CN115588983B - 一种暂态电压稳定评估方法 - Google Patents
一种暂态电压稳定评估方法 Download PDFInfo
- Publication number
- CN115588983B CN115588983B CN202211312710.9A CN202211312710A CN115588983B CN 115588983 B CN115588983 B CN 115588983B CN 202211312710 A CN202211312710 A CN 202211312710A CN 115588983 B CN115588983 B CN 115588983B
- Authority
- CN
- China
- Prior art keywords
- node
- transient voltage
- short
- layer
- circuit fault
- 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
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013097 stability assessment Methods 0.000 title claims description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 83
- 238000013210 evaluation model Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000000087 stabilizing effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 2
- 150000001875 compounds Chemical class 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000011158 quantitative evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
Abstract
Description
技术领域
本发明涉及电网稳定评估技术领域,更具体地,涉及一种暂态电压稳定评估方法。
背景技术
我国主要负荷中心电网负荷高度密集,依靠多回直流大容量从区外集中送电,且新能源发电占比不断提高。这些发展趋势导致本地同步电源不足,电网暂态电压支撑能力较弱,暂态电压稳定性问题日益突出。
快速可靠的暂态电压稳定评估是电网安全稳定控制的基础。目前,暂态电压稳定评估可分为基于机理的评估方法与基于数据的评估方法两大类。
基于机理的方法中,时域仿真法可靠且成熟,但求解十分耗时;能量函数法评估效率高,但结果偏于保守且只适用于较为简单的系统模型。随着大数据理论的发展以及广域测量技术的成熟,基于数据驱动的暂态电压稳定评估方法成为了新的研究热点。
现有技术已见基于数据的暂态稳定评估方法,通过对样本的学习,挖掘输入特征与暂态稳定性的关联关系,在线应用时效率极高,目前已取得不少研究成果,但仍存在以下问题:
a)选用短路故障后电网的时序特征量作为输入,虽能提升评估的精度,但影响了评估的时效性,难以为电网预防控制提供参考;
b)基于电网稳态信息建立的基于数据的评估系统,难以适应大电网的扰动规模;
c)大部分研究仅输出电网中代表性节点的稳定标签(定性评估)或代表性节点的稳定水平(定量评估),少数研究能输出电网多节点的稳定标签,无法同时输出多节点暂态电压稳定水平和稳定标签,因而不能为电压稳定控制提供充分的参考。
发明内容
本发明为克服上述现有技术所述的时效性缺陷、难以适应大电网的扰动规模和无法同时输出多节点暂态电压稳定水平和稳定标签的问题,提供一种暂态电压稳定评估方法。
为解决上述技术问题,本发明的技术方案如下:
一种暂态电压稳定评估方法,包括:
获取待评估电网的电气数据并对数据进行归一化处理;其中,所述待评估电网的电气数据包括短路故障前发电机的有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点电压变化;
将归一化处理后的多节点电气数据输入完成训练的暂态电压稳定评估模型中,得到多节点暂态电压稳定水平其中,所述暂态电压稳定评估模型包括顺序连接的用于生成共享特征的共享层,和用于根据共享特征输出多节点稳定水平的独立层,所述共享层包括顺序连接的CBAM-CNN网络和全连接层,所述独立层包括若干个评估子任务,用于输出被分配的待评估电网节点稳定水平
