CN114331040A - 基于模糊评价函数的系统主导失稳形态识别方法及终端 - Google Patents
基于模糊评价函数的系统主导失稳形态识别方法及终端 Download PDFInfo
- Publication number
- CN114331040A CN114331040A CN202111506671.1A CN202111506671A CN114331040A CN 114331040 A CN114331040 A CN 114331040A CN 202111506671 A CN202111506671 A CN 202111506671A CN 114331040 A CN114331040 A CN 114331040A
- Authority
- CN
- China
- Prior art keywords
- instability
- index
- voltage
- fuzzy
- value
- 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
Images
Landscapes
- Feedback Control In General (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了基于模糊评价函数的系统主导失稳形态识别方法及终端,计算失稳识别指标,其中失稳识别指标包括发电机失稳指标、功角稳定裕度指标、电压崩溃临近指标、电动机失稳指标和无功裕度指标;根据失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理;根据归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值;将功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值,根据所述目标函数的值识别得到系统主导失稳形态。因此,基于电压失稳和功角失稳机理,结合五个稳定性分析指标和模糊识别函数,能够识别系统主导失稳形态,使得失稳后控制策略选取更加准确。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种基于模糊评价函数的系统主导失稳形态识别方法及终端。
背景技术
为了经济起见,电力系统的运行点越来越接近稳定边界,因此电力系统中的功角失稳和电压失稳现象并不都是单独出现的,所以识别主导失稳形式对稳定控制具有一定的指导意义。电力系统的稳定性本质上是一个单一的问题,其统一的数学模型是一个非线性微分-差分-代数方程组(differential-difference algebraic equations,DDAE)。但由于其稳定性问题的多维性和复杂性,在分析特定类型的问题时,通常需要通过适当的假设来简化问题。简化数学模型通常仅适用于功角稳定性研究或电压稳定性研究。例如,在暂态功角稳定的研究中,模型中忽略了负荷的动态特性,使得电压稳定的研究变得困难。系统失稳的识别主要依赖于失稳判据。目前,已经针对功角失稳和电压失稳制定了许多工程实用和理论标准,但当这些标准用于识别失稳时,只能识别单一的失稳形式。然而,两种失稳形态的动力学过程是相互耦合的,所以两种失稳现象可能同时发生。单一的稳定性分析和失稳判据很难确定哪种失稳形态占主导地位,所以识别主导失稳形态对稳定控制具有一定的指导意义。一般来说,如果电压失稳是主要失稳因素,则主要采取无功补偿或切负荷进行稳定控制;如果功角失稳是主要失稳因素,则主要采取有功调整或切机进行稳定控制。
目前,基于电压失稳和功角失稳的物理特性识别方法包括基于振荡中心的方法、基于戴维南等效的方法、基于联络线功率作差的方法等。当上述方法直接从两机系统扩展到多机系统,系统没有明显的两类失稳特征时,分析结果不一定可靠。此外,还有一种基于动态理论的识别方法。这种方法计算困难,需要对系统模型进行更多的简化,工程中往往不采取。
发明内容
本发明所要解决的技术问题是:提供一种基于模糊评价函数的系统主导失稳形态识别方法及终端,能够提高电力系统主导失稳形态的识别准确性。
为了解决上述技术问题,本发明采用的技术方案为:
基于模糊评价函数的系统主导失稳形态识别方法,包括步骤:
计算失稳识别指标,所述失稳识别指标包括发电机失稳指标、功角稳定裕度指标、电压崩溃临近指标、电动机失稳指标和无功裕度指标;
根据所述失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理;
