CN117767275A - 电压支撑强度实时监测方法、系统、存储介质及电子设备 - Google Patents
电压支撑强度实时监测方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117767275A CN117767275A CN202311613263.5A CN202311613263A CN117767275A CN 117767275 A CN117767275 A CN 117767275A CN 202311613263 A CN202311613263 A CN 202311613263A CN 117767275 A CN117767275 A CN 117767275A
- Authority
- CN
- China
- Prior art keywords
- new energy
- grid
- energy grid
- power system
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 19
- 208000003569 Central serous chorioretinopathy Diseases 0.000 claims description 14
- 238000002347 injection Methods 0.000 claims description 14
- 239000007924 injection Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 230000003094 perturbing effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000035699 permeability Effects 0.000 claims description 8
- 230000006735 deficit Effects 0.000 claims description 7
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005283 ground state Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Abstract
本发明公开了一种电压支撑强度实时监测方法、系统、存储介质及电子设备，属于电网稳定分析技术领域。本发明利用预先训练好的图注意力网络模型，将新能源多场站短路比中无法量测的参数进行实时预测，进而实时量化新能源电力系统的电压支撑强度，大大提高了电压支撑强度预测的准确性。并且，本发明所需的数据量和计算速度满足响应驱动的必要条件，有利于低成本、大范围应用，更好的提升电网对于新能源发电的消纳水平，提高新能源设备运行安全性，促进新能源的开发与利用。从而解决了现有的新能源电力系统的电压支撑强度预测方法存在准确性低的技术问题。
Description
技术领域
本发明涉及电网稳定分析技术领域，并且更具体地，涉及一种电压支撑强度实时监测方法、系统、存储介质及电子设备。
背景技术
高比例新能源电力系统的规划与运行面临严峻挑战。在规划方面，需要精确量化交流系统对新能源接纳能力的技术，用于并网策略、运行方式的制定。在运行方面，新能源接入弱电网的场景引发宽频带振荡、过电压等安全问题频现，需要实时监测系统电压强度。因此，亟需提出兼顾准确性和实用性的电压支撑强度评估方法，为新能源的发展提供技术支撑。发明申请CN116011843A公开了一种基于模态分解电网等值的电压支撑强度评估方法，根据叠加原理，将电网稳态电路分解为基态电路和有功扰动平衡电路，分别对基态电路和有功扰动平衡电路进行模态分解变换；进而分别获得基态电路和有功扰动平衡电路的多个模态通路，根据不同模态通路的模态传输功率，确定主导模态通路；基于基态电路和有功扰动平衡电路主导模态通路的无功-电压刚度和有功-电压刚度，评估电网电压的支撑强度。
在众多电压支撑强度的量化指标中，SCR因物理意义明确、计算形式简单被广泛应用。当系统达到功率传输极限时，对应得到的SCR值则为CSCR。以CSCR为稳定判据，通过比较SCR与CSCR即可完成评估。相比于常规SCR，新能源SCR考虑了多馈入结构、新能源发电设备的无功功率等影响，因而具有良好的表征能力。根据临界短路比的计算方法不同，将适用于评估新能源接入规模的短路比分为两类：第一类为依据工程经验设置经验值作为CSCR，例如加权短路比、复合短路比、等值短路比等；第二类为根据电压稳定条件构建阈值明确的短路比，从而提供具有理论依据的计算方法，例如MRSCR、位置相关短路比、广义短路比等。
然而，第一类新能源SCR通过工程经验设置固定的临界短路比难以适应复杂场景，而第二类新能源短路比存在较多的假设条件，一旦放开所有假设，计算方法的实用性可能下降。更为重要的是，上述指标的计算参数中均存在系统参数，难以实时量测，仅能采用工程经验设置参考值用于实时计算，进而导致计算存在较大误差。已有新能源SCR的部分计算参数的不可量测性将导致评估准确性处于较低水平。
因此，现有的新能源电力系统的电压支撑强度预测方法存在准确性低的技术问题。
发明内容
针对现有技术的不足，本发明提供一种电压支撑强度实时监测方法、系统、存储介质及电子设备。
根据本发明的一个方面，提供了一种电压支撑强度实时监测方法，包括：
确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息；其中，掩码信息用于指示新能源并网点的开关机状态；
将电气量信息、掩码信息和邻接矩阵作为输入特征，利用预先训练好的图注意力网络模型，预测所有新能源并网点的戴维南等值电势；
根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比；其中，目标新能源并网点为所有新能源并网点中当前开关机状态为开机的新能源并网点；
