CN115133556A - 一种基于深度交叉网络的电力系统暂态稳定预防控制方法 - Google Patents

一种基于深度交叉网络的电力系统暂态稳定预防控制方法 Download PDF

Info

Publication number
CN115133556A
CN115133556A CN202210962548.9A CN202210962548A CN115133556A CN 115133556 A CN115133556 A CN 115133556A CN 202210962548 A CN202210962548 A CN 202210962548A CN 115133556 A CN115133556 A CN 115133556A
Authority
CN
China
Prior art keywords
power
transient stability
operation mode
generator set
power system
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
CN202210962548.9A
Other languages
English (en)
Inventor
汪康康
魏巍
周波
陈振
靳旦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202210962548.9A priority Critical patent/CN115133556A/zh
Publication of CN115133556A publication Critical patent/CN115133556A/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
    • H02J3/24—Arrangements for preventing or reducing oscillations of 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/04—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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—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]

Landscapes

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

Abstract

本发明涉及电力系统自动化技术领域，公开了一种基于深度交叉网络的电力系统暂态稳定预防控制方法，包括：S1、在离线阶段，设置电力系统相关参数，形成电网运行方式数据库；S2、设置预想故障集，形成电力系统的暂态稳定数据库；S3、构建电力系统基于深度交叉网络的暂态稳定评估模型；S4、在线阶段，确定下一个调度时段的电网运行方式，利用深度交叉网络模型预判该运行方式的暂态稳定性；S5、基于深度交叉网络模型推导电力系统中的各发电机组有功功率对电力系统暂态稳定裕度的数值灵敏度，并排序筛选关键发电机组；S6、构建含暂态稳定约束的关于所述关键发电机组的电网运行方式的优化决策模型并求解。本发明有效提升电力系统运行安全水平。