根据所述归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值;
将所述功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值,根据所述目标函数的值识别得到系统主导失稳形态。
为了解决上述技术问题,本发明采用的另一种技术方案为:
基于模糊评价函数的系统主导失稳形态识别终端,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,所述处理器执行所述计算机程序时实现上述方案的基于模糊评价函数的系统主导失稳形态识别方法的各个步骤。
本发明的有益效果在于:计算失稳识别指标,其中失稳识别指标包括发电机失稳指标、功角稳定裕度指标、电压崩溃临近指标、电动机失稳指标和无功裕度指标,能够综合考虑发电机的加速动能和功角,区分相对减速的机组和对系统暂态功角失稳有主要影响的发电机,并通过暂态电压稳定性评估指标提高电压失稳识别的准确性。根据失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理;根据归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值;将功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值,根据所述目标函数的值识别得到系统主导失稳形态。因此,基于电压失稳和功角失稳机理,结合五个稳定性分析指标,并提出基于模糊识别函数的主导失稳形态的识别方法,能够识别系统主导失稳形态,使得失稳后控制策略选取更加高效,这是单一的稳定性分析方法所难以实现的。
附图说明
图1为本发明实施例的基于模糊评价函数的系统主导失稳形态识别方法的流程图;
图2为本发明实施例的基于模糊评价函数的系统主导失稳形态识别终端的示意图;
图3为本发明实施例的基于模糊评价函数的系统主导失稳形态识别方法的Te-Tm随时间变化的示意图;
图4为本发明实施例的基于模糊评价函数的系统主导失稳形态识别方法的升半梯形分布图;
图5为本发明实施例的基于模糊评价函数的系统主导失稳形态识别方法的降半梯形分布图;
图6为本发明实施例的基于模糊评价函数的系统主导失稳形态识别方法的(y1,y2)的平面分区和括号中Z(y1,y2)函数的值;
图7为本发明实施例的基于模糊评价函数的系统主导失稳形态识别方法的主导失稳识别的模糊综合评价网络示意图;
图8为本发明实施例的基于模糊评价函数的系统主导失稳形态识别方法的主导失稳模式识别的总体计算流程图;
图9为案例1的示例1未采取控制措施时的功角和母线电压幅值曲线图;
图10为案例1的示例1在母线27处进行无功补偿时的功角和母线电压幅值曲线图;
图11为案例1的示例3在切除第35台发电机时的功角和母线电压幅值曲线图;
图12为案例2未采取控制措施时的功角和母线电压幅值曲线图;
图13为案例2在切除第33台发电机时的功角和母线电压幅值曲线图;
图14为案例2在母线15部分切除负荷时的功角和母线电压幅值曲线图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1、图3至图8,本发明实施例提供了基于模糊评价函数的系统主导失稳形态识别方法,包括步骤:
计算失稳识别指标,所述失稳识别指标包括发电机失稳指标、功角稳定裕度指标、电压崩溃临近指标、电动机失稳指标和无功裕度指标;
根据所述失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理;
根据所述归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值;
将所述功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值,根据所述目标函数的值识别得到系统主导失稳形态。
从上述描述可知,本发明的有益效果在于:计算失稳识别指标,其中失稳识别指标包括发电机失稳指标、功角稳定裕度指标、电压崩溃临近指标、电动机失稳指标和无功裕度指标,能够综合考虑到发电机的加速动能和功角,区分相对减速的机组和对系统暂态功角失稳有主要影响的发电机,并通过暂态电压稳定性评估指标提高电压失稳识别的准确性。基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理;根据归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值;将功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值,根据所述目标函数的值识别得到系统主导失稳形态。因此,基于电压失稳和功角失稳机理,结合五个稳定性分析指标,并提出基于模糊识别函数的主导失稳形态的识别方法,能够识别系统主导失稳形态,使得失稳后控制策略选取更加高效,这是单一的稳定性分析方法所难以实现的。
