CN113988558A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113988558A CN113988558A CN202111219910.5A CN202111219910A CN113988558A CN 113988558 A CN113988558 A CN 113988558A CN 202111219910 A CN202111219910 A CN 202111219910A CN 113988558 A CN113988558 A CN 113988558A
- Authority
- CN
- China
- Prior art keywords
- blind
- coordinate system
- line
- nodes
- electrical
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
-
- 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
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明提供了一种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,获取电网的故障位置节点和稳态潮流特征;获取故障位置节点在扩展电气坐标系下的电气坐标;根据获取的电气坐标和稳态潮流特征,结合预训练的动态安全评估模型,得到电网的动态安全评估结果;其中,根据获取的电网网络参数构建初始电气坐标系,根据初始电气坐标系进行盲线搜索,得到初始盲区,对盲区进行微调后,针对微调后的盲区扩展参考节点,结合扩展后的参考节点,得到扩展电气坐标系;本发明提高了盲区的故障位置表征精度,进而提高了电网动态安全评估的准确度。
Description
技术领域
本发明涉及电力系统安全评估技术领域,特别涉及一种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。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
新能源固有的间歇性和强波动性使得电力系统面临的动态安全风险显著增加。为保证系统安全稳定运行,需针对复杂多变的电网状况抽样生成大量可能出现的场景,通过动态安全评估(Dynamic Security Assessment,DSA)及时识别系统潜在的动态安全风险。基于时域仿真的DSA是常用的模型驱动类评估方法。然而,当评估海量的“场景-故障”组合时,基于时域仿真的DSA耗时严重,难以满足在线评估的时效性。近年来,大量研究倾向于采用数据驱动的DSA方法,基于机器学习技术构建DSA模型,提高动态安全在线评估效率。
电力系统动态安全与故障位置密切相关。传统数据驱动的DSA普遍依靠时域仿真获得故障后的系统动态响应特征,并将其作为机器学习模型的输入。此类方法应用于超前时间尺度下海量“场景-故障”组合的在线评估时,仍存在时域仿真类评估方法的不足。有研究人员采用故障前的稳态潮流特征,构建安全域概念下的DSA模型。然而,此类方法不具备对故障位置的泛化能力,无法实现单一模型适用于多个故障位置,在评估多个故障位置时存在模型数量灾的问题。因此,现有数据驱动的DSA缺乏统一的故障位置特征表达方法。构建统一的故障位置特征表达体系,是实现安全域概念下统一计及故障位置的DSA的关键。
有研究人员分别采用整数编码和二进制编码作为故障位置输入特征,构建统一的DSA模型,但编码特征存在离散且不具备电气意义的缺陷。有研究人员采用故障线路切除后的电力系统邻接矩阵反映故障位置。有研究人员采用故障前的邻接矩阵,并结合0-1变量表示该线路上是否存在故障。然而,邻接矩阵规模过大会使得模型训练困难,且无法区分同一条线路上的不同故障位置。有研究人员采用迁移学习(Transfer Learning,TL)将特定故障位置的评估模型迁移到其他故障位置,但该方法要求不同运行方式下的故障集不同,无法适用于同一运行方式下不同故障的评估。
为实现具备电气意义且连续的故障位置特征表达,研究人员提出了一种电气坐标系(Electrical Coordinate System,ECS)概念,并初步应用于数据驱动的暂态稳定评估(Transient Stability Assessment,TSA)中,实现了TSA对故障位置的统一计及,避免了模型数量灾问题,在数据驱动的DSA中具备良好的应用前景。然而,考虑系统全局范围内节点间电气位置关系构建的电气坐标系,可能存在局部区域故障位置表征精度不足的缺陷。
发明内容
为了解决现有技术的不足,本发明提供了一种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,提高了盲区的故障位置表征精度,进而提高了电网动态安全评估的准确度。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种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,包括以下步骤:
首先,获取电网网络线路参数和拓扑连接关系,生成节点导纳矩阵,构建初始电气坐标系;
然后,提出考虑邻接线路的电气坐标系盲线快速搜索方法,在初始电气坐标系下快速搜索盲线,具体包括以下步骤:
构建初始电气坐标系,设L={l1,l2,…,ls},盲线列表Lblind=[],i=1,s为电网线路总数;
在线路li上生成故障位置点集{Pi-0,Pi-1,…,Pi-t1};
对于线路li,生成邻接线路集合Ladjacent={li-1,li-2,…,li-h},并设j=1,h为邻接线路的总数;
在线路li-j上生成故障位置点集{Pj-1,Pj-2,…,Pj-t2};
判断是否存在u∈[1,t1-1],v∈[1,t2],使得D(Pi-u,Pj-v)<min(D(Pi-u-1,Pi-u),D(Pi-u,Pi-u+1)),如是,则判定线路li、lj为盲线,并将li、lj加入Lblind中,且j=j+1,如否,则直接j=j+1;
