CN116031867A - 一种电网暂态安全稳定性评估方法 - Google Patents

一种电网暂态安全稳定性评估方法 Download PDF

Info

Publication number
CN116031867A
CN116031867A CN202211308686.1A CN202211308686A CN116031867A CN 116031867 A CN116031867 A CN 116031867A CN 202211308686 A CN202211308686 A CN 202211308686A CN 116031867 A CN116031867 A CN 116031867A
Authority
CN
China
Prior art keywords
transient
stability
sample
safety
power
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
CN202211308686.1A
Other languages
English (en)
Inventor
孙文涛
葛毅
张文嘉
黄俊辉
谢珍建
蔡晖
赵菲菲
许偲轩
韩杏宁
王荃荃
祁万春
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.)
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Jiangsu 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 Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202211308686.1A priority Critical patent/CN116031867A/zh
Publication of CN116031867A publication Critical patent/CN116031867A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种电网暂态安全稳定性评估方法，该方法根据电力系统在各预设运行工况下的稳态电网潮流数据和各预设故障，形成若干样本，构建样本集合；基于交直流混联系统模型进行时域仿真，获取样本集合中各样本的电网暂态特性曲线；根据各样本的电网暂态特性曲线，获取样本集合中各样本的暂态安全稳定标签；以每一样本以及每一样本的暂态安全稳定标签为特征，作为决策树集群模型的输入，训练决策树集群模型；将实时的电网潮流数据和各预设故障作为训练完成的决策树集群模型的输入，输出对应各预设故障的暂态安全稳定标签并对电网暂态安全稳定性进行评估。该评估方法适用性广，输出的评估结果准确，精度高。

