CN116703146A - 一种检修态电网暂态稳定风险评估方法、装置及电子设备 - Google Patents
一种检修态电网暂态稳定风险评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116703146A CN116703146A CN202310027419.5A CN202310027419A CN116703146A CN 116703146 A CN116703146 A CN 116703146A CN 202310027419 A CN202310027419 A CN 202310027419A CN 116703146 A CN116703146 A CN 116703146A
- Authority
- CN
- China
- Prior art keywords
- power grid
- vector
- node
- power
- training
- 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
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000011156 evaluation Methods 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 230000015654 memory Effects 0.000 claims abstract description 31
- 230000007787 long-term memory Effects 0.000 claims abstract description 22
- 230000006403 short-term memory Effects 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 23
- 238000002347 injection Methods 0.000 claims description 20
- 239000007924 injection Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012502 risk assessment Methods 0.000 claims description 9
- 239000000243 solution Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种检修态电网暂态稳定风险评估方法、装置及电子设备，其中该方法包括：根据电网实际结构，构建电网拓扑结构向量V；调整输入向量的比例系数ksb、kvb；根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I；训练长短期记忆神经网络并计算综合评价指标E；判断综合评价指标E是否满足实际需求，若满足则结束长短期记忆神经网络的训练，否则重新调整比例系数ksb、kvb，直至综合评价指标E满足实际需求；使用训练好的长短期记忆神经网络，对不同检修方式下的电网暂态稳定程度进行评估。
Description
技术领域
本发明涉及电力系统检修技术领域，并且更具体地，涉及一种检修态电网暂态稳定风险评估方法、装置及电子设备。
背景技术
随着特高压交直流电网的快速发展，我国电力系统资源优化配置能力显著提高，交直流混联运行局面已经形成[1-3]。电网规模的增大，在极大提高资源配置能力的同时，也造成电网检修方案制定日趋复杂。当电网处不同于检修状态时，电网全接线结构破坏程度不同，导致故障后电网暂态稳定不确定性增大。如何对海量检修方式下电网的暂态稳定程度进行快速、准确评估，进而指导电力系统检修方案的制定，是电网安全稳定运行亟待解决的问题。
随着电网复杂程度增加及海量电力大数据融入，人工智能算法不依赖电网物理模型、善于挖掘数据规律的优势逐渐体现出来。深度学习是近年来人工智能算法发展出的一条重要分支，其强大的非线性映射和特征提取能力得到了广泛的应用并且效果显著。目前已有研究将深度学习技术应用于电力系统暂态稳定分析领域并取得了一定成果。但现有方法在针对某些特定运行方式下电网的暂态稳定评估方面取得了较好的效果，但当电网处于不同检修状态，拓扑结构发生较大变化时，这些方法的适应性和准确性有待进一步分析确认。
发明内容
针对现有技术的电网暂态稳定程度的评估准确度低的问题，本发明提供一种检修态电网暂态稳定风险评估方法、装置及电子设备。
本发明的一个方面，提供了一种检修态电网暂态稳定风险评估方法，包括：
根据电网实际结构，构建电网拓扑结构向量V；
调整输入向量的比例系数ksb、kvb；
根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I；
