CN116706863A - 一种海底直流系统暂态稳定性优化方法 - Google Patents

一种海底直流系统暂态稳定性优化方法 Download PDF

Info

Publication number
CN116706863A
CN116706863A CN202310549175.7A CN202310549175A CN116706863A CN 116706863 A CN116706863 A CN 116706863A CN 202310549175 A CN202310549175 A CN 202310549175A CN 116706863 A CN116706863 A CN 116706863A
Authority
CN
China
Prior art keywords
data
transient
training
state
variable
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
CN202310549175.7A
Other languages
English (en)
Inventor
帅智康
王晨阳
沈阳
李杨
赵峰
彭也伦
王伟
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 CN202310549175.7A priority Critical patent/CN116706863A/zh
Publication of CN116706863A publication Critical patent/CN116706863A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种海底直流系统暂态稳定性优化方法，属于电力系统运行控制技术领域，包括：S1通过能量函数分析主要状态量，将其作为模型训练的数据来源；S2通过设置故障，获取故障清除后的每个时间步的时序轨迹V；S3通过对比时间序列得到的MSD距离作为分类器的训练样本；S4通过输入训练模型后，输出暂态电压稳定评估结果；S5通过状态量shapley值和实际值的映射关系，系统暂态影响变量多尺度分析；S6通过调节岸站模块化多电平变换器或接驳盒的控制环参数，将变量控制在指定稳定范围。提高状态评估的准确率和效率，并降低数据存储和传输的压力，满足大规模直流供电系统在极端的海底环境下的暂态评估。

