CN113285452A - 用于预判电力系统暂态失稳与生成切机控制策略的方法 - Google Patents

用于预判电力系统暂态失稳与生成切机控制策略的方法 Download PDF

Info

Publication number
CN113285452A
CN113285452A CN202110603885.4A CN202110603885A CN113285452A CN 113285452 A CN113285452 A CN 113285452A CN 202110603885 A CN202110603885 A CN 202110603885A CN 113285452 A CN113285452 A CN 113285452A
Authority
CN
China
Prior art keywords
generator
power system
tripping control
instability
power
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
CN202110603885.4A
Other languages
English (en)
Other versions
CN113285452B (zh
Inventor
刘挺坚
刘友波
刘俊勇
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202110603885.4A priority Critical patent/CN113285452B/zh
Publication of CN113285452A publication Critical patent/CN113285452A/zh
Application granted granted Critical
Publication of CN113285452B publication Critical patent/CN113285452B/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
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • H02J2203/10—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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • 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
    • Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units

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技术领域，用于预判电力系统暂态失稳与生成切机控制策略的方法，包括以下步骤：S1：获取待预测电力系统故障后发电机机端PMU实时量测数据，并将该数据作为输入发送至已训练完成的人工智能决策模型中；S2：所述人工智能决策模型输出待预测电力系统的稳定状态和切机控制量；S1：将切机控制量进行处理，得到切机控制策略组，将切机控制策略下发给故障的电力系统，发电机组脱网完成紧急控制。本发明充分应用PMU实时量测数据实现电力系统实时态势感知，为电网调度运行人员防御电力系统暂态失稳、实施有效的紧急控制措施提供辅助决策支撑。

