CN113904384B - 一种基于梯度提升机的电网暂态稳定协调控制方法及系统 - Google Patents

一种基于梯度提升机的电网暂态稳定协调控制方法及系统 Download PDF

Info

Publication number
CN113904384B
CN113904384B CN202111319984.6A CN202111319984A CN113904384B CN 113904384 B CN113904384 B CN 113904384B CN 202111319984 A CN202111319984 A CN 202111319984A CN 113904384 B CN113904384 B CN 113904384B
Authority
CN
China
Prior art keywords
transient stability
load
coordination control
sample
cut
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
CN202111319984.6A
Other languages
English (en)
Other versions
CN113904384A (zh
Inventor
魏巍
孙昕炜
周波
陈振
朱童
王曦
王永灿
范成围
李鑫
叶希
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202111319984.6A priority Critical patent/CN113904384B/zh
Publication of CN113904384A publication Critical patent/CN113904384A/zh
Application granted granted Critical
Publication of CN113904384B publication Critical patent/CN113904384B/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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于梯度提升机的电网暂态稳定协调控制方法，涉及电力系统自动化技术领域。一种基于梯度提升机的电网暂态稳定协调控制方法，包括以下步骤：获取发电机的出力样本及负荷样本作为初始样本，对初始样本进行预处理，以得到训练样本；采用训练样本训练生成暂态稳定预测模型，利用暂态稳定预测模型设计切机切负荷灵敏度分析方法；将暂态稳定预测模型和切机切负荷灵敏度分析方法嵌入非支配排序遗传算法NSGA‑II中，计及系统运行的约束条件，搭建暂态稳定协调控制优化模型；求解暂态稳定协调控制优化模型，以得到协调控制策略。本发明将人工智能算法用于基于梯度提升机的电网暂态稳定协调控制中，能更好的保证系统的暂态稳定性。

Description

一种基于梯度提升机的电网暂态稳定协调控制方法及系统
技术领域
本发明属于电力系统自动化技术领域，具体涉及一种基于梯度提升机的电网暂态稳定协调控制方法、系统及电子设备。
背景技术
近年来，随着电力系统的规模日益扩大，电网结构日益复杂，电力系统暂态稳定的防控要求变得越来越高。电力系统暂态稳定的预防控制与紧急控制作为电网“三道防线”的重要组成部分，本质上具有互补性，二者的协调能以更低的经济代价和控制代价来保证系统的暂态稳定性。传统的暂态稳定计算通常采用时域仿真加上判据的方法，计算准确可靠，但是计算复杂度高，运算时间长，难以满足在线防控要求。
发明内容
为克服上述问题或部分解决上述问题，本发明的目的在于提供一种基于梯度提升机的电网暂态稳定协调控制方法、系统及电子设备，以更好的保证系统的暂态稳定性。
本发明通过下述技术方案实现：
第一方面，本发明提供一种基于梯度提升机的电网暂态稳定协调控制方法，包括以下步骤：步骤1：获取发电机的出力样本及负荷样本作为初始样本，对上述初始样本进行预处理，以得到训练样本；步骤2：采用上述训练样本训练LightGBM模型，生成暂态稳定预测模型，利用上述暂态稳定预测模型设计切机切负荷灵敏度分析方法；步骤3：将上述暂态稳定预测模型和上述切机切负荷灵敏度分析方法嵌入非支配排序遗传算法NSGA-II中，计及系统运行的约束条件，搭建暂态稳定协调控制优化模型；步骤4：求解暂态稳定协调控制优化模型，以得到协调控制策略。