Description

一种海底直流系统暂态稳定性优化方法
技术领域
本发明属于电力系统运行控制技术领域，涉及一种海底直流系统暂态稳定性优化方法。
背景技术
海底中压直流供电系统安全运行作为海底观测网正常运行的核心保障，由于海底中压直流系统中存在大量电力电子器件，电力电子特性主导下的接入直流系统具有弱阻尼低惯性、电源出力不确定性、弱暂态支撑能力等特征，且通过显容性的海底电缆连接而成的海底直流系统负载种类多，恒功率负载投切频繁，海底环境恶劣，抗干扰能力差。环境、负荷等引发的暂态失稳普遍存在，亟需准确快速的稳定评估方法。
目前，在线暂态电压稳定评估主要通过时域仿真、能量函数方法。其中，时域仿真无法定量分析海底双端系统中状态变量和参数与系统稳定性的关系，能提供的信息不够全面；能量函数方法偏理想化的假设和简化将降低复杂系统TSA评估准确率，并且复杂的系统在构建能量函数时会造成其他问题。
发明内容
为实现上述目的，本发明提供了一种海底直流系统暂态稳定性优化方法，解决了海底双端直流供电系统暂态稳定评估问题，可以在海底直流系统暂态影响变量较多的情况下，提前筛选主要影响状态量，提高状态评估的准确率和效率，并降低数据存储和传输的压力，满足大规模直流供电系统在极端的海底环境下的暂态评估。
本发明所采用的技术方案是：
本发明实施例的第一方面提供了一种海底直流系统暂态稳定性优化方法，包括：S1分析状态量；S2获取时序轨迹；S3得到训练样本；S4输出评估结果；S5系统暂态影响变量多尺度分析；S6控制变量在指定范围；其中，S1通过能量函数分析影响系统暂态稳定性的主要状态量，将其作为模型训练的数据来源；S2通过设置故障，获取故障清除后的每个时间步的时序轨迹V；S3通过对比时间序列得到的MSD距离作为分类器的训练样本；S4通过输入训练模型后，输出暂态电压稳定评估结果；S5通过状态量shapley值和实际值的映射关系，系统暂态影响变量多尺度分析；S6通过调节岸站模块化多电平变换器或接驳盒的控制环参数，将变量控制在指定稳定范围。
在其中一个实施例中，S1根据状态量分析模块来分析状态量，包括：S1.1建立系统状态方程并确定零点；S1.2确立系统非线性量；S1.3依照TS模糊模型分析建立线性不等式；S1.4确立能量函数；S1.5构建系统吸引域；S1.6分析得出特征量；其中，S1.1通过建立海底直流系统大信号模型，建立系统状态方程并确定零点。
在其中一个实施例中，S2根据特征量数据生成与存储平台获取时序轨迹，包括：S2.1数据获取包括故障发生位置、故障类型、故障切除时间、故障严重程度、网络拓扑；S2.1影响因素包括：开关模块仿真、历史数据、实时量测数据；S2.3记录特征变量及相应海底直流系统大数据集。
在其中一个实施例中，S3根据数据标定与处理模块得到训练样本，包括：S3.1数据处理包括选取测算时刻、选取稳态运行数据、计算MSD距离；S3.2数据标定包括确定数据集质心、计算欧拉距离、按距离分类、重新确立质心；判断新老质心距离是否小于确立阀值，如果否，则返回重新确立质心，如果是，则完成标定；S3.3获得选取状态变量量数据集的输入特征。
在其中一个实施例中，S4根据分类器训练与评估模块评估结果，包括：S4.1分类器训练、S4.2离线训练、S4.3模型训练、S4.4在线评估；其中，S4.2通过处理输入特征进入步骤S4.4中的处理输入特征对应数据；S4.4中电力系统在线监测数据更新进入S4.2；S4.1中模型训练进入S4.4中训练好的评估模型。
在其中一个实施例中，S5根据可解释性分析模块和决策部分，系统暂态影响变量多尺度分析,包括：S5.1SHAP模型拟合、S5.2全场景全变量暂态影响因素分析、S5.3全场景单变量暂态影响因素分析；S6根据可解释性分析模块和决策部分,控制变量在指定范围，包括：S6.1在线变量控制优化。
本发明的有益效果是：S1通过能量函数分析主要状态量，将其作为模型训练的数据来源；S2通过设置故障，获取故障清除后的每个时间步的时序轨迹V；S3通过对比时间序列得到的MSD距离作为分类器的训练样本；S4通过输入训练模型后，输出暂态电压稳定评估结果；S5通过状态量shapley值和实际值的映射关系，系统暂态影响变量多尺度分析；S6通过调节岸站模块化多电平变换器或接驳盒的控制环参数，将变量控制在指定稳定范围。提高了状态评估的准确率和效率，并降低数据存储和传输的压力，满足大规模直流供电系统在极端的海底环境下的暂态评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例所提供的海底直流系统暂态稳定性优化方法流程图；
图2是本发明一实施例所提供的海底直流系统暂态稳定性优化方法系统图；
图3是本发明一实施例所提供的状态量分析模块组成框图；