基于目标新能源并网点的新能源多场站短路比和临界短路比，对新能源电力系统的电压支撑强度进行评估。
可选地，所述确定新能源电力系统的电气量信息，包括：
获取新能源电力系统的主网架的母线电压幅值和母线电压相角；
获取新能源电力系统的新能源场站的新能源注入功率；
根据母线电压幅值、母线电压相角和新能源注入功率，确定新能源电力系统的电气量信息。
可选地，所述根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比，包括：
根据所有新能源并网点的掩码信息，从所有新能源并网点中确定当前开关机状态为开机的新能源并网点，作为目标新能源并网点；
从所有新能源并网点的戴维南等值电势中确定目标新能源并网点的戴维南等值电势，从所有新能源并网点的实际运行电压中确定目标新能源并网点的实际运行电压；
根据目标新能源并网点的戴维南等值电势和实际运行电压，通过以下公式计算目标新能源并网点的新能源多场站短路比和临界短路比：
式中，MRSCR为目标新能源并网点的新能源多场站短路比，CSCR为目标新能源并网点的临界短路比，UN为标称电压，为目标新能源并网点i的电压变化量，/>为目标新能源并网点i的实际运行电压，/>为目标新能源并网点i的戴维南等值电势。
可选地，该方法还包括：
生成用于训练图注意力网络模型的数据集，并将数据集划分为训练集和测试集；
利用训练集对图注意力网络模型进行训练，利用测试集对训练后的图注意力网络模型进行测试，直至测试的结果符合条件后停止训练。
可选地，所述生成用于训练图注意力网络模型的数据集，包括：
设置新能源电力系统的边界条件和多种运行方式，其中边界条件包括新能源渗透率、有功水平、无功水平和负荷水平，每种运行方式的潮流计算结果中所有母线电压的电压波动范围处于预设范围内，每种运行方式的平衡机的功率小于预设阈值；
针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，并在完成分配后对新能源电力系统进行潮流计算；若潮流计算的结果不收敛，则重新为新能源机组或者常规机组分配功率；若潮流计算的结果收敛，则确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息，作为数据样本；
计算新能源电力系统中所有新能源并网点的等值阻抗矩阵，基于等值阻抗矩阵计算所有新能源并网点的电势，将计算得到的电势作为数据样本的标签；
根据每种运行方式的数据样本和对应的标签，生成用于训练图注意力网络模型的数据集。
可选地，所述针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，包括：
针对每种运行方式，先摄动新能源电力系统的全网负荷，再随机摄动每台新能源机组的功率或者常规机组的功率，并在摄动后计算新能源电力系统的缺额功率，统计其余机组的备用容量和新能源电力系统的总备用容量；其中，当摄动新能源机组时，其余机组为常规机组；当摄动常规机组时，其余机组为新能源机组；
将缺额功率与总备用容量进行比较；若缺额功率小于总备用容量，则根据其余机组的备用容量，向其余机组分配功率；若缺额功率不小于总备用容量，则启动备用的新能源机组或者常规机组，之后根据其余机组的备用容量，向其余机组分配功率。
可选地，所述图注意力网络模型包括拓扑映射网络、特征提取网络和回归预测网络，其中特征提取网络包括多个GAT层。
根据本发明的另一个方面，提供了一种电压支撑强度实时监测系统，包括：
信息确定模块，用于确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息；其中，掩码信息用于指示新能源并网点的开关机状态；
电势预测模块，用于将电气量信息、掩码信息和邻接矩阵作为输入特征，利用预先训练好的图注意力网络模型，预测所有新能源并网点的戴维南等值电势；
计算模块，用于根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比；其中，目标新能源并网点为所有新能源并网点中当前开关机状态为开机的新能源并网点；
评估模块，用于基于目标新能源并网点的新能源多场站短路比和临界短路比，对新能源电力系统的电压支撑强度进行评估。
可选地，所述信息确定模块，具体用于：
获取新能源电力系统的主网架的母线电压幅值和母线电压相角；
获取新能源电力系统的新能源场站的新能源注入功率；
根据母线电压幅值、母线电压相角和新能源注入功率，确定新能源电力系统的电气量信息。
可选地，所述计算模块，具体用于：
根据所有新能源并网点的掩码信息，从所有新能源并网点中确定当前开关机状态为开机的新能源并网点，作为目标新能源并网点；
从所有新能源并网点的戴维南等值电势中确定目标新能源并网点的戴维南等值电势，从所有新能源并网点的实际运行电压中确定目标新能源并网点的实际运行电压；
根据目标新能源并网点的戴维南等值电势和实际运行电压，通过以下公式计算目标新能源并网点的新能源多场站短路比和临界短路比：
式中，MRSCR为目标新能源并网点的新能源多场站短路比，CSCR为目标新能源并网点的临界短路比，UN为标称电压，为目标新能源并网点i的电压变化量，/>为目标新能源并网点i的实际运行电压，/>为目标新能源并网点i的戴维南等值电势。
可选地，该系统还包括：
数据集生成模块，用于生成用于训练图注意力网络模型的数据集，并将数据集划分为训练集和测试集；
模型训练模块，用于利用训练集对图注意力网络模型进行训练，利用测试集对训练后的图注意力网络模型进行测试，直至测试的结果符合条件后停止训练。
可选地，所述数据集生成模块，具体用于：
设置新能源电力系统的边界条件和多种运行方式，其中边界条件包括新能源渗透率、有功水平、无功水平和负荷水平，每种运行方式的潮流计算结果中所有母线电压的电压波动范围处于预设范围内，每种运行方式的平衡机的功率小于预设阈值；
针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，并在完成分配后对新能源电力系统进行潮流计算；若潮流计算的结果不收敛，则重新为新能源机组或者常规机组分配功率；若潮流计算的结果收敛，则确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息，作为数据样本；