基于第一方面，在本发明一些实施例中，上述获取发电机的出力样本及负荷样本作为初始样本，对上述初始样本进行预处理，以得到训练样本包括以下步骤：基于日负荷曲线确定负荷的波动范围，各发电机有功出力在负荷波动的基础上进一步确定调整范围，分别在对应范围内采用拉丁超立方抽样的方式抽取发电机的出力样本和负荷样本，上述发电机的出力样本和负荷样本组成初始样本；对所述初始样本的切机与切负荷输入特征全部置零，进行时域仿真，采用二分法计算出对应预想故障集的临界切除时间，聚集临界切除时间满足预设条件的样本生成未采用紧急控制措施的第一样本集；针对临界切除时间不满足预设要求的样本，采用拉丁超立方抽样随机分配紧急控制策略，生成已采用紧急控制措施的第二样本集＝；临界切除时间临界切除时间；将上述第一样本集与上述第二样本集组合，共同构成训练LightGBM预测模型的训练样本集。
基于第一方面，在本发明一些实施例中，上述切机切负荷灵敏度分析方法包括：计算发电机切除灵敏度SGi和负荷切除灵敏度SDj，上述发电机切除灵敏度SGi及负荷切除灵敏度SDj的表达式为：
Figure BDA0003344852420000021
式中，PGi表示第i台发电机的可切除容量；PDj表示第j个负荷的可切除容量；Mo表示未采取紧急控制策略时的极限切除时间，MGi表示故障清除后，切除第i台发电机系统的极限切除时间；MDj表示故障清除后，切除第j个负荷系统的极限切除时间。
基于第一方面，在本发明一些实施例中，将上述暂态稳定预测模型嵌入非支配排序遗传算法NSGA-II中表示为：
Figure BDA0003344852420000022
式中，NG表示发电机的台数；ε表示系统暂态稳定裕度；PD表示当前系统负荷水平；/>
Figure BDA0003344852420000023
表示针对第n个故障，第i台发电机有功出力的切除量；/>
Figure BDA0003344852420000024
表示针对第n个故障，第j个负荷的切除量；F表示训练后的LightGBM预测模型，其输入为各机组调整后的有功出力、当前系统的负荷水平和切机切负荷量，输出为当前场景下临界切除时间临界切除时间的预测值。
基于第一方面，在本发明一些实施例中，上述(最低)协调控制成本的目标函数可表示为：
Figure BDA0003344852420000025
式中，cost表示协调控制的总成本，Cp表示预防控制成本，NC为预想故障总数，pn为第n个预想故障发生的概率，/>
Figure BDA0003344852420000026
为第n个预想故障时实施紧急控制成本。
基于第一方面，在本发明一些实施例中，上述预防控制成本
Figure BDA0003344852420000027
式中，NG为发电机的台数，/>
Figure BDA0003344852420000028
和/>
Figure BDA0003344852420000029
分别为第i台发电机预防控制后有功功率的上调量和下调量，/>
Figure BDA00033448524200000210
和/>
Figure BDA00033448524200000211
分别为上调成本系数和下调成本系数。
基于第一方面，在本发明一些实施例中，上述第n个预想故障时实施紧急控制成本
Figure BDA00033448524200000212
式中，ND为负荷的个数；/>
Figure BDA00033448524200000213
分别为第i台发电机和第j个负荷的有功功率切除量；/>
Figure BDA00033448524200000214
和/>
Figure BDA00033448524200000215
分别为对应的成本系数。
基于第一方面，在本发明一些实施例中，上述约束条件包括功率平衡约束、电网运行静态安全约束、暂态稳定约束和决策变量可行性约束。
第二方面，本发明提供一种基于梯度提升机的电网暂态稳定协调控制系统，包括：获取模块：用于获取发电机的出力样本及负荷样本作为初始样本，对上述初始样本进行预处理，以得到训练样本；方法设计模块：用于采用上述训练样本训练LightGBM模型，生成暂态稳定预测模型，利用上述暂态稳定预测模型建立切机切负荷灵敏度分析方法；模型构建模块：用于将上述暂态稳定预测模型和上述切机切负荷灵敏度分析方法嵌入非支配排序遗传算法NSGA-II中，计及系统运行的约束条件，搭建暂态稳定协调控制优化模型；模型求解模块：用于求解暂态稳定协调控制优化模型，以得到协调控制策略。
第三方面，本发明提供一种电子设备，包括：至少一个处理器、至少一个存储器和数据总线；其中，上述处理器与上述存储器通过上述数据总线完成相互间的通信；上述存储器存储有可被上述处理器执行的程序指令，上述处理器调用上述程序指令以执行以执行上述一个或多个程序或方法，例如执行：步骤1：以降低协调控制成本为优化目标，获取发电机的出力样本及负荷样本作为初始样本，对上述初始样本进行预处理，以得到训练样本；步骤2：采用上述训练样本训练LightGBM模型，生成暂态稳定预测模型，利用上述暂态稳定预测模型设计切机切负荷灵敏度分析方法；步骤3：将上述暂态稳定预测模型和上述切机切负荷灵敏度分析方法嵌入非支配排序遗传算法NSGA-II中，计及系统运行的约束条件，搭建暂态稳定协调控制优化模型；步骤4：求解暂态稳定协调控制优化模型，以得到协调控制策略。