图4是本发明一实施例所提供的特征量数据生成与存储平台组成框图；
图5是本发明一实施例所提供的数据标定与处理模块组成框图；
图6是本发明一实施例所提供的分类器训练与评估流程图；
图7是本发明一实施例所提供的可解释性分析模块组成框图；
图8是本发明一实施例所提供的海底双端直流供电系统典型拓扑图；
图9是本发明一实施例所提供的T-S模糊模型能量函数描述的吸引域示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，图1是本发明一实施例所提供的海底直流系统暂态稳定性优化方法流程图；本发明实施例的第一方面提供了一种海底直流系统暂态稳定性优化方法，包括：S1分析状态量；S2获取时序轨迹；S3得到训练样本；S4输出评估结果；S5系统暂态影响变量多尺度分析；S6控制变量在指定范围；其中，S1通过能量函数分析影响系统暂态稳定性的主要状态量，将其作为模型训练的数据来源；S2通过设置故障，获取故障清除后的每个时间步的时序轨迹V；S3通过对比时间序列得到的MSD距离作为分类器的训练样本；S4通过输入训练模型后，输出暂态电压稳定评估结果；S5通过状态量shapley值和实际值的映射关系，系统暂态影响变量多尺度分析；S6通过调节岸站模块化多电平变换器或接驳盒的控制环参数，将变量控制在指定稳定范围。
结合图1,参阅图2，图2是本发明一实施例所提供的海底直流系统暂态稳定性优化方法系统图；包括海底双端直流系统、系统状态量分析模块、系统特征量集合、特征量数据生成与存储模块、系统大数据集、数据标定与处理模块、输入特征数据集、分类器评估与更新模块、评估结果、可解释性分析模块、定性分析结论、决策的流程。
需要说明的是，海底直流系统采用海底双端直流系统，所述海底双端直流供电系统包括第一岸站、第二岸站、复合海缆网络、接驳盒子系统。
具体的，结合图8，海底双端直流系统的典型拓扑图包括两个岸站模块化多电平变换器(MMC)、海底光电复合海缆网络、接驳盒(LLC谐振变换器)和各类型负载构成。
需要说明的是，第一岸站可以包括第一模块化多电平变换器；第二岸站可以包括第二模块化多电平变换器；第一接驳盒子系统包括第一个接驳盒接的负载1、2、3,；第二接驳盒子系统包括第二个接驳盒接的负载1、2、3；第一接驳盒包括第一LLC谐振变换器，第二接驳盒包括第二LLC谐振变换器；海底光电复合海缆网络包括第一光电复合海缆容性电路、第二光电复合海缆容性电路和第三光电复合海缆容性电路；第一模块化多电平变换器通过第一光电复合海缆容性电路与第一LLC谐振变换器相连，第一LLC谐振变换器分别与第一负载、第二负载、第三负载相连；第二模块化多电平变换器通过第二光电复合海缆与第二LLC谐振变换器相连，第二LLC谐振变换器分别与第一个接驳盒接的负载1、负载2、负载3相连；第一LLC谐振变换器和第二LLC谐振变换器之间通过第三光电复合海缆容性电路相连。
在本实施例中，对上述流程实现系统优化的方法详细描述，包括以下步骤。
具体的，采用了TS模糊模型分析，对海底双端直流系统进行大信号建模，通过非线性量建立线性矩阵不等式方程组，从而确定系统能量函数和吸引域，依此作为判定海底直流系统暂态稳定性影响变量的依据。
进一步的，采集海底直流系统不同故障工况下，在系统故障被清楚后一定时刻的上述状态量序列，并整合历史数据以作为大数据集。
进一步的，通过聚类算法完成大数据集的标签标定，求大数据集中每个样本的状态量与对应的稳定运行的状态量之间的距离完成大数据集的数据处理，获得分类器的训练样本。
进一步的，基于输入特征集，采用代价敏感机制的C4.5决策树作为分类器，然后将在线获取的海底系统特征量样本输入分类器以评估当前海底系统的运行状态。
进一步的，通过SHAP(SHapley Additive exPlanation，模型事后解释的方法)归因分析，找出对暂态电压稳定性起到重要贡献的状态量并基于此寻找状态量的实际值与Shapley值之间的映射关系，作为优化海底系统稳定性的重要参考。
需要说明的是，SHAP可以对复杂机器学习模型进行解释。在进行局部解释时，SHAP的核心是计算其中每个特征变量的Shapley Value。其中，Shapley代表对每个样本中的每一个特征变量，都计算出它的Shapley Value。
进一步的，调节岸站模块化多电平变换器、接驳盒的控制环参数或换取参数更加优良的海底复合电缆将所筛选的变量控制在指定稳定范围。
在本实施例中，海底直流系统具体可以包括：状态量分析模块，特征量数据生成与存储平台，数据标定与处理模块，分类器训练与评估模块、可解释性分析模块和决策部分。
