CN117477677A - 一种静态电压稳定指标在线评估、校正方法及系统 - Google Patents

一种静态电压稳定指标在线评估、校正方法及系统 Download PDF

Info

Publication number
CN117477677A
CN117477677A CN202311280021.9A CN202311280021A CN117477677A CN 117477677 A CN117477677 A CN 117477677A CN 202311280021 A CN202311280021 A CN 202311280021A CN 117477677 A CN117477677 A CN 117477677A
Authority
CN
China
Prior art keywords
voltage
voltage stability
node
index
stability index
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
CN202311280021.9A
Other languages
English (en)
Inventor
李德祥
梁庆辉
杜志坚
徐晓练
谢海峰
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.)
Nanning Power Supply Bureau of Guangxi Power Grid Co Ltd
Original Assignee
Nanning Power Supply Bureau of Guangxi Power Grid 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 Nanning Power Supply Bureau of Guangxi Power Grid Co Ltd filed Critical Nanning Power Supply Bureau of Guangxi Power Grid Co Ltd
Priority to CN202311280021.9A priority Critical patent/CN117477677A/zh
Publication of CN117477677A publication Critical patent/CN117477677A/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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种静态电压稳定指标在线评估、校正方法及系统，涉及电力系统静态电压稳定在线评估技术领域。技术方案要点为：获取系统数据集，利用数据集对XGBoost模型进行训练；利用SHAP对预测的数据结果进行分析，获得电力系统各个节点特征关于电压稳定L指标的相关度；将实时运行的系统特征代入训练完成的SHAP‑XGBoost模型中可以预测出当前系统电压稳定L指标数值，判断该数值是否接近于系统电压稳定崩溃的临界值；若接近则对系统相关度较大的特征进行校正；最后输出校正结果。本发明能够使在大规模新能源并网后的电网的静态稳定运行方式的编制变得简单易行，缩短工作流程和制定时间，减轻运行人员工作强度和压力，全面提高电网运行的电压质量和安全稳定。

Description

一种静态电压稳定指标在线评估、校正方法及系统
技术领域
本发明涉及电力系统静态电压稳定在线评估技术领域，特别涉及一种静态电压稳定指标在线评估、校正方法及系统。
背景技术
在过去的几十年里，电力系统现代化进程不断深入，以适应可再生能源和存储系统的发展，自由能源市场、无数的测量和通信技术设备等新事物都在涌入电力系统之中[1]。虽然现代化极大地为用户提供了更安全、可靠和更清洁的能源分配，但这种转型也给网络的安全和稳定带来了新的挑战。虽然各种监测、测量和通信基础设施与现代电力系统网络的整合，为建设一个有弹性和高效的电网提供了平台，但同时也给复杂网络带来了网络攻击、电压不稳定、电能质量扰动等各种不稳定威胁和安全隐患。其中静态电压稳定问题，就是一个随着新能源和新设备越来越多并入电网而越来越多发的热点问题。近年来，世界范围内发生了多起重大停电事故，给国家和许多企业带来巨大的经济效益损失，对社会也造成了严重的影响。总结这些停电的事故发现，相比于电力系统同步运行稳定和频率稳定，电压稳定呈现出更强的突发性和隐蔽性的特点，电力系统大规模停电绝大部分是因为静态电压的稳定性被破坏造成的。因此，保障电力系统的安全稳定与运行性能，维持系统静态电压稳定性对电力系统运行至关重要。