Description

用于预判电力系统暂态失稳与生成切机控制策略的方法
技术领域
本发明涉及电力系统自动化技术领域，具体涉及用于预判电力系统暂态失稳与生成切机控制策略的方法。
背景技术
电力系统暂态稳定紧急控制是指电力系统遭受大扰动后进入紧急运行状态，为防止系统运行参数严重超出安全范围、系统稳定性遭到破坏、以及事故扩大引起大范围停电而采取的有效控制措施。暂态稳定紧急控制作为电力系统安全稳定控制的第二道防线，对防止受扰系统的安全稳定性进一步恶化、乃至造成大停电事故具有重要意义。
在调度自动化水平不高的传统电网中，暂态稳定紧急控制主要通过安全稳定控制装置实现。安控装置实质上是“离线决策，在线匹配”的技术策略。电网调度运行人员针对预想运行方式和故障集，通过离线仿真计算来整定出对应故障模式的控制策略表存放于安控装置中。安控装置实时监视线路保护及断路器的动作信号，若线路发生故障、保护装置动作切除故障线路，安控装置将启动并执行预先整定的稳定控制策略，以此实现电力系统紧急控制。为了保证控制的有效性，安控装置只能被动地以最恶劣运行场景作为控制策略整定的依据，其保守性将造成控制代价增大，带来不必要的经济损失。
与传统电网相对，智能电网要求具备自适应性、高灵活性的实时紧急控制决策技术。相量测量单元(phasor measurement units,PMUs)与广域测量系统(wide-areameasurement system,WAMS)在智能电网的部署应用，为实时监视电力系统运行态势以及基于态势感知的电力系统紧急控制实时决策提供了必要的技术基础。在此背景下，本发明提出一种用于预判电力系统暂态失稳与生成切机控制策略的方法，从电力系统PMU实时量测数据中快速预判系统稳定性，针对预判为失稳的扰动场景，进一步预测生成紧急切机控制策略组，为电网调度运行人员防御电力系统暂态失稳、实施有效的紧急控制措施提供辅助决策支撑。
发明内容
本发明目的在于提供用于预判电力系统暂态失稳与生成切机控制策略的方法，实现了基于PMU实时量测的电网故障后系统暂态失稳超前预判，利用关系神经网络的注意力机制来实现失稳机组的精准辨识，最终实现电力系统紧急切机控制策略的实时生成。
为达到上述发明目的，本发明采用的技术方案为：用于预判电力系统暂态失稳与生成切机控制策略的方法，包括以下步骤：
S1：获取待预测电力系统故障后发电机机端的PMU实时量测数据，并将该数据作为输入发送至训练完成的人工智能决策模型；其中，PMU实时量测数据包括发电机参数，执行S2；
S2：所述人工智能决策模型输出待预测电力系统的稳定状态和切机控制量，当待预测电力系统的稳定状态属于失稳时，执行S3；当待预测电力系统的稳定状态属于稳定时，待预测电力系统无需紧急切机控制；
S3，将切机控制量进行处理，得到切机控制策略组，将切机控制策略下发给故障的电力系统，将发电机组脱网从而完成紧急控制。
优选的，步骤S1中，所述发电机参数包括发电机的功角、转速、输出电磁功率变化量。
优选的，步骤S1中，通过暂态稳定数据库和紧急控制数据库对人工智能决策模型进行模型参数训练。
优选的，构建所述暂态稳定数据库的方法为：预设多种已知电力系统的运行方式和故障集，通过仿真系统对预设的运行方式和故障集进行时域仿真，得到故障后暂态过程中发电机功角轨迹以及电力系统的稳定状态，构建暂态稳定数据库，其中，所述暂态稳定数据库包括失稳样本和稳态样本以及失稳样本和稳态样本的PMU实时测量测数据。
优选的，构建所述紧急控制数据库的方法包括下列步骤：
S41：根据失稳样本的PMU实时测量测数据，辨识具有最大功角间隙的发电机机组对，其中，所述发电机机组对包括超前失稳机组和滞后稳定机组；
S42：获取发电机机组的PMU实时测量测数据，并根据所述PMU实时测量测数据计算出等值单机无穷大系统的切机控制量，其中，所述切机控制量用于恢复电力系统运行；
