CN117335426A - 一种适用于短期电压稳定性评估的关键特征识别方法 - Google Patents

一种适用于短期电压稳定性评估的关键特征识别方法 Download PDF

Info

Publication number
CN117335426A
CN117335426A CN202311124326.0A CN202311124326A CN117335426A CN 117335426 A CN117335426 A CN 117335426A CN 202311124326 A CN202311124326 A CN 202311124326A CN 117335426 A CN117335426 A CN 117335426A
Authority
CN
China
Prior art keywords
node
power
short
voltage stability
key
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
CN202311124326.0A
Other languages
English (en)
Inventor
郭琦
郑伟业
单泊洋
蔡海青
顾浩瀚
陈炜
陈智豪
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.)
South China University of Technology SCUT
CSG Electric Power Research Institute
Original Assignee
South China University of Technology SCUT
CSG Electric Power Research Institute
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 South China University of Technology SCUT, CSG Electric Power Research Institute filed Critical South China University of Technology SCUT
Priority to CN202311124326.0A priority Critical patent/CN117335426A/zh
Publication of CN117335426A publication Critical patent/CN117335426A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种适用于短期电压稳定性评估的关键特征识别方法，包括以下步骤：搭建配电网时域仿真模型；设置故障类型与位置，对系统参数进行扰动，进行时域仿真，通过短期电压稳定性指标的变化对节点进行分类，找出对短期电压稳定性有影响的关键节点；在相同故障场景下，变换拓扑结构和新能源接入位置，探究关键节点的分布规律；基于网络拓扑结构和参数，对相关数据进行统计分析，加以验证得到影响短期电压稳定性的关键特征；在新的网络拓扑中验证得出的关键特征。本发明将短期电压稳定性的评估分为两个子问题，分别为二元分类和回归问题，可以更有效地反映系统各类参数对短期电压稳定性的影响。

Description

一种适用于短期电压稳定性评估的关键特征识别方法
技术领域
本发明涉及低惯量电力系统的短期电压稳定机理分析技术领域，具体涉及一种适用于短期电压稳定评估的关键特征识别方法。
背景技术
能源是经济社会发展的重要物质基础，也是碳排放的最主要来源。在保障能源安全的前提下，大力实施可再生能源替代，加快构建清洁低碳安全高效的能源体系。风电、光伏等新能源具有清洁零碳的优势，可使煤炭污染得到有效控制。随着新型电力系统建设和电力体制改革的持续推进，我国风电、光伏等可再生能源装机规模持续扩大，能源清洁低碳转型和电力市场建设都取得了显著进展。
但与此同时，将可再生能源大规模并入电网将降低电力系统的惯量。随着可再生能源接入比例和电力系统负荷需求的快速增长，低惯量特征尤为突出，系统运行工况越来越接近电压稳定的边界，从而导致电压风险显著。与长期电压稳定相比，短期电压稳定关注的是几秒时间尺度的电力系统动态，是大扰动后过渡阶段的关注领域之一。与具有明确数学解析式的静态电压稳定性指标相比，短期电压稳定指标是基于时域仿真的，缺乏明确数学解析式。因此，如何快速准确评估低惯量电力系统的短期电压稳定性是一个重要的研究课题。
