CN114759590A - 一种基于数据驱动的换流站稳态无功协调策略优化方法及装置 - Google Patents

一种基于数据驱动的换流站稳态无功协调策略优化方法及装置 Download PDF

Info

Publication number
CN114759590A
CN114759590A CN202210474397.2A CN202210474397A CN114759590A CN 114759590 A CN114759590 A CN 114759590A CN 202210474397 A CN202210474397 A CN 202210474397A CN 114759590 A CN114759590 A CN 114759590A
Authority
CN
China
Prior art keywords
optimization
reactive power
voltage
converter
converter station
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
Application number
CN202210474397.2A
Other languages
English (en)
Inventor
彭晓涛
高云超
郭培
谭珺敉
王泽惠
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210474397.2A priority Critical patent/CN114759590A/zh
Publication of CN114759590A publication Critical patent/CN114759590A/zh
Pending legal-status Critical Current

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
    • H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • 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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in 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
    • 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
    • H02J3/50—Controlling the sharing of the out-of-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
    • H02J2203/10—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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Control Of Electrical Variables (AREA)

Abstract

本发明涉及一种基于数据驱动的换流站稳态无功协调策略优化方法及装置，首先以稳态潮流下直流换流站的交流滤波器投入组数、调相机稳态出力、无功交换量、换流母线稳态电压构建多维输入特征量，以换流母线基于多二元表的电压暂态稳定裕度ηv作为输出，利用支持向量回归方法建立基于多维输入特征向量预测换流母线电压暂态稳定裕度的回归模型，基于建立的换流母线ηv回归预测模型，以兼顾换流母线电压暂态稳定裕度最大化和降低系统网损为优化目标，建立换流站调相机与交流滤波器稳态无功出力优化模型并求解。本发明可使换流站同步调相机与交流滤波器通过配合达到最佳无功出力，不仅减少交流滤波器投入组数，而且有效提升换流母线电压的暂态稳定性。