计算新能源电力系统中所有新能源并网点的等值阻抗矩阵，基于等值阻抗矩阵计算所有新能源并网点的电势，将计算得到的电势作为数据样本的标签；
根据每种运行方式的数据样本和对应的标签，生成用于训练图注意力网络模型的数据集。
可选地，所述针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，包括：
针对每种运行方式，先摄动新能源电力系统的全网负荷，再随机摄动每台新能源机组的功率或者常规机组的功率，并在摄动后计算新能源电力系统的缺额功率，统计其余机组的备用容量和新能源电力系统的总备用容量；其中，当摄动新能源机组时，其余机组为常规机组；当摄动常规机组时，其余机组为新能源机组；
将缺额功率与总备用容量进行比较；若缺额功率小于总备用容量，则根据其余机组的备用容量，向其余机组分配功率；若缺额功率不小于总备用容量，则启动备用的新能源机组或者常规机组，之后根据其余机组的备用容量，向其余机组分配功率。
可选地，所述图注意力网络模型包括拓扑映射网络、特征提取网络和回归预测网络，其中特征提取网络包括多个GAT层。
根据本发明的又一个方面，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本发明上述任一方面所述的方法。
根据本发明的又一个方面，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，并执行所述可执行指令以实现本发明上述任一方面所述的方法。
本发明首先确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息。然后，将电气量信息、掩码信息和邻接矩阵作为输入特征，利用预先训练好的图注意力网络模型，预测所有新能源并网点的戴维南等值电势。其次，根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比。最后，基于目标新能源并网点的新能源多场站短路比和临界短路比，对新能源电力系统的电压支撑强度进行评估。本发明利用预先训练好的图注意力网络模型，将新能源多场站短路比中无法量测的参数进行实时预测，进而实时量化新能源电力系统的电压支撑强度，大大提高了电压支撑强度预测的准确性。并且，本发明所需的数据量和计算速度满足响应驱动的必要条件，有利于低成本、大范围应用，更好的提升电网对于新能源发电的消纳水平，提高新能源设备运行安全性，促进新能源的开发与利用。从而解决了现有的新能源电力系统的电压支撑强度预测方法存在准确性低的技术问题。
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电压支撑强度实时监测方法的流程示意图；
图2为本发明实施例提供的生成用于训练图注意力网络模型的数据集的流程图；
图3为本发明实施例提供的图注意力网络模型的离线训练流程图；
图4为本发明实施例提供图注意力网络模型的网络架构图；
图5为本发明实施例提供的图注意力网络模型的在线应用流程图；
图6为本发明一示例性实施例提供的电压支撑强度实时监测系统的结构示意图；
图7是本发明一示例性实施例提供的电子设备的结构。
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通信终端、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。适于与通信终端、计算机系统、服务器等电子设备一起使用的众所周知的通信终端、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。
通信终端、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。
本发明涉及的缩略语和关键术如下：
短路比：short circuit ratio，简称SCR；
临界短路比：critical short circuit ratio，简称CSCR；
新能源多场站短路比：multiple renewable energy station short circuitratio，简称MRSCR；
图注意力网络：graph attention network，简称GAT。
本发明提出了一种电压支撑强度实时监测方法、系统、存储介质及电子设备。图1是本发明一示例性实施例提供的电压支撑强度实时监测方法的一个流程示意图。如图1所示，电压支撑强度实时监测方法包括：
步骤S101：确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息；其中，掩码信息用于指示新能源并网点的开关机状态。
可选地，所述确定新能源电力系统的电气量信息，包括：获取新能源电力系统的主网架的母线电压幅值和母线电压相角；获取新能源电力系统的新能源场站的新能源注入功率；根据母线电压幅值、母线电压相角和新能源注入功率，确定新能源电力系统的电气量信息。
在本发明实施例中，
步骤S102：将电气量信息、掩码信息和邻接矩阵作为输入特征，利用预先训练好的图注意力网络模型，预测所有新能源并网点的戴维南等值电势。
可选地，所述图注意力网络模型包括拓扑映射网络、特征提取网络和回归预测网络，其中特征提取网络包括多个GAT层。
可选地，该方法还包括：生成用于训练图注意力网络模型的数据集，并将数据集划分为训练集和测试集；利用训练集对图注意力网络模型进行训练，利用测试集对训练后的图注意力网络模型进行测试，直至测试的结果符合条件后停止训练。