S43：当所述切机控制量小于或等于被切机的发电机控制量时，输出初始切机控制策略组，并将初始切机控制策略组返回给仿真系统。
S44：仿真系统根据接收的切机控制策略组下发切机控制信号，判断实施切机控制后的电力系统是否恢复稳定运行，若是，执行步骤S45，若否，执行步骤S41；
S45：仿真结束，输出切机控制策略组，生产紧急控制数据库。
优选的，步骤S42中，所述切机控制量的计算公式为：
Figure BDA0003093744090000021
式中，Pshed为切机控制量，δu为等值单机无穷大系统在不稳定平衡点时刻的发电机功角，ωu为等值单机无穷大系统在不稳定平衡点时刻的发电机的转速，MSIME为等值单机无穷大系统的惯性时间常数，δec为等值单机无穷大系统在实时控制时刻的发电机功角，其中，当PMU测量数据上传到切机控制信号下发的总耗时为0.1秒时，所述控制时刻的功角为δec。
优选的，所述不稳定平衡点时刻的计算公式为：
Figure BDA0003093744090000031
式中，Pe,SIME等值单机无穷大系统的发电机输出电磁功率，ωSIME等值单机无穷大系统的发电机转速，tcr为电力系统故障时刻，tTDS为仿真结束时刻。
优选的，所述人工智能决策模型基于关系神经网络构建，所述关系神经网络包括发电机特征提取模块、机组对建模模块、系统特征融合模块、稳定性预判模块、切机控制量预估模块。
优选的，所述系统特征融合模块用于提取电力系统故障的发电机的注意力因子。
优选的，步骤S3中，所述注意力因子用于对切机控制量进行处理，具体为：按注意力因子从高到低对发电机进行排序，计算排序相邻机组的注意力因子差值，以最大注意力因子差值划分失稳机组和稳定机组，并按注意力因子的比值将切机控制量分配到各失稳机组。
本发明的有益效果为：
本发明研制了一种基于PMU实时量测与关系神经网络的电力系统暂态失稳预判与切机控制策略生成方法，实现了基于PMU实时量测的电网故障后系统暂态失稳超前预判，利用关系神经网络的注意力机制来实现失稳机组的精准辨识，最终实现电力系统紧急切机控制策略的实时生成。本发明方法充分应用PMU实时量测数据实现电力系统实时态势感知，为电网调度运行人员防御电力系统暂态失稳、实施有效的紧急控制措施提供辅助决策支撑。
附图说明
图1为本发明的整体示意图；
图2为关系神经网络的结构示意图；
图3为IEEE39节点系统电网单线图；
图4为场景2电力系统故障后发电机的功角轨迹；
图5为场景1发电机的注意力因子；
图6为场景2电力系统故障后发电机的功角轨迹；
图7为场景2发电机的注意力因子；
图8为场景1实施紧急切机控制后发电机功角轨迹；
图9为场景2实施紧急切机控制后发电机功角轨迹。
具体实施方式
下面结合本发明的附图1～9，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。
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
用于预判电力系统暂态失稳与生成切机控制策略的方法，包括以下步骤：
S1：获取待预测电力系统故障后发电机机端的PMU实时量测数据，并将该数据作为输入发送至训练完成的人工智能决策模型；其中，PMU实时量测数据包括发电机参数，执行S2；
S2：所述人工智能决策模型输出待预测电力系统的稳定状态和切机控制量，当待预测电力系统的稳定状态属于失稳时，执行S3；当待预测电力系统的稳定状态属于稳定时，待预测电力系统无需紧急切机控制，其中，所述人工智能决策模块包括暂态失稳预判模型和紧急控制决策模型；
S3，将切机控制量进行处理，得到切机控制策略组，将切机控制策略下发给故障的电力系统，将发电机组脱网从而完成紧急控制。