Description

一种基于数据驱动的换流站稳态无功协调策略优化方法及 装置
技术领域
本发明涉及一种无功控制的优化方法，尤其是涉及一种基于数据驱动的换流站稳态无功协调控制策略优化方法。
背景技术
随着我国远距离、大容量的特高压交直流输电工程的不断发展建设，大规模的直流馈入使电网“强直弱交”矛盾突出，在交流系统故障引发直流换相失败的动态过程中，单一直流最大吸收800万kvar无功甚至更多，易引发系统持续低压甚至电压崩溃、直流闭锁，严重威胁电网安全运行。因此为提升特高压直流送受端电网电压稳定性，需要在直流大规模有功输送时匹配相应动态无功支撑，即“大直流输电、强无功支撑”。调相机作为同步旋转设备，既能为系统提供短路容量，又具有强励无功出力特性，近年来陆续被应用于直流换流站以提高换流母线电压稳定性。为进一步提高直流送受端电网稳定性，诸多学者和工程技术人员开展了相关技术研究与应用。
目前，有研究围绕直流系统、调相机的优化配置与控制运行，提升系统动态无功支撑能力，降低直流换相失败风险。有研究指出分层接入方式将有助于提高多馈入直流系统的电压支撑能力，引导潮流合理分布；有研究全面评估了加装调相机后对多直流馈入受端电网的影响，为同步调相机的容量与参数配置提供有效参考和依据；有研究基于频域灵敏度分析优化调相机参数，显著改善其动态无功特性；有研究设计并提出了一种调相机紧急控制架构及方法,可在换相失败后紧急强励持续增发无功。但这些研究均未能考虑换流站不同无功补偿装置协调对换流母线电压稳定性影响，因此系统经济运行性仍有待提高。为此有研究提出同步调相机通过可调剩余容量置换交流滤波器补偿无功使其稳态发出一定无功，实现以较小的调度代价提升电网电压安全水平，但该调相机无功输出受限于事故前换流母线电压水平，未充分发挥新一代调相机优势。
针对当前换流站无功协调策略及其方法研究存在的不足，本申请在对比交流滤波器与同步调相机暂态无功特性差异及两者配合对换流母线电压暂态稳定性影响基础上，以交流滤波器投入组数、调相机稳态出力、无功交换量、换流母线稳态电压和基于多二元表的换流母线电压暂态稳定裕度指标ηV构成数据驱动，利用支持向量回归(SVR)方法，建立有效的换流母线ηV预测模型，以解决大电网长时间暂态稳定计算和换流母线电压稳定性复杂数学解析困难。基于所建立的ηV预测模型，以换流母线电压暂态稳定裕度最大化和系统网损降低为优化目标，建立换流站调相机与交流滤波器稳态无功出力优化模型,最终利用MATLAB调用PSASP进行潮流计算，并结合粒子群算法快速求解。所发明方法可使同步调相机与交流滤波器配合，达到最佳无功出力，减少交流滤波器投入组数，有效提升换流母线电压暂态稳定性。最后，对所研究无功协调策略优化方法进行了仿真验证。
发明内容
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于数据驱动的换流站稳态无功协调策略优化方法，其特征在于，
基于换流站调相机无功出力、交流滤波器投入组数、换流站与直流馈入电网之间的无功交换量、以及换流母线稳态电压，构建预测换流母线电压暂态稳定裕度回归模型的多维输入特征向量，并利用支持向量回归方法建立换流母线电压暂态稳定裕度预测模型；
以换流母线电压暂态稳定裕度最大化以及系统网损降低为优化目标，建立兼顾提高换流母线电压暂态稳定性和系统运行经济性的换流站调相机和交流滤波器无功出力协调优化目标函数，并附加换流站交流滤波器组数限制、换流母线无功交换量限制、调相机无功出力限制、节点电压限制等约束条件，以此建立换流站稳态无功出力的优化模型；
基于潮流计算和粒子群算法求解换流站稳态无功出力优化模型，具体包括：取调相机出力和滤波组数为寻优粒子，初始化粒子群参数后进行直流馈入电网的潮流分析计算，对于收敛潮流并且潮流计算结果满足优化模型附加约束条件，则根据潮流计算结果构建预测模型多为输入特征量，并利用换流母线电压暂稳裕度预测模型和目标函数更新粒子个体最优和种群最优，否则跳过直接更新粒子速度和位置，如此循环，直至迭代次数达到预设次数后输出最优解。
在上述的一种基于数据驱动的换流站稳态无功协调策略优化方法，选取直流馈入电网多个预想严重故障(f＝1,…,n)扰动下的换流母线电压暂态稳定裕度指标最小值
Figure BDA0003624700300000031
作为换流母线电压的暂态稳定裕度，基于多二元表和加权积分的电压暂态稳定裕度量化评估指标
Figure BDA0003624700300000032
定义如下：
Figure BDA0003624700300000033
Figure BDA0003624700300000043
式中：VN为母线参考电压，V(t)为故障扰动下的母线暂态电压；tp和t′p分别为V(t)跌落和恢复过程中低于和高于第p个电压临界参考值Vcr,p的时刻；Kp为(tp,tp+1)∪(t′p+1,t′p)区间的积分权重系数；当V(t)分别小于Vcr,1,…,Vcr,p,…,Vcr,q时，则电压跌落和恢复过程位于(t1,t2)∪(t′2,t′1),…,(tp,tp+1)∪(t′p+1,t′p),…,(tq,t′q)时间区间的积分权重系数分别为K1,…,Kp,…,Kq；各区间权重系数可根据电压暂态响应，按照使电压保持临界暂态稳定，即ηV＝0，由式(一)逐级求解确定；
Figure BDA0003624700300000041
式中，Tcr,q为电压低于Vcr,q的最大可接受持续时间。根据全国电网运行与控制标准化技术委员会发布的电力系统安全稳定计算技术规范所确定暂态电压稳定判据，可确定表1所示量化母线电压暂稳裕度的多二元表临界电压和积分权重系数。
表1多二元表临界电压和积分权重系数(VN＝1.0pu)
Figure BDA0003624700300000042
在上述的一种基于数据驱动的换流站稳态无功协调策略优化方法，采用以下步骤，基于电网预想严重故障的暂态稳定计算，建立依据多维输入特征向量预测换流母线电压暂稳裕度的支持向量回归模型：
步骤1：分别调整换流站调相机和交流滤波器投入组数并计算潮流，同时对各无功调节后的收敛潮流，按照预想严重故障集分别进行暂态稳定计算；
