80%-120%范围内随机波动。在数据获取过程中,会产生少量不合格样本,此处不合格样本指的是在故障切除前就已经变得不稳定的样本,在数据处理过程中予以剔除。针对每个预设故障,我们获取4000个样本,其中每个样本包含系统潮流量,发电机功角转速等数据。
步骤2,特征选择与特征降维;根据特征提取时刻的不同,原始输入特征可以分为静态特征与动态特征。静态特征指的是系统受扰前的稳态测量值及其组合量,如稳态潮流量等;动态特征指的是系统受扰后的动态变量及其组合量,如故障持续期间及故障切除后的潮流量,发电机功角转速等机械量。输入特征如果选择功角转速等机械量,由于其不能由同步相量测量单元直接测得,会引起时延和转换误差,因此选取系统潮流量作为输入特征。选择10台发电机有功无功出力(20维),34条线路传输功率(总共68维),30条母线电压(30维)以及总负荷功率(2维)构成输入特征空间。由于考虑了自动电压调节器(AVR),发电机端口母线电压变化较小,因此不予考虑。在故障切除后,由于切除线路没有功率传输,因此系统线路传输功率变成66维,综上所述,在故障前候选特征为120维,在故障切除后候选特征为118维。
为了提高分类器的学习速度以及分类精度,对候选特征进行降维处理是十分必要的。特征选择以及特征提取算法可以达到特征降维的目的。特征选择算法根据特征选择过程是否依赖分类器可以分为过滤法(filter)与包装法(wrapper),这两种方法通常配合进行,时间成本较大。特征提取算法中的主成分分析法(PCA)以最大化投影方差为目标对特征空间进行变换,具有计算效率高,可以最大程度保留原始特征信息等优势得到广泛应用。其具体计算步骤如下:训练集样本矩阵为,代表样本数量,代表样本维度。首先进行标准化处理得到矩阵,根据式(1)计算其样本相关系数矩阵,求其特征值与对应的特征向量。
然后根据特征值大小进行排序,单位正交化得到特征向量矩阵,特征值的大小代表数据投影方差的大小,特征向量矩阵代表新空间的一组基。由此可以得到新空间下的样本矩阵。最后计算式(2)所示的特征值累积贡献率,根据的大小确定要保留的主成分。
本发明中选择保留96%的原始样本信息,即:。满足条件的前个特征值对应的特征向量形成转换矩阵,测试集数据与之相乘即可投影到新的空间。在安全域概念下,故障1、2和3经过PCA算法降维后的维度为21;在稳定域概念下,故障1、2和3经过PCA算法降维后的维度分别为18、7和14。
步骤3,暂态稳定评估:SVM是一种经典的有监督二分类机器学习算法,在解决小样本、非线性以及高维度分类问题中展现出了独特的优势,本发明基于Libsvm软件包实现SVM分类算法。对于线性可分样本,SVM在样本空间中寻找一个如式(3)所示的最优分类超平面,使得两类样本在准确分开的前提下,分类间隔最大。
其中代表超平面法向量,代表超平面位移。
对于线性不可分的样本,引入软间隔优化以及核技巧将分类问题转化为最优化问题,其目标函数及约束条件如式(4)所示。
其中为核参数。
为了更清晰的展现暂态评估效果,定义以下评估术语。True Positive(TP):系统是暂态不稳定的,并且分类器预测结果也是不稳定的。False Positive(FP):系统是暂态稳定的,但是分类器预测结果是不稳定的。True Negative(TN):系统是暂态稳定的,并且分类器预测结果也是稳定的。False Negative(FN):系统是暂态不稳定的,但是分类器预测结果为稳定。灵敏度()、特异性()以及准确率()的表达式如式(6)(7)(8)所示,由此可知灵敏度表示分类器对失稳样本的预测准确率,特异性表示分类器对稳定样本的预测准确率,准确率反映了分类器总体性能。
针对预设的三个故障,本发明应用SVM算法分别在安全域和稳定域概念下进行了验证。然后以提高分类器的灵敏度,减少FN样本为目标,对实验结果进行综合分析。最终实验结果如表2、3和4所示。
表2 故障1的预测结果
表3. 故障2的预测结果
故障2 | TP | FP | TN | FN | 灵敏度 | 特异性 | 准确率 |
安全域 | 609 | 34 | 327 | 30 | 95.31% | 90.58% | 93.60% |
稳定域 | 624 | 9 | 352 | 15 | 97.65% | 97.51% | 97.60% |
综合分析 | 634 | 39 | 322 | 5 | 99.22% | 89.20% | 95.60% |
表4. 故障3的预测结果
故障3 | TP | FP | TN | FN | 灵敏度 | 特异性 | 准确率 |
安全域 | 527 | 16 | 448 | 9 | 98.32% | 96.55% | 97.5% |
稳定域 | 517 | 29 | 435 | 19 | 96.46% | 93.75% | 95.20% |
综合分析 | 532 | 34 | 430 | 4 | 99.25% | 92.67% | 96.20% |
由以上实验结果可以看出,在三个预设故障下,综合分析下的FP样本个数均小于安全域和稳定域下FP样本的简单求和,这保证了分类器较高的特异性;综合分析下的FN样本个数最少,这证明了综合分析确实可以减少FN样本,提高模型的灵敏度。在表2和表3中,稳定域概念下的预测准确率较高;而在表4中,安全域概念下的预测准确率较高,这反映出在稳定域概念下进行稳定评估时,安全域概念下的预测结果同样具有参考意义。在电力系统实际运行时,大扰动并不会时时刻刻存在。因此,本发明所提方法在保证模型较高特异性前提下的前提下,并不会大幅度增加系统报警率。从实验结果我们还可以看出,针对样本不平衡问题,分类器对占比多的样本有更高的识别率。本发明为了保证分类器较高的特异性,仅仅综合分析了故障前与故障切除后两个时刻的分类结果,后续研究在于如何更好的利用故障持续期间的时间维度信息以及应用深度学习方法来获得更好的分类效果;