可选地，所述生成用于训练图注意力网络模型的数据集，包括：设置新能源电力系统的边界条件和多种运行方式，其中边界条件包括新能源渗透率、有功水平、无功水平和负荷水平，每种运行方式的潮流计算结果中所有母线电压的电压波动范围处于预设范围内，每种运行方式的平衡机的功率小于预设阈值；针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，并在完成分配后对新能源电力系统进行潮流计算；若潮流计算的结果不收敛，则重新为新能源机组或者常规机组分配功率；若潮流计算的结果收敛，则确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息，作为数据样本；计算新能源电力系统中所有新能源并网点的等值阻抗矩阵，基于等值阻抗矩阵计算所有新能源并网点的电势，将计算得到的电势作为数据样本的标签；根据每种运行方式的数据样本和对应的标签，生成用于训练图注意力网络模型的数据集。
可选地，所述针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，包括：针对每种运行方式，先摄动新能源电力系统的全网负荷，再随机摄动每台新能源机组的功率或者常规机组的功率，并在摄动后计算新能源电力系统的缺额功率，统计其余机组的备用容量和新能源电力系统的总备用容量；其中，当摄动新能源机组时，其余机组为常规机组；当摄动常规机组时，其余机组为新能源机组；将缺额功率与总备用容量进行比较；若缺额功率小于总备用容量，则根据其余机组的备用容量，向其余机组分配功率；若缺额功率不小于总备用容量，则启动备用的新能源机组或者常规机组，之后根据其余机组的备用容量，向其余机组分配功率。
在本发明实施例中，如图2所示，数据集生成环节包括以下步骤：
根据所研究的电力系统和多种边界条件，设置多种运行方式，其中边界条件包括新能源渗透率、有功水平、无功水平和负荷水平等。其中，新能源渗透率例如但不限于为30％-60％，有功水平例如但不限于为80％-120％，无功水平例如但不限于为80％-120％，负荷水平例如但不限于为80％-120％。
对于每种运行方式，要求潮流计算结果中所有母线电压的波动范围在0.95pu-1.1pu内，平衡机的功率小于或者等于100MW。其次，针对每种运行方式，先摄动全网负荷，再随机摄动每台新能源机组功率或常规机组功率。并计算如下公式：
PVsum＝PLsum-PRsum
其中，PVsum为缺额功率；PLsum为总负荷水平；PRsum为摄动后新能源机组或常规机组的总出力。需要特别说明的是，当摄动新能源机组时，其余机组为常规机组。当摄动常规机组时，其余机组为新能源机组。
摄动后统计其余机组的备用容量Pci和总备用容量PCsum。若PVsum大于PCsum，则需要启动备用机组(备用机组包括新能源机组和常规机组，选取规则为随机选取)。对于每台待开启的备用机组和其余机组，其功率分配原则如下：
其中，Pib和Pif为分配前和分配后机组的有功功率，对于备用机组而言，Pib为0。
完成上述分配后，进行潮流计算。若潮流不收敛，则重新分配全网潮流的设置，反之，则统计新能源的开关机状态作为掩码信息，将电力系统的拓扑结构抽象为邻接矩阵A，抽取主网架的电气量(包括母线电压幅值、母线电压相角和新能源场站的新能源注入)作为输入特征，计算全部新能源接入点的等值阻抗矩阵，基于等值阻抗矩阵计算所有新能源并网点的电势E，作为数据集的标签y。重复上述流程，直到样本数量满足所需数量，则完成数据集的生成。
在本发明实施例中，如图3和图4所示，将生成的数据集划分为训练集和测试集，设置图注意力网络的超参数，例如网络层数，神经元数量和多头注意力数量等。对于注意力网络模型(GAT模型)中任一单层的输入记为节点特征向量的集合：
H＝{h1，h2，…，hN}，hi∈RF
其中，N为系统节点个数；hi为节点i的特征向量；F为节点的特征数；R为实数集。
GAT模型的运算分为2个运算过程，第1个过程为注意力系数aij的计算：
其中，k∈N(i)表示k是节点i的相邻节点，可学习的权重矩阵W∈RF×F实现F维输入特征到F′维输出特征的变换；aij是可学习的权重向量；LeakyReLU为非线性激活函数。
第2个过程为特征聚合，在得到注意力系数aij后，按下式进行特征聚合，作为每个节点的输出特征：
其中，h′i是GAT层输出的每个节点i融合了邻域信息的新特征；σ(·)是激活函数，每个GAT采用1组不同的参数W和h，称为1个注意力头。对于注意力头数目为P(P>＝2)的GAT层，集成多个注意力机制的输出可以采用如下方式：
其中，||为拼接操作。
经过上述运算过程后，GAT层的输出是一个新的特征集合：
H＝{h1′,h′i，…hN′}，hi′∈RF′
其中，h′为提取后的特征向量，h和h′可以具有不同的维度。
步骤S103：根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比；其中，目标新能源并网点为所有新能源并网点中当前开关机状态为开机的新能源并网点。
可选地，所述根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比，包括：根据所有新能源并网点的掩码信息，从所有新能源并网点中确定当前开关机状态为开机的新能源并网点，作为目标新能源并网点；从所有新能源并网点的戴维南等值电势中确定目标新能源并网点的戴维南等值电势，从所有新能源并网点的实际运行电压中确定目标新能源并网点的实际运行电压；根据目标新能源并网点的戴维南等值电势和实际运行电压，通过以下公式计算目标新能源并网点的新能源多场站短路比和临界短路比：
式中，MRSCR为目标新能源并网点的新能源多场站短路比，CSCR为目标新能源并网点的临界短路比，UN为标称电压，为目标新能源并网点i的电压变化量，/>为目标新能源并网点i的实际运行电压，/>为目标新能源并网点i的戴维南等值电势。
步骤S104：基于目标新能源并网点的新能源多场站短路比和临界短路比，对新能源电力系统的电压支撑强度进行评估。
在本发明实施例中，如图5所示，在实际应用阶段，通过广域量测信息获取图注意力网络和指标所需的数据量。需要特别说明的是，所需的数据量均为可量测的电气量。然后，将新能源的开关机状态转化为二进制的掩码信息，开机为1，关机为0。进一步，将输入特征和邻接矩阵输入至图注意力网络进行节点级输出，同步预测所有新能源并网点的戴维南等值电势结合主网侧戴维南等值参数、新能源场站监测点实测电压及掩码信息，实时计算当前开机的新能源并网点的新能源多场站短路比MRSCR和临界短路比CSCR，对应的计算公式如下：