步骤2：根据各收敛潮流计算结果构造多维输入特征向量，并基于暂态稳定计算结果确定各收敛潮流的换流母线电压暂态稳定裕度，从而构建用于基于多维输入特征向量预测换流母线电压暂态稳定裕度的支持向量回归模型的机器学习样本数据；
步骤3：采用式(二)所示Z-score标准化方法对数据样本集中多维输入特征向量的各分量以及换流母线电压暂态稳定裕度进行归一化，数据预处理后，采用经典7:3比例将样本划分为训练集和测试集；
Figure BDA0003624700300000051
式中，xm,i和
Figure BDA0003624700300000052
分别为第i个样本Xi的第m个分量及其归一化值，样本Xi向量由调相机无功出力、交流滤波器投入组数、换流站与直流馈入电网之间的无功交换量、换流母线稳态电压、以及换流母线电压暂态稳定裕度等分量构成，
Figure BDA0003624700300000053
和
Figure BDA0003624700300000054
分别为第m个分量的平均值和标准差；
步骤4，将训练集样本Xi向量代入式(三)所示基于支持向量机回归建立换流母线电压暂态稳定裕度预测模型的优化数学模型，采用k折交叉验证对模型参数c、g进行网格化全局参数寻优，最终基于训练集数据建立换流母线电压暂态稳定裕度预测模型，并基于测试集数据对模型进行学习效果评估后确定最终的预测模型；
Figure BDA0003624700300000061
式中，αi和
Figure BDA0003624700300000062
表示大于等于零的拉格朗日算子，Xi和Xj为训练集的第i和第j个样本，l为训练集的样本数量，ε为描述模型预测输出与换流母线电压暂态稳定裕度实际值不敏感偏差范围的管道阈值，c为正则化常数，c越大表示对超出ε管道的样本点惩罚越大，K(Xi,Xj)为高斯径向核函数，用于在原始样本空间计算Xi和Xj在高维特征空间的内积，使回归学习隐式地在特征空间进行，g为核参数。
在上述的一种基于数据驱动的换流站稳态无功协调策略优化方法，考虑电网稳态运行时直流传输功率及其馈入电网的无功调压设备保持初始状态不变，同时考虑换流站无功交换、交流滤波器最小滤波组数和调相机无功容量等约束条件，通过优化调相机稳态无功输出和交流滤波器投入组数，以最大化换流母线电压暂态稳定裕度和降低系统网损为目标，建立式(四)所示优化模型；
Figure BDA0003624700300000063
式中，Ploss为电网网损；λ1、λ2分别为优化目标权重系数，其大小根据优化目标偏向和优化目标值变化数量级赋值；QscN为单台调相机数数额定容量；Nmin为交流滤波器最小投入组；QcN为单组滤波器额定容量；Vmax、Vmin分别为换流母线电压的上、下限值。
在上述的一种基于数据驱动的换流站稳态无功协调策略优化方法，无功协调策略优化模型的求解过程包括：
S1、初始化粒子群参数，包括设置反映粒子自身经验认知能力和社会经验认知能力的权重参数c1、c2，，设置粒子保持已有寻优速度的惯性权重参数ω∈[0,1]，寻优目标搜索空间的维度等于换流站无功优化变量数，根据交流滤波器组数限制和调相机额定容量设置寻优空间Sn；向量
Figure BDA0003624700300000071
为寻优粒子i，其中分量
Figure BDA0003624700300000072
表示寻优粒子i的调相机无功出力，分量
Figure BDA0003624700300000073
表示寻优粒子i的交流滤波器组数，定义粒子的数目为r，并在寻优空间Sn中随机生成各粒子的初始分量
Figure BDA0003624700300000074
同时随机生成各粒子的初始寻优速度
Figure BDA0003624700300000075
各粒子对目标函数的最优适应值
Figure BDA0003624700300000076
粒子群的最优适应值Fitp＝∞；寻优搜索的最大迭代次数为kmax，同时设迭代次数k的初值为1；
S2、基于各寻优粒子更新换流站调相机和交流滤波器输出无功并计算潮流，对于各收敛潮流，基于潮流结果构建多维输入特征向量并预测换流母线电压暂太稳定裕度，同时计算式(四)所示优化模型的目标函数，分析当前第k次迭代的各粒子适应值
Figure BDA0003624700300000077
并对其进行判断，如果
Figure BDA0003624700300000078
则
Figure BDA0003624700300000079
并且令
Figure BDA00036247003000000710
否则保持各粒子最优适应值
Figure BDA00036247003000000711
与最优位置
Figure BDA00036247003000000712
不变，同时对于各不收敛潮流也保持各粒子最优适应值
Figure BDA00036247003000000713
与最优位置
Figure BDA00036247003000000714
不变，待所有粒子个体最优更新完成后，如果
Figure BDA00036247003000000715
则Fitp更新为
Figure BDA00036247003000000716
并且更新
Figure BDA00036247003000000717
对应的粒子为全局最优粒子
Figure BDA00036247003000000718
否则保持Fitp与
Figure BDA00036247003000000719
不变；
S3、利用粒子的速度和位移更新公式计算粒子在第k+1次迭代次数的空间位置，如果k+1<kmax，则k＝k+1，返回S2进行下一次迭代粒子寻优计算，直到迭代次数达到kmax，输出最优解。
一种基于数据驱动的换流站稳态无功协调策略优化装置，其特征在于，包括：
第一模块：基于换流站调相机无功出力、交流滤波器投入组数、换流站与直流馈入电网之间的无功交换量、以及换流母线稳态电压，构建预测换流母线电压暂态稳定裕度回归模型的多维输入特征向量，并利用支持向量回归方法建立换流母线电压暂态稳定裕度预测模型；