本技术方案中,在CNN中引入混合注意力机制CBAM,并引入了多任务学习方法,构建暂态电压稳定评估模型,以电网稳态运行信息、短路故障冲击信息和短路故障位置信息为输入,通过完成训练的暂态电压稳定评估模型,准确输出电网多节点的暂态电压稳定水平和稳定标签,对潮流变化和短路故障位置变化具有适应性,为预防控制提供参考。
作为优选方案,所述暂态电压稳定评估模型训练步骤如下:
构建初始的暂态电压稳定评估模型,所述暂态电压稳定评估模型包括顺序连接的用于生成共享特征的共享层,和用于根据共享特征输出多节点稳定水平的独立层;其中,所述共享层包括顺序连接的CBAM-CNN网络和全连接层,参数统一共享;所述独立层包括若干个评估子任务,用于输出被分配的待评估电网节点稳定水平参数独立;
选取短路故障前发电机的有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点电压变化以构建输入特征集,并对输入特征集进行归一化处理;
将归一化处理后的输入特征集和输出特征集输入初始的暂态电压稳定评估模型中,得到完成训练的暂态电压稳定评估模型。
作为本优选方案的一种可能设计,所述输入特征集和输出特征集的构建包括以下步骤:
设置发电机出力变化范围、短路类型和短路地点;
令发电机出力在指定范围内随机变化,记录收敛的潮流样本;
令指定的短路故障地点发生指定类型的短路故障;
获取短路故障发生时刻节点电压变化量和短路故障后节点电压时序波形;
记录发电机短路故障前有功出力、无功出力、短路故障位置信息和短路故障时刻所有节点电压变化量,构成输入特征集;
其中,V0为母线电压初始值,Vmin为短路故障切除后母线电压的最低值;Vth表示预设的电压安全阈值,Tth表示预设的短路故障切除后电压低于Vth的可容忍时间;Tend为仿真总时长;Tcut表示短路故障切除时刻,Tmx,span表示短路故障切除后母线电压低于Vth的最大持续时间,表示仿真结束前1s内电压平均值。
作为本优选方案的一种可能设计,在所述暂态电压稳定评估模型的训练过程中,对待评估电网的节点进行分配,其步骤包括:
计算待评估电网任意两个节点间的电气距离;
构建待分配集合:基于谱聚类算法将待评估电网节点划分为若干个待分配簇并记录簇数,若干个所述待分配簇作为一个待分配集合,簇内节点电气联系紧密、簇间节点联系松散;
依次对若干所述评估子任务,重复从所述待分配集合中每个待分配簇各选取一个节点,分配至单个所述评估子任务中,直至任意一个待分配簇中无可分配节点;
将其余待分配簇作为新待分配集合,所述新待分配集合中节点总数除以簇数向上取整得到新增评估子任务个数,重复从所述新待分配集合中每个待分配簇取一个节点,分配至单个所述新增评估子任务中,直至所述待分配簇中的节点分配完,每个所述新增评估子任务被分配的节点数量不超过簇数。
该可能设计中,每次从每个待分配簇中各选取一个节点,使得每个评估子任务评估的节点来自不同簇,且使得每个评估子任务评估的节点数最大化。
作为本优选方案的一种可能设计,所述暂态电压稳定评估模型的训练过程中,根据各评估子任务的损失权重和损失值,计算所述暂态电压稳定评估模型的总损失函数LMTL,用于通过反向传播更新暂态电压稳定评估模型中的共享层参数,其表达式为:
其中,LMTL为总损失函数,λx为各评估子任务的损失权重,Lx为各评估子任务的损失值;对于输入特征集内的同一输入特征组,表示输出特征集内评估子任务x中第a个节点的稳定水平,即稳定水平真实值,表示所述暂态电压稳定评估模型输出的评估子任务x中第a个节点的稳定水平,即稳定水平预测值,nx为评估子任务x被分配的节点总数;
所述λx的更新公式为:
其中,e表示训练轮次,wx表示损失值下降速率,∈表示用于调控任务分布的温度系数,k表示用于划分权重活动范围的系数,g为评估子任务数。
该可能设计中,wx越大,表明当前任务的损失值下降越慢,训练难度越大,下一轮训练中将赋予更大的权重。
作为优选方案,所述共享层中,所述CBAM-CNN网络包括顺序连接的第一卷积层、第二卷积层、池化层、CBAM层、第三卷积层、第四卷积层、池化层和CBAM层;其中,所述第一卷积层、第二卷积层、第三卷积层和第四卷积层均为一维卷积层,激活函数均为ReLu。
本优选方案中,所述第一卷积层、第二卷积层、第三卷积层和第四卷积层卷积数与卷积核的大小根据评估子任务与模型测试结果综合确定。
作为优选方案,所述共享层中,所述CBAM-CNN网络包括顺序连接的第一卷积层、第二卷积层、池化层、CBAM层、第三卷积层、第四卷积层、池化层和CBAM层;其中,所述第一卷积层、第二卷积层、第三卷积层和第四卷积层均为一维卷积层,激活函数均为ReLu。