Description

一种电网暂态安全稳定性评估方法
技术领域
本发明属于电网稳定性技术领域，具体涉及一种电网暂态安全稳定性评估方法。
背景技术
由于可再生能源与电力电子设备占比不断增高，当前电力系统运行的强随机性和不确定性也在不断增强。受到包括可再生能源、需求侧响应引起的双向功率流、大功率传输的交直流混联、新型电力市场行为等因素影响，电力系统可能在短期内打破功率平衡。暂态安全稳定性是指在电力系统遭受大扰动后，电网母线电压、频率能够在短时间内恢复到安全范围以内的能力，通常受到极端天气、树木接触、恐怖袭击、网络攻击、设备故障、保护系统错误动作、操作人员错误等因素影响。在极端情况下，如果大干扰得不到快速有效评估和及时的缓解，就可能发生连锁故障和大规模停电。因此，时刻保持交直流混联电网的暂态安全稳定性对可靠供电至关重要，必须时刻准确评估电力系统的安全与运行风险，以有效应对这些挑战。
为了有效评估电力系统的暂态安全稳定性，传统方法使用暂态能量函数计算扰动后的注入能量，并与最大允许能量进行比较，如果注入能量小于阈值，这种扰动不会引起瞬态不稳定。但基于瞬态能量函数的评估方法在实时环境中的应用受限于瞬态能量函数与相关系数计算。随着计算机技术、数学算法、微分和代数求解器以及同步相量测量等系统监测技术的快速发展，利用时域仿真手段获得扰动后系统的暂态响应轨迹并对电网暂态安全稳定性进行评估已成为主导，但该方法耗时较长，无法满足交直流混联电力系统对于暂态安全稳定性的时间要求。近期，基于机器学习的电网暂态安全稳定评估方法被陆续报道，但现有方法的实际应用依然存在以下缺陷，具体为
1、目前基于机器学习的电网暂态安全稳定性评估方法中，用于训练学习模型的训练样本主要是从历史实际运行数据中直接获取，所以这些训练样本大多偏向于电网运行的常见运行工况，无法囊括电网较全面的运行方式。并且由于在实际生产中，工程师会根据现有技术手段避免电网出现安全隐患，所以从历史实际运行数据中获取的训练样本大多缺乏具有安全隐患特征的样本数据。因此这些方法中训练完成的机器学习模型参数不够准确，影响评估精度。
2、目前基于机器学习的电网暂态安全稳定性评估方法中，一般采用基于单一监督机器学习模型，这类型的机器学习模型会存在过拟合问题，影响评估精度；
3、目前的电网暂态安全稳定性评估方法主要是针对单一或少量的常见故障设定评估标准，再进行稳定性评估，这些方法难以适用于新型电力系统安全风险的评估。
发明内容
为解决现有技术中的不足，本发明提出一种电网暂态安全稳定性评估方法，该评估方法的评估精度高。
本发明的技术方案如下：
一种电网暂态安全稳定性评估方法，包括：
根据电力系统在各预设运行工况下的稳态电网潮流数据和各预设故障，形成若干样本，构建样本集合；所述稳态电网潮流数据包括母线电压、相角、线路有功功率、线路无功功率、发电机有功功率、发电机无功功率和母线负荷；
基于交直流混联系统模型进行时域仿真，获取样本集合中各样本的电网暂态特性曲线；
根据所述各样本的电网暂态特性曲线，获取样本集合中各样本的暂态安全稳定标签；
以每一样本以及每一样本的暂态安全稳定标签为特征，作为决策树集群模型的输入，训练决策树集群模型；
将实时的电网潮流数据和各预设故障作为训练完成的决策树集群模型的输入，输出对应各预设故障的暂态安全稳定标签并对电网暂态安全稳定性进行评估。
进一步地，所述交直流混联系统模型包括电力系统动态行为方程和电力系统输电网络方程；
其中，系统动态行为方程为非线性微分代数方程，表达式为：
Figure BDA0003907018140000021
式中，x为电力系统的状态变量，包括发电机转子转速、转子角度、磁通和励磁系统、调速器、电力系统稳定器、电动机的动态负荷；y包括母线电压幅值和角度；u包括电网控制信息；f为微分方程；g为代数方程，由基于基尔霍夫电流定律的网络方程组成，即流入母线的所有电流之和为零；
所述电力输电网络方程，表达式为：
I＝Y*V
式中，I包括来自发电机的动态负荷在相应母线的电流注入；Y为电力系统网络的导纳矩阵，包括发电机等效阻抗和静态负荷分量；V为电力系统网络母线复数电压矢量。
进一步地，所述电网暂态特性曲线是采用数值积分法求解交直流混联系统模型的系统动态行为方程和电力输电网络方程得到。
进一步地，所述样本的暂态安全稳定标签的获取方法如下：
根据样本集合中样本的电网暂态特性曲线，计算样本的暂态安全稳定指标，若计算出的暂态安全稳定指标满足设定要求，则该样本的暂态安全稳定标签为安全；否则该样本的暂态安全稳定标签为不安全。
进一步地，所述暂态安全稳定指标包括发电机转子功角差指标、阻尼系数指标、暂态电压指标和暂态频率指标；其中，发电机转子功角差指标γ的计算公式如下：
Figure BDA0003907018140000031
式中，δmax为各交流岛中任意两台发电机在经历故障后响应中的最大角度差；若发电机转子功角差指标γ＞0，则记该样本的暂态安全稳定标签为安全；否则若发电机转子功角差指标γ≤0，记该样本的暂态安全稳定标签为不安全。