第二模块：以换流母线电压暂态稳定裕度最大化以及系统网损降低为优化目标，建立兼顾提高换流母线电压暂态稳定性和系统运行经济性的换流站调相机和交流滤波器无功出力协调优化目标函数，并附加换流站交流滤波器组数限制、换流母线无功交换量限制、调相机无功出力限制、节点电压限制等约束条件，以此建立换流站稳态无功出力的优化模型；
第三模块：基于潮流计算和粒子群算法求解换流站稳态无功出力优化模型，具体包括：取调相机出力和滤波组数为寻优粒子，初始化粒子群参数后进行直流馈入电网的潮流分析计算，对于收敛潮流并且潮流计算结果满足优化模型附加约束条件，则根据潮流计算结果构建预测模型多为输入特征量，并利用换流母线电压暂稳裕度预测模型和目标函数更新粒子个体最优和种群最优，否则跳过直接更新粒子速度和位置，如此循环，直至迭代次数达到预设次数后输出最优解。
因此，本发明的特点在于，基于数据驱动建立了换流母线电压暂态稳定裕度ηV预测模型，又建立以换流母线电压暂态稳定裕度最大化以及系统网损降低为优化目标的换流站稳态无功出力优化模型，最终利用MATLAB调用PSASP进行潮流计算，并结合粒子群算法快速求解，建立了换流站稳态无功协调控制策略优化方法。目标函数同时计及了系统的经济性，考虑了换流母线无功交换等约束条件，可发挥调相机动态无功支撑能力，减少交流滤波器投入，有效提升换流母线电压暂态稳定性。通过建立的换流母线ηV预测模型，避免了大电网长时间暂态稳定计算和换流母线电压稳定性复杂数学解析困难，为无功出力优化模型求解提供可能性与快速性。
附图说明
图1为换流母线电压暂稳裕度ηV预测模型建立流程；
图2为无功协调优化模型求解计算流程；
图3为江西电网500kV网架结构图及南昌换流站结构图；
图4a为换流母线ηV预测模型学习效果评估结果(误差饼状图)；
图4b为换流母线ηV预测模型学习效果评估结果(误差数据图)；
图5为两种无功控制方法下云峰-崇仁I线三永故障暂态曲线对比；
图6为两种无功控制方法下南昌-进贤线三永故障暂态曲线对比
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
1.换流母线电压暂态稳定裕度评估
基于多二元表和加权积分的电压暂态稳定裕度量化评估指标
Figure BDA0003624700300000091
考虑了电压跌落持续时间影响，更加精细化地描述交流系统故障严重性，该指标定义如下：
Figure BDA0003624700300000101
式中，VN为换流母线参考电压，Vf(t)为故障f切除后母线暂态实时电压；tp和t'p分别为Vf(t)跌落和恢复过程中，低于和高于第p个电压临界参考值Vcr,p的时刻；当Vf(t)分别位于Vcr,q以下、…、Vcr,p+1～Vcr,p、…、Vcr,2～Vcr,1，即电压跌落和恢复过程中，分别位于(tq,t'q)、…、(tp,tp+1)∪(t'p+1,t'p)、…、(t1,t2)∪(t'2,t'1)时，赋予不同的电压区间积分权重系数Kq、…、Kp…、K1。
式一中权重系数，可根据电压动态过程中，系统临界稳定状态满足
Figure BDA0003624700300000102
逐级求解如下：
Figure BDA0003624700300000103
式中:Tcr,q为电压低于Vcr,q的最大可接受持续时间。
同时，考虑本申请研究目标是最大化提升换流站换流母线电压稳定性以抵御系统严重故障扰动冲击，降低电压失稳与直流换相失败风险，本申请暂态稳定计算选取多个严重故障(f＝1,…,n)的暂态电压稳定裕度指标最小值作为换流母线的暂态电压跌落稳定裕度。
Figure BDA0003624700300000104
根据相关电压标准和电网的运行经验，设置换流母线电压多二元表判据及对应求解的权重系数如表1所示。
表1多二元表判据及求解权重系数
Figure BDA0003624700300000111
2.换流母线电压暂态稳定裕度ηV回归预测模型建立
由受端换流站换流母线无功交换原理可知，影响换流母线电压暂态稳定性的关键稳态运行因素有交流滤波器无出力总和、调相机无功出力、交流系统提供无功(即换流站无功交换量)，而交流滤波器总无功出力又与滤波器投入组数和换流母线稳态电压有关。因此本申请考虑将调相机无功出力Qsc0，交流滤波器投入组数N，换流站无功交换量Qexc，换流母线稳态电压U0作为特征输入量，换流母线电压稳态稳定裕度ηV作为预测输出量，利用支持向量回归方法建立ηV预测模型。
假设给定的非线性不可分训练数据集为{(xi，yi),i＝1,2,…l)}，其中xi为特征输入向量，yi为对应目标值，l为样本数。支持向量回归学习策略是寻找最佳的分离超平面(即回归估计函数)，使所有样本目标值到该平面的综合距离最小，其对偶优化问题如下：
Figure BDA0003624700300000112
式中：l为样本个数，c为惩罚参数，α＝(α1,α2,...,αl)T为拉格朗日乘子向量，α*＝(α1 *,α2 *,...,αl *)T为对偶优化问题的解，K(xi,xj)＝φ(xi)φ(xj)称为核函数，。
本申请采用常用的高斯径向核函数，计算式如下：
Figure BDA0003624700300000121
式中：g为核参数。
因此换流母线电压暂稳裕度ηV流程如图1所示。
当预先批量仿真计算获取换流站稳态运行信息和换流母线电压暂稳裕度ηV构成的样本数据后，需进行数据预处理，包括剔除异常值、数据归一化等。为避免特征之间数值量纲、样本分布差异带来的难收敛问题，使用Z-score标准化将样本生成阶段收集到换流站稳态运行数据和换流母线电压暂稳裕度进行归一化：
Figure BDA0003624700300000122
式中，
Figure BDA0003624700300000123
为第i个样本数据某一维数据向量xi的平均值，
Figure BDA0003624700300000124
为向量xi的标准差。
数据预处理后，采用经典7:3比例将样本按随机划分为训练集、测试集。影响预测模型精度的关键超参数是c、g参数，为提高模型性能，避免模型陷入过拟合或欠拟合，本申请采用k折交叉验证对模型进行网格化全局参数寻优，最终基于训练集数据建立换流母线ηV预测模型，并基于测试集数据对模型进行学习效果评估。