随着配电网接入的可再生能源规模不断扩大，其稳定性特性比以前更加复杂，机器学习为分析和提高配电网络的稳定性提供了强有力的工具，目前已经有多种利用机器学习来实时评估电力系统的短期电压稳定性的方法。比如一种可以实现短期电压稳定性实时安全动态评估的机器学习模型(Y.Xu et al.，“Assessing Short-Term VoltageStability of Electric Power Systems by a Hierarchical Intelligent System，”IEEE Trans.Neural Netw.Learn.Syst.，vol.27，no.8，pp.1686–1696，Aug.2016，doi:10.1109/TNNLS.2015.2441706.)，通过随机权重的集成学习神经网络来构建，但是由于神经网络的复杂性，使得人们不能理解预测原理和信任该模型的决策，且一旦变换应用场景或者网络结构改变，需要重新训练模型，无法得到广泛应用，缺乏对短期电压稳定性机理的探索。然而，随着电力系统的稳定性和安全特性变得越来越复杂，影响短期电压稳定性的一些重要因素尚未通过机器学习方法识别。模型输入特征的选择将直接影响机器学习方法的预测准确性，所以选择正确的关键特征对于短期电压稳定性的准确评估至关重要。
电力系统的短期电压稳定性是一个复杂的问题，与其潮流、电网结构以及电力系统的动态特性有关。短期电压稳定性评估问题可以分解为两个子问题。第一个子问题是确定是否会发生电压崩溃。第二个子问题是如果确定电力系统稳定，预测故障引起的延迟电压恢复的严重程度。基于上述思路，通过改变系统模型的参数和系数(例如负载母线的无功功率和有功功率、网络结构和可再生能源的接入位置)来研究这些因素如何影响系统的短期电压稳定性以及关键节点对系统短期电压稳定性的影响和分布规律。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种适用于短期电压稳定性评估的关键特征识别方法，该关键特征识别方法对短期电压稳定机理进行探究，研究电网潮流、电网结构以及电力系统的动态特性是如何影响短期电压稳定性以及关键节点对系统短期电压稳定性的影响和分布规律。与已有研究不同，该关键特征识别方法可以帮助提高机器学习黑箱模型的可解释性和可信度，在保留短期电压稳定性评估模型的准确性的同时，减少模型的输入特征，并能广泛应用于各种场景，提高模型的运算效率，能够较快的对系统短期电压稳定性进行评估、分析和调度。
本发明至少通过如下技术方案之一实现。
一种适用于短期电压稳定性评估的关键特征识别方法，包括以下步骤：
S1、搭建配电网时域仿真模型；
S2、设置故障类型与位置，对系统参数进行扰动，进行时域仿真，通过短期电压稳定性指标的变化对节点进行分类，找出对短期电压稳定性有影响的关键节点；
S3、在相同故障场景下，变换拓扑结构和新能源接入位置，探究关键节点的分布规律；
S4、基于网络拓扑结构和参数，对相关数据进行统计分析，加以验证得到影响短期电压稳定性的关键特征；
S5、在新的网络拓扑中验证得出的关键特征。
进一步地，所述配电网时域仿真模型包括多个节点配电网和多个节点输电网，配电网中有多台分布式发电机，各支路中有多条支路安装可控开关，用于后续变换拓扑结构；分布式逆变器接口发电机建模为负的恒定负载，除公共耦合点PCC外，配电系统中的其他母线都建模为复合负荷模型，
进一步地，所述复合负载模型由静态负载分量ZIP负载和动态负载分量感应电动机组成，构造配电网的复合负载模型：
Te，n＝Ed，nId，n+Eq，nIq，n (3)
pind，n＝(Ed，nVq，n-Eq，nVq，n)/X′n (5)
qind，n＝(V2 d，n+V2 q，n-Vd，nEd，n-Vq，nEq，n)/X′n (6)
pn＝pind，n+pzip，n (9)
qn＝qind，n+qzip，n (10)
式中，n＝2，...，N，对于节点n，其中Ed，n、Eq，n是感应电动机的d轴、q轴的感应电动势，/>是感应电动机的感应电动势，j表示相量；/>其中Vd，n、Vq，n是d轴、q轴的电压幅值，/>是感应电动机的输出电压；ω0，n是转子初始角速度，si表示感应电机的转差率；Tm，n和Te，n分别是机械力矩和电磁力矩；Xn和X’n分别是转子开路电抗和暂态电抗；H2，n是惯量时间常数，/>表示感应电机转子的电角速度；Td0，n是转子开路时间常数；式中Id，n、Iq，n是d轴、q轴电流幅值，/>是感应电动机的输出电流；pind，n和qind，n分别为感应电机的有功功率和无功功率，pzip，n和qzip，n分别为ZIP负载的有功功率和无功功率；PZ，n、PI，n、PP，n表示恒阻抗、恒电流和恒定功率负荷在有功功率中占有的比重，QZ，n、QI，n、QP，n表示恒阻抗、恒电流和恒定功率负荷在无功功率中占有的比重；pn表示n节点的注入有功功率，qn表示n节点的注入无功功率；Vn和Vm分别是n节点和m节点的电压幅值；θnm＝θn-θm是支路(n，m)的相角差，其中θn和θm分别为母线n和m的电压相角；Gnm和Bnm是支路(n，m)的电导和电纳。
进一步地，步骤S2包括以下步骤：