本发明与现有技术相比，至少具有如下的优点和有益效果：
人工智能算法能够通过大量训练样本建立输入与输出之间的映射关系，计算速度快，被广泛应用于暂态稳定评估。将人工智能算法用于基于梯度提升机的电网暂态稳定协调控制中，能更好的保证系统的暂态稳定性。本发明将基于LightGBM的暂态稳定预测模型和NSGA-II算法引入暂态稳定协调控制中，实现了针对故障的暂态稳定协调控制优化策略的快速生成。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为一种基于梯度提升机的电网暂态稳定协调控制方法的流程框图；
图2为一种基于梯度提升机的电网暂态稳定协调控制方法的步骤电力系统协调控制方法步骤1的步骤示意图；
图3为一种基于梯度提升机的电网暂态稳定协调控制方法中用于展示LightGBM的直方图算法示意图；
图4为一种基于梯度提升机的电网暂态稳定协调控制方法的实施例中用于展示LightGBM的Leaf-wise策略；
图5为一种基于梯度提升机的电网暂态稳定协调控制方法的实施例中用于展示暂态稳定预测模型的构建和调用示意图；
图6为一种基于梯度提升机的电网暂态稳定协调控制方法的实施例中用于展示基于NSGA-II的协调控制模型求解算法流程图；
图7为一种基于梯度提升机的电网暂态稳定协调控制方法试验例中用于展示预防控制前后发电机有功出力对比；
图8为一种基于梯度提升机的电网暂态稳定协调控制系统的结构框图；
图9为一种电子设备的结构框图。
图标：1-处理器；2-存储器；3-数据总线；100-获取模块；200-方法设计模块；300-模型构建模块；400-模型求解模块。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
请参照图1，在本发明实施例提供一种基于梯度提升机的电网暂态稳定协调控制方法，包括以下步骤：
步骤1：获取发电机的出力样本及负荷样本作为初始样本，对上述初始样本进行预处理，以得到训练样本；
本发明实施例以降低协调控制成本为优化目标。请参照图2，本步骤的具体实施步骤如下：
步骤1.1：基于日负荷曲线确定负荷的波动范围，各发电机有功出力在负荷波动的基础上进一步确定调整范围，分别在对应范围内采用拉丁超立方抽样的方式抽取发电机的出力样本和负荷样本，上述发电机的出力样本和负荷样本组成初始样本；
在进行采样之前首先需要确定采样范围，即负荷的波动范围和电机有功出力的调整范围。
步骤1.2：对所述初始样本的切机与切负荷输入特征全部置零，进行时域仿真，采用二分法计算出对应预想故障集的临界切除时间，聚集临界切除时间满足预设条件(临界切除时间低于或等于预设值)的样本生成未采用紧急控制策略的第一样本集；
步骤1.3：针对临界切除时间不满足预设要求的样本，采用拉丁超立方抽样随机分配紧急控制策略，生成已采用紧急控制策略的第二样本集临界切除时间；
针对临界切除时间不满足预设要求的样本(临界切除时间高于预设阈值)，则意味着发电机及负荷存在失稳风险。示例性的，可采用拉丁超立方抽样随机分配紧急控制策略，生成已采用紧急控制策略的第二样本集。进一步的，为保证样本集的准确性，可对上述紧急控制策略样本集中的样本进行时域仿真分析、再次计算出对应预想故障集的临界切除时间临界切除时间进行验证。；
步骤1.4：将上述第一样本集与上述第二样本集组合，共同构成训练LightGBM预测模型的训练样本集。
步骤2：采用上述训练样本训练LightGBM模型，生成暂态稳定预测模型，利用上述暂态稳定预测模型设计切机切负荷灵敏度分析方法；
本步骤中，首先建立LightGBM模型，使用上述样本数据对模型进行训练，生成暂态稳定预测模型，以得到协调控制措施和临界切除时间临界切除时间之间的映射关系，然后利用上述暂态稳定预测模型建立切机切负荷灵敏度分析方法。
具体的，LightGBM是一个实现梯度提升决策树(Gradient Boosting DecisionTrEE,GBDT)算法的新型框架。GBDT是一种基于迭代构造的决策树算法，它以分类回归树(Classification And Regression TrEEs,CART)模型作为弱学习器，将新学习器建立在之前学习器损失函数梯度下降的方向，通过不断迭代来训练模型。迭代过程中，每一轮预测值和实际值有残差，下一轮根据残差再进行预测，最后将所有预测相加作为最终结论。因此，GBDT可以表示为决策数的加法模型：
Figure BDA0003344852420000051
式中，T(x；θm)表示决策树；θm为决策树参数；M为树的个数。根据向前分步算法，第m步的模型可以表示为：
fm(x)＝fm-1(x)+T(x；θm)
