CN113489011A - 电力系统暂态稳定评估方法、装置、电子设备和存储介质 - Google Patents
电力系统暂态稳定评估方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113489011A CN113489011A CN202110693978.0A CN202110693978A CN113489011A CN 113489011 A CN113489011 A CN 113489011A CN 202110693978 A CN202110693978 A CN 202110693978A CN 113489011 A CN113489011 A CN 113489011A
- Authority
- CN
- China
- Prior art keywords
- power system
- transient stability
- node
- power
- characteristic diagram
- 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.)
- Pending
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 216
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 143
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000013210 evaluation model Methods 0.000 claims abstract description 40
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000002347 injection Methods 0.000 claims description 20
- 239000007924 injection Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000013097 stability assessment Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000243 solution Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- H02J3/04—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
- 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
- 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]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力系统暂态稳定评估方法、装置、电子设备和存储介质,其中方法包括:获取电力系统潮流信息和电力系统拓扑信息;根据电力系统潮流信息和电力系统拓扑信息,确定电力系统潮流特征图;将电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;暂态稳定评估模型用于通过对电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。本发明提供的方法、装置、电子设备和存储介质,实现了快速地对预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标进行评估预测。
Description
技术领域
本发明涉及电力系统领域,尤其涉及一种电力系统暂态稳定评估方法、装置、电子设备和存储介质。
背景技术
电力系统在运行时,在电源电势激励作用下,电流或功率从电源通过系统各元件流入负荷,分布于电力网各处,称为电力潮流。在电力系统的运行方式分析计算中,对于某个设定的电力系统潮流,需要基于给定的预想故障集进行暂态稳定评估,从而对该潮流的运行安全性进行验证;由于电力系统的N-1安全准则,预想故障集一般为典型的N-1故障,此过程即为潮流暂态稳定N-1校核。
在N-1校核的过程中,涉及对单个潮流进行多次暂态仿真计算。但是,由于N-1预想故障集和单次暂态仿真耗时都随系统规模的增大而增大,因而对大系统进行N-1校核计算复杂度高,计算时间长。近年来得益于机器学习算法的发展以及仿真大数据的产生,数据驱动的模型被越来越多地应用到这个问题上来,通过充分利用已有的仿真样本进行学习,使用机器学习模型建立系统运行潮流到N-1校核结果的非线性映射,从而回避暂态仿真过程,大幅降低N-1校核的时间成本。现有使用潮流特征进行暂态稳定评估的研究,采用的机器学习方法主要包括数据挖掘理论、多支持向量机、树模型等。
发明内容
本发明提供一种电力系统暂态稳定评估方法、装置、电子设备和存储介质,用以解决现有技术中无法针对预想故障集中的每一个预想故障进行预测、及只能完成单一任务的问题。
本发明提供一种电力系统暂态稳定评估方法,包括:
获取电力系统潮流信息和电力系统拓扑信息;
根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图;所述电力系统潮流特征图为图形式的电力系统潮流特征;所述电力系统潮流特征图的特征包括节点特征和拓扑特征;
