CN114006413B - 一种基于图神经网络的电力系统暂态稳定控制方法及系统 - Google Patents

一种基于图神经网络的电力系统暂态稳定控制方法及系统 Download PDF

Info

Publication number
CN114006413B
CN114006413B CN202111275319.1A CN202111275319A CN114006413B CN 114006413 B CN114006413 B CN 114006413B CN 202111275319 A CN202111275319 A CN 202111275319A CN 114006413 B CN114006413 B CN 114006413B
Authority
CN
China
Prior art keywords
power system
power
transient
transient stability
neural network
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
CN202111275319.1A
Other languages
English (en)
Other versions
CN114006413A (zh
Inventor
乔骥
张松涛
蒲天骄
张东霞
王新迎
王晓辉
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.)
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
China Electric Power Research Institute Co Ltd CEPRI
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 State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN202111275319.1A priority Critical patent/CN114006413B/zh
Publication of CN114006413A publication Critical patent/CN114006413A/zh
Application granted granted Critical
Publication of CN114006413B publication Critical patent/CN114006413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J3/40—Synchronising a generator for connection to a network or to another generator
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于图神经网络的电力系统暂态稳定控制方法及系统，所述方法包括以下步骤：获取电力系统特征向量及邻接矩阵；将邻接矩阵和电力系统特征向量输入预训练好的图神经网络评估模型中，输出电力系统的暂态稳定裕度评估值；基于暂态稳定裕度评估值，判断电力系统的暂态功角稳定性；如不稳定则更新控制策略，如稳定则基于电力系统的暂态功角稳定性判断为稳定时对应的控制策略实现电力系统暂态稳定控制。本发明的方法，利用图神经网络考虑电网的拓扑信息，可实时评估系统的暂态稳定裕度并迭代生成和执行紧急控制策略，从而能够保证大扰动故障后系统中的同步发电机群保持同步运行。

Description

一种基于图神经网络的电力系统暂态稳定控制方法及系统
技术领域
本发明属于大电网安全稳定控制技术领域，涉及电力系统暂态稳定控制领域，特别涉及一种基于图神经网络的电力系统暂态稳定控制方法及系统。
背景技术
近年来，随着电力系统规模的不断扩大及间歇性新能源的大量接入，电网特性日趋复杂，保障系统安全稳定运行的难度逐渐增大；其中，针对故障后的不稳定系统，采取有效的紧急控制措施是阻止故障进一步发展以及避免大规模停电事故的重要手段。
目前，电力系统紧急控制仍处于“离线决策，实时匹配”的阶段。离线决策一般是在日前或更早的阶段针对预想事故进行大量的仿真搜索，进而制定离线策略表，以供实时匹配；当实际在线运行方式与预想情况偏差较大时，存在控制措施失配的风险，因而实现电力系统紧急控制的在线实时决策具有重要意义。
电力系统紧急控制在线实时决策的关键在于快速判断控制措施动作后系统的暂态稳定性，也即快速的暂态稳定评估。随着相量测量装置和广域测量系统的建设日趋完善，人工智能技术迅速发展，为基于机器学习方法的电力系统在线实时暂态稳定评估和紧急控制决策提供了可能。常规的机器学习模型难以对电网拓扑信息进行考虑，近年来快速兴起的图神经网络方法为电网拓扑信息的利用提供了新的解决方案。综上，亟需一种新的基于图神经网络的电力系统暂态稳定控制方法及系统。