S2.1)设置故障类型与位置，对系统参数进行扰动，开始时域仿真：
在节点配电网络中，总线连接到节点输电网中的总线；配电网接入多台光伏发电机；故障位置分别设定为输电网络中的多个总线；通过设定不同的电力故障位置和运行条件，制造出多种对电力系统进行扰动的场景，然后开始进行时域仿真；
S2.2)选择短期电压稳定性指标对系统的稳定性进行评估：
采用均方根电压骤降严重性指数RVSI评估FIDVR严重程度：
式中N是系统中总线的数量，VSIi是第i条总线的电压骤降严重程度指数，用于量化每条总线的电压恢复性能，用下式计算：
式中，t0是故障清除时间；T是时域仿真结束的时间；Vi，t表示t时刻母线i的电压幅值；Di，t表示母线i在t时刻与初始电压水平的差值比；Vi，0为故障前母线i的电压幅值；μ是用于定义临界电压暂降幅度的阈值；
S2.3)通过短期电压稳定性指标的变化对节点进行分类，找出对短期电压稳定性影响大的关键节点：
当单个负载节点的无功功率或有功功率的小扰动导致系统崩溃时，将该负载节点定义为关键节点；当单个负载节点的无功功率或有功功率扰动范围很大都不会导致系统崩溃，这种类型的负载节点定义为普通节点，记录负载有功功率或者无功功率变化对应的RVSI的变化，用于统计分析，对节点标记分类。
进一步地，仿真周期和仿真步长分别设置为5s和0.01s，故障启动时间和故障持续时间分别设置为0.3s和0.2s。
进一步地，母线电压幅值的上限和下限设置为1.1和0.9，时域仿真采用PSAT平台。
进一步地，在步骤S3中，在相同故障场景下，变换拓扑结构和新能源接入位置，探究关键节点的分布规律，包括以下步骤：
S3.1)生成新的配电网网络结构需要满足下列约束：
∑αij＝N-Ns (16)
式中，αij表示支路的开关状态，N表示总的节点数目，Ns表示变电站总数，线路状态保证每条非变电站母线均通过一条线路连接到唯一的变电站，网络辐射度相当于整个网络的生成的接通线路；
式中，Vi是总线i的电压幅值，Pij和Qij分别是从母线i到母线j的有功功率和无功功率流，k表示j节点相邻的下一节点的序号，Nj\{i}表示k的值可能是除i之外剩余节点的序号，Pjk和Qjk分别是从母线j到母线k的有功功率和无功功率流，vi和vj分别表示节点i和节点j的电压幅值的平方，rij和xij分别是支路(i，j)的电阻和电抗，lij是支路电流幅值的平方，式子(17)-式子(20)表示对网络潮流的约束：
式(21)表示对节点电压的限制，和/>分别是节点所能允许的最小电压和最大电压；式(22)和(23)分别表示节点注入功率限制，Pi和Qi分别是节点i注入的有功功率和无功功率，/>和/>分别是节点允许注入的最大有功功率和最小有功功率，/>和分别是节点允许注入的最大无功功率和最小无功功率；式(24)表示对支路潮流的限制，/>表示支路(i，j)上允许的最大视在功率；
S3.2)生成新的配电网网络拓扑结构之后，重复上述步骤S2，在相同故障场景设置下，进行时域仿真实验，对配电网中的负荷节点分别调整负荷水平，在新的配电网网络拓扑中标记好每个节点的分类，每一个新生成的网络拓扑都对其进行同样的操作，找出不同拓扑的关键节点分布；
S3.3)在相同故障场景设置下，和同一配电网网络拓扑结构中，对原始新能源接入节点进行输出有功功率和无功功率的调整，记录下系统短期电压稳定性的变化，接着将关键节点设为新能源接入节点，同样调整输出有功功率和无功率，记录下对应的RVSI值，并与初始得到的数据进行对比分析。
进一步地，在步骤S4中，基于网络拓扑结构和参数，对相关数据进行统计分析包括对于不同的网络拓扑结构中关键节点的分布情况，挖掘显著特征，得到影响短期电压稳定性的关键特征。
进一步地，关键特征包括系统发生电压崩溃的临界短期电压稳定性指标值、分岔点个数以及电气距离对关键节点分布的影响，负荷节点有功功率和无功功率的取值范围。
进一步地，在步骤S5中，构建一个新的配电网网络，将系统参数列出，根据步骤S4中得出的关键特征，得出新的配电网中的关键节点分布，再重复步骤S3，通过时域仿真确定哪些是关键节点，验证得出关键特征的可行性。
现有的技术相比，本发明具有如下效果：
1、本发明首次通过实验探究短期电压稳定性的机理，通过时域仿真在保留短期电压稳定性评估结果准确性的同时，挖掘出影响短期电压稳定性的关键特征。
2、本发明首次在短期电压稳定性评估问题中加入图论分析，揭示了网络结构对短期电压稳定性的影响，挖掘了新的特征。
3、本发明将短期电压稳定性的评估分为两个子问题，分别为二元分类和回归问题，可以更有效地反映系统各类参数对短期电压稳定性地影响。
4、本发明可以为配电网的规划、分析、优化与控制等提供直观、准确的特征量，使得短期电压稳定性评估模型计算复杂度降低、计算效率提高，有较为广阔的应用前景。
附图说明
图1是本发明公开的种应用于短期电压稳定性评估的关键特征识别方法的流程步骤图；