Description

一种基于深度交叉网络的电力系统暂态稳定预防控制方法
技术领域
本发明涉及电力系统自动化技术领域，具体涉及一种基于深度交叉网络的电力系统暂态稳定预防控制方法。
背景技术
为了预防暂态失稳引发电网大规模停电事故，亟需有效的电力系统暂态稳定在线评估以及预防控制辅助决策技术。传统暂态稳定评估方法为模型驱动的时域仿真方法，即针对目标电力系统构建微分-代数方程组动态模型，利用时域仿真计算分析系统暂态稳定性。模型驱动的预防控制方法需构建包含微分-代数方程组和暂态稳定约束的最优潮流模型，求解方法包括直接法和间接法。直接法将微分-代数方程组进行差分化处理，将原动态优化问题转化为大规模非线性优化问题，但求解大规模非线性优化模型极为困难；间接法则需在每步迭代中反复进行时域仿真计算，因此求解耗时较长。上述两种模型驱动方法均难以适应在线暂态稳定分析与预防控制的需求。
发明内容
本发明提供一种基于深度交叉网络的电力系统暂态稳定预防控制方法，实现了预想故障约束下基于深度交叉网络的电力系统暂态稳定快速评估，建立了人工智能驱动的含暂态稳定约束的电网运行方式优化决策模型并进行模型求解，得到预防控制策略，该方法可快速预判电网运行方式的安全状态，对存在失稳风险的运行方式进行预警并生成发电计划的调整策略，调整后的运行方式满足电力系统暂态稳定和安全运行的要求。
本发明通过下述技术方案实现：
一种基于深度交叉网络的电力系统暂态稳定预防控制方法，包括：
S1、在离线阶段，设置电力系统相关参数，并根据所述电力系统相关参数基于蒙特卡洛抽样生成若干随机的电网运行方式，形成电网运行方式数据库；
S2、设置预想故障集，并将所述预想故障集中的任意一个预想故障场景结合所述电网运行方式数据库中的任意一个电网运行方式进行时域仿真计算和暂态稳定分析，形成电力系统的暂态稳定数据库；
S3、构建电力系统基于深度交叉网络的暂态稳定评估模型，并利用所述暂态稳定数据库完成所述暂态稳定评估模型的参数训练，以得到若干完善的基于深度交叉网络的暂态稳定评估模型；
S4、在线阶段，确定下一个调度时段的电网运行方式，利用深度交叉网络模型预判该运行方式的暂态稳定性；
S5、基于深度交叉网络模型推导电力系统中的各发电机组有功功率对电力系统暂态稳定裕度的数值灵敏度，并排序筛选参与预防控制的关键发电机组；
S6、构建含暂态稳定约束的关于所述关键发电机组的电网运行方式的优化决策模型，利用逐次线性逼近解法来求解所述优化决策模型得到基于关键发电机组的有功功率优化调整的预防控制策略，以满足稳定运行要求的电网运行方式，实现对电力系统暂态稳定预防控制。
作为优化，S1中，所述电力系统相关参数包括负荷的有功、无功功率以及发电机组的有功功率的波动范围，根据所述电力系统相关参数基于蒙特卡洛抽样生成若干随机的电网运行方式，形成电网运行方式数据库的具体步骤为：
S1.1、针对目标电力系统，基于日前负荷预测与发电机组组合结果，形成未来24小时共96个时间点的基准运行工况；
S1.2、将负荷的有功功率、无功功率的均值定义为预测值的中心值，根据标准差为a％的正态分布对所述负荷的有功功率、无功功率进行随机抽样得到负荷需求的随机值，a为正数；
S1.3、给定在电力系统实时运行中用于有功平衡的可调的发电机组，设置该可调的发电机组的有功功率可调范围为[Puc－20％PN,Puc+20％PN]，其中，Puc为日前发电机组组合生成的发电机组有功功率出力计划，PN为发电机组的额定功率，在各发电机组的有功功率范围内按均匀分布进行随机抽样得到发电机组出力的随机值；
S1.4、通过蒙特卡洛抽样方法生成若干随机的电网运行方式并进行潮流计算，将潮流收敛且满足静态安全运行规则的电网运行方式保存到电网运行方式数据库中。
作为优化，S2中，形成暂态稳定数据库的具体步骤为：
S2.1、针对目标电力系统设置预想故障集，并获取步骤S1生成的电网运行方式数据库，每次从所述电网运行方式数据库中选取一个电网运行方式，并从所述预想故障集中选取一个故障场景，采用二分搜索法计算该预想故障场景的临界切除时间；
S2.2、遍历所述电网运行方式数据库中的所有电网运行方式与所述预想故障集中的所有预想故障场景组成的组合，计算所有预想故障场景的临界切除时间，以第一发电机组的有功功率作为输入特征，以预想故障场景的临界切除时间作为目标属性，汇总所有对应的输入特征和目标属性以形成暂态稳定数据知识库。
作为优化，采用二分搜索法计算预想故障场景的临界切除时间的具体步骤为：
S2.1.1、输入电网故障前的电网运行方式和预想故障场景，将二分区间初始化为[tlower,tupper]＝[0,10]，tlower、tupper分别为二分区间的下界值和上界值，tlower、tupper的单位为周波；
S2.1.2、设置故障切除时间tc＝tlower，对预想故障场景进行时域仿真，并按最大发电机组对功角差δmax是否大于360°来进行稳定性判断，当δmax>360°时，判断电力系统发生暂态失稳，进入S2.1.4，否则，当δmax<360°时，判断电力系统保持暂态稳定，进入S2.1.3；
S2.1.3、按给定步长值tstep延长故障切除时间，然后刷新二分区间，即将原二分区间的上限值赋值给新的二分区间的下限值，新的二分区间的上限值为原二分区间的上限值加上给定步长值，即tlower新＝tupper旧，tupper新＝tupper旧+tstep，然后返回S2.1.2；
S2.1.4、将故障切除时间重新设置为tc＝(tlower+tupper)/2，对预想故障场景进行时域仿真，并按最大发电机组的功角差δmax是否大于360°来进行稳定性判断，当δmax>360°时，判断电力系统发生暂态失稳，否则，当δmax<360°时，判断电力系统保持暂态稳定；
S2.1.5、若电力系统保持暂态稳定，则用S2.1.4重新确定的故障切除时间tc代替二分区间的下界值tlower形成新的二分区间；若电力系统为暂态失稳时，则用S2.1.4重新确定的故障切除时间tc代替二分区间的上界值tupper形成新的二分区间，以此刷新二分区间；
S2.1.6、检查二分区间的跨度，若二分区间的跨度间隙tupper－tlower<1，则结束二分搜索，进入S2.1.7；否则，返回S2.1.4继续二分搜索；
S2.1.7、输出预想故障场景的临界切除时间CCT＝tlower。
作为优化，S3中，构建基于深度交叉网络的暂态稳定评估模型，并利用所述暂态稳定数据库完成所述暂态稳定评估模型的参数训练的具体步骤为：
基于步骤S2产生的暂态稳定数据库，以所述发电机组的有功功率和励磁参考电压作为输入特征，以预想故障场景的临界切除时间作为目标属性，构建基于深度交叉网络的暂态稳定评估模型，并利用步骤S2产生的暂态稳定数据库完成暂态稳定评估模型的参数训练，训练完毕后将各预想故障场景对应的深度交叉网络的暂态稳定评估模型存入规则库中。
作为优化，步骤S3生成的若干基于深度交叉网络的暂态稳定评估模型表示为：
Figure BDA0003793749540000031
其中，ΦC CCT为深度交叉网络的暂态稳定评估模型，ΦC CCT中的下标C表示预想故障集含有C个预想故障场景，也代表S3总共生成C个深度交叉网络评估模型，用于预测相应故障场景的临界切除时间，CCT代表预想故障场景的临界切除时间，PG为发电机有功功率，VG为发电机电压、PL和QL分别代表负荷有功功率和无功功率。
作为优化，S4中，确定下一个调度时段的电网运行方式，利用深度交叉网络模型预判该运行方式的暂态稳定性的具体方法为：
S4.1、在电网在线运行阶段，基于短期负荷预测结果和日前发电机组组合结果确定下一个调度时段的电网运行方式；
S4.2、利用深度交叉网络模型快速预估电网在该运行方式下电力系统的各预想故障场景的临界切除时间，若所述电力系统中的任意所述预想故障场景的临界切除时间CCT小于其继电保护装置整定的动作时间tr，则判定该电力系统存在暂态失稳风险，将预估结果返回给电网运行调度人员，并返回告警信号。