训练长短期记忆神经网络并计算综合评价指标E；
判断综合评价指标E是否满足实际需求，若满足则结束长短期记忆神经网络的训练，否则重新调整比例系数ksb、kvb，直至综合评价指标E满足实际需求；
使用训练好的长短期记忆神经网络，对不同检修方式下的电网暂态稳定程度进行评估。
可选地，根据电网实际结构，构建电网拓扑结构向量V的操作，包括：
假设电网中包含m条线路，对这m条线路进行数字编号；
利用不同母线节点之间连接的并联线路数目，构建电网拓扑结构向量V：
Vi＝wi (1)
其中，i为线路编号，Vi为电网拓扑结构向量V中的第i个元素，wk为线路i的并联线路数。
可选地，电网参数输入向量I包括节点注入功率数据向量Isb和节点电压数据向量Ivb，并且根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I的操作，包括：
对节点注入功率数据向量Isb，从电网全部母线节点中随机挑选出Nsb个节点，比例系数为ksb；
Nsb＝ksb·n (2)
其中，n为电网中所含母线数量；
将所挑选母线节点的注入有功、无功功率按母线序号依次列入节点注入功率数据向量Isb；
其中，为第Nsb个节点的注入有功功率；/>为第Nsb个节点的注入无功功率；
对节点电压数据向量Ivb，从电网全部母线节点中随机挑选出Nvb个节点，比例系数为kvb；
Nvb＝kvb·n (4)
将所挑选母线节点的电压幅值、相角按母线序号依次列入节点电压数据向量Ivb；
其中，为第Nvb个节点的电压幅值；/>为第Nvb个节点的相角；
由节点注入功率数据向量Isb、节点电压数据向量Ivb，结合电网拓扑结构向量V，得到电网参数输入向量I：
其中，Vi为电网拓扑结构向量V中的第i个元素；Isb为节点注入功率数据向量；Ivb为节点电压数据向量。
可选地，训练长短期记忆神经网络并计算综合评价指标E的操作，包括：
生成长短期记忆神经网络训练所用的数据集；
将数据集分成训练子集和测试子集；
利用训练子集对长短期记忆神经网络进行训练；
依次将测试子集中的输入数据导入训练好的长短期记忆神经网络并进行计算求解，得到暂态稳定评估数据集；
根据暂态稳定评估数据集，计算预测准确度、预测方差以及训练时间成本；
根据预测准确度、预测方差以及训练时间成本，计算综合评价指标E。
本发明的另一个方面，提供了一种检修态电网暂态稳定风险评估装置，包括：
构建模块，用于根据电网实际结构，构建电网拓扑结构向量V；
调整模块，用于调整输入向量的比例系数ksb、kvb；
生成模块，用于根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I；
计算模块，用于训练长短期记忆神经网络并计算综合评价指标E；
判断模块，用于判断综合评价指标E是否满足实际需求，若满足则结束长短期记忆神经网络的训练，否则重新调整比例系数ksb、kvb，直至综合评价指标E满足实际需求；
评估模块，用于使用训练好的长短期记忆神经网络，对不同检修方式下的电网暂态稳定程度进行评估。
可选地，构建模块，具体用于：
假设电网中包含m条线路，对这m条线路进行数字编号；
利用不同母线节点之间连接的并联线路数目，构建电网拓扑结构向量V：
Vi＝wi (1)
其中，i为线路编号，Vi为电网拓扑结构向量V中的第i个元素，wk为线路i的并联线路数。
可选地，电网参数输入向量I包括节点注入功率数据向量Isb和节点电压数据向量Ivb，并且生成模块，具体用于：
对节点注入功率数据向量Isb，从电网全部母线节点中随机挑选出Nsb个节点，比例系数为ksb；
Nsb＝ksb·n (2)
其中，n为电网中所含母线数量；
将所挑选母线节点的注入有功、无功功率按母线序号依次列入节点注入功率数据向量Isb；
其中，为第Nsb个节点的注入有功功率；/>为第Nsb个节点的注入无功功率；
对节点电压数据向量Ivb，从电网全部母线节点中随机挑选出Nvb个节点，比例系数为kvb；
Nvb＝kvb·n (4)
将所挑选母线节点的电压幅值、相角按母线序号依次列入节点电压数据向量Ivb；
其中，为第Nvb个节点的电压幅值；/>为第Nvb个节点的相角；
由节点注入功率数据向量Isb、节点电压数据向量Ivb，结合电网拓扑结构向量V，得到电网参数输入向量I：
其中，Vi为电网拓扑结构向量V中的第i个元素；Isb为节点注入功率数据向量；Ivb为节点电压数据向量。
可选地，计算模块，具体用于：
生成长短期记忆神经网络训练所用的数据集；
将数据集分成训练子集和测试子集；
利用训练子集对长短期记忆神经网络进行训练；
依次将测试子集中的输入数据导入训练好的长短期记忆神经网络并进行计算求解，得到暂态稳定评估数据集；
根据暂态稳定评估数据集，计算预测准确度、预测方差以及训练时间成本；
根据预测准确度、预测方差以及训练时间成本，计算综合评价指标E。根据本发明实施例的另一个方面，还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述方法。