将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;所述暂态稳定评估模型用于通过对所述电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
根据本发明提供的一种电力系统暂态稳定评估方法,所述将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标,包括:
根据所述电力系统潮流特征图的任意一条边的源节点特征、目标节点特征和所述边的特征,得到所述边的消息向量和更新后的所述边的特征;
根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量;
根据所述电力系统潮流特征图上各个节点待接收的消息向量,更新所述电力系统潮流特征图上各个节点的节点特征,得到更新后的各个节点的节点特征;
根据所述更新后的所述边的特征及所述更新后的各个节点的节点特征,确定所述预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标。
根据本发明提供的一种电力系统暂态稳定评估方法,所述根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量,包括:
使用所述电力系统潮流特征图上各个边的源节点的出度和目标节点的入度对各个边的消息向量进行放缩,得到所述电力系统潮流特征图上各个节点待接收的消息向量。
根据本发明提供的一种电力系统暂态稳定评估方法,所述暂态稳定指标包括:预想故障后系统维持暂态稳定的暂态过程最大功角差、和预想故障后系统发生暂态失稳的暂态失稳时间。
根据本发明提供的一种电力系统暂态稳定评估方法,所述电力系统潮流信息包括所述电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载;
所述根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图,包括:
根据所述电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载,确定所述电力系统潮流特征图的节点特征;
根据所述电力系统的节点导纳矩阵和节点阻抗矩阵,确定所述电力系统潮流特征图的拓扑特征。
本发明还提供一种电力系统暂态稳定评估装置,包括:
获取单元,用于获取电力系统潮流信息和电力系统拓扑信息;
确定单元,用于根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图;所述电力系统潮流特征图为图形式的电力系统潮流特征;所述电力系统潮流特征图的特征包括:节点特征和拓扑特征;
暂态稳定评估单元,用于将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;所述暂态稳定评估模型用于通过对所述电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
根据本发明提供的一种电力系统暂态稳定评估装置,所述暂态稳定评估单元,包括:
消息产生子单元,用于根据所述电力系统潮流特征图的任意一条边的源节点特征、目标节点特征和所述边的特征,得到所述边的消息向量和更新后的所述边的特征;
消息收集子单元,用于根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量;
节点特征更新子单元,用于根据所述电力系统潮流特征图上各个节点待接收的消息向量,更新所述电力系统潮流特征图上各个节点的节点特征,得到更新后的各个节点的节点特征;
评估子单元,用于根据所述更新后的所述边的特征及所述更新后的各个节点的节点特征,确定所述预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标。
根据本发明提供的一种电力系统暂态稳定评估装置,所述消息收集子单元使用所述电力系统潮流特征图上各个边的源节点的出度和目标节点的入度对各个边的消息向量进行放缩,得到所述电力系统潮流特征图上各个节点待接收的消息向量。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述电力系统暂态稳定评估方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述电力系统暂态稳定评估方法的步骤。
本发明提供的电力系统暂态稳定评估方法、装置、电子设备和存储介质,通过综合分析电力系统潮流信息和电力系统拓扑信息确定图形式的电力系统潮流特征,该电力系统潮流特征图可以同时描述电力系统中的能量分布和电力系统的内部暂稳特征,使得暂态稳定评估模型能够快速地对预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标进行评估预测,增强对电力系统潮流信息的利用。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的电力系统暂态稳定评估方法的流程示意图;
图2为本发明提供的电力系统潮流特征图确定方法的流程示意图;
图3为本发明提供的电力系统潮流特征图的拓扑矩阵的结构示意图;
图4为本发明提供的暂态稳定评估模型的评估过程示意图;
图5为本发明提供的消息产生层的结构示意图;
图6为本发明提供的节点特征更新层的结构示意图;
图7为本发明提供的电力系统暂态稳定评估装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
现有技术中采用的数据挖掘理论、多支持向量机、树模型等机器学习方法为单输入单输出的建模方式,其在给定单个潮流后,无法针对预想故障集中的每一个预想故障进行预测,并且现有基于潮流特征的暂态稳定评估模型对电力系统拓扑信息缺乏利用,且只能完成单一任务。针对这一问题,本发明提供了一种电力系统暂态稳定评估方法。下面结合图1-图6描述本发明提供的电力系统暂态稳定评估方法。