图2为本发明步骤S3中使用的其中一种配电网网络拓扑结构；
图3为短期电压稳定性指标计算原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，以下将结合附图和具体实施方式对本发明作进一步的详细说明。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。
实施例
如图1所示，本实施例提供一种适用于短期电压稳定性评估的关键特征识别方法，基于多节点的配电网网络系统参数，对参数进行调整扰动，通过时域仿真得到对应的RVSI值，对系统参数变化和RVSI值进行数学统计分析，得到一些对系统短期电压稳定性影响较大的因素，最终实现主动配电网的关键特征识别。该关键特征识别方法包括以下步骤：
S1、搭建配电网时域仿真模型，所述配电网时域仿真模型包括多个节点配电网和多个节点输电网，配电网中有多台分布式发电机，各支路中有多条支路安装可控开关，用于后续变换拓扑结构；
可再生能源主要是具有强动态特性的分布式逆变电源，因此分布式逆变器接口发电机可以建模为负的恒定负载。除公共耦合点PCC外，配电系统中的其他母线都可以合理地建模为复合负荷模型。复合负载模型由静态负载分量ZIP负载和动态负载分量感应电动机组成。构造配电网的复合负载模型：
Te，n＝Ed，nId，n+Eq，nIq，n (3)
pind，n＝(Ed，nVq，n-Eq，nVq，n)/X′n (5)
qind，n＝(V2 d，n+V2 q，n-Vd，nEd，n-Vq，nEq，n)/X′n (6)
pn＝pind，n+pzip，n (9)
qn＝qind，n+qzip，n (10)
式中，n＝2，...，N，对于每个节点n，其中Ed，n(Eq，n)是感应电动机的d轴(q轴)的感应电动势；/>其中Vd，n(Vq，n)是d轴(q轴)的电压幅值；ω0，n是转子初始角速度；Tm，n和Te，n分别是机械力矩和电磁力矩；Xn和X’n分别是转子开路电抗和暂态电抗；H2，n是惯量时间常数；Td0，n是转子开路时间常数；/>式中Id，n(jIq，n)是d轴(q轴)电流幅值；pind，n和qind，n分别为感应电机的有功功率和无功功率pzip，n和qzip，n分别为ZIP负载的有功功率和无功功率；θnm＝θn-θm是支路(n，m)的相角差，其中θn和θm分别为母线n和m的电压相角；Gnm和Bnm是支路(n，m)的电导和电纳。因此，感应电动机由公式(1)-(6)表示，ZIP负载由公式(7)-(8)表示，净注入功率由公式(9)-(10)表示，功率平衡由公式(11)-(12)表示。
作为一种实施例，搭建配电网时域仿真模型包括33节点配电网和39节点输电网，配电网中有4台分布式发电机，84条支路中有37条安装了可控开关，用于后续变换拓扑结构。
S2、设置故障类型与位置，对系统参数进行扰动，进行时域仿真，通过短期电压稳定性指标的变化对节点进行分类，找出对短期电压稳定性影响大的关键节点，包括以下步骤：
S2.1)设置故障类型与位置，对系统参数进行扰动，开始时域仿真：
在33节点配电网络中，总线1连接到39节点输电网中的总线21。配电网接入四台光伏发电机。故障位置分别设定为输电网络中的总线27、23、22、21、20、19。通过设定不同的电力故障位置和运行条件，制造出多种对电力系统进行扰动的场景，然后开始进行时域仿真。
作为一种实施例，仿真周期和仿真步长分别设置为5s和0.01s，故障启动时间和故障持续时间分别设置为0.3s和0.2s。母线电压幅值的上限和下限设置为1.1和0.9。时域仿真采用PSAT平台。
S2.2)选择短期电压稳定性指标对系统的稳定性进行评估：
电压不稳定通常是由于负载动态试图恢复大于发电和组合输电网络容量的功耗而导致的。长期电压稳定性涉及缓慢运行的设备而短期电压稳定性涉及负载元件的复杂动态，包括感应电机，它们往往会快速恢复已消耗的功率。感应电机在受到较大扰动后，如果电气转矩无法克服机械负载转矩，就会因电压突然下降而急剧减速或停止，从而产生非常大的无功电流，从而对电压幅值产生负面影响。这可能导致不可接受的电压瞬态性能，例如电压恢复延迟(FIDVR)或瞬态电压崩溃。
短期电压稳定性的评估主要针对暂态电压偏差大、电压恢复缓慢、扰动后电压快速崩溃等问题。使用简单的二元分类即可区分稳定和不稳定情况，但需要对故障引起的电压恢复延迟进行进一步的定量分析。
作为一种实施例，为了定量衡量电压短期稳定程度，采用均方根电压骤降严重性指数(RVSI)来评估FIDVR严重程度。
使用RVSI计算FIDVR严重程度用下式表示：
式中N是系统中总线的数量。VSI是电压骤降严重程度指数的缩写，用于量化每条总线的电压恢复性能，用下式计算：
在(16)和(17)两式中，t0是故障清除时间；T是时域仿真结束的时间；Vi，t表示t时刻母线i的电压幅值；Vi，0为故障前母线i的电压幅值；以及μ是用于定义临界电压暂降幅度的阈值。