式中，MRSCR为目标新能源并网点的新能源多场站短路比，CSCR为目标新能源并网点的临界短路比，UN为标称电压，为目标新能源并网点i的电压变化量，/>为目标新能源并网点i的实际运行电压，/>为目标新能源并网点i的戴维南等值电势。
以MRSCR为坐标，CSCR为参照，实现对电网电压支撑强度的实时评估和监测。并且，将新能源多场站短路比减去临界短路比就可以得到电网当前的安全裕度。
本发明在离线阶段，选取新能源多场站短路比作为量化指标，将其计算公式中难以量测的交流系统戴维南等值电势作为待增强参数，并生成用于增强的数据集。其次，通过数据集和图注意力网络模型构建潮流量和待增强参数之间的映射关系。最后，在在线阶段，由量测数据和图注意力网络模型的预测结果提供指标的全部计算参数，并实时计算短路比及分析系统的安全稳定裕度。
本发明基于新能源多场站短路比的电压支撑强度实时监测方法及系统的数据来源为广域量测系统实时采集的数据。新能源多场站短路比所需增强参数远少于其他新能源短路比，有利于增强方法的低成本、大范围应用；同时该指标具有明确的临界值计算方法，可以为新能源出力设置提供参考，有利于系统的控制策略实时优化，提高设备运行安全性，拥有极高的研究价值及工程应用前景。
综上所述，本发明首先确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息。然后，将电气量信息、掩码信息和邻接矩阵作为输入特征，利用预先训练好的图注意力网络模型，预测所有新能源并网点的戴维南等值电势。其次，根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比。最后，基于目标新能源并网点的新能源多场站短路比和临界短路比，对新能源电力系统的电压支撑强度进行评估。本发明利用预先训练好的图注意力网络模型，将新能源多场站短路比中无法量测的参数进行实时预测，进而实时量化新能源电力系统的电压支撑强度，大大提高了电压支撑强度预测的准确性。并且，本发明所需的数据量和计算速度满足响应驱动的必要条件，有利于低成本、大范围应用，更好的提升电网对于新能源发电的消纳水平，提高新能源设备运行安全性，促进新能源的开发与利用。从而解决了现有的新能源电力系统的电压支撑强度预测方法存在准确性低的技术问题。
示例性装置
图6是本发明一示例性实施例提供的电压支撑强度实时监测系统的结构示意图。如图6所示，系统600包括：
信息确定模块610，用于确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息；其中，掩码信息用于指示新能源并网点的开关机状态；
电势预测模块620，用于将电气量信息、掩码信息和邻接矩阵作为输入特征，利用预先训练好的图注意力网络模型，预测所有新能源并网点的戴维南等值电势；
计算模块630，用于根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比；其中，目标新能源并网点为所有新能源并网点中当前开关机状态为开机的新能源并网点；
评估模块640，用于基于目标新能源并网点的新能源多场站短路比和临界短路比，对新能源电力系统的电压支撑强度进行评估。
可选地，所述信息确定模块610，具体用于：
获取新能源电力系统的主网架的母线电压幅值和母线电压相角；
获取新能源电力系统的新能源场站的新能源注入功率；
根据母线电压幅值、母线电压相角和新能源注入功率，确定新能源电力系统的电气量信息。
可选地，所述计算模块630，具体用于：
根据所有新能源并网点的掩码信息，从所有新能源并网点中确定当前开关机状态为开机的新能源并网点，作为目标新能源并网点；
从所有新能源并网点的戴维南等值电势中确定目标新能源并网点的戴维南等值电势，从所有新能源并网点的实际运行电压中确定目标新能源并网点的实际运行电压；
根据目标新能源并网点的戴维南等值电势和实际运行电压，通过以下公式计算目标新能源并网点的新能源多场站短路比和临界短路比：
式中，MRSCR为目标新能源并网点的新能源多场站短路比，CSCR为目标新能源并网点的临界短路比，UN为标称电压，为目标新能源并网点i的电压变化量，/>为目标新能源并网点i的实际运行电压，/>为目标新能源并网点i的戴维南等值电势。
可选地，该系统600还包括：
数据集生成模块，用于生成用于训练图注意力网络模型的数据集，并将数据集划分为训练集和测试集；
模型训练模块，用于利用训练集对图注意力网络模型进行训练，利用测试集对训练后的图注意力网络模型进行测试，直至测试的结果符合条件后停止训练。
可选地，所述数据集生成模块，具体用于：
设置新能源电力系统的边界条件和多种运行方式，其中边界条件包括新能源渗透率、有功水平、无功水平和负荷水平，每种运行方式的潮流计算结果中所有母线电压的电压波动范围处于预设范围内，每种运行方式的平衡机的功率小于预设阈值；
针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，并在完成分配后对新能源电力系统进行潮流计算；若潮流计算的结果不收敛，则重新为新能源机组或者常规机组分配功率；若潮流计算的结果收敛，则确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息，作为数据样本；
计算新能源电力系统中所有新能源并网点的等值阻抗矩阵，基于等值阻抗矩阵计算所有新能源并网点的电势，将计算得到的电势作为数据样本的标签；
根据每种运行方式的数据样本和对应的标签，生成用于训练图注意力网络模型的数据集。
可选地，所述针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，包括：