图1为本发明提供的电力系统暂态稳定评估方法的流程示意图,如图1所示,该方法包括:
步骤110,获取电力系统潮流信息和电力系统拓扑信息。
具体地,所述电力系统潮流信息包括所述电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载等。
步骤120,根据电力系统潮流信息和电力系统拓扑信息,确定电力系统潮流特征图;电力系统潮流特征图为图形式的电力系统潮流特征;电力系统潮流特征图的特征包括节点特征和拓扑特征。
具体地,电力系统具备典型的图结构特征,可以使用图的形式对潮流特征进行描述,电力系统潮流特征用G(V,HV,E,HE)进行表示,其中:V表示有限非空图上节点集合,图上节点和电力系统的母线一一对应;HV表示节点特征矩阵,其中,fv为节点特征维数;E表示边集合,其中,ek=<vi,vj>表示从节点vi指向节点vj的有向边,k∈[Ne],i,j∈[Nv];HE表示边特征矩阵,其中,fe为边特征维数。
步骤130,将电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;暂态稳定评估模型用于通过对电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
具体地,针对电力系统的暂态稳定评估问题,需要首先定义预想故障集的构建方法。例如,母线上的三相短路接地故障,故障持续时间为0.1s,随后故障消失;具有Nv个母线的电力系统一共有Nv个预想故障,其发生位置分别位于图上每个节点处,因此每个图上节点都具是带标签的节点(labeled-node),其标签y包含两个部分y=(yS,yI,yT),其中ys为二元量,表示该预想故障后系统的暂态稳定性;yI为实数量,表示该预想故障后系统的暂态过程最大功角差;yT为实数量,表示该预想故障后系统发生暂态失稳的时间。根据潮流特征的暂态稳定评估问题可以建模为图上的节点标签预测问题,标签y采用如下公式(1)得到:
节点标签预测的建模方法契合电力系统暂态稳定分析的物理属性。由于系统的暂态稳定性可以认为受两类因素的影响,一类是系统内部的属性和状态,另一类是外部扰动的信息;电力系统潮流特征对当前系统中的能量分布进行了描述,而经过图上特征传播以后,由于位置因素的影响在不同的节点处会产生不同的特征向量,该特征向量对系统的内部暂稳特征进行了描述,与扰动信息结合进一步产生对当前位置的暂态稳定标签预测。通过这种方法,可以快速地对所有预想故障的暂态稳定指标进行预测,同时考虑了电力系统的拓扑特征,增强对潮流信息的利用。
本发明提供的方法,通过综合分析电力系统潮流信息和电力系统拓扑信息确定图形式的电力系统潮流特征,该电力系统潮流特征图可以同时描述电力系统中的能量分布和电力系统的内部暂稳特征,使得暂态稳定评估模型能够快速地对预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标进行评估预测,增强对电力系统潮流信息的利用。
基于上述实施例,所述暂态稳定指标包括:预想故障后系统维持暂态稳定的暂态过程最大功角差、和预想故障后系统发生暂态失稳的暂态失稳时间。由于功角稳定性和暂态稳定指标存在很强的相关性,都对系统的暂态稳定特征进行描述。定义每个预想故障对应的三个分析结果:
a)暂态稳定性:若预想故障后发生暂态失稳,则输出暂态失稳分类结果;否则输出暂态稳定分类结果。该分析结果为分类变量。
b)暂态过程最大功角差:若预想故障后系统维持暂态稳定,在暂态过程中系统任意两台发电机之间功角差的最大值。该分析结果为回归变量,与系统的暂态稳定裕度有关:若暂态过程最大功角差越小,说明系统离暂态稳定边界越远。
c)暂态失稳时间:若预想故障后系统发生暂态失稳,从预想故障发生到系统发生暂态失稳的时间段长度。该分析结果为回归变量,与系统的暂态稳定裕度有关:若该值越小,说明系统离暂态稳定边界越远。
对系统的暂态指标回归分为暂态过程最大功角差和暂态失稳时间两个,前者对稳定场景的系统信息描述比较充分,但对失稳场景下的系统信息描述不足;后者则对失稳场景下的系统信息描述比较充分;两者形成互补。
基于上述实施例,电力系统潮流信息包括电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载;其中,图2为本发明提供的电力系统潮流特征图确定方法的流程示意图,如图2所示,步骤120具体包括:
步骤121,根据电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载,确定电力系统潮流特征图的节点特征。
具体地,将电力系统中的母线建模为图上的节点,节点形式的电力系统潮流信息可以表示为节点特征矩阵HV,节点特征矩阵HV参照公式(2)计算得到,矩阵中的一行代表对应节点的节点特征:
其中,Vi表示母线i的电压幅值,θi表示母线i的电压相角,PGi、QGi、PLi和QLi分别表示母线i的发电机有功注入功率、发电机无功注入功率、有功负载和无功负载。若母线i处接有发电机,则Tji表示该发电机的惯性时间常数;否则,Tji=0。
步骤122,根据电力系统的节点导纳矩阵和节点阻抗矩阵,确定电力系统潮流特征图的拓扑特征。
具体地,根据电力系统内的能量传输规律,针对电力系统暂稳N-1校核问题,结合电力系统的节点导纳矩阵和节点阻抗矩阵,构建电力系统潮流特征图的拓扑矩阵A。下面详细阐述拓扑A的构造过程。