RVSI是所有总线VSI值的均方根平均值。与算术平均相比，均方根的优点是能够在平均过程中强调具有较高VSI值即电压恢复较慢的总线。这样做，即使系统中的大多数总线经历快速电压恢复，并且只有一两个总线电压恢复速度慢得多，这些恢复慢的总线的FIDVR严重程度仍然可以在RVSI值中公平地反映。RVSI值越小，FIDVR现象越不严重，RVSI值越大，FIDVR现象越严重，系统电压崩溃的可能性越大。
S2.3)通过短期电压稳定性指标的变化对节点进行分类，找出对短期电压稳定性影响大的关键节点：
当单个负载节点的无功功率或有功功率的小扰动导致系统崩溃时，我们将该负载节点定义为关键节点。反之，当单个负载节点的无功功率或有功功率扰动范围很大都不会导致系统崩溃，这种类型的负载节点定义为普通节点。在目前固定的配电网网络拓扑结构下，除去与输电网连接母线和接入光伏发电机的四条母线，测试剩余28个节点的负载动态对系统短期电压稳定性的影响，记录负载有功功率或者无功功率变化对应的RVSI的变化，后续用于统计分析。对节点标记分类，是属于关键节点还是普通节点。
S3、在相同故障场景下，变换拓扑结构和新能源接入位置，探究关键节点的分布规律。
S3.1)生成新的配电网网络结构需要满足下列约束：
∑αij＝N-Ns (16)
式中，αij表示支路的开关状态，N表示总的节点数目，Ns表示变电站总数，线路状态保证每条非变电站母线均通过一条线路连接到唯一的变电站，用图论语言来说，网络辐射度相当于整个网络的生成的接通线路。
式中，Vi是总线i的电压幅值，Pij和Qij分别是从母线i到母线j的有功和无功支路功率流，rij和xij分别是支路(i，j)的电阻和电抗，lij是支路电流幅值的平方。上述四个式子表示对网络潮流的约束。
式(21)表示对节点电压的限制，和/>分别是节点所能允许的最小电压和最大电压。式(22)和(23)分别表示节点注入功率限制，/>和/>分别是节点允许注入的最大有功功率和最小有功功率，/>和/>分别是节点允许注入的最大无功功率和最小无功功率。式(24)表示对支路潮流的限制，/>表示支路(i，j)上允许的最大视在功率。
S3.2)生成新的配电网网络拓扑结构之后，重复上述步骤S2，在相同故障场景设置下，进行时域仿真实验，对配电网中28个负荷节点分别调整负荷水平，在新的配电网网络拓扑中标记好每个节点的分类，每一个新生成的网络拓扑都对其进行同样的操作，找出不同拓扑的关键节点分布。
S3.3)在相同故障场景设置下，和同一配电网网络拓扑结构中，对原始新能源接入节点进行输出有功功率和无功功率的调整，记录下系统短期电压稳定性的变化，接着将关键节点设为新能源接入节点，同样调整输出有功功率和无功率，记录下对应的RVSI值，并与初始得到的数据进行对比分析。
S4、基于网络拓扑结构和参数，对相关数据进行统计分析。比如，对于不同的网络拓扑结构中关键节点的分布情况，可利用图论的知识，挖掘出一些显著特征。得到影响短期电压稳定性的关键特征，特征包含系统发生电压崩溃的临界短期电压稳定性指标值、分岔点个数以及电气距离对关键节点分布的影响，负荷节点有功功率和无功功率的取值范围。
S5、在新的网络拓扑中验证得出的关键特征。构建一个新的配电网网络，将系统参数列出，根据步骤S4中得出的关键特征，得出新的配电网中的关键节点分布，再重复S3的步骤，通过时域仿真确定哪些是关键节点，验证得出关键特征的可行性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所做出的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，包括以下步骤：
S1、搭建配电网时域仿真模型；
S2、设置故障类型与位置，对系统参数进行扰动，进行时域仿真，通过短期电压稳定性指标的变化对节点进行分类，找出对短期电压稳定性有影响的关键节点；
S3、在相同故障场景下，变换拓扑结构和新能源接入位置，探究关键节点的分布规律；
S4、基于网络拓扑结构和参数，对相关数据进行统计分析，加以验证得到影响短期电压稳定性的关键特征；
S5、在新的网络拓扑中验证得出的关键特征。
2.根据权利要求1所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，所述配电网时域仿真模型包括多个节点配电网和多个节点输电网，配电网中有多台分布式发电机，各支路中有多条支路安装可控开关，用于后续变换拓扑结构；分布式逆变器接口发电机建模为负的恒定负载，除公共耦合点PCC外，配电系统中的其他母线都建模为复合负荷模型。
3.根据权利要求2所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，所述复合负载模型由静态负载分量ZIP负载和动态负载分量感应电动机组成，构造配电网的复合负载模型：