3.换流站稳态无功出力优化模型建立
本申请以直流传输功率不变和离散调压设备保持初始状态不变为基本假设，以换流母线电压暂态稳定裕度最大化以及系统网损降低为优化目标，按照式七建立换流站暂态电压预防性控制兼系统运行经济性的无功出力优化目标函数。
min F(Qsc0,N)＝α1Ploss-α2ηV 式七
式中，Qsc0为调相机稳态无功出力，N为滤波器投入组数，Ploss为系统网损，ηV为换流母线电压暂态稳定裕度，α1、α2为优化目标权重系数，其大小根据优化目标偏向和优化目标值变化数量级赋值。
换流站无功协调策略优化的约束条件建立：换流站除交流滤波器需满足最小滤波组数要求，换流母线无功交换量应限制在一定范围以保证换流母线稳态电压运行于正常范围内，同时附加调相机无功出力容量限制、节点电压约束条件，从而构建式八所示换流站考无功协调策略优化约束条件。
Figure BDA0003624700300000131
式中：QscN为单台调相机额定容量，Nmin为最小滤波组数，Qc_sum为所有滤波器总无功补偿量，QcN为单组滤波器额定容量，Qdc为换流站消耗无功量,Vmax、Vmin分别为节点电压上、下限。
4.MATLAB调用PSASP潮流计算并结合粒子群算法的模型求解流程
本申请利用MATLAB调用PSASP进行大电网潮流计算得出稳态运行信息，再利用上述建立的换流母线电压暂态稳定裕度预测模型替代时域暂稳仿真计算，并结合粒子群优化算法对上述建立的换流站稳态无功出力优化模型进行求解。
粒子群优化算法通过模拟飞鸟的捕食过程，利用记忆与反馈机制实现高效的寻优搜索。其基本思想是：每个粒子在解空间中移动，在每次寻优过程中，各个粒子记录下各自曾搜索到的最优点xps，并记录下所有粒子搜索到的全局最优点xg，与此同时粒子根据自身最优点及全局最优点来更新自己的速度和位置，如此循环下去，直至收敛到全局最优点。
为避免粒子群算法可能存在早熟收敛和求解精度不足，本申请采用粒子群优化算法中粒子速度和位置更新规则如下：
Figure BDA0003624700300000141
式中，xs(k)、xs(k+1)分别为迭代更新前后粒子个体位置；vs(k)、vs(k+1)分别为更新前后粒子个体速度；xps(k)、xg(k)分别为更新前粒子个体最优位置与种群最优位置；c1、c2为学习因子；r1、r2为介于0-1的随机数；ωs为惯性权重因子，迭代采用线性递减策略，ωint、ωend分别为惯性权重因子迭代初始值和结束值；k为当前迭代次数，kmax为最大迭代次数。
无功协调策略优化模型的流程图如图2所示，具体步骤如下：
(1)设置模型参数。
(2)初始化，设置加速常数c1，c2，最大进化代数kmax，将当前进化代数设置为k＝1；随机产生m个粒子x1,x2,…,xm，组成初始种群x(0)；随机产生各粒子初始速度v1,v2,……,vm，组成速度位移矩阵v(0)。
(3)把调相机稳态出力Qsc0和交流滤波器组数N设为粒子，将粒子群算法赋值的粒子代入MATLAB调用PSASP潮流子程序的编程程序包，进行潮流计算，判断潮流是否收敛且满足目标函数附加约束。若满足，执行下一步；若不满足约束，则用最近可行解代替当前解，执行下一步。
(4)计算目标函数，比较当前适应度和记忆最佳适应度，若当前适应度优于记忆最佳适应度，进行替换，将当前位置记为粒子最好位置。比较粒子最好位置和种群最好位置，若粒子最好位置优于种群最优位置，进行替换，否则，不变。
(5)粒子速度和位置更新。
(6)返回(3)进行循环计算，直到满足迭代最大次数为止，输出最优解。
5、仿真实施例
本申请采用图3所示的雅中–江西特高压直流受端南昌换流站进行所提无功协调优化方法可行性论证。雅中直流规划额定容量为8000MW，分层接入江西电网，其换流站高端通过4回500kV出线接入南昌变与抚州变，低端规划通过3回联络线接入南昌特高压站中压侧。换流站高端配置12组滤波电容器，单组额定容量为240Mvar；换流站低端配置10组滤波电容器，单组额定容量为270Mvar。换流站高、低端各配置1台同步调相机，额定容量为300Mvar。算例来源于国家电力调度通信中心统一下发的2021至2022年过渡期电网数据，该数据包中由于实际华中特高压交流还未环网投运，因此雅中直流受端南昌换流站仅高端投入运行。本申请仿真工况为设置闭合换流站高、低端间的联络开关使高、低端同步调相机并列运行(无功出力相同)，低端交流滤波器固定投入6组，只研究调相机与高端交流滤波器稳态无功协调控制策略对江西电网稳定性提升效果。具体设置雅中直流传输功率为2750MW，高端最小滤波投入组数为1组。系统基准容量为100MV·A，500kV系统基准电压为525kV。暂稳仿真时长为10s,所选江西电网预想严重故障集如表2所示，故障均为三相永久相故障，故障发生时刻为t＝1.0s，切除时间为t＝1.1s。
表2暂稳计算选取的江西电网严重故障
Figure BDA0003624700300000161
根据本文利用MATLAB编程修改PSASP仿真输入文件中的调相机无功出力参数和交流滤波器投入组数，调用PSASP进行潮流与暂稳批量计算，获取南昌换流站稳态运行信息和换流母线ηV指标构成的原始数据样本。根据图1所示流程建立换流母线ηV预测模型，并对所建预测模型学习效果评估，结果如图4a和图4b所示。
由图4a可知，样本测试集电压暂态稳定裕度ηV预测值与真实值接近，其相对误差5％以内样本个数占比达到95％，具有较高精度。同时从图4b可以看出，预测值与真实值相对误差偏离较大的样本主要分布在换流母线ηV真实值显著小的点，其预测值仍为很小，即换流母线电压严重失稳崩溃，因此不会影响后续以电压暂态稳定裕度尽可能大为优化目标的寻优过程。
根据图2所示的换流站稳态无功协调控制流程，设置目标函数权重系数α1＝1、α2＝10，PSO学习因子c1＝c2＝2,粒子数m＝10,最大迭代次数为kmax＝50，最终所求换流站无功出力模型最优解为调相机稳态出力Qsc0＝2.944pu，交流滤波器组数N＝1。
换流站常规控制策略采用交流器滤波器自动控制投入，调相机稳态无功出力为零，维持电压在额定值附近。现进行江西电网在所提策略与常规策略下的电压稳定性对比，两种方式下南昌换流站稳定运行状态如表3所示。由表3可知，协调控制相比常规控制，可以减少交流滤波器投入组数，维持稳态电压于正常范围内，同时目标函数值更优。