阻尼系数指标为从发电机或线路功率的暂态响应中计算出在0.1～2Hz频率范围内的阻尼系数；若阻尼系数指标大于3％，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全；
暂态电压指标为母线电压下降/上升至经历预设故障前80％稳态母线电压的持续时间；若暂态电压指标大于暂态电压指标设定值，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全；
暂态频率指标为母线频率和发电机频率下降/上升至预设故障前80％稳态母线和发电机频率的持续时间；若暂态频率指标大于暂态频率指标设定值，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全。
进一步地，所述预设运行工况包括基于历史潮流断面信息获取的典型运行工况和基于典型运行工况得到的推演运行工况，所述预设运行工况总数大于等于300。
进一步地，所述推演运行工况是通过对任意两个典型运行工况通过负荷变化或可再生能源变化进行线性假设插值得到。
进一步地，所述预设故障包括N-1故障和由线路投切、发电机投切和负荷投切组成的N-2故障，所述预设故障总数大于等于100。
进一步地，电网暂态安全稳定性评估方法还包括：对训练完成的决策树集群模型进行参数更新，具体包括：
当电力系统出现运行工况变化时，结合未来24小时机组启停计划，采用负荷预测算法、可再生能源预测算法，预测出电力系统未来24小时内每小时的预测运行工况，根据电力系统在各预测运行工况下的稳态电网潮流数据和各预设故障，形成若干新样本，构建新样本集合；再根据新样本集合对决策树集群模型进行参数更新。
进一步地，所述运行工况变化包括电力系统网络拓扑变化、发电机状态变化和负荷水平变化中任意一种。
相比于现有技术，本发明具有如下有益效果：
本发明提供一种电网暂态安全稳定性评估方法，该方法构建了涵盖多种预设电网运行工况以及多种预设故障的样本集合，并结合样本集合中各样本的暂态安全稳定标签对决策树集群模型进行训练，该决策树集群模型可根据实时电网潮流数据，输出多种预设故障下的暂态安全稳定性评估结果，该评估方法适用性广，输出的评估结果灵活、全面并且准确。
本发明的评估方法中决策树集群模型的训练样本集合涵盖多种预设电网运行工况，该预设电网运行工况不仅包括基于历史运行数据直接获取的典型运行工况，本发明还通过对典型运行工况进行线性假设插值，从而获取无法从历史数据直接得到的推演运行工况，因此本发明训练样本可以囊括电网较全面的运行方式，训练样本的质量高，使得完成训练的决策树集群模型适用性更广，输出的评估结果也更加精准。
本发明的评估方法根据样本集合中各样本的电网暂态特性曲线，计算各样本包括发电机转子功角差指标、阻尼系数指标、暂态电压指标和暂态频率指标的四种暂态安全稳定指标，由该四种暂态安全稳定指标获取样本的暂态安全稳定标签。多个暂态安全稳定指标的设定，使得本发明的评估结果更加准确。
本发明的评估方法中采用决策树集群模型对电网暂态安全稳定性进行评估，决策树集群模型采用多种超参数的组合，由此可以避免现有基于单一监督模型出现的过拟合现象。
附图说明
图1为实施例中本发明的控制流程图；
图2为实施例中线性假设插值的示意图；
图3为实施例中嵌入式直流系统的结构图；
图4为实施例中LCC直流输电系统的控制框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
本实例的一种电网暂态安全稳定性评估方法，如图1所示，包括：
1)根据电力系统在各预设运行工况下的稳态电网潮流数据和各预设故障，形成若干样本，构建样本集合；其中，预设运行工况包括基于历史潮流断面信息获取的典型运行工况和基于典型运行工况得到的推演运行工况。预设故障包括N-1故障和由线路投切(断线)、发电机投切(切机)和负荷投切(甩负荷)组成的N-2故障。样本集合中每一样本对应一种预设运行工况下的稳态电网潮流数据以及一种预设故障；样本集合中样本数量取决于预设运行工况数量和预设故障数量，对于450个预设运行工况和200个预设故障的情形，则形成90000(450*200)个样本。为保障训练样本可以囊括电力系统较全面的运行方式以及电力系统可能遇到的较全面的故障，预设运行工况总数大于等于300，预设故障总数大于等于100。稳态电网潮流数据包括母线电压、相角、线路有功功率、线路无功功率、发电机有功功率、发电机无功功率和母线负荷；
2)基于交直流混联系统模型进行时域仿真，获取样本集合中各样本的电网暂态特性曲线；其中，交直流混联系统模型用于描述电力设备在电力系统经历故障后一段时间(如10秒到30秒)内的暂态行为，电力设备包括发电机、励磁器、调速器、电力系统稳定器、动态负载；该交直流混联系统模型包括电力系统动态行为方程和电力系统输电网络方程；电网暂态特性曲线可以采用数值积分法求解交直流混联系统模型的系统动态行为方程和电力输电网络方程得到。
其中，系统动态行为方程为非线性微分代数方程，表达式为：
Figure BDA0003907018140000061
式中，x采用nx*1阶的矢量，x为电力系统的状态变量，包括发电机转子转速、转子角度、磁通、励磁系统的状态变量、调速器的状态变量、电力系统稳定器的状态变量、电动机的动态负荷；
