CN117937607A - 一种计及风电机组时空规律的电力系统安全稳定分析方法 - Google Patents
一种计及风电机组时空规律的电力系统安全稳定分析方法 Download PDFInfo
- Publication number
- CN117937607A CN117937607A CN202410323096.9A CN202410323096A CN117937607A CN 117937607 A CN117937607 A CN 117937607A CN 202410323096 A CN202410323096 A CN 202410323096A CN 117937607 A CN117937607 A CN 117937607A
- Authority
- CN
- China
- Prior art keywords
- model
- feature
- attention
- time
- wind
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 131
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 230000001052 transient effect Effects 0.000 claims description 44
- 238000011156 evaluation Methods 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000001808 coupling effect Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 230000009347 mechanical transmission Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010408 sweeping Methods 0.000 claims description 2
- 238000004804 winding Methods 0.000 claims description 2
- 241000764238 Isis Species 0.000 claims 1
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000013097 stability assessment Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- H02J3/381—Dispersed generators
-
- 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
- H02J3/38—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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种计及风电机组时空规律的电力系统安全稳定分析方法，涉及人工智能在新能源电力系统安全稳定分析的应用领域。具体为：首先考虑风机与电网的交互效应，从系统到元件层面精细化构建风机数学模型；然后，针对新能源出力的随机性和波动性，提出样本—特征增强策略，并构建样本影响力函数指导模型训练，提升数据挖掘质量；最后，考虑风机动态变化的时空规律，提出了融合时间—空间—特征注意力的循环神经网络模型，给出影响电力系统安全稳定性的关键时空关系和物理特征。本发明提出了融合时空注意力循环神经网络的新型电力系统安全稳定分析方法，提升了新能源大规模并网下新型电力系统在线安全分析的准确度。
Description
技术领域
本发明涉及人工智能在新能源电力系统安全稳定分析的应用领域，具体为一种计及风电机组时空规律的电力系统安全稳定分析方法。
背景技术
随着高比例可再生能源的并网及大规模电网互联，电源结构发生了重大变化，电网安全稳定特性更加复杂、控制难度加大，新型电力系统的安全稳定面临着严峻考验（屠竞哲,何剑,安学民等.巴基斯坦“2023.1.23”大停电事故分析及启示[J].中国电机工程学报,2023,43(14):5319-5329.）。如何在故障发生后快速、准确地实现TSA，已经成为了近年研究热点。