值得说明的，步骤S1中，所述发电机参数包括发电机的功角、转速、输出电磁功率变化量。
值得说明的，步骤S1中，通过暂态稳定数据库和紧急控制数据库对人工智能决策模型进行模型参数训练。
值得说明的，构建所述暂态稳定数据库的方法为：预设多种已知电力系统的运行方式和故障集，通过仿真系统对预设的运行方式和故障集进行时域仿真，得到故障后暂态过程中发电机功角轨迹以及电力系统的稳定状态，构建暂态稳定数据库，其中，所述暂态稳定数据库包括失稳样本和稳态样本以及失稳样本和稳态样本的PMU实时测量测数据。
值得说明的构建所述紧急控制数据库的方法包括下列步骤：
S41：根据失稳样本的PMU实时测量测数据，搜索最大机组对功角差首次大于360°的时刻，按该时刻各发电机的功角大小进行排序，并求取排序相邻机组的功角间隙，辨识得到具有最大功角间隙的发电机机组对(Gi-Gj，便于叙述指定δi>δj)，将功角大于δi的机组划分到超前失稳机组，同时将功角小于δj的机组划分到滞后稳定机组；
S42：获取发电机机组对的PMU实时测量测数据，并根据所述PMU实时测量测数据计算出等值单机无穷大系统的切机控制量，其中，所述切机控制量用于恢复电力系统运行，所述发电机机组对的PMU实时测量测数据包括超前失稳机组的功角、转速和输出电磁功率以及滞后稳定机组的功角、转速和输出电磁功率；
S43：对超前失稳机组按失稳时刻的功角大小按从大到小排序，依次增加切除机组直至被切机组的发电机控制量(输出功率)大于或等于所述切机控制量(切机功率)，得到初始切机控制策略组，并将初始切机控制策略组返回给仿真系统；
S44：仿真系统根据接收的切机控制策略组向下发切机控制信号，判断实施切机控制后剩余并网发电机是否存在任意两台发电机的功角差大于360°：若是，电力系统恢复稳定，进入第45步，若否，进入第41步；
S45：仿真结束，输出切机控制策略组，生产紧急控制数据库。
值得说明的步骤S42中，所述切机控制量的具体计算方法包括：
①按下式分别求取两机等值系统的等效受扰轨迹：
Figure BDA0003093744090000051
Figure BDA0003093744090000052
式中，tTDS为仿真结束时间；MS、δS、ωS和PeS分别为超前失稳机组的惯性时间常数、功角、转速和输出电磁功率；MA、δA、ωA和PeA分别为滞后稳定机组的惯性时间常数、功角、转速和输出电磁功率。
②进一步将两机等值系统转换为等值单机无穷大系统，按下式求取等值单机无穷大系统的等效受扰轨迹：
Figure BDA0003093744090000061
式中，MSIME、δSIME、ωSIME和Pe,SIME分别为等值单机无穷大系统的发电机惯性时间常数、功角、转速和输出电磁功率。
③针对等值单机无穷大系统的故障后受扰轨迹，从故障时刻开始，按下式逐步搜索等值单机无穷大系统穿越不稳定平衡点的时刻：
Figure BDA0003093744090000062
首次满足上述条件的时刻t即为系统穿越不稳定平衡点而发生失步的时刻tu，该时间对应的“功角-转速”相平面上的运行点{δSIME(tu),ωSIME(tu)}即为等值单机无穷大系统的不稳定平衡点(δu,ωu)，进一步按下式计算造成电力系统暂态失稳的不平衡暂态能量U：
Figure BDA0003093744090000063
⑤当PMU测量数据上传到切机控制信号下发的总耗时为0.1秒时，所述实施控制时刻的功角为δec，最后按下式计算用于消纳不平衡暂态能量的切机控制量(切机功率)Pshed：
Figure BDA0003093744090000064