y采用由代数变量组成的ny*1阶向量，括母线电压幅值和角度；
u采用nu*1阶的矢量，包括电网控制信息；该电网控制信息为人为设定值，一般包括发电机电压设定值、发电机有功出力和直流输电系统输电功率等；
f为微分方程；
g为代数方程，由基于基尔霍夫电流定律的网络方程组成，即流入母线的所有电流之和为零，代数方程g提供了代数变量和状态变量之间的边界；
电力输电网络方程，表达式为：
I＝Y*V
式中，I包括来自发电机的动态负荷在相应母线的电流注入；
Y为电力系统网络的导纳矩阵，包括发电机等效阻抗和静态负荷分量；
V为电力系统网络母线复数电压矢量。
3)根据各样本的电网暂态特性曲线，获取样本集合中各样本的暂态安全稳定标签，安全(S)或不安全(I)，以评估各预设运行工况下的电网经历各预设故障的风险。样本的暂态安全稳定标签的获取方法如下：
根据样本集合中样本的电网暂态特性曲线，计算样本的暂态安全稳定指标，若计算出的暂态安全稳定指标满足设定要求，则该样本的暂态安全稳定标签为安全；否则该样本的暂态安全稳定标签为不安全。
4)以每一样本以及每一样本的暂态安全稳定标签为特征，作为决策树集群模型的输入，训练决策树集群模型；决策树模型是一个给定“目标”的树结构的预测模型，其特征是一个代表属性(或预测器)的向量。根据目标的性质(分类树或数值树)，决策树可分为分类树和回归树。一个决策树的二进制结构具有两种类型的节点，内部节点有两个子节点，终端节点没有任何子节点。每个终端节点提供一个预测结果，如暂态安全稳定标签安全(S)、不安全(I)。为了训练一个好的决策树模型，本例将样本集合划分为训练集和测试集。训练过程中，首先训练极大树，将训练集通过递归将一个父节点分解为两个更纯粹的子节点，并对极大树进行逐步剪枝，生成一系列更小的决策树模型，以降低过拟合的可能。其主要目标是将高维空间中的所有样本划分为不同的子区域，每个子区域中样本的目标都是相同的。然后根据决策树的误分类代价和均方误差对这些小型决策树在测试集上的性能进行评分。最优树定义为测试集上预测误差最小的树模型。但单个决策树模型易产生过拟合问题，因此本发明使用带有不同超参数组合的决策树集群模型，提供综合评估结果。
5)将实时的电网潮流数据从相量测量单元或SCADA系统获取和各预设故障作为训练完成的决策树集群模型的输入，输出对应各预设故障的暂态安全稳定标签并对电网暂态安全稳定性进行评估。
实施例二：
本实施例在实施例一的基础上进一步设计在于：本实例中暂态安全稳定指标设有四个，具体包括发电机转子功角差指标、阻尼系数指标、暂态电压指标和暂态频率指标；若样本的暂态安全稳定指标均满足设计要求，则该样本的暂态安全稳定标签为安全；若样本的暂态安全稳定指标中存在任意一个指标不满足设计要求，该样本的暂态安全稳定标签为不安全。
其中，发电机转子功角差指标γ的计算公式如下：
Figure BDA0003907018140000071
式中，δmax为各交流岛中任意两台发电机在经历故障后响应中的最大角度差；若发电机转子功角差指标γ＞0，则记该样本的暂态安全稳定标签为安全；否则若发电机转子功角差γ≤0，若发电机转子功角差指标γ≤0，记该样本的暂态安全稳定标签为不安全。
阻尼系数指标为从发电机或线路功率的暂态响应中计算出在0.1～2Hz频率范围内的阻尼系数；若阻尼系数指标大于3％，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全；
暂态电压指标为动态仿真中母线电压下降/上升至经历预设故障前80％稳态母线电压的持续时间；若暂态电压指标大于暂态电压指标设定值，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全；例如，暂态电压指标设定值选为20周波，则经历预设故障后母线电压在20周波之内恢复到故障前80％稳态母线电压，则记该样本的暂态安全稳定标签为安全，否则为不安全。
暂态频率指标为动态仿真中母线频率和发电机频率下降/上升至预设故障前80％稳态母线和发电机频率的持续时间；若暂态频率指标大于暂态频率指标设定值，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全。
实施例三：
本实施例在实施例一的基础上进一步设计在于：本实例推演运行工况是通过对任意两个典型运行工况通过负荷变化或可再生能源变化进行线性假设插值得到，以下以负荷变化的线性假设插值进行具体说明，对于设定的两个典型运行工况下插入四组运行工况。如图2所示，图2中横坐标Time表示时间，纵坐标Pload表示负荷有功功率，data1表示第一个典型运行工况点，data2表示第二个典型运行工况点，data1和data2连线上的四个点为线性假设插值插入的四个推演运行工况点，四个推演运行工况点所表征的具体数值可采用如下公式计算得到：
Figure BDA0003907018140000081
Figure BDA0003907018140000082
k＝1，2,3,4
式中，
Figure BDA0003907018140000091