取对角线以下的部分,对角线以上的部分,以及的对角线部分,组成了矩阵A。图3为本发明提供的电力系统潮流特征图的拓扑矩阵的结构示意图,如图3所示,矩阵A对电力系统特征传播图的拓扑结构和图上边特征进行了描述:矩阵A是分块稀疏矩阵,若2×2子矩阵Aij为非零子矩阵,则代表电力系统特征传播图中存在边i→j,且该边的特征为Aij一维化后得到的4维向量;反之,则不存在边i→j。矩阵A分为三个部分,分别代表三种类型的边,落在下三角部分的为边类型1,落在上三角部分的为边类型2,落在对角线部分的为边类型3。因此电力系统潮流特征图为一个异构图,包含三种类型的边,一种类型的节点。
本发明提供的方法,通过基于节点特征的构建方法和拓扑特征的构建方法,即可构建完整的电力系统潮流特征图,由于在进行图上特征传播时的方向与边的指向相同,且矩阵A的最后一列与最后一行不含非零子矩阵,即该节点与图上所有其他节点都有双向联系,在矩阵A所描述的拓扑上进行特征传播时,通过该节点的“中转作用”实现图上任意两个节点之间的联系,既避免出现使用节点导纳矩阵导致特征传播的局部性问题,也避免出现使用节点阻抗矩阵导致的计算复杂度过大的问题。另一方面,由于矩阵之间的变换关系以及图上特征传播的有向性,堆叠浅层图卷积网络即达到了类似于电力系统网络计算中的“前推回代”计算效果。
基于上述任意一个实施例,所述暂态稳定评估模型包括:消息产生层、消息收集层、节点特征更新层;其中,所述消息产生层用于根据所述电力系统潮流特征图的任意一条边的源节点特征、目标节点特征和所述边的特征,得到所述边的消息向量和更新后的所述边的特征;所述消息收集层用于根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量;所述节点特征更新层用于根据所述电力系统潮流特征图上各个节点待接收的消息向量,更新所述电力系统潮流特征图上各个节点的节点特征。其中,图4为本发明提供的暂态稳定评估模型的评估过程示意图,如图4所示,步骤130具体包括:
步骤131,根据电力系统潮流特征图的任意一条边的源节点特征、目标节点特征和边的特征,得到边的消息向量和更新后的边的特征。
具体地,消息产生层用于根据所述电力系统潮流特征图的任意一条边的源节点特征、目标节点特征和所述边的特征,得到所述边的消息向量和更新后的所述边的特征。对电力系统潮流特征图上的每一条边,通过消息产生层产生对应的消息内容。图5为本发明提供的消息产生层的结构示意图,如图5所示,基于多层神经网络构建消息产生层M(·),其中消息模块(Message Tower)和边模块(Edge Tower)为多层全连接神经网络,为向量求和,为哈达玛积。模块输入包括源节点特征目标节点特征和从源节点指向目标节点的边的特征模块输出为消息向量以及边特征具体步骤可以包括:
其中,由于图上存在三种类型的边,类型1和类型2使用同一个的消息模块,记为M1;类型3使用的消息模块记为M2;类型1、类型2和类型3各自使用不同的边模块,记为E1,E2和E3。
步骤132,根据电力系统潮流特征图上各个边的消息向量和各个边的特征,确定电力系统潮流特征图上各个节点待接收的消息向量。
消息收集层用于根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量。消息收集层对图上的所有节点,收集各节点待接收的所有消息。
可选的,所述消息收集层使用所述电力系统潮流特征图上各个边的源节点的出度和目标节点的入度对各个边的消息向量进行放缩,得到所述电力系统潮流特征图上各个节点待接收的消息向量。例如,可采用公式(5)计算节点v待接收的消息向量:
步骤133,根据电力系统潮流特征图上各个节点待接收的消息向量,更新电力系统潮流特征图上各个节点的节点特征,得到更新后的各个节点的节点特征。
节点特征更新层用于根据所述电力系统潮流特征图上各个节点待接收的消息向量,更新所述电力系统潮流特征图上各个节点的节点特征,生成新的节点特征。图6为本发明提供的节点特征更新层的结构示意图,节点特征更新函数U(·)为如图6所示的神经网络,由于电力系统潮流特征图上只存在一种类型的节点,因此所有节点共用同一个应用模块(ApplyTower)。消息产生过程为边操作(edge-wise operation),消息收集和节点特征更新过程为节点操作(node-wise operation)。需要说明的是,节点特征更新层不仅会更新图上的节点特征,同时会更新图上的边特征,因而暂态稳定评估模型具备更强的特征表达能力。
步骤134,根据更新后的边的特征及所述更新后的各个节点的节点特征,确定预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标。
本发明提供的方法,通过综合分析电力系统潮流信息和电力系统拓扑信息确定的图形式的电力系统潮流特征,可以同时描述电力系统中的能量分布和电力系统的内部暂稳特征,使得使用暂态稳定评估模型对电力系统潮流特征图进行特征学习时,能够快速地对预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标进行评估预测,增强对电力系统潮流信息的利用。
下面对本发明提供的电力系统暂态稳定评估装置进行描述,下文描述的电力系统暂态稳定评估装置与上文描述的电力系统暂态稳定评估方法可相互对应参照。
基于上述任一实施例,图7为本发明提供的电力系统暂态稳定评估装置的结构示意图,如图7所示,该装置包括获取单元710、确定单元720和暂态稳定评估单元730;其中,
获取单元710,用于获取电力系统潮流信息和电力系统拓扑信息;
确定单元720,用于根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图;所述电力系统潮流特征图为图形式的电力系统潮流特征;所述电力系统潮流特征图的特征包括节点特征和拓扑特征;