作为优化，S5中，基于深度交叉网络模型推导各发电机有功功率对系统暂态稳定裕度的数值灵敏度，并排序筛选参与预防控制的关键发电机组的具体为步骤为：
S5.1、获取步骤S3生成了若干完善的基于深度交叉网络的暂态稳定评估模型，计算暂态稳定评估模型对各发电机组的有功功率的全微分为：
Figure BDA0003793749540000041
式中，
Figure BDA0003793749540000042
为第c个预想故障临界切除时间的深度交叉网络模型的数学展开式，NG为总发电机组数量，ΔPG，i表示第i台发电机组有功功率的变化量；
S5.2、采用S5.1得到的全微分对应的偏微分来衡量各发电机组有功功率对临界切除时间的灵敏度；
S5.3、针对每一个预想故障场景，计算该电力系统内的所有发电机组的灵敏度，若灵敏度为正，则该发电机组对电力系统的稳定性提升为正作用，应增加该发电机组的有功出力；反之，若灵敏度为负，则该发电机组对电力系统的稳定性提升为反作用，应减少该发电机组的有功出力；
S5.3、根据灵敏度对发电机组进行从大到小排序，选取正向灵敏度排序位于前b％的发电机组作为可增加出力的发电机组集合，选取负向灵敏度排序位于后b％的发电机组作为可减少出力的发电机组集合，b为正数；
S5.4、汇总各预想故障场景下对应参加出力调整的发电机组以及该发电机组的有功出力数据，以构成电网暂态稳定预防控制的发电机组及相应的决策变量。
作为优化，S6中，所述优化决策模型的优化目标为所述关键发电机组有功功率调整的经济代价最小，约束条件包括电网直流潮流等式约束、暂态稳定不等式约束、线路有功潮流上下限安全约束以及发电机有功出力调整的可行性不等式约束，所述优化决策模型的表达式如下：
Figure BDA0003793749540000051
Figure BDA0003793749540000052
其中，
Figure BDA0003793749540000053
和
Figure BDA0003793749540000054
分别为所述关键发电机组的有功功率的正向调整量和负向调整量，
Figure BDA0003793749540000055
为初始运行方式下的所述关键发电机组的有功功率，
Figure BDA0003793749540000056
和
Figure BDA0003793749540000057
分别为发电机组有功功率的正向调整和负向调整的单位成本系数，G+和G-分别表示参与有功功率正向调整和负向调整的发电机组集合，B为电网节点导纳矩阵，而θ为各节点电压相位向量，
Figure BDA0003793749540000058
表示深度交叉网络模型，
Figure BDA0003793749540000059
和
Figure BDA00037937495400000510
均表示发电机组有功功率对临界切除时间的灵敏度，tr表示继电保护装置动作、切除故障线路的时间，Pij 和
Figure BDA00037937495400000511
分别表示支路有功潮流的上下限，L表示电网支路集合，<i，j>∈L表示节点i和节点j之间存在支路，θi和θj则分别表示节点i和节点j的电压相位，
Figure BDA00037937495400000512
表示发电机组有功功率正向调整的最大限值，
Figure BDA00037937495400000513
表示发电机组有功功率负向调整的最大限值。
作为优化，S6中，利用逐次线性逼近解法来求解所述优化决策模型得到满足稳定运行要求的电网运行方式的具体步骤为：
S6.1、对所述优化决策模型进行参数初始化，确定初始运行方式下的所述关键发电机组的有功功率
Figure BDA00037937495400000514
并将初始运行方式设为当前运行方式；
S6.2、利用深度交叉网络评估电网当前运行方式下的各预想故障场景的临界切除时间，并估算临界切除时间对所述关键发电机组有功功率的灵敏度；
S6.3、将当前运行方式的所述关键发电机组的有功功率的灵敏度代入所述优化决策模型，求解所述优化决策模型得到所述关键发电机组的有功功率的正向调整量
Figure BDA00037937495400000515
和所述关键发电机组的有功功率的负向调整量
Figure BDA00037937495400000516
修正所述关键发电机组的有功功率并设置新运行方式为当前运行方式；
S6.4、利用深度交叉网络评估电网当前运行方式的暂态稳定性，若电力系统对任意预想故障场景均能保持暂态稳定，进入步骤S6.5；否则，进入步骤S6.2；
S6.5、当发电机组的有功功率调整量小于预设阈值时，结束并输出所述关键发电机组的有功功率调整策略，根据所述调整策略得到满足稳定运行要求的电网运行方式，否则返回步骤S6.2。
本发明与现有技术相比，具有如下的优点和有益效果：
在线暂态稳定评估与预防控制是预防电力系统大停电事故的重要手段，本发明提出基于深度交叉网络的电力系统暂态稳定预防控制方法，实现了基于深度交叉网络的电网暂态稳定快速评估，建立了神经网络规则驱动的含暂态稳定约束的运行方式优化模型并进行模型求解，得到基于发电机组有功功率优化调整的预防控制策略，该方法可对存在失稳风险的运行方式进行预警并生成预防控制策略，有效提升电力系统运行安全水平。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为本发明所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法的方法流程图；
图2为深度交叉网络模型结构示意图；
图3为本发明中的实施例的IEEE 39节点测试系统的结构示意图；
图4为使用本发明的方法在预防控制前后各机组有功出力图；
图5为使用本发明的方法在预防控制前后预想故障下发电机功角轨迹。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
一种基于深度交叉网络的电力系统暂态稳定预防控制方法，包括：
S1、在离线阶段，设置电力系统相关参数，并根据所述电力系统相关参数基于蒙特卡洛抽样生成若干随机的电网运行方式，形成电网运行方式数据库。
本实施例中，S1中，所述电力系统相关参数包括负荷的有功、无功功率以及发电机组的有功功率的波动范围，根据所述电力系统相关参数基于蒙特卡洛抽样生成若干随机的电网运行方式，形成电网运行方式数据库的具体步骤为：
S1.1、针对目标电力系统，基于日前负荷预测与发电机组组合结果，形成未来24小时共96个时间点的基准运行工况；
日前负荷预测是电网运行的重要工作内容，本发明可采用现有方法完成日前负荷预测，并为本发明方法提供输入数据。
S1.2、将负荷的有功功率、无功功率的均值定义为预测值的中心值，根据标准差为a％的正态分布对所述负荷的有功功率、无功功率进行随机抽样得到负荷需求的随机值，a为正数；考虑电力负荷预测的典型误差水平为5％，因此，将标准差定义为5％。
S1.3、给定在电力系统实时运行中用于有功平衡的可调的发电机组，设置该可调的发电机组的有功功率可调范围为[Puc－20％PN,Puc+20％PN]，其中，Puc为日前发电机组组合生成的发电机组有功功率出力计划，PN为发电机组的额定功率，在各发电机组的有功功率范围内按均匀分布进行随机抽样得到发电机组出力的随机值；
同样地，日前发电机组组合是电网运行的重要工作内容，本发明未涉及提出全新的日前发电机组组合方法，可采用现有方法完成日前发电机组组合、并为本发明方法提供输入数据即可。
S1.4、通过蒙特卡洛抽样方法生成若干随机的电网运行方式并进行潮流计算，将潮流收敛且满足静态安全运行规则的电网运行方式保存到电网运行方式数据库中。
通过蒙特卡洛抽样方法生成“负荷需求的随机值”和“发电机组出力的随机值”。
潮流收敛且满足静态安全运行规则具体为：
首先，关于潮流收敛，潮流计算依托于电力系统综合稳定程序PSASP(或其他电力系统分析软件)，程序计算结果包含潮流是否收敛的信息。