针对每种运行方式，先摄动新能源电力系统的全网负荷，再随机摄动每台新能源机组的功率或者常规机组的功率，并在摄动后计算新能源电力系统的缺额功率，统计其余机组的备用容量和新能源电力系统的总备用容量；其中，当摄动新能源机组时，其余机组为常规机组；当摄动常规机组时，其余机组为新能源机组；
将缺额功率与总备用容量进行比较；若缺额功率小于总备用容量，则根据其余机组的备用容量，向其余机组分配功率；若缺额功率不小于总备用容量，则启动备用的新能源机组或者常规机组，之后根据其余机组的备用容量，向其余机组分配功率。
可选地，所述图注意力网络模型包括拓扑映射网络、特征提取网络和回归预测网络，其中特征提取网络包括多个GAT层。
本发明的实施例的电压支撑强度实时监测系统与本发明的另一个实施例的电压支撑强度实时监测方法相对应，在此不再赘述。
示例性电子设备
图7是本发明一示例性实施例提供的电子设备的结构。如图7所示，电子设备70包括一个或多个处理器71和存储器72。
处理器71可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器72可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器71可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置73和输出装置74，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外，该输入装置73还可以包括例如键盘、鼠标等等。
该输出装置74可以向外部输出各种信息。该输出装置74可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
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 (16)
1.一种电压支撑强度实时监测方法，其特征在于，包括：
确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息；其中，掩码信息用于指示新能源并网点的开关机状态；
将电气量信息、掩码信息和邻接矩阵作为输入特征，利用预先训练好的图注意力网络模型，预测所有新能源并网点的戴维南等值电势；
根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比；其中，目标新能源并网点为所有新能源并网点中当前开关机状态为开机的新能源并网点；
基于目标新能源并网点的新能源多场站短路比和临界短路比，对新能源电力系统的电压支撑强度进行评估。
2.根据权利要求1所述的方法，其特征在于，所述确定新能源电力系统的电气量信息，包括：
获取新能源电力系统的主网架的母线电压幅值和母线电压相角；
获取新能源电力系统的新能源场站的新能源注入功率；
根据母线电压幅值、母线电压相角和新能源注入功率，确定新能源电力系统的电气量信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比，包括：
根据所有新能源并网点的掩码信息，从所有新能源并网点中确定当前开关机状态为开机的新能源并网点，作为目标新能源并网点；
从所有新能源并网点的戴维南等值电势中确定目标新能源并网点的戴维南等值电势，从所有新能源并网点的实际运行电压中确定目标新能源并网点的实际运行电压；
根据目标新能源并网点的戴维南等值电势和实际运行电压，通过以下公式计算目标新能源并网点的新能源多场站短路比和临界短路比：
式中，MRSCR为目标新能源并网点的新能源多场站短路比，CSCR为目标新能源并网点的临界短路比，UN为标称电压，为目标新能源并网点i的电压变化量，/>为目标新能源并网点i的实际运行电压，/>为目标新能源并网点i的戴维南等值电势。
4.根据权利要求1所述的方法，其特征在于，还包括：
生成用于训练图注意力网络模型的数据集，并将数据集划分为训练集和测试集；
利用训练集对图注意力网络模型进行训练，利用测试集对训练后的图注意力网络模型进行测试，直至测试的结果符合条件后停止训练。
5.根据权利要求4所述的方法，其特征在于，所述生成用于训练图注意力网络模型的数据集，包括：
设置新能源电力系统的边界条件和多种运行方式，其中边界条件包括新能源渗透率、有功水平、无功水平和负荷水平，每种运行方式的潮流计算结果中所有母线电压的电压波动范围处于预设范围内，每种运行方式的平衡机的功率小于预设阈值；
针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，并在完成分配后对新能源电力系统进行潮流计算；若潮流计算的结果不收敛，则重新为新能源机组或者常规机组分配功率；若潮流计算的结果收敛，则确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息，作为数据样本；
计算新能源电力系统中所有新能源并网点的等值阻抗矩阵，基于等值阻抗矩阵计算所有新能源并网点的电势，将计算得到的电势作为数据样本的标签；
根据每种运行方式的数据样本和对应的标签，生成用于训练图注意力网络模型的数据集。
6.根据权利要求5所述的方法，其特征在于，所述针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，包括：
针对每种运行方式，先摄动新能源电力系统的全网负荷，再随机摄动每台新能源机组的功率或者常规机组的功率，并在摄动后计算新能源电力系统的缺额功率，统计其余机组的备用容量和新能源电力系统的总备用容量；其中，当摄动新能源机组时，其余机组为常规机组；当摄动常规机组时，其余机组为新能源机组；
将缺额功率与总备用容量进行比较；若缺额功率小于总备用容量，则根据其余机组的备用容量，向其余机组分配功率；若缺额功率不小于总备用容量，则启动备用的新能源机组或者常规机组，之后根据其余机组的备用容量，向其余机组分配功率。
7.根据权利要求1所述的方法，其特征在于，所述图注意力网络模型包括拓扑映射网络、特征提取网络和回归预测网络，其中特征提取网络包括多个GAT层。