电力系统一般先在最薄弱节点或区域开始发生电压崩溃，然后逐步影响到系统的其他节点和区域，最后导致整个电力系统发生电压崩溃。在当前系统负载的负荷功率不断增加的时代下，且系统发生电压崩溃的过程较为迅速和突然。因此，如何保证电力系统的电压稳定性的问题，最重要一环即实时评估当前电力系统电压稳定的状态，之后电网运维人员可以根据当前系统的电压稳定状态，快速做出相应的解决办法，减小系统静态电压稳定被破坏的风险。
在电力系统静态电压稳定性分析中，电压稳定裕度指标能够提供直观的信息，传统的电压稳定裕度评估方法都是基于潮流方程的，例如奇异值分解法、连续潮流法、灵敏度法、非线性规划法、直接法等等。随着电力系统网架结构日新月异的变化，这些传统的方法一般需要构建复杂的数学模型且计算量较大，难以实现对电力系统的电压稳定状态进行在线监测。
鉴于此，需要一种静态电压稳定指标在线评估、校正方法及系统。
发明内容
针对现有技术中传统的方法一般需要构建复杂的数学模型且计算量较大，难以实现对电力系统的电压稳定状态进行在线监测的问题，本发明提供了一种静态电压稳定指标在线评估、校正方法及系统，能够在短时间内较为准确的评估系统当前的电压稳定状态以及通过校正控制方法，并提供一种电力系统电压稳定预防性调节措施，以提高被评估电力系统的电压稳定性，从而保证电力系统的安全稳定运行。具体技术方案如下：
一种静态电压稳定指标在线评估、校正方法，包括以下步骤：
S1：获取电力系统在不同运行方式下的数据，其中包括电力系统各个节点的有功功率、无功功率、电压幅值和电压相角；
S2：基于获取的实施数据计算电力系统在不同运行方式下的系统电压稳定指标L；
S3：利用计算出的系统电压稳定指标L对机器学习XGBoost模型进行训练；
S4：采用SHAP算法对XGBoost模型所预测结果进行解释，从而得到系统在任意运行状态下各特征与预测的系统电压稳定指标L之间的相关度；
S5：利用训练好的模型预测实时系统电压稳定指标L，判断该实时系统电压稳定指标L是否达到静态电压不稳定报警阈值点，若接近临界点则认定该系统的静态电压不稳定，则进入步骤S6，否则进行步骤S7；
S6：启动校正控制，基于步骤S4中得出的各特征与系统电压稳定指标L的相关程度来选用特征作为输入特征，进而获得校正控制数据并对电力系统进行校正，而后返回步骤S5；
S7：输出结果报表，基于该结果报表进行电力系统的安全运行。
优选的，所述步骤2中系统电压稳定指标L的计算方式如下：
S201：将网络节点类型分为发电机节点集合(αG)和负荷节点集合(αL)，对应的网络节点电压方程表示为：
式中：IG和IL分别表示发电机节点电流、电压向量；VG和VL分别表示负荷节点上的电流、电压向量，YGG，YGL，YLG，YLL为节点导纳矩阵的子矩阵；
S202：由ZLL＝YLL -1，将步骤S201中的式子写为：
S203：令FLG＝-ZLLYLG，计算负荷节点j的电压稳定指标Lj：
式中，Vi、δi为第i台发电机的电压幅值和相角；Vj、δj为第j个负荷节点的电压幅值和相角；Fji为FLG的第j行、第i列的元素；θji为Fji的相角。
优选的，所述步骤S4中，模型输入特征关于系统电压稳定指标L灵敏度计算如下：
S401：系统节点各特征变量集合。
其中：
P：系统节点有功功率集合，P1,…,Pi,…,Pn为第1，2，…，n个节点的有功功率；
Q：系统节点无功功率集合，Q1,…,Qi,…,Qn为第1，2，…，n个节点的有功功率；
θ：系统节点电压相角集合，θ1,…,θi,…,θn为第1，2，…，n个节点的有功功率；
V：系统节点电压幅值的集合，V1,…,Vi,…,Vn为第1，2，…，n个节点的有功功率；
S402：对上述变量均按标量值处理，系统电压稳定指标L关于各节点的灵敏度近似数值如下所示：
其中：ΔPi、ΔQi、Δθi、ΔVi分别为节点i处的有功功率微变量、无功功率微变量、电压相角微变量、电压幅值微变量。
优选的，所述校正控制具体为：将与系统电压稳定指标L相关度较大的特征输作为输入，并基于矫正控制模型对电力系统进行分析和求解，获得校正控制数据，所述相关度较大具体为按相关程度排列，正相关和负相关靠前数位的特征。