暂态稳定评估单元730,用于将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;所述暂态稳定评估模型用于通过对所述电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
本发明提供的装置,通过综合分析电力系统潮流信息和电力系统拓扑信息确定图形式的电力系统潮流特征,该电力系统潮流特征图可以同时描述电力系统中的能量分布和电力系统的内部暂稳特征,使得暂态稳定评估模型能够快速地对预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标进行评估预测,增强对电力系统潮流信息的利用。
基于上述任一实施例,所述暂态稳定评估单元730,包括:
消息产生子单元,用于根据所述电力系统潮流特征图的任意一条边的源节点特征、目标节点特征和所述边的特征,得到所述边的消息向量和更新后的所述边的特征;
消息收集子单元,用于根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量;
节点特征更新子单元,用于根据所述电力系统潮流特征图上各个节点待接收的消息向量,更新所述电力系统潮流特征图上各个节点的节点特征,得到更新后的各个节点的节点特征;
评估子单元,用于根据所述更新后的所述边的特征及所述更新后的各个节点的节点特征,确定所述预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标。
基于上述任一实施例,所述消息收集子单元使用所述电力系统潮流特征图上各个边的源节点的出度和目标节点的入度对各个边的消息向量进行放缩,得到所述电力系统潮流特征图上各个节点待接收的消息向量。
基于上述任一实施例,所述暂态稳定指标包括:预想故障后系统维持暂态稳定的暂态过程最大功角差、和预想故障后系统发生暂态失稳的暂态失稳时间。
基于上述任一实施例,所述电力系统潮流信息包括所述电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载;确定单元720,包括:
节点特征确定子单元,用于根据所述电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载,确定所述电力系统潮流特征图的节点特征;
拓扑特征确定子单元,用于根据所述电力系统的节点导纳矩阵和节点阻抗矩阵,确定所述电力系统潮流特征图的拓扑特征。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行电力系统暂态稳定评估方法,该方法包括:获取电力系统潮流信息和电力系统拓扑信息;根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图;所述电力系统潮流特征图为图形式的电力系统潮流特征;所述电力系统潮流特征图的特征包括节点特征和拓扑特征;将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;所述暂态稳定评估模型用于通过对所述电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的电力系统暂态稳定评估方法,该方法包括:获取电力系统潮流信息和电力系统拓扑信息;根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图;所述电力系统潮流特征图为图形式的电力系统潮流特征;所述电力系统潮流特征图的特征包括节点特征和拓扑特征;将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;所述暂态稳定评估模型用于通过对所述电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现执行上述各实施例提供的电力系统暂态稳定评估方法,该方法包括:获取电力系统潮流信息和电力系统拓扑信息;根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图;所述电力系统潮流特征图为图形式的电力系统潮流特征;所述电力系统潮流特征图的特征包括节点特征和拓扑特征;将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;所述暂态稳定评估模型用于通过对所述电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力系统暂态稳定评估方法,其特征在于,包括:
获取电力系统潮流信息和电力系统拓扑信息;
根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图;所述电力系统潮流特征图为图形式的电力系统潮流特征;所述电力系统潮流特征图的特征包括节点特征和拓扑特征;
将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;所述暂态稳定评估模型用于通过对所述电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
2.根据权利要求1所述的电力系统暂态稳定评估方法,其特征在于,所述将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标,包括:
根据所述电力系统潮流特征图的任意一条边的源节点特征、目标节点特征和所述边的特征,得到所述边的消息向量和更新后的所述边的特征;
根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量;