其次，关于“静态安全运行规则”，主要是分析节点电压幅值是否存在越限的情况，节点电压幅值应满足0.95p.u.<＝V<＝1.05p.u.(p.u.表示标幺值的意思)的安全范围，以及线路和变压器(统称为支路)的电流是否存在越限的情况，支路电流应满足I<Imax(Imax表示线路、变压器自身额定容量)，同时满足上述两方面条件时认为电网运行方式满足静态安全运行规则。
S2、设置预想故障集，并将所述预想故障集中的任意一个预想故障场景结合所述电网运行方式数据库中的任意一个电网运行方式进行时域仿真计算和暂态稳定分析，形成电力系统的暂态稳定数据库。即针对任意的“电网运行方式-预想故障场景”的组合进行时域仿真计算和暂态稳定分析，形成暂态稳定数据库。
本实施例中，S2中，形成暂态稳定数据库的具体步骤为：
S2.1、针对目标电力系统设置预想故障集，并获取步骤S1生成的电网运行方式数据库，每次从所述电网运行方式数据库中选取一个电网运行方式，并从所述预想故障集中选取一个故障场景，采用二分搜索法计算该预想故障场景的临界切除时间(CriticalClearing Time,CCT)。
本实施例中，采用二分搜索法计算预想故障场景的临界切除时间的具体步骤为：
S2.1.1、输入电网故障前的电网运行方式和预想故障场景，将二分区间初始化为[tlower,tupper]＝[0,10]，tlower、tupper分别为二分区间的下界值和上界值，tlower、tupper的单位为周波；
S2.1.2、设置故障切除时间tc＝tlower，对预想故障场景进行时域仿真，并按最大发电机组对功角差δmax是否大于360°来进行稳定性判断，当δmax>360°时，判断电力系统发生暂态失稳，进入S2.1.4，否则，当δmax<360°时，判断电力系统保持暂态稳定，进入S2.1.3；
功角差是用于判断系统暂态稳定与否的依据容。对于电力系统暂态稳定问题，故障切除时间越长，电力系统受扰程度越严重，暂态稳定性越差。而二分区间是为了搜索电力系统临界状态(即稳定与失稳之间的边界)的故障切除时间。
针对预想故障，利用电力系统综合稳定程序PSASP进行时域仿真计算，PSASP程序输出目标电力系统在代表性电网潮流方式下发生该预想故障后的发电机功角轨迹数据，按下式计算暂态稳定指标(Transient Stability Index，TSI)：
Figure BDA0003793749540000081
Figure BDA0003793749540000082
式中，Δδmax为时域仿真期间的最大机组对功角差，t表示时间变量，假设预想故障在初始时刻(0秒时刻)发生，而时域仿真计算的最终时刻为T并取T＝20秒，
Figure BDA0003793749540000083
为目标电力系统的发电机集合，δ表示发电机功角，而δi(t)和δj(t)分别代指第t秒时刻第i台发电机和第j台发电机的功角。
当TSI>0时，目标电力系统在给定预想故障下可以保持暂态稳定；反之，当TSI<0时，目标电力系统在给定预想故障下发生暂态失稳。
S2.1.3、按给定步长值tstep延长故障切除时间，然后刷新二分区间，即将原二分区间的上限值赋值给新的二分区间的下限值，新的二分区间的上限值为原二分区间的上限值加上给定步长值，即tlower新＝tupper旧，tupper新＝tupper旧+tstep，然后返回S2.1.2；
S2.1.4、将故障切除时间重新设置为tc＝(tlower+tupper)/2，对预想故障场景进行时域仿真，并按最大发电机组的功角差δmax是否大于360°来进行稳定性判断，当δmax>360°时，判断电力系统发生暂态失稳，否则，当δmax<360°时，判断电力系统保持暂态稳定；
S2.1.5、若电力系统保持暂态稳定，则用S2.1.4重新确定的故障切除时间tc代替二分区间的下界值tlower形成新的二分区间；若电力系统为暂态失稳时，则用S2.1.4重新确定的故障切除时间tc代替二分区间的上界值tupper形成新的二分区间，以此刷新二分区间；
S2.1.6、检查二分区间的跨度，若二分区间的跨度间隙tupper－tlower<1，则结束二分搜索，进入S2.1.7；否则，返回S2.1.4继续二分搜索；
S2.1.7、输出预想故障场景的临界切除时间CCT＝tlower。
S2.2、遍历所述电网运行方式数据库中的所有电网运行方式与所述预想故障集中的所有预想故障场景组成的组合，计算所有预想故障场景的临界切除时间，以第一发电机组的有功功率作为输入特征，以预想故障场景的临界切除时间作为目标属性，汇总所有对应的输入特征和目标属性以形成暂态稳定数据知识库。
S3、构建电力系统基于深度交叉网络的暂态稳定评估模型，并利用所述暂态稳定数据库完成所述暂态稳定评估模型的参数训练，以得到若干完善的基于深度交叉网络的暂态稳定评估模型。
本实施例中，构建基于深度交叉网络的暂态稳定评估模型，并利用所述暂态稳定数据库完成所述暂态稳定评估模型的参数训练的具体步骤为：
基于步骤S2产生的暂态稳定数据库，以所述发电机组的有功功率和励磁参考电压作为输入特征，以预想故障场景的临界切除时间作为目标属性，构建基于深度交叉网络的暂态稳定评估模型，并利用步骤S2产生的暂态稳定数据库完成暂态稳定评估模型的参数训练，训练完毕后将各预想故障场景对应的深度交叉网络的暂态稳定评估模型存入规则库中。
本发明所采用的深度交叉网络(Deep Cross Network,DCN)包含交叉网络(CrossNetwork)和输出层(Output Layer)，总体的深度交叉网络模型结构如图2所示。
一、交叉网络
交叉网络的前馈计算公式如下：
Figure BDA0003793749540000091
式中，
Figure BDA0003793749540000092
分别为第l层以及第l+1层的输出特征；
Figure BDA0003793749540000093
为第l层的权重，T表示向量转置，即向量
Figure BDA0003793749540000094
为第l层特征向量xl的转置。
二、输出层
输出层通过线性映射得到最终预测结果：
Figure BDA0003793749540000101
式中，Wout和bout分别为输出层的权重和偏置，
Figure BDA0003793749540000102
为预测结果。
深度交叉网络模型的后馈训练的损失函数为：
Figure BDA0003793749540000103
式中，yi为训练样本的真实标签，N为总训练样本数，λ为L2正则化的系数，wl泛指深度交叉网络各层的模型参数，设置损失函数后，可利用Adam算法进行参数学习。
本实施例中，步骤S3生成的若干基于深度交叉网络的暂态稳定评估模型表示为：
Figure BDA0003793749540000104
其中，ΦC CCT为深度交叉网络的暂态稳定评估模型，ΦC CCT中的下标C表示预想故障集含有C个预想故障场景，也代表S3总共生成C个深度交叉网络评估模型，用于预测相应故障场景的临界切除时间，CCT代表预想故障场景的临界切除时间，PG为发电机有功功率，VG为发电机电压、PL和QL分别代表负荷有功功率和无功功率。
S4、在线阶段，确定下一个调度时段的电网运行方式，利用深度交叉网络模型预判该运行方式的暂态稳定性。
这里，确定下一个调度时段的电网运行方式可以参考下面的步骤：
首先，根据负荷预测确定下一个调度时段的负荷需求(负荷预测是电网运行的一个重要工作环节，本发明未涉及负荷预测方法的创新，采用现有的电力负荷预测方法即可)；
其次，根据日前发电计划确定下一个调度时段的发电机开机状态和有功出力(日前发电计划整定亦是电网运行的一个重要工作环节，本发明未涉及日前发电计划的相关方法创新，采用现有的日前发电计划即可)
在确定负荷需求和发电机有功出力后，通过电网潮流计算即可得到电网运行方式。(电网潮流计算是现有、成熟的电网分析计算方法)