进一步地,根据所述失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理包括:
使用升半梯形的模糊隶属度函数对发电机失稳指标和电压临界崩溃指标进行归一化处理,升半梯形分布表达式为:
式中,g1(x)表示一个升半梯形分布函数,x表示输入的指标值,指标值包括发电机失稳指标和电压临界崩溃指标,a和b分别表示由每个指标值确定的分布函数的下限值和上限值。
由上述描述可知,使用升半梯形的模糊隶属度函数对发电机失稳指标和电压临界崩溃指标进行归一化处理,便于后续根据发电机失稳指标和电压临界崩溃指标的隶属度进行模糊综合评估值的计算。
进一步地,根据所述失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理还包括:
使用降半梯形的模糊隶属度函数对功角稳定裕度指标、电动机失稳指标和无功裕度评估指标进行归一化处理,降半梯形分布的表达式为:
式中,g2(x)表示一个降半梯形分布函数,x表示输入的指标值,c和d分别表示由每个指标值确定的分布函数的下限值与上限值。
由上述描述可知,使用降半梯形的模糊隶属度函数对功角稳定裕度指标、电动机失稳指标和无功裕度评估指标进行归一化处理,便于后续根据功角稳定裕度指标、电动机失稳指标和无功裕度评估指标的隶属度进行模糊综合评估值的计算。
进一步地,根据所述归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值包括:
计算功角稳定的模糊综合评估值y1和电压稳定的模糊综合评估值y2:
y1=w1s1+w2s2;
y2=w3s3+w4s4+w5s5;
式中,s1表示发电机失稳指标的隶属度,s2表示功角稳定裕度指标的隶属度,s3表示电压崩溃临近指标的隶属度,s4表示电动机失稳指标的隶属度,s5表示无功裕度指标的隶属度,w1和w2分别表示发电机失稳指标和电压临界崩溃指标的权重,w3、w4和w5分别表示功角稳定裕度指标、电动机失稳指标和无功裕度指标的权重;
根据五种失稳指标数值的相对大小确定相应权重:
对于功角稳定模糊综合评估值y1,若si=max{s1,s2}(i=1,2),则wi=0.6,否则wi=0.4;
对于电压稳定模糊综合评估值y2,若sj=max{s3,s4,s5}(j=3,4,5),则wj=0.4,否则wj=0.3。
由上述描述可知,根据功角稳定和电压稳定对应的指标,分别计算对应的模糊综合评估值,便于后续根据功角稳定和电压稳定的模糊综合评估值评估系统的主导失稳形态。
进一步地,将所述功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值包括:
设置目标函数为离散函数,将(y1,y2)平面划分为多个区域,为每个所述区域设置对应的Z值:
由上述描述可知,目标函数Z为离散函数,将(y1,y2)平面划分为7个区域,能够准确确定主导失稳形态。其中Z值的集合表示程度的大小,划分为多个区域能够更详细地说明主导失稳模式的主导程度。
进一步地,根据所述目标函数的值识别得到系统主导失稳形态包括:
若目标函数的值小于0,则系统倾向于电压失稳;
若目标函数的值大于0,则系统倾向于功角失稳;
若目标函数的值等于0,则表示功角失稳和电压失稳强耦合;
若目标函数的值等于NaN,则表示系统处于失稳临界状态,功角控制或者电压控制均可使系统恢复稳定。
由上述描述可知,根据目标函数的值识别系统主导失稳形态,当目标函数的值大于0时,系统更倾向于功角失稳;当目标函数的值小于0时,系统更倾向于电压失稳;当目标函数的值等于NaN时,系统电压失稳和功角失稳的程度均较低,因此系统处于失稳临界状态,功角控制或者电压控制均可使系统恢复稳定。其中,Z值越接近0,功角失稳和电压失稳的耦合越强,并且由于主导程度可以影响对控制措施的判断,当主导性较小的时候,可以认为两种失稳形态是强耦合的,也是难以从控制上解耦的。
进一步地,所述计算失稳识别指标包括:
计算发电机失稳指标Ui:
式中,sign(x)表示符号函数,t0表示发电机失稳时间,tbi表示第i台发电机动能的第一个最小时间,表示第i台发电机t时刻的转子角,VKEi(tbi)表示第i台发电机在tbi时相对于惯性中心的动能,其中Tj表示第i台发电机的惯性时间常数,表示转子在t时刻的转速;