此过程通过稳定域概念下的暂态稳定评估,旨在快速判断出系统受扰后的运行状态,针对受扰后失稳样本,采取紧急控制措施防止系统失稳。安全域下与稳定域下的预测结果可能不相同,然而较少研究对比分析安全域和稳定域概念下的暂稳评估结果,比如当预测模型在安全域概念下判为不稳定情况时,故障可能在运行人员采取调整措施前突然发生,此时稳定域概念下的预测模型可能会判断为稳定情况,这就要求我们根据这两种预测结果做出最终的决策。本发明应用SVM分类器分别在安全域概念下与稳定域概念下对电力系统暂态稳定状态做出判断,减少稳定域概念下的漏判样本数量,当判断结果中只要有一个结果为系统受扰后失稳,那么综合分析的结果就是系统失稳。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于故障前后潮流特征的电力系统暂态稳定评估方法,其具体步骤如下:
S1,数据获取:获取训练以及测试分类器所需要的电力系统运行数据,用PSAT软件搭建新英格兰十机三十九节点电力系统模型,仿真平台基于MATLAB R2016;
假设系统发生最严重的永久三相短路故障,在故障持续一段时间后切除故障,为了得到大致均衡的的失稳与稳定样本比例,通过试凑法得到三个预设故障的持续时间为0.18秒、0.21秒、0.18秒,对中小规模电力系统而言,在暂态稳定研究中关注的时间段通常为系统受扰后3-5秒,因此,设置时域仿真时长为10s,故障起始时刻为第1秒末,当系统中任意两台发电机之间的转子角差大于180°时,停止时域仿真,系统状态被判断为不稳定,时域仿真过程中选择牛顿-拉夫逊法求解潮流,功率基准为100MVA,在获取数据时,为了模仿实际电力系统中不断变化的运行状态,假设发电机有功出力以及负荷功率在基准功率的基础上在80%-120%范围内随机波动,在数据获取过程中,会产生少量不合格样本,此处不合格样本指的是在故障切除前就已经变得不稳定的样本,在数据处理过程中予以剔除,针对每个预设故障,我们获取4000个样本,其中每个样本包含系统潮流量,发电机功角转速等数据;
S2,特征选择与特征降维;根据特征提取时刻的不同,原始输入特征可以分为静态特征与动态特征,静态特征指的是系统受扰前的稳态测量值及其组合量,如稳态潮流量等;动态特征指的是系统受扰后的动态变量及其组合量,如故障持续期间及故障切除后的潮流量,发电机功角转速等机械量,输入特征如果选择功角转速等机械量,由于其不能由同步相量测量单元直接测得,会引起时延和转换误差,因此选取系统潮流量作为输入特征,选择10台发电机有功无功出力(20维),34条线路传输功率(总共68维),30条母线电压(30维)以及总负荷功率(2维)构成输入特征空间,由于考虑了自动电压调节器(AVR),发电机端口母线电压变化较小,因此不予考虑;在故障切除后,由于切除线路没有功率传输,因此系统线路传输功率变成66维,综上所述,在故障前候选特征为120维,在故障切除后候选特征为118维;
对候选特征进行降维处理,特征选择以及特征提取算法可以达到特征降维的目的,特征选择算法根据特征选择过程是否依赖分类器可以分为过滤法(filter)与包装法(wrapper),这两种方法通常配合进行,时间成本较大,特征提取算法中的主成分分析法(PCA)以最大化投影方差为目标对特征空间进行变换,具有计算效率高,以最大程度保留原始特征信息等优势得到广泛应用,其具体计算步骤如下:训练集样本矩阵为,代表样本数量,代表样本维度,首先进行标准化处理得到矩阵,根据式(1)计算其样本相关系数矩阵,求其特征值与对应的特征向量;
然后根据特征值大小进行排序,单位正交化得到特征向量矩阵,特征值的大小代表数据投影方差的大小,特征向量矩阵代表新空间的一组基,由此可以得到新空间下的样本矩阵;最后计算式(2)所示的特征值累积贡献率,根据的大小确定要保留的主成分;
选择保留96%的原始样本信息,即:;满足条件的前个特征值对应的特征向量形成转换矩阵,测试集数据与之相乘即可投影到新的空间;在安全域概念下,故障1、2和3经过PCA算法降维后的维度为21;在稳定域概念下,故障1、2和3经过PCA算法降维后的维度分别为18、7和14;
S3,暂态稳定评估:SVM是一种经典的有监督二分类机器学习算法,在解决小样本、非线性以及高维度分类问题中展现出了独特的优势,本发明基于Libsvm软件包实现SVM分类算法;对于线性可分样本,SVM在样本空间中寻找一个如式(3)所示的最优分类超平面,使得两类样本在准确分开的前提下,分类间隔最大;
其中代表超平面法向量,代表超平面位移;
对于线性不可分的样本,引入软间隔优化以及核技巧将分类问题转化为最优化问题,其目标函数及约束条件如式(4)所示;
其中为核参数;
为了更清晰的展现暂态评估效果,定义以下评估术语,True Positive(TP):系统是暂态不稳定的,并且分类器预测结果也是不稳定的,False Positive(FP):系统是暂态稳定的,但是分类器预测结果是不稳定的;True Negative(TN):系统是暂态稳定的,并且分类器预测结果也是稳定的,False Negative(FN):系统是暂态不稳定的,但是分类器预测结果为稳定,灵敏度()、特异性()以及准确率()的表达式如式(6)(7)(8)所示,由此可知灵敏度表示分类器对失稳样本的预测准确率,特异性表示分类器对稳定样本的预测准确率,准确率反映了分类器总体性能,