为连接在第i母线上负荷的针对第j个典型运行工况的第k个插入有功功率值；
Figure BDA0003907018140000092
为连接在第i母线上负荷的针对第j个典型运行工况的有功功率；
Figure BDA0003907018140000093
为连接在第i母线上负荷的针对第j+1个典型运行工况的有功功率；k为插入的推演运行工况点序号；
Figure BDA0003907018140000094
为连接在第i母线上负荷的针对第j个典型运行工况的第k个插入无功功率值；
Figure BDA0003907018140000095
为连接在第i母线上负荷的针对第j个典型运行工况的无功功率；
Figure BDA0003907018140000096
为连接在第i母线上负荷的针对第j+1个典型运行工况的无功功率。
实施例四：
本实施例在实施例一的基础上进一步设计在于：本实例中还对训练完成的决策树集群模型进行参数更新，具体包括：
当电力系统出现运行工况变化时，结合未来24小时机组启停计划，采用负荷预测算法、可再生能源预测算法，预测出电力系统未来24小时内每小时的预测运行工况，根据电力系统在各预测运行工况下的稳态电网潮流数据和各预设故障，形成若干新样本，构建新样本集合；再根据新样本集合对决策树集群模型进行参数更新。参数更新的具体步骤包括：基于交直流混联系统模型进行时域仿真，获取新样本集合中各新样本的电网暂态特性曲线，并根据各新样本的电网暂态特性曲线，获取各新样本的暂态安全稳定标签；以每一新样本以及每一新样本的暂态安全稳定标签为特征，作为决策树集群模型的输入，更新决策树集群模型的模型参数。
运行工况变化包括电力系统网络拓扑变化、发电机状态变化和负荷水平变化中任意一种。其中，电力系统网络拓扑变化为电网中线路进行投切变化，发电机状态变化为发电机进行启停变化，负荷水平变化为电力系统总负荷有功功率变化超过5％。
实施例五：
本例对某电力系统模拟实施本发明的电网暂态安全稳定性评估方法，本例中的电网设有嵌入式直流系统，该嵌入式直流系统的结构图如图3所示，其中DC bus代表直流母线，AC bus代表交流母线。该嵌入式直流系统的表达式如下:
P＝-VdId
Figure BDA0003907018140000101
Figure BDA0003907018140000102
Figure BDA0003907018140000103
μ＝π-α-γ
Figure BDA0003907018140000104
Figure BDA0003907018140000105
其中，Vd是换流器的直流电压；Id是换流器的直流电流；α是换流器的点火角；γ是换流器的消弧角；Xc是换流电抗器的电桥；Vd0是开路直流电压；VLL是换流器侧的交流线电压；Nb是直流侧串联的电桥数；nt是整流器直流侧的变压器标称电压比；at是变压器名义分接比；kc＝1是换流器的标称分接比；
Figure BDA0003907018140000107
是线电流滞后于中性线电压的角度；μ是换流电压。
本例中LCC直流输电系统的控制框图如图4所示，使用自定义建模平台搭建了主控(Master Control)、整流器和逆变器的低压限流控制(VDCOL)、整流器和逆变器的电流控制放大器(Current Control)、整流器和逆变器的触发角限制计算模型(MinimumAlphaControl)。最后将α_ord信号分别发送给整流器和逆变器，分别调节直流电压和直流线路功率。
本例中预设运行工况设有476个，预设故障设有181个，由此形成包含86156个样本的样本集合，基于交直流混联系统模型进行时域仿真，获取样本集合中各样本的电网暂态特性曲线；并根据电网暂态特性曲线，获取样本集合中各样本的暂态安全稳定标签，共获取4284个样本的暂态安全稳定标签为不安全，这些样本均是相关于N-2故障，且都与发电机投切(切机)有关，说明该电力系统在某些电网运行工况下如发生发电机投切的情形可能会引发暂态不稳定。本例将样本集合中的80％样本作为训练集，来训练决策树集群模型。训练完成后利用剩余的20％样本作为测试集对决策树集群模型进行测试，测试结果如下表所示。
Figure BDA0003907018140000106
Figure BDA0003907018140000111
测试集测试结果表明，输出为“不安全”的暂态安全稳定性标签的评估精度(准确度)为98.52％，输出为“安全”的暂态安全稳定性标签的评估精度(准确度)为97.96％，总体精度达到98.26％，由此可说明本发明评估方法的评估结果准确。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种电网暂态安全稳定性评估方法，其特征在于：包括：
根据电力系统在各预设运行工况下的稳态电网潮流数据和各预设故障，形成若干样本，构建样本集合；所述稳态电网潮流数据包括母线电压、相角、线路有功功率、线路无功功率、发电机有功功率、发电机无功功率和母线负荷；
基于交直流混联系统模型进行时域仿真，获取样本集合中各样本的电网暂态特性曲线；