设定yi为第i个样本的真实值，fm(x)为第i个样本的预测值，取损失函数为平方损失，则损失函数可以表示为：
Figure BDA0003344852420000052
极小化损失函数得到参数θm：
Figure BDA0003344852420000061
通过多次迭代，更新回归树可以得到最终模型。
LightGBM为了解决GBDT算法在大样本高维度数据环境下训练时耗时和耗内存的问题，进行了两方面的改进，包括直方图(histogram)算法和带深度限制的叶子生长(Leaf-wise)策略。
直方图算法将连续数据划分为K个整数，并构造宽度为K的直方图。遍历时将离散化的值作为索引在直方图中累积，进而搜索出最优的决策数分割点。算法示意图如图3所示。
带深度限制的Leaf-wise策略是指在每次分裂时，找到最大增益的叶子进行分裂并循环下去，在相同的分裂次数下，Leaf-wise策略相对于通常GBDT所使用的Level-wise能够得到更好的精度。同时，通过树的深度以及叶子数限制，减小模型的复杂度，防止出现过拟合。其生长策略如图4所示。
示例性的，暂态稳定预测模型的构建和调用过程如图5所示。
在训练LightGBM模型过程中，为了得到更快的训练速度，需要对一些参数变量进行调整：
1)通过设置bagging_fraction和bagging_freq参数来使用bagging方法；
2)通过设置feature_fraction参数来使用特征的子抽样；
3)减小max_bin；
4)使用save_binary在以后的学习过程中对数据进行加速加载。
5)为了得到更快的准确率，调整以下参数变量：
6)使用较大的max_bin和num_iterations,num_leaves；
7)使用较小的learning_rate。
示例性的，切机切负荷灵敏度分析方法包括：计算发电机切除灵敏度SGi和负荷切除灵敏度SDj。具体的，针对当前系统运行状态分别对每个发电机和负荷切除相同比例，并通过暂态稳定预测模型得到临界切除时间临界切除时间，其与未进行切机切负荷时的临界切除时间临界切除时间的差值即为该发电机组或负荷的灵敏度，如下式所示：
Figure BDA0003344852420000062
式中，PGi表示第i台发电机的可切除容量；PDj表示第j个负荷的可切除容量；Mo表示未采取紧急控制策略时的极限切除时间，MGi表示故障清除后，切除第i台发电机系统的极限切除时间；MDj表示故障清除后，切除第j个负荷系统的极限切除时间。
步骤3：将上述暂态稳定预测模型和上述切机切负荷灵敏度分析方法嵌入非支配排序遗传算法NSGA-II中，计及系统运行的约束条件，搭建暂态稳定协调控制优化模型；
将电力系统暂态稳定预测模型和切机切负荷灵敏度分析方法嵌入NSGA-II算法中，如图6所示。
将电力系统暂态稳定预测模型代替时域方程的求解，用于系统暂态稳定性的判断，如下式所示：
Figure BDA0003344852420000071
式中，NG表示发电机的台数；ε表示系统暂态稳定裕度；PD表示当前系统负荷水平；
Figure BDA0003344852420000072
表示针对第n个故障，第i台发电机有功出力的切除量；/>
Figure BDA0003344852420000073
表示针对第n个故障，第j个负荷的切除量；F表示训练后的LightGBM预测模型，其输入为各机组调整后的有功出力、当前系统的负荷水平和切机切负荷量，输出为当前场景下临界切除时间临界切除时间的预测值。
基于NSGA-II算法，示例性的，本发明以降低协调控制成本为优化目标，具体的，最低协调控制成本的表达为：
Figure BDA0003344852420000074
式中，cost表示协调控制的总成本，Cp表示预防控制成本，NC为预想故障总数，pn为第n个预想故障发生的概率，
Figure BDA0003344852420000075
为第n个预想故障时实施紧急控制成本。
其中，预防控制成本为：
Figure BDA0003344852420000076
Figure BDA0003344852420000077
Figure BDA0003344852420000078
式中，NG为发电机的台数，Poi、PGi分别表示预防控制前后发电机出力，
Figure BDA0003344852420000081
和
Figure BDA0003344852420000082
分别为第i台发电机预防控制后有功功率的上调量和下调量，/>
Figure BDA0003344852420000083
和/>
Figure BDA0003344852420000084
分别为上调成本系数和下调成本系数。
第n个故障下的紧急控制成本为：
Figure BDA0003344852420000085
式中，ND为负荷的个数；
Figure BDA0003344852420000086