作为优选方案,所述共享层中,所述全连接层为两层结构,激活函数均为ReLu。
作为优选方案,所述独立层中,若干个所述评估子任务的输入相同;所述评估子任务包括顺序连接的4个全连接层,前三层全连接层激活函数均为ReLu,最后一层全连接层神经核数与对应评估子任务被分配的节点数相同,激活函数为Linear。
在本优选方案中,由于最后一层全连接层为输出层,每个神经核输出一个数,将最后一层全连接层神经核数设置为对应评估子任务被分配的节点数相同,可保证神经核输出数量与所测节点数相适应。
与现有技术相比,本发明技术方案的有益效果是:
(1)以潮流信息、短路故障冲击信息与短路故障位置信息为输入,无需故障后的暂态信息,可以更快得到稳定评估结果,且对扰动和运行方式变化具有适应性,特别适应大电网的扰动规模,可为电网预防控制提供参考。
(2)引入混合注意力机制CBAM,改善CNN对输入特征的提取和过滤能力;引入多任务学习和基于聚类的子任务设计方法,可同时输出多节点的暂态电压稳定水平和稳定标签作为评估结果。
附图说明
图1为暂态电压稳定评估方法流程图;
图2为暂态电压稳定评估模型训练流程图;
图3为实施例2中新英格兰10机39节点区结果;
图4为暂态电压稳定评估模型结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提出一种暂态电压稳定评估方法,参阅图1,包括:
获取待评估电网的电气数据并对数据进行归一化处理;其中,所述待评估电网的电气数据包括短路故障前发电机的有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点电压变化;
将归一化处理后的多节点电气数据输入完成训练的暂态电压稳定评估模型中,得到多节点的暂态电压稳定水平其中,所述暂态电压稳定评估模型包括顺序连接的用于生成共享特征的共享层,和用于根据共享特征输出多节点稳定水平的独立层,所述共享层包括顺序连接的CBAM-CNN网络和全连接层,所述独立层包括若干个评估子任务,用于输出被分配的待评估电网节点稳定水平
作为非限制性示例,采用0-1标准化方法对待评估电网的电气数据进行归一化处理。
本实施例中,以潮流信息、短路故障冲击信息与短路故障位置信息为输入,输入特征为稳态值和故障时刻的冲击值,无需故障后的暂态信息,可以更快得到稳定评估结果,对机组出力变化和故障位置变化有充分的适应性;基于CBAM-CNN网络和多任务学习方法构建的暂态电压稳定评估模型,可同时输出多节点的暂态电压稳定水平和稳定标签。
实施例2
本实施例提出了一种暂态电压稳定评估方法,参阅图1、图2,包括:
获取待评估电网的电气数据并对数据进行归一化处理;其中,所述待评估电网的电气数据包括短路故障前发电机的有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点电压变化;
将归一化处理后的多节点电气数据输入完成训练的暂态电压稳定评估模型中,得到多节点的暂态电压稳定水平其中,所述暂态电压稳定评估模型包括顺序连接的用于生成共享特征的共享层,和用于根据共享特征输出多节点稳定水平的独立层,所述共享层包括顺序连接的CBAM-CNN网络和全连接层,所述独立层包括若干个用于输出被分配的待评估电网节点稳定水平的评估子任务;
其中,所述暂态电压稳定评估模型训练步骤如下:
构建初始的暂态电压稳定评估模型,所述暂态电压稳定评估模型包括顺序连接的用于生成共享特征的共享层,和用于根据共享特征输出多节点稳定水平的独立层;其中,所述共享层包括顺序连接的CBAM-CNN网络和全连接层,CBAM-CNN网络和全连接层间的参数统一共享;所述独立层包括若干个用于输出被分配的待评估电网节点稳定水平的评估子任务,各评估子任务间参数独立;
选取短路故障前发电机有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点电压变化构建输入特征集,并对输入特征集进行归一化处理;
将归一化处理后的输入特征集和输出特征集输入初始的暂态电压稳定评估模型中,得到完成训练的暂态电压稳定评估模型。
本实施例中,所述输入特征集包括若干个输入特征组,所述输入特征组包括短路故障前发电机有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点的电压变化值。
在一优选实施例中,所述输入特征集和输出特征集的构建包括以下步骤:
设置发电机出力变化范围、短路类型和短路地点;
令发电机出力在指定范围内随机变化,记录收敛的潮流样本;
令指定的短路故障地点发生指定类型的短路故障;
获取短路故障发生时刻节点电压变化量和短路故障后节点电压时序波形;