发明内容
本发明的目的在于提供一种基于图神经网络的电力系统暂态稳定控制方法及系统，以解决上述存在的一个或多个技术问题。本发明的方法，利用图神经网络考虑电网的拓扑信息，可实时评估系统的暂态稳定裕度并迭代生成和执行紧急控制策略，从而能够保证大扰动故障后系统中的同步发电机群保持同步运行。
为达到上述目的，本发明采用以下技术方案：
本发明提供的一种基于图神经网络的电力系统暂态稳定控制方法，包括：
步骤1，获取电力系统特征向量及邻接矩阵；
步骤2，将电力系统特征向量及邻接矩阵输入预训练好的图神经网络评估模型中，输出电力系统的暂态稳定裕度评估值；
步骤3，基于获得的暂态稳定裕度评估值与预设阈值，进行电力系统的暂态功角稳定性判断；其中，电力系统的暂态功角稳定性判断为不稳定时，跳转执行步骤4，电力系统的暂态功角稳定性判断为稳定时，跳转执行步骤5；
步骤4，增加切除切机控制灵敏度最大的发电机到控制策略中，获得更新后的电力系统特征向量及邻接矩阵，跳转执行步骤2；其中，所述切机控制灵敏度为可切发电机增加到控制策略前后输出的暂态稳定裕度的变化量；
步骤5，基于电力系统的暂态功角稳定性判断为稳定时对应的控制策略，实现电力系统暂态稳定控制。
本发明方法的进一步改进在于，步骤1具体包括以下步骤：
获取待控制的电力系统拓扑结构及大扰动故障时的电力系统数据；基于电力系统拓扑结构获取邻接矩阵，基于大扰动故障时的电力系统数据获取电力系统特征向量；
其中，所述大扰动故障时的电力系统数据包括：电压和有功功率。
本发明方法的进一步改进在于，步骤2中，所述图神经网络评估模型包括：
输入层，用于输入电力系统特征向量及邻接矩阵；
卷积层，用于基于所述电力系统特征向量及邻接矩阵，提取电力系统特征；
全连接层，用于基于所述电力系统特征，输出暂态稳定裕度评估值；其中，所述暂态稳定裕度评估值的维度为1。
本发明方法的进一步改进在于，步骤2中，所述预训练好的图神经网络评估模型的获取步骤包括：
基于预获取的训练样本集及各样本对应的暂态稳定裕度标签，采用均方误差函数作为损失函数，训练至满足预设收敛条件后，获得所述预训练好的图神经网络评估模型。
本发明方法的进一步改进在于，所述预获取的训练样本集的获取步骤包括：
基于电力系统运行方式历史数据、发电和负荷随机变化以及不同预设的电网拓扑结构生成的运行方式数据，建立获得运行方式样本集；设置电力系统的大扰动故障集；所述运行方式样本集中的各运行方式样本在大扰动故障集中不同的故障下构成不同的故障样本；
对于故障样本，从预设离线策略表中获取紧急控制策略，随机生成若干种所述紧急控制策略的修正，获得施加所述紧急控制策略的故障样本；
将无紧急控制措施的故障样本和施加紧急控制措施的故障样本组合，生成所述预获取的训练样本集。
本发明方法的进一步改进在于，所述各样本对应的暂态稳定裕度标签的获取步骤包括：
选取故障发生前一时刻电力系统支路的两端节点电压幅值平均值故障发生后一时刻电力系统支路的两端节点电压幅值平均值/>紧急控制策略投入后一时刻系统支路的两端节点电压幅值平均值/>故障发生前一时刻系统支路的有功功率Pi 0、故障发生后一时刻系统支路的有功功率Pi 1、紧急控制策略投入后一时刻系统支路的有功功率Pi 2、暂态过程结束后的稳态系统支路的有功功率Pi 3作为样本特征；
通过暂态稳定时域仿真得到训练样本对应的故障发生前一时刻、故障发生后一时刻、紧急控制策略投入后一时刻的样本特征和暂态稳定裕度；
通过直流潮流算法计算得到样本对应的暂态过程结束后的稳态系统各支路的有功功率特征，其中，紧急控制策略造成的系统不平衡功率由系统内的同步发电机组按照惯量的大小分配承担。
本发明方法的进一步改进在于，所述暂态稳定裕度的表达式为，
式中，η1为暂态稳定裕度；Aacc、Adec分别为等值单机无穷大系统的加速面积、减速面积；
其中，减速面积大于加速面积时，计算剩余减速面积所需的电磁功率-功角曲线通过使用最小二乘法以如下形式拟合得到，表达式为，
Pe＝C1+C2sin(δ-C3)，
式中，Pe、δ分别为等值单机无穷大系统的电磁功率、功角；C1，C2，C3为待拟合曲线的参数。
本发明方法的进一步改进在于，所述暂态稳定裕度映射到0～1范围的表达式为，
式中，ks为映射函数的形状系数。
本发明方法的进一步改进在于，样本特征表示为，
使用0-1标准化方法将样本的每个特征数据归一化，表达式为，
式中，Xi,max和Xi,min分别为特征Xi的最大值和最小值；
邻接矩阵A用于表示电力系统拓扑结构信息，A中的元素aij的取值为0或1，1表示支路i和支路j相连接，0表示支路i和支路j不相连接。
本发明提供的一种基于图神经网络的电力系统暂态稳定控制系统，包括：
数据获取模块，用于获取电力系统特征向量及邻接矩阵；
暂态稳定裕度评估值获取模块，用于将电力系统特征向量及邻接矩阵输入预训练好的图神经网络评估模型中，输出电力系统的暂态稳定裕度评估值；