参阅图3，图3是本发明一实施例所提供的状态量分析模块组成框图；S1根据状态量分析模块来分析状态量，包括：S1.1建立系统状态方程并确定零点；S1.2确立系统非线性量；S1.3依照TS模糊模型分析建立线性不等式；S1.4确立能量函数；S1.5构建系统吸引域；S1.6分析得出特征量；其中，S1.1通过建立海底直流系统大信号模型，建立系统状态方程并确定零点。
在本实施例中，状态量分析模块利用海底直流系统的能量函数和吸引域，筛选出对海底直流系统暂态稳定性影响程度最大的状态变量以作为大数据集数据选取标准，从而有效降低海底电缆通讯压力。
具体实施步骤包括：海底直流系统大信号建模。采用装备级建模，再通过装备间电压电流关系获得海底双端直流系统大信号建模，即关于状态变量的非线性不等式，设置系统初始稳定运行点为起始“系统零点”。
在本实施例中，上述建模包括MMC(ModularMultilevel Converter，模块化多电平换流器)和交流系统的大信号模型，如下式所示：
需要说明的是，MMC采用奇异摄动法降阶。Vsd、Vsq是交流侧输入电压，Carm、Larm、Rarm分别为MMC的桥臂电容、电感和电阻，Vc_dc、icir_dc分别为直流侧输出电压和环路电流，isq、isd为交流侧输入电流。
需要说明的是，基于MMC的柔性直流输电技术采用模块化设计，非常易于拓展，开关损耗较小，更适用于高压直流输电场合。
在本实施例中，LLC的大信号模型如下式所示：
在本实施例中，LLC采用扩展描述函数法建模；Vin是输入电压，Cr、Lr、Lm分别为LLC的谐振电容、谐振电感和励磁电感，irs、irc分别为谐振电感电流的正弦量和余弦量，ims、imc分别为励磁电感电流的正弦量和余弦量，Vcs、Vcc分别为谐振电容电压的正弦量和余弦量。
需要说明的是，LLC电路是一种调制转换器(Modulated Converter)，它通过对电流比调节来实现对输出电压的调节。
在本实施例中，光电复合海缆和负载采取设置电感电流和电容电压为状态量建模，在此不需要详细描述。
在本实施例中，通过TS模糊模型分析求解线性矩阵不等式方程组，获得能量函数矩阵P。找出系统模型中的非线性量，并将非线性量的最大值与最小值构成新的参数矩阵。因此对于r个非线性量而言，对应于2r个矩阵Ai。构建并解对应系统不等式：
进一步的，此时存在Lyapunov方程。
V(x)＝xTMx (4)
在本实施例中，首先对原系统状态变量进行处理。具体的，定义vo0、vo’0分别为C、F节点电压稳态值；Sv0、Sv’0分别为双端系统两个LLC控制环的积分项的稳态值；il20、il2’0为恒功率负载的电感电流的稳态值。
进一步的，将原状态变量与各稳态值相减，构建新的状态变量x1-x34。其中共有6个非线性量，如下式所示。
在本实施例中，从系统大信号建模中以装备特征量所对应的吸引域，并筛选状态变量。根据所设置的参数画出系统吸引域，以A处岸站MMC直流侧电压X1与直流侧环路电流X2为例，画吸引域如图9所示，图9是本发明一实施例所提供的T-S模糊模型能量函数描述的吸引域示意图。
进一步的，设置影响程度参数α如下式，作为判断所选定的状态变量对系统暂态稳定性影响大小的标准。
其中，xs表示该状态变量的稳态运行值，xmax表示该状态变量所画吸引域的对应轴最大范围。如图9所示，若αx1大于αx2，代表状态变量x1相较于x2，在系统稳定运行的前提下能波动的范围更小，代表状态变量x1对系统暂态稳定性影响程度越大。
在本实施例中，系统可以分为四类：岸站MMC、海底光电复合海缆、接驳盒和各类型负载。其中，MMC状态变量包含：直流侧输出电压、电流和交流侧d轴与q轴电流。LLC状态变量包含：输出电压和谐振腔谐振电容电压、电感电流、励磁电流的正弦量和余弦量。光电复合海缆状态变量包含：接地电容电压、线路电感电流。恒功率负载包含电容电压和电感电流。上述四类状态变量内，分组画出通过比较影响程度参数大小，筛选状态变量。选择图3中A-F的节点电压作为下面步骤的输入特征来源。
参阅图4，图4是本发明一实施例所提供的特征量数据生成与存储平台组成框图；S2根据特征量数据生成与存储平台获取时序轨迹，包括：S2.1数据获取包括故障发生位置、故障类型、故障切除时间、故障严重程度、网络拓扑；S2.1影响因素包括：开关模块仿真、历史数据、实时量测数据；S2.3记录特征变量及相应海底直流系统大数据集。
在本实施例中，特征量数据生成与存储平台收集并存储状态量分析模块筛选的状态变量时序集，并与历史/实时数据相结合形成能够表征海底直流系统特征的大数据集。如图3所示，具体阐述如下：
需要说明的是，该平台所存储并用于分类器训练的大数据集数据来源分为三个部分：历史数据、实时数据、仿真数据。
具体的，历史数据和实时数据分别为海底直流系统的向量测量单元(PMU)在运行过程中，当发生电压波动时所采集的故障清除后某一确定时刻起Δt时间内的历史和实时的时序序列数据。