记录发电机短路故障前有功出力、无功出力、短路故障位置信息和短路故障时刻所有节点电压变化量,构成输入特征集;
在一具体实施过程中,采用经典新英格兰10机39节点系统进行仿真。已知负荷大小和分布,指定每台发电机出力在额定值的50%~100%之间随机变化,保留收敛的1500种潮流样本;新英格兰10机39节点系统共含34条交流线路,考虑1s时刻线路两端发生最为严重的三相短路,短路故障后0.12s两侧保护同时动作,仿真总时长11s;获取短路故障发生时刻39个节点电压变化量和短路故障后节点电压时序波形;记录发电机短路故障前有功出力、无功出力、短路故障位置信息和短路故障时刻39个节点电压变化量,构成输入特征集;根据故障前节点电压水平、故障切除后节点电压最低值、电压低于预设安全阈值的最大持续时间,和最终电压恢复水平,计算暂态电压稳定水平将稳定水平组成输出特征集。
其中,V0为母线电压初始值,Vmin为短路故障切除后母线电压的最低值;Vth表示预设的电压安全阈值,Tth表示预设的短路故障切除后电压低于Vth的可容忍时间;Tend为仿真总时长;Tcut表示短路故障切除时刻,Tmx,span表示短路故障切除后母线电压低于Vth的最大持续时间,表示仿真结束前1s内电压平均值。
在一具体实施过程中,仍采用经典新英格兰10机39节点系统进行仿真。预设电压安全阈值Vth为0.8pu,预设短路故障发生后电压低于Vth的可容忍时间Tth为1s。
在一具体实施过程中,采用经典新英格兰10机39节点系统进行仿真。其中,一节点稳定水平为3.114,则该节点暂态电压失稳,稳定标签δ=0;另一节点稳定水平为1.392,则该节点暂态电压合格,稳定标签δ=1。
在一优选实施例中,在所述暂态电压稳定评估模型的训练过程中,对待评估电网的节点进行分配,其步骤包括:
S10、计算待评估电网任意两个节点间的电气距离;
S20、构建待分配集合:基于谱聚类算法将待评估电网节点划分为若干个待分配簇并记录簇数,若干个所述待分配簇作为一个待分配集合,簇内节点电气联系紧密、簇间节点联系松散;
S30、依次对若干所述评估子任务,重复从所述待分配集合中每个待分配簇各选取一个节点,分配至单个所述评估子任务中,直至任意一个待分配簇中无可分配节点;
S40、将其余待分配簇作为新的待分配集合,所述新待分配集合中节点总数除以簇数向上取整得到新增评估子任务个数,重复从所述新待分配集合中每个待分配簇取一个节点,分配至单个所述新增评估子任务中,直至所述待分配簇中的节点分配完,每个所述新增评估子任务被分配的节点数量不超过簇数。
在一具体实施过程中,对经典新英格兰10机39节点系统中的节点进行分配,参阅图3,为新英格兰10机39节点分区结果。将39个节点划分为3个簇,3个簇所含节点数分别为10、15和14个;先从3个簇中各取一个节点分配至评估子任务1-评估子任务10,再把簇2和簇3余下的节点按照所述方法分配至评估子任务11-评估子任务13,最终分配结果如下表所示:
表1评估子任务节点分配结果
作为非限制性示例,所述初始的暂态电压模型的训练过程中,所述暂态电压模型的总损失函数采用MAE或MSE,用于通过反向传播更新暂态电压稳定评估模型中的共享层参数。
在一优选实施例中,所述暂态电压稳定评估模型的训练过程中,根据各评估子任务的损失权重和损失值,计算所述暂态电压稳定评估模型的总损失函数LMTL,其表达式为:
所述λx的更新公式为:
其中,e表示训练轮次,wx表示损失值下降速率,∈表示用于调控任务分布的温度系数,k表示用于划分权重活动范围的系数,g为评估子任务数。
在该优选实施例中,采用MSE作为总损失函数,对回归任务匹配性更好。
实施例3
本实施例提出一种暂态电压稳定评估方法,参阅图1、图4,包括:
获取待评估电网的电气数据并对数据进行归一化处理;其中,所述待评估电网的电气数据包括短路故障前发电机的有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点电压变化;
将归一化处理后的多节点电气数据输入完成训练的暂态电压稳定评估模型中,得到多节点暂态电压稳定水平其中,所述暂态电压稳定评估模型包括顺序连接的用于生成共享特征的共享层,和用于根据共享特征输出多节点稳定水平的独立层,所述共享层包括顺序连接的CBAM-CNN网络和全连接层,所述独立层包括若干个评估子任务,用于输出被分配的待评估电网节点稳定水平
其中,所述共享层中,所述CBAM-CNN网络包括顺序连接的第一卷积层、第二卷积层、池化层、CBAM层、第三卷积层、第四卷积层、池化层和CBAM层;其中,所述第一卷积层、第二卷积层、第三卷积层和第四卷积层均为一维卷积层,激活函数均为ReLu。