稳定性判断模块，用于基于获得的暂态稳定裕度评估值与预设阈值，进行电力系统的暂态功角稳定性判断；其中，电力系统的暂态功角稳定性判断为不稳定时，跳转执行控制策略更新模块的步骤，电力系统的暂态功角稳定性判断为稳定时，跳转执行控制执行模块的步骤；
控制策略更新模块，用于增加切除切机控制灵敏度最大的发电机到控制策略中，获得更新后的电力系统特征向量和邻接矩阵，跳转执行暂态稳定裕度评估值获取模块的步骤；其中，所述切机控制灵敏度为可切发电机增加到控制策略前后输出的暂态稳定裕度的变化量；
控制执行模块，用于基于电力系统的暂态功角稳定性判断为稳定时对应的控制策略，实现电力系统暂态稳定控制。
与现有技术相比，本发明具有以下有益效果：
本发明的方法，具体提供了一种在线实时生成控制策略的电力系统暂态稳定紧急控制方法，其利用图神经网络考虑电网的拓扑信息，实时评估系统的暂态稳定裕度并迭代生成和执行紧急控制策略，从而能够保证大扰动故障后系统中的同步发电机群保持同步运行。具体的，1)训练后的图神经模型能够快速实现暂态稳定评估(示例性的，小于ms级)，因此能够实现在线实时评估与控制；2)图神经网络能够考虑电网的拓扑结构，适应电网拓扑变化下的自动分析，具有较好泛化性；3)图神经网络能够自动提取电网运行状态的随机性和波动性，因此可以应对不同运行状态下的紧急控制策略生成。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；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说，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是本发明实施例的一种基于图神经网络的电力系统暂态稳定控制方法的流程示意图；
图2是本发明实施例中，图神经网络的架构示意图；
图3是本发明实施例中，新英格兰10机39节点系统暂态稳定评估图神经网络训练均方根变化曲线示意图；
图4是本发明实施例中，新英格兰10机39节点系统无紧急切机控制的功角曲线和单机无穷大映像轨迹的示意图；其中，图4中(a)为功角曲线示意图，图4中(b)为单机无穷大映像轨迹示意图；
图5为本发明实施例中，新英格兰10机39节点系统根据离线策略表实施紧急切机控制后的功角曲线和单机无穷大映像轨迹的示意图；其中，图5中(a)为功角曲线示意图，图5中(b)为单机无穷大映像轨迹示意图；
图6为本发明实施例中，新英格兰10机39节点系统根据本发明方法实施紧急切机控制后的功角曲线和单机无穷大映像轨迹的示意图；其中，图6中(a)为功角曲线示意图，图6中(b)为单机无穷大映像轨迹示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
请参阅图1，本发明实施例的一种基于图神经网络的电力系统暂态稳定控制方法，该方法包括如下步骤：
S1.通过离线暂态稳定时域仿真得到模型训练所需的数据样本。
S2.构建用于暂态稳定裕度评估的图神经网络模型并对其进行离线训练。
S3.在大扰动故障发生后采集系统信息，计算在离线策略表对应的控制策略下的系统特征量，根据训练得到的图神经网络模型在线评估系统的暂态稳定性。
S4.对于系统被评估为不稳定的情况，根据训练得到的图神经网络模型获取各可切发电机对于系统暂态稳定裕度的切机控制灵敏度，增加切除切机控制灵敏度最大的发电机到控制策略。
S5.根据训练得到的图神经网络模型评估系统的暂态稳定性，若系统被评估为不稳定，则返回步骤S4，进一步增加切除当前切机控制灵敏度最大的发电机到控制策略，直到系统被评估为稳定。
S6.投入并执行根据上述步骤得到的暂态稳定紧急控制策略。
本发明实施例的方法，具体提供了一种在线实时生成控制策略的电力系统暂态稳定紧急控制方法，其利用图神经网络考虑电网的拓扑信息，实时评估系统的暂态稳定裕度并迭代生成和执行紧急控制策略，从而能够保证大扰动故障后系统中的同步发电机群保持同步运行。
本发明实施例中，步骤S1所述的通过离线暂态稳定时域仿真得到模型训练所需的数据样本，具体步骤包括：
S11.构建系统的暂态稳定裕度指标。大扰动故障后系统中的同步发电机群可根据其受扰动的严重程度划分为领前群和余下群，于是可以将系统等值为两机系统，进一步可等值为单机无穷大系统，则暂态稳定裕度指标为：
式中，η1为暂态稳定裕度指标；Aacc、Adec分别为等值单机无穷大系统的加速面积、减速面积。
电力系统功角稳定的充要条件是减速面积大于加速面积，这是判断系统稳定以及紧急控制措施的依据。对于减速面积大于加速面积的情况，当减速面积增加到等于加速面积时系统轨迹会发生折返，计算剩余减速面积所需的电磁功率-功角曲线通过使用最小二乘法以如下形式拟合得到：
Pe＝C1+C2sin(δ-C3)
式中，Pe、δ分别为等值单机无穷大系统的电磁功率、功角；C1，C2，C3为待拟合曲线的参数。
系统功角稳定的充要条件是减速面积大于加速面积，可知在理论上暂态稳定裕度指标η1的范围为[-1,+∞)，η1>0则系统功角稳定，η1<0则系统功角失稳。