具体的，本实施例中，S4中，确定下一个调度时段的电网运行方式，利用深度交叉网络模型预判该运行方式的暂态稳定性的具体方法为：
S4.1、在电网在线运行阶段，基于短期负荷预测(即S1.1中的日前负荷预测)结果和日前发电机组组合结果确定下一个调度时段的电网运行方式，在确定负荷预测结果和发电机组组合结果之后，计算该电力系统的潮流计算即可得到电网运行方式，电网运行方式即潮流计算结果；
S4.2、利用深度交叉网络模型快速预估电网在该运行方式下电力系统的各预想故障场景的临界切除时间，若所述电力系统中的任意所述预想故障场景的临界切除时间CCT小于其继电保护装置整定的动作时间tr，则判定该电力系统存在暂态失稳风险，将预估结果返回给电网运行调度人员，并返回告警信号。
利用深度交叉网络模型快速预估电网在该运行方式下电力系统的各预想故障场景的临界切除时间具体为：利用S3生成的深度交叉网络模型，将PG，VG，PL，QL输入到深度交叉网络模型，完成该模型的神经网络前馈运算，即可输出临界切除时间。
预估结果即为电力系统是否存在暂态失稳风险的结论。
S5、基于深度交叉网络模型推导电力系统中的各发电机组有功功率对电力系统暂态稳定裕度的数值灵敏度，并排序筛选参与预防控制的关键发电机组；
本实施例中，S5中，基于深度交叉网络模型推导各发电机有功功率对系统暂态稳定裕度的数值灵敏度，并排序筛选参与预防控制的关键发电机组的具体为步骤为：
S5.1、获取步骤S3生成了若干完善的基于深度交叉网络的暂态稳定评估模型，计算暂态稳定评估模型对各发电机组的有功功率的全微分为：
Figure BDA0003793749540000111
式中，
Figure BDA0003793749540000112
为第c个预想故障临界切除时间的深度交叉网络模型的数学展开式，NG为总发电机组数量，ΔPG，i表示第i台发电机组有功功率的变化量；
S5.2、采用S5.1得到的全微分对应的偏微分来衡量各发电机组有功功率对临界切除时间的灵敏度；
S5.3、针对每一个预想故障场景，计算该电力系统内的所有发电机组的灵敏度，若灵敏度为正，则该发电机组对电力系统的稳定性提升为正作用，应增加该发电机组的有功出力；反之，若灵敏度为负，则该发电机组对电力系统的稳定性提升为反作用，应减少该发电机组的有功出力；
S5.3、根据灵敏度对发电机组进行从大到小排序，选取正向灵敏度排序位于前b％的发电机组作为可增加出力的发电机组集合，选取负向灵敏度排序位于后b％的发电机组作为可减少出力的发电机组集合，b为正数；这里，b为25，即选取正向灵敏度排序位于前25％的发电机组作为可增加出力的发电机组集合，选取负向灵敏度排序位于后25％的发电机组作为可减少出力的发电机组集合。
S5.4、汇总各预想故障场景下对应参加出力调整的发电机组以及该发电机组的有功出力数据，以构成电网暂态稳定预防控制的发电机组及相应的决策变量。
S6、构建含暂态稳定约束的关于所述关键发电机组的电网运行方式的优化决策模型，利用逐次线性逼近解法来求解所述优化决策模型得到基于关键发电机组的有功功率优化调整的预防控制策略，以满足稳定运行要求的电网运行方式，实现对电力系统暂态稳定预防控制。
本实施例中，S6中，所述优化决策模型的优化目标为参与预防控制的发电机组有功功率调整的经济代价最小，约束条件包括电网直流潮流等式约束，暂态稳定不等式约束，线路有功潮流上下限安全约束，以及发电机有功出力调整的可行性不等式约束，所述优化决策模型的表达式如下：
Figure BDA0003793749540000121
Figure BDA0003793749540000122
其中，
Figure BDA0003793749540000123
和
Figure BDA0003793749540000124
分别为参与预防控制的发电机组的有功功率的正向调整量和负向调整量，
Figure BDA0003793749540000125
为初始运行方式下的参与预防控制的发电机组的有功功率，
Figure BDA0003793749540000126
和
Figure BDA0003793749540000127
分别为发电机组有功功率的正向调整和负向调整的单位成本系数，G+和G-分别表示参与有功功率正向调整和负向调整的发电机组集合，B为电网节点导纳矩阵，而θ为各节点电压相位向量，
Figure BDA0003793749540000128
表示深度交叉网络模型，
Figure BDA0003793749540000129
和
Figure BDA00037937495400001210
均表示发电机组有功功率对临界切除时间的灵敏度，tr表示继电保护装置动作、切除故障线路的时间，Pij 和
Figure BDA00037937495400001211
分别表示支路有功潮流的上下限，L表示电网支路集合，<i，j>∈L表示节点i和节点j之间存在支路，θi和θj则分别表示节点i和节点j的电压相位，
Figure BDA00037937495400001212
表示发电机组有功功率正向调整的最大限值，
Figure BDA00037937495400001213
表示发电机组有功功率负向调整的最大限值。
本实施例中，S6中，利用逐次线性逼近解法来求解所述优化决策模型得到满足稳定运行要求的电网运行方式的具体步骤为：
S6.1、对所述优化决策模型进行参数初始化，确定初始运行方式下的参与预防控制的发电机组的有功功率
Figure BDA0003793749540000131
并将初始运行方式设为当前运行方式；
S6.2、利用深度交叉网络评估电网当前运行方式下的各预想故障场景的临界切除时间，并估算临界切除时间对参与调控的发电机组有功功率的灵敏度；估算可以参考步骤S5.1和S5.2的方法。
S6.3、将当前运行方式的参与调控的发电机组的有功功率的灵敏度代入所述优化决策模型，求解所述优化决策模型得到该参与调控的发电机组的有功功率的正向调整量
Figure BDA0003793749540000132
和参与调控的发电机组的有功功率的负向调整量
Figure BDA0003793749540000133
修正参与调控的发电机组的有功功率并设置新运行方式为当前运行方式；
S6.4、利用深度交叉网络评估电网当前运行方式的暂态稳定性，若电力系统对任意预想故障场景均能保持暂态稳定，进入步骤S6.5；否则，进入步骤S6.2；评估的具体过程可以参考步骤S4.2：利用深度交叉网络模型快速预估电网在该运行方式下电力系统的各预想故障场景的临界切除时间，若所述电力系统中的任意所述预想故障场景的临界切除时间CCT小于其继电保护装置整定的动作时间tr，则判定该电力系统存在暂态失稳风险。
S6.5、当发电机组的有功功率调整量小于预设阈值(如10MW)时，结束并输出参与调控的发电机组的有功功率调整策略，根据所述调整策略得到满足稳定运行要求的电网运行方式，否则返回步骤S6.2。
调整策略就是指的优化决策模型的各参数的值，即
Figure BDA0003793749540000134
和
Figure BDA0003793749540000135
这里的“电网运行方式”包含了“发电机组的有功功率”，还包含负荷有功功率和无功功率等。这里是在负荷不变的情况下，调整发电机组的有功功率，那么电网潮流计算的结果也会改变，即“电网运行方式”发生改变。
接下来，以IEEE 39节点测试系统为例进行说明。其中，IEEE 39节点测试系统如图3所示。
设置预想故障集如表1所示，“*”表示故障线路在该母线侧发生永久性三相短路故障，经过0.05秒后保护装置启动切除故障线路从而隔离故障。
表1预想故障集
Figure BDA0003793749540000141
