CN115713186A - 基于人工神经网络的电力系统场景强弱判别方法及系统 - Google Patents

基于人工神经网络的电力系统场景强弱判别方法及系统 Download PDF

Info

Publication number
CN115713186A
CN115713186A CN202211504656.8A CN202211504656A CN115713186A CN 115713186 A CN115713186 A CN 115713186A CN 202211504656 A CN202211504656 A CN 202211504656A CN 115713186 A CN115713186 A CN 115713186A
Authority
CN
China
Prior art keywords
scene
new energy
power
short
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211504656.8A
Other languages
English (en)
Inventor
王天昊
李琰
王新迎
宋海涛
尚学军
郝毅
马世乾
于天一
李健
田捷
赵琦
和嘉星
刘艳丽
廖思阳
姜新雄
王俊毅
刘李琦
黄家凯
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.)
Tianjin University
State Grid Corp of China SGCC
Wuhan University WHU
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
Tianjin University
State Grid Corp of China SGCC
Wuhan University WHU
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin 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 Tianjin University, State Grid Corp of China SGCC, Wuhan University WHU, China Electric Power Research Institute Co Ltd CEPRI, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical Tianjin University
Priority to CN202211504656.8A priority Critical patent/CN115713186A/zh
Publication of CN115713186A publication Critical patent/CN115713186A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于人工神经网络的电网场景薄弱的判别方法及系统，包括以下步骤：步骤1、选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；步骤2、将所需要辨识的电力系统运行场景的潮流数据导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。本发明能够对当前场景下电网场景强度进行判别。