为便于神经网络学习使用，根据下式将暂态稳定裕度映射到0-1的范围内：
式中，ks为映射函数的形状系数，可取为3.0。暂态稳定裕度η1根据上式映射到η2，可知η2>0.5则系统功角稳定，η2<0.5则系统功角失稳。
S12.基于系统运行方式历史数据、发电和负荷随机变化以及不同的电网拓扑组合生成的运行方式数据建立运行方式样本集。
S13.设置系统的大扰动故障集，各运行方式样本在故障集中不同的故障下构成不同的故障样本。根据几种典型运行方式构建离线策略表。对于故障样本，从离线策略表中获取紧急控制策略，随机生成若干种紧急控制策略的修正，从而得到施加紧急控制措施的故障样本。无紧急控制措施的故障样本和施加紧急控制措施的故障样本共同组成模型的训练样本集。
S14.对于暂态功角稳定而言，系统中的电压和有功功率有着最为重要和直接的影响，因而选取故障发生前一时刻系统支路的两端节点电压幅值平均值故障发生后一时刻系统支路的两端节点电压幅值平均值/>紧急控制措施投入后一时刻系统支路的两端节点电压幅值平均值/>故障发生前一时刻系统支路的有功功率Pi 0、故障发生后一时刻系统支路的有功功率Pi 1、紧急控制措施投入后一时刻系统支路的有功功率Pi 2、暂态过程结束后的稳态系统支路的有功功率Pi 3作为样本特征。
S15.通过暂态稳定时域仿真得到训练样本对应的故障发生前一时刻、故障发生后一时刻、紧急控制措施投入后一时刻的样本特征和暂态稳定裕度。通过直流潮流算法计算得到训练样本对应的暂态过程结束后的稳态系统各支路的有功功率特征，其中，紧急控制措施造成的系统不平衡功率由系统内的同步发电机组按照惯量的大小分配承担。
S16.使用0-1标准化方法将样本的特征数据归一化：
式中，Xi,max和Xi,min分别为特征Xi的最大值和最小值。
本发明实施例中，步骤S2所述的构建用于暂态稳定裕度评估的图神经网络模型并对其进行离线训练，具体步骤包括：
S21.将样本特征数据重构为适用于图神经网络模型输入的图数据的形式。系统中的支路作为图数据中的节点进行建模，对应的特征为：
电网的拓扑信息通过构造邻接矩阵A来表达，A中的元素aij的取值为0或1，1表示支路i和支路j相连接，0表示支路i和支路j不相连接。
S22.构建用于暂态稳定裕度评估的图神经网络模型，所述图神经网络模型由多层组成，输入的图数据样本特征经过若干图卷积层、图池化层、全连接层后输出暂态稳定裕度的评估值。
本发明实施例中，模型结构为：
①输入为邻接矩阵A与特征
②之后为M层(每层：为1个图卷积层+1个图池化层，每个图卷积层后加一个图池化层，可参见图2)；
③之后连接两层全连接层，最后一层全连接层输出维度为1；
④输出结果为暂态稳定裕度的评估值η2。
S23.使用均方误差函数作为所构建图神经网络的损失函数，根据K折交叉验证法划分训练样本集和测试样本集以训练得到具有最佳预测误差的图神经网络模型。
本发明实施例中，步骤S3所述的在大扰动故障发生后采集系统信息，计算在离线策略表对应的控制策略下的系统特征量，根据训练得到的图神经网络模型在线评估系统的暂态稳定性，具体步骤包括：
S31.实时采集电力系统的电压和功率数据，若监测到发生大扰动故障，首先获取离线策略表中对应的控制策略。
S32.根据实时采集的系统数据和对应的离线控制策略获得电力系统特征量。紧急控制措施投入后一时刻的系统特征量在故障切除后一时刻系统数据的基础上通过轨迹预测和代数量跃变计算得到。通过直流潮流算法计算得到暂态过程结束后的稳态系统各支路的有功功率特征，其中，紧急控制措施造成的系统不平衡功率由系统内的同步发电机组按照惯量的大小分配承担。
S33.将当前的系统特征量和邻接矩阵输入图神经网络评估模型，输出当前系统的暂态稳定裕度，根据稳定裕度值是否大于设定的稳定阈值ηth，例如ηth＝0.5，判断系统的暂态功角稳定性。
进一步地，步骤S4所述的对于系统被评估为不稳定的情况，根据训练得到的图神经网络模型获取各可切发电机对于系统暂态稳定裕度的切机控制灵敏度，增加切除切机控制灵敏度最大的发电机到控制策略，具体步骤包括：
S41.对于系统被评估为不稳定的情况，依次将各可切发电机增加到当前控制策略中，计算得到增加切除单台发电机后的系统特征量。
S42.将增加切除单台发电机后的系统特征量和邻接矩阵输入图神经网络评估模型，输出对应的暂态稳定裕度。各可切发电机增加到当前控制策略前后输出的暂态稳定裕度的变化量即当前对应的切机控制灵敏度。
S43.增加切除当前切机控制灵敏度最大的发电机到控制策略中。
综上所述，本发明实施例的目的在于提供一种在线实时生成控制策略的电力系统暂态稳定紧急控制方法，利用图神经网络考虑电网的拓扑信息，实时评估系统的暂态稳定裕度并迭代生成和执行紧急控制策略，从而保证大扰动故障后系统中的同步发电机群保持同步运行。与现有技术相比，本发明提供了一种在线实时生成控制策略的电力系统暂态稳定紧急控制方法，利用图神经网络考虑电网的拓扑信息，通过训练图神经网络学习系统的暂态稳定裕度，实时评估系统的暂态稳定裕度并迭代生成和执行紧急控制策略，具有较大的工程应用价值和推广前景。