作为非限制性示例,所述第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积数与卷积核大小具体参数,根据评估子任务情况与测试结果综合确定。
在一具体实施过程中,所述第一卷积层和第二卷积层卷积数均为16,卷积核大小均为2;所述池化层采用Maxpooling方式;所述第三卷积层和第四卷积层卷积数均为64,卷积核大小均为2;
在一优选实施例中,所述共享层中,所述全连接层为两层结构,激活函数均为ReLu。
在一具体实施过程中,所述全连接层的两层结构中,神经核大小分别为256和128。
在一优选实施例中,所述独立层中,若干个所述评估子任务的输入相同;所述评估子任务包括顺序连接的4个全连接层,前三层全连接层激活函数均为ReLu,最后一层全连接层神经核数与对应评估子任务被分配的节点数相同,激活函数为Linear。
在一具体实施过程中,所述独立层中,前三层全连接层神经核数分别为128、64和32。
在一具体实施过程中,采用经典新英格兰10机39节点系统进行仿真。
其中,V0为母线电压初始值,Vmin为短路故障切除后母线电压的最低值;Vth表示预设的电压安全阈值,Tth表示预设的短路故障切除后电压低于Vth的可容忍时间;Tend为仿真总时长;Tcut表示短路故障切除时刻,Tmx,span表示短路故障切除后母线电压低于Vth的最大持续时间,表示仿真结束前1s内电压平均值。
已知负荷大小和分布,指定每台发电机出力在额定值的50%~100%之间随机变化,保留收敛的1500种潮流方式;稳定性分析中,发电机采用详细模型;负荷采用综合模型,恒阻抗和感应电动机负荷占比各为50%;新英格兰10机39节点系统共含34条交流线路,考虑1s时刻线路两端发生最为严重的三相短路,短路故障后0.12s两侧保护同时动作;仿真总时长为11s;预设电压安全阈值Vth和短路故障发生后电压低于Vth的可容忍时间Tth分别取0.8pu和1s。该次仿真共生成样本34×2×1500=102000个,取其中10200个样本作为测试集测试模型性能。
选用平均计算时长Tts、平均绝对值误差MAE(Mean Absolute Error)和整体准确率Acc(Accuracy)来反映模型的性能。其中,Tts为评估10000个样本所需要的时间,反映了模型的计算效率,越低越好;MAE反映了模型定量计算的精确性,越低越好;Acc则反映了模型定性分类的准确性,越高越好;MAE与Acc的计算公式见下式:
所述暂态电压稳定评估模型性能测试结果如下表所示:
表2模型在测试集中的性能表现
可见,所述暂态电压稳定评估模型计算效率高,可满足时效性需求,且通过该模型,所述暂态电压稳定评估方法中定量评估的平均绝对误差MAE较低、定性评估准确性Acc较高。
此外,对测试集10200个样本中所有错判节点的数据进行了统计分析,发现约87%错判节点的真实稳定水平在1.9-2.1之间,约95%错判节点的真实稳定水平在1.8-2.2之间,错判节点稳定水平预测值与真实值的平均误差为0.0831(该数值高于MAE)。这表明误判大多发生在节点电压稳定水平真实值接近于2时。此时,节点电压本来就是临界稳定的,预测难度较大。但即使在临界情况下,所述暂态电压稳定评估方法输出的定量评估结果(即稳定水平)依然具有参考价值。
其中,某一样本定性评估和定量评估结果与真实值的比较如下表所示:
可见,该样本中,所述暂态电压稳定评估方法输出结果中仅有2个节点的定性评估结果(即稳定标签)与真实值相悖,但定量评估结果(即稳定水平)与真实值相近,所述暂态电压稳定评估方法的评估精度整体较高。
实施例4
本实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述实施例1、实施例2或实施例3中提出的暂态电压稳定评估方法。
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种暂态电压稳定评估方法,其特征在于,包括:
构建初始的暂态电压稳定评估模型;所述暂态电压稳定评估模型包括顺序连接的用于生成共享特征的共享层,和用于根据共享特征输出多节点稳定水平的独立层;其中,所述共享层包括顺序连接的CBAM-CNN网络和全连接层,参数统一共享;所述独立层包括若干个评估子任务,用于输出被分配的待评估电网节点稳定水平,参数独立;
选取短路故障前发电机有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点电压变化以构建输入特征集,并对输入特征集进行归一化处理;
构建输出特征集,所述输出特征集包括短路故障后多节点暂态电压稳定水平;
将归一化处理后的输入特征集和输出特征集输入初始的暂态电压稳定评估模型中,得到完成训练的暂态电压稳定评估模型;
