CN115935264B - 一种基于时空信息同步学习的电网暂态电压稳定评估方法 - Google Patents

一种基于时空信息同步学习的电网暂态电压稳定评估方法 Download PDF

Info

Publication number
CN115935264B
CN115935264B CN202310219066.9A CN202310219066A CN115935264B CN 115935264 B CN115935264 B CN 115935264B CN 202310219066 A CN202310219066 A CN 202310219066A CN 115935264 B CN115935264 B CN 115935264B
Authority
CN
China
Prior art keywords
time
transient
power grid
transient voltage
space
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
Application number
CN202310219066.9A
Other languages
English (en)
Other versions
CN115935264A (zh
Inventor
朱利鹏
帅智康
李佳勇
周斌
张聪
胡宇晗
黄玮芝
郑李梦千
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202310219066.9A priority Critical patent/CN115935264B/zh
Publication of CN115935264A publication Critical patent/CN115935264A/zh
Application granted granted Critical
Publication of CN115935264B publication Critical patent/CN115935264B/zh
Priority to US18/223,559 priority patent/US11906957B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • H02J3/0012—Contingency detection
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/06—Remote monitoring
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于时空信息同步学习的电网暂态电压稳定评估方法，先对电网在各种运行方式下的各种暂态故障进行时域仿真，从中提取各监测节点时序响应轨迹和电网暂态信息，得到暂态样本集；再利用电网网络阻抗矩阵和不同时间断面下电网状态的关联关系分别构建空间邻接矩阵和时序邻接矩阵，并集成为时空邻接矩阵，综合表征电网暂态过程中不同时间断面下各监测节点间的时空相关性；接着利用图卷积神经网络算法进行时空信息同步学习，训练得到时空信息同步驱动的暂态电压稳定分类评估模型；最后将实时获取各监测节点的暂态时序响应轨迹输入暂态电压稳定分类评估模型中，得到电网暂态电压稳定评估结果。本发明可对电网暂态电压稳定状态进行快速可靠的在线评估。