如图1所示，本发明实施例提供的一种基于图神经网络的电力系统暂态稳定实时紧急控制方法，具体包括如下步骤：
S101，训练数据的时域仿真生成，具体包括：
1)以新英格兰10机39节点标准测试系统为算例，该系统有10个发电机母线，46条支路。假设每个发电机母线有5台规模参数相同的发电机，且每个发电机母线可切除的发电机上限为4台。负荷水平在原始系统的80％～120％之间随机生成，各发电机的出力在原始系统的50％～150％之间随机生成，总发电机出力应与总负荷加总网损的大小相当，保证潮流计算结果收敛且合理。系统拓扑考虑原始系统拓扑、N-1和N-2运行方式，随机选取一种系统拓扑的情况。
2)选取支路2-3、支路3-18、支路4-14、支路16-17、支路21-22、支路28-29为算例系统的故障集，随机从故障集中选取故障支路，在其始端或末端设置三相接地短路故障。设置可选切机点为母线：32、34、36、37、38。选取20种典型运行方式构建离线策略表。从离线策略表中获取紧急控制策略，随机选取0-3台可切发电机进行切机作为紧急控制策略的修正。故障后0.1s继电保护动作切除故障支路，故障切除后0.2s投入紧急控制措施，暂态稳定仿真计算的时长为3.5s。按照上述方法随机生成样本60000个。
S102，训练图神经网络模型，具体包括：
1)通过暂态稳定时域仿真得到训练样本对应的故障发生前一时刻、故障发生后一时刻、紧急控制措施投入后一时刻的样本特征和暂态稳定裕度。通过直流潮流算法计算得到训练样本对应的暂态过程结束后的稳态系统各支路的有功功率特征，其中，紧急控制措施造成的系统不平衡功率由系统内的同步发电机组按照惯量的大小分配承担。
2)使用0-1标准化方法将样本的特征数据归一化。
3)将样本特征数据重构为适用于图神经网络模型输入的图数据的形式。电网的拓扑信息通过构造邻接矩阵A来表达，A中的元素aij的取值为0或1，1表示支路i和支路j相连接，0表示支路i和支路j不相连接。算例系统共有46条支路，系统中的支路作为图数据中的节点进行建模，邻接矩阵为46×46的对称方阵，样本特征为故节点特征矩阵的大小为46×7。
4)构建用于暂态稳定裕度评估的图神经网络模型，输入的图数据样本特征经过图卷积层GCN1、图池化层TKP1、图卷积层GCN2、图池化层TKP2、全连接层FC1、全连接层FC2后输出暂态稳定裕度的评估值，如图2所示。图卷积层GCN1的输入特征为7维，输出为128维。图池化层TKP1、图卷积层GCN2、图池化层TKP2的输入输出均为128维。经过全局最大池化和全局均值池化读出后的维度为256维。全连接层FC1为256维，全连接层FC2为64维。激活函数均为ReLU函数。
5)使用均方误差函数作为所构建图神经网络的损失函数，采用Adam算法进行优化，根据5折交叉验证法划分训练样本集和测试样本集以训练得到具有最佳预测误差的图神经网络模型。最后得到的图神经网络训练的均方根变化曲线如图3所示。
S103，实时采集电力系统的电压和功率数据，若监测到发生大扰动故障，持续采集并记录电力系统数据以供后续模块使用。在本算例中，实测电力系统数据通过时域仿真计算进行模拟，某一运行方式下支路16-17首端母线发生三相接地短路故障并在0.1s后切除故障的功角曲线图和单机无穷大映像轨迹图如图4所示，各发单机的功角曲线在发生故障后逐渐发散，可见系统功角失稳。
S104，若监测到发生大扰动故障，首先获取离线策略表中对应的控制策略。查找得到对应的控制策略为切除母线34的1台发电机。
S105，根据实时采集的系统数据和对应的离线控制策略获得系统特征量。紧急控制措施投入后一时刻的系统特征量在故障切除后一时刻系统数据的基础上通过轨迹预测和代数量跃变计算得到。通过直流潮流算法计算得到暂态过程结束后的稳态系统各支路的有功功率特征，其中，紧急控制措施造成的系统不平衡功率由系统内的同步发电机组按照惯量的大小分配承担。设定稳定阈值为0.5，将当前的系统特征量和邻接矩阵输入图神经网络评估模型，输出当前系统的暂态稳定裕度为0.4333，则系统被评估为功角失稳。通过时域仿真计算得到系统功角曲线图和单机无穷大映像轨迹图如图5所示，各发单机的功角曲线在发生故障后逐渐发散，可见系统功角失稳，图神经网络的评估结果得到验证。
S106，获取当前的切机控制灵敏度，具体包括：
1)对于系统被评估为不稳定的情况，依次将各可切发电机增加到当前控制策略中，计算得到增加切除单台发电机后的系统特征量。
2)将增加切除单台发电机后的系统特征量和邻接矩阵输入图神经网络评估模型，输出对应的暂态稳定裕度。各可切发电机增加到当前控制策略前后输出的暂态稳定裕度的变化量即当前对应的切机控制灵敏度。增加切除单台发电机后的暂态稳定裕度和切机控制灵敏度的评估结果如表1中所示。
表1增加切除单台发电机后的暂态稳定裕度和切机控制灵敏度
母线编号 增加切机前的稳定裕度 增加切机后的稳定裕度 切机控制灵敏度
32 0.4333 0.4662 0.0329
34 0.4333 0.5211 0.0878