如果j大于h,则i=i+1,并执行下一步,否则,返回继续生成点集{Pj-1,Pj-2,…,Pj-t2};
如果i大于s,则输出Lblind,否则,返回继续生成点集{Pi-0,Pi-1,…,Pi-t1}。
接着,提出基于邻接矩阵的盲区识别算法,根据搜索出来的盲线确定各初始盲区的范围,具体包括以下步骤:
具有n个顶点且无自环的连通图,邻接矩阵A为一个n×n阶的方阵;
对角线元素aii为1,非对角线元素aij为0或1;
aij值为1表示节点i、j间有直接相连的线路,并称节点i、j为一级连通;aij值为0则表示无直接相连的线路,但节点i、j可能通过m-1个节点实现连通,此种情况下称节点i、j为m级连通;
通过邻接矩阵A的m次逻辑自乘判断是否存在m级连通,用Am表示邻接矩阵的m次逻辑自乘,Am的矩阵元素(am)ij取值包括以下3种情况:
(am)ij值为0,表示节点i、j间不存在m级连通关系;
(am)ij值为1,表示节点i、j间存在m级连通关系;
(am)ij值大于1,表示节点i、j间存在m-1级及以下的连通关系;
统计根据盲线快速搜索方法得到的盲线列表中各条盲线的出现次数,保留出现次数位于前预设位次的盲线,得到删减后的盲线列表;
根据删减后的盲线列表生成邻接矩阵A,对邻接矩阵A进行n-1次逻辑自乘运算,得到An-1,设i=1,z=1;
设PZ=Φ,j=1,如果(an-1)ij不等于零,则PZ=PZ∪{j},并判断j是否小于n,如果(an-1)ij等于零,则直接判断j是否小于n;
j小于n时,j=j+1,返回判断(an-1)ij是否等于零;
j大于或等于n时,输出PZ;
当i小于n时,i=i+1,i属于P1∪···∪PZ时,i=i+1;i不属于P1∪···∪PZ时,z=z+1,返回设置PZ=Φ,j=1。
接着,基于DSA模型评估结果对各初始盲区进行微调,具体包括以下步骤:
基于电气坐标系训练得到动态安全评估模型;
使用该动态安全评估模型在测试集上进行评估,筛选出评估错误的测试样本;
找出评估错误样本所对应的故障线路;
若故障线路为非盲线,且与盲区直接连通或通过上一步得到的另一条故障线路与之连通,则将此故障线路划入盲区范围。
接着,针对微调后的盲区扩展参考节点,基于扩展后的参考节点组合,构建扩展电气坐标系,具体包括以下步骤:
选择皮尔逊相关系数ρ描述电气坐标系的表征性能:
ρ=cov(d,D)/σdσD
式中,d表示节点间的电气距离,D表示在电气坐标系中节点间的坐标欧氏距离,cov(d,D)表示d与D间的协方差,d和D分别表示d和D的标准差;
将各盲区包含的线路分别在线路4%,8%,…,92%,96%处进行分段,将每个分段点视为新的母线节点,生成新的节点导纳矩阵;
以盲区内节点间的相关性ρ最大为优化目标,在相应盲区内选择参考节点,盲区内的参考节点选择过程可描述为:
式中,Bk表示由k个节点组成的参考节点组合,{b1,b2,…,bp}表示盲区内的节点集合,p表示盲区内的节点总数;
基于继承性规则设计贪心策略,使用贪心算法对上述参考节点组合优化问题进行快速求解,得到各组能够准确表征相应盲区内节点位置的参考节点;
在初始电气坐标系参考节点的基础上增加各盲区的参考节点,并基于扩展后的参考节点组合构建扩展电气坐标系。
最后,将扩展电气坐标系应用到动态安全评估中,实现安全域概念下统一计及故障位置的动态安全评估,具体包括以下步骤:
获取网络线路参数和拓扑连接关系生成节点导纳矩阵,构建初始电气坐标系;
在初始电气坐标系下,根据盲线快速搜索方法快速搜索盲线;
根据盲区识别算法得到初始盲区;
基于DSA模型评估结果对各初始盲区进行微调;
针对微调后的各盲区,扩展参考节点,构建扩展电气坐标系;
获取稳态潮流特征,用其表征系统运行方式,具体包括各发电机功率、各负荷功率和各节点电压;
获取故障位置节点在扩展电气坐标系下的电气坐标特征,用其表征故障位置;
根据获取的稳态潮流特征和电气坐标特征,生成数据集,训练动态安全评估模型;
获取故障位置节点在扩展电气坐标系下的电气坐标特征;
结合稳态潮流特征,生成待评估样本,调用训练好的动态安全评估模型得到评估结果。
其中,采用卷积神经网络混合模型作为机器学习模型,模型参数设置如下:
卷积神经网络包含两层神经元数量为10,尺寸为3,激活函数为“Relu”的卷积层和两层池化层;
最后两层全连接层的神经元数量为(100,50),为避免训练过拟合,可在两层全连接层中间添加dropout层;
模型训练使用小批量优化策略,优化算法为Adam算法,使用默认的学习率0.001;
模型迭代次数设为300次,每次梯度更新的样本数为200;
样本集分为训练集和测试集,使用回调函数技术,自动保存在测试集上评估精度最高的模型。
本发明第二方面提供了一种基于盲区识别和电气坐标系扩展的电网动态安全评估系统,包括以下模块:
数据获取模块,被配置为:获取电网的故障位置节点和稳态潮流特征;
电气坐标获取模块,被配置为:获取故障位置节点在扩展电气坐标系下的电气坐标;
动态安全评估模块,被配置为:根据获取的电气坐标和稳态潮流特征,结合预训练的动态安全评估模型,得到电网的动态安全评估结果;
其中,根据获取的电网网络参数构建初始电气坐标系,根据初始电气坐标系进行盲线搜索,得到初始盲区,对盲区进行微调后,针对微调后的盲区扩展参考节点,结合扩展后的参考节点,得到扩展电气坐标系。
本发明第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的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中的步骤。
本发明第四方面提供了一种电子设备,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程序,所述处理器执行所述程序时实现如本发明第一方面所述的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中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明创新性的提出了一种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,提高了盲区的故障位置表征精度,进而提高了电网动态安全评估的准确度。