根据全国电力工业统计数据，截止2023年12月底，全国累计发电装机容量约29.2亿千瓦，同比增长13.9%。其中，太阳能发电装机容量约6.1亿千瓦，同比增长55.2%；风电装机容量约4.4亿千瓦，同比增长20.7%。新型电力系统是在保证能源电力安全的基本前提下，以高比例新能源供给消纳为主要任务，是新型能源体系的重要组成和实现双碳目标的重要载体。作为新能源发电的重要组成部分，风电渗透率的不断提高使其并网后对电网影响越来越显著。（盛四清,俞可,张文朝等.大规模风电并网对送端系统桨距角稳定的影响研究[J].电力系统保护与控制,2022,50(06):82-90）因此，充分考虑风机与电网的交互效应，精细化风机建模，并针对新能源出力的随机性和波动性提升数据质量，对增强电网起至关重要的作用。
随着PMU的广泛应用和人工智能技术的发展，基于数据驱动方法的电力系统暂态稳定评估为大电网的智能分析与控制提供了一条崭新途径（王新迎,闫冬,施展等.机器学习赋能的优化算法及其在新型电力系统中的应用与展望[J/OL].中国电机工程学报）。机器学习依托神经网络对高维非线性数据的特征提取能力，通过端对端的离线训练，构建输入数据与运行状态标签之间的映射，避免了对大规模系统的物理建模，评估速度得到了大幅提高（庄颖睿,肖谭南,程林等.基于时空图卷积网络的电力系统暂态稳定评估[J].电力系统自动化,2022,46(11):11-18）。深度学习（deep learning, DL）在多个领域取得突破性成果，相较于机器学习，可以自主从输入数据中逐层提取更高层次的特征，应对高维非线性数据具有更强的建模能力和计算精度（黄济宇,管霖,郭梦轩等.图深度学习技术在智能暂态稳定评估中的应用及展望[J].电网技术,2023,47(04):1500-1511）。深度学习将电力系统暂态稳定评估（transient stability assessment, TSA）问题转化为时序数据的分类，现有研究主要在特征选择、数据预处理和模型层面进行优化改进。
在特征提取方面，不同特征选择方法的考虑角度和研究对象各有侧重。文献（尹雪燕,闫炯程,刘玉田,等.基于深度学习的暂态稳定评估与严重度分级[J].电力自动化设备,2018,38(05):64-69.）从实际可量测的角度出发，将故障前的稳态潮流量作为输入特征，避免了在线应用时电气量转换带来的时间延迟和误差。但实际电网PMU（phasor measurementunit）采集的特征维度过大，增大了模型的过拟合风险，并降低了动态安全分析模型的响应速度。文献（Luo F, Dong Z Y, Chen G, et al．Advanced pattern discovery-basedfuzzy classification method for power system dynamic security assessment[J]．IEEE Transactions on Power System, 2015,11(2):416-426）选择了稳态时各发电机的有功功率作为原始特征，但未充分考虑母线电压、负荷及交流线路功率等多源数据信息，容易因未忽略部分重要暂态信息而陷入局部误区，降低了评估结果的可靠性（朱乔木,党杰,陈金富等.基于深度置信网络的电力系统暂态稳定评估方法[J].中国电机工程学报,2018,38(3):735-743）。
在数据预处理方面，文献（周挺,杨军,周强明等.基于改进LightGBM的电力系统暂态稳定评估方法[J].电网技术,2019,43(06):1931-1940）引入直方图算法对原始数据进行离散化，增强了所提TSA模型对噪声的鲁棒性，但存在数据丢失风险，并且实际数据往往具有复杂分布方式，当不符合既定假设条件时，可能无法准确去除噪声。文献（李鹏,董鑫剑,孟庆伟等.基于Fisher Score特征选择的电力系统暂态稳定评估方法[J].电力自动化设备,2023,43(07):117-123）通过Fisher Score计算各特征之间的类内距离和类间距离，按得分高低筛选输入特征，但特征与目标之间的非线性关系及特征之间的相关性限制了Fisher判别法的适用性。因此，在高度保留运行特征时序特性的前提下降低输入特征的冗余度并提高数据质量，是迫切需要解决的问题。