根据本发明实施例的另一个方面，还提供了一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述方法。
从而，本发明首先提出了电力系统检修方式的统一编码方法，包括检修态电网拓扑结构编码和潮流数据编码，使计算机能够快速、准确识别电网在各种检修方式下的运行状态。然后基于长短期记忆神经网络给出了检修态电网暂态稳定风险的评估流程，包括建立重要故障集、制定暂态稳定指标函数以及预测准确度函数等。最终实现对不同检修方式下电网暂态稳定程度的准确评估。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的检修态电网暂态稳定风险评估方法的流程示意图；
图2是本发明一示例性实施例提供的检修态电网暂态稳定风险评估的方法整体流程图；
图3是本发明一示例性实施例提供的LSTM神经网络的内部单元结构图；
图4是本发明一示例性实施例提供的时间成本函数曲线的示意图；
图5是本发明一示例性实施例提供的未考虑电网拓扑结构时的预测误差曲线的示意图；
图6是本发明一示例性实施例提供的考虑电网拓扑结构时的预测误差曲线的示意图；
图7是本发明一示例性实施例提供的检修态电网暂态稳定风险评估装置的结构示意图。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1示出了本发明所提供的检修态电网暂态稳定风险评估方法的流程示意图。如图1所示，检修态电网暂态稳定风险评估方法，包括：
S1：根据电网实际结构，构建电网拓扑结构向量V；
可选地，根据电网实际结构，构建电网拓扑结构向量V的操作，包括：
假设电网中包含m条线路，对这m条线路进行数字编号；
利用不同母线节点之间连接的并联线路数目，构建电网拓扑结构向量V：
Vi＝wi (1)
其中，i为线路编号，Vi为电网拓扑结构向量V中的第i个元素，wk为线路i的并联线路数。
具体地，假设电网中包含m条线路。首先对这m条线路进行数字编号，然后利用不同母线节点之间连接的并联线路数目，构建网络拓扑矩阵V：
Vi＝wi (1)
其中，i为线路编号，wk为线路i的并联线路数。
S2：调整输入向量的比例系数ksb、kvb；
S3：根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I；
可选地，电网参数输入向量I包括节点注入功率数据向量Isb和节点电压数据向量Ivb，并且根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I的操作，包括：
对节点注入功率数据向量Isb，从电网全部母线节点中随机挑选出Nsb个节点，比例系数为ksb；
Nsb＝ksb·n (2)
其中，n为电网中所含母线数量；
将所挑选母线节点的注入有功、无功功率按母线序号依次列入节点注入功率数据向量Isb；
其中，为第Nsb个节点的注入有功功率；/>为第Nsb个节点的注入无功功率；
对节点电压数据向量Ivb，从电网全部母线节点中随机挑选出Nvb个节点，比例系数为kvb；
Nvb＝kvb·n (4)
将所挑选母线节点的电压幅值、相角按母线序号依次列入节点电压数据向量Ivb；
其中，为第Nvb个节点的电压幅值；/>为第Nvb个节点的相角；
由节点注入功率数据向量Isb、节点电压数据向量Ivb，结合电网拓扑结构向量V，得到电网参数输入向量I：
其中，Vi为电网拓扑结构向量V中的第i个元素；Isb为节点注入功率数据向量；Ivb为节点电压数据向量。
在本发明实施例中，电网潮流数据(电网参数)输入向量I包含两部分：节点注入功率数据向量Isb和节点电压数据向量Ivb。
1)对节点注入功率数据向量Isb，首先从电网全部母线节点中随机挑选出Nsb个节点，比例系数为ksb。
Nsb＝ksb·n (2)
其中，n为电网中所含母线数量。
将所挑选母线节点的注入有功、无功功率按母线序号依次列入向量Isb。
2)对节点电压数据向量Ivb，同样从电网全部母线节点中随机挑选出Nvb个节点，比例系数为kvb。
Nvb＝kvb·n (4)
将所挑选母线节点的电压幅值、相角按母线序号依次列入向量Ivb。
如图2所示，由上述向量Isb、Ivb，结合电网拓扑结构向量Vm，最终得到电网参数输入向量I：
S4：训练长短期记忆神经网络并计算综合评价指标E；
可选地，训练长短期记忆神经网络并计算综合评价指标E的操作，包括：生成长短期记忆神经网络训练所用的数据集；将数据集分成训练子集和测试子集；利用训练子集对长短期记忆神经网络进行训练；依次将测试子集中的输入数据导入训练好的长短期记忆神经网络并进行计算求解，得到暂态稳定评估数据集；根据暂态稳定评估数据集，计算预测准确度、预测方差以及训练时间成本；根据预测准确度、预测方差以及训练时间成本，计算综合评价指标E。