根据所述各样本的电网暂态特性曲线，获取样本集合中各样本的暂态安全稳定标签；
以每一样本以及每一样本的暂态安全稳定标签为特征，作为决策树集群模型的输入，训练决策树集群模型；
将实时的电网潮流数据和各预设故障作为训练完成的决策树集群模型的输入，输出对应各预设故障的暂态安全稳定标签并对电网暂态安全稳定性进行评估。
2.根据权利要求1所述的电网暂态安全稳定性评估方法，其特征在于：所述交直流混联系统模型包括电力系统动态行为方程和电力系统输电网络方程；
其中，系统动态行为方程为非线性微分代数方程，表达式为：
Figure FDA0003907018130000011
式中，x为电力系统的状态变量，包括发电机转子转速、转子角度、磁通和励磁系统、调速器、电力系统稳定器、电动机的动态负荷；y包括母线电压幅值和角度；u包括电网控制信息；f为微分方程；g为代数方程，由基于基尔霍夫电流定律的网络方程组成，即流入母线的所有电流之和为零；
所述电力输电网络方程，表达式为：
I＝Y*V
式中，I包括来自发电机的动态负荷在相应母线的电流注入；Y为电力系统网络的导纳矩阵，包括发电机等效阻抗和静态负荷分量；V为电力系统网络母线复数电压矢量。
3.根据权利要求2所述的电网暂态安全稳定性评估方法，其特征在于：所述电网暂态特性曲线是采用数值积分法求解交直流混联系统模型的系统动态行为方程和电力输电网络方程得到。
4.根据权利要求1所述的电网暂态安全稳定性评估方法，其特征在于：所述样本的暂态安全稳定标签的获取方法如下：
根据样本集合中样本的电网暂态特性曲线，计算样本的暂态安全稳定指标，若计算出的暂态安全稳定指标满足设定要求，则该样本的暂态安全稳定标签为安全；否则该样本的暂态安全稳定标签为不安全。
5.根据权利要求4所述的电网暂态安全稳定性评估方法，其特征在于：所述暂态安全稳定指标包括发电机转子功角差指标、阻尼系数指标、暂态电压指标和暂态频率指标；其中，发电机转子功角差指标γ的计算公式如下：
Figure FDA0003907018130000021
式中，δmax为各交流岛中任意两台发电机在经历故障后响应中的最大角度差；若发电机转子功角差指标γ＞0，则记该样本的暂态安全稳定标签为安全；否则若发电机转子功角差指标γ≤0，记该样本的暂态安全稳定标签为不安全；
阻尼系数指标为从发电机或线路功率的暂态响应中计算出在0.1～2Hz频率范围内的阻尼系数；若阻尼系数指标大于3％，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全；
暂态电压指标为母线电压下降/上升至经历预设故障前80％稳态母线电压的持续时间；若暂态电压指标大于暂态电压指标设定值，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全；
暂态频率指标为母线频率和发电机频率下降/上升至预设故障前80％稳态母线和发电机频率的持续时间；若暂态频率指标大于暂态频率指标设定值，则记该样本的暂态安全稳定标签为安全；否则记该样本的暂态安全稳定标签为不安全。
6.根据权利要求1所述的电网暂态安全稳定性评估方法，其特征在于：所述预设运行工况包括基于历史潮流断面信息获取的典型运行工况和基于典型运行工况得到的推演运行工况，所述预设运行工况总数大于等于300。
7.根据权利要求6所述的电网暂态安全稳定性评估方法，其特征在于：所述推演运行工况是通过对任意两个典型运行工况通过负荷变化或可再生能源变化进行线性假设插值得到。
8.根据权利要求1所述的电网暂态安全稳定性评估方法，其特征在于：所述预设故障包括N-1故障和由线路投切、发电机投切和负荷投切组成的N-2故障，所述预设故障总数大于等于100。
9.根据权利要求1所述的电网暂态安全稳定性评估方法，其特征在于：还包括：对训练完成的决策树集群模型进行参数更新，具体包括：
当电力系统出现运行工况变化时，结合未来24小时机组启停计划，采用负荷预测算法、可再生能源预测算法，预测出电力系统未来24小时内每小时的预测运行工况，根据电力系统在各预测运行工况下的稳态电网潮流数据和各预设故障，形成若干新样本，构建新样本集合；再根据新样本集合对决策树集群模型进行参数更新。
10.根据权利要求9所述的电网暂态安全稳定性评估方法，其特征在于：所述运行工况变化包括电力系统网络拓扑变化、发电机状态变化和负荷水平变化中任意一种。
CN202211308686.1A 2022-10-25 2022-10-25 一种电网暂态安全稳定性评估方法 Pending CN116031867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211308686.1A CN116031867A (zh) 2022-10-25 2022-10-25 一种电网暂态安全稳定性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211308686.1A CN116031867A (zh) 2022-10-25 2022-10-25 一种电网暂态安全稳定性评估方法

