CN113452025B - 一种模型-数据混合驱动的电网预想故障评估方法和系统 - Google Patents

一种模型-数据混合驱动的电网预想故障评估方法和系统 Download PDF

Info

Publication number
CN113452025B
CN113452025B CN202110682815.2A CN202110682815A CN113452025B CN 113452025 B CN113452025 B CN 113452025B CN 202110682815 A CN202110682815 A CN 202110682815A CN 113452025 B CN113452025 B CN 113452025B
Authority
CN
China
Prior art keywords
fault
expected
unit
model
faults
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
Application number
CN202110682815.2A
Other languages
English (en)
Other versions
CN113452025A (zh
Inventor
俞耀文
韩东海
舒欣
曹侃
姚伟
何顶新
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.)
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Hubei Electric Power 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 Huazhong University of Science and Technology, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202110682815.2A priority Critical patent/CN113452025B/zh
Publication of CN113452025A publication Critical patent/CN113452025A/zh
Application granted granted Critical
Publication of CN113452025B publication Critical patent/CN113452025B/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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种模型‑数据混合驱动的电网预想故障评估方法和系统，属于电力系统安全性领域。包括：获取电网结构参数和历史负荷数据样本；对于每个历史负荷数据样本，根据电网结构参数建立CSCOPF模型，通过故障筛选算法求解CSCOPF模型得到有效预想故障集；以历史负荷数据作为特征，预想故障的有效状态作为标签，建立多标签分类kNN算法的训练集；采用多标签分类kNN算法，对实时负荷数据样本的预想故障有效状态进行在线评估。本发明通过故障筛选算法求解CSCOPF问题生成与节点负荷量对应的有效预想故障集，采用多标签分类kNN算法发掘负荷数据和预想故障之间的联系，根据实时负荷直接评估预想故障的有效情况，高准确率的同时大大加快了求解速度。