具体地，LSTM(长短期记忆)神经网络的内部单元结构如图3所示，该单元负责对t时刻的输入数据进行处理。t时刻的输入变量共有3个，其中xt为t时刻的输入向量，ht-1为t-1时刻产生的隐含状态向量，ct-1为t-1时刻的记忆信息向量。
在遗忘门，向量xt和ht-1通过式(7)计算得到遗忘门变量ft，其中[xt,ht-1]代表向量xt和ht-1的直接拼接，向量Wf和bf分别为变量ft的权重矩阵和偏置向量，δ为sigmoid函数，表达式如式(8)所示，其输出数据的变化范围为(0,1)。令记忆信息向量ct-1与变量ft中的元素进行逐位相乘，此时ft中相应元素越接近1，向量ct-1中对应元素保留的值越大，反之，ct-1中对应元素越接近于0，从而实现了对记忆信息的保留或遗忘。
ft＝δ(Wf·[xt,ht-1]+bf) (7)
在对t-1时刻记忆信息向量ct-1进行保留和遗忘处理后，通过式(9)在记忆信息中进一步添加包含输入向量xt和隐含状态向量ht-1信息在内的输入门信息并最终得到t时刻记忆信息向量ct：
其中，it、分别是向量xt和ht-1通过sigmoid函数、tanh函数计算得到的中间变量，tanh函数表达式如式(10)所示，其功能为将输出向量中元素的值控制在开区间(-1,1)内，以便于算法的训练和学习。Wi和Wc分别为变量it和/>的权重矩阵，bi和bc分别为变量it和/>的偏置向量。
此外，LSTM内部单元的输出变量除ct外还包括t时刻隐含状态向量ht，其表达式为
其中，ot是向量xt和ht-1通过sigmoid函数计算得到的中间变量，Wo和bo分别为变量ot的权重矩阵和偏置向量。
进一步地，基于LSTM神经网络进行暂态稳定评估，具体包括以下步骤：
首先生成LSTM训练所用数据集。针对电网预想的检修计划安排，利用潮流计算软件，计算并生成不同检修计划k下电网的运行状态τk，τk中包含前文所述的检修态电网拓扑结构、节点注入功率以及节点电压等状态量。
定义需要仿真计算的重要故障集，该故障集一般为电网中若干重要线路的三永N-1或N-2故障，由于实际电网中三永N-1故障不易导致电网暂态失稳，本文故障集重点考虑三永N-2故障。针对电网运行状态τk，利用时域仿真软件对故障集进行逐一暂态稳定计算，设置故障持续时间为tc，仿真总时长ts，找到仿真过程中所有故障集中不同机组之间角度差的最大值，记为nk。
为表征不同检修运行方式下电网暂态稳定情况，制定如下暂态稳定指标函数：
其中，ηk为电网运行状态τk对应的电网暂态稳定指标，ηk越小代表电网机组之间功角摆开越大，电网暂态稳定情况越差，ηk为负值代表电网暂态失稳。
重复上述步骤，最终形成电网暂态稳定数据集S：
S＝{(τ1,η1),(τ2,η2),···,(τN,ηN)} (13)
根据数据集S，按照上文方法形成输入向量集I。为提高训练性能，需对数据进行标准化处理：
其中，xs.k和xk分别为标准化数据集和原始数据集中的第k个元素，和d分别为原始数据集的平均值和标准差。
随机选取数据集中的部分数据作为训练集，剩余部分作为测试集，首先利用训练集数据对LSTM神经网络进行训练，训练过程中，可通过调节算法的网络隐含单元个数、训练轮数、梯度阈值、初始学习率等参数使整体训练效果达到最优。
为明确训练效果，需利用测试集对训练误差进行测试。依次将测试集中的输入数据导入训练好的LSTM神经网络并进行计算求解，得到暂态稳定评估数据集根据ηk的正负得到不同测试数据下电网暂态稳定或失稳的评估结果。为验证整体预测结果是否准确，需计算预测准确度：
其中，Cpre为预测准确度，ntrue和nsum分别为预测准确次数和预测总次数，T为判别函数，当ηk代表的系统暂态稳定状态与真实状态一致时函数值为1，否则为0。
除预测准确度外，为表征ηk评估值与真实值之间的偏离程度，需进一步计算均方误差(mean squared error，MSN)指标：
其中，ηk.true为ηk对应的真实值。
此外，算法的训练时间也是需要考虑的因素。实际应用中，电网调度运行人员对算法的训练时间应当有一个允许范围，即某时间长度T内完成训练是满足应用要求的，因此本文设置时间成本函数Tcost为如图4所示的二段函数，即当训练时间小于允许时间T时，不计入时间成本，反之，当训练时间超过T越多时，时间成本越高：
式中t为算法实际训练时长，kt为时间成本系数，取值范围为(0,10]，视调度运行人员要求调整。
为综合考虑算法预测准确度、预测方差以及训练时间等因素，提出一种算法综合评价指标E，以实现对算法整体效果的综合评价：
E＝aCpre-bDpre-cTcost (18)
式中Cpre、Dpre、Tcost分别为预测准确度、预测方差、训练时间成本，a、b、c分别为其权重系数，取值范围均为[0,1]。由式(17)、(18)可知，算法的预测准确度越高，预测方差和训练时间越小，指标E的取值越大，代表算法整体效果越好。
S5：判断综合评价指标E是否满足实际需求，若满足则结束长短期记忆神经网络的训练，否则重新调整比例系数ksb、kvb，直至综合评价指标E满足实际需求；