优选的，所述校正控制模型的目标函数为校正控制优化过程中对特征的总调节变化量最小，具体表达式如下所示：
其中：m,n,p,q为校正控制优化的目标函数系数值；ΔVi为发电机机组SG的第i台发电机电压变化量；ΔPi为发电机机组SG的第i台发电机有功出力；ΔPj为第j个负荷节点的有功功率的变化；ΔQj为第j个负荷节点的无功功率的变化；
模型约束条件包括等式约束条件和不等式约束条件，所述等式约束条件如下：
其中，Vi为第i节点电压的幅值；Yij为节点导纳矩阵的元素幅值；δij＝δi-δj-αij；δi为第i节点电压的相角；δj为第j节点电压的相角；αij为节点导纳矩阵的元素相角；SN为系统节点集合；
所述不等式约束条件包括为网络物理限制和运行限制。
优选的，所述静态电压不稳定报警阈值点为系统电压稳定指标L达到0.95。
优选的，所述相关度较大具体为按相关程度排列，正相关排名前三和负相关排名前五的特征。
一种静态电压稳定指标在线评估、校正系统，应用于如上所述的方法，包括数据采集模块、计算执行模块、电压稳定指标预测模块、数据特征分析模块、校正控制模块和系统管理模块；数据采集模块用于获得实时的系统运行数据；计算执行模块用于采用潮流计算程序和电压稳定L指标分析程序计算系统在不同运行方式下的L指标数值；电压稳定指标预测模块用于根据系统历史的潮流数据和对应的L指标数值对机器学习模型进行训练；数据特征分析模块用于利用特征值分析法对模型的输入特征进行分析，得出电力系统各个特征对电压稳定L指标的影响程度；校正控制模块用于采用L指标约束的潮流及所选特征关于L指标的近似灵敏度数值的校正控制程序对原始数据进行优化、校正；系统管理模块用于完成相关参数的设置。
与现有技术相比，本发明具备以下有益效果：
1、能够预防被评估电力系统在运行过程中可能发生的电压失稳情况，并能对被评估电力系统的电网进行稳定优化计算，实现被评估电力系统的电网在任何的运行方式下，能通过阻尼比约束最优潮流校正计算程序获得被评估电力系统静态安全稳定运行所需的电网运行方式优化数据，并能用电网运行方式优化数据进行自动计算和验证，其验证结果可以直接用于指导编制被评估电力系统静态安全稳定的电网运行方式，以确保电网安全稳定可靠运行。
2、能够使电网的静态电压稳定运行方式的制定变得简单易行，缩短了工作流程和制定时间，减轻运行人员工作强度和压力，全面提高电网运行的电压质量和安全稳定性
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1是本发明所述的电力系统电压稳定指标在线预测及校正控制系统的结构框图；
图2是本发明所述的预测及校正控制模型的流程示意框图；
图3是本发明所述的电力系统电压稳定指标在线预测及校正控制方法的流程示意框图；
图4是验证本发明所使用的IEEE-14节点系统图；
图5是各变量下SHAP值示意图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本发明所涉及到的名词解释为：
电压稳定：是指电力系统维持电压的能力，当负荷导纳增大时，负荷功率亦随之增大，并且功率和电压都是可控的。
电压崩溃：是指电力系统发生无功缺额时，负荷端的电压被迫降低，当电压降低到某个临界值后，电压值将持续不断的下降而不能恢复。
潮流计算：是指电力系统在某一确定的运行方式和接线方式下，计算电力系统从电源到负荷各处的电压、电流的大小和方向以及功率的分布情况。
潮流约束：是指在潮流的约束条件以静态稳定作为约束的潮流。
本发明实施例提供一种静态电压稳定指标在线评估、校正方法，包括以下步骤：
包括以下步骤：
步骤一，获取系统在不同运行方式下的数据，其中包括系统各个节点的有功功率、无功功率、电压幅值和电压相角：
步骤二，利用潮流程序和电压稳定L指标分析程序对实时数据进行计算，从而得到系统在不同运行方式下的L指标数值；
步骤三，利用计算出的系统电压稳定指标L指标数据对机器学习XGBoost模型进行训练；
步骤四，采用SHAP算法对XGBoost模型所预测结果进行解释，从而得到系统在任意运行状态下各特征与预测指标之间的相关度；
步骤五，判断SHAP-XGBoost模型所预测的实时电压稳定指标L指标是否接近于电压稳定崩溃的临界点，若接近临界点则认定该系统的静态电压不稳定，此时将启动校正控制程序；这里的接近于可以理解为：系统电压达到崩溃时的L指标为L＝1，因此本专利设定L指标达到0.95时为接近崩溃的极限点。