在模型方面，现有研究主要集中从约束、集成、结构等方面进行优化和改进。文献（胡伟,郑乐,闵勇等.基于深度学习的电力系统故障后暂态稳定评估研究[J].电网技术,2017,41(10):3140-3146）在深度置信网络的基础上，结合电力系统具体场景特点，施加网络稀疏、平滑约束，有效降低过拟合风险，增强了模型的泛化能力。文献（Zhou Y, Guo Q,Sun H, et al．A novel data-driven approach for transient stability predictionof power systems considering the operational variability[J]．InternationalJournal of Electrical Power & Energy Systems, 2019, 107:379-394）将不同结构卷积神经网络的评估结果按概率平均机制进行集成，相较于单一神经网络模型，显著提升了预测准确率。鲜有研究同时考虑电力系统的特征相关性和时空规律，对于动态变化的时序数据缺少泛化能力。
综上所述，数据驱动在新型电力系统安全稳定分析领域虽已取得不错效果，但现阶段仍存在一定不足，集中表现为：
1）风力发电机建模过于简化，难以准确描述风电机组复杂的运行机理，并且忽略了风机与电网的耦合效应，缺乏高精度的整体性建模；
2）实际环境中存在噪声干扰和新能源出力的随机性、波动性，输入特征选择未能兼顾全面性与客观性，而数据质量是影响模型评估精度的先决条件；
3）新型电力系统运行具有明显的时间、空间和特征相关性，如何将深度学习模型与多维度动态影响下的暂态关系相结合，从数据映射中挖掘物理规律，并基于此进一步优化模型参数，是提高模型在应对电网运行方式和网架结构变化时关键问题。
发明内容
本发明为了解决新能源大规模并网，新型电力系统的安全稳定性面临严峻挑战背景下，现有研究缺乏对风力机组的精确建模，且未能深入挖掘电力系统时空规律和特征相关性，导致TSA模型的精度和泛化能力有待提高的问题，提供了一种计及风电机组时空规律的电力系统安全稳定分析方法，该方法融合了时空注意力循环神经网络。
本发明是通过如下技术方案来实现的：一种计及风电机组时空规律的电力系统安全稳定分析方法，包括如下步骤：
S1：提出从系统级到元件级的双馈风力发电机DFIG精细化数学建模，如图2所示，包括风速模型、风力机模型、传动轴系模型、发电机模型以及桨距角控制、变流器控制模型，考虑风机与电网的耦合效应，为后续模型训练提供风机运行数据；具体如下
S1-1：风速模型：风能是风机产生电能的动力，为更精确表征真实风况特征，本发明组合了基本风、阵风和渐变风三种风速模型，其中基本风代表风电场平均风速的变化，在风力发电机的正常运行过程中以恒定值存在，决定了风力发电机向电网输送的功率大小，基本风的模型如公式（1）如示：
（1）
式中，为基本风的风速，A和K分别为威布尔分布的尺度参数和形状参数，为伽
马函数；
阵风用于模拟风速的突然变化，用于考察系统在较大的风速扰动下的动态特性，模型如公式（2）所示：
（2）
式中，表示阵风风速，表示阵风起始时间，表示阵风持续时间，max表示
阵风风速的最大值；
渐变风用于模拟风速的渐近变化，反映风电场稳态能量随时间的变化过程，如公式（3）所示；
（3）
式中，表示渐变风速，t表示当前时刻，和分别表示渐变风的起始和终止
时刻，表示渐变风速最大值；
综合三种形式的基本风速模型，实际作用于风力机的总风速V为：
（4）
S1-2：风力机模型：风能经风力机转化为机械能，风能转化公式为：
（5）
式中，为无量纲的功率系数，反映了风力机捕捉风能的效率，A为叶片的扫风面
积，为空气密度，为风速，为桨距角，为叶尖速比，为机械能，为风轮机转速，R
为风力机叶片半径；其中与叶尖速比及桨距角有关，其计算公式为：
（6）
不同的风力机类型，对应表达形式不尽相同，但随桨距角及叶尖速比的变化情
况是相同的。风能利用率曲线如附图3所示，在一定范围内，随着桨距角的增大，风能利用率
下降；而随着叶尖速比的增大，风能利用率呈现先上升后下降的趋势。对于任意桨距角，
不同的叶尖速比所对应的风能转换效率系数的值相差很大，且仅有一个固定的对应
于最大风能转换效率系数，以此来实现风电机组最大功率追踪控制。
S1-3：传动轴系模型：风机轴系模型为风机中的机械传动部分，包括风轮机、低速轴承、齿轮箱、高速轴承以及发电机，传动轴系模型采用双质量块模型，，是连接风力机和发电机的重要部分。通过低速轴连接风轮机，高速轴连接发电机，在齿轮箱中高低速轴进行速率转换，经过一系列传动变换将风轮机的风力能量转换为发电机的电磁功率。然而双馈感应发电机在动态分析过程中，考虑风电机组的低速轴和高速轴之间的柔性问题，低速轴的刚性比高速轴差，因此轴系模型采用双质量块模型，如图4所示，可以提高分析动态特性时精度，其数学模型为：