Description

基于人工神经网络的电力系统场景强弱判别方法及系统
技术领域
本发明属于电网调度技术领域，涉及一种电力系统场景强弱判别方法及系统，尤其是一种基于人工神经网络的电力系统场景强弱判别方法及系统。
背景技术
随着现代社会的飞速发展，人们对电力的依赖性不断增强，电能已经成为人们日常生活和生产中消耗的主要能源，电力工业也已成为关系到国民经济和社会发展的基础行业。电力系统的安全稳定运行与国家经济发展和社会安定息息相关，一旦电力系统发生故障而没有及时采取有效的控制措施，电力系统可能失去稳定运行的能力，发生连锁故障甚至崩溃，造成大面积停电事故的产生，带来巨大的经济损失和灾难性的社会影响，甚至危害人身安全。电力大数据时代的到来，为电力行业提供了更多的发展机会，其数量较大、类型较多、速度较快、价值较大、精确性高的特征，使生产、输电以及用电等环节的效率得到很大的提升，同时也为电网的安全稳定分析带来了丰富的数据信息。近年来，伴随着电网规模的不断扩大，所产生的数据也呈现出爆炸式的增长。在电力数据迅速积累的情况下，尤其是双碳目标的提出下，如何从海量数据中挖掘出与电力系统稳定运行相关的重要信息，并发挥它们的价值，是电力数据挖掘的关键问题，同时也是提升电网安全稳定性需要解决的关键问题。因此，迫切需要充分利用海量的数据，通过人工神经网络等人工智能大数据处理技术，对电网的运行场景的强弱程度进行分析，并据此对系统的稳定控制提供支撑。
短路容量在单位电压情况下数值上就等于系统导纳值，即为系统戴维南等值阻抗的倒数。短路容量越大，系统戴维南等效电阻越小，负荷、并联电容器或电抗器的投切不会引起电压幅值大的变化，因此系统比较强。短路比(SCR)是指表征系统短路容量除以设备容量，所以当短路比大，指这个设备是接到一个强的系统中，表明设备的投切对系统影响不是很大。
SCR通常可以从以下等式获得：
Figure BDA0003968626380000021
其中，
S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；
PN是以兆瓦(MW)为单位的额定直流终端功率。
基于该定义和典型的逆变器特性(例如转换器或变压器电抗的值)，以下SCR值可用于对交流/直流系统进行分类：
高SCR交流/直流系统按SCR值大于3进行分类。
低SCR交流/直流系统按2到3之间的SCR值分类。
SCR非常低的交流/直流系统按SCR值低于2进行分类
同时，对于典型的逆变器设计，可以给出最大可用功率下运行对应的临界短路比为2。临界短路比代表“稳定”和“不稳定”运行区域之间的边界。对于低于临界短路比的SCR值，操作处于交流电压/直流功率特性的“不稳定”区域。
从公示(1)中可以看出，虽然可以用短路比SCR来确定电力系统的强弱，但是由于采用了额定容量，无法体现大规模可再生能源的间歇性和随机性，因此，对于本领域技术人员而言，迫切需要提出一种能够兼顾电网运行场景和可再生能源出力对电网影响的指标来体现电力系统的薄弱强度，开展定性的分析。
经检索，未发现与本发明相同或相似的现有技术的文献。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于人工神经网络的电力系统场景强弱判别方法，能够对当前场景下电网场景强度进行判别。
本发明解决其现实问题是采取以下技术方案实现的：
一种基于人工神经网络的电力系统场景强弱判别方法，包括以下步骤：
步骤1、选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；
步骤2、将所需要辨识的电力系统运行场景的潮流数据导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。
而且，所述步骤1的具体步骤包括：
(1)选定目标电网，针对当前电网的拓扑，计算有新能源接入的所有节点的短路容量，计算得到公式(1)中的S：
Figure BDA0003968626380000031
其中，
S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；
PN是以兆瓦(MW)为单位的额定直流终端功率；
(2)以新能源电站的装机为PiN，其中i表示新能源电站所在的节点，利用公式(1)计算得到有新能源接入的所有节点的短路比SCR；
(3)带入选定场景下的新能源出力，将新能源出力和新能源的装机的比值作为权重Wi，利用下式计算得到修正后的综合短路比：
Figure BDA0003968626380000041
其中，
SCRw，表示修正后的系统新能源综合短路比；
Si，表示i新能源电站所在节点的短路容量；
PiN，表示i新能源电站的额定出力；
Wi，表示i新能源电站实际出力与额定出力的比值；
n，为新能源电站的个数；
(4)对综合短路比进行归一化，SCRw取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3，进而将该选定场景下电网场景强弱的判别结果作为系统强弱程度判别的样本；
其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强；
(5)获取足够数量的样本后，以电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率的信息作为输入，以计算得到归一化的系统新能源综合短路比为输出，利用深度图卷积神经网络进行训练，得到练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型。
而且，所述步骤2的具体步骤包括：
(1)将所需要辨识的电力系统运行场景的潮流数据包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息作为输入，导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的场景下的薄弱度：
其中，很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行。
(2)核对所有场景是不是都已辨识完毕，如果没有则转到(1)，如果辨识完毕，则到下一步。
(3)对所有场景的薄弱程度进行排序，进而完成对电力系统运行场景强弱程度的判别。
一种基于人工神经网络的电力系统场景强弱判别系统，包括
模型建立单元，选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；
电网运行场景强弱的判别单元，用于将所需要辨识的电力系统运行场景的潮流数据导入所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。
而且，所述模型建立单元还包括：所有包含新能源节点的短路容量计算模块，用于选定目标电网，针对当前电网的拓扑，计算有新能源接入的所有节点的短路容量，计算得到公式(1)中的S：
Figure BDA0003968626380000051
其中，