Description

一种基于时空信息同步学习的电网暂态电压稳定评估方法
技术领域
本发明涉及电网暂态电压稳定评估技术领域，尤其指一种基于时空信息同步学习的电网暂态电压稳定评估方法。
背景技术
在我国大湾区、京津冀、长三角等人口高度密集的城市群，当城市电网遭受暂态故障等严重扰动后，大量感应电动机低压迅速吸收无功的不良特性极易造成暂态电压支撑不足的问题。另一方面，现有城市电网难以根据实际电力负荷需求进行扩张，也无法在本地大规模新建发电站或配备大容量无功补偿设备，这将进一步加剧暂态扰动后区域性无功和电压支撑不足的问题。在城市电网等实际复杂电网的实时运行中，若无法对电网暂态电压稳定性进行可靠的评估并及时采取控制措施，将极易引发大范围电压失稳甚至崩溃事故。
针对电网暂态电压稳定在线评估的挑战性难题，近年来已有不少研究机构和电网公司在充分利用机器学习等先进技术的基础上，提出了数据驱动的电网暂态电压稳定评估方法。然而，现有方法多以分立方式对实际电网暂态过程的时序、空间信息简单地进行异步学习，缺乏有效的同步处理机制，其稳定评估模型的学习过程不可避免地存在信息损失，这将影响稳定评估模型的可靠性。
发明内容
本发明所要解决的技术问题是提供一种基于时空信息同步学习的电网暂态电压稳定评估方法，以实现对电网暂态电压稳定性进行快速而可靠的在线评估。
为了解决上述技术问题，本发明采用如下技术方法：一种基于时空信息同步学习的电网暂态电压稳定评估方法，包括：
步骤S1，对电网在各种运行方式下的各种暂态故障进行时域仿真，从时域仿真过程中提取各监测节点的时序响应轨迹和电网的暂态电压稳定状态信息，得到暂态样本集；
步骤S2，利用电网的网络阻抗矩阵和不同时间断面下电网状态的关联关系分别构建空间邻接矩阵和时序邻接矩阵，将该两种矩阵进一步集成为时空邻接矩阵，以综合表征电网暂态过程中不同时间断面下各监测节点间的时空相关性；
步骤S3，利用图卷积神经网络算法对所述暂态样本集进行时空信息同步学习，训练得到时空信息同步驱动的暂态电压稳定分类评估模型；
步骤S4，当电网在线运行中遭遇暂态故障时，实时获取各监测节点的暂态时序响应轨迹，输入暂态电压稳定分类评估模型中，由模型实时输出电网暂态电压稳定的在线评估结果。
进一步地，步骤S1中，从电网的调度运行系统中获取电网的运行方式集和暂态故障集，采用机电暂态时域仿真方法对电网在各种运行方式下的各种暂态故障进行
Figure SMS_2
次时域仿真，
Figure SMS_8
，
Figure SMS_13
为运行方式种类数量，
Figure SMS_3
为暂态故障种类数量，记录各监测节点在遭遇暂态故障后
Figure SMS_6
个时间断面的电压
Figure SMS_11
、电流
Figure SMS_14
、有功功率
Figure SMS_1
、无功功率
Figure SMS_5
时序响应轨迹，并记录每次时域仿真过程中的电网状态
Figure SMS_9
，用
Figure SMS_12
表示暂态电压稳定，
Figure SMS_4
表示暂态电压失稳，将一次时域仿真过程中记录的所有时序响应轨迹和电网状态构成一个暂态样本，收集
Figure SMS_7
次时域仿真所得到的所有暂态样本，形成一个包含
Figure SMS_10
个样本的暂态样本集。
更进一步地，步骤S2包括：
步骤S21，构建度量电网各监测节点之间邻近程度的空间邻接矩阵
Figure SMS_15
，如下式：
Figure SMS_16
(1)
Figure SMS_17
(2)
Figure SMS_18
(3)
Figure SMS_19
(4)
Figure SMS_20
(5)
式中，
Figure SMS_34
为监测节点之间的阻抗值，
Figure SMS_37
与
Figure SMS_39
表示不同的监测节点，
Figure SMS_23
，
Figure SMS_27
，
Figure SMS_33
为电网中监测节点的总数，
Figure SMS_38
为监测节点
Figure SMS_21
与监测节点
Figure SMS_26
之间的电气距离，
Figure SMS_30
为电气距离矩阵，
Figure SMS_35
为电气距离矩阵中各元素的最大值，其中
Figure SMS_22
和
Figure SMS_25
表示不同的监测节点，
Figure SMS_28
，
Figure SMS_31
，
Figure SMS_41
为监测节点
Figure SMS_42
与监测节点
Figure SMS_43
之间的归一化电气距离，
Figure SMS_44
为监测节点
Figure SMS_24
与监测节点
Figure SMS_29