进一步的，仿真数据获取渠道可以是MATLAB仿真。具体操作如下：故障发生的位置、故障类型、故障严重程度、故障持续时间等因素设定为故障集，将海底双端直流系统不同负荷和不同运行状态设定为工况集，将故障集和工况集进行组合获得较为全面的海底直流系统暂态运行仿真场景。最后通过暂态机电仿真软件对这些场景进行K次时域仿真，获取节点电压在故障清除后Δt时间内的时序序列。
参阅图5，图5是本发明一实施例所提供的数据标定与处理模块组成框图；S3根据数据标定与处理模块得到训练样本，包括：S3.1数据处理包括选取测算时刻、选取稳态运行数据、计算MSD距离；S3.2数据标定包括确定数据集质心、计算欧拉距离、按距离分类、重新确立质心；判断新老质心距离是否小于确立阀值，如果否，则返回重新确立质心，如果是，则完成标定；S3.3获得选取状态变量量数据集的输入特征。
在本实施例中，数据标定与处理模块在于将特征量数据生成与存储平台的大数据集进行数据标签标定，将标签和处理后的数据整合成单个模型样本。将模型样本分为训练集和测试集两个部分作为分类器的输入特征样本。
需要说明的是，数据标定即判定大数据集中每个样本的稳定状态。聚类算法的流程如下。
示例性的，从数据集中随机选择2个数据点作为质心。
进一步的，计算数据集中的每一个数据点与所选取的质心之间的距离，并依照距离近归为一类这一原则，将数据集分为两类。
进一步的，把所有数据归好集合后，重新计算归分好的两个集合的新质心。
进一步的，如果新质心和原质心之间的距离小于设定的阈值，说明质心计算已经收敛，则认为质心选取结束。
进一步的，倘若新质心和原质心距离相差超过所设置的阈值，则重复迭代步骤2～4。最终，即可根据两类数据集的状态变量时序波动将大数据集分为稳定状态和失稳状态。
需要说明的是，数据处理即将每个样本采集的时序序列处理为数值。已知每个样本选取的状态变量数为6，进行了K次时域仿真生成了K个样本。求每个样本的节点电压序列与稳定状态下的电压序列直接的MSD距离。MSD距离表达式如下：
其中，DMSD为两条长度为n的时序序列LA和LB之间的MSD距离。
在本实施例中，将经过数据处理的大数据集样本V，与对应的电力系统最终的电压稳定状态C，这些信息(V,C)构成一个仿真样本。从仿真样本中选取70％的样本构成训练集和30％的样本构成测试集。
参阅图6，图6是本发明一实施例所提供的分类器训练与评估流程图；S4根据分类器训练与评估模块评估结果，包括：S4.1分类器训练、S4.2离线训练、S4.3模型训练、S4.4在线评估；其中，S4.2通过处理输入特征进入步骤S4.4中的处理输入特征对应数据；S4.4中电力系统在线监测数据更新进入S4.2；S4.1中模型训练进入S4.4中训练好的评估模型。
在本实施例中，分类器训练与评估模块在于通过已有的训练仿真样本获得基于代价敏感机制的决策树分类器，在线评估当前海底双端直流系统运行状态，并不断更新模型。具体如下：
优选的，该模块可以包括两个部分：分类器训练、参数调整。
其中，分类器训练的核心即找到信息增益率最大的分裂属性，具体操作如下：
示例性的，计算训练集K的信息熵，信息熵表达式如下：
其中，对于训练集K而言，第i类样本所占的比例为pi
进一步的，计算对于分裂属性A而言的信息增益：
其中，属性A将训练集K分为两个部分KL和KR。
进一步的，计算对于分裂属性A而言的信息增益率：
需要说明的是，信息增益率最大的分裂属性即为分裂点。参数调整的核心即为通过代价敏感机制解决分类不平衡问题提升分类器可靠性。即通过设定代价敏感矩阵，通过测试集获得评估算法错判、漏判个数，从而计算出各个样本的初始权系数，并依照初始权重系数为加权比例pwi赋值。
参阅图7，图7是本发明一实施例所提供的可解释性分析模块组成框图；S5根据可解释性分析模块和决策部分，系统暂态影响变量多尺度分析包括：S5.1SHAP模型拟合、S5.2全场景全变量暂态影响因素分析、S5.3全场景单变量暂态影响因素分析；S6根据可解释性分析模块和决策部分,控制变量在指定范围，包括：S6.1在线变量控制优化。
在本实施例中，可解释性分析模块，该模块功能在于计算每个样本中各个状态变量的Shapley值，依照该值对仿真样本中状态量变化与对应系统运行状态做出可解释性分析，具体如下：
示例性的，对于样本集中的某个特征，其Shapley值f的具体计算方式如下：
其中，S代表不包含任何特征xi的特征子集，(11)式中符号！为阶乘符号。
需要说明的是，依照定义有f绝对值的大小代表了该特征对于系统稳定性做出的贡献大小。f数值正或负分别为改变量对系统做出的失稳或稳定贡献。通过分析全场景单个特征之间实际物理量和对应Shapley值之间的映照关系，分别获取该特征对系统稳定性起到正面或负面影响的数值范围。