针对预设的三个故障,应用SVM算法分别在安全域和稳定域概念下进行了验证,然后以提高分类器的灵敏度,减少FN样本为目标,对实验结果进行综合分析。
2.根据权利要求1所述的一种基于故障前后潮流特征的电力系统暂态稳定评估方法,其特征在于:所述S1中的三十九总线模型包括十台发电机、34条线路以及19个负荷,发电机采用四阶模型,负荷采用恒阻抗模型,并且在搭建的模型中设置三个电压等级分别为13.8KV,115KV和345KV。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110263884.XA CN112909939B (zh) | 2021-03-10 | 2021-03-10 | 一种基于故障前后潮流特征的电力系统暂态稳定评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110263884.XA CN112909939B (zh) | 2021-03-10 | 2021-03-10 | 一种基于故障前后潮流特征的电力系统暂态稳定评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112909939A true CN112909939A (zh) | 2021-06-04 |
CN112909939B CN112909939B (zh) | 2022-07-12 |
Family
ID=76104824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110263884.XA Active CN112909939B (zh) | 2021-03-10 | 2021-03-10 | 一种基于故障前后潮流特征的电力系统暂态稳定评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112909939B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988558A (zh) * | 2021-10-20 | 2022-01-28 | 山东大学 | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 |
CN114330468A (zh) * | 2021-07-14 | 2022-04-12 | 广东工业大学 | 一种基于动态规划的分类器筛选方法、系统及计算机设备 |
CN117937521A (zh) * | 2024-03-25 | 2024-04-26 | 山东大学 | 电力系统暂态频率稳定性预测方法、系统、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102832617A (zh) * | 2012-09-03 | 2012-12-19 | 武汉大学 | 一种基于精确化模式判别的大电网暂态稳定分析方法 |
CN105512799A (zh) * | 2015-11-26 | 2016-04-20 | 中国电力科学研究院 | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 |
CN106849069A (zh) * | 2017-03-13 | 2017-06-13 | 东北电力大学 | 一种基于Pin‑SVM的电力系统暂态稳定评估方法 |
CN107171315A (zh) * | 2017-05-18 | 2017-09-15 | 广东电网有限责任公司电力科学研究院 | 一种基于rptsvm的电力系统暂态稳定评估方法 |
-
2021
- 2021-03-10 CN CN202110263884.XA patent/CN112909939B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102832617A (zh) * | 2012-09-03 | 2012-12-19 | 武汉大学 | 一种基于精确化模式判别的大电网暂态稳定分析方法 |
CN105512799A (zh) * | 2015-11-26 | 2016-04-20 | 中国电力科学研究院 | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 |
CN106849069A (zh) * | 2017-03-13 | 2017-06-13 | 东北电力大学 | 一种基于Pin‑SVM的电力系统暂态稳定评估方法 |
CN107171315A (zh) * | 2017-05-18 | 2017-09-15 | 广东电网有限责任公司电力科学研究院 | 一种基于rptsvm的电力系统暂态稳定评估方法 |
Non-Patent Citations (1)
Title |
---|
DAEWON LEE: "Support Vector Classifier Using Basin-Based Sampling for Security Assessment of Nonlinear Power and Control Systems", 《2006 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330468A (zh) * | 2021-07-14 | 2022-04-12 | 广东工业大学 | 一种基于动态规划的分类器筛选方法、系统及计算机设备 |