Description

一种模型-数据混合驱动的电网预想故障评估方法和系统
技术领域
本发明属于电力系统安全性领域，更具体地，涉及一种模型-数据混合驱动的电网预想故障评估方法和系统。
背景技术
随着电力系统规模的扩大，可能造成系统安全隐患的故障情况也随着增加，因此需要寻找新的电力系统优化运行、调控分析方法，确保系统能在故障发生后安全运行，同时最大化经济效益。电力系统的安全性可以用N-1原则来描述。满足N-1原则的电力系统中的N个元件中的任一独立元件发生故障不会引发其他元件的故障从而导致系统运行失稳。
最优潮流(Optimal Power Flow，OPF)是电力系统调度的基本问题之一，在已知系统的结构参数和预测负荷的情况下，调节机组发电量以最小化总发电成本或总网损。最优潮流可以分为预防型安全约束最优潮流(Preventive Security-Constrained OptimalPower Flow，PSCOPF)和校正型安全约束最优潮流(Corrective Security-ConstrainedOptimal Power Flow，CSCOPF)。PSCOPF要求一组调度方案满足正常工况和所有预想故障，没有在故障发生后调整机组发电量，复杂度较CSCOPF更小，结果也往往过于保守。CSCOPF求解一组正常工况的基础调度方案和多组故障后的重调度方案，每组重调度方案对应一种预想故障，基础调度方案在故障发生后在限定时间内过渡到对应的重调度方案。CSCOPF引入了对机组发电量的调整阶段，因此相比于PSCOPF经济性更好，但由于每组重调度方案都需要求解一个调度问题，CSCOPF的问题规模远大于PSCOPF。
现有的CSCOPF求解方法包括直接求解、奔德斯分解(Benders Decomposition)、故障筛选算法。直接求解法考虑正常工况和所有预想故障一次性求解，模型规模巨大，求解时间长。奔德斯分解将问题拆分成主问题和子问题，根据子问题的结果向主问题添加奔德斯割，迭代求解最优解。《Liu Y，Ferris M.C，Zhao F.Computational Study of SecurityConstrained Economic Dispatch With Multi-Stage Rescheduling[J].IEEETransactions on Power Systems，2015，30(2)：920-929》提出了基于奔德斯分解的多阶段重调度方法，采用并行计算和可行性检验等方式加速算法收敛。故障筛选算法将模型拆分成一个主问题和若干个子问题，每个子问题对应一种预想故障，根据子问题的结果向主问题添加有效预想故障对应的约束，迭代更新最优解并验证，直到模型收敛。
现有的CSCOPF求解方法都基于机理模型，每一种预想故障都对应一个调度问题，问题规模巨大。采用奔德斯分解和故障筛选算法时，由于预想故障之间存在耦合，满足一个子问题的约束可能导致主问题的解在另一个子问题中不可行，因此需要多次迭代，每次迭代都要重新验证剩余子问题的可行性，如果某个子问题不可行，则需要调整机组发电量并重新验证。现有方法求解大规模的实际系统所需时间过长，不能满足实时经济调度的实时性要求，因此需要新的快速求解方案。
发明内容
针对相关技术的缺陷，本发明的目的在于提供一种模型-数据混合驱动的电网预想故障评估方法和系统，旨在解决现有评估方法求解速度较慢的问题。
为实现上述目的，本发明提供了一种模型-数据混合驱动的电网预想故障评估方法，包括以下步骤：
步骤1：获取电网结构参数和历史负荷数据样本；
步骤2：对于每个历史负荷数据样本，根据所述电网结构参数建立CSCOPF模型，求解CSCOPF模型得到有效预想故障集；其中，所述有效预想故障集之内的预想故障为有效预想故障，其余预想故障为无效预想故障；
步骤3：以历史负荷数据作为特征，预想故障的有效状态作为标签，建立多标签分类kNN算法的训练集，每个标签各自对应一种预想故障的有效或无效；
步骤4：采用多标签分类的kNN算法，对实时负荷数据样本的预想故障有效状态进行在线评估。
进一步地，求解CSCOPF模型得到有效预想故障集包括：
步骤2-1：建立CSCOPF模型；所述CSCOPF模型包括一个主问题和多个子问题，每个子问题各自对应一种预想故障，所有预想故障对应的子问题构成子问题集合；
步骤2-2：计算主问题，得到最优解对应的正常工况下的机组发电量；
步骤2-3：将主问题中求出的所述正常工况下的机组发电量代入子问题，求解所述子问题集合中所有的子问题的目标函数；
步骤2-4：判断所有子问题的目标函数是否都为0或者所述子问题集合为空，若是，则模型求解完成，添加到主问题中的预想故障的集合就是有效预想故障集；
否则，将目标函数不为0的子问题从子问题集合中移除，对应的预想故障加入到有效预想故障集中，返回步骤2-2。
进一步地，所述主问题以正常工况下的总发电成本为目标函数，约束条件为传输线容量、机组发电量上下限、节点潮流平衡和机组爬坡变化量。
进一步地，主问题的目标函数描述为：
Figure BDA0003121595040000031
其中，Cg(·)表示机组g的发电成本函数，pg，0表示正常运行工况下的机组g发电量；
传输线容量约束为：
Figure BDA0003121595040000041