在本实施例中，决策部分通过SHAP归因分析三个方面的影响因素。具体实施如下：
进一步的，全场景全变量分析。在离线状态下，基于大数据集，计算数据集中每一个样本(每一类场景)的每一个状态量Shapley值，通过求解各状态变量Shapley的绝对值平均数，寻找对海底系统稳定性影响最大的状态量。本发明实例中接驳盒输出电压，即C、F节点电压为影响系统稳定性主要变量。
进一步的，全场景单变量分析。在离线状态下，基于大数据集，聚焦单个状态量，寻找所有样本中接驳盒输出电压实际值和Shapley值之间的映照关系，找到Shapley值过零点所对应的实际值，依此作为决策环节的自愈目标。
进一步的，在线计算当前样本C、F节点电压的Shapley值，通过调节LLC中变频控制环的比例参数和积分参数，将C、F节点电压控制为步骤2中Shapley值过零点所对应的实际值，完成系统的稳定性优化。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，以不使相应技术方案的本质脱离本申请各实施例技术方案的精神范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种海底直流系统暂态稳定性优化方法，其特征在于，包括：
S1分析状态量；S2获取时序轨迹；S3得到训练样本；S4输出评估结果；S5系统暂态影响变量多尺度分析；S6控制变量在指定范围；
其中，S1通过能量函数分析影响系统暂态稳定性的主要状态量，将其作为模型训练的数据来源；S2通过设置故障，获取故障清除后的每个时间步的时序轨迹V；S3通过对比时间序列得到的MSD距离作为分类器的训练样本；S4通过输入训练模型后，输出暂态电压稳定评估结果；S5通过状态量shapley值和实际值的映射关系，系统暂态影响变量多尺度分析；S6通过调节岸站模块化多电平变换器或接驳盒的控制环参数，将变量控制在指定稳定范围。
2.如权利要求1所述的海底直流系统暂态稳定性优化方法，其特征在于，S1根据状态量分析模块来分析状态量，包括：
S1.1建立系统状态方程并确定零点；S1.2确立系统非线性量；S1.3依照TS模糊模型分析建立线性不等式；S1.4确立能量函数；S1.5构建系统吸引域；S1.6分析得出特征量；
其中，S1.1通过建立海底直流系统大信号模型，建立系统状态方程并确定零点。
3.如权利要求1所述的海底直流系统暂态稳定性优化方法，其特征在于，
S2根据特征量数据生成与存储平台获取时序轨迹，包括：
S2.1数据获取包括故障发生位置、故障类型、故障切除时间、故障严重程度、网络拓扑；
S2.1影响因素包括：开关模块仿真、历史数据、实时量测数据；
S2.3记录特征变量及相应海底直流系统大数据集。
4.如权利要求1所述的海底直流系统暂态稳定性优化方法，其特征在于，
S3根据数据标定与处理模块得到训练样本，包括：
S3.1数据处理包括选取测算时刻、选取稳态运行数据、计算MSD距离；
S3.2数据标定包括确定数据集质心、计算欧拉距离、按距离分类、重新确立质心；判断新老质心距离是否小于确立阀值，如果否，则返回重新确立质心，如果是，则完成标定；
S3.3获得选取状态变量量数据集的输入特征。
5.如权利要求1所述的海底直流系统暂态稳定性优化方法，其特征在于，
S4根据分类器训练与评估模块评估结果，包括：
S4.1分类器训练、S4.2离线训练、S4.3模型训练、S4.4在线评估；
其中，S4.2通过处理输入特征进入步骤S4.4中的处理输入特征对应数据；
S4.4中电力系统在线监测数据更新进入S4.2；S4.1中模型训练进入S4.4中训练好的评估模型。
6.如权利要求1所述的海底直流系统暂态稳定性优化方法，其特征在于，
S5根据可解释性分析模块和决策部分，系统暂态影响变量多尺度分析,包括：S5.1SHAP模型拟合、S5.2全场景全变量暂态影响因素分析、S5.3全场景单变量暂态影响因素分析；
S6根据可解释性分析模块和决策部分,控制变量在指定范围，包括：S6.1在线变量控制优化。
CN202310549175.7A 2023-05-16 2023-05-16 一种海底直流系统暂态稳定性优化方法 Pending CN116706863A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310549175.7A CN116706863A (zh) 2023-05-16 2023-05-16 一种海底直流系统暂态稳定性优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310549175.7A CN116706863A (zh) 2023-05-16 2023-05-16 一种海底直流系统暂态稳定性优化方法