之间的归一化电气距离，
Figure SMS_32
为监测节点
Figure SMS_36
与监测节点
Figure SMS_40
之间的空间邻接程度度量值；
步骤S22，构建表征电网遭遇暂态故障后在两个连续时间断面下各监测节点之间时序相关性的时序邻接矩阵
Figure SMS_45
，如下式：
Figure SMS_46
(6)
Figure SMS_47
(7)
式中，
Figure SMS_48
为监测节点
Figure SMS_49
与监测节点
Figure SMS_50
之间的时序邻接程度度量值；
步骤S23，形成表征电网遭遇暂态故障后在三个连续时间断面下各监测节点之间时空相关性的时空邻接矩阵
Figure SMS_51
，如下式：
Figure SMS_52
(8)。
再进一步地，步骤S3包括：
步骤S31，采用图卷积神经网络算法对步骤S1得到的暂态样本集进行时空信息同步学习，与步骤S23得到的时空邻接矩阵
Figure SMS_53
相对应，对步骤S1所得的暂态样本集中各样本包含
Figure SMS_56
个时间断面的
Figure SMS_59
时序响应轨迹分割为
Figure SMS_54
个由三个连续时间断面组成的轨迹切片，将某一切片中三个连续时间断面的
Figure SMS_57
时序响应轨迹综合记为
Figure SMS_58
，利用全连接层将其映射至隐藏层状态
Figure SMS_60
，利用图卷积学习模块
Figure SMS_55
进行时空图卷积运算，得到：
Figure SMS_61
(9)
其中，
Figure SMS_62
为图卷积运算得到的隐藏层状态，
Figure SMS_63
、
Figure SMS_64
和
Figure SMS_65
、
Figure SMS_66
为图卷积运算过程的待学习参数，
Figure SMS_67
表示sigmoid激活函数，
Figure SMS_68
表示矩阵点积；
在图卷积学习过程中进行
Figure SMS_69
次图卷积运算，分别对
Figure SMS_70
个轨迹切片进行学习，完成图卷积学习后，将隐藏层状态
Figure SMS_71
依次链接至全连接层和展平层，记展平层的输出为
Figure SMS_72
，利用sigmoid激活函数将展平层的输出
Figure SMS_73
关联至电网状态
Figure SMS_74
的离散化输出，由此构建时空信息同步驱动的暂态电压稳定分类评估模型；
步骤S32，采用步骤S1得到的暂态样本集对步骤S31构建的时空信息同步驱动的暂态电压稳定分类评估模型进行时空信息同步学习训练以及性能测试，直至模型的稳定评估准确率达到要求。
优选地，步骤S32中，利用交叉验证方式对得到的暂态电压稳定分类评估模型进行性能测试，统计暂态样本集中电网实际状态为
Figure SMS_75
却被错误评估为暂态电压失稳、实际状态为
Figure SMS_76
却被错误评估为暂态电压稳定的样本总数
Figure SMS_77
，计算暂态电压稳定分类评估模型的稳定评估准确率
Figure SMS_78
，若
Figure SMS_79
，则暂态电压稳定分类评估模型的稳定评估性能满足要求，暂态电压稳定分类评估模型训练完毕，转至步骤S4；若
Figure SMS_80
，则利用步骤S1得到的暂态样本集重新进行时空信息同步学习，直至
Figure SMS_81
，转至步骤S4。
优选地，步骤S4，当电网在线运行中遭遇暂态故障时，电力系统中各监测节点的同步相量测量单元实时获取各变电站在遭遇暂态故障后
Figure SMS_82
个时间断面内的
Figure SMS_83
时序响应轨迹，将得到的
Figure SMS_84
时序响应轨迹输入到步骤S32经过性能测试的暂态电压稳定分类评估模型中，暂态电压稳定分类评估模型输出电网暂态电压稳定或失稳状态的在线评估结果。
与传统数据驱动方法孤立处理电网暂态过程中的时序演变/空间分布信息不同，本发明提供的基于时空信息同步学习的电网暂态电压稳定评估方法，将大规模复杂电网在海量暂态场景下的时空信息进行同步、深度融合，通过时空同步图神经网络学习方法对广域时空视角下关乎系统暂态电压稳定性的内在时空相关性及关键稳定特征进行更加全面的挖掘和提取，以实现对电网暂态电压稳定/失稳状态的在线评估，此基于时空信息同步、深度融合的学习方式不仅可促进电网暂态电压稳定评估可靠性的提升，还可进一步扩展应用至高精度的暂态轨迹灵敏度预测、电压响应预测等场合，为建立强鲁棒、自适应的电网暂态电压稳定在线决策控制方案提供先进技术支撑。
附图说明
图1为本发明所涉基于时空信息同步学习的电网暂态电压稳定评估方法的流程图；