具体地，结合电网实际情况，分别计算预测准确度、预测方差以及训练时间成本，进而得到算法综合评价指标E，判断E是否满足电网实际要求，如满足则说明LSTM神经网络训练成功；否则应调整输入数据的比例系数ksb、kvb，直至综合评价指标E达到实际要求。
S6：使用训练好的长短期记忆神经网络，对不同检修方式下的电网暂态稳定程度进行评估。
下文以华中地区某省级电网为例，给出本发明的一个具体应用实例：
以华中地区某省级电网为例，该电网包含500KV节点69个，500KV输电线路88条(其中双回或多回线路均计为1条)，电网装机容量11000万千瓦，其中新能源装机容量为3400万千瓦，新能源占比约为31％。算例训练所用计算机配置为Intel(R)Core(TM)i7-10710UCPU@1.10GHz 12核处理器。
首先生成算例所需训练集和测试集。针对所选省级电网的具体情况，挑选电网中检修时易发生暂态失稳事故的14条线路作为重点线路。依次考虑重点线路i(i＝1～14)检修，即开断线路i，利用计算机程序对该省级电网内的发电机、新能源及负荷功率进行随机调整，调整比例范围设定为[0.5,1.2]，剔除掉无法收敛的潮流数据，最终生成14X200＝2800组可收敛潮流数据。
然后挑选电网中易发生暂态失稳事故的500KV节点共10个，针对每组潮流数据，对上述节点分别进行三永N-2故障稳定计算，得到机组角度差的最大值nk。由于我国电网实际运行中安全稳定裕度较大，不易发生暂态失稳事故，为避免电网失稳样本较少，本算例将故障持续时间tc延长至0.15s，仿真总时长ts设为5s。通过以上计算，得到数据样本共14X200＝2800组，随机选取1400组数据作为训练集，剩余1400组为测试集。
在输入数据不包含拓扑结构编码时，进行以下操作：
首先测试未将电网拓扑结构作为输入数据时，本方法对不同检修方式下电网暂态稳定风险的预测准确度。此时，LSTM神经网络的输入数据集中不包含电网拓扑结构编码，仅包含节点注入功率数据和节点电压数据，比例系数ksb和kvb均设定为1。
建立LSTM神经网络并利用训练集对网络进行训练，设定网络隐含单元个数为96*3，训练轮数为100轮，梯度阈值设置为1。指定初始学习率0.005，在50轮训练后通过乘以因子0.2来降低学习率。
利用测试集数据对训练好的LSTM神经网络进行测试，由式(17)和(18)得到未将电网拓扑结构作为输入数据时，所提方法的预测准确率为91.71％，均方误差MSN为0.0203。测试集1400组数据的预测误差分布如图6所示。
在输入数据包含拓扑结构编码时，进行以下操作：
下面对本文所提方法进行准确度进行验证。首先按式(1)～(8)生成包含检修态电网拓扑结构编码以及节点功率、节点电压等潮流数据编码在内的电网参数输入向量I，其中比例系数ksb和kvb仍设定为1。
利用训练集数据对LSTM神经网络进行训练，网络隐含单元个数、训练轮数、梯度阈值、学习率等网络参数设置与3.1中一致。利用测试集数据对训练好的LSTM进行测试，经计算，考虑检修态电网拓扑结构后，本文方法的预测准确率为96.50％，较不考虑电网拓扑结构时提升了4.79％，同时MSN指标为0.0033，降低了83.74％，说明考虑检修态电网拓扑结构可以有效提升算法的准确率并减小均方误差。本文算法下测试集1400组数据的预测误差分布如图6所示，可以发现较未考虑电网拓扑结构时误差分布区间缩小明显。
进一步选取传统卷积神经网络(CNN)和支持向量机(SVM)做为对比方法，两种方法的输入数据中均不包含电网拓扑结构数据。本算例中，式(20)中权重系数a、b、c取值分别为1、0.8、0.5，时间成本系数kt取0.1。需说明的是，为体现训练时间成本Tcost在本算例中的作用，设置时间长度T为1小时，实际应用时调度人员只需在已训练好的神经网络中输入待评估的检修运行方式数据即可直接进行评估计算，不必频繁进行整个LSTM训练过程，因此实际应用时T取值可能远大于1小时。
经计算，不同方法下的预测结果如表1所示。发现传统CNN预测准确率与未考虑检修态电网拓扑结构的LSTM相接近，二者准确率均好于SVM方法，而本文方法预测正确率明显优于其他方法。在训练时间成本方面，由于CNN与SVM训练时间均小于1小时，其时间成本均为0，未考虑拓扑结构的LSTM和本文方法分别为1小时4分和1小时23分，由式(19)得到其时间成本分别为0.0067和0.038。从算法综合评价指标来看，本文方法评价值为0.9434，明显高于其他方法，从而验证了本文方法的有效性。
表1不同预测方法结果统计
综上所述，本发明首先提出了电力系统检修方式的统一编码方法，包括检修态电网拓扑结构编码和潮流数据编码，使计算机能够快速、准确识别电网在各种检修方式下的运行状态。然后基于长短期记忆神经网络给出了检修态电网暂态稳定风险的评估流程，包括建立重要故障集、制定暂态稳定指标函数以及预测准确度函数等。最终实现对不同检修方式下电网暂态稳定程度的准确评估。