步骤六，启动校正控制程序，将由SHAP-XGBoost模型所得与L指标相关度较大的特征作为校正控制的输入特征，并对被计算电力系统的控制变量或约束条件进行校正设置，采用含L指标约束的潮流及特征值优化方法对电力系统进行分析和求解，获得校正控制数据；其中，控制变量为校正控制的输入特征，约束条件包括发电机的有功功率和无功功率的上限和下限以及节点电压的上限和下限；这里关于L指标相关度较大的特征，需要根据不同系统来选择程度较大的特征值，如根据相关度图所显示各特征的相关度，选择前三个正相关较大的特征和前五个负相关较大的特征作为矫正控制输入的特征
步骤七，查看校正后的计算结果文件，输出计算结果报表，该结果即可保证被评估电力系统处于安全稳定的运行方式中，该电网运行方式即为被评估电力系统的安全稳定运行极限。
电压稳定L指标的计算如下：
在计算该指标时将网络节点类型分为发电机节点集合(αG)和负荷节点集合(αL)，对应的网络节点电压方程表示为：
式中：IG和IL分别表示发电机节点电流、电压向量；VG和VL分别表示负荷节点上的电流、电压向量，YGG，YGL，YLG，YLL为节点导纳矩阵的子矩阵。再由ZLL＝YLL -1，上式写为：
令FLG＝-ZLLYLG，故定义负荷节点j的电压稳定指标Lj为：
式中：Vi、δi为第i台发电机的电压幅值和相角；Vj、δj为第j个负荷节点的电压幅值和相角；Fji为FLG的第j行、第i列的元素；θji为Fji的相角。
对于整个系统而言，具有最大L值的节点是系统中最脆弱的节点，故整个系统的电压稳定指标为：
L＝||Lm||∞
XGBoost算法原理如下：
XGBoost作为一种集成树模型，由多个决策树函数相加构成。它可以高效的构造提升树，解决分类和回归问题。本文的研究内容是将电压稳定指标预测视为一个回归问题，因此采用该算法的回归函数。该算法的核心是优化目标函数的值，并在梯度增强的框架下实现机器学习算法。
XGBoost算法的目标函数表示为：
式中，f和Ω分别为训练损失函数和用于衡量模型复杂程度的正则项组成。正则项表示为：
式中，T为树上的叶节点数，ω为叶节点权重。将树模型复杂度作为正则项加到优化目标中，可以使学习到的模型泛化能力更强。
因此，XGBoost的目标函数最后定义为：
式中，ωi相互独立，λ和γ为式中的超参数。
为了使损失函数尽可能的小，不仅需要训练误差尽可能小，还需要正则项的值也尽可能的小，从而避免目标函数的过拟合问题，这样目标函数就会有更高的精度和更快的收敛速度。
SHAP算法原理如下：
SHAP算法是用于解释模型的输出，SHAP的大小被作为特征重要性的统一度量。假设XGBoost模型有一组含N个输入特征的集合用于预测输出，则每个输入特征对模型输出影响程度定义为在合作博弈论中，SHAP值计算如下：
式中，F表示所有特征集合，S表示删去第i个特征值后从F获得的所有特征子集。然后对两个模型进行重新训练，并将这两个模型的预测值与当前的输入所得的预测值进行比较，代表集合S中输入特征的。
模型输入特征关于L指标灵敏度计算如下：
1)系统节点各特征变量集合。
其中：
P：系统节点有功功率集合，P1,…,Pi,…,Pn为第1，2，…，n个节点的有功功率；
Q：系统节点无功功率集合，Q1,…,Qi,…,Qn为第1，2，…，n个节点的有功功率；
θ：系统节点电压相角集合，θ1,…,θi,…,θn为第1，2，…，n个节点的有功功率；
V：系统节点电压幅值的集合，V1,…,Vi,…,Vn为第1，2，…，n个节点的有功功率；
上述变量均按标量值处理。
2)电压稳定L指标关于各节点的灵敏度近似数值。
其中：ΔPi、ΔQi、Δθi、ΔVi分别为节点i处的有功功率微变量、无功功率微变量、电压相角微变量、电压幅值微变量。
静态稳定最优校正控制模型如下：
1)待优化的目标函数为：校正控制优化过程中对特征的总调节变化量最小。
其中：
m,n,p,q：校正控制优化的目标函数系数值；
ΔVi：发电机机组SG的第i台发电机电压变化量；
ΔPi：发电机机组SG的第i台发电机有功出力；
ΔPj：第j个负荷节点的有功功率的变化；
ΔQj：第j个负荷节点的无功功率的变化。
2)约束条件包括等式约束条件和不等式约束条件。
①等式约束条件：
网络中各节点潮流方程。
其中：
Vi：第i节点电压的幅值；
Yij：节点导纳矩阵的元素幅值；
δij＝δi-δj-αij；
δi：第i节点电压的相角；