8.一种电压支撑强度实时监测系统，其特征在于，包括：
信息确定模块，用于确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息；其中，掩码信息用于指示新能源并网点的开关机状态；
电势预测模块，用于将电气量信息、掩码信息和邻接矩阵作为输入特征，利用预先训练好的图注意力网络模型，预测所有新能源并网点的戴维南等值电势；
计算模块，用于根据所有新能源并网点的戴维南等值电势、所有新能源并网点的实际运行电压以及所有新能源并网点的掩码信息，计算目标新能源并网点的新能源多场站短路比和临界短路比；其中，目标新能源并网点为所有新能源并网点中当前开关机状态为开机的新能源并网点；
评估模块，用于基于目标新能源并网点的新能源多场站短路比和临界短路比，对新能源电力系统的电压支撑强度进行评估。
9.根据权利要求8所述的系统，其特征在于，所述信息确定模块，具体用于：
获取新能源电力系统的主网架的母线电压幅值和母线电压相角；
获取新能源电力系统的新能源场站的新能源注入功率；
根据母线电压幅值、母线电压相角和新能源注入功率，确定新能源电力系统的电气量信息。
10.根据权利要求8所述的系统，其特征在于，所述计算模块，具体用于：
根据所有新能源并网点的掩码信息，从所有新能源并网点中确定当前开关机状态为开机的新能源并网点，作为目标新能源并网点；
从所有新能源并网点的戴维南等值电势中确定目标新能源并网点的戴维南等值电势，从所有新能源并网点的实际运行电压中确定目标新能源并网点的实际运行电压；
根据目标新能源并网点的戴维南等值电势和实际运行电压，通过以下公式计算目标新能源并网点的新能源多场站短路比和临界短路比：
式中，MRSCR为目标新能源并网点的新能源多场站短路比，CSCR为目标新能源并网点的临界短路比，UN为标称电压，为目标新能源并网点i的电压变化量，/>为目标新能源并网点i的实际运行电压，/>为目标新能源并网点i的戴维南等值电势。
11.根据权利要求8所述的系统，其特征在于，还包括：
数据集生成模块，用于生成用于训练图注意力网络模型的数据集，并将数据集划分为训练集和测试集；
模型训练模块，用于利用训练集对图注意力网络模型进行训练，利用测试集对训练后的图注意力网络模型进行测试，直至测试的结果符合条件后停止训练。
12.根据权利要求11所述的系统，其特征在于，所述数据集生成模块，具体用于：
设置新能源电力系统的边界条件和多种运行方式，其中边界条件包括新能源渗透率、有功水平、无功水平和负荷水平，每种运行方式的潮流计算结果中所有母线电压的电压波动范围处于预设范围内，每种运行方式的平衡机的功率小于预设阈值；
针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，并在完成分配后对新能源电力系统进行潮流计算；若潮流计算的结果不收敛，则重新为新能源机组或者常规机组分配功率；若潮流计算的结果收敛，则确定新能源电力系统的电气量信息、新能源电力系统的邻接矩阵以及新能源电力系统中所有新能源并网点的掩码信息，作为数据样本；
计算新能源电力系统中所有新能源并网点的等值阻抗矩阵，基于等值阻抗矩阵计算所有新能源并网点的电势，将计算得到的电势作为数据样本的标签；
根据每种运行方式的数据样本和对应的标签，生成用于训练图注意力网络模型的数据集。
13.根据权利要求12所述的系统，其特征在于，所述针对每种运行方式，根据预设方式为新能源机组或者常规机组分配功率，包括：
针对每种运行方式，先摄动新能源电力系统的全网负荷，再随机摄动每台新能源机组的功率或者常规机组的功率，并在摄动后计算新能源电力系统的缺额功率，统计其余机组的备用容量和新能源电力系统的总备用容量；其中，当摄动新能源机组时，其余机组为常规机组；当摄动常规机组时，其余机组为新能源机组；
将缺额功率与总备用容量进行比较；若缺额功率小于总备用容量，则根据其余机组的备用容量，向其余机组分配功率；若缺额功率不小于总备用容量，则启动备用的新能源机组或者常规机组，之后根据其余机组的备用容量，向其余机组分配功率。
14.根据权利要求8所述的系统，其特征在于，所述图注意力网络模型包括拓扑映射网络、特征提取网络和回归预测网络，其中特征提取网络包括多个GAT层。
15.一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权利要求1-7任一所述的方法。
16.一种电子设备，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，并执行所述可执行指令以实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311613263.5A CN117767275A (zh) | 2023-11-29 | 2023-11-29 | 电压支撑强度实时监测方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311613263.5A CN117767275A (zh) | 2023-11-29 | 2023-11-29 | 电压支撑强度实时监测方法、系统、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117767275A true CN117767275A (zh) | 2024-03-26 |
Family
ID=90311351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311613263.5A Pending CN117767275A (zh) | 2023-11-29 | 2023-11-29 | 电压支撑强度实时监测方法、系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117767275A (zh) |
-
2023