36 0.4333 0.4754 0.0421
37 0.4333 0.4252 -0.0081
38 0.4333 0.4394 0.0061
S107，增加切除当前切机灵敏度最大的发电机到控制策略，当前切机灵敏度最大的发电机为母线34的发电机，故控制策略被修正为切除母线34的2台发电机。增加母线34切机后稳定裕度的评估值为0.5211，超过了稳定阈值，故无需再次进行迭代。
S108，投入得到的紧急控制策略，通过时域仿真计算得到系统功角曲线图和单机无穷大映像轨迹图如图6所示，各发单机的功角曲线在实施紧急控制策略后，功角差并未发散，而是逐渐缩小，可见系统恢复了功角稳定。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
本发明再一实施例中，提供一种基于图神经网络的电力系统暂态稳定控制系统，包括：
数据获取模块，用于获取待控制的电力系统拓扑结构及大扰动故障时的电力系统数据；基于电力系统拓扑结构获取邻接矩阵，基于大扰动故障时的电力系统数据获取电力系统特征向量；
暂态稳定裕度评估值获取模块，用于将邻接矩阵和电力系统特征向量输入预训练好的图神经网络评估模型中，输出电力系统的暂态稳定裕度评估值；
稳定性判断模块，用于将获得的暂态稳定裕度评估值与预设阈值比较，判断电力系统的暂态功角稳定性；其中，电力系统的暂态功角稳定性判断为不稳定时，跳转执行控制策略更新模块的步骤，电力系统的暂态功角稳定性判断为稳定时，跳转执行控制执行模块的步骤；
控制策略更新模块，用于增加切除切机控制灵敏度最大的发电机到控制策略中，获得更新后的电力系统特征向量和邻接矩阵，跳转执行暂态稳定裕度评估值获取模块的步骤；其中，所述切机控制灵敏度为可切发电机增加到控制策略前后输出的暂态稳定裕度的变化量；
控制执行模块，用于基于电力系统的暂态功角稳定性判断为稳定时对应的控制策略，实现电力系统暂态稳定控制。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于图神经网络的电力系统暂态稳定控制方法，其特征在于，包括：
步骤1，获取电力系统特征向量及邻接矩阵；
步骤2，将电力系统特征向量及邻接矩阵输入预训练好的图神经网络评估模型中，输出电力系统的暂态稳定裕度评估值；
步骤3，基于获得的暂态稳定裕度评估值与预设阈值，进行电力系统的暂态功角稳定性判断；其中，电力系统的暂态功角稳定性判断为不稳定时，跳转执行步骤4，电力系统的暂态功角稳定性判断为稳定时，跳转执行步骤5；
步骤4，增加切除切机控制灵敏度最大的发电机到控制策略中，获得更新后的电力系统特征向量及邻接矩阵，跳转执行步骤2；其中，所述切机控制灵敏度为可切发电机增加到控制策略前后输出的暂态稳定裕度的变化量；
步骤5，基于电力系统的暂态功角稳定性判断为稳定时对应的控制策略，实现电力系统暂态稳定控制；
其中，步骤1具体包括以下步骤：
获取待控制的电力系统拓扑结构及大扰动故障时的电力系统数据；基于电力系统拓扑结构获取邻接矩阵，基于大扰动故障时的电力系统数据获取电力系统特征向量；其中，所述大扰动故障时的电力系统数据包括：电压和有功功率；
所述暂态稳定裕度的表达式为，
式中，η1为暂态稳定裕度；Aacc、Adec分别为等值单机无穷大系统的加速面积、减速面积；
其中，减速面积大于加速面积时，计算剩余减速面积所需的电磁功率-功角曲线通过使用最小二乘法以如下形式拟合得到，表达式为，
Pe＝C1+C2sin(δ-C3)，
式中，Pe、δ分别为等值单机无穷大系统的电磁功率、功角；C1，C2，C3为待拟合曲线的参数；
所述暂态稳定裕度映射到0～1范围的表达式为，
式中，ks为映射函数的形状系数。
2.根据权利要求1所述的一种基于图神经网络的电力系统暂态稳定控制方法，其特征在于，步骤2中，所述图神经网络评估模型包括：
输入层，用于输入电力系统特征向量及邻接矩阵；
卷积层，用于基于所述电力系统特征向量及邻接矩阵，提取电力系统特征；
全连接层，用于基于所述电力系统特征，输出暂态稳定裕度评估值；其中，所述暂态稳定裕度评估值的维度为1。
3.根据权利要求2所述的一种基于图神经网络的电力系统暂态稳定控制方法，其特征在于，步骤2中，所述预训练好的图神经网络评估模型的获取步骤包括：
基于预获取的训练样本集及各样本对应的暂态稳定裕度标签，采用均方误差函数作为损失函数，训练至满足预设收敛条件后，获得所述预训练好的图神经网络评估模型。
4.根据权利要求3所述的一种基于图神经网络的电力系统暂态稳定控制方法，其特征在于，所述预获取的训练样本集的获取步骤包括：
基于电力系统运行方式历史数据、发电和负荷随机变化以及不同预设的电网拓扑结构生成的运行方式数据，建立获得运行方式样本集；设置电力系统的大扰动故障集；所述运行方式样本集中的各运行方式样本在大扰动故障集中不同的故障下构成不同的故障样本；
对于故障样本，从预设离线策略表中获取紧急控制策略，随机生成若干种所述紧急控制策略的修正，获得施加所述紧急控制策略的故障样本；