并且，本发明以华中地区某省级电网为算例，验证了所提方法的准确性。仿真算例表明，所提方法可以有效评估不同检修运行方式下电网的暂态稳定风险，预测准确率可达96.50％，较传统人工智能算法提升明显。
示例性装置
图7是本发明一示例性实施例提供的检修态电网暂态稳定风险评估装置的结构示意图。如图7所示，本实施例所提出的检修态电网暂态稳定风险评估装置包括：
构建模块，用于根据电网实际结构，构建电网拓扑结构向量V；
调整模块，用于调整输入向量的比例系数ksb、kvb；
生成模块，用于根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I；
计算模块，用于训练长短期记忆神经网络并计算综合评价指标E；
判断模块，用于判断综合评价指标E是否满足实际需求，若满足则结束长短期记忆神经网络的训练，否则重新调整比例系数ksb、kvb，直至综合评价指标E满足实际需求；
评估模块，用于使用训练好的长短期记忆神经网络，对不同检修方式下的电网暂态稳定程度进行评估。
可选地，构建模块，具体用于：
假设电网中包含m条线路，对这m条线路进行数字编号；
利用不同母线节点之间连接的并联线路数目，构建电网拓扑结构向量V：
Vi＝wi (1)
其中，i为线路编号，Vi为电网拓扑结构向量V中的第i个元素，wk为线路i的并联线路数。
可选地，电网参数输入向量I包括节点注入功率数据向量Isb和节点电压数据向量Ivb，并且生成模块，具体用于：
对节点注入功率数据向量Isb，从电网全部母线节点中随机挑选出Nsb个节点，比例系数为ksb；
Nsb＝ksb·n (2)
其中，n为电网中所含母线数量；
将所挑选母线节点的注入有功、无功功率按母线序号依次列入节点注入功率数据向量Isb；
其中，为第Nsb个节点的注入有功功率；/>为第Nsb个节点的注入无功功率；
对节点电压数据向量Ivb，从电网全部母线节点中随机挑选出Nvb个节点，比例系数为kvb；
Nvb＝kvb·n (4)
将所挑选母线节点的电压幅值、相角按母线序号依次列入节点电压数据向量Ivb；
其中，为第Nvb个节点的电压幅值；/>为第Nvb个节点的相角；
由节点注入功率数据向量Isb、节点电压数据向量Ivb，结合电网拓扑结构向量V，得到电网参数输入向量I：
其中，Vi为电网拓扑结构向量V中的第i个元素；Isb为节点注入功率数据向量；Ivb为节点电压数据向量。
可选地，计算模块，具体用于：
生成长短期记忆神经网络训练所用的数据集；
将数据集分成训练子集和测试子集；
利用训练子集对长短期记忆神经网络进行训练；
依次将测试子集中的输入数据导入训练好的长短期记忆神经网络并进行计算求解，得到暂态稳定评估数据集；
根据暂态稳定评估数据集，计算预测准确度、预测方差以及训练时间成本；
根据预测准确度、预测方差以及训练时间成本，计算综合评价指标E。本发明的实施例的检修态电网暂态稳定风险评估装置与本发明的另一个实施例的检修态电网暂态稳定风险评估方法相对应，在此不再赘述。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种检修态电网暂态稳定风险评估方法，其特征在于，包括：
根据电网实际结构，构建电网拓扑结构向量V；
调整输入向量的比例系数ksb、kvb；
根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I；
训练长短期记忆神经网络并计算综合评价指标E；
判断综合评价指标E是否满足实际需求，若满足则结束长短期记忆神经网络的训练，否则重新调整比例系数ksb、kvb，直至综合评价指标E满足实际需求；
使用训练好的长短期记忆神经网络，对不同检修方式下的电网暂态稳定程度进行评估。
2.根据权利要求1所述的方法，其特征在于，根据电网实际结构，构建电网拓扑结构向量V的操作，包括：
假设电网中包含m条线路，对这m条线路进行数字编号；
利用不同母线节点之间连接的并联线路数目，构建电网拓扑结构向量V：
Vi＝wi (1)
其中，i为线路编号，Vi为电网拓扑结构向量V中的第i个元素，wk为线路i的并联线路数。
3.根据权利要求1所述的方法，其特征在于，电网参数输入向量I包括节点注入功率数据向量Isb和节点电压数据向量Ivb，并且根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I的操作，包括：
对节点注入功率数据向量Isb，从电网全部母线节点中随机挑选出Nsb个节点，比例系数为ksb；
Nsb＝ksb·n (2)
其中，n为电网中所含母线数量；
将所挑选母线节点的注入有功、无功功率按母线序号依次列入节点注入功率数据向量Isb；
其中，为第Nsb个节点的注入有功功率；/>为第Nsb个节点的注入无功功率；
对节点电压数据向量Ivb，从电网全部母线节点中随机挑选出Nvb个节点，比例系数为kvb；
Nvb＝kvb·n (4)