根据所述电力系统潮流特征图上各个节点待接收的消息向量,更新所述电力系统潮流特征图上各个节点的节点特征,得到更新后的各个节点的节点特征;
根据所述更新后的所述边的特征及所述更新后的各个节点的节点特征,确定所述预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标。
3.根据权利要求2所述的电力系统暂态稳定评估方法,其特征在于,所述根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量,包括:
使用所述电力系统潮流特征图上各个边的源节点的出度和目标节点的入度对各个边的消息向量进行放缩,得到所述电力系统潮流特征图上各个节点待接收的消息向量。
4.根据权利要求1所述的电力系统暂态稳定评估方法,其特征在于,所述暂态稳定指标包括:预想故障后系统维持暂态稳定的暂态过程最大功角差、和预想故障后系统发生暂态失稳的暂态失稳时间。
5.根据权利要求1所述的电力系统暂态稳定评估方法,其特征在于,所述电力系统潮流信息包括所述电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载;
所述根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图,包括:
根据所述电力系统中各个母线的电压幅值、电压相角、发电机有功注入功率、发电机无功注入功率、有功负载和无功负载,确定所述电力系统潮流特征图的节点特征;
根据所述电力系统的节点导纳矩阵和节点阻抗矩阵,确定所述电力系统潮流特征图的拓扑特征。
6.一种电力系统暂态稳定评估装置,其特征在于,包括:
获取单元,用于获取电力系统潮流信息和电力系统拓扑信息;
确定单元,用于根据所述电力系统潮流信息和所述电力系统拓扑信息,确定电力系统潮流特征图;所述电力系统潮流特征图为图形式的电力系统潮流特征;所述电力系统潮流特征图的特征包括节点特征和拓扑特征;
暂态稳定评估单元,用于将所述电力系统潮流特征图的节点特征和拓扑特征输入至暂态稳定评估模型中,得到所述暂态稳定评估模型输出的预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标;所述暂态稳定评估模型用于通过对所述电力系统潮流特征图进行特征学习,对电力系统的暂态稳定性和暂态稳定指标进行耦合分析。
7.根据权利要求6所述的电力系统暂态稳定评估装置,其特征在于,所述暂态稳定评估单元,包括:
消息产生子单元,用于根据所述电力系统潮流特征图的任意一条边的源节点特征、目标节点特征和所述边的特征,得到所述边的消息向量和更新后的所述边的特征;
消息收集子单元,用于根据所述电力系统潮流特征图上各个边的消息向量和各个边的特征,确定所述电力系统潮流特征图上各个节点待接收的消息向量;
节点特征更新子单元,用于根据所述电力系统潮流特征图上各个节点待接收的消息向量,更新所述电力系统潮流特征图上各个节点的节点特征,得到更新后的各个节点的节点特征;
评估子单元,用于根据所述更新后的所述边的特征及所述更新后的各个节点的节点特征,确定所述预想故障集中每一个预想故障发生后电力系统的暂态稳定性和暂态稳定指标。
8.根据权利要求7所述的电力系统暂态稳定评估装置,其特征在于,所述消息收集子单元使用所述电力系统潮流特征图上各个边的源节点的出度和目标节点的入度对各个边的消息向量进行放缩,得到所述电力系统潮流特征图上各个节点待接收的消息向量。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述电力系统暂态稳定评估方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述电力系统暂态稳定评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693978.0A CN113489011A (zh) | 2021-06-22 | 2021-06-22 | 电力系统暂态稳定评估方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693978.0A CN113489011A (zh) | 2021-06-22 | 2021-06-22 | 电力系统暂态稳定评估方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113489011A true CN113489011A (zh) | 2021-10-08 |
Family
ID=77935658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110693978.0A Pending CN113489011A (zh) | 2021-06-22 | 2021-06-22 | 电力系统暂态稳定评估方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113489011A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
-
2021
- 2021-06-22 CN CN202110693978.0A patent/CN113489011A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baker | Learning warm-start points for AC optimal power flow | |