对全网的发电机有功出力和负荷有功/无功需求等比例调整，调整为80％，85％，…，120％倍基准值的9种负荷水平，不同负荷水平下对应运行方式视为基于日前负荷预测和机组组合生成的预测运行方式集合。设置负荷有功/无功需求按均值为基准值、方差为5％倍基准值的正态分布随机波动，发电机有功出力在[Puc－20％PN,Puc+20％PN]范围内按均匀分布随机波动。基于蒙特卡洛随机抽样生成5500个随机运行工况，构成电网运行工况集。
考虑表1所示预想故障集，对所有“电网运行方式-预想故障”组合进行暂态稳定分析，采用PSASP电力系统分析综合程序进行时域仿真分析，并采用二分搜索法求解预想故障在该运行方式下的临界切除时间。遍历所有电网运行工况-预想故障组合，记录所有运行方式下发电机组有功功率和预想故障临界切除时间，生成暂态稳定数据库。
按60：20：20的比例将电网运行工况集随机划分为训练集、校验集和测试集。基于PyTorch库搭建深度交叉网络，并采用训练集数据来训练模型。模型训练采用Adam算法，学习率为0.001。校验集用于判断深度交叉网络是否过拟合，在每个训练次代校验评估神经网络模型的泛化能力，当校验集数据预测精度逐步下降而训练集数据预测精度逐步上升，提前结束训练，避免进一步的模型过拟合。测试集数据假定为电网实时运行阶段的实际运行工况，并在本发明中用于展示深度交叉网络对电网暂态稳定评估的预测精度。表2给出深度交叉网络对预想故障临界切除时间的均方根误差RMSE，以故障场景#1为例，RMSE为0.42周波，由于预测误差服从正态分布，根据正态分布的统计特性可知，95％的测试样本其预测误差落在[-2×0.42,+2×0.42]的区间内，亦即预测误差的绝对值不大于2×0.42＝0.84周波的可信度为95％。
表2深度交叉网络对预想故障临界切除时间的均方根误差
故障场景 #1 #2 #3
RMSE/周波 0.42 0.39 0.37
当电网实时运行工况被判定为失稳时，应及时进行预防控制以避免暂态失稳。基于深度交叉网络构建电网暂态稳定预防控制优化模型，利用逐次线性逼近方法求解得到预防控制策略。预防控制前后各机组有功出力情况如图4所示。
最后对预防控制策略的有效性进行校核验证。采用PSASP程序对预想故障集进行时域仿真计算与暂态稳定分析。预防控制前后电网对预想故障的发电机功角轨迹如图5所示。
从图5中预防控制前后功角轨迹对比可以看出，原电网运行工况下预想故障1-3可引发电网暂态失稳；经过发电再调度预防控制，新电网运行工况下电网可耐受预想故障1-3，因此经过预防控制后电网可恢复暂态稳定性，有效平抑暂态失稳风险。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，包括：
S1、在离线阶段，设置电力系统相关参数，并根据所述电力系统相关参数基于蒙特卡洛抽样生成若干随机的电网运行方式，形成电网运行方式数据库；
S2、设置预想故障集，并将所述预想故障集中的任意一个预想故障场景结合所述电网运行方式数据库中的任意一个电网运行方式进行时域仿真计算和暂态稳定分析，形成电力系统的暂态稳定数据库；
S3、构建电力系统基于深度交叉网络的暂态稳定评估模型，并利用所述暂态稳定数据库完成所述暂态稳定评估模型的参数训练，以得到若干完善的基于深度交叉网络的暂态稳定评估模型；
S4、在线阶段，确定下一个调度时段的电网运行方式，利用深度交叉网络模型预判该运行方式的暂态稳定性；
S5、基于深度交叉网络模型推导电力系统中的各发电机组有功功率对电力系统暂态稳定裕度的数值灵敏度，并排序筛选参与预防控制的关键发电机组；
S6、构建含暂态稳定约束的关于所述关键发电机组的电网运行方式的优化决策模型，利用逐次线性逼近解法来求解所述优化决策模型得到基于关键发电机组的有功功率优化调整的预防控制策略，以满足稳定运行要求的电网运行方式，实现对电力系统暂态稳定预防控制。
2.根据权利要求1所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，S1中，所述电力系统相关参数包括负荷的有功、无功功率以及发电机组的有功功率的波动范围，根据所述电力系统相关参数基于蒙特卡洛抽样生成若干随机的电网运行方式，形成电网运行方式数据库的具体步骤为：
S1.1、针对目标电力系统，基于日前负荷预测与发电机组组合结果，形成未来h小时共4*h个时间点的基准运行工况，h为正整数；
S1.2、将负荷的有功功率、无功功率的均值定义为预测值的中心值，根据标准差为a％的正态分布对所述负荷的有功功率、无功功率进行随机抽样得到负荷需求的随机值，a为正数；
S1.3、给定在电力系统实时运行中用于有功平衡的可调的发电机组，设置该可调的发电机组的有功功率可调范围为[Puc－20％PN,Puc+20％PN]，其中，Puc为日前发电机组组合生成的发电机组有功功率出力计划，PN为发电机组的额定功率，在各发电机组的有功功率范围内按均匀分布进行随机抽样得到发电机组出力的随机值；
S1.4、通过蒙特卡洛抽样方法生成若干随机的电网运行方式并进行潮流计算，将潮流收敛且满足静态安全运行规则的电网运行方式保存到电网运行方式数据库中。
3.根据权利要求1所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，S2中，形成暂态稳定数据库的具体步骤为：
S2.1、针对目标电力系统设置预想故障集，并获取步骤S1生成的电网运行方式数据库，每次从所述电网运行方式数据库中选取一个电网运行方式，并从所述预想故障集中选取一个故障场景，采用二分搜索法计算该预想故障场景的临界切除时间；
S2.2、遍历所述电网运行方式数据库中的所有电网运行方式与所述预想故障集中的所有预想故障场景组成的组合，计算所有预想故障场景的临界切除时间，以第一发电机组的有功功率作为输入特征，以预想故障场景的临界切除时间作为目标属性，汇总所有对应的输入特征和目标属性以形成暂态稳定数据知识库。
4.根据权利要求4所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，采用二分搜索法计算预想故障场景的临界切除时间的具体步骤为：
S2.1.1、输入电网故障前的电网运行方式和预想故障场景，将二分区间初始化为[tlower,tupper]＝[0,10]，tlower、tupper分别为二分区间的下界值和上界值，tlower、tupper的单位为周波；
S2.1.2、设置故障切除时间tc＝tlower，对预想故障场景进行时域仿真，并按最大发电机组对功角差δmax是否大于360°来进行稳定性判断，当δmax>360°时，判断电力系统发生暂态失稳，进入S2.1.4，否则，当δmax<360°时，判断电力系统保持暂态稳定，进入S2.1.3；
S2.1.3、按给定步长值tstep延长故障切除时间，然后刷新二分区间，即将原二分区间的上限值赋值给新的二分区间的下限值，新的二分区间的上限值为原二分区间的上限值加上给定步长值，即tlower新＝tupper旧，tupper新＝tupper旧+tstep，然后返回S2.1.2；
S2.1.4、将故障切除时间重新设置为tc＝(tlower+tupper)/2，对预想故障场景进行时域仿真，并按最大发电机组的功角差δmax是否大于360°来进行稳定性判断，当δmax>360°时，判断电力系统发生暂态失稳，否则，当δmax<360°时，判断电力系统保持暂态稳定；
S2.1.5、若电力系统保持暂态稳定，则用S2.1.4重新确定的故障切除时间tc代替二分区间的下界值tlower形成新的二分区间；若电力系统为暂态失稳时，则用S2.1.4重新确定的故障切除时间tc代替二分区间的上界值tupper形成新的二分区间，以此刷新二分区间；
S2.1.6、检查二分区间的跨度，若二分区间的跨度间隙tupper－tlower<1，则结束二分搜索，进入S2.1.7；否则，返回S2.1.4继续二分搜索；
S2.1.7、输出预想故障场景的临界切除时间CCT＝tlower。