将无紧急控制措施的故障样本和施加紧急控制措施的故障样本组合，生成所述预获取的训练样本集。
5.根据权利要求3所述的一种基于图神经网络的电力系统暂态稳定控制方法，其特征在于，所述各样本对应的暂态稳定裕度标签的获取步骤包括：
选取故障发生前一时刻电力系统支路的两端节点电压幅值平均值故障发生后一时刻电力系统支路的两端节点电压幅值平均值/>紧急控制策略投入后一时刻系统支路的两端节点电压幅值平均值/>故障发生前一时刻系统支路的有功功率Pi 0、故障发生后一时刻系统支路的有功功率Pi 1、紧急控制策略投入后一时刻系统支路的有功功率Pi 2、暂态过程结束后的稳态系统支路的有功功率Pi 3作为样本特征；
通过暂态稳定时域仿真得到训练样本对应的故障发生前一时刻、故障发生后一时刻、紧急控制策略投入后一时刻的样本特征和暂态稳定裕度；
通过直流潮流算法计算得到样本对应的暂态过程结束后的稳态系统各支路的有功功率特征，其中，紧急控制策略造成的系统不平衡功率由系统内的同步发电机组按照惯量的大小分配承担。
6.根据权利要求5所述的一种基于图神经网络的电力系统暂态稳定控制方法，其特征在于，样本特征表示为，
使用0-1标准化方法将样本的每个特征数据归一化，表达式为，
式中，Xi,max和Xi,min分别为特征Xi的最大值和最小值；
邻接矩阵A用于表示电力系统拓扑结构信息，A中的元素aij的取值为0或1，1表示支路i和支路j相连接，0表示支路i和支路j不相连接。
7.一种基于图神经网络的电力系统暂态稳定控制系统，其特征在于，包括：
数据获取模块，用于获取电力系统特征向量及邻接矩阵；
暂态稳定裕度评估值获取模块，用于将电力系统特征向量及邻接矩阵输入预训练好的图神经网络评估模型中，输出电力系统的暂态稳定裕度评估值；
稳定性判断模块，用于基于获得的暂态稳定裕度评估值与预设阈值，进行电力系统的暂态功角稳定性判断；其中，电力系统的暂态功角稳定性判断为不稳定时，跳转执行控制策略更新模块的步骤，电力系统的暂态功角稳定性判断为稳定时，跳转执行控制执行模块的步骤；
控制策略更新模块，用于增加切除切机控制灵敏度最大的发电机到控制策略中，获得更新后的电力系统特征向量和邻接矩阵，跳转执行暂态稳定裕度评估值获取模块的步骤；其中，所述切机控制灵敏度为可切发电机增加到控制策略前后输出的暂态稳定裕度的变化量；
控制执行模块，用于基于电力系统的暂态功角稳定性判断为稳定时对应的控制策略，实现电力系统暂态稳定控制；
其中，所述数据获取模块中，执行获取电力系统特征向量及邻接矩阵的步骤包括：获取待控制的电力系统拓扑结构及大扰动故障时的电力系统数据；基于电力系统拓扑结构获取邻接矩阵，基于大扰动故障时的电力系统数据获取电力系统特征向量；其中，所述大扰动故障时的电力系统数据包括：电压和有功功率；
所述暂态稳定裕度的表达式为，
式中，η1为暂态稳定裕度；Aacc、Adec分别为等值单机无穷大系统的加速面积、减速面积；
其中，减速面积大于加速面积时，计算剩余减速面积所需的电磁功率-功角曲线通过使用最小二乘法以如下形式拟合得到，表达式为，
Pe＝C1+C2sin(δ-C3)，
式中，Pe、δ分别为等值单机无穷大系统的电磁功率、功角；C1，C2，C3为待拟合曲线的参数；
所述暂态稳定裕度映射到0～1范围的表达式为，
式中，ks为映射函数的形状系数。
CN202111275319.1A 2021-10-29 2021-10-29 一种基于图神经网络的电力系统暂态稳定控制方法及系统 Active CN114006413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111275319.1A CN114006413B (zh) 2021-10-29 2021-10-29 一种基于图神经网络的电力系统暂态稳定控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111275319.1A CN114006413B (zh) 2021-10-29 2021-10-29 一种基于图神经网络的电力系统暂态稳定控制方法及系统

Publications (2)

Publication Number Publication Date
CN114006413A CN114006413A (zh) 2022-02-01
CN114006413B true CN114006413B (zh) 2023-08-29

Family

ID=79925489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111275319.1A Active CN114006413B (zh) 2021-10-29 2021-10-29 一种基于图神经网络的电力系统暂态稳定控制方法及系统

Country Status (1)

Country Link