δj：第j节点电压的相角；
αij：节点导纳矩阵的元素相角；
SN：系统节点集合。
②不等式约束条件为网络物理限制和运行限制(可组合使用)，包括有：
a)节点电压限制，限制的取值与电压水平、节点的类型、区域或节点正常或紧急条件相关。
Vi,min≤Vi≤Vi,max i∈SG
其中：
Vi,max：第i节点电压的幅值的上限；
Vi,min：第i节点电压的幅值的下限。
b)机组输出限制，包括有功出力限制、无功出力限制。
PGi,min≤PGi≤PGi,max i∈SG
PLj,min≤PLj≤PLj,max i∈SL
QLj,min≤QLj≤QLj,max i∈SL
其中：
PGi,min，PGi,max：发电机有功功率上下限；
PLj,min，PLj,max；负荷节点有功功率的上下限；
QLj,min，QLj,max：负荷节点无功功率的上下限。
c)电力系统电压稳定运行时满足的条件：
其中：
所选第i台发电机机端电压Vi关于系统当前运行方式下L指标的灵敏度近似值；
所选第i台发电机有功出力Pi关于系统当前运行方式下L指标的灵敏度近似值；所选第j个负荷节点有功和无功功率与系统当前运行L值的灵敏度近似值。
d)电压稳定L指标约束条件：
L≤h，
其中h表示电压能够安全稳定时系统L指标的最大值
现以IEEE-14节点系统为例，对该系统进行实时的低频振荡运行分析及最优校正控制，系统图如图4所示。分析步骤如下：
1、该系统有14个节点、20条线路，6台发电机，3台变压器；
2、获取IEEE-14节点原始数据；
3、利用潮流程序对IEEE-14节点数据进行潮流计算，并生成大量原始数据；
4、利用生成的大量原始数据对XGBoost预测模型进行训练；
5、利用SHAP对XGBoost预测结果进行分析，筛选出与L指标相关程度较大的特征作为校正控制的输入特征；
6、将电力系统实时运行数据带入XGBoost预测模型中进行预测，查看由预测模型所预测的实时电压稳定指标L指标，判断L指标的预测数值是否接近于电压稳定崩溃的极限点，若接近极限点则认定该系统的静态电压不稳定；若不接近极限点则认定该系统的静态电压稳定，启动校正控制程序；
7、启动校正控制程序，与L指标相关程度较大的特征作为校正控制的输入特征，并对被计算电力系统的控制变量或约束条件进行校正设置，采用含L指标约束的潮流及特征值优化方法对电力系统进行分析和求解，获得校正控制数据；其中，控制变量为校正控制的输入特征，约束条件包括发电机的有功功率和无功功率的上限和下限以及节点电压的上限和下限；
8、查看校正后的计算结果文件，输出计算结果报表，该结果即可保证被评估电力系统处于安全稳定的运行方式中，该电网运行方式即为被评估电力系统的安全稳定运行极限。
在IEEE-14节点系统的运行中，本方法对被计算电力系统的稳定运行分析及校正控制效果非常明显。下面举个实例进行说明：
1)XGBoost模型预测性能测试
首先采用IEEE-14节点系统的数据对基于XGBoost的电压稳定指标预测模型进行测试，使用数据集中的训练集训练模型，使用测试集分析模型的预测效果，并与SVR，RF和GBRT算法进行对比。
以平均绝对百分比误差MAPE(MeanAbsolute Percentage Error)和均方根误差RMSE(Root Mean Square Error)来衡量XGBoost模型的性能，由预测结果可知，XGBoost模型的预测性能优于其他三种算法。
2)SHAP-XGBoost模型的校正性能测试
利用SHAP算法对XGBoost模型所预测结果进行解释，进而得到模型输入特征与预测指标L之间的相关度如图5所示所示。
红色表示特征与目标变量成正相关，蓝色表示特征与目标变量成负相关(由于图片已灰度化处理，图中正数第4、5、7、8、9、16行是这里所说的“蓝色”，其余的为“红色”)，QL14特征对L指标的影响程度最大，PL14和PL9特征对L指标的影响程度也比较大。由于XGBoost的预测精度较高，且根据灵敏度的定义，可以求出各特征关于L指标的灵敏度近似值。
系统校正过程中为了保证供电的可靠性，优先对发电机的机端电压和有功输出进行调节，当发电机的机端电压幅值和输出功率到达上限值时，再对与L指标影响程度大的负荷有功和无功功率进行调节。为了验证该方法的有效性，本专利设置L指标的预警值h＝0.5，随机选择当系统L＝0.957时，根据V1,V2,V3,V6,V8,QL14,PL14和PL9的灵敏度值对系统进行校正，使整个系统的L<h，其结果如下表。