Te，n＝Ed，nId，n+Eq，nIq，n (3)
pind，n＝(Ed,nVq，n-Eq，nVq，n)/X′n (5)
qind,n＝(V2 d，n+V2 q,n-Vd，nEd，n-Vq,nEq,n)/X′n (6)
pn＝pind,n+pzip,n (9)
qn＝qind,n+qzip,n (10)
式中，n＝2，…，N，对于节点n，其中Ed，n、Eq，n是感应电动机的d轴、q轴的感应电动势，/>是感应电动机的感应电动势，j表示相量；/>其中Vd，n、Vq，n是d轴、q轴的电压幅值，/>是感应电动机的输出电压；ω0，n是转子初始角速度，si表示感应电机的转差率；Tm，n和Te，n分别是机械力矩和电磁力矩；Xn和X’n分别是转子开路电抗和暂态电抗；H2,n是惯量时间常数，/>表示感应电机转子的电角速度；Td0,n是转子开路时间常数；式中Id，n、Iq，n是d轴、q轴电流幅值，/>是感应电动机的输出电流；pind,n和qind,n分别为感应电机的有功功率和无功功率，pzip，n和qzip,n分别为ZIP负载的有功功率和无功功率；PZ，n、PI，n、PP，n表示恒阻抗、恒电流和恒定功率负荷在有功功率中占有的比重，QZ，n、QI，n、QP，n表示恒阻抗、恒电流和恒定功率负荷在无功功率中占有的比重；pn表示n节点的注入有功功率，qn表示n节点的注入无功功率；Vn和Vm分别是n节点和m节点的电压幅值；θnm＝θn-θm是支路(n，m)的相角差，其中θn和θm分别为母线n和m的电压相角；Gnm和Bnm是支路(n，m)的电导和电纳。
4.根据权利要求1所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，步骤S2包括以下步骤：
S2.1)设置故障类型与位置，对系统参数进行扰动，开始时域仿真：
在节点配电网络中，总线连接到节点输电网中的总线；配电网接入多台光伏发电机；故障位置分别设定为输电网络中的多个总线；通过设定不同的电力故障位置和运行条件，制造出多种对电力系统进行扰动的场景，然后开始进行时域仿真；
S2.2)选择短期电压稳定性指标对系统的稳定性进行评估：
采用均方根电压骤降严重性指数RVSI评估FIDVR严重程度：
式中N是系统中总线的数量，VSIi是第i条总线的电压骤降严重程度指数，用于量化每条总线的电压恢复性能，用下式计算：
式中，t0是故障清除时间；T是时域仿真结束的时间；Vi，t表示t时刻母线i的电压幅值；Di，t表示母线i在t时刻与初始电压水平的差值比；Vi，0为故障前母线i的电压幅值；μ是用于定义临界电压暂降幅度的阈值；
S2.3)通过短期电压稳定性指标的变化对节点进行分类，找出对短期电压稳定性影响大的关键节点：
当单个负载节点的无功功率或有功功率的小扰动导致系统崩溃时，将该负载节点定义为关键节点；当单个负载节点的无功功率或有功功率扰动范围很大都不会导致系统崩溃，这种类型的负载节点定义为普通节点，记录负载有功功率或者无功功率变化对应的RVSI的变化，用于统计分析，对节点标记分类。
5.根据权利要求4所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，仿真周期和仿真步长分别设置为5s和0.01s，故障启动时间和故障持续时间分别设置为0.3s和0.2s。
6.根据权利要求4所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，母线电压幅值的上限和下限设置为1.1和0.9，时域仿真采用PSAT平台。
7.根据权利要求1所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，在步骤S3中，在相同故障场景下，变换拓扑结构和新能源接入位置，探究关键节点的分布规律，包括以下步骤：
S3.1)生成新的配电网网络结构需要满足下列约束：
∑αij＝N-Ns (16)
式中，αij表示支路的开关状态，N表示总的节点数目，Ns表示变电站总数，线路状态保证每条非变电站母线均通过一条线路连接到唯一的变电站，网络辐射度相当于整个网络的生成的接通线路；
式中，Vi是总线i的电压幅值，Pij和Qij分别是从母线i到母线j的有功功率和无功功率流，k表示j节点相邻的下一节点的序号，Nj\{i}表示k的值可能是除i之外剩余节点的序号，Pjk和Qjk分别是从母线j到母线k的有功功率和无功功率流，vi和vj分别表示节点i和节点j的电压幅值的平方，rij和xij分别是支路(i，j)的电阻和电抗，lij是支路电流幅值的平方，式子(17)-式子(20)表示对网络潮流的约束：