分别为第i台发电机和第j个负荷的有功功率切除量；/>
Figure BDA0003344852420000087
和/>
Figure BDA0003344852420000088
分别为对应的成本系数。
暂态稳定协调控制优化模型的建立还应满足一些约束条件，示例性的，包括：
1)功率平衡约束：
Figure BDA0003344852420000089
式中，Pi、Qi为节点的有功和无功功率；Vi和Vj为节点电压幅值；θij为节点电压相角差；Gij、Bij为节点导纳矩阵的实部和虚部；Sn为节点集合。
2)电网运行静态安全约束为：
Figure BDA00033448524200000810
Figure BDA00033448524200000811
Figure BDA00033448524200000812
式中，Vi为节点电压幅值，II为支路电流幅值，QGi为发电机无功出力，上述不等式约束主要考虑节点电压、支路负载、发电机无功出力不越限的安全运行约束。
3)暂态稳定约束为：
Figure BDA00033448524200000813
Figure BDA00033448524200000814
式中，x、y分别为状态变量和代数变量，μ和λ分别表示预防控制变量和紧急控制变量。f和g分别表示系统微分方程和代数方程，
Figure BDA00033448524200000815
表示暂态稳定的评估规则。
4)决策变量可行性约束：
Figure BDA0003344852420000091
Figure BDA0003344852420000092
式中，RDi为下爬坡约束；RUi为上爬坡约束。
步骤4：求解暂态稳定协调控制优化模型，以得到协调控制策略。具体的，暂态稳定协调控制优化模型求解步骤如下：
步骤4.1：在线测量系统发电机出力和负荷大小，输入暂态稳定预测模型，执行步骤4.2；
步骤4.2：判断系统当前运行状态是否有失稳风险，若是，执行步骤4.3；
步骤4.3：利用暂态稳定预测模型进行切机切负荷灵敏度分析，分析出灵敏度为正且最高的机组和负荷，执行步骤4.4；
步骤4.4：初始化系统预防控制种群，执行步骤4.5；
步骤4.5：进行暂态稳定预测，并给不稳定个体按步骤4.3所得机组和负荷随机分配紧急控制策略，稳定个体切机与切负荷输入特征置0，执行步骤4.6；
步骤4.6：NSGA-II算法进行选择、交叉和变异的迭代寻优，执行步骤4.7；
步骤4.7：迭代次数是否达到最大迭代数，若是，执行步骤4.8，若否，执行4.5；
步骤4.8：输出协调控制策略。
实施例2
请参照图8，本发明提供一种嵌入轻量梯度提升机预测模型的电力系统协调控制系统，包括：获取模块100：用于获取发电机的出力样本及负荷样本作为初始样本，对上述初始样本进行预处理，以得到训练样本；方法设计模块200：用于采用上述训练样本训练LightGBM模型，生成暂态稳定预测模型，利用上述暂态稳定预测模型建立切机切负荷灵敏度分析方法；模型构建模块300：用于将上述暂态稳定预测模型和上述切机切负荷灵敏度分析方法嵌入非支配排序遗传算法NSGA-II中，计及系统运行的约束条件，搭建暂态稳定协调控制优化模型；模型求解模块400：用于求解暂态稳定协调控制优化模型，以得到协调控制策略。
本实施例所提供的系统可执行上述实施例1中上述的方法及步骤，具体实施方式见实施例1，在此不作赘述。
实施例3
请参照图9，本发明实施例提供一种电子设备，包括：至少一个处理器1、至少一个存储器2和数据总线3；其中，上述处理器1与上述存储器2通过上述数据总线3完成相互间的通信；上述存储器2存储有可被上述处理器1执行的程序指令，上述处理器1调用上述程序指令以执行上述实施例中的方法，例如执行：步骤1、以降低协调控制成本为优化目标，获取发电机的出力样本及负荷样本作为初始样本，对上述初始样本进行预处理，以得到训练样本；步骤2、采用上述训练样本训练LightGBM模型，生成暂态稳定预测模型，利用上述暂态稳定预测模型设计切机切负荷灵敏度分析方法；步骤3、将上述暂态稳定预测模型和上述切机切负荷灵敏度分析方法嵌入非支配排序遗传算法NSGA-II中，计及系统运行的约束条件，搭建暂态稳定协调控制优化模型；步骤4、求解暂态稳定协调控制优化模型，以得到协调控制策略。
图9为本申请实施例提供的一种电子设备的一种示意性结构框图。电子设备包括存储器2、处理器1和数据总线3，该存储器2、处理器1和数据总线3相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器2可用于存储软件程序及模块，如本申请实施例所提供电子设备对应的程序指令/模块，处理器1通过执行存储在存储器2内的软件程序及模块，从而执行各种功能应用以及数据处理。该数据总线3可用于与其他节点设备进行信令或数据的通信。
试验例