2、本发明创新性的提出了一种考虑邻接线路的盲线快速搜索方法,通过对邻接线路上的故障位置点进行遍历,缩小了线路的搜索范围,显著降低了盲线搜索耗时。
3、本发明创新性的提出了一种基于邻接矩阵的初始盲区识别算法,提高了盲区识别的准确度和识别效率,避免了盲区边界不明显带来的盲区识别困难。
4、本发明创新性的提出了一种电气坐标系的参考节点扩展方法,在初始电气坐标的参考节点的基础上增加各盲区的参考节点,并基于扩展后的参考节点组合构建扩展电气坐标,进一步的提高了电网动态安全评估的准确度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的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的流程示意图。
图2为本发明实施例1提供的基于ECS的故障位置特征表达思路示意图。
图3为本发明实施例1提供的New England 39节点系统下的相关性散点图。
图4为本发明实施例1提供的部分线路拓扑连接示意图。
图5为本发明实施例1提供的点P0、P1、P2、P3间的等效电路图。
图6为本发明实施例1提供的盲线快速搜索方法流程图。
图7为本发明实施例1提供的基于邻接矩阵的盲区识别方法示意图。
图8为本发明实施例1提供的初始参考节点和相应盲区参考节点的相关性比较示意图。
图9为本发明实施例1提供的盲区1、2、3在初始和相应盲区参考节点下的相关性示意图。
图10为本发明实施例1提供的盲线和盲区分布示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
本发明实施例1提供了一种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,如图1所示,包括以下步骤:
首先,获取电网网络线路参数和拓扑连接关系,生成节点导纳矩阵,构建初始电气坐标系;
然后,提出考虑邻接线路的电气坐标系盲线快速搜索方法,在初始电气坐标系下快速搜索盲线;
接着,提出基于邻接矩阵的盲区识别算法,根据搜索出来的盲线确定各初始盲区的范围;
接着,基于DSA模型评估结果对各初始盲区进行微调;
接着,针对微调后的盲区扩展参考节点,基于扩展后的参考节点组合,构建扩展电气坐标系;
最后,将扩展电气坐标系应用到动态安全评估中,实现安全域概念下统一计及故障位置的动态安全评估。
具体的,包括以下内容:
S1:基于ECS的故障位置特征表达问题分析
S1.1:ECS简介
选择一定数量的母线节点作为参考节点,以故障位置距各参考节点的电气距离组成高维坐标向量,据此构建的坐标系称为ECS。在ECS中,电网任意故障位置均具备电气坐标向量与之对应,实现了具备电气意义且连续的故障位置特征表达。基于ECS的故障位置特征表达思路如图2所示。将ECS应用到数据驱动的TSA中,实现了安全域概念下TSA对故障位置的统一计及。
ECS对节点间相对电气位置关系的表征精度可用相关性ρ表示:
ρ=cov(d,D)/σdσD (1)
式中,d表示节点间的电气距离,D表示在ECS中节点间的坐标欧氏距离,cov(d,D)表示d与D间的协方差,σd和σD分别为d与D的标准差。ρ值越大,表明ECS对节点电气位置的表征精度越高,反之则表征精度越低。
ρ的大小与参考节点密切相关。在ECS构建过程中,应以系统所有节点间的相关性ρ最大为优化目标,使用基于贪心策略的参考节点快速优化方法求解得到参考节点组合。上述ECS优化方法力图使电气距离近的两节点在ECS中的坐标欧式距离相对较近,电气距离远的两节点间的坐标欧式距离相对较远,即在ECS下保持各节点间的相对电气位置关系,以保留尽可能多的网络拓扑信息。本实施例称上述ECS最优化原则为“结构保持”原则。
S1.2:局部区域故障位置表征精度不足的原因分析
以全局ρ最大化为目标所得ECS,虽然能够保持尽可能多的节点间相对位置关系,但对不同区域的故障位置表征精度存在差异,在某些局部区域中可能存在表征精度不足的问题。
以New England 39节点系统为例,基于参考节点快速优化算法构建ECS,其相关性如图3所示,图中,圆点表示两两组合的节点对,横坐标表示此对节点间的电气距离,纵坐标表示坐标欧氏距离。该算例下,节点间的坐标欧式距离与电气距离并不呈严格的正相关分布,表明系统中存在部分位置点位置表征不准确,无法完全实现结构保持目标。
相关性ρ是描述整体分布情况的统计指标,在以相关性ρ最大为目标的参考节点优化过程中,最终的参考节点组合是根据节点间D与d的整体分布情况最优而确定的。基于此参考节点组合构建的ECS,虽然能够反映系统内大部分节点间的相对电气位置关系,但无法兼顾局部区域内的节点,导致局部区域内节点不符合结构保持原则,从而使得局部区域内故障位置表征精度下降。
本实施例将故障位置表征不准确的位置点称为“盲点”,盲点所在线路称为“盲线”,由相邻接的盲线构成的局部连通区域称为“盲区”。
为提高对盲区的故障位置表征精度,需要进一步优化ECS,实现对全网范围内的故障位置特征精细化表达。准确表征盲区内故障位置的关键是识别盲区的范围。盲区是由盲线构成的,因此识别盲区范围的首要工作是搜索盲线。
S2:考虑邻接线路的ECS盲线快速搜索
S2.1:盲线判定的理论分析
ECS对盲点位置表征不准确具体定义为,电气距离较远的两位置点,其电气坐标欧式距离过近。当以故障位置电气坐标特征作为DSA输入时,机器学习模型无法通过电气坐标特征,准确区分上述两点分别发生故障时对系统稳定性产生的影响,从而导致DSA精度下降。
盲线的判定与所考虑的故障位置分布情况相关。本实施例仍采用线路等距离设置故障的方式。图4为系统部分线路的拓扑连接示意图,以图中的线路AB为例,阐述盲线的具体判定条件。图中,线路BC、BD是线路AB的邻接线路,蓝色圆点表示参考节点,点P0、P1、P2、P3为设置的4个故障位置,点P1、P2与点P0相邻且距离相等。
线路AB上点P0、P1、P2与另一条线路上点P3间的等效电路可用图5表示,其中,R1为线路AB在P0P1段的阻抗,R2为线路AB在P0P2段的阻抗,R3、R4为点P3与线路P1P2间的等效阻抗。由于电气距离可用等效阻抗表示,则点P0、P1及点P0、P2间的电气距离可表示为:
同理,点P0、P3间的电气距离可表示为:
由于P1、P2是与P0相邻且等距离的两点,即R1=R2,显然可得,dP0P1=dP0P2<dP0P3。因此,线路上一点P0距相邻点P1、P2的电气距离始终要小于距另一条线路上点P3的距离。在ECS中,点P0、P1、P2、P3间的坐标欧式距离同样也应满足上述规律。当点P3距P0的坐标欧式距离小于P0P1和P0P2,即式(5)成立时,相较于点P1、P2,距点P0电气距离较远的点P3与点P0间的电气坐标特征差异性反而更小,使得机器学习模型难以准确区分故障点P0和P3对系统稳定性造成的影响,从而进一步影响模型的DSA准确性。
D(P0,P3)<min(D(P0,P1),D(P0,P2)) (5)
式中,D(P0,P3)大小是由点P0、P3的电气坐标决定的,点P0、P3任意一点位置表征不准都有可能使该式成立。因此,当式(5)成立时,本实施例将点P0、P3所在线路AB、BC均判定为盲线。
S2.2:盲线快速搜索方法
对于图4中的线路AB,若在全网范围内搜索其它线路,判断其它线路上是否存在某点满足式(5),所需搜索的线路数过多,计算量过大。在以全局ρ最大化为目标所得ECS中,节点间整体上符合结构保持原则。因此,满足式(5)的点P3最可能出现在与线路AB相邻接的线路上,即图4中的线路BC和BD。通过在相邻接线路上寻找是否存在某点满足式(5),可大幅提高盲线的搜索效率。基于上述分析,本实施例提出流程如图6所示的盲线快速搜索方法,通过对邻接线路上的故障位置点进行遍历,缩小了线路的搜索范围,显著降低了盲线搜索耗时。
图中,L={l1,l2,…,ls}表示s条线路组成的集合,s为全网线路总数,Lblind表示盲线组成的列表。{Pi-0,Pi-1,…,Pi-t1}表示在线路li上设置的故障位置集合,其中,Pi-0表示该条线路的首端节点,Pi-t1表示末端节点。Ladjacent={li-1,li-2,…,li-h}表示与线路li相邻接线路组成的集合,h为邻接线路的总数。{Pj-1,Pj-2,…,Pj-t2}表示在线路li-j上设置的故障位置集合,但不包含线路首端节点。只要满足条件“v∈[1,t2],使得D(Pi-u,Pj-v)<min(D(Pi-u-1,Pi-u),D(Pi-u,Pi-u+1))”,即判定线路li、lj为盲线,并将li、lj加入Lblind中,相同线路可以在Lblind中重复出现。一条盲线在Lblind中出现的次数越多,表明该条线路对ECS的故障位置表征精度影响越大;反之出现次数越少,则对故障位置表征精度影响越小。
S3:提升盲区故障位置特征表达能力的ECS扩展
S3.1:基于邻接矩阵的初始盲区识别
由S2.1可知,本实施例将电气距离远而坐标欧氏距离过近的两点所在线路均判定为盲线,因此盲线的判定具有一定的保守性,导致Lblind包含的盲线数占全网线路数的比例过大,使得由盲线组成的各个盲区边界不明显,盲区识别困难。为明确区分各盲区范围,需要对Lblind中的线路进行适当缩减。
盲线在Lblind中出现的次数能够反映其对故障位置表征精度的影响程度。对Lblind中各条盲线的出现次数进行统计,保留出现次数位于前1/5、对ECS位置表征精度影响较大的盲线,舍弃其余对表征精度影响较小的盲线,根据Lblind中剩余的盲线确定各盲区范围。与其它区域相比,DSA模型评估盲区内故障位置时出错的风险更大。
由盲线组成的盲区应具有连通性,即盲区内的任意两节点可通过若干条盲线连通。可基于邻接矩阵,确定各盲区的连通范围。一个具有n个顶点且无自环的连通图,其邻接矩阵A是一个n×n阶的方阵,对角线元素aii为1,非对角线元素aij为0或1。aij值为1表示节点i、j间有直接相连的线路,并称节点i、j为一级连通;aij值为0则表示无直接相连的线路,但节点i、j可能通过m-1个节点实现连通,此种情况下称节点i、j为m级连通。可通过邻接矩阵A的m次逻辑自乘判断是否存在m级连通。用Am表示邻接矩阵的m次逻辑自乘,则其矩阵元素(am)ij取值可分为以下3种情况:
1)(am)ij值为0,表示节点i、j间不存在m级连通关系;
2)(am)ij值为1,表示节点i、j间存在m级连通关系;
3)(am)ij值大于1,表示节点i、j间存在m-1级及以下的连通关系。
由于一个n节点的系统,任意两节点间最多存在n-1级连通关系,因此,对邻接矩阵进行n-1次逻辑自乘运算后,根据矩阵An-1的每行(列)元素取值情况,可得到各节点间的连通性关系。
本实施例基于邻接矩阵设计盲区识别方法如图7所示,图中,Lblind为缩减后的盲线列表,n为Lblind涉及的节点数量,集合Pz中的元素为盲区z内节点在矩阵A中对应的列序号,根据Pz即可确定各盲区范围。
S3.2:基于DSA模型评估结果的盲区微调
S3.1得到的初始盲区是基于反映网络结构的电气距离判断的,通过分析故障位置电气坐标是否能够保持网络原有结构,找出易导致DSA出错的故障区域。然而,Lblind中被舍弃的盲线可能包含对DSA模型评估精度影响较大的线路,为进一步优化盲区范围,使得盲区能够尽可能覆盖影响DSA模型评估精度的故障位置,可根据DSA模型的评估结果对盲区范围进行微调。
具体微调方法如下:
1)基于ECS训练得到DSA模型;
2)使用该DSA模型在测试集上进行评估,筛选出评估错误的测试样本;
3)找出评估错误样本所对应的故障线路;
4)若3)中故障线路为非盲线,且与盲区直接连通或通过3)中另一条故障线路与之连通,则将此故障线路划入盲区范围。
由于电力系统动态安全不仅受故障位置影响,还与系统运行方式密切相关。根据DSA模型评估结果对盲区进行微调,基于控制变量思想,需消除运行方式对模型评估结果的影响。因此,生成样本集时仅考虑单一运行方式,即输入特征不包括运行方式特征。由于微调使用的样本规模小且特征维数低,为避免训练过拟合,选择结构简单的支持向量机(Support Vector Machine,SVM)作为机器学习器。
S3.3:ECS的参考节点扩展