为验证模型的有效性，对比SHAP-XGBoost模型预测的系统电压稳定L指标数值与真实的L指标数值进行对比，如下表所示。
为验证模型的有效性，对比SHAP-XGBoost模型预测的系统电压稳定L指标数值与真实的L指标数值进行对比，如下表所示。
通过上述例子说明：合理调整发电机组的有功出力，负荷节点的有功、无功功率可以控制预测模型所预测电力系统的静态电压稳定L指标数值小于一定的数值(本专利设置为0.5)，从而使得系统保持电压稳定运行。通过对系统整体的优化，发现校正后模型所预测的L指标与真实的L指标误差相差很小，且被校正的电力系统能始终保持静态稳定运行方式，使得电网可靠稳定运行。
本实施例还提供一种静态电压稳定指标在线评估、校正系统，应用于如上所述的方法，包括数据采集模块、计算执行模块、电压稳定指标预测模块、数据特征分析模块、校正控制模块和系统管理模块；数据采集模块用于获得实时的系统运行数据；计算执行模块用于采用潮流计算程序和电压稳定L指标分析程序计算系统在不同运行方式下的L指标数值；电压稳定指标预测模块用于根据系统历史的潮流数据和对应的L指标数值对机器学习模型进行训练；数据特征分析模块用于利用特征值分析法对模型的输入特征进行分析，得出电力系统各个特征对电压稳定L指标的影响程度；校正控制模块用于采用L指标约束的潮流及所选特征关于L指标的近似灵敏度数值的校正控制程序对原始数据进行优化、校正；系统管理模块用于完成相关参数的设置。
综上所述，本发明通过使用机器学习SHAP-XGBoost模型对当前电力系统的实时运行数据进行预测，分析当前系统的电压是否处于稳定状态，若系统接近电压稳定崩溃的临界点时，则优化被评估电力系统的控制变量或约束条件，对被评估电力系统的机组有功出力、机组无功出力、PV节点电压进行协调控制，提出保证被评估电力系统安全稳定运行的优化运行配置策略，有效预防被评估电力系统发生电压崩溃，进而提高被评估电力系统安全稳定运行水平，确保被评估电力系统的电网安全稳定可靠运行，解决了背景技术中提出的问题。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可结合为一个模块，一个模块可拆分为多个模块，或一些特征可以忽略等。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM,Read-0nlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种静态电压稳定指标在线评估、校正方法，其特征在于，包括以下步骤：
S1：获取电力系统在不同运行方式下的数据，其中包括电力系统各个节点的有功功率、无功功率、电压幅值和电压相角；
S2：基于获取的实施数据计算电力系统在不同运行方式下的系统电压稳定指标L；
S3：利用计算出的系统电压稳定指标L对机器学习XGBoost模型进行训练；
S4：采用SHAP算法对XGBoost模型所预测结果进行解释，从而得到系统在任意运行状态下各特征与预测的系统电压稳定指标L之间的相关度；
S5：利用训练好的模型预测实时系统电压稳定指标L，判断该实时系统电压稳定指标L是否达到静态电压不稳定报警阈值点，若接近临界点则认定该系统的静态电压不稳定，则进入步骤S6，否则进行步骤S7；
S6：启动校正控制，基于步骤S4中得出的各特征与系统电压稳定指标L的相关程度来选用特征作为输入特征，进而获得校正控制数据并对电力系统进行校正，而后返回步骤S5；
S7：输出结果报表，基于该结果报表进行电力系统的安全运行。
2.根据权利要求1所述的一种静态电压稳定指标在线评估、校正方法，其特征在于，所述步骤2中系统电压稳定指标L的计算方式如下：
S201：将网络节点类型分为发电机节点集合(αG)和负荷节点集合(αL)，对应的网络节点电压方程表示为：
式中：IG和IL分别表示发电机节点电流、电压向量；VG和VL分别表示负荷节点上的电流、电压向量，YGG，YGL，YLG，YLL为节点导纳矩阵的子矩阵；
S202：由ZLL＝YLL -1，将步骤S201中的式子写为：
S203：令FLG＝-ZLLYLG，计算负荷节点j的电压稳定指标Lj：
式中，Vi、δi为第i台发电机的电压幅值和相角；Vj、δj为第j个负荷节点的电压幅值和相角；Fji为FLG的第j行、第i列的元素；θji为Fji的相角。