示例性的，选取IEEE39节点系统为例，对本方案提出的协调控制方法进行说明。
选择系统中4条线路作为预想故障线路，设置线路三相短路故障，构成预想故障集，如表1所示。
表1
Figure BDA0003344852420000101
/>
针对预想故障集中的故障，设置负荷波动范围为80％-120％，发电机有功出力在负荷波动的基础上在90％-110％之间波动。使用拉丁超立方抽样生成5000种发电机出力和负荷样本，使用PSAT工具箱对样本进行时域仿真，设置故障切除时间为0.1秒，总仿真时长为10s，采用二分法求解出对应临界切除时间临界切除时间，针对不稳定样本，仍然使用拉丁超立方抽样随机生成多种紧急控制策略，并进行时域仿真计算临界切除时间临界切除时间，二者共同组成最终样本。
具体的，将样本的前80％作为训练集，后20％作为测试集，使用训练集对LightGBM模型进行训练，用测试集验证暂态稳定预测模型的准确度，其中，LightGBM模型参数设置如表2所示。
表2
Figure BDA0003344852420000111
选取某不稳定样本进行测试，NSGA-II算法进行迭代寻优，求取协调控制策略预防控制策略如图7所示，紧急控制策略如表3所示。
表3
Figure BDA0003344852420000112
使用PSAT对协调控制策略进行验证，采用二分法对各个故障进行时域仿真计算，得出协调控制前后的临界切除时间临界切除时间,控制前后各故障临界切除时间临界切除时间变化如表4所示。
表4
Figure BDA0003344852420000121
由协调控制前后临界切除时间临界切除时间变化可以看出，协调控制前后相比临界切除时间临界切除时间均由0.2以下提升到了0.2以上，验证了本方法的可行性。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于梯度提升机的电网暂态稳定协调控制方法，其特征在于，包括以下步骤：
获取发电机的出力样本及负荷样本作为初始样本，对所述初始样本进行预处理，以得到训练样本；
采用所述训练样本训练LightGBM模型，生成暂态稳定预测模型，利用所述暂态稳定预测模型设计切机切负荷灵敏度分析方法；
将所述暂态稳定预测模型和所述切机切负荷灵敏度分析方法嵌入非支配排序遗传算法NSGA-II中，计及系统运行的约束条件，搭建暂态稳定协调控制优化模型；
求解暂态稳定协调控制优化模型，以得到协调控制策略；
其中，所述获取发电机的出力样本及负荷样本作为初始样本，对所述初始样本进行预处理，以得到训练样本包括以下步骤：
基于日负荷曲线确定负荷的波动范围，各发电机有功出力在负荷波动的基础上进一步确定调整范围，分别在对应范围内采用拉丁超立方抽样的方式抽取发电机的出力样本和负荷样本，所述发电机的出力样本和负荷样本组成初始样本；
对所述初始样本的切机与切负荷输入特征全部置零，进行时域仿真，采用二分法计算出对应预想故障集的临界切除时间，聚集临界切除时间满足预设条件的样本生成未采用紧急控制策略的第一样本集；
针对临界切除时间不满足预设要求的样本，采用拉丁超立方抽样随机分配紧急控制策略，生成已采用紧急控制策略的第二样本集；
将所述第一样本集与所述第二样本集组合，共同构成训练LightGBM预测模型的训练样本集。
2.根据权利要求1所述的基于梯度提升机的电网暂态稳定协调控制方法，其特征在于，所述切机切负荷灵敏度分析方法包括：计算发电机切除灵敏度SGi和负荷切除灵敏度SDj，所述发电机切除灵敏度SGi及负荷切除灵敏度SDj的表达式为：
Figure FDA0004142671340000011
式中，PGi表示第i台发电机的可切除容量；PDj表示第j个负荷的可切除容量；M表示极限切除时间；Mo表示未采取紧急控制策略时的极限切除时间，MGi表示故障清除后，切除第i台发电机系统的极限切除时间；MDj表示故障清除后，切除第j个负荷系统的极限切除时间。
3.根据权利要求2所述的基于梯度提升机的电网暂态稳定协调控制方法，其特征在于，将所述暂态稳定预测模型嵌入非支配排序遗传算法NSGA-II中表示为：
Figure FDA0004142671340000021
式中，NG表示发电机的台数；ε表示系统暂态稳定裕度；PD表示当前系统负荷水平；
Figure FDA0004142671340000022
表示针对第n个故障，第i台发电机有功出力的切除量；/>
Figure FDA0004142671340000023
表示针对第n个故障，第j个负荷的切除量；F表示训练后的LightGBM预测模型，其输入为各机组调整后的有功出力、当前系统的负荷水平和切机切负荷量，输出为当前场景下临界切除时间的预测值。
4.根据权利要求1所述的基于梯度提升机的电网暂态稳定协调控制方法，其特征在于，所述协调控制成本的目标函数为：
Figure FDA0004142671340000024