Weng et al. | Graphical model for state estimation in electric power systems | |
CN104077393B (zh) | 一种基于半监督谱聚类的最优解列断面搜索方法 | |
CN104077438B (zh) | 电网大规模拓扑结构构建方法与系统 | |
Wu et al. | Probabilistic load flow calculation using cumulants and multiple integrals | |
Zhao et al. | Structure-informed graph learning of networked dependencies for online prediction of power system transient dynamics | |
Dolatabadi et al. | Graph theory based heuristic approach for minimum break point set determination in large scale power systems | |
Luo et al. | Graph convolutional network-based interpretable machine learning scheme in smart grids | |
Müller et al. | Artificial neural networks for load flow and external equivalents studies | |
Boukal et al. | Large‐scale fractional‐order systems: stability analysis and their decentralised functional observers design | |
Su et al. | Probabilistic power flow for multiple wind farms based on RVM and holomorphic embedding method | |
CN113489011A (zh) | 电力系统暂态稳定评估方法、装置、电子设备和存储介质 | |
Böttcher et al. | Solving AC power flow with graph neural networks under realistic constraints | |
Faheem et al. | Multilayer cyberattacks identification and classification using machine learning in internet of blockchain (IoBC)-based energy networks | |
Naderi et al. | Detection of false data injection cyberattacks: Experimental validation on a lab-scale microgrid | |
Krsman et al. | Bad area detection and whitening transformation‐based identification in three‐phase distribution state estimation | |
Zhou et al. | Pyramidal approximation for power flow and optimal power flow | |
Gu et al. | Multi-task transient stability assessment of power system based on graph neural network with interpretable attribution analysis | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
Li et al. | Robust transmission constrained unit commitment: a column merging method | |
Cami et al. | Techniques for analyzing dynamic random graph models of web‐like networks: An overview | |
CN111144572A (zh) | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 | |
Solares et al. | Binary-arithmetic approach to observability checking in state estimation | |
Ma et al. | General optimization framework for accurate and efficient reconstruction of symmetric complex networks from dynamical data | |
Fooladivanda et al. | Secure dynamic state estimation for cyber security of AC microgrids |
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 |