图2为本发明所涉时空信息同步驱动的暂态电压稳定分类评估模型结构图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
本发明的目的是攻克现有电网暂态电压稳定评估技术的瓶颈，提出一种基于时空信息同步学习的电网暂态电压稳定评估方法。本发明将电网海量暂态故障场景中的时空信息深度融合，利用图神经网络算法对时空信息进行同步、深度学习，挖掘和提取与电网暂态电压稳定性密切相关的关键时空演变特征，由此建立时空信息同步驱动的电网暂态电压稳定分类评估模型，对电网暂态电压稳定/失稳状态进行快速而可靠的在线评估。具体来说，本发明提出的基于时空信息同步学习的电网暂态电压稳定评估方法，整体流程如图1所示，包括以下步骤：
步骤S1，从电网的调度运行系统中获取电网的运行方式集和暂态故障集，采用机电暂态时域仿真方法对电网在各种运行方式下的各种暂态故障进行
Figure SMS_86
次时域仿真（假设电网总共包含
Figure SMS_90
种运行方式，
Figure SMS_95
种暂态故障，则
Figure SMS_87
），在每次时域仿真过程中记录电网中各监测节点在遭遇暂态故障后
Figure SMS_89
（本实施例中
Figure SMS_94
）个时间断面电压、电流、有功功率、无功功率（分别记为
Figure SMS_97
）等电气量的时序响应轨迹，并记录每次时域仿真过程中电网的状态
Figure SMS_85
（其中
Figure SMS_92
表示电网处于暂态电压稳定状态，
Figure SMS_96
代表电网处于暂态电压失稳状态），将一次时域仿真过程中记录的所有信息（包括
Figure SMS_98
时序响应轨迹和电网系统状态
Figure SMS_88
）构成一个暂态样本，收集
Figure SMS_91
次时域仿真所得到的所有暂态样本，形成一个包含
Figure SMS_93
个样本的暂态样本集。
步骤S2：
步骤S21，获取电网中包含所有监测节点的网络阻抗矩阵
Figure SMS_107
（记电网中监测节点的总数为
Figure SMS_99
，
Figure SMS_103
为监测节点之间的阻抗值，
Figure SMS_110
与
Figure SMS_114
表示不同的监测节点，
Figure SMS_112
，
Figure SMS_115
），以
Figure SMS_109
为基础，将监测节点
Figure SMS_113
与监测节点
Figure SMS_100
之间的电气距离记为
Figure SMS_106
，生成电气距离矩阵
Figure SMS_102
，利用
Figure SMS_104
中各元素的最大值将
Figure SMS_108
标准化为
Figure SMS_111
，以
Figure SMS_101
为空间临近程度的度量基准，构建度量各监测节点之间邻近程度的空间邻接矩阵
Figure SMS_105
，如下式：
Figure SMS_116
(1)
Figure SMS_117
(2)
Figure SMS_118
(3)
Figure SMS_119
(4)
Figure SMS_120
(5)
式中，
Figure SMS_121
为电气距离矩阵中各元素的最大值，其中
Figure SMS_126
和
Figure SMS_130
表示不同的监测节点，
Figure SMS_122
，
Figure SMS_125
，
Figure SMS_128
为监测节点
Figure SMS_132
与监测节点
Figure SMS_124
之间的归一化电气距离，
Figure SMS_129
为监测节点
Figure SMS_133
与监测节点
Figure SMS_134
之间的归一化电气距离，
Figure SMS_123
为监测节点
Figure SMS_127
与监测节点
Figure SMS_131
之间的空间邻接程度度量值。
步骤S22，为电网构建时序邻接矩阵
Figure SMS_135
，对电网遭遇暂态故障后第
Figure SMS_136
个时间断面和第(
Figure SMS_137
)个时间断面（
Figure SMS_138
）下监测节点
Figure SMS_139
与监测节点
Figure SMS_140
之间的时序相关性进行表征，如下式：
Figure SMS_141
(6)
Figure SMS_142
(7)
式中，
Figure SMS_143
为监测节点
Figure SMS_144
与监测节点
Figure SMS_145
之间的时序邻接程度度量值。