获取待评估电网的电气数据并对数据进行归一化处理;其中,所述待评估电网的电气数据包括短路故障前发电机的有功出力、无功出力,短路故障位置信息和短路故障发生时刻多节点电压变化;
将归一化处理后的多节点电气数据输入完成训练的暂态电压稳定评估模型中,得到多节点暂态电压稳定水平;
根据暂态电压稳定水平生成用于表示节点电压是否稳定的稳定标签后,输出多节点暂态电压稳定水平和稳定标签;
其中,所述暂态电压稳定水平表达式为:
式中,V 0为母线电压初始值,V min为短路故障切除后母线电压的最低值;V th表示预设的电压安全阈值,T th表示预设的短路故障切除后电压低于V th的可容忍时间;T end为仿真总时长;T cut表示短路故障切除时刻,T mx,span表示短路故障切除后母线电压低于V th的最大持续时间,表示仿真结束前1s内电压平均值。
2.根据权利要求1所述的一种暂态电压稳定评估方法,其特征在于,所述输入特征集和输出特征集的构建包括以下步骤:
设置发电机出力变化范围、短路类型和短路地点;
令发电机出力在指定范围内随机变化,记录收敛的潮流样本;
令指定的短路故障地点发生指定类型的短路故障;
获取短路故障发生时刻节点电压变化量和短路故障后节点电压时序波形;
记录发电机短路故障前有功出力、无功出力、短路故障位置信息和短路故障时刻所有节点电压变化量,构成输入特征集;
根据故障前节点电压水平、故障切除后节点电压最低值、电压低于预设安全阈值的最大持续时间,和最终电压恢复水平,计算暂态电压稳定水平,将稳定水平组成输出特征集。
3.根据权利要求1所述的一种暂态电压稳定定量评估方法,其特征在于,所述根据所述暂态电压稳定水平生成用于表示节点电压是否稳定的稳定标签,包括:
当≥2时,则记录稳定标签=0,表示节点暂态电压失稳;
当<2时,则记录稳定标签=1,表示节点暂态电压合格。
4.根据权利要求1所述的一种暂态电压稳定评估方法,其特征在于,在所述暂态电压稳定评估模型的训练过程中,对待评估电网的节点进行分配,其步骤包括:
计算待评估电网任意两个节点间的电气距离;
构建待分配集合:基于谱聚类算法将待评估电网节点划分为若干个待分配簇并记录簇数,若干个所述待分配簇作为一个待分配集合,簇内节点电气联系紧密、簇间节点联系松散;
依次对若干所述评估子任务,重复从所述待分配集合中每个待分配簇各选取一个节点,分配至单个所述评估子任务中,直至任意一个待分配簇中无可分配节点;
将其余待分配簇作为新待分配集合,所述新待分配集合中节点总数除以簇数向上取整得到新增评估子任务个数,重复从所述新待分配集合中每个待分配簇取一个节点,分配至单个所述新增评估子任务中,直至所述待分配簇中的节点分配完,每个所述新增评估子任务被分配的节点数量不超过簇数。
5.根据权利要求1所述的一种暂态电压稳定评估方法,其特征在于,所述暂态电压稳定评估模型的训练过程中,根据各评估子任务的损失权重和损失值,计算所述暂态电压稳定评估模型的总损失函数L MTL,用于通过反向传播更新暂态电压稳定评估模型中的共享层参数,其表达式为:
其中,L MTL为总损失函数,λ x为各评估子任务的损失权重,L x为各评估子任务的损失值;对于输入特征集内的同一输入特征组,表示输出特征集内评估子任务x中第a个节点的稳定水平,表示所述暂态电压稳定评估模型输出的评估子任务x中第a个节点的稳定水平,n x为评估子任务x被分配的节点总数;
所述的更新公式为:
其中,e表示训练轮次,表示损失值下降速率,表示用于调控任务分布的温度系数,k表示用于划分权重活动范围的系数,为评估子任务数。
6.根据权利要求1-5任一项所述的一种暂态电压稳定评估方法,其特征在于,所述共享层中,所述CBAM-CNN网络包括顺序连接的第一卷积层、第二卷积层、池化层、CBAM层、第三卷积层、第四卷积层、池化层和CBAM层;其中,所述第一卷积层、第二卷积层、第三卷积层和第四卷积层均为一维卷积层,激活函数均为ReLu。
7.根据权利要求1-5任一项所述的一种暂态电压稳定评估方法,其特征在于,所述共享层中,所述全连接层为两层结构,激活函数均为ReLu。
8.根据权利要求1-5任一项所述的一种暂态电压稳定评估方法,其特征在于,所述独立层中,若干个所述评估子任务的输入相同;所述评估子任务包括顺序连接的4个全连接层,前三层全连接层激活函数均为ReLu,最后一层全连接层神经核数与对应评估子任务被分配的节点数相同,激活函数为Linear。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211312710.9A CN115588983B (zh) | 2022-10-25 | 2022-10-25 | 一种暂态电压稳定评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211312710.9A CN115588983B (zh) | 2022-10-25 | 2022-10-25 | 一种暂态电压稳定评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115588983A CN115588983A (zh) | 2023-01-10 |