计算功角稳定裕度指标η:
式中,Adec表示发电机减速区面积,Aacc表示发电机加速区面积。
由上述描述可知,计算发电机失稳指标Ui和功角稳定裕度指标η,综合考虑了发电机的加速动能和功角,能够区分相对减速的机组和对系统暂态功角失稳有主要影响的发电机,便于进行功角稳定的模糊综合评估值的计算。
进一步地,计算失稳识别指标还包括:
计算电压崩溃临近指标VCPI:
VCPI=max{|VCPIPi|,|VCPIQi|};
式中,ΣΔQgi表示系统中所有无功功率增量,ΔPLi表示第i个负荷节点的有功功率增量,ΔQLi表示第i个负荷节点无功功率增量,x表示系统代数变量,x包括发电机节点的电压幅值和相角、负载节点的电压幅值和电压相角;
计算电动机失稳指标SL:
式中Te表示电磁转矩,Tm表示机械转矩,s表示电动机转差率;
计算无功裕度评估指标VQ:
通过连续潮流方程的方式计算负荷母线的V-Q曲线,临界负荷母线V-Q曲线的底部Q=Q*,定义当前运行点到V-Q曲线底部的距离为VQ=Q*-Q。
由上述描述可知,计算电压崩溃临近指标VCPI、电动机失稳指标SL和无功裕度评估指标VQ,便于进行电压稳定的模糊综合评估值的计算。
请参照图2,本发明实施例提供了基于模糊评价函数的系统主导失稳形态识别终端,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,所述处理器执行所述计算机程序时实现上述方案的基于模糊评价函数的系统主导失稳形态识别方法。
本发明上述的基于模糊评价函数的系统主导失稳形态识别方法及终端,适用于在更复杂的失稳场景中对电力的主导失稳形态进行识别,使得失稳后控制策略选取更加高效,以下通过具体的实施方式进行说明:
实施例一
请参照图1、图3至图8,基于模糊评价函数的系统主导失稳形态识别方法,包括步骤:
S1、计算失稳识别指标,所述失稳识别指标包括发电机失稳指标、功角稳定裕度指标、电压崩溃临近指标、电动机失稳指标和无功裕度指标。
S11、计算发电机失稳指标Ui。
式中,sign(x)表示符号函数,当x>0,函数值为1;当x<0,函数值为-1;当x=0,函数值为0;t0表示发电机失稳时间;tbi表示第i台发电机动能的第一个最小时间;VKEi(tbi)表示第i台发电机在tbi时相对于惯性中心的动能。
其中VKEi(t)计算公式为:
S12、计算功角稳定裕度指标η。
输入发电机减速区面积Adec、发电机加速区面积Aacc,定义功角稳定裕度评估指数η,计算η,
式中,Adec表示减速区面积,Aacc表示加速区面积。
当系统功角稳定时,单机无穷大等效模型中的发电机功角δ达到最大偏移位置之后回摆,且减速区面积等于加速区面积,η=0。此时,需要估计潜在减速区域,以计算系统功角稳定裕度,输入潜在减速区域面积Apot,计算η:
式中Apot表示发电机潜在减速区面积,Adec表示发电机减速区面积,Aacc表示发电机加速区面积。
S13、计算电压崩溃临近指标(Voltage Collapse Proximity Indicator,VCPI):
输入系统中代数变量x、所有无功功率的增量ΣΔQgi、第i个负荷节点的有功增量ΔPLi、第i个负荷节点无功功率增量ΔQLi、代数方程组的雅可比矩阵Jacobi。
定义VCPIQi和VCPIPi,分别计算VCPIQi和VCPIPi:
式中,ΣΔQgi表示系统中所有无功功率增量,对应于发电机和无功功率补偿设备(如SVC)无功输出的变化量;ΔPLi表示第i个负荷节点的有功功率增量;ΔQLi表示第i个负荷节点无功功率增量;x表示系统代数变量,包括发电机节点的电压幅值和相角、负载节点的电压幅值和电压相角。
当轻载时VCPIQi接近于1,当电力系统发生电压崩溃时该值趋于无穷大。VCPIPi值最大的母线是切负荷最有效的地方,VCPIQi值最大的母线是无功补偿最有效的地方。在分析主导失稳形态时,定义VCPI=max{|VCPIPi|,|VCPIQi|}。
S14、计算电动机失稳指标SL:
输入电动机电磁转矩Te、机械转矩Tm、电动机转差率s,根据下式计算电动机暂态稳定性的定量分析指标SL:
式中,Te表示电磁转矩;Tm表示机械转矩;tmax表示(Te-Tm)的最大值;tmin表示(Te-Tm)的最小值,t1和t2的物理含义请参照图3。
SL的分母对指标进行了归一化,使其范围为[-1,1]。SL表达式的分子对应于电机的单机势能函数,也反映了发电机的动能。简要说明如下:
电机转子运动方程:
两边同时乘以(1-s),然后得到方程两边的积分:
式中,Tj为惯性时间常数;s表示为转差率;Te表示电磁转矩;Tm表示机械转矩;Vk表示为电动机动能;VPE表示电动机势能,也是SL指标的分子。