步骤S23，综合考虑电网遭遇暂态故障后的三个连续时间断面，即
Figure SMS_147
，
Figure SMS_150
和
Figure SMS_153
（
Figure SMS_148
），利用步骤S21得到的空间邻接矩阵
Figure SMS_151
和步骤S22得到的时序邻接矩阵
Figure SMS_154
构建综合表征电网在
Figure SMS_155
，
Figure SMS_146
和
Figure SMS_149
这三个时间断面下各监测节点的时空相关性的时空邻接矩阵
Figure SMS_152
，如下式：
Figure SMS_156
(8)
步骤S3：
步骤S31，采用图卷积神经网络算法对步骤S1得到的暂态样本集进行时空信息同步学习，与步骤S23得到的时空邻接矩阵
Figure SMS_158
相对应，对步骤S1所得的暂态样本集中各样本包含
Figure SMS_161
个时间断面的
Figure SMS_163
时序响应轨迹分割为(
Figure SMS_159
)个由三个连续时间断面组成的轨迹切片，将某一切片中三个连续时间断面的
Figure SMS_160
时序响应轨迹综合记为
Figure SMS_162
，利用全连接层将其映射至隐藏层状态
Figure SMS_164
，利用图卷积学习模块
Figure SMS_157
进行时空图卷积运算，得到：
Figure SMS_165
(9)
其中，
Figure SMS_166
为图卷积运算得到的隐藏层状态，
Figure SMS_167
、
Figure SMS_168
和
Figure SMS_169
、
Figure SMS_170
为图卷积运算过程的待学习参数，
Figure SMS_171
表示sigmoid激活函数，
Figure SMS_172
表示矩阵点积；
在图卷积学习过程中进行
Figure SMS_173
次图卷积运算，分别对
Figure SMS_174
个轨迹切片进行学习，完成图卷积学习后，将隐藏层状态
Figure SMS_175
依次链接至全连接层和展平层，记展平层的输出为
Figure SMS_176
，利用sigmoid激活函数将展平层的输出
Figure SMS_177
关联至电网状态
Figure SMS_178
（即暂态电压稳定/失稳）的离散化输出，由此构建时空信息同步驱动的暂态电压稳定分类评估模型，如图2所示。
值得一提的是，本实施例中图卷积神经网络算法采用Python环境下Keras工具箱实现。
步骤S32，将步骤S1所得暂态样本集中的所有暂态样本批量输入至前述时空信息同步驱动的暂态电压稳定分类评估模型进行训练学习，直至模型收敛。接着，利用交叉验证方式对时空信息同步驱动的暂态电压稳定分类评估模型进行性能测试，统计暂态样本集中电网实际状态为
Figure SMS_179
却被错误评估为暂态电压失稳、实际状态为
Figure SMS_180
却被错误评估为暂态电压稳定的样本总数
Figure SMS_181
，计算暂态电压稳定分类评估模型的稳定评估准确率
Figure SMS_182
，若
Figure SMS_183
，则暂态电压稳定分类评估模型的稳定评估性能满足要求，暂态电压稳定分类评估模型训练完毕，转至步骤S4；若
Figure SMS_184
，则利用步骤S1得到的暂态样本集重新进行时空信息同步学习，直至
Figure SMS_185
，转至步骤S4。
步骤S4，当电网在线运行中遭遇暂态故障时，电力系统中各监测节点的同步相量测量单元实时获取各变电站在遭遇暂态故障后
Figure SMS_186
个时间断面内的
Figure SMS_187
时序响应轨迹，将得到的
Figure SMS_188
时序响应轨迹输入到步骤S6经过性能测试的暂态电压稳定分类评估模型中，暂态电压稳定分类评估模型输出电网暂态电压稳定/失稳状态的在线评估结果，若
Figure SMS_189
，则判定电网遭遇当前暂态故障后可维持暂态电压稳定，若
Figure SMS_190
，则判定电网遭遇当前暂态故障后将发生暂态电压失稳，需向电网调度运行人员立即发送预警信息，针对当前暂态事故尽快采取低压减载等紧急控制措施，使电网尽快恢复暂态电压稳定。
上述实施例为本发明较佳的实现方案，除此之外，本发明还可以其它方式实现，在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。
为了让本领域普通技术人员更方便地理解本发明相对于现有技术的改进之处，本发明的一些附图和描述已经被简化，并且为了清楚起见，本申请文件还省略了一些其他元素，本领域普通技术人员应该意识到这些省略的元素也可构成本发明的内容。