5.根据权利要求1所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，S3中，构建基于深度交叉网络的暂态稳定评估模型，并利用所述暂态稳定数据库完成所述暂态稳定评估模型的参数训练的具体步骤为：
基于步骤S2产生的暂态稳定数据库，以所述发电机组的有功功率和励磁参考电压作为输入特征，以预想故障场景的临界切除时间作为目标属性，构建基于深度交叉网络的暂态稳定评估模型，并利用步骤S2产生的暂态稳定数据库完成暂态稳定评估模型的参数训练，训练完毕后将各预想故障场景对应的深度交叉网络的暂态稳定评估模型存入规则库中。
6.根据权利要求5所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，步骤S3生成的若干基于深度交叉网络的暂态稳定评估模型表示为：
Figure FDA0003793749530000031
其中，ΦC CCT为深度交叉网络的暂态稳定评估模型，ΦC CCT中的下标C表示预想故障集含有C个预想故障场景，也代表S3总共生成C个深度交叉网络评估模型，用于预测相应故障场景的临界切除时间，CCT代表预想故障场景的临界切除时间，PG为发电机有功功率，VG为发电机电压、PL和QL分别代表负荷有功功率和无功功率。
7.根据权利要求6所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，S4中，确定下一个调度时段的电网运行方式，利用深度交叉网络模型预判该运行方式的暂态稳定性的具体方法为：
S4.1、在电网在线运行阶段，基于短期负荷预测结果和日前发电机组组合结果确定下一个调度时段的电网运行方式；
S4.2、利用深度交叉网络模型快速预估电网在该运行方式下电力系统的各预想故障场景的临界切除时间，若所述电力系统中的任意所述预想故障场景的临界切除时间CCT小于其继电保护装置整定的动作时间tr，则判定该电力系统存在暂态失稳风险，将预估结果返回给电网运行调度人员，并返回告警信号。
8.根据权利要求1所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，S5中，基于深度交叉网络模型推导各发电机有功功率对系统暂态稳定裕度的数值灵敏度，并排序筛选参与预防控制的关键发电机组的具体为步骤为：
S5.1、获取步骤S3生成了若干完善的基于深度交叉网络的暂态稳定评估模型，计算暂态稳定评估模型对各发电机组的有功功率的全微分为：
Figure FDA0003793749530000041
式中，
Figure FDA0003793749530000042
为第c个预想故障临界切除时间的深度交叉网络模型的数学展开式，NG为总发电机组数量，ΔPG，i表示第i台发电机组有功功率的变化量；
S5.2、采用S5.1得到的全微分对应的偏微分来衡量各发电机组有功功率对临界切除时间的灵敏度；
S5.3、针对每一个预想故障场景，计算该电力系统内的所有发电机组的灵敏度，若灵敏度为正，则该发电机组对电力系统的稳定性提升为正作用，应增加该发电机组的有功出力；反之，若灵敏度为负，则该发电机组对电力系统的稳定性提升为反作用，应减少该发电机组的有功出力；
S5.3、根据灵敏度对发电机组进行从大到小排序，选取正向灵敏度排序位于前b％的发电机组作为可增加出力的发电机组集合，选取负向灵敏度排序位于后b％的发电机组作为可减少出力的发电机组集合，b为正数；
S5.4、汇总各预想故障场景下对应参加出力调整的发电机组以及该发电机组的有功出力数据，以构成电网暂态稳定预防控制的发电机组及相应的决策变量。
9.根据权利要求1所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，S6中，所述优化决策模型的优化目标为所述关键发电机组的有功功率调整的经济代价最小，约束条件包括电网直流潮流等式约束、暂态稳定不等式约束、线路有功潮流上下限安全约束以及所述关键发电机组有功出力调整的可行性不等式约束，所述优化决策模型的表达式如下：
Figure FDA0003793749530000043
Figure FDA0003793749530000044
其中，
Figure FDA0003793749530000045
和
Figure FDA0003793749530000046
分别为所述关键发电机组的有功功率的正向调整量和负向调整量，
Figure FDA0003793749530000047
为初始运行方式下的所述关键发电机组的有功功率，
Figure FDA0003793749530000048
和
Figure FDA0003793749530000049
分别为发电机组有功功率的正向调整和负向调整的单位成本系数，G+和G-分别表示参与有功功率正向调整和负向调整的发电机组集合，B为电网节点导纳矩阵，而θ为各节点电压相位向量，
Figure FDA0003793749530000051
表示深度交叉网络模型，
Figure FDA0003793749530000052
和
Figure FDA0003793749530000053
均表示发电机组有功功率对临界切除时间的灵敏度，tr表示继电保护装置动作、切除故障线路的时间，Pij 和
Figure FDA0003793749530000054
分别表示支路有功潮流的上下限，L表示电网支路集合，<i，j>∈L表示节点i和节点j之间存在支路，θi和θj则分别表示节点i和节点j的电压相位，
Figure FDA0003793749530000055
表示发电机组有功功率正向调整的最大限值，
Figure FDA0003793749530000056
表示发电机组有功功率负向调整的最大限值。
10.根据权利要求9所述的一种基于深度交叉网络的电力系统暂态稳定预防控制方法，其特征在于，S6中，利用逐次线性逼近解法来求解所述优化决策模型得到满足稳定运行要求的电网运行方式的具体步骤为：
S6.1、对所述优化决策模型进行参数初始化，确定初始运行方式下的所述关键发电机组的有功功率
Figure FDA0003793749530000057
并将初始运行方式设为当前运行方式；
S6.2、利用深度交叉网络评估电网当前运行方式下的各预想故障场景的临界切除时间，并估算临界切除时间对所述关键发电机组有功功率的灵敏度；
S6.3、将当前运行方式的所述关键发电机组的有功功率的灵敏度代入所述优化决策模型，求解所述优化决策模型得到所述关键发电机组的有功功率的正向调整量
Figure FDA0003793749530000058
和所述关键发电机组的有功功率的负向调整量
Figure FDA0003793749530000059
修正所述关键发电机组的有功功率并设置新运行方式为当前运行方式；
S6.4、利用深度交叉网络评估电网当前运行方式的暂态稳定性，若电力系统对任意预想故障场景均能保持暂态稳定，进入步骤S6.5；否则，进入步骤S6.2；
S6.5、当发电机组的有功功率调整量小于预设阈值时，结束并输出所述关键发电机组的有功功率调整策略，根据所述调整策略得到满足稳定运行要求的电网运行方式，否则返回步骤S6.2。
CN202210962548.9A 2022-08-11 2022-08-11 一种基于深度交叉网络的电力系统暂态稳定预防控制方法 Pending CN115133556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210962548.9A CN115133556A (zh) 2022-08-11 2022-08-11 一种基于深度交叉网络的电力系统暂态稳定预防控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210962548.9A CN115133556A (zh) 2022-08-11 2022-08-11 一种基于深度交叉网络的电力系统暂态稳定预防控制方法