CN113988558A (zh) * | 2021-10-20 | 2022-01-28 | 山东大学 | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 |
CN117937521A (zh) * | 2024-03-25 | 2024-04-26 | 山东大学 | 电力系统暂态频率稳定性预测方法、系统、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112909939B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112909939B (zh) | 一种基于故障前后潮流特征的电力系统暂态稳定评估方法 | |
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
Zheng et al. | Regression tree for stability margin prediction using synchrophasor measurements | |
Gomez et al. | Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN109428327B (zh) | 基于响应的电网关键支路与主导稳定模式识别方法及系统 | |
CN112821424B (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
Zhang et al. | A weighted random forest approach to improve predictive performance for power system transient stability assessment | |
WO2017016019A1 (zh) | 一种电力系统广域同调辨识方法及其装置 | |
CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN113258563B (zh) | 柔直孤岛接入的交流电网继电保护灵敏度确定方法及装置 | |
CN107958288A (zh) | 一种基于案例推理的汽轮机加热器故障诊断方法 | |
Huang et al. | Converter fault diagnosis method based on principal component analysis combined with improved similarity classifier | |
Li et al. | Faulty Feeders Identification for Single-phase-to-ground Fault Based on Multi-features and Machine Learning | |
Guan et al. | Transient stability prediction of power system based on power flow characteristics | |
Wu et al. | Data-driven Method and Interpretability Analysis for Transient Power Angle Stability Assessment | |
Thilakarathne et al. | A modified lyapunov exponent based approach for real-time voltage stability assessment using pmus | |
Kochar et al. | FIS Based Fault Identification and Classification in IEEE RTS96 System | |
Thapa et al. | A machine learning-based approach to detection of fault locations in transmission networks | |
An et al. | Fault Location Detection of Transmission Lines in Noise Environments Based on Random Matrix Theory | |
CN112952830B (zh) | 一种故障后电力系统暂态稳定预测方法 | |
CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
Chen et al. | Power System Transient Stability Prediction Based on Sample Pre-screening of SVM Algorithm and AdaBoost Algorithm |
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 |