Claims (4)

1.一种基于时空信息同步学习的电网暂态电压稳定评估方法，其特征在于，包括：
步骤S1，对电网在各种运行方式下的各种暂态故障进行时域仿真，从时域仿真过程中提取各监测节点的时序响应轨迹和电网的暂态电压稳定状态信息，得到暂态样本集；
从电网的调度运行系统中获取电网的运行方式集和暂态故障集，采用机电暂态时域仿真方法对电网在各种运行方式下的各种暂态故障进行
Figure QLYQS_4
次时域仿真，
Figure QLYQS_7
，
Figure QLYQS_11
为运行方式种类数量，
Figure QLYQS_2
为暂态故障种类数量，记录各监测节点在遭遇暂态故障后
Figure QLYQS_8
个时间断面的电压
Figure QLYQS_12
、电流
Figure QLYQS_14
、有功功率
Figure QLYQS_1
、无功功率
Figure QLYQS_5
时序响应轨迹，并记录每次时域仿真过程中的电网状态
Figure QLYQS_9
，用
Figure QLYQS_13
表示暂态电压稳定，
Figure QLYQS_3
表示暂态电压失稳，将一次时域仿真过程中记录的所有时序响应轨迹和电网状态构成一个暂态样本，收集
Figure QLYQS_6
次时域仿真所得到的所有暂态样本，形成一个包含
Figure QLYQS_10
个样本的暂态样本集；
步骤S2，利用电网的网络阻抗矩阵和不同时间断面下电网状态的关联关系分别构建空间邻接矩阵和时序邻接矩阵，将空间邻接矩阵和时序邻接矩阵进一步集成为时空邻接矩阵，以综合表征电网暂态过程中不同时间断面下各监测节点间的时空相关性；
步骤S21，构建度量电网各监测节点之间邻近程度的空间邻接矩阵
Figure QLYQS_15
，如下式：
Figure QLYQS_16
(1)
Figure QLYQS_17
(2)
Figure QLYQS_18
(3)
Figure QLYQS_19
(4)
Figure QLYQS_20
(5)
式中，
Figure QLYQS_30
为监测节点之间的阻抗值，
Figure QLYQS_21
与
Figure QLYQS_26
表示不同的监测节点，
Figure QLYQS_34
，
Figure QLYQS_39
，
Figure QLYQS_42
为电网中监测节点的总数，
Figure QLYQS_43
为监测节点
Figure QLYQS_31
与监测节点
Figure QLYQS_36
之间的电气距离，
Figure QLYQS_23
为电气距离矩阵，
Figure QLYQS_27
为电气距离矩阵中各元素的最大值，其中
Figure QLYQS_35
和
Figure QLYQS_40
表示不同的监测节点，
Figure QLYQS_38
，
Figure QLYQS_41
为监测节点
Figure QLYQS_22
与监测节点
Figure QLYQS_25
之间的归一化电气距离，
Figure QLYQS_29
为监测节点
Figure QLYQS_32
与监测节点
Figure QLYQS_24
之间的归一化电气距离，
Figure QLYQS_28
为监测节点
Figure QLYQS_33
与监测节点
Figure QLYQS_37
之间的空间邻接程度度量值；
步骤S22，构建表征电网遭遇暂态故障后在两个连续时间断面下各监测节点之间时序相关性的时序邻接矩阵
Figure QLYQS_44
，如下式：
Figure QLYQS_45
(6)
Figure QLYQS_46
(7)
式中，
Figure QLYQS_47
为监测节点
Figure QLYQS_48
与监测节点
Figure QLYQS_49
之间的时序邻接程度度量值；
步骤S23，形成表征电网遭遇暂态故障后在三个连续时间断面下各监测节点之间时空相关性的时空邻接矩阵
Figure QLYQS_50
，如下式：
Figure QLYQS_51
(8)
步骤S3，利用图卷积神经网络算法对所述暂态样本集进行时空信息同步学习，训练得到时空信息同步驱动的暂态电压稳定分类评估模型；
步骤S4，当电网在线运行中遭遇暂态故障时，实时获取各监测节点的暂态时序响应轨迹，输入暂态电压稳定分类评估模型中，由模型实时输出电网暂态电压稳定的在线评估结果。
2.根据权利要求1所述的基于时空信息同步学习的电网暂态电压稳定评估方法，其特征在于：步骤S3包括：