- 2023-11-29 CN CN202311613263.5A patent/CN117767275A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kamwa et al. | Automatic segmentation of large power systems into fuzzy coherent areas for dynamic vulnerability assessment | |
| CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| CN109557422A (zh) | 一种智能配电网短路故障定位方法及系统 | |
| CN102157949A (zh) | 一种小干扰稳定性预测及辅助决策方法 | |
| Mukherjee et al. | Real-time dynamic security analysis of power systems using strategic PMU measurements and decision tree classification | |
| Kardoš et al. | BELTISTOS: A robust interior point method for large-scale optimal power flow problems | |
| Chen et al. | Uncertainty level of voltage in distribution network: an analysis model with elastic net and application in storage configuration | |
| Djari et al. | Voltage stability assessment using the VQ sensitivity and modal analyses methods | |
| CN106779443B (zh) | 电力调度中的操作风险确定方法和装置 | |
| CN108054768A (zh) | 基于主成分分析的电力系统暂态稳定评估方法 | |
| He et al. | Power system frequency situation prediction method based on transfer learning | |
| Jiang et al. | Two‐level area‐load modelling for OPF of power system using reinforcement learning | |
| CN117767275A (zh) | 电压支撑强度实时监测方法、系统、存储介质及电子设备 | |
| Wang et al. | Model-Data Integration Driven Based Power System Frequency Response Model | |
| Chen et al. | A Spatial-temporal Frequency Nadir Prediction Method Based on ConvLSTM with Attention | |
| Ali et al. | Online assessment of voltage stability using Newton‐Corrector algorithm | |
| Yu et al. | IRFLMDNN: hybrid model for PMU data anomaly detection and re-filling with improved random forest and Levenberg Marquardt algorithm optimized dynamic neural network | |
| Khalilifar et al. | Estimation of voltage instability inception time by employing k‐nearest neighbour learning algorithm | |
| Innah et al. | A real time PMU data and neural network approach to analyze voltage stability | |
| Ibrahim et al. | Dnn-based contingency screening module for voltage stability analysis | |
| Wang et al. | Online Fault Prediction Based on Collaborative Filtering in Smart Grid | |
| Prashal et al. | Dynamic Weight Enabled Physics-Aware Graph Attention Network for Power Flow Analysis | |
| Qi et al. | Reliability Evaluation of Power Supply for More-Electric-Aircraft Based on Information Entropy | |
| US20240143861A1 (en) | Actor-based distribution computation for partitioned power system simulation | |
| Chen et al. | An interval mapping model of power/uncertain voltage response and its application in overvoltage prevention control |
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 |