CN (1) CN114006413B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818483B (zh) * 2022-04-14 2023-04-07 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
CN115935264B (zh) 2023-03-09 2023-05-12 湖南大学 一种基于时空信息同步学习的电网暂态电压稳定评估方法
CN116167289B (zh) * 2023-04-26 2023-09-15 南方电网数字电网研究院有限公司 电网运行场景生成方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108649559A (zh) * 2018-04-25 2018-10-12 中国电力科学研究院有限公司 一种评估电力系统紧急控制策略的效果的方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108649559A (zh) * 2018-04-25 2018-10-12 中国电力科学研究院有限公司 一种评估电力系统紧急控制策略的效果的方法和系统

Also Published As

Publication number Publication date
CN114006413A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN114006413B (zh) 一种基于图神经网络的电力系统暂态稳定控制方法及系统
CN112217202B (zh) 考虑灵活性投资的分布式新能源、储能与配电网规划方法
Hidalgo-Reyes et al. Classical and fractional-order modeling of equivalent electrical circuits for supercapacitors and batteries, energy management strategies for hybrid systems and methods for the state of charge estimation: A state of the art review
US20210334441A1 (en) Apparatus and systems for power system protective relay control using reinforcement learning
CN110943453B (zh) 面向迁移学习的电力系统故障样本生成和模型构建方法
CN109256970B (zh) Mmc-mtdc输电系统单极接地故障电流计算方法
CN104716646B (zh) 一种基于注入电流的节点耦合度分析方法
CN109993665B (zh) 电力系统在线安全稳定评估方法、装置及系统
CN109004679B (zh) 一种可再生能源接入的电网安全稳定监控方法
CN105354643A (zh) 一种风电接入电网的风险预测评估方法
CN110676839A (zh) 一种交直流混合配电网可靠性评估方法及系统
CN115693661A (zh) 一种基于图神经网络的连锁故障风险关键线路辨识方法
CN115017787A (zh) 基于智能算法的风电场电压穿越特性等值建模方法及系统
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
CN114884094A (zh) 一种风电场阻抗特性监测方法、系统、设备和介质
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN107179688B (zh) 考虑蒙特卡罗状态抽样截尾的电力系统可靠性分析方法
CN113097994A (zh) 基于多强化学习智能体的电网运行方式调节方法及装置
CN108205110A (zh) 风力发电机组发电机故障的检测方法及装置
CN113537646B (zh) 电网设备停电检修方案制定方法、系统、设备及存储介质
CN116260200A (zh) 一种含风电电力系统薄弱线路评估方法及系统
CN115494349A (zh) 有源配电网单相接地故障区段定位方法
CN110797906B (zh) 风电基地最大装机容量的确定方法、装置及存储介质
CN104679937A (zh) 一种适于隐式投影算法的误差估计及参数自适应调节方法
Garg et al. Fault classification, location in a series compensated power transmission network using Online Sequential Extreme Learning Machine

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