fl，c表示传输线l在预想故障c下的功率，Xl是传输线l的阻抗；θα(l)，c、θβ(l)，c分别表示在传输线l上输出潮流和接收潮流的节点在预想故障c下的电压相角；Sa表示加入主问题的有效预想故障集，初始状态下Sa为空集；c＝0时表示无故障工况，c＝1，2，...，L时表示传输线断路，c＝L+1，L+2，...，L+G时表示机组掉线；
机组发电量上下限约束为：
Figure BDA0003121595040000042
pg，c表示发电机组g在预想故障c下的发电量，
Figure BDA0003121595040000043
分别表示机组开启时的发电量下限和上限；
节点潮流平衡约束为：
Figure BDA0003121595040000044
其中Di表示节点i上的负荷，
Figure BDA0003121595040000045
表示节点i上的所有发电机组在预想故障c下的总发电量，
Figure BDA0003121595040000046
表示预想故障c下从节点i输出的潮流，
Figure BDA0003121595040000047
表示预想故障c下输入节点i的潮流；
机组g在预想故障c下的爬坡上升约束和爬坡下降约束为：
Figure BDA0003121595040000048
Figure BDA0003121595040000049
其中，tc表示对预想故障c下的机组发电量进行调整的最大允许时间，Rg表示机组g的最大爬坡速率。
进一步地，所述子问题的目标函数为：
Figure BDA0003121595040000051
子问题的约束条件为：
Figure BDA0003121595040000052
Figure BDA0003121595040000053
Figure BDA0003121595040000054
Figure BDA0003121595040000055
Figure BDA0003121595040000056
Figure BDA0003121595040000057
Figure BDA0003121595040000058
其中，子问题的优化目标是最小化松弛变量，
Figure BDA0003121595040000059
分别表示松弛机组g爬坡上升和爬坡下降约束的松弛变量。
进一步地，采用多标签分类的kNN算法评估实时负荷数据样本的预想故障有效状态包括如下步骤：
步骤4-1：计算预测样本与所有训练样本之间的欧式距离；
步骤4-2：所有训练样本按距离升序排列，取出前k个点作为预测样本的最近邻，其中k为预设值；
步骤4-3：根据多数投票原则，采用k个最近邻中出现频率最高的标签作为预测样本的标签。
进一步地，有效预想故障的标签为1，无效预想故障的标签为0。
本发明的另一方面提供了一种模型-数据混合驱动的电网预想故障评估系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行上述的电网预想故障评估方法。
通过本发明所构思的以上技术方案，与现有技术相比，通过故障筛选算法求解CSCOPF问题生成与节点负荷量对应的有效预想故障集，采用多标签分类kNN算法发掘负荷数据和预想故障之间的联系，根据实时负荷直接评估预想故障的有效情况，在高准确率的前提下大大加快了求解速度。
附图说明
图1是本发明实施例电网预想故障评估方法的流程示意图。
图2是本发明实施例中故障筛选算法求解CSCOPF问题获得有效预想故障集的流程示意图。
图3是本发明实施例中多标签分类的kNN算法在线评估实时负荷数据样本的预想故障有效状态的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例的一个方面提供了一种模型-数据混合驱动的电网预想故障评估方法。图1给出了本发明实施例电网预想故障评估方法的流程示意图，具体步骤如下：
步骤1：获取电网结构参数和M个历史负荷数据样本，电网结构参数包括发电机组的发电成本、发电量上下限、最大爬坡速率，传输线路的阻抗、容量，电网的拓扑结构等。
步骤2：对于每个历史负荷数据样本，建立CSCOPF模型，采用故障筛选算法求解模型得到有效预想故障集。
步骤3：以历史负荷数据作为特征，预想故障的有效状态作为标签，建立多标签分类kNN算法的训练集，每个标签各自对应一种预想故障，训练集的特征和标签分别为：
Figure BDA0003121595040000071
Figure BDA0003121595040000072
其中Data和Label中的每行是一个历史负荷数据样本和对应的标签，xmi是第m个样本中第i个节点上的负荷，
Figure BDA0003121595040000073
是第m个样本中预想故障c的有效状态，
Figure BDA0003121595040000074
代表样本m中预想故障c无效，
Figure BDA0003121595040000075
代表样本m中预想故障c有效。M为输入样本的数量，B为系统节点数量，C为预想故障的种数。
步骤4：采用多标签分类的kNN算法，对实时负荷数据样本的预想故障有效状态进行在线评估。
图2给出了故障筛选算法求解CSCOPF问题的流程示意图，具体步骤如下：
步骤2-1：建立CSCOPF模型。CSCOPF模型包括一个主问题和多个子问题，每个子问题各自对应一种预想故障，所有预想故障对应的子问题构成子问题集合；本发明中模型的目标函数为最小化总发电成本，以传输线容量、机组发电量上下限、节点潮流平衡、机组爬坡变化量为约束条件，定义任意一条传输线断路或任意一台发电机组掉线为可能发生的预想故障。