3.根据权利要求1所述的一种静态电压稳定指标在线评估、校正方法，其特征在于，所述步骤S4中，模型输入特征关于系统电压稳定指标L灵敏度计算如下：
S401：系统节点各特征变量集合：
其中：
P：系统节点有功功率集合，P1,…,Pi,…,Pn为第1，2，…，n个节点的有功功率；
Q：系统节点无功功率集合，Q1,…,Qi,…,Qn为第1，2，…，n个节点的有功功率；
θ：系统节点电压相角集合，θ1,…,θi,…,θn为第1，2，…，n个节点的有功功率；
V：系统节点电压幅值的集合，V1,…,Vi,…,Vn为第1，2，…，n个节点的有功功率；
S402：对上述变量均按标量值处理，系统电压稳定指标L关于各节点的灵敏度近似数值如下所示：
其中：ΔPi、ΔQi、Δθi、ΔVi分别为节点i处的有功功率微变量、无功功率微变量、电压相角微变量、电压幅值微变量。
4.根据权利要求1所述的一种静态电压稳定指标在线评估、校正方法，其特征在于，所述校正控制具体为：将与系统电压稳定指标L相关度较大的特征输作为输入，并基于矫正控制模型对电力系统进行分析和求解，获得校正控制数据，所述相关度较大具体为按相关程度排列，正相关和负相关靠前数位的特征。
5.根据权利要求4所述的一种静态电压稳定指标在线评估、校正方法，其特征在于，所述校正控制模型的目标函数为校正控制优化过程中对特征的总调节变化量最小，具体表达式如下所示：
其中：m,n,p,q为校正控制优化的目标函数系数值；ΔVi为发电机机组SG的第i台发电机电压变化量；ΔPi为发电机机组SG的第i台发电机有功出力；ΔPj为第j个负荷节点的有功功率的变化；ΔQj为第j个负荷节点的无功功率的变化；
模型约束条件包括等式约束条件和不等式约束条件，所述等式约束条件如下：
其中，Vi为第i节点电压的幅值；Yij为节点导纳矩阵的元素幅值；δij＝δi-δj-αij；δi为第i节点电压的相角；δj为第j节点电压的相角；αij为节点导纳矩阵的元素相角；SN为系统节点集合；
所述不等式约束条件包括为网络物理限制和运行限制。
6.根据权利要求1所述的一种静态电压稳定指标在线评估、校正方法，其特征在于，所述静态电压不稳定报警阈值点为系统电压稳定指标L达到0.95。
7.根据权利要求4所述的一种静态电压稳定指标在线评估、校正方法，其特征在于，所述相关度较大具体为按相关程度排列，正相关排名前三和负相关排名前五的特征。
8.一种静态电压稳定指标在线评估、校正系统，其特征在于，应用于权利要求1至7任一所述的方法，包括数据采集模块、计算执行模块、电压稳定指标预测模块、数据特征分析模块、校正控制模块和系统管理模块；数据采集模块用于获得实时的系统运行数据；计算执行模块用于采用潮流计算程序和电压稳定L指标分析程序计算系统在不同运行方式下的L指标数值；电压稳定指标预测模块用于根据系统历史的潮流数据和对应的L指标数值对机器学习模型进行训练；数据特征分析模块用于利用特征值分析法对模型的输入特征进行分析，得出电力系统各个特征对电压稳定L指标的影响程度；校正控制模块用于采用L指标约束的潮流及所选特征关于L指标的近似灵敏度数值的校正控制程序对原始数据进行优化、校正；系统管理模块用于完成相关参数的设置。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的静态电压稳定指标在线评估、校正方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的静态电压稳定指标在线评估、校正方法。
CN202311280021.9A 2023-10-07 2023-10-07 一种静态电压稳定指标在线评估、校正方法及系统 Pending CN117477677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311280021.9A CN117477677A (zh) 2023-10-07 2023-10-07 一种静态电压稳定指标在线评估、校正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311280021.9A CN117477677A (zh) 2023-10-07 2023-10-07 一种静态电压稳定指标在线评估、校正方法及系统

Publications (1)

Publication Number Publication Date