当SL大于0时,电动机是稳定的,且该值越大,电动机越稳定;当SL小于0时,电动机是暂态失稳的,且该值越小,电动机将越不稳定。
S15、计算无功裕度评估指标VQ:
S2、根据所述失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理。
具体的,输入步骤S1中计算的五种指标:发电机失稳指标Ui,功角稳定裕度指标η,电压崩溃临近指标VCPI,电动机失稳指标SL,无功裕度评估指标VQ。基于隶属度函数对功角失稳指标和电压失稳指标进行归一化处理。
S21、采用升半梯形的模糊隶属度函数对发电机失稳指标Ui和电压临界崩溃指标VCPI进行归一化处理。
升半梯形分布表达式的曲线如图4所示,表达式如下所示:
式中,g1(x)是一个升半梯形分布函数,x是输入的指标值,包括发电机失稳指标Ui和电压临界崩溃指标VCPI,a和b是由每个指标值确定的分布函数下限值与上限值。
S22、采用降半梯形的模糊隶属度函数对功角稳定裕度指标η、电动机失稳指标SL和无功裕度评估指标VQ进行归一化处理。
降半梯形分布表达式的曲线如图5所示,表达式如下所示:
式中,g2(x)是一个降半梯形分布函数,x是输入的指标值,c和d是由每个指标值确定的分布函数下限值与上限值。
输出归一化之后的指标数值s1=g1(Ui),s2=g2(η),s3=g1(VCPI),s4=g2(SL),s5=g2(VQ)。
S3、根据所述归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值。
具体的,功角失稳与电压失稳联系紧密,由于外在现象的相似性而难以区分,前述步骤提出了若干指标,将各项指标合理描述、组织起来以准确反映系统失稳形态,本方法提出模糊综合识别方法来识别该界限不分明的两种失稳形态。
输入指标xi的权重wi、归一化之后的指标值si,根据下式计算模糊综合评估值y1与y2:
y1=w1s1+w2s2;
y2=w3s3+w4s4+w5s5;
式中,wi表示指标xi的权重,si表示指标xi的隶属度,s1=g1(Ui),s2=g2(η),s3=g1(VCPI),s4=g2(SL),s5=g2(VQ),y1是功角稳定的模糊综合评估值,y2是电压稳定的模糊综合评估值;w1、w2分别表示发电机失稳指标和电压临界崩溃指标的权重;g1、g2分别表示发电机失稳指标和电压临界崩溃指标的模糊隶属度函数;w3、w4和w5分别表示功角稳定裕度指标、电动机失稳指标和无功裕度指标的权重;g3、g4和g5分别表示功角稳定裕度指标、电动机失稳指标和无功裕度指标的模糊隶属度函数。
根据五种失稳指标数值的相对大小确定相应权重:对于功角稳定模糊综合评估值y1,若si=max{s1,s2}(i=1,2),则wi=0.6,否则wi=0.4。对于电压稳定模糊综合评估值y2,若sj=max{s3,s4,s5}(j=3,4,5),则wj=0.4,否则wj=0.3。
S4、将所述功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值,根据所述目标函数的值识别得到系统主导失稳形态。
S41、输入模糊综合评估值y1和y2,根据定义的目标函数Z(y1,y2)的值对系统主导失稳形态进行识别。
目标函数Z的计算方法可以按照如下方法进行计算:
具体的,请参照图6,区域1、3:目标函数的值小于0;区域2、4:目标函数的值大于0,倾向于功角失稳;区域5:目标函数的值等于NaN;区域6、7:目标函数的值等于0,功角失稳和电压失稳强耦合。
Z值集为{-1,0.5,0,0.5,1,NaN},Z值集中的1和0.5表示的程度的大小,划分为多个区域是用来说明主导失稳形态的主导程度。由于主导程度可以影响对控制措施的判断,因此当主导性较小的时候,可以认为两种失稳形态是强耦合的,也是难以从控制上解耦的。
并且,其中NaN表示默认值,表示电压失稳与功角失稳的程度都很低,系统处于失稳临界状态。此时无需要识别主导失稳形态,因为功角控制或者电压控制通常都能使系统恢复稳定。
S42、主导失稳形态的识别。
根据目标函数Z值识别系统主导失稳形态,当Z值大于0时,系统更倾向于功角失稳;当Z值小于0时,系统更倾向于电压失稳。Z值越接近0,功角失稳和电压失稳的耦合越强。