步骤2-2：计算主问题。
主问题的优化目标是最小化机组在正常工况下的发电成本，目标函数描述为：
Figure BDA0003121595040000081
其中，Cg(·)代表机组g的发电成本函数，pg，0代表机组g在正常运行工况下的发电量。
主问题的模型如下：
Figure BDA0003121595040000082
Figure BDA0003121595040000083
Figure BDA0003121595040000084
Figure BDA0003121595040000085
Figure BDA0003121595040000086
公式(4)是传输线容量约束。fl，c表示传输线l在预想故障c下的功率，Xl是传输线l的阻抗。
Figure BDA0003121595040000087
表示传输线l在预想故障c下的最大传输功率。θα(l)，c、θβ(l)，c分别代表在传输线l上输出潮流和接收潮流的节点在预想故障c下的电压相角。Sa代表加入主问题的有效预想故障的集合，初始状态下Sa为空集。c＝0时代表无故障工况，c＝1，2，...，L时代表传输线断路，c＝L+1，L+2，...，L+G时代表机组掉线。
公式(5)是机组发电量上下限约束。pg，c代表发电机组g在预想故障c下的发电量，
Figure BDA0003121595040000088
分别代表机组开启时的发电量下限和上限。
公式(6)是节点潮流平衡约束。Di代表节点i上的负荷，
Figure BDA0003121595040000089
代表节点i上的所有发电机组在预想故障c下的总发电量，
Figure BDA00031215950400000810
代表预想故障c下从节点i输出的潮流，
Figure BDA00031215950400000811
代表预想故障c下输入节点i的潮流。
公式(7)(8)分别是机组g在预想故障c下的爬坡上升约束和爬坡下降约束。tc代表对预想故障c下的机组发电量进行调整的最大允许时间，Rg代表机组g的最大爬坡速率。
步骤2-3：将主问题中求出的pg，0代入子问题，求解子问题集合中剩余子问题的目标函数。
子问题的目标函数如下：
Figure BDA0003121595040000091
子问题的约束条件如下：
Figure BDA0003121595040000092
Figure BDA0003121595040000093
Figure BDA0003121595040000094
Figure BDA0003121595040000095
Figure BDA0003121595040000096
Figure BDA0003121595040000097
Figure BDA0003121595040000098
其中，子问题的优化目标是最小化松弛变量，
Figure BDA0003121595040000099
分别代表松弛机组k爬坡上升约束和爬坡下降约束的松弛变量。目标函数大于0代表最大爬坡量不足以让正常工况下机组g的发电量pg，0在预想故障c发生后在tc时间内调整到可行的pg，c，需要在主问题中考虑该预想故障并调整pg，0，因此该预想故障被认为是有效的。
公式(10)(11)分别是带松弛变量的机组g爬坡上升和爬坡下降约束。
公式(12)(13)(14)是预想故障c下的传输线容量约束、机组发电量上下限约束和节点潮流平衡约束。
步骤2-4：将目标函数不为0的子问题从子问题集合中移除，对应的预想故障加入到有效预想故障集中，转到步骤2-2重新求解主问题。如果所有剩余子问题的目标函数都为0或子问题集合为空，则模型求解完成，添加到主问题中的预想故障的集合Sa就是有效预想故障集。
图3给出了多标签分类的kNN算法评估实时负荷数据样本的预想故障有效状态的流程示意图，具体步骤如下：
步骤4-1：计算预测样本与所有训练样本之间的欧式距离：
Figure BDA0003121595040000101
其中
Figure BDA0003121595040000102
是预测样本中节点i的负荷值，
Figure BDA0003121595040000103
是第m个训练样本中节点i的负荷值。
步骤4-2：所有训练样本按距离升序排列，取出前k个点作为预测样本的最近邻；
步骤4-3：对于每个标签，根据多数投票原则，采用k个最近邻中出现频率最高的标签值作为预测样本的标签值。
本发明实施例的另一方面还提供了一种模型-数据混合驱动的电网预想故障评估系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行上述的电网预想故障评估方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种模型-数据混合驱动的电网预想故障评估方法，其特征在于，包括以下步骤：
获取电网结构参数和历史负荷数据样本；
对于每个历史负荷数据样本，根据所述电网结构参数建立CSCOPF模型，基于故障筛选算法求解CSCOPF模型得到有效预想故障集；其中，所述有效预想故障集之内的预想故障为有效预想故障，其余预想故障为无效预想故障；
以历史负荷数据作为特征，预想故障的有效状态作为标签，建立多标签分类kNN算法的训练集；
采用多标签分类kNN算法，对实时负荷数据样本的预想故障有效状态进行在线评估。