式中，cost表示协调控制的总成本，Cp表示预防控制成本，NC为预想故障总数，pn为第n个预想故障发生的概率，
Figure FDA0004142671340000025
为第n个预想故障时实施紧急控制成本。
5.根据权利要求4所述的基于梯度提升机的电网暂态稳定协调控制方法，其特征在于，所述预防控制成本:
Figure FDA0004142671340000026
式中，NG为发电机的台数，
Figure FDA0004142671340000027
和/>
Figure FDA0004142671340000028
分别为第i台发电机预防控制后有功功率的上调量和下调量，/>
Figure FDA0004142671340000029
和/>
Figure FDA00041426713400000210
分别为上调成本系数和下调成本系数。
6.根据权利要求5所述的基于梯度提升机的电网暂态稳定协调控制方法，其特征在于，所述第n个预想故障时实施紧急控制成本:
Figure FDA00041426713400000211
式中，ND为负荷的个数；
Figure FDA00041426713400000212
分别为第i台发电机和第j个负荷的有功功率切除量；/>
Figure FDA00041426713400000213
和/>
Figure FDA00041426713400000214
分别为对应的成本系数。
7.根据权利要求1所述的基于梯度提升机的电网暂态稳定协调控制方法，其特征在于，所述约束条件包括功率平衡约束、电网运行静态安全约束、暂态稳定约束和决策变量可行性约束。
8.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器和数据总线；
其中，所述处理器与所述存储器通过所述数据总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行如权利要求1-7任一所述的方法。
CN202111319984.6A 2021-11-09 2021-11-09 一种基于梯度提升机的电网暂态稳定协调控制方法及系统 Active CN113904384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111319984.6A CN113904384B (zh) 2021-11-09 2021-11-09 一种基于梯度提升机的电网暂态稳定协调控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111319984.6A CN113904384B (zh) 2021-11-09 2021-11-09 一种基于梯度提升机的电网暂态稳定协调控制方法及系统

Publications (2)

Publication Number Publication Date
CN113904384A CN113904384A (zh) 2022-01-07
CN113904384B true CN113904384B (zh) 2023-06-09

Family

ID=79193772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111319984.6A Active CN113904384B (zh) 2021-11-09 2021-11-09 一种基于梯度提升机的电网暂态稳定协调控制方法及系统

Country Status (1)

Country Link
CN (1) CN113904384B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104617574A (zh) * 2015-01-19 2015-05-13 清华大学 一种电力系统负荷区域暂态电压稳定的评估方法
CN107689638A (zh) * 2017-09-28 2018-02-13 中国电力科学研究院 一种基于相轨迹分析的含风电电力系统暂态协调控制方法
CN110336270A (zh) * 2019-04-22 2019-10-15 清华大学 一种电力系统暂态稳定预测模型的更新方法
CN111900724A (zh) * 2020-07-14 2020-11-06 国电南瑞科技股份有限公司 一种电力系统暂态稳定紧急控制在线决策方法、装置及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544542A (zh) * 2013-10-16 2014-01-29 天津大学 一种电力系统暂态稳定裕度预测方法
CN109902352B (zh) * 2019-01-24 2022-07-01 南瑞集团有限公司 一种暂态功角稳定分析关键特征量提取方法及系统