式(21)表示对节点电压的限制，和/>分别是节点所能允许的最小电压和最大电压；式(22)和(23)分别表示节点注入功率限制，Pi和Qi分别是节点i注入的有功功率和无功功率，/>和/>分别是节点允许注入的最大有功功率和最小有功功率，/>和/>分别是节点允许注入的最大无功功率和最小无功功率；式(24)表示对支路潮流的限制，表示支路(i，j)上允许的最大视在功率；
S3.2)生成新的配电网网络拓扑结构之后，重复上述步骤S2，在相同故障场景设置下，进行时域仿真实验，对配电网中的负荷节点分别调整负荷水平，在新的配电网网络拓扑中标记好每个节点的分类，每一个新生成的网络拓扑都对其进行同样的操作，找出不同拓扑的关键节点分布；
S3.3)在相同故障场景设置下，和同一配电网网络拓扑结构中，对原始新能源接入节点进行输出有功功率和无功功率的调整，记录下系统短期电压稳定性的变化，接着将关键节点设为新能源接入节点，同样调整输出有功功率和无功率，记录下对应的RVSI值，并与初始得到的数据进行对比分析。
8.根据权利要求1所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，在步骤S4中，基于网络拓扑结构和参数，对相关数据进行统计分析包括对于不同的网络拓扑结构中关键节点的分布情况，挖掘显著特征，得到影响短期电压稳定性的关键特征。
9.根据权利要求8所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，关键特征包括系统发生电压崩溃的临界短期电压稳定性指标值、分岔点个数以及电气距离对关键节点分布的影响，负荷节点有功功率和无功功率的取值范围。
10.根据权利要求1～9任一项所述的一种适用于短期电压稳定性评估的关键特征识别方法，其特征在于，在步骤S5中，构建一个新的配电网网络，将系统参数列出，根据步骤S4中得出的关键特征，得出新的配电网中的关键节点分布，再重复步骤S3，通过时域仿真确定哪些是关键节点，验证得出关键特征的可行性。
CN202311124326.0A 2023-09-01 2023-09-01 一种适用于短期电压稳定性评估的关键特征识别方法 Pending CN117335426A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311124326.0A CN117335426A (zh) 2023-09-01 2023-09-01 一种适用于短期电压稳定性评估的关键特征识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311124326.0A CN117335426A (zh) 2023-09-01 2023-09-01 一种适用于短期电压稳定性评估的关键特征识别方法

Publications (1)

Publication Number Publication Date
CN117335426A true CN117335426A (zh) 2024-01-02

Family

ID=89294143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311124326.0A Pending CN117335426A (zh) 2023-09-01 2023-09-01 一种适用于短期电压稳定性评估的关键特征识别方法

Country Status (1)

Country Link
CN (1) CN117335426A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117729058A (zh) * 2024-02-18 2024-03-19 四川大学 一种应对网络攻击的信息物理系统关键节点辨识方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117729058A (zh) * 2024-02-18 2024-03-19 四川大学 一种应对网络攻击的信息物理系统关键节点辨识方法
CN117729058B (zh) * 2024-02-18 2024-04-26 四川大学 一种应对网络攻击的信息物理系统关键节点辨识方法

Similar Documents

Publication Publication Date Title
Chowdhury et al. Transient stability of power system integrated with doubly fed induction generator wind farms
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
CN111628501A (zh) 一种交直流大电网暂态电压稳定评估方法及系统
CN105069236A (zh) 考虑风电场节点空间相关性的广义负荷联合概率建模方法