表3南昌换流站运行状态
Figure BDA0003624700300000171
现在江西电网500kV云峰-崇仁I线和南昌-进贤线分别设置N-1三相永久性交流故障，南昌换流站高端换流母线电压、高端换流阀关断角暂态稳定曲线如图5、图6所示。
由图5可知，在云峰-崇仁I线发生故障后，两种控制策略下，高端换流阀均只发生一次换相失败，高端换流母线电压均可恢复稳定至初始值，但所提策略下调相机暂态期间提供更多无功，使电压恢复至稳定时间提前。
由图6可知，在南昌-进贤线发生故障后，常规控制策略下，调相机初始稳态不提供无功，主要由交流滤波器进行无功补偿，因此发生电压严重跌落瞬间，系统动态无功支撑能力不足，无法支撑电压恢复，换流阀持续换相失败；而在所提策略控制下，由于调相机充分发挥其动态无功支撑能力，电压可恢复至正常运行，换流阀只发生一次换相失败。由此可知，所提策略不仅减少稳态交流滤波器投入组数，而且在系统故障扰动后可发挥调相机无功支撑能力，使换流母线电压恢复速性与稳定性更好。
由此可见，所提换流站无功协调控制方法与常规方法相比，可减少交流滤波器组数投入，发挥调相机无功支撑优势，提升换流母线的电压暂态稳定性，使电力系统运行具有更好的安全性与经济性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于数据驱动的换流站稳态无功协调策略优化方法，其特征在于，
基于换流站调相机无功出力、交流滤波器投入组数、换流站与直流馈入电网之间的无功交换量、以及换流母线稳态电压，构建预测换流母线电压暂态稳定裕度回归模型的多维输入特征向量，并利用支持向量回归方法建立换流母线电压暂态稳定裕度预测模型；
以换流母线电压暂态稳定裕度最大化以及系统网损降低为优化目标，建立兼顾提高换流母线电压暂态稳定性和系统运行经济性的换流站调相机和交流滤波器无功出力协调优化目标函数，并附加换流站交流滤波器组数限制、换流母线无功交换量限制、调相机无功出力限制、节点电压限制等约束条件，以此建立换流站稳态无功出力的优化模型；
基于潮流计算和粒子群算法求解换流站稳态无功出力优化模型，具体包括：取调相机出力和滤波组数为寻优粒子，初始化粒子群参数后进行直流馈入电网的潮流分析计算，对于收敛潮流并且潮流计算结果满足优化模型附加约束条件，则根据潮流计算结果构建预测模型多维输入特征量，并利用换流母线电压暂稳裕度预测模型和目标函数更新粒子个体最优和种群最优，否则跳过直接更新粒子速度和位置，如此循环，直至迭代次数达到预设次数后输出最优解。
2.根据权利要求1所述的一种基于数据驱动的换流站稳态无功协调策略优化方法，其特征在于，选取直流馈入电网多个预想严重故障(f＝1,…,n)扰动下的换流母线电压暂态稳定裕度指标最小值
Figure FDA0003624700290000011
作为换流母线电压的暂态稳定裕度，基于多二元表和加权积分的电压暂态稳定裕度量化评估指标
Figure FDA0003624700290000012
定义如下：
Figure FDA0003624700290000021
式中：VN为母线参考电压，V(t)为故障扰动下的母线暂态电压；tp和t′p分别为V(t)跌落和恢复过程中低于和高于第p个电压临界参考值Vcr,p的时刻；Kp为(tp,tp+1)∪(t′p+1,t′p)区间的积分权重系数；当V(t)分别小于Vcr,1,…,Vcr,p,…,Vcr,q时，则电压跌落和恢复过程位于(t1,t2)∪(t′2，t′1),…,(tp,tp+1)∪(t′p+1,t′p),…,(tq,t′q)时间区间的积分权重系数分别为K1,…,Kp,…,Kq；各区间权重系数可根据电压暂态响应，按照使电压保持临界暂态稳定，即ηV＝0，由式(一)逐级求解确定；
Figure FDA0003624700290000022
式中，Tcr,q为电压低于Vcr,q的最大可接受持续时间。
3.根据权利要求1所述的一种基于数据驱动的换流站稳态无功协调策略优化方法，其特征在于，利用电网预想严重故障的暂态稳定计算，基于多维输入特征向量建立预测换流母线电压暂态稳定裕度的支持向量回归模型的过程包括：
S1、分别调整换流站调相机和交流滤波器投入组数并计算潮流，同时对各调节无功后的收敛潮流，按照预想严重故障集分别进行暂态稳定计算；
S2、根据各收敛潮流计算结果构造多维输入特征向量，并基于收敛潮流在各预想严重故障作用下的暂态稳定计算结果，确定换流母线电压暂态稳定裕度，从而构建面向基于多维输入特征向量预测换流母线电压暂态稳定裕度的支持向量回归建模的机器学习样本数据；
S3、采用式(二)所示Z-score标准化方法对数据样本集中多维输入特征向量的各分量以及换流母线电压暂态稳定裕度进行归一化，数据预处理后，采用经典7:3比例将样本划分为训练集和测试集；
Figure FDA0003624700290000031
式中，xm,i和
Figure FDA0003624700290000032
分别为第i个样本Xi的第m个分量及其归一化值，样本Xi向量由调相机无功出力、交流滤波器投入组数、换流站与直流馈入电网之间的无功交换量、换流母线稳态电压、换流母线电压暂态稳定裕度等分量构成，
Figure FDA0003624700290000033
和
Figure FDA0003624700290000034
分别为第m个分量的平均值和标准差；
S4、将训练集样本Xi向量代入式(三)所示基于支持向量机回归建立换流母线电压暂态稳定裕度预测模型的数学优化模型，采用k折交叉验证对模型参数c、g进行网格化全局参数寻优，最终基于训练集数据建立换流母线电压暂态稳定裕度预测模型，并基于测试集数据对模型进行学习效果评估后确定最终的预测模型；
Figure FDA0003624700290000035
式中，αi和
Figure FDA0003624700290000036