因此,实施例基于电压失稳和功角失稳机理,结合五个稳定分析方法,提出了一种基于模糊函数的电力系统主导失稳形态的识别方法,提出了功角失稳指标和功角失稳指标,并利用基于模糊函数来识别电力系统主导失稳形态的识别方法,最终本方法在实际IEEE39节点系统中得到验证,能准确地识别系统主导失稳形态。并且本实施例中能够对功角和电压分开进行评估,然后再评估主导失稳形态,识别结果对权重的敏感性降低。由于现有的单一的失稳形态识别方法仅对单一失稳形态进行识别,缺乏主导性识别的功能,难以准确识别分析系统主导失稳形态,所以本实施例中的基于模糊评价函数的系统主导失稳形态识别方法较其他方法而言适用于更复杂的失稳场景。
实施例二
本实施例与实施例一的不同之处在于,提供了具体的实施案例:
在案例1中,在PSCAD/EMTDC平台上,以IEEE39节点系统为例,验证基于模糊评价函数的系统主导失稳形态识别方法的正确性。为了模拟由电动机失稳引起的电压失稳现象,增加了母线15和18上的电动机负载。
母线27上发生三相短路故障故障在0.17s/0.175s/0.18s后消除,记录为示例1/示例2/示例3。系统中同时出现功角失稳现象和电压失稳现象,通过单一的功角稳定评估指标或者电压稳定评估指标(发电机失稳指标、功角稳定裕度指标、电动机失稳指标、电压崩溃临近指标、电动机失稳指标或无功功率裕度评估指标)只能得到系统既出现了功角失稳又出现了电压失稳的结论,不能识别哪一种失稳形态占主导,不能区分控制策略应该以哪一种控制方式为主。而本实施例中提出的综合评价方法,可以给出这样的主导稳定性识别,基于本实施例提出的方法计算的到评估值如表1所示。
表1案例1指标识别结果
U | η | VCPI | S<sub>L</sub> | VQ | y<sub>1</sub> | y<sub>2</sub> | z | |
1 | 0.08 | -0.02 | 11.7 | -0.45 | 0.31 | 0.09 | 0.26 | -1 |
2 | 0.17 | -0.06 | 5.96 | -0.25 | 0.34 | 0.16 | 0.12 | NaN |
3 | 0.31 | -0.30 | 6.29 | -0.26 | 0.38 | 0.33 | 0.08 | 1 |
表1中表明,随着故障持续时间的延长,系统失稳模式逐渐从电压失稳演变为功角失稳。在此变化过程中,功角不稳定程度逐渐增加,电压不稳定程度逐渐降低。通过采取相应的控制措施,验证了上述识别结果:以功角不稳定为例,采用切机;对于电压不稳定的情况,采用无功补偿。
对于示例1,由于电压失稳,因此在故障消除后立即采用具有最大VCPIQi值的母线27的无功功率补偿。对于示例3,由于功角失稳为主要失稳模式,立即切除后,具有最大Ui值的发电机35故障即可排除。请参照图9至图11,两个控制装置都已将系统恢复到稳定状态,表明本识别方法是可行的。
在案例2中,母线15发生三相短路故障,故障在0.15s后被排除。如表2所示,根据上述识别方法,系统的主导不稳定性因素为电压失稳。请参照图12至图14,切除电压值最大的第33台发电机,母线15的电压值仍低于0.8pu,局部电压失稳;如果将母线15的部分负荷切除,功角和电压恢复。该案例是由于电动机失稳导致功角失稳的典型例子。由此可见本识别方法的结果是正确的。
表2案例2的指标识别结果
U | η | VCPI | S<sub>L</sub> | VQ | y<sub>1</sub> | y<sub>2</sub> | z |
0.12 | -0.01 | -0.89 | 11.3 | 0.19 | 0.11 | 0.44 | -1 |
实施例三
请参照图2,基于模糊评价函数的系统主导失稳形态识别终端,包括存储器、处理器以及存储在所述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计算机程序时实现实施例一或二的基于模糊评价函数的系统主导失稳形态识别方法的各个步骤。
综上所述,本发明提供的基于模糊评价函数的系统主导失稳形态识别方法及终端,计算失稳识别指标,其中失稳识别指标包括发电机失稳指标、功角稳定裕度指标、电压崩溃临近指标、电动机失稳指标和无功裕度指标,能够综合考虑到发电机的加速动能和功角,区分相对减速的机组和对系统暂态功角失稳有主要影响的发电机,并通过暂态电压稳定性评估指标提高电压失稳识别的准确性。根据失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理;根据归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值;将功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值,根据所述目标函数的值识别得到系统主导失稳形态。因此,基于电压失稳和功角失稳机理,结合五个稳定性分析指标,并提出基于模糊识别函数的主导失稳形态的识别方法,能够识别系统主导失稳形态,使得失稳后控制策略选取更加高效,这是单一的稳定性分析方法所难以实现的。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.基于模糊评价函数的系统主导失稳形态识别方法,其特征在于,包括步骤:
计算失稳识别指标,所述失稳识别指标包括发电机失稳指标、功角稳定裕度指标、电压崩溃临近指标、电动机失稳指标和无功裕度指标;
根据所述失稳识别指标进行基于模糊隶属度函数对功角失稳指标和电压失稳指标的归一化处理;
根据所述归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值;
将所述功角稳定的模糊综合评估值和电压稳定的模糊综合评估值输入目标函数得到目标函数的值,根据所述目标函数的值识别得到系统主导失稳形态。
4.根据权利要求3所述的基于模糊评价函数的系统主导失稳形态识别方法,其特征在于,根据所述归一化处理结果计算功角稳定的模糊综合评估值和电压稳定的模糊综合评估值包括:
计算功角稳定的模糊综合评估值y1和电压稳定的模糊综合评估值y2:
y1=w1s1+w2s2;
y2=w3s3+w4s4+w5s5;
式中,s1表示发电机失稳指标的隶属度,s2表示功角稳定裕度指标的隶属度,s3表示电压崩溃临近指标的隶属度,s4表示电动机失稳指标的隶属度,s5表示无功裕度指标的隶属度,w1和w2分别表示发电机失稳指标和电压临界崩溃指标的权重,w3、w4和w5分别表示功角稳定裕度指标、电动机失稳指标和无功裕度指标的权重;
根据五种失稳指标数值的相对大小确定相应权重:
对于功角稳定模糊综合评估值y1,若si=max{s1,s2}(i=1,2),则wi=0.6,否则wi=0.4;
对于电压稳定模糊综合评估值y2,若sj=max{s3,s4,s5}(j=3,4,5),则wj=0.4,否则wj=0.3。
6.根据权利要求5所述的基于模糊评价函数的系统主导失稳形态识别方法,其特征在于,根据所述目标函数的值识别得到系统主导失稳形态包括:
若目标函数的值大于0,则系统倾向于功角失稳;
若目标函数的值小于0,则系统倾向于电压失稳;
若目标函数的值等于0,则表示功角失稳和电压失稳强耦合;
若目标函数的值等于NaN,则表示系统处于失稳临界状态,功角控制或者电压控制均可使系统恢复稳定。
8.根据权利要求1所述的基于模糊评价函数的系统主导失稳形态识别方法,其特征在于,计算失稳识别指标还包括:
计算电压崩溃临近指标VCPI:
VCPI=max{|VCPIPi|,|VCPIQi|};
式中,ΣΔQgi表示系统中所有无功功率的增量,ΔPLi表示第i个负荷节点的有功增量,ΔQLi表示第i个负荷节点无功功率增量,x表示系统代数变量,x包括发电机节点的电压幅值和相角、负载节点的电压幅值和电压相角;
计算电动机失稳指标SL:
式中Te表示电磁转矩,Tm表示机械转矩,s表示电动机转差率;
计算无功裕度评估指标VQ:
通过连续潮流方程的方式计算负荷母线的V-Q曲线,临界负荷母线V-Q曲线的底部Q=Q*,定义当前运行点到V-Q曲线底部的距离为VQ=Q*-Q。
9.基于模糊评价函数的系统主导失稳形态识别终端,其特征在于,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,所述处理器执行所述计算机程序时实现上述权利要求1-8任一项所述的基于模糊评价函数的系统主导失稳形态识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506671.1A CN114331040A (zh) | 2021-12-10 | 2021-12-10 | 基于模糊评价函数的系统主导失稳形态识别方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506671.1A CN114331040A (zh) | 2021-12-10 | 2021-12-10 | 基于模糊评价函数的系统主导失稳形态识别方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114331040A true CN114331040A (zh) | 2022-04-12 |
Family