合理的特征选择能够提高DSA评估精度。对于易导致DSA评估错误的故障区域,可进一步补充合理特征以提升DSA精度。因此,可在原始ECS参考节点的基础上,进一步增加能够准确表征各盲区内节点位置的参考节点。为行文简洁,将《基于电气距离的故障位置表征及其在暂态稳定评估中的应用》方法得到的ECS称为“初始ECS”。用以表征盲区内节点位置的参考节点应在相应盲区内选择,并以该区域内节点间相关性ρ最大为优化目标,盲区内的参考节点选择过程可描述为:
式中,Bk表示由k个节点组成的参考节点组合,{b1,b2,…,bp}表示盲区内节点集合,p为盲区内节点总数。
按照基于贪心策略的参考节点快速优化算法求解上述问题,得到各组能够准确表征相应盲区内节点位置的参考节点。在初始ECS参考节点的基础上增加各盲区的参考节点,并基于扩展后的参考节点组合构建ECS。为行文简洁,将基于扩展后的参考节点组合构建的ECS称为“扩展ECS”。
S3.4:扩展ECS在DSA中的应用
将扩展ECS应用到DSA中,实现安全域概念下统一计及故障位置的DSA。离线训练阶段,首先获取网络线路参数和拓扑连接关系生成节点导纳矩阵,构建初始ECS;接着,根据S2.2所提盲线快速搜索方法得到盲线,根据S3.1和S3.2,得到初始盲区并进行微调;然后,针对盲区的故障位置特征表达,构建扩展ECS;最后,基于故障位置和稳态潮流特征,生成数据集,训练DSA模型。在线评估阶段,获取故障位置在扩展ECS下的电气坐标特征,并结合稳态潮流特征,生成待评估样本,调用DSA模型得到评估结果。
本实施例使用的输入特征可分为两类,分别为表征故障位置的电气坐标特征和表征系统运行方式的稳态潮流特征。其中,稳态潮流特征具体包括各发电机功率、各负荷功率和各节点电压。
S4:算例分析
本实施例以安全域概念下的TSA为例,在某省级电网算例上,验证所提盲区识别和电气坐标系扩展方法在数据驱动的DSA中的适用性。本实施例所用特征归一化方法、模型性能评估指标与《基于电气距离的故障位置表征及其在暂态稳定评估中的应用》保持一致,故障类型为单点瞬时性三相短路故障,并假设故障清除前后电网拓扑结构不变。
S4.1:盲线快速搜索方法有效性验证
基于TSA模型评估结果验证盲线快速搜索方法的有效性,同样地,为排除运行方式对验证结果的影响,仅考虑单一运行方式。
全网负荷水平统一调整为110%,故障位置分别设为各线路4%、8%、……、96%处,发电机出力根据负荷水平和出力上下限做出相应改变。故障持续0.25s后清除,仿真步长0.005s,仿真总时长为3s。每个故障位置均对应同一个运行方式,因此输入特征仅包含故障位置电气坐标特征。共生成3144个样本,其中包含1425个稳定样本,1719个失稳样本。选择全部稳定样本和失稳样本组成数据集,并随机选择70%样本作为训练集,30%样本作为测试集。
首先,根据S2.2所提盲线快速搜索方法得到Lblind。然后,基于初始ECS,使用SVM训练TSA模型,评估结果如表1所示。其中,错误样本数定义为TSA模型在测试集中预测错误的样本数量,错误样本覆盖率定义为包含盲线的错误样本占总错误样本数量的百分比,此处盲线指经过缩减后的Lblind中包含的盲线。经过参数调优后,所使用SVM模型核函数为“rbf”,惩罚因子C=1e5、gamma=0.1。各条线路在错误样本中出现的次数见表2,其中,字体加粗的线路表示盲线。
表1:基于SVM的TSA模型评估结果。
表2:各条线路在错误样本中出现的次数。
由表1可知,盲线对错误样本的覆盖率约2/3。由表2可知,盲线31-32在错误样本中出现的频次最大,为9次。因此,本实施例所提盲线快速搜索方法能够找出影响TSA模型精度的主要线路。
S4.2:盲区的识别
根据缩减后Lblind所包含的盲线,生成25×25阶的邻接矩阵A。按照基于邻接矩阵的盲区识别算法,最终得到3个初始盲区,各初始盲区包含的盲线如表3所示。根据S4.1构建的TSA模型和表2,对所得初始盲区范围进行微调,新增的盲线和微调后盲区对应的实际电网区域如表4所示。盲区分布如图10所示,粗深黑色线路表示初始盲区内的盲线,粗浅灰色线路表示新增的盲线。
表3:各盲区的线路。
表4:新增盲线及盲区对应的实际电网区域。
S4.3:ECS的参考节点扩展
按照S3.3所提参考节点扩展方法,搜索得到相应盲区的参考节点。初始ECS参考节点和各盲区对应的参考节点如表5所示。在初始参考节点和相应盲区参考节点下,各盲区内的相关性比较如图8所示,与初始参考节点相比,各盲区在相应盲区参考节点下的故障位置表征精度更高。图9进一步展示了在初始参考节点和相应盲区参考节点下,盲区1、2、3内的相关性散点图。
由图8和图9可知,针对各盲区选择的各组参考节点,能够准确表征相应盲区内的故障位置。因此,在初始参考节点基础上新增各盲区参考节点,构建包含故障位置信息更丰富的扩展ECS。
表5:初始和各盲区的参考节点。
S4.4:基于扩展ECS的TSA精度测试
故障位置分别设置为除发电机节点外的各母线节点和各条线路4%、8%、……、96%处。各负荷节点的负荷水平在80%~130%间随机波动,发电机出力根据负荷水平和出力上下限做出相应改变,共生成1000种运行方式。针对每个故障位置,分别从1000种运行方式中随机抽取30种运行方式进行时域仿真。故障持续0.25s后清除,清除前后电网拓扑结构不变。仿真步长0.005s,仿真总时长为3s。共生成97020个样本,其中包括51455个稳定样本和45565个失稳样本,选择全部样本作为数据集。随机选择数据集中70%样本作为训练集,30%作为测试集。
采用卷积神经网络混合模型作为机器学习模型。其中,卷积神经网络包含两层神经元数量为10,尺寸为3,激活函数为“Relu”的卷积层和两层池化层。最后两层全连接层的神经元数量为(100,50),为避免训练过拟合,可在两层全连接层中间添加dropout层。模型训练使用小批量优化策略,优化算法为Adam算法,使用默认的学习率0.001。模型迭代次数设为300次,每次梯度更新的样本数为200。样本集分为训练集和测试集,使用回调函数技术,自动保存在测试集上评估精度最高的模型。