步骤S31，采用图卷积神经网络算法对步骤S1得到的暂态样本集进行时空信息同步学习，与步骤S23得到的时空邻接矩阵
Figure QLYQS_54
相对应，对步骤S1所得的暂态样本集中各样本包含
Figure QLYQS_55
个时间断面的
Figure QLYQS_57
时序响应轨迹分割为
Figure QLYQS_53
个由三个连续时间断面组成的轨迹切片，将某一切片中三个连续时间断面的
Figure QLYQS_56
时序响应轨迹综合记为
Figure QLYQS_58
，利用全连接层将其映射至隐藏层状态
Figure QLYQS_59
，利用图卷积学习模块
Figure QLYQS_52
进行时空图卷积运算，得到：
Figure QLYQS_60
(9)
其中，
Figure QLYQS_61
为图卷积运算得到的隐藏层状态，
Figure QLYQS_62
和
Figure QLYQS_63
为图卷积运算过程的待学习参数，
Figure QLYQS_64
表示sigmoid激活函数，
Figure QLYQS_65
表示矩阵点积；
在图卷积学习过程中进行
Figure QLYQS_66
次图卷积运算，分别对
Figure QLYQS_67
个轨迹切片进行学习，完成图卷积学习后，将隐藏层状态
Figure QLYQS_68
依次链接至全连接层和展平层，记展平层的输出为
Figure QLYQS_69
，利用sigmoid激活函数将展平层的输出
Figure QLYQS_70
关联至电网状态
Figure QLYQS_71
的离散化输出，由此构建时空信息同步驱动的暂态电压稳定分类评估模型；
步骤S32，采用步骤S1得到的暂态样本集对步骤S31构建的时空信息同步驱动的暂态电压稳定分类评估模型进行时空信息同步学习训练以及性能测试，直至模型的稳定评估准确率达到要求。
3.根据权利要求2所述的基于时空信息同步学习的电网暂态电压稳定评估方法，其特征在于：步骤S32中，利用交叉验证方式对得到的暂态电压稳定分类评估模型进行性能测试，统计暂态样本集中电网实际状态为
Figure QLYQS_72
却被错误评估为暂态电压失稳、实际状态为
Figure QLYQS_73
却被错误评估为暂态电压稳定的样本总数
Figure QLYQS_74
，计算暂态电压稳定分类评估模型的稳定评估准确率
Figure QLYQS_75
，若
Figure QLYQS_76
，则暂态电压稳定分类评估模型的稳定评估性能满足要求，暂态电压稳定分类评估模型训练完毕，转至步骤S4；若
Figure QLYQS_77
，则利用步骤S1得到的暂态样本集重新进行时空信息同步学习，直至
Figure QLYQS_78
，转至步骤S4。
4.根据权利要求3所述的基于时空信息同步学习的电网暂态电压稳定评估方法，其特征在于：步骤S4，当电网在线运行中遭遇暂态故障时，电力系统中各监测节点的同步相量测量单元实时获取各变电站在遭遇暂态故障后L个时间断面内的
Figure QLYQS_79
时序响应轨迹，将得到的
Figure QLYQS_80
时序响应轨迹输入到步骤S32经过性能测试的暂态电压稳定分类评估模型中，暂态电压稳定分类评估模型输出电网暂态电压稳定或失稳状态的在线评估结果。
CN202310219066.9A 2023-03-09 2023-03-09 一种基于时空信息同步学习的电网暂态电压稳定评估方法 Active CN115935264B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310219066.9A CN115935264B (zh) 2023-03-09 2023-03-09 一种基于时空信息同步学习的电网暂态电压稳定评估方法
US18/223,559 US11906957B1 (en) 2023-03-09 2023-07-19 Method for assessing short-term voltage stability of power grid based on synchronous spatio-temporal information learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310219066.9A CN115935264B (zh) 2023-03-09 2023-03-09 一种基于时空信息同步学习的电网暂态电压稳定评估方法