值得说明的，所述人工智能决策模型基于关系神经网络构建，如图2所示，所述关系神经网络包括发电机特征提取模块、机组对建模模块、系统特征融合模块、稳定性预判模块、切机控制量预估模块，所述基于门控循环单元的发电机特征提取模块用于从PMU实时数据中学习提取发电机特征表达；所述基于关系神经网络的机组对建模模块用于根据发电机特征表达获取发电机机组对的系统特征；所述基于注意力机制的系统特征融合模块用于根据系统特征求取注意力因子并获取得到待预测电力系统的暂态稳定特征表达；基于多层感知机的稳定性预判用于输出电力系统暂态稳定性的预判结果，其中，对于电力系统暂态稳定性预判的二分类问题，设置输出结果的维度为2维，分别对应“稳定”和“失稳”，比较两维输出结果的大小关系，输出结果较大的维度即为二分类问题的预测结果；基于多层感知机的切机控制量预估模块用于输出恢复电力系统稳定运行的切机控制量的预测结果，输出结果的维度设置为1维。
值得说明的，步骤S3中，所述注意力因子用于对切机控制量进行处理，具体为：按注意力因子从高到低对发电机进行排序，计算排序相邻机组的注意力因子差值，以最大注意力因子差值划分失稳机组和稳定机组，并按注意力因子的比值将切机控制量分配到各失稳机组，从而实现失稳机组的精确辨识辨识。
实施例：以IEEE39节点测试系统为例进行说明，其中。IEEE39节点系统的电网单线图如图3所示。
数据生成：
(1)预设电网的运行方式具体为：对全网的负荷有功/无功需求以及发电机有功出力进行等比例的同步调整，得到75％，80％，…，120％倍基准值的10种负荷水平以及相应的电网运行方式。在此基础上，设置负荷有功/无功需求在90％～110％倍基准值范围内独立均匀分布，发电机有功出力在60％～140％倍基准值范围内独立均匀分布。基于蒙特卡洛随机抽样总共生成50种随机运行工况，生成电网运行方式数据。
(2)预设故障集设置：分别考虑34条输电线路作为三相短路故障的故障元件，故障点位于线路两端。此外，考虑两种隔离故障的情况：1)线路一次保护和断路器正常动作场景，故障清除时间服从均值为6周波、标准差为1周波的正态分布；2)线路一次保护拒动、后备保护启动触发断路器动作场景，故障时间服从均值为12周波，标准差为1周波的正态分布。按照上述方式，得到由136种故障场景组成的预想故障集。
(3)构建暂态稳定数据库的方式：遍历所有“运行方式-故障场景”组合，采用电力系统分析软件PSD-BPA逐一进行时域仿真计算，并按是否存在任意两台发电机的功角差大于360°判断故障后系统是否发生暂态失稳。取故障清除后0.1秒内发电机的功角、转速、输出电磁功率变化量的时域仿真数据来模拟发电机机端PMU的实时测量数据并以此作为关系神经网络的输入特征，以电网故障后最终稳定状态(稳定或失稳)作为预测目标，对应存入暂态稳定数据库中。
(4)构建紧急控制数据库的方式：提取暂态稳定数据库中的失稳样本，基于单机等值法计算恢复电网稳定运行的所需切机控制量。同样取故障清除后0.1秒内发电机的功角、转速、输出电磁功率变化量的PMU测量数据作为输入特征，以切机控制量作为预测目标，对应存入紧急控制数据库中。
对随机生成的电网运行方式按80：20的比例随机划分为训练场景和测试场景，与之相对应的故障样本亦随之划分为训练数据和测试数据。
模型训练：
基于PyTorch库搭建关系神经网络，使用训练集数据对人工智能决策模型进行训练，采用ADAM算法进行模型参数训练，学习率设置为0.0001，批处理个数为64，模型训练的迭代次数为100次。
模型性能测试：
由于测试样本对应的运行方式未包含在训练数据中，可视为待预测电电力系统实时运行中出现了未在日前运行规划和模型训练中给予考虑的运行场景，因此测试样本的预测结果可以较好地反映模型性能。以下对本发明的关系神经网络在暂态失稳预判、失稳机组辨识、紧急控制策略生成三个应用环节的有效性进行逐一测试验证：
(1)基于关系神经网络的电力系统故障后系统暂态稳定性预测准确率