扩展ECS共包含32个参考节点。由图10可知,盲区1、2、3位于该省级电网单线图的左下区域,扩展的参考节点也分布在单线图的左下区域。为准确体现基于扩展ECS的TSA方法优越性,使用卷积神经网络混合模型,分别基于不同的ECS构建TSA模型,各模型精度比较结果如表6所示。其中,ECS-0表示初始电气坐标系。ECS-1表示根据参考节点快速优化方法,将优化维数增加至32得到的32维电气坐标系。ECS-2表示在初始ECS基础上新增21个位于电网单线图右上区域的参考节点,得到的32维电气坐标系。E-ECS表示本实施例中的扩展电气坐标系。
表6:基于不同ECS的TSA精度。
由表6可知,基于扩展ECS的TSA准确率最高。与初始ECS相比,基于扩展ECS的TSA模型评估错误率能够降低约25%。仿真结果表明,本实施例所提基于扩展ECS的TSA方法能够有效提高安全域概念下的TSA精度。
针对初始电气坐标系对局部区域故障位置表征精度不足的问题,提出了故障位置特征表达的盲区识别与电气坐标系扩展方法。分析了初始电气坐标系在局部区域故障位置表征精度不足的原因,定义了盲点、盲线和盲区概念。提出了盲线的判定条件和快速搜索方法,提高了盲线的搜索效率。提出了盲区的识别和微调方法,并通过扩展参考节点,提高了电气坐标系对盲区的故障位置表征精度。算例表明,所提盲线快速搜索方法能够找出影响TSA精度的主要线路,基于扩展电气坐标系构建TSA模型,能够有效提高安全域概念下的TSA准确率。
实施例2:
本发明实施例2提供了一种基于盲区识别和电气坐标系扩展的电网动态安全评估系统,包括:
数据获取模块,被配置为:获取电网的故障位置节点和稳态潮流特征;
电气坐标获取模块,被配置为:获取故障位置节点在扩展电气坐标系下的电气坐标;
动态安全评估模块,被配置为:根据获取的电气坐标和稳态潮流特征,结合预训练的动态安全评估模型,得到电网的动态安全评估结果;
其中,根据获取的电网网络参数构建初始电气坐标系,根据初始电气坐标系进行盲线搜索,得到初始盲区,对盲区进行微调后,针对微调后的盲区扩展参考节点,结合扩展后的参考节点,得到扩展电气坐标系。
所述系统的工作方法与实施例1提供的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相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例1所述的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中的步骤。
实施例4:
本发明实施例4提供了一种电子设备,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程序,所述处理器执行所述程序时实现如本发明实施例1所述的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中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种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,其特征在于:
包括以下过程:
获取电网的故障位置节点和稳态潮流特征;
获取故障位置节点在扩展电气坐标系下的电气坐标;
根据获取的电气坐标和稳态潮流特征,结合预训练的动态安全评估模型,得到电网的动态安全评估结果;
其中,根据获取的电网网络参数构建初始电气坐标系,根据初始电气坐标系进行盲线搜索,得到初始盲区,对盲区进行微调后,针对微调后的盲区扩展参考节点,结合扩展后的参考节点,得到扩展电气坐标系。
2.如权利要求1所述的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,其特征在于:
根据获取的电网网络参数构建初始电气坐标系,根据初始电气坐标系进行盲线搜索,包括:
构建初始电气坐标系,设L={l1,l2,…,ls},盲线集合Lblind=[],i=1,s为电网线路总数;
生成点集{Pi-0,Pi-1,…,Pi-t1};
对于线路li,生成Ladjacent={li-1,li-2,…,li-h},并设j=1;
生成点集{Pj-1,Pj-2,…,Pj-t2};
判断是否存在u∈[1,t1-1],v∈[1,t2],使得D(Pi-u,Pj-v)<min(D(Pi-u-1,Pi-u),D(Pi-u,Pi-u+1)),如是,则判定线路li、lj为盲线,并将li、lj加入Lblind中,且j=j+1,如否,则直接j=j+1;
如果j大于h,则i=i+1,并执行下一步,否则,返回继续生成点集{Pj-1,Pj-2,…,Pj-t2},其中,h为邻接线路的总数;
如果i大于s,则输出Lblind,否则,返回继续生成点集{Pi-0,Pi-1,…,Pi-t1}。
3.如权利要求1或2所述的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,其特征在于:
得到初始盲区,包括:
根据盲线搜索得到的盲线集合中各条盲线的出现次数,保留出现次数位于前预设位次的盲线,得到删减后的盲线集合;
根据删减后的盲线集合生成临接矩阵A,对邻接矩阵A进行n-1次逻辑自乘运算,得到An -1,设i=1,z=1;
设PZ=φ,j=1,如果(an-1)ij不等于零,则PZ=PZ∪{j},判断j是否小于n,如果(an-1)ij等于零,直接判断j是否小于n;
j小于n时,j=j+1,返回判断(an-1)ij是否等于零;
j大于或等于n时,输出PZ;
当i小于n时,i=i+1,i属于P1∪···∪PZ时,i=i+1;i不属于P1∪···∪PZ时,z=z+1,返回设置PZ=φ,j=1。
4.如权利要求3所述的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,其特征在于:
具有n个顶点且无自环的连通图,邻接矩阵A为一个n×n阶的方阵;
对角线元素aii为1,非对角线元素aij为0或1;
aij值为1表示节点i、j间有直接相连的线路,并称节点i、j为一级连通;aij值为0则表示无直接相连的线路,但节点i、j可能通过m-1个节点实现连通,此种情况下称节点i、j为m级连通;
通过邻接矩阵A的m次逻辑自乘判断是否存在m级连通,用Am表示邻接矩阵的m次逻辑自乘,Am的矩阵元素(am)ij取值包括:
(am)ij值为0,表示节点i、j间不存在m级连通关系;
(am)ij值为1,表示节点i、j间存在m级连通关系;
(am)ij值大于1,表示节点i、j间存在m-1级及以下的连通关系。
5.如权利要求1所述的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,其特征在于:
对盲区进行微调,包括:
基于电气坐标系训练得到动态安全评估模型;
使用动态安全评估模型在测试集上进行评估,筛选出评估错误的测试样本;
找出评估错误样本所对应的故障线路;
故障线路为非盲线,且与盲区直接连通或通过上一步得到的另一条故障线路连通,则将此故障线路划入盲区范围。
6.如权利要求1所述的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,其特征在于:
动态安全评估模型采用卷积神经网络混合模型。
7.如权利要求1所述的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,其特征在于:
稳态潮流特征包括各发电机功率、各负荷功率和各节点电压。
8.一种基于盲区识别和电气坐标系扩展的电网动态安全评估系统,其特征在于:
包括:
数据获取模块,被配置为:获取电网的故障位置节点和稳态潮流特征;
电气坐标获取模块,被配置为:获取故障位置节点在扩展电气坐标系下的电气坐标;
动态安全评估模块,被配置为:根据获取的电气坐标和稳态潮流特征,结合预训练的动态安全评估模型,得到电网的动态安全评估结果;
其中,根据获取的电网网络参数构建初始电气坐标系,根据初始电气坐标系进行盲线搜索,得到初始盲区,对盲区进行微调后,针对微调后的盲区扩展参考节点,结合扩展后的参考节点,得到扩展电气坐标系。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的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中的步骤。
10.一种电子设备,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1-7任一项所述的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中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219910.5A CN113988558B (zh) | 2021-10-20 | 2021-10-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219910.5A CN113988558B (zh) | 2021-10-20 | 2021-10-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113988558A true CN113988558A (zh) | 2022-01-28 |
CN113988558B CN113988558B (zh) | 2022-08-19 |
Family
ID=79739517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111219910.5A Active CN113988558B (zh) | 2021-10-20 | 2021-10-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988558B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116031880A (zh) * | 2023-03-27 | 2023-04-28 | 山东大学 | 一种电网暂态稳定极限切除时间预测方法及系统 |
CN116029618A (zh) * | 2023-03-28 | 2023-04-28 | 山东大学 | 一种电力系统动态安全分区评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
EP3282668A1 (en) * | 2016-08-12 | 2018-02-14 | Tata Consultancy Services Limited | Comprehensive risk assessment in a heterogeneous dynamic network |
CN110232168A (zh) * | 2019-04-22 | 2019-09-13 | 山东大学 | 基于电气距离的电气坐标系构建方法、介质及设备 |
CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
US20200127457A1 (en) * | 2018-03-29 | 2020-04-23 | Shandong University | Method and system for online decision making of generator start-up |
CN112564107A (zh) * | 2020-12-15 | 2021-03-26 | 深圳供电局有限公司 | 一种电力系统暂态稳定评估方法 |
CN112909939A (zh) * | 2021-03-10 | 2021-06-04 | 山东科技大学 | 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 |
-
2021
- 2021-10-20 CN CN202111219910.5A patent/CN113988558B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
EP3282668A1 (en) * | 2016-08-12 | 2018-02-14 | Tata Consultancy Services Limited | Comprehensive risk assessment in a heterogeneous dynamic network |