S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；
PN是以兆瓦(MW)为单位的额定直流终端功率。
所述模型建立单元还包括短路比SCR计算模块，用于以新能源电站的装机为PiN，其中i表示新能源电站所在的节点，利用公式(1)计算得到有新能源接入的所有节点的短路比SCR。
而且，所述模型建立单元还包括修正后的综合短路比计算模块，用于带入选定场景下的新能源出力，将出力和新能源的装机的比值作为权重Wi，利用下式计算得到修正后的综合短路比：
Figure BDA0003968626380000061
其中，
SCRw，表示修正后的系统新能源综合短路比；
Si，表示i新能源电站所在节点的短路容量；
PiN，表示i新能源电站的额定出力；
Wi，表示i新能源电站实际出力与额定出力的比值；
n，为新能源电站的个数。
而且，所述模型建立单元还包括：综合短路比归一化模块，用于对综合短路比进行归一化，SCRw取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3，进而将该选定场景下电网场景强弱的判别结果作为系统强弱程度判别的样本；
其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强。
而且，所述模型建立单元还包括：训练好的电力系统运行场景强弱程度判别模型建立模块，用于获取足够数量的样本后，以电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率的信息作为输入，以计算得到归一化的系统新能源综合短路比为输出，利用深度图卷积神经网络进行训练，得到练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型。
而且，所述电网运行场景强弱的判别单元包括：
电力系统运行场景下的薄弱度计算模块，用于将所需要辨识的电力系统运行场景的潮流数据包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息作为输入，导入所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的场景下的薄弱度：
其中，很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行；
电力系统运行场景辨识校核模块，用于核对所有场景是不是都已辨识完毕；
电力系统运行场景下的薄弱度排序模块，用于对所有场景的薄弱程度进行排序，进而完成对电力系统运行场景强弱程度的判别。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
本发明的优点和有益效果：
1、本发明提出了一种基于人工神经网络的电力系统场景强弱判别方法，重点考虑新能源并网后的影响，针对所有的有新能源接入的节点计算其短路比，并利用新能源出力进行修正和归一化，得到修正后的选定场景下新能源接入节点的短路比作为电网场景强弱判别的结果，并通过卷积等人工神经网络进行聚类建立电网场景强度的分析模型，实现了输入电网当前的潮流(包括节点电压幅值、相角，线路的有功、无功、负载率)，输出归一化后的系统综合短路比，进而对当前场景下考虑新能源出力变化的电网场景强度的判别。
2、本发明为了充分利用海量的数据，对当前场景潮流下，电网运行场景的强弱进行评判，本发明提出了一种基于人工神经网络的电力系统场景强弱判别方法，通过引入新能源出力变化修正所接入节点的短路比，来得到电网的场景强弱的评估指标，并以电网的潮流状态等为输入，采用图卷积等人工神经网络进行判别，能够为系统的稳定运行决策提供辅助服务支撑。
附图说明
图1是本发明的样本的获取及神经网络模型训练方法流程图；
图2是本发明的基于人工神经网络的电力系统运行场景强弱程度判别流程图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种基于人工神经网络的电力系统场景强弱判别方法，如图1和图2所示，包括以下步骤：
步骤1、选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；
所述步骤1的具体步骤包括：
(1)选定目标电网，针对当前电网的拓扑，计算有新能源接入的所有节点的短路容量，计算得到公式(1)中的S：
Figure BDA0003968626380000091
其中，
S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；
PN是以兆瓦(MW)为单位的额定直流终端功率；
(2)以新能源电站的装机为PiN，其中i表示新能源电站所在的节点，利用公式(1)计算得到有新能源接入的所有节点的短路比SCR；
(3)带入选定场景下的新能源出力，将新能源出力和新能源的装机的比值作为权重Wi，利用下式计算得到修正后的综合短路比：
Figure BDA0003968626380000092
其中，
SCRw，表示修正后的系统新能源综合短路比；
Si，表示i新能源电站所在节点的短路容量；
PiN，表示i新能源电站的额定出力；
Wi，表示i新能源电站实际出力与额定出力的比值；
n，为新能源电站的个数；
(4)对综合短路比进行归一化，SCRw取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3，进而将该选定场景下电网场景强弱的判别结果作为系统强弱程度判别的样本；
其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强；
(5)获取足够数量的样本后，以电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率的信息作为输入，以计算得到归一化的系统新能源综合短路比为输出，利用深度图卷积神经网络进行训练，得到练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型。
步骤2、将所需要辨识的电力系统运行场景的潮流数据导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。
所述步骤2的具体步骤包括：
(1)将所需要辨识的电力系统运行场景的潮流数据包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息作为输入，导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的场景下的薄弱度：
其中，很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行。
(2)核对所有场景是不是都已辨识完毕，如果没有则转到(1)，如果辨识完毕，则到下一步。
(3)对所有场景的薄弱程度进行排序，进而完成对电力系统运行场景强弱程度的判别。
一种基于人工神经网络的电力系统场景强弱判别系统，包括