2.如权利要求1所述的电网预想故障评估方法，其特征在于，求解CSCOPF模型得到有效预想故障集包括：
步骤2-1：建立CSCOPF模型；所述CSCOPF模型包括一个主问题和多个子问题，每个子问题各自对应一种预想故障，所有预想故障对应的子问题构成子问题集合；
步骤2-2：计算主问题，得到最优解对应的正常工况下的机组发电量；
步骤2-3：将主问题中求出的所述正常工况下的机组发电量代入子问题，求解所述子问题集合中所有的子问题的目标函数；
步骤2-4：判断所有子问题的目标函数是否都为0或者所述子问题集合为空，若是，则模型求解完成，添加到主问题中的预想故障的集合就是有效预想故障集；
否则，将目标函数不为0的子问题从子问题集合中移除，对应的预想故障加入到有效预想故障集中，返回步骤2-2。
3.如权利要求2所述的电网预想故障评估方法，其特征在于，所述主问题以正常工况下的总发电成本为目标函数，约束条件为传输线容量、机组发电量上下限、节点潮流平衡和机组爬坡变化量。
4.如权利要求3所述的电网预想故障评估方法，其特征在于，主问题的目标函数描述为：
Figure FDA0003476581230000021
其中，Cg(·)表示机组g的发电成本函数，pg,0表示正常运行工况下的机组g发电量；
传输线容量约束为：
Figure FDA0003476581230000022
fl,c表示传输线l在预想故障c下的功率，
Figure FDA0003476581230000023
表示传输线l在预想故障c下的最大传输功率，Xl是传输线l的阻抗；θα(l),c、θβ(l),c分别表示在传输线l上输出潮流和接收潮流的节点在预想故障c下的电压相角；Sa表示加入主问题的有效预想故障集，初始状态下Sa为空集；c＝0时表示无故障工况，c＝1,2,...,L时表示传输线断路，c＝L+1,L+2,..L.,+时表示机组掉线；
机组发电量上下限约束为：
Figure FDA0003476581230000031
pg,c表示发电机组g在预想故障c下的发电量，
Figure FDA0003476581230000032
分别表示机组开启时的发电量下限和上限；
节点潮流平衡约束为：
Figure FDA0003476581230000033
其中Di表示节点i上的负荷，
Figure FDA0003476581230000034
表示节点i上的所有发电机组在预想故障c下的总发电量，
Figure FDA0003476581230000035
表示预想故障c下从节点i输出的潮流，
Figure FDA0003476581230000036
表示预想故障c下输入节点i的潮流；
机组g在预想故障c下的爬坡上升约束和爬坡下降约束为：
Figure FDA0003476581230000037
Figure FDA0003476581230000038
tc表示对预想故障c下的机组发电量进行调整的最大允许时间，Rg表示机组g的最大爬坡速率。
5.如权利要求4所述的电网预想故障评估方法，其特征在于，所述子问题的目标函数为：
Figure FDA0003476581230000039
子问题的约束条件为：
Figure FDA00034765812300000310
Figure FDA00034765812300000311
Figure FDA00034765812300000312
Figure FDA0003476581230000041
Figure FDA0003476581230000042
Figure FDA0003476581230000043
Figure FDA0003476581230000044
其中，子问题的优化目标是最小化松弛变量，
Figure FDA0003476581230000045
分别表示松弛机组g爬坡上升和爬坡下降约束的松弛变量。
6.如权利要求1所述的电网预想故障评估方法，其特征在于，采用多标签分类kNN算法，对实时负荷数据样本的预想故障有效状态进行在线评估包括如下步骤：
步骤4-1：计算预测样本与所有训练样本之间的欧式距离；
步骤4-2：所有训练样本按距离升序排列，取出前k个点作为预测样本的最近邻，其中k为预设值；
步骤4-3：对于每种标签，根据多数投票原则，采用k个最近邻中出现频率最高的标签值作为预测样本的标签值。
7.如权利要求6所述的电网预想故障评估方法，其特征在于，有效预想故障的标签为1，无效预想故障的标签为0。
8.一种模型-数据混合驱动的电网预想故障评估系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至7任一项所述的电网预想故障评估方法。
CN202110682815.2A 2021-06-18 2021-06-18 一种模型-数据混合驱动的电网预想故障评估方法和系统 Active CN113452025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682815.2A CN113452025B (zh) 2021-06-18 2021-06-18 一种模型-数据混合驱动的电网预想故障评估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682815.2A CN113452025B (zh) 2021-06-18 2021-06-18 一种模型-数据混合驱动的电网预想故障评估方法和系统