Publications (1)

Publication Number Publication Date
CN116031867A true CN116031867A (zh) 2023-04-28

Family

ID=86078450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211308686.1A Pending CN116031867A (zh) 2022-10-25 2022-10-25 一种电网暂态安全稳定性评估方法

Country Status (1)

Country Link
CN (1) CN116031867A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117215205A (zh) * 2023-11-09 2023-12-12 国网经济技术研究院有限公司 基于决策树和iss理论的直流系统控制参数分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117215205A (zh) * 2023-11-09 2023-12-12 国网经济技术研究院有限公司 基于决策树和iss理论的直流系统控制参数分析方法
CN117215205B (zh) * 2023-11-09 2024-02-06 国网经济技术研究院有限公司 基于决策树和iss理论的直流系统控制参数分析方法

Similar Documents

Publication Publication Date Title
CN116031867A (zh) 一种电网暂态安全稳定性评估方法
CN107093895B (zh) 基于预想故障集自动筛选的在线暂态安全稳定评估方法
Khoshkhoo et al. On-line dynamic voltage instability prediction based on decision tree supported by a wide-area measurement system
CN109490726A (zh) 基于云理论的电力变压器绝缘状态评估方法
CN109428327B (zh) 基于响应的电网关键支路与主导稳定模式识别方法及系统
CN109993665B (zh) 电力系统在线安全稳定评估方法、装置及系统
CN104392056A (zh) 一种直驱风电机组建模方法及装置
Li et al. A line-fault cause analysis method for distribution network based on decision-making tree and machine learning
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN111475915B (zh) 基于故障概率和时域仿真准稳态的相继故障在线评估方法
CN112436542B (zh) 计及稳控策略的稳态安全紧急控制在线预决策方法
CN113241736A (zh) 一种用于新能源送出线路保护适应性分析的方法及系统
Voropai et al. Preventive and emergency control of intelligent power systems
CN117335426A (zh) 一种适用于短期电压稳定性评估的关键特征识别方法
Pakdel Intelligent instability detection for islanding prediction
Atanackovic et al. An integrated knowledge based model for power system planning
Li et al. Reliability improvement to UPFC with routine test to the abnormal state
Liu et al. A conservative prediction model of power system transient stability
Rexhepi et al. Reliability indicators and condition monitoring of power transformers–Case study
Khalel et al. Dynamic security assessment for the power system in the presence of wind turbines
Medapati et al. Assessment of Power System Security using Contingency Ranking Analysis
Murjito et al. Static Security Assessment using Random Forest Based on Digsilent-Python Simulation
Boyd et al. Machine Learning Techniques to Predict Voltage Unbalance in a Power Transmission System
Shazdeh et al. An Adaptive Data-driven Method Based on Fuzzy Logic for Determining Power System Voltage Status
Huang et al. Research of Transformer Protection Based on Joint Deep 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