Publications (2)

Publication Number Publication Date
CN115935264A CN115935264A (zh) 2023-04-07
CN115935264B true CN115935264B (zh) 2023-05-12

Family

ID=85820334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310219066.9A Active CN115935264B (zh) 2023-03-09 2023-03-09 一种基于时空信息同步学习的电网暂态电压稳定评估方法

Country Status (2)

Country Link
US (1) US11906957B1 (zh)
CN (1) CN115935264B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117992855B (zh) * 2024-04-02 2024-06-21 湖南大学 基于半监督学习的电网暂态电压稳定样本标定方法及设备
CN118013862B (zh) * 2024-04-09 2024-07-05 湖南大学 一种风电场短期电压稳定性仿真模型构建、评估及监测方法
CN118348450B (zh) * 2024-05-14 2024-10-18 广东慕宁电子科技有限公司 一种大功率不间断电源的测试方法、装置、设备及存储介质
CN118523316B (zh) * 2024-07-18 2024-10-11 湖南大学 基于暂态响应和线路状态信息的主导失稳模式判别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101777759B (zh) * 2010-03-23 2013-01-02 西安交通大学 一种基于单端暂态信号的超高速直流线路整套保护装置及保护方法
WO2017067615A1 (en) * 2015-10-23 2017-04-27 Nec Europe Ltd. Method and system for supporting detection of irregularities in a network
CN107482621B (zh) * 2017-08-02 2019-09-27 清华大学 一种基于电压时序轨迹的电力系统暂态电压稳定评估方法
CN111756034B (zh) * 2020-06-12 2022-04-08 清华大学 基于图时空网络的电力系统暂态电压稳定评估方法
CN113762625B (zh) * 2021-09-09 2024-09-06 国网山东省电力公司经济技术研究院 一种基于图卷积网络的配电网状态评估方法和系统
CN114006413B (zh) * 2021-10-29 2023-08-29 中国电力科学研究院有限公司 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
CN115238980A (zh) * 2022-07-13 2022-10-25 湖南大学 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法

Also Published As

Publication number Publication date
US11906957B1 (en) 2024-02-20
CN115935264A (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115935264B (zh) 一种基于时空信息同步学习的电网暂态电压稳定评估方法
CN110829417B (zh) 基于lstm双结构模型的电力系统暂态稳定预测方法
AU2020103179A4 (en) A Fault Locating Method of Power Grid Based on Network Theory
CN108074021A (zh) 一种配电网风险辨识系统及方法
CN113902242A (zh) 一种基于数字孪生的电网设备的综合状态评价方法及系统
CN105974232B (zh) 一种适用于高压输电网的电网故障诊断方法
CN109902373A (zh) 一种辖区变电站故障诊断、定位方法及系统
CN116073381B (zh) 一种考虑配电网可靠性的自动化设备布点决策方法
CN117419829A (zh) 过热故障的预警方法、装置和电子设备
CN117639228A (zh) 基于数字孪生的配电网运行状态预测方法及系统
CN118152945A (zh) 一种基于组件拓扑图的水电站辅助设备故障定位方法
CN113740666B (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN118133542A (zh) 一种基于数字孪生的电力安全控制系统
Sun et al. Transmission Line Fault Diagnosis Method Based on Improved Multiple SVM Model
CN117611010A (zh) 基于孪生模型的智能配电柜运行状态的模糊综合评估方法
CN117350447A (zh) 一种适用于电网的多源异构电力数据融合算法
CN117150220A (zh) 一种基于机器学习的光伏阵列故障诊断方法
CN116992328A (zh) 基于无监督学习的低压台区5g高频数据拓扑识别方法
Deng et al. Topology Estimation of Power Distribution Grids Using Graphical Model
CN114814457B (zh) 一种基于vgg16算法的高压交流线路智能故障诊断方法及系统
Bais et al. Faulty line localization in ieee 30 bus system using cnn-lstm
Gao et al. Short circuit fault location method of distribution network based on fuzzy matching
CN117250439B (zh) 一种面向多源接地故障的三层式研判分析系统
Li et al. Fault location of distribution network based on stacked autoencoder
Li et al. Fault Diagnosis Method of Smart Substation Secondary System Based on Deep Reinforcement Learning

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