US20200127457A1 (en) * | 2018-03-29 | 2020-04-23 | Shandong University | Method and system for online decision making of generator start-up |
CN110232168A (zh) * | 2019-04-22 | 2019-09-13 | 山东大学 | 基于电气距离的电气坐标系构建方法、介质及设备 |
CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
CN112564107A (zh) * | 2020-12-15 | 2021-03-26 | 深圳供电局有限公司 | 一种电力系统暂态稳定评估方法 |
CN112909939A (zh) * | 2021-03-10 | 2021-06-04 | 山东科技大学 | 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 |
Non-Patent Citations (1)
Title |
---|
李常刚等: "基于电气距离的故障位置表征及其在暂态稳定评估中的应用", 《电力系统自动化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116031880A (zh) * | 2023-03-27 | 2023-04-28 | 山东大学 | 一种电网暂态稳定极限切除时间预测方法及系统 |
CN116031880B (zh) * | 2023-03-27 | 2023-06-30 | 山东大学 | 一种电网暂态稳定极限切除时间预测方法及系统 |
CN116029618A (zh) * | 2023-03-28 | 2023-04-28 | 山东大学 | 一种电力系统动态安全分区评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113988558B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113988558B (zh) | 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 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
Bui et al. | Fitness inheritance for noisy evolutionary multi-objective optimization | |
CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN109165819B (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
CN111079780A (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
Moradifar et al. | Intelligent localisation of multiple non‐linear loads considering impact of harmonic state estimation accuracy | |
Sun | Application and improvement of xgboost algorithm based on multiple parameter optimization strategy | |
CN108989092A (zh) | 一种无线网络预测方法、电子设备及存储介质 | |
CN116596095A (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN115658664A (zh) | 基于任意分割异常线损数据修复方法、系统、设备及介质 | |
Kalyani et al. | Static security assessment in power systems using multi-class SVM with parameter selection methods | |
CN114186518A (zh) | 一种集成电路良率估算方法及存储器 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN115494349B (zh) | 有源配电网单相接地故障区段定位方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
Lu et al. | Robust and reliable solutions in bilevel optimization problems under uncertainties | |
Yin et al. | An Efficient Reference-point Based Surrogate-assisted Multi-objective Differential Evolution for Analog/RF Circuit Synthesis | |
CN116070151B (zh) | 基于广义回归神经网络特高压直流输电线路故障检测方法 | |
Kousounadis-Knousen et al. | A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework | |
CN113723593B (zh) | 一种基于神经网络的切负荷预测方法及系统 | |
CN116911245B (zh) | 一种集成电路的布局方法、系统、设备和存储介质 |
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 |