Publications (1)

Publication Number Publication Date
CN116706863A true CN116706863A (zh) 2023-09-05

Family

ID=87834833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310549175.7A Pending CN116706863A (zh) 2023-05-16 2023-05-16 一种海底直流系统暂态稳定性优化方法

Country Status (1)

Country Link
CN (1) CN116706863A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574116A (zh) * 2024-01-15 2024-02-20 湖南大学 一种海底直流系统暂态稳定评估的混合特征选择方法
CN117674083A (zh) * 2023-11-13 2024-03-08 国网湖北省电力有限公司电力科学研究院 一种基于SHAP-LightGBM的交直流混联电网稳定控制方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117674083A (zh) * 2023-11-13 2024-03-08 国网湖北省电力有限公司电力科学研究院 一种基于SHAP-LightGBM的交直流混联电网稳定控制方法
CN117574116A (zh) * 2024-01-15 2024-02-20 湖南大学 一种海底直流系统暂态稳定评估的混合特征选择方法
CN117574116B (zh) * 2024-01-15 2024-04-19 湖南大学 一种海底直流系统暂态稳定评估的混合特征选择方法

Similar Documents

Publication Publication Date Title
CN116706863A (zh) 一种海底直流系统暂态稳定性优化方法
CN104463706B (zh) 一种用于电网检测电压暂降事件原因的方法和系统
CN110569867A (zh) 基于决策树算法的输电线路故障原因判别方法、介质及设备
CN111401749A (zh) 一种基于随机森林与极限学习回归的动态安全评估方法
WO2023169098A1 (zh) 基于孤立森林的模块化多电平换流器开路故障诊断方法
CN103728535A (zh) 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
CN105139289A (zh) 一种基于错分代价分类学习的电网暂态电压稳定评估方法
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN112821424B (zh) 一种基于数据-模型融合驱动的电力系统频率响应分析方法
CN111652479A (zh) 一种针对电力系统动态安全评估的数据驱动方法
CN112330488B (zh) 基于迁移学习的电网频率态势预测方法
EP3968479A1 (en) Systems and methods for automatic power topology discovery
CN111652478B (zh) 基于伞式算法的电力系统电压稳定评估误分类约束方法
CN110147827A (zh) 一种基于iaalo-svm与相似性度量的故障预测方法
CN116050867A (zh) 一种具备可解释性的数据驱动电力系统暂态稳定评估方法
CN114662989A (zh) 电力系统的暂态稳定自适应评估方法及装置
CN104901328A (zh) 基于复杂控制网络下的多端柔直控制模式自动识别方法
CN117574264A (zh) 一种基于知识约束神经网络的变压器故障诊断方法及系统
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
CN113901649A (zh) 一种频率仿真中负荷参数辨识方法、系统及存储介质
Baker et al. A self-learning scheme to detect and mitigate the impact of model parameters imperfection in predictive controlled grid-tied inverter
Qiao et al. Transient stability assessment for ac-dc hybrid systems based on bayesian optimization xgboost
CN110045716A (zh) 一种闭环控制系统早期故障检测和诊断方法和系统
Lin et al. A Concept Drift Detection Method for Electricity Forecasting Based on Adaptive Window and Transformer
CN111798049B (zh) 一种基于集成学习与多目标规划的电压稳定评估方法

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