CN110718910B (zh) * 2019-10-29 2020-09-15 国网四川省电力公司经济技术研究院 贝叶斯优化LightGBM的暂态稳定评估方法
CN111049159B (zh) * 2019-12-20 2023-09-29 四川大学 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法
CN113591379B (zh) * 2021-07-27 2023-11-14 四川大学 一种电力系统暂态稳定预防及紧急协调控制辅助决策方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104617574A (zh) * 2015-01-19 2015-05-13 清华大学 一种电力系统负荷区域暂态电压稳定的评估方法
CN107689638A (zh) * 2017-09-28 2018-02-13 中国电力科学研究院 一种基于相轨迹分析的含风电电力系统暂态协调控制方法
CN110336270A (zh) * 2019-04-22 2019-10-15 清华大学 一种电力系统暂态稳定预测模型的更新方法
CN111900724A (zh) * 2020-07-14 2020-11-06 国电南瑞科技股份有限公司 一种电力系统暂态稳定紧急控制在线决策方法、装置及存储介质

Also Published As

Publication number Publication date
CN113904384A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN104463706B (zh) 一种用于电网检测电压暂降事件原因的方法和系统
CN110417011B (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN105260786B (zh) 一种电力推进系统仿真可信度评估模型综合优化方法
CN111523785A (zh) 一种基于生成对抗网络的电力系统动态安全评估方法
CN112330165B (zh) 基于特征分离型神经网络的电网暂态稳定评估方法及系统
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
Wendt et al. Knowledge-guided genetic algorithm for input parameter optimisation in environmental modelling
CN112069723A (zh) 一种用于评估电力系统暂态稳定的方法及系统
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN111340287A (zh) 配电柜运行状态预测方法及装置
Cao et al. Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree
CN108805419B (zh) 基于网络嵌入与支持向量回归的电网节点重要度计算方法
Shahriyari et al. A Deep Learning-Based Approach for Comprehensive Rotor Angle Stability‎ Assessment‎
CN113904384B (zh) 一种基于梯度提升机的电网暂态稳定协调控制方法及系统
CN115983714A (zh) 边图神经网络电力系统静态安全评估方法及系统
CN116896093A (zh) 一种风电场并网振荡稳定性在线分析与优化方法
Tiwary et al. Multi-dimensional ANN application for active power flow state classification on a utility system
CN115713032A (zh) 一种电网预防控制方法、装置、设备及介质
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
CN108920810A (zh) 基于大数据架构的电力仿真方法
CN113987904A (zh) 一种输电项目修理成本测算方法、装置、设备及存储介质
CN114240069A (zh) 一种基于回归学习与特征挖掘的电网在线风险计算方法
CN113642784A (zh) 一种计及风机状态的风电功率超短期预测的方法
CN112862211A (zh) 通信管理系统动环缺陷派单方法及装置

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