CN115588983B true CN115588983B (zh) | 2023-04-18 |
Family
ID=84781897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211312710.9A Active CN115588983B (zh) | 2022-10-25 | 2022-10-25 | 一种暂态电压稳定评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115588983B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115864223B (zh) * | 2023-02-16 | 2023-05-12 | 众芯汉创(江苏)科技有限公司 | 一种基于无人机巡视技术的电网全专业差异化运维方法 |
CN116093952B (zh) * | 2023-03-06 | 2023-06-20 | 国网浙江省电力有限公司温州供电公司 | 一种暂态电压稳定监视母线分析方法 |
CN116992255A (zh) * | 2023-07-13 | 2023-11-03 | 华北电力大学 | 一种暂态电压稳定特征量的筛选方法、系统及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014011933A (ja) * | 2012-07-03 | 2014-01-20 | Central Research Institute Of Electric Power Industry | 電力系統安定化解析装置、電力系統安定化解析方法及び電力系統安定化解析プログラム |
CN103901319A (zh) * | 2014-03-03 | 2014-07-02 | 广州供电局有限公司 | 电网暂态电压稳定性检测方法 |
CN111628501A (zh) * | 2020-06-18 | 2020-09-04 | 国网山东省电力公司济南供电公司 | 一种交直流大电网暂态电压稳定评估方法及系统 |
CN114970154A (zh) * | 2022-05-26 | 2022-08-30 | 国网陕西省电力有限公司电力科学研究院 | 一种暂态电压支撑能力量化评估指标构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103825281B (zh) * | 2014-01-22 | 2016-02-24 | 清华大学 | 基于动态无功设备的电力系统中中枢母线电压的控制方法 |
-
2022
- 2022-10-25 CN CN202211312710.9A patent/CN115588983B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014011933A (ja) * | 2012-07-03 | 2014-01-20 | Central Research Institute Of Electric Power Industry | 電力系統安定化解析装置、電力系統安定化解析方法及び電力系統安定化解析プログラム |
CN103901319A (zh) * | 2014-03-03 | 2014-07-02 | 广州供电局有限公司 | 电网暂态电压稳定性检测方法 |
CN111628501A (zh) * | 2020-06-18 | 2020-09-04 | 国网山东省电力公司济南供电公司 | 一种交直流大电网暂态电压稳定评估方法及系统 |
CN114970154A (zh) * | 2022-05-26 | 2022-08-30 | 国网陕西省电力有限公司电力科学研究院 | 一种暂态电压支撑能力量化评估指标构建方法 |
Non-Patent Citations (1)
Title |
---|