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
Chakravorti et al. Advanced signal processing techniques for multiclass disturbance detection and classification in microgrids
CN110363334A (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
Wang et al. A review of power system transient stability analysis and assessment
Guo et al. On-line prediction of transient stability using decision tree method—Sensitivity of accuracy of prediction to different uncertainties
Yang et al. An ME-SMIB based method for online transient stability assessment of a multi-area interconnected power system
Nath et al. Application of machine learning for online dynamic security assessment in presence of system variability and additive instrumentation errors
Karady Improving transient stability using generator tripping based on tracking rotor-angle
Zhao et al. A fast and accurate transient stability assessment method based on deep learning: WECC case study
CN112510685B (zh) 一种城市电网风险规避预测控制方法及装置
CN110957723B (zh) 一种数据驱动的在线快速评估电网暂态电压安全性的方法
Khalel et al. Dynamic security assessment for the power system in the presence of wind turbines
Balasubramaniam et al. Cellular neural network based situational awareness system for power grids
Wang et al. A novel reliability evaluation method of AC/DC hybrid power system with the injection of wind power
CN118157154A (zh) 一种计及暂态电压稳定性机理的约束构建方法
Guo et al. Analysis of Short-Term Voltage Stability Influencing Factors and Mechanisms in Low Inertia Active Distribution Networks
Qi et al. Vulnerability assessment based on operational reliability weighted and preventive planning
CN113852123B (zh) 一种电力系统自动电压控制方法、装置、电子设备和存储介质
Li et al. Wind farms reactive power optimization using genetic/tabu hybrid algorithm
Hu et al. Guest editorial: Applications of artificial intelligence in modern power systems: Challenges and solutions
Diao et al. Deep Integration and Learning of Measurement Data in Active Distribution Power Networks for Load Flow Estimation Considering Incomplete Information

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