表示大于等于零的拉格朗日算子，Xi和Xj为训练集的第i和第j个样本，l为训练集的样本数量，ε为描述模型预测输出与换流母线电压暂态稳定裕度实际值不敏感偏差范围的管道阈值，c为正则化常数，c越大表示对超出ε管道的样本点惩罚越大，K(Xi,Xj)为高斯径向核函数，用于在原始样本空间计算Xi和Xj在高维特征空间的内积，使回归学习隐式地在特征空间进行，g为核参数。
4.根据权利要求1所述的一种基于数据驱动的换流站稳态无功协调策略优化方法，其特征在于，考虑电网稳态运行时直流传输功率及其馈入电网的无功调压设备保持初始状态不变，同时考虑换流站无功交换、交流滤波器最小滤波组数和调相机无功容量等约束条件，通过优化调相机稳态无功输出和交流滤波器投入组数，以最大化换流母线电压暂态稳定裕度和降低系统网损为目标，建立式(四)所示优化模型；
Figure FDA0003624700290000041
式中，Ploss为电网网损；λ1、λ2分别为优化目标权重系数，其大小根据优化目标偏向和优化目标值变化数量级赋值；QscN为单台调相机数数额定容量；Nmin为交流滤波器最小投入组；QcN为单组滤波器额定容量；Vmax、Vmin分别为换流母线电压的上、下限值。
5.根据权利要求1所述的一种基于数据驱动的换流站稳态无功协调策略优化方法，其特征在于，无功协调策略优化模型的求解过程包括：
S1、初始化粒子群参数，包括设置反映粒子自身经验认知能力和社会经验认知能力的权重参数c1、c2，，设置粒子保持已有寻优速度的惯性权重参数ω∈[0,1]，寻优目标搜索空间的维度等于换流站无功优化变量数，根据交流滤波器组数限制和调相机额定容量设置寻优空间Sn；向量
Figure FDA0003624700290000045
为寻优粒子i，其中分量
Figure FDA0003624700290000042
表示寻优粒子i的调相机无功出力，分量
Figure FDA0003624700290000043
表示寻优粒子i的交流滤波器组数，定义粒子的数目为r，并在寻优空间Sn中随机生成各粒子的初始分量
Figure FDA0003624700290000044
同时随机生成各粒子的初始寻优速度
Figure FDA0003624700290000051
各粒子对目标函数的最优适应值
Figure FDA0003624700290000052
粒子群的最优适应值Fitp＝∞；寻优搜索的最大迭代次数为kmax，同时设迭代次数k的初值为1；
S2、基于各寻优粒子更新换流站调相机和交流滤波器输出无功并计算潮流，对于各收敛潮流，基于潮流结果构建多维输入特征向量并预测换流母线电压暂太稳定裕度，同时计算式(四)所示优化模型的目标函数，分析当前第k次迭代的各粒子适应值
Figure FDA0003624700290000053
并对其进行判断，如果
Figure FDA0003624700290000054
则
Figure FDA0003624700290000055
并且令
Figure FDA0003624700290000056
否则保持各粒子最优适应值
Figure FDA0003624700290000057
与最优位置
Figure FDA0003624700290000058
不变，同时对于各不收敛潮流也保持各粒子最优适应值
Figure FDA0003624700290000059
与最优位置
Figure FDA00036247002900000510
不变，待所有粒子个体最优更新完成后，如果
Figure FDA00036247002900000511
则Fitp更新为
Figure FDA00036247002900000512
并且更新
Figure FDA00036247002900000513
对应的粒子为全局最优粒子
Figure FDA00036247002900000514
否则保持Fitp与
Figure FDA00036247002900000515
不变；
S3、利用粒子的速度和位移更新公式计算粒子在第k+1次迭代次数的空间位置，如果k+1<kmax，则k＝k+1，返回S2进行下一次迭代粒子寻优计算，直到迭代次数达到kmax，输出最优解。
6.一种基于数据驱动的换流站稳态无功协调策略优化装置，采用权利要求1至5任意一项所述的方法，其特征在于，包括：
第一模块：基于换流站调相机无功出力、交流滤波器投入组数、换流站与直流馈入电网之间的无功交换量、以及换流母线稳态电压，构建预测换流母线电压暂态稳定裕度回归模型的多维输入特征向量，并利用支持向量回归方法建立换流母线电压暂态稳定裕度预测模型；
第二模块：以换流母线电压暂态稳定裕度最大化以及系统网损降低为优化目标，建立兼顾提高换流母线电压暂态稳定性和系统运行经济性的换流站调相机和交流滤波器无功出力协调优化目标函数，并附加换流站交流滤波器组数限制、换流母线无功交换量限制、调相机无功出力限制、节点电压限制等约束条件，以此建立换流站稳态无功出力的优化模型；
第三模块：基于潮流计算和粒子群算法求解换流站稳态无功出力优化模型，具体包括：取调相机出力和滤波组数为寻优粒子，初始化粒子群参数后进行直流馈入电网的潮流分析计算，对于收敛潮流并且潮流计算结果满足优化模型附加约束条件，则根据潮流计算结果构建预测模型多为输入特征量，并利用换流母线电压暂稳裕度预测模型和目标函数更新粒子个体最优和种群最优，否则跳过直接更新粒子速度和位置，如此循环，直至迭代次数达到预设次数后输出最优解。
CN202210474397.2A 2022-04-29 2022-04-29 一种基于数据驱动的换流站稳态无功协调策略优化方法及装置 Pending CN114759590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210474397.2A CN114759590A (zh) 2022-04-29 2022-04-29 一种基于数据驱动的换流站稳态无功协调策略优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210474397.2A CN114759590A (zh) 2022-04-29 2022-04-29 一种基于数据驱动的换流站稳态无功协调策略优化方法及装置