模型建立单元，选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；
电网运行场景强弱的判别单元，用于将所需要辨识的电力系统运行场景的潮流数据导入所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。
所述模型建立单元还包括：所有包含新能源节点的短路容量计算模块，用于选定目标电网，针对当前电网的拓扑，计算有新能源接入的所有节点的短路容量，计算得到公式(1)中的S：
Figure BDA0003968626380000111
其中，
S是1.0p.u的转换或终端交流总线上的交流系统三相对称短路电平，单位为兆伏安(MVA)，交流端电压；
PN是以兆瓦(MW)为单位的额定直流终端功率。
所述模型建立单元还包括短路比SCR计算模块，用于以新能源电站的装机为PiN，其中i表示新能源电站所在的节点，利用公式(1)计算得到有新能源接入的所有节点的短路比SCR。
所述模型建立单元还包括修正后的综合短路比计算模块，用于带入选定场景下的新能源出力，将出力和新能源的装机的比值作为权重Wi，利用下式计算得到修正后的综合短路比：
Figure BDA0003968626380000121
其中，
SCRw，表示修正后的系统新能源综合短路比；
Si，表示i新能源电站所在节点的短路容量；
PiN，表示i新能源电站的额定出力；
Wi，表示i新能源电站实际出力与额定出力的比值；
n，为新能源电站的个数。
所述模型建立单元还包括：综合短路比归一化模块，用于对综合短路比进行归一化，SCRw取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3，进而将该选定场景下电网场景强弱的判别结果作为系统强弱程度判别的样本。
其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强。
所述模型建立单元还包括：训练好的电力系统运行场景强弱程度判别模型建立模块，用于获取足够数量的样本后，以电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率的信息作为输入，以计算得到归一化的系统新能源综合短路比为输出，利用深度图卷积神经网络进行训练，得到练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型。
所述电网运行场景强弱的判别单元包括：
电力系统运行场景下的薄弱度计算模块，用于将所需要辨识的电力系统运行场景的潮流数据包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息作为输入，导入所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的场景下的薄弱度：
其中，很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行；
电力系统运行场景辨识校核模块，用于核对所有场景是不是都已辨识完毕；
电力系统运行场景下的薄弱度排序模块，用于对所有场景的薄弱程度进行排序，进而完成对电力系统运行场景强弱程度的判别。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
本发明的工作原理是：
本发明提出了一种基于人工神经网络的电网运行场景强弱程度判别方法，以电网所有节点的电压幅值和相角，以及所有线路的有功、无功以及负载率为输入，利用卷积等人工神经网络为模型，以本发明提出的修正后的综合短路比为输出，实现对电网运行场景强弱的判别。
如何通过人工神经网络来对进行训练，需要明确本发明针对的是当前电网运行场景下考虑新能源接入后的系统强弱判断，因此在进行训练前，需要构建相应的样本。本发明的输入是给定场景下，所有节点的电压幅值和相角，以及所有线路的有功、无功以及负载率，输出为本发明提出的修正后的系统新能源综合短路比(归一化)。其中修正后的系统可再生能源综合短路比的计算如下：
针对当前电网的拓扑，计算所有包含新能源节点的短路容量，计算得到公式(1)中的S。
以新能源电站的装机为PiN，其中i表示新能源电站所在的节点，利用公式(1)计算得到短路比SCR。
带入选定场景下的新能源出力，将出力和新能源的装机的比值作为权重Wi，利用下式计算得到修正后的综合短路比：
Figure BDA0003968626380000141
其中，
SCRw，表示修正后的系统新能源综合短路比；
Si，表示i新能源电站所在节点的短路容量；
PiN，表示i新能源电站的额定出力；
Wi，表示i新能源电站实际出力与额定出力的比值；
n，为新能源电站的个数。
对综合短路比进行归一化，SCRw取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3。其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强。如果很弱，则表示当前系统在收到扰动后，非常容易不稳定；如果较弱，则表示系统有一定的抗干扰能力，但是也需要尽量避免；强表示当前运行场景没问题，可以长期的运行。
在此基础上，得到针对电网运行场景薄弱度判别的训练的方案如图1所示。
针对目标电网中线路薄弱度的判别方案如图2所示。
首先，选择目标电网，确定所对应的训练好的深度图卷积神经网络模型。
导入所需要辨识的场景，主要是潮流数据，包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息，作为输入。
电网所有节点的电压相角、幅值，以及所有支路上的潮流和负载率等信息作为输入，通过深度图卷积神经网络模型得到所对应的薄弱度指标，其中很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行。
核对所有场景是不是都辨识过了，如果没有则转到(2)，如果辨识完毕，则到下一步。
对所有场景的薄弱程度进行排序，完成辨识。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于人工神经网络的电力系统场景强弱判别方法，其特征在于：包括以下步骤：
步骤1、选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；
步骤2、将所需要辨识的电力系统运行场景的潮流数据导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。
2.根据权利要求1所述的一种基于人工神经网络的电力系统场景强弱判别方法，其特征在于：所述步骤1的具体步骤包括：
(1)选定目标电网，针对当前电网的拓扑，计算有新能源接入的所有节点的短路容量，计算得到公式(1)中的S：
Figure FDA0003968626370000011
其中，
S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；