首先利用离线训练所得的人工智能决策模型中的暂态稳定预判模型来预判测试样本的暂态稳定性，综合分类准确率为99.2％，具体结果如表1所示。其中，漏报率(将失稳样本判为稳定的比率)为0.64％，而误报率(将稳定样本判为失稳的比率)为0.90％。
表1暂态失稳预判模型的分类准确率
Figure BDA0003093744090000081
针对失稳样本，利用注意力因子来辨识失稳机组。以下给出两种典型失稳场景并进行解释：
场景1：母线Bus-22发生三相短路故障，线路Line-22-21保护装置正确启动并开断线路，从而隔离故障。图4给出电力系统故障后各发电机的功角受扰轨迹，可知发电机Gen-35和Gen-36最先加速失稳，这两台发电机构成失稳主导机群。图5给出该场景下关系神经网络输出的各发电机的注意力因子，可知发电机Gen-35和Gen-36的注意力因子显著大于其余机组的。
场景2：母线Bus-26发生三相短路故障，线路Line-26-28保护装置正确启动并开断线路，从而隔离故障。图6给出电网故障后各发电机的功角受扰轨迹，可知发电机Gen-38最先加速失稳，这台发电机构成失稳主导机组。图7给出该场景下关系神经网络输出的注意力因子可知发电机Gen-38的注意力因子显著大于其余机组的。
对基于注意力因子的失稳机组辨识进行全面性的测试，对于所有单机失稳模式的样本，失稳机组的辨识准确率为100.0％；而对于多机失稳模式的样本，最先失稳的主导机组的注意力因子总是具有最大值，说明基于注意力机制的系统特征融合在整体关系神经网络中具有重要作用，实现了暂态失稳机组的精准辨识。
针对失稳样本，进一步利用紧急控制决策模型来生成切机控制策略组。切机控制具有离散特性，在本实施例中，假设所有机组由5台参数一致的机组并联运行、各并联机组均摊该母线潮流计算结果中的有功和无功出力。同时，考虑到厂用电的需要，切机控制一般不会对整个电厂所有机组全部切除，因此各电厂最大切机台数为4台，至少保留1台机组并网运行。切机控制量可在{1，2，3，4}台中选取最优控制量。
仍以前述两种典型失稳场景来进行示例：
场景1：母线Bus-22发生三相短路故障，线路Line-22-21保护装置正确启动并开断线路，从而隔离故障。基于注意力机制已辨识得到Gen-35和Gen-36为主导失稳机组，其中Gen-36的注意力因子略大于Gen-35的注意力因子，因此选取Gen-36作为紧急切机控制的实施地点。利用切机量预估模型预测所需切机控制量，预测结果为“3”，即应切除Gen-36的3台机组。图8给出实施紧急控制后，电网故障后各发电机的功角受扰轨迹。由图8可以看出，实施紧急切机控制后，各发电机保持同步运行，系统恢复暂态稳定性。
场景2：母线Bus-26发生三相短路故障，线路Line-26-28保护装置正确启动并开断线路，从而隔离故障。基于注意力机制已辨识得到系统即将发生Gen-38相对余下机组加速失步的单机失稳模式，因此选取Gen-38作为紧急切机控制的实施地点。利用切机量预估模型预测所需切机控制量，预测结果为“1”，即应切除Gen-38的1台机组。图9给出实施紧急控制后，电网故障后各发电机的功角受扰轨迹。由图9可以看出，实施紧急切机控制后，各发电机保持同步运行，系统恢复暂态稳定性。
上述两种典型例说明了关系神经网络可以准确预判电力系统暂态失稳态势以及相应的主导失稳机组，并实现系统紧急控制策略的快速生成。
综上所述，本发明研制了一种基于PMU实时量测与关系神经网络的电力系统暂态失稳预判与切机控制策略生成方法，实现了基于PMU实时量测的电网故障后系统暂态失稳超前预判，利用关系神经网络的注意力机制来实现失稳机组的精准辨识，最终实现电力系统紧急切机控制策略的实时生成。本发明方法充分应用PMU实时量测数据实现电力系统实时态势感知，为电网调度运行人员防御电力系统暂态失稳、实施有效的紧急控制措施提供辅助决策支撑。