唐晓骏等.交直流混联系统电压稳定在线评估体系.电网技术.2014,38(5),第1175-1180页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115588983A (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115588983B (zh) | 一种暂态电压稳定评估方法 | |
KR102611938B1 (ko) | 신경망을 사용한 통합 회로 플로어 플랜 생성 | |
CN110187990A (zh) | 一种基于模式转移的虚拟机混合备用动态可靠性评估方法 | |
EP3522322B1 (en) | Power system aggregation device and method, and power system stabilization device | |
CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与系统 | |
CN110109733B (zh) | 面向不同老化场景的虚拟机工作队列和冗余队列更新方法 | |
CN110689186B (zh) | 基于风电出力随机性的配电网供电可靠性评估方法及系统 | |
Abu-Mouti et al. | Modified artificial bee colony algorithm for optimal distributed generation sizing and allocation in distribution systems | |
CN113485801A (zh) | 基于神经网络相似度建模的实时dnn调度系统及方法 | |
CN112433807A (zh) | 面向数据中心全局能耗优化的气流感知型虚拟机调度方法 | |
CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
Jian et al. | Transformer fault diagnosis model with unbalanced samples based on SMOTE algorithm and focal loss | |
Yaşar et al. | A modified incremental gravitational search algorithm for short-term hydrothermal scheduling with variable head | |
Kharlamova et al. | Evaluating machine-learning-based methods for modeling a digital twin of battery systems providing frequency regulation | |
CN117170848B (zh) | 一种资源调度方法及装置 | |
Chang et al. | Prediction of frequency response after generator outage using regression tree | |
CN113328467A (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
Zhu et al. | A modified heuristic algorithm for resource constrained multi-project scheduling problem based on inspection and rework | |
CN110647381B (zh) | 一种虚拟机资源均衡和部署优化方法 | |
Du et al. | OctopusKing: A TCT-aware task scheduling on spark platform | |
Sarkar et al. | Prediction of Power Consumption in Smart Grid: A Reliable Path to a Smart City Based on Various Machine Learning Models | |
CN111092425A (zh) | 一种基于拓扑特性的网架聚类分析方法及系统 | |
CN114997549B (zh) | 黑盒模型的解释方法、装置及设备 | |
CN110187989A (zh) | 雾环境下基于Markov Chain的容错策略选择方法 |
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 |