PN是以兆瓦(MW)为单位的额定直流终端功率；
(2)以新能源电站的装机为PiN，其中i表示新能源电站所在的节点，利用公式(1)计算得到有新能源接入的所有节点的短路比SCR；
(3)带入选定场景下的新能源出力，将新能源出力和新能源的装机的比值作为权重Wi，利用下式计算得到修正后的综合短路比：
Figure FDA0003968626370000021
其中，
SCRw，表示修正后的系统新能源综合短路比；
Si，表示i新能源电站所在节点的短路容量；
PiN，表示i新能源电站的额定出力；
Wi，表示i新能源电站实际出力与额定出力的比值；
n，为新能源电站的个数；
(4)对综合短路比进行归一化，SCRw取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3，进而将该选定场景下电网场景强弱的判别结果作为系统强弱程度判别的样本；
其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强；
(5)获取足够数量的样本后，以电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率的信息作为输入，以计算得到归一化的系统新能源综合短路比为输出，利用深度图卷积神经网络进行训练，得到练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型。
3.根据权利要求1所述的一种基于人工神经网络的电力系统场景强弱判别方法，其特征在于：所述步骤2的具体步骤包括：
(1)将所需要辨识的电力系统运行场景的潮流数据包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息作为输入，导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的场景下的薄弱度：
其中，很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行；
(2)核对所有场景是不是都已辨识完毕，如果没有则转到(1)，如果辨识完毕，则到下一步；
(3)对所有场景的薄弱程度进行排序，进而完成对电力系统运行场景强弱程度的判别。
4.一种基于人工神经网络的电力系统场景强弱判别系统，其特征在于：包括
模型建立单元，用于选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；
电网运行场景强弱的判别单元，用于将所需要辨识的电力系统运行场景的潮流数据导入所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。
5.根据权利要求4所述的一种基于人工神经网络的电力系统场景强弱判别系统，其特征在于：所述模型建立单元还包括：所有包含新能源节点的短路容量计算模块，用于选定目标电网，针对当前电网的拓扑，计算有新能源接入的所有节点的短路容量，计算得到公式(1)中的S：
Figure FDA0003968626370000041
其中，
S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；
PN是以兆瓦(MW)为单位的额定直流终端功率。
所述模型建立单元还包括短路比SCR计算模块，用于以新能源电站的装机为PiN，其中i表示新能源电站所在的节点，利用公式(1)计算得到有新能源接入的所有节点的短路比SCR。
6.根据权利要求4所述的一种基于人工神经网络的电力系统场景强弱判别系统，其特征在于：所述模型建立单元还包括修正后的综合短路比计算模块，用于带入选定场景下的新能源出力，将出力和新能源的装机的比值作为权重Wi，利用下式计算得到修正后的综合短路比：
Figure FDA0003968626370000042
其中，
SCRw，表示修正后的系统新能源综合短路比；
Si，表示i新能源电站所在节点的短路容量；
PiN，表示i新能源电站的额定出力；
Wi，表示i新能源电站实际出力与额定出力的比值；
n，为新能源电站的个数。
7.根据权利要求4所述的一种基于人工神经网络的电力系统场景强弱判别系统，其特征在于：所述模型建立单元还包括：综合短路比归一化模块，用于对综合短路比进行归一化，SCRw取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3，进而将该选定场景下电网场景强弱的判别结果作为系统强弱程度判别的样本；
其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强。
8.根据权利要求4所述的一种基于人工神经网络的电力系统场景强弱判别系统，其特征在于：所述模型建立单元还包括：训练好的电力系统运行场景强弱程度判别模型建立模块，用于获取足够数量的样本后，以电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率的信息作为输入，以计算得到归一化的系统新能源综合短路比为输出，利用深度图卷积神经网络进行训练，得到练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型。
9.根据权利要求4所述的一种基于人工神经网络的电力系统场景强弱判别系统，其特征在于：所述电网运行场景强弱的判别单元包括：
电力系统运行场景下的薄弱度计算模块，用于将所需要辨识的电力系统运行场景的潮流数据包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息作为输入，导入所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的场景下的薄弱度：
其中，很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行；
电力系统运行场景辨识校核模块，用于核对所有场景是不是都已辨识完毕；
电力系统运行场景下的薄弱度排序模块，用于对所有场景的薄弱程度进行排序，进而完成对电力系统运行场景强弱程度的判别。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1或3所述方法的步骤。
CN202211504656.8A 2022-11-29 2022-11-29 基于人工神经网络的电力系统场景强弱判别方法及系统 Pending CN115713186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211504656.8A CN115713186A (zh) 2022-11-29 2022-11-29 基于人工神经网络的电力系统场景强弱判别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211504656.8A CN115713186A (zh) 2022-11-29 2022-11-29 基于人工神经网络的电力系统场景强弱判别方法及系统