Publications (1)

Publication Number Publication Date
CN114759590A true CN114759590A (zh) 2022-07-15

Family

ID=82333165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210474397.2A Pending CN114759590A (zh) 2022-04-29 2022-04-29 一种基于数据驱动的换流站稳态无功协调策略优化方法及装置

Country Status (1)

Country Link
CN (1) CN114759590A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115189369A (zh) * 2022-07-18 2022-10-14 国网江苏省电力有限公司连云港供电分公司 基于数据驱动的交直流混合微电网故障后电压稳定性预测方法及系统
CN115204064A (zh) * 2022-09-19 2022-10-18 中国石油大学(华东) 一种页岩油开采中注气吞吐参数优化方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115189369A (zh) * 2022-07-18 2022-10-14 国网江苏省电力有限公司连云港供电分公司 基于数据驱动的交直流混合微电网故障后电压稳定性预测方法及系统
CN115189369B (zh) * 2022-07-18 2024-01-12 国网江苏省电力有限公司连云港供电分公司 基于数据驱动的交直流混合微电网故障后电压稳定性预测方法及系统
CN115204064A (zh) * 2022-09-19 2022-10-18 中国石油大学(华东) 一种页岩油开采中注气吞吐参数优化方法及系统

Similar Documents

Publication Publication Date Title
CN114759590A (zh) 一种基于数据驱动的换流站稳态无功协调策略优化方法及装置
Banerjee et al. Intelligent fuzzy-based reactive power compensation of an isolated hybrid power system
CN112310980B (zh) 交直流混联电网直流闭锁频率安全稳定评估方法及系统
Cai et al. A data-based learning and control method for long-term voltage stability
CN103618315B (zh) 一种基于bart算法和超吸收壁的电网电压无功优化方法
CN115207935B (zh) 一种提高电压薄弱区域暂态电压稳定的无功协调优化方法
Guo et al. Parameter identification for static var compensator model using sensitivity analysis and improved whale optimization algorithm
Rueda et al. Heuristic optimization based approach for identification of power system dynamic equivalents
Zhang et al. Deep reinforcement learning for load shedding against short-term voltage instability in large power systems
Larik et al. A statistical jacobian application for power system optimization of voltage stability
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
Azadani et al. Optimal placement of multiple STATCOM
Kumar et al. Model predictive controller-based voltage and frequency regulation in renewable energy integrated power system coordinated with virtual inertia and redox flow battery
Lin et al. A two-layer frequency control method for large-scale distributed energy storage clusters
Yang et al. Coordination of generators and energy storage to smooth power fluctuations for multi-area microgrid clusters: A robust decentralized approach
Mc Namara et al. Control strategies for automatic generation control over MTDC grids
Lin et al. A physical-data combined power grid dynamic frequency prediction methodology based on adaptive neuro-fuzzy inference system
CN114937999A (zh) 基于机器学习的同步发电机提高电压暂稳的稳态无功优化方法
Ponmurugavel et al. Design and modelling of fuzzy and model predictive controllers for statcom to enhance transient stability of power system
Li et al. Critical clearing time prediction of power system fault based on machine learning
CN113162063B (zh) 一种抑制超低频振荡的多直流协调控制器设计方法
Wang et al. Model-Data Integration Driven Based Power System Frequency Response Model
Rattananatthaworn Transient stability constrained optimal power flow by particle swarm optimization with time varying acceleration coefficients
Trakas et al. Decentralized control of power system zones based on probabilistic constrained load flow
Zhang et al. Prediction method of primary frequency modulation capability of power system based on MEA-BP algorithm

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