（7）
式中，、分别为风力机和发电机转子的惯性时间常数；、分别为风力
机和发电机转子转速；、和分别为风力机的机械转矩、发电机机械转矩和发电机电
磁转矩；和分别是风力机和发电机转子的阻尼系数；为发电机和风力机之间的扭
转角；为定子磁场转速，即电网同步转速；
风轮机的机械转矩和转子轴上的机械转矩数学表达式为：
（8）
式中，是风力机机械功率，为刚度系数，为阻尼系数；
S1-4：桨距角控制模型：DFIG桨距角控制能改变功率系数的大小，而又直接
影响输入机械功率，即通过调节桨距角能够实现对输入功率的调节。桨距角控制模型由
两部分组成，包括桨距角控制环节和桨距角补偿环节；所述桨距角控制环节，由风机角速度
与参考值的差值经PI环节得到，起调节风电机组转速的作用；所述桨距角补偿环节由风机
有功控制环节中风机有功与参考功率的差值经PI控制得到，起限制风电机组出力的作用，
然后再经过延时环节和限幅器输出桨距角；其控制框图如附图5所示。
当风力机加速时，角速度与额定值的差值先经过PI环节，得到桨距角的整定值，再经过延时环节及限速环节，输出桨距角。随着桨距角的增加，风力机的风能利用率也随之减小，降低了输入的机械功率转矩，使得转子减速。当桨距角调节在额定风速以上时，限制桨距角输出功率不超出额定功率，避免风电机组不出现过载以及风电机组机械受损，同时限制转子转速。桨距角控制系统的数学模型表达式为：
（9）
式中，、分别指风机角速度和参考角速度，、、分别是控制环节、
补偿环节和总桨距角的参考值，、、、是控制器参数，、分别是输出有功功
率和参考功率，为惯性时间常数，、、是中间状态变量；
S1-5：发电机模型：双馈感应风力发电机能够在亚同步和超同步转速下保持发电状态并可以根据风速变化调整发电机转速，实现最大风功率跟踪，在一定范围内可以保持额定功率运行。d-q同步旋转坐标系下的DFIG发电机方程采用定、转子电压方程、磁链方程、电磁转矩及功率方程来表示；其中定、转子电压方程为：
（10）
式中，、、、分别为d/q坐标系下的定子电压和电流；、、、分别为
d、q坐标系下的转子电压和电流；、分别为定、转子侧角频率；、、、分别为
d、q轴定转子绕组磁链；和分别为定子和转子电阻；
磁链方程为：
（11）
式中，、、分别为dq坐标系下转子漏感、定子漏感和等效互感；
电磁转矩及功率方程为：
（12）
式中，为双馈感应发电机的电磁转矩；为发电机输出的无功功率；
S1-6：变流器控制系统模型：变流器控制系统是双馈风电机组功率控制系统的核心，采用定子电压控制，使DFIG可以在四象限内运行，实现网侧有功和无功的解耦控制；包括转子侧变流器RSC控制和网侧变流器GSC控制；
转子侧变流器RSC为双馈感应发电机提供频率可变的交流励磁电压，能够实现有功和无功解耦控制，如图6所示，实现有功输出跟踪输入转矩，并维持端电压为定值，其数学模型为：
（13）
式中，、、、分别为有功和无功功率调节器的比例和积分增益；、、、分别为转子侧q、d轴电流调节器的比例和积分增益；、分别为转子电流的
d、q轴分量；、分别为转子侧控制电流d、q轴分量参考值；为无功功率参考值；、分别为有功、无功功率的测量值；-为RSC控制环节引入的中间变量；
网侧变流器GSC维持直流支撑电容电压恒定并控制输入功率因数，网侧变流器
控制框架图如附图7所示，其数学模型为：
（14）
式中，、分别为直流母线电压调节器的比例和积分增益；、、、
分别为网侧q、d轴电流调节器的比例和积分增益；、分别为网侧变换器电流的d、q轴分
量；、分别为网侧控制电流d、q轴分量参考值；为直流支撑电容器电压；
为直流环节电压控制参考值；-为GSC控制环节引入的中间变量。
S2：提出考虑采样规模和采样误差的数据预处理方法，首先为保证特征选择的全面性和快速性，综合提取故障前、中、后三个时段的运行特征和具备物理意义的复合特征；然后，采用递归特征消除（recursive feature elimination, RFE）与非线性核主成分分析相结合的方法进行特征降维，即通过RFE确定最优特征子集数量m，然后计算变量协方差矩阵并特征值分解，选择前m个特征值对应的特征向量作为输入变量；最后，采用滚动标准差检测，计算滑动时间窗口内数据的标准差并与阈值比较，去除极端噪声干扰而产生的极端异常值；具体如下：