CN117477677A true CN117477677A (zh) 2024-01-30

Family

ID=89622962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311280021.9A Pending CN117477677A (zh) 2023-10-07 2023-10-07 一种静态电压稳定指标在线评估、校正方法及系统

Country Status (1)

Country Link
CN (1) CN117477677A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977581A (zh) * 2024-03-29 2024-05-03 江苏冉闻信息科技有限公司 基于深度学习的电网风险预测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117977581A (zh) * 2024-03-29 2024-05-03 江苏冉闻信息科技有限公司 基于深度学习的电网风险预测方法及系统

Similar Documents

Publication Publication Date Title
CN109214708B (zh) 基于交叉熵理论优化支持向量机的电力系统风险评估方法
CN109885907A (zh) 一种基于云模型的卫星姿控系统健康状态评估和预测方法
KR102275126B1 (ko) 인공지능기법을 이용한 전기설비 안전도 평가 시스템
CN111582542B (zh) 一种基于异常修复的电力负荷预测方法及系统
CN117477677A (zh) 一种静态电压稳定指标在线评估、校正方法及系统
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
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
CN112288147B (zh) 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法
CN107706938B (zh) 一种基于分位点回归的风电功率波动区间分析方法
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
Yanwen et al. Security assessment of coal mine power grid voltage based on an improved AHP‐FCE
CN118428754A (zh) 一种新能源发电输入功率预测方法及系统
CN118188342A (zh) 一种面向风机的故障预警与寿命预测方法
ul Hassan et al. Online static security assessment for cascading failure using stacked De-noising Auto-encoder
CN116722584A (zh) 基于bo–bls模型的电力系统评估校正方法及装置
CN117077052A (zh) 一种基于工况识别的干式变压器异常检测方法
CN115659851A (zh) 一种电缆终端头的温升评价方法及装置
CN116090872A (zh) 一种配电台区健康状态评价方法
CN116029095A (zh) 一种基于合作博弈法的海底电缆运行状况评估方法
CN115101136A (zh) 一种大型铝电解槽全局阳极效应预测方法
CN115271070A (zh) 基于改进Relief-F算法的电压稳定裕度评估方法、设备及介质
Deng et al. Prediction of dissolved gas in power transformer oil based on random forests algorithm
CN114677009A (zh) 一种基于igep-cnn算法的电力数据评估方法
Gong et al. An echo state network model with the protein structure for time series prediction

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