ID=81051253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111506671.1A Pending CN114331040A (zh) | 2021-12-10 | 2021-12-10 | 基于模糊评价函数的系统主导失稳形态识别方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331040A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130838A (zh) * | 2022-06-15 | 2022-09-30 | 国网福建省电力有限公司 | 一种电力系统的暂态失稳模式识别方法及终端 |
-
2021
- 2021-12-10 CN CN202111506671.1A patent/CN114331040A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130838A (zh) * | 2022-06-15 | 2022-09-30 | 国网福建省电力有限公司 | 一种电力系统的暂态失稳模式识别方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khazraj et al. | A performance comparison between extended Kalman Filter and unscented Kalman Filter in power system dynamic state estimation | |
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN108695862B (zh) | 一种基于pmu实测数据的电网惯量特征在线评估方法 | |
CN112884237A (zh) | 配电网预测辅助状态估计方法及系统 | |
Hou et al. | Cluster computing-based trajectory sensitivity analysis application to the WECC system | |
CN112434936A (zh) | 一种电力系统惯量安全域评估方法、系统、电子设备及可读存储介质 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN114331040A (zh) | 基于模糊评价函数的系统主导失稳形态识别方法及终端 | |
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 | |
CN113032968A (zh) | 双馈风机控制器参数辨识方法及装置 | |
CN117394436A (zh) | 基于随机场景分析的光伏承载能力评估方法及系统 | |
CN114757291B (zh) | 基于机器学习算法的单相故障识别优化方法、系统及设备 | |
CN116227320A (zh) | 一种基于lstm-ipso的双馈风机控制参数辨识方法 | |
CN113794198B (zh) | 抑制宽频振荡的方法、装置、终端及存储介质 | |
CN110048404B (zh) | 电力系统低频振荡抑制器在线优化方法、装置与存储介质 | |
CN110309873B (zh) | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 | |
CN111814394A (zh) | 一种基于相关性和冗余性检测的电力系统安全评估方法 | |
CN117311138B (zh) | 一种水轮机调节系统控制参数稳定裕度域计算方法及系统 | |
CN111798049B (zh) | 一种基于集成学习与多目标规划的电压稳定评估方法 | |
CN113742906B (zh) | 基于主导动态相似性的大型工业企业感应电动机负荷动态等值的方法 | |
CN113193589B (zh) | 基于数字孪生模拟的dfig风电场次同步振荡抑制方法 | |
Wu et al. | Data-driven Method and Interpretability Analysis for Transient Power Angle Stability Assessment | |
CN110648021B (zh) | 一种两级电力负荷预测结果协调方法、装置及设备 | |
CN115130838A (zh) | 一种电力系统的暂态失稳模式识别方法及终端 | |
CN118297473A (zh) | 电力系统电压安全评估及优化方法、系统、设备和介质 |
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 |