将所挑选母线节点的电压幅值、相角按母线序号依次列入节点电压数据向量Ivb；
其中，为第Nvb个节点的电压幅值；/>为第Nvb个节点的相角；
由节点注入功率数据向量Isb、节点电压数据向量Ivb，结合电网拓扑结构向量V，得到电网参数输入向量I：
其中，Vi为电网拓扑结构向量V中的第i个元素；Isb为节点注入功率数据向量；Ivb为节点电压数据向量。
4.根据权利要求1所述的方法，其特征在于，训练长短期记忆神经网络并计算综合评价指标E的操作，包括：
生成长短期记忆神经网络训练所用的数据集；
将数据集分成训练子集和测试子集；
利用训练子集对长短期记忆神经网络进行训练；
依次将测试子集中的输入数据导入训练好的长短期记忆神经网络并进行计算求解，得到暂态稳定评估数据集；
根据暂态稳定评估数据集，计算预测准确度、预测方差以及训练时间成本；
根据预测准确度、预测方差以及训练时间成本，计算综合评价指标E。
5.一种检修态电网暂态稳定风险评估装置，其特征在于，包括：
构建模块，用于根据电网实际结构，构建电网拓扑结构向量V；
调整模块，用于调整输入向量的比例系数ksb、kvb；
生成模块，用于根据电网拓扑结构向量V及比例系数ksb、kvb，生成电网参数输入向量I；
计算模块，用于训练长短期记忆神经网络并计算综合评价指标E；
判断模块，用于判断综合评价指标E是否满足实际需求，若满足则结束长短期记忆神经网络的训练，否则重新调整比例系数ksb、kvb，直至综合评价指标E满足实际需求；
评估模块，用于使用训练好的长短期记忆神经网络，对不同检修方式下的电网暂态稳定程度进行评估。
6.根据权利要求5所述的装置，其特征在于，构建模块，具体用于：
假设电网中包含m条线路，对这m条线路进行数字编号；
利用不同母线节点之间连接的并联线路数目，构建电网拓扑结构向量V：
Vi＝wi (1)
其中，i为线路编号，Vi为电网拓扑结构向量V中的第i个元素，wk为线路i的并联线路数。
7.根据权利要求5所述的装置，其特征在于，电网参数输入向量I包括节点注入功率数据向量Isb和节点电压数据向量Ivb，并且生成模块，具体用于：
对节点注入功率数据向量Isb，从电网全部母线节点中随机挑选出Nsb个节点，比例系数为ksb；
Nsb＝ksb·n (2)
其中，n为电网中所含母线数量；
将所挑选母线节点的注入有功、无功功率按母线序号依次列入节点注入功率数据向量Isb；
其中，为第Nsb个节点的注入有功功率；/>为第Nsb个节点的注入无功功率；
对节点电压数据向量Ivb，从电网全部母线节点中随机挑选出Nvb个节点，比例系数为kvb；
Nvb＝kvb·n (4)
将所挑选母线节点的电压幅值、相角按母线序号依次列入节点电压数据向量Ivb；
其中，为第Nvb个节点的电压幅值；/>为第Nvb个节点的相角；
由节点注入功率数据向量Isb、节点电压数据向量Ivb，结合电网拓扑结构向量V，得到电网参数输入向量I：
其中，Vi为电网拓扑结构向量V中的第i个元素；Isb为节点注入功率数据向量；Ivb为节点电压数据向量。
8.根据权利要求5所述的装置，其特征在于，计算模块，具体用于：
生成长短期记忆神经网络训练所用的数据集；
将数据集分成训练子集和测试子集；
利用训练子集对长短期记忆神经网络进行训练；
依次将测试子集中的输入数据导入训练好的长短期记忆神经网络并进行计算求解，得到暂态稳定评估数据集；
根据暂态稳定评估数据集，计算预测准确度、预测方差以及训练时间成本；
根据预测准确度、预测方差以及训练时间成本，计算综合评价指标E。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-4任一所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310027419.5A CN116703146A (zh) | 2023-01-09 | 2023-01-09 | 一种检修态电网暂态稳定风险评估方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310027419.5A CN116703146A (zh) | 2023-01-09 | 2023-01-09 | 一种检修态电网暂态稳定风险评估方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116703146A true CN116703146A (zh) | 2023-09-05 |
Family
ID=87832806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310027419.5A Pending CN116703146A (zh) | 2023-01-09 | 2023-01-09 | 一种检修态电网暂态稳定风险评估方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703146A (zh) |