Claims (10)

1.用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于包括以下步骤：
S1：获取待预测电力系统故障后发电机机端PMU实时量测数据，并将该数据作为输入发送至已训练完成的人工智能决策模型中；其中，PMU实时量测数据包括发电机参数，执行S2；
S2：所述人工智能决策模型输出待预测电力系统的稳定状态和切机控制量，当待预测电力系统的稳定状态属于失稳时，执行S3；当待预测电力系统的稳定状态属于稳定时，待预测电力系统无需紧急切机控制；
S3，将切机控制量进行处理，得到切机控制策略组，将切机控制策略下发给故障的电力系统，发电机组脱网完成紧急控制。
2.根据权利要求1所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，步骤S1中，所述发电机参数包括发电机的功角、转速、输出电磁功率变化量。
3.根据权利要求2所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，步骤S1中，通过暂态稳定数据库和紧急控制数据库对人工智能决策模型进行模型参数训练。
4.根据权利要求3所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，构建所述暂态稳定数据库的方法为：预设多种已知电力系统的运行方式和故障集，通过仿真系统对预设的运行方式和故障集进行时域仿真，构建暂态稳定数据库，其中，所述暂态稳定数据库包括失稳样本和稳态样本以及失稳样本和稳态样本的PMU实时测量测数据。
5.根据权利要求4所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，构建所述紧急控制数据库的方法包括下列步骤：
S41：根据失稳样本的PMU实时测量测数据，辨识具有最大功角间隙的发电机机组对，其中，所述发电机机组对包括超前失稳机组和滞后稳定机组；
S42：获取发电机机组的PMU实时测量测数据，并根据所述PMU实时测量测数据计算出基于等值单机无穷大系统的切机控制量，其中，所述切机控制量用于恢复电力系统运行；
S43：当所述切机控制量小于或等于被切机的发电机控制量时，输出初始切机控制策略组，并将初始切机控制策略组返回给仿真系统。
S44：仿真系统根据接收的切机控制策略组下发切机控制信号，判断实施切机控制后的电力系统是否恢复稳定运行，若是，执行步骤S45，若否，执行步骤S41；
S45：仿真结束，输出切机控制策略组，生产紧急控制数据库。
6.根据权利要求5所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，步骤S42中，所述切机控制量的计算公式为：
Figure FDA0003093744080000021
式中，Pshed为切机控制量，δu为等值单机无穷大系统在不稳定平衡点时刻的发电机功角，ωu为等值单机无穷大系统在不稳定平衡点时刻的发电机的转速，MSIME为等值单机无穷大系统的惯性时间常数，δec为等值单机无穷大系统在实时控制时刻的发电机功角，其中，当PMU测量数据上传到切机控制信号下发的总耗时为0.1秒时，所述控制时刻的功角为δec。
7.根据权利要求6所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，所述不稳定平衡点时刻的计算公式为：
Figure FDA0003093744080000022
式中，Pe,SIME等值单机无穷大系统的发电机输出电磁功率，ωSIME等值单机无穷大系统的发电机转速，tcr为电力系统故障时刻，tTDS为仿真结束时刻。
8.根据权利要求1所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，所述人工智能决策模型基于关系神经网络构建，所述关系神经网络包括发电机特征提取模块、机组对建模模块、系统特征融合模块、稳定性预判模块、切机控制量预估模块。
9.根据权利要求8所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，所述系统特征融合模块用于提取电力系统故障的发电机的注意力因子。
10.根据权利要求9所述的用于预判电力系统暂态失稳与生成切机控制策略的方法，其特征在于，步骤S3中，所述注意力因子用于对切机控制量进行处理，具体为：按注意力因子从高到低对发电机进行排序，计算排序相邻机发电机组的注意力因子差值，以最大注意力因子差值划分失稳机组和稳定机组，并按注意力因子的比值将切机控制量分配到各失稳机组。
CN202110603885.4A 2021-05-31 2021-05-31 用于预判电力系统暂态失稳与生成切机控制策略的方法 Active CN113285452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110603885.4A CN113285452B (zh) 2021-05-31 2021-05-31 用于预判电力系统暂态失稳与生成切机控制策略的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110603885.4A CN113285452B (zh) 2021-05-31 2021-05-31 用于预判电力系统暂态失稳与生成切机控制策略的方法