Publications (1)

Publication Number Publication Date
CN115713186A true CN115713186A (zh) 2023-02-24

Family

ID=85235103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211504656.8A Pending CN115713186A (zh) 2022-11-29 2022-11-29 基于人工神经网络的电力系统场景强弱判别方法及系统

Country Status (1)

Country Link
CN (1) CN115713186A (zh)

Similar Documents

Publication Publication Date Title
Abdelsalam et al. Islanding detection of microgrid incorporating inverter based DGs using long short-term memory network
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN108847682B (zh) 一种基于运行数据的光伏发电站并网性能评估方法及系统
CN101557110A (zh) 电力系统低频振荡在线分析及辅助决策方法
CN103488238B (zh) 应对光照强度快速变化的自适应变步长mppt控制方法
CN108667054A (zh) 一种储能规划方法及装置
CN105738772A (zh) 基于功率及频率波动相位的强迫扰动源定位方法
CN115102200A (zh) 一种储能系统模型辨识方法和系统
CN105550450B (zh) 一种电能质量干扰源特征谐波建模方法
CN117060457B (zh) 一种基于混合逆变器的储能系统智能控制系统
CN110208649A (zh) 基于交流电压下降速度的换相故障检测方法及装置
CN107017664B (zh) 一种风光互补发电系统最大功率分时跟踪方法
CN106960262B (zh) 特高压直流线路预想故障有功备用容量评估方法和装置
CN115713186A (zh) 基于人工神经网络的电力系统场景强弱判别方法及系统
CN115954956A (zh) 一种配电网分布式电源接入容量评估方法及系统
CN113991700A (zh) 基于历史数据的一次调频优化决策方法及装置
CN108448595B (zh) 一种光伏-串补系统时域仿真小扰动分析方法及系统
CN114552622A (zh) 基于数据驱动的交直流混联电网动态无功储备评估方法
CN109407543B (zh) 一种风电机组电气模型电压响应特性的验证方法和装置
CN108110283B (zh) 一种液流电池储能系统异常数据识别方法
CN113346553A (zh) 一种可再生能源发电站出力占比的评估方法和装置
CN112993977A (zh) 一种基于hht及rvm的主动配电网电能质量扰动识别方法
CN112366657A (zh) 基于储能的隔离型直流变换器阻断故障的控制方法及装置
CN105896525A (zh) 基于wams的电网大扰动识别方法
CN112906172B (zh) 一种大规模海上风电场的陆上并网点优化选择方法及系统

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