Publications (1)

Publication Number Publication Date
CN115133556A true CN115133556A (zh) 2022-09-30

Family

ID=83385412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210962548.9A Pending CN115133556A (zh) 2022-08-11 2022-08-11 一种基于深度交叉网络的电力系统暂态稳定预防控制方法

Country Status (1)

Country Link
CN (1) CN115133556A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116154791A (zh) * 2023-03-14 2023-05-23 山东大学 一种协同多可控资源的功角稳定控制方法、系统及终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116154791A (zh) * 2023-03-14 2023-05-23 山东大学 一种协同多可控资源的功角稳定控制方法、系统及终端
CN116154791B (zh) * 2023-03-14 2023-09-05 山东大学 一种协同多可控资源的功角稳定控制方法、系统及终端

Similar Documents

Publication Publication Date Title
Shukla et al. Stability constrained optimal distribution system reconfiguration considering uncertainties in correlated loads and distributed generations
CN111523785A (zh) 一种基于生成对抗网络的电力系统动态安全评估方法
CN109004679B (zh) 一种可再生能源接入的电网安全稳定监控方法
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
CN109993665B (zh) 电力系统在线安全稳定评估方法、装置及系统
CN115133556A (zh) 一种基于深度交叉网络的电力系统暂态稳定预防控制方法
CN113300373B (zh) 一种基于prmse评价指标的稳定裕度值预测方法及装置
Caro-Ruiz et al. A mdp-based vulnerability analysis of power networks considering network topology and transmission capacity
Pérez‐Rúa et al. Reliability‐based topology optimization for offshore wind farm collection system
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
Hamilton et al. Identification of important locational, physical and economic dimensions in power system transient stability margin estimation
Linda et al. Dynamic stability enhancement with fuzzy based power system stabilizer tuned by hottest non-traditional optimization technique
Guo et al. Comparison of ensemble decision tree methods for on-line identification of power system dynamic signature considering availability of PMU measurements
Hoballah et al. Transient stability assessment using ANN considering power system topology changes
Benmiloud et al. Optimal dynamic equivalence based on multi-objective formulation
CN113067352B (zh) 一种基于eeac和elm的电网临界切除时间预测方法
Xu et al. Blackout risk assessment of cascading outages considering wind power uncertainty
Wang et al. Model-Data Integration Driven Based Power System Frequency Response Model
Fan et al. Steady frequency prediction algorithm for power system with governor deadband
Arrieta et al. Contingency analysis and risk assessment of small signal instability
Zhou et al. Power system transient stability preventive control based on deep cross network
Mbunwe et al. Voltage stability analysis of the Nigerian Power System using annealing optimization technique
Weigert-Dalagnol et al. Contingency ranking method for voltage security assessment based on critical eigenvalue trajectory
Murjito et al. Static Security Assessment using Random Forest Based on Digsilent-Python Simulation
Sun et al. Probabilistic impact of the connection of a new DG unit in a power system subject to active network management

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