Publications (2)

Publication Number Publication Date
CN113285452A true CN113285452A (zh) 2021-08-20
CN113285452B CN113285452B (zh) 2023-03-10

Family

ID=77282785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110603885.4A Active CN113285452B (zh) 2021-05-31 2021-05-31 用于预判电力系统暂态失稳与生成切机控制策略的方法

Country Status (1)

Country Link
CN (1) CN113285452B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113852100A (zh) * 2021-09-24 2021-12-28 广东电网有限责任公司 基于数据驱动的tcpst紧急控制启动判据生成方法
CN114967649A (zh) * 2022-05-26 2022-08-30 华中科技大学 紧急切机控制措施整定的智能体训练方法、预整定方法
CN116345544A (zh) * 2023-03-02 2023-06-27 国网湖北省电力有限公司电力科学研究院 基于遗传算法的电力系统安全稳定控制策略生成方法、装置、系统及存储介质
CN117810957A (zh) * 2023-11-13 2024-04-02 国网湖北省电力有限公司电力科学研究院 基于Transformer自注意力机制的交直流混联电网紧急控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074955A (zh) * 2011-01-20 2011-05-25 中国电力科学研究院 基于知识发现技术的电力系统稳定评估及控制方法
CN102761125A (zh) * 2012-06-27 2012-10-31 西安交通大学 基于响应的电力系统暂态稳定性实时闭环系统及控制方法
CN103618307A (zh) * 2013-11-08 2014-03-05 天津大学 一种提高电力系统安全稳定性的紧急控制方法
CN108092304A (zh) * 2017-12-06 2018-05-29 昆明理工大学 基于相轨迹与相对动能变化率的电力系统暂态稳定性判别方法
CN112215722A (zh) * 2020-10-07 2021-01-12 华中科技大学 主导失稳模式判别模型构建方法、主导失稳模式判别方法
CN112508442A (zh) * 2020-12-18 2021-03-16 湖南大学 基于自动化和可解释机器学习的暂态稳定评估方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074955A (zh) * 2011-01-20 2011-05-25 中国电力科学研究院 基于知识发现技术的电力系统稳定评估及控制方法
CN102761125A (zh) * 2012-06-27 2012-10-31 西安交通大学 基于响应的电力系统暂态稳定性实时闭环系统及控制方法
CN103618307A (zh) * 2013-11-08 2014-03-05 天津大学 一种提高电力系统安全稳定性的紧急控制方法
CN108092304A (zh) * 2017-12-06 2018-05-29 昆明理工大学 基于相轨迹与相对动能变化率的电力系统暂态稳定性判别方法
CN112215722A (zh) * 2020-10-07 2021-01-12 华中科技大学 主导失稳模式判别模型构建方法、主导失稳模式判别方法
CN112508442A (zh) * 2020-12-18 2021-03-16 湖南大学 基于自动化和可解释机器学习的暂态稳定评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱乔木: ""基于深度学习的电力系统暂态稳定评估及风电功率预测方法研究"", 《中国博士学位论文全文数据库 工程科技II辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113852100A (zh) * 2021-09-24 2021-12-28 广东电网有限责任公司 基于数据驱动的tcpst紧急控制启动判据生成方法
CN114967649A (zh) * 2022-05-26 2022-08-30 华中科技大学 紧急切机控制措施整定的智能体训练方法、预整定方法
CN116345544A (zh) * 2023-03-02 2023-06-27 国网湖北省电力有限公司电力科学研究院 基于遗传算法的电力系统安全稳定控制策略生成方法、装置、系统及存储介质
CN116345544B (zh) * 2023-03-02 2024-06-04 国网湖北省电力有限公司电力科学研究院 基于遗传算法的电力系统安全稳定控制策略生成方法、装置、系统及存储介质
CN117810957A (zh) * 2023-11-13 2024-04-02 国网湖北省电力有限公司电力科学研究院 基于Transformer自注意力机制的交直流混联电网紧急控制方法
CN117810957B (zh) * 2023-11-13 2024-10-11 国网湖北省电力有限公司电力科学研究院 基于Transformer自注意力机制的交直流混联电网紧急控制方法

Also Published As

Publication number Publication date
CN113285452B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN113285452B (zh) 用于预判电力系统暂态失稳与生成切机控制策略的方法
US20230335991A1 (en) Proactive intelligent load shedding
Zheng et al. Regression tree for stability margin prediction using synchrophasor measurements
CN109936133B (zh) 考虑信息物理联合攻击的电力系统脆弱性分析方法
CN103337831B (zh) 一种具有自适应功能的失步解列方法
CN101944766B (zh) 一种电力系统运行及安全监控仿真系统
CN103618307B (zh) 一种提高电力系统安全稳定性的紧急控制方法
CN106771852A (zh) 一种网源在线监测数据统一采集和分析处理方法
US11178610B2 (en) Adaptive method for aggregation of distributed loads to provide emergency frequency support
CN109378835A (zh) 基于互信息冗余性最优的大规模电力系统暂态稳定评估系统
CN103311960A (zh) 一种强联系电网同调稳定区域划分方法
CN104505827B (zh) 基于响应信息的复杂电力系统闭环控制方法
CN110458330B (zh) 一种基于灰色关联分析法的级联断面解列优化方法及系统
CN105701265A (zh) 一种双馈风电机组建模方法及装置
Zheng et al. A real-time searching system for cascading failures based on small-world network
Santos et al. Real-time closed loop system controlled by an Artificial Neural Network for estimation of the optimal load shedding
Imris et al. Validation of dynamic GB transmission system models with PMU data for hardware-in-the-loop studies
Awadalla et al. An approach to controlled islanding based on PMU measurements
Wang et al. Study on power system self-adaptive islanding
Cheng et al. Determination of optimal controlled splitting time in power systems
Shao Adaptive three-stage controlled islanding to prevent imminent wide-area blackouts
Xue Progresses of blackout defense systems in China
CN112713584B (zh) 适用于稳控系统预想故障集外故障的控制方法和装置
Sotiropoulos Evaluation of Coherency-based aggregation methods
Morison et al. Critical issues for successful on-line security assessment

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