-
2023
- 2023-01-09 CN CN202310027419.5A patent/CN116703146A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ke et al. | A novel probabilistic optimal power flow model with uncertain wind power generation described by customized Gaussian mixture model | |
| CN109102146B (zh) | 基于多参数线性规划的电力系统风险评估加速方法 | |
| Su et al. | Deep belief network enabled surrogate modeling for fast preventive control of power system transient stability | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| Sun et al. | Chemical reaction optimization for the optimal power flow problem | |
| Baboli et al. | Measurement-based modeling of smart grid dynamics: A digital twin approach | |
| Yao et al. | Management of cascading outage risk based on risk gradient and Markovian tree search | |
| CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
| CN112241836A (zh) | 一种基于增量学习的虚拟负荷主导参数辨识方法 | |
| Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
| CN113328467B (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
| Shi et al. | Stock price forecasting using a hybrid ARMA and BP neural network and Markov model | |
| Zhao et al. | Probabilistic harmonic estimation in uncertain transmission networks using sequential ANNs | |
| CN112800674A (zh) | 一种基于极限学习机的电力系统元件可靠性参数计算方法 | |
| Kim et al. | Projection-aware deep neural network for dc optimal power flow without constraint violations | |
| CN116703146A (zh) | 一种检修态电网暂态稳定风险评估方法、装置及电子设备 | |
| CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
| Ye et al. | Novel fast forecasting method for nodal voltage violations | |
| CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
| CN114548762A (zh) | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 | |
| Wang et al. | Renewable scenario generation based on improved generative adversarial networks | |
| CN112667957A (zh) | 一种基于深度神经网络的智能电能表失效率预测方法 | |
| Yue et al. | A power system harmonic problem based on the BP neural network learning algorithm | |
| CN108616126B (zh) | 计及输电网供电能力概率等值模型的配网可靠性计算方法 |
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 |