Publications (2)

Publication Number Publication Date
CN113452025A CN113452025A (zh) 2021-09-28
CN113452025B true CN113452025B (zh) 2022-03-18

Family

ID=77811986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682815.2A Active CN113452025B (zh) 2021-06-18 2021-06-18 一种模型-数据混合驱动的电网预想故障评估方法和系统

Country Status (1)

Country Link
CN (1) CN113452025B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021671B (zh) * 2022-01-05 2022-04-05 中国电力科学研究院有限公司 一种有源配电网在线故障处理方法和系统
CN117318069B (zh) * 2023-11-28 2024-02-06 国网辽宁省电力有限公司经济技术研究院 一种供电系统故障自愈方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324743B (zh) * 2011-09-21 2015-07-08 国电南瑞科技股份有限公司 电力系统在线暂态安全稳定评估预想故障筛选方法
CN104617575B (zh) * 2015-01-28 2017-01-04 国电南瑞科技股份有限公司 一种用于静态安全分析预想故障下潮流不可解评估方法
CN105703356B (zh) * 2015-12-15 2018-05-08 四川大学 电力系统多重故障后恢复系统安全的调度方法
CN109377020B (zh) * 2018-09-28 2021-08-24 国家电网有限公司 一种考虑配电网负荷转供能力的输电网规划方法

Also Published As

Publication number Publication date
CN113452025A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
Wang et al. Achieving predictive and proactive maintenance for high-speed railway power equipment with LSTM-RNN
US20200119556A1 (en) Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency
US20240275167A1 (en) Resilience enhancement-oriented energy storage control method and system for distributed generator (dg) in distribution network
WO2021164118A1 (zh) 交直流大电网动态安全风险态势滚动前瞻预警方法及系统
Liu et al. A Bayesian learning based scheme for online dynamic security assessment and preventive control
Donnot et al. Introducing machine learning for power system operation support
CN113452025B (zh) 一种模型-数据混合驱动的电网预想故障评估方法和系统
Duan et al. A deep reinforcement learning based approach for optimal active power dispatch
Gao et al. Application of AI techniques in monitoring and operation of power systems
CN107528314A (zh) 一种不确定环境下考虑安全校验的电网鲁棒规划方法
Han et al. Learning-based topology optimization of power networks
Liu et al. Optimal scheduling strategy of O&M task for OWF
Wang et al. Transmission network dynamic planning based on a double deep-Q network with deep ResNet
CN103344881A (zh) 基于组合型交叉熵算法的电网故障诊断方法
Dong et al. Deep reinforcement learning based preventive maintenance for wind turbines
Crozier et al. Data-driven contingency selection for fast security constrained optimal power flow
Wang et al. A fast load-shedding algorithm for power system based on artificial neural network
Liu et al. Online prediction and control of post-fault transient stability based on PMU measurements and multi-task learning
Ajagekar et al. Deep reinforcement learning based solution approach for unit commitment under demand and wind power uncertainty
Li et al. A review of security-constrained optimal power flow calculation method
Han et al. Model-based and data-driven contingency filtering for real-time corrective security-constrained economic dispatch
CN114036820B (zh) 一种设备异常组串损失电量计算方法、系统及计算机设备
Zhang et al. A Critical Review of Data-Driven Transient Stability Assessment of Power Systems: Principles, Prospects and Challenges. Energies 2021, 14, 7238
CN112507603B (zh) 基于dnn算法的电力系统鲁棒优化极端场景的识别方法
Wang et al. Artificial immune system based reliability appraisal methodology of power generation systems with wind power penetration

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