S2-1：特征提取：由于新型电力系统运行方式及故障发生的随机性和多样性，（phasor measurement unit, PMU）采集的实时数据庞大而复杂，如何从海量原始信息中提取具备明确物理意义，且有利于暂态稳定判别的特征就成为核心工作。现有电力系统暂态稳定评估（transient stability assessment, TSA）研究在特征选取方面主要存在两类问题：1）在构建输入特征时主要凭借主观经验选取变量，特征选择结果缺乏客观说服力；2）未能充分提取故障中隐含的全部物理信息，可能缺失部分影响暂态桨距角稳定性的因素，从而影响模型性能。综合选取元件级和系统故障信息，以故障时的运行特征为基础，选择包含母线电压幅值及相角，发电机的有功功率、无功功率、桨距角，交流线的有功功率、无功功率，负荷的有功功率、无功功率，以及经过简单数学运算具有物理可解释性的组合特征，以全面涵盖暂态物理信息；
S2-2：特征降维：核主成分分析法是一种常用的无监督学习方法，其原理是通过线性变换将原始数据从高维空间映射到低维空间，使得投影后的数据具有最大的方差，尽可能保留数据中最具代表性的特征。该方法具有计算效率高、不依赖特定数据分布假设的优点，然而，特征数量的无法被客观确定，对于不同电力系统、不同运行方式，最佳特征子集的个数有较大区别，并且电力系统运行数据与主成分呈非线性关系，因此需要对传统主成分分析中的线性化进行改进。采用递归特征消除（recursive feature elimination, RFE）与对数中心化的非线性核主成分分析法（nonlinear kernel principal componentanalysis, NKPCA）相结合的方式进行特征选择；首先基于RFE通过训练随机森林模型进行多轮训练，每轮训练按照特征重要性进行排序，消除不相关变量，再基于新的特征集进行下一轮训练，并对不同数量特征给出准确度评估，得出最佳特征子集数量；然后，对原始数据进行对数变换，然后计算矩阵的协方差及其特征根和特征向量；具体为：
S2-2-1：对由p维特征向量组成的数据集，向量，非线性映
射：，H是描述特征的希尔伯特空间，在特征空间H上得到；
主成分，m<p，的确定原则如下：
①是x的线性函数，即，是维待定常数向量；
②取最大值，即充分反映x的变化情况；
③互不相关，即；
S2-2-2：对数据集x主成分的求解可转化为求协方差矩阵的特征根和标准正交向
量的问题，对原始数据样本集进行标准化处理，n为样本数，p为输入特征数，即：
（15）
式中分别为特征向量的均值和标准差；表示特征向量的映射，当
的均值为零时，特征空间H上协方差矩阵的样本为：
（16）
计算中的线性主成分，得到：
（17）
式中，指的是分割超平面的权重，在特征空间中用于区分不同的类别；令，其中K是正半定核矩阵，核函数计算在特征空间H上
的内积，有：
（18）
式中，u为特征分解得到的特征向量，为特征值；两边同时乘，得到，即
（19）
因此，向量x的主成分为：
（20）
S2-2-3：电力系统运行数据与主成分呈非线性关系，因此需要对传统主成分分析
中的线性化进行改进。采用“对数中心化”的非线性主成分分析法，首先对原始数据进行
对数变换，然后计算矩阵的协方差及其特征根和特征向量；接着，基于递
归特征消除法，采用分类模型随机森林进行多轮训练，每轮训练按照置换特征重要性进行
排序，消除不相关变量，再基于新的特征集进行下一轮训练，并对不同数量特征给出准确度
评估，给出最佳特征子集数量，步骤如下：
①将提取的x维特征作为初始特征子集输入到分类模型中，计算得到每个特征的重要性，并利用交叉验证方法得到初始特征子集的分类精度；
②从当前特征子集中移除特征重要性最低的一个特征，得到一个新的特征子集，再次输入到随机森林分类器中，计算新的特征子集中每个特征的重要性，并利用交叉验证方法得到新的特征子集的分类精度；
③重复步骤②，直至特征子集为空，最后一共得到k个不同特征数量的特征子集，对每个子集的预测准确度进行评估，得出最佳特征数，以此为依据，确定需要保留的特征子集，并将原始数据投影到新的特征空间中，得到降低维度后的数据集；
S2-3：样本去噪：由于电力测量设备的误差、通信延迟、环境干扰等因素，数据传输过程中可能会产生相应的误差，不良数据的存在严重干扰了模型对电力系统运行状态的辨识。利用时间序列在临近区域变化幅度较小的特点，以固定长度的时间窗口进行向前滚动，对每段统计其均值并计算其标准差，如以下公式所示：
（21）
式中，为窗口序数，为滑动时间窗口长度，为特征值，为该段平均特征
值，表征了第段序列的特征离散程度；若数据超出一段序列标准差的固定倍数范围，则
判定对应的样本是受噪声干扰而产生的极端异常值，并及时剔除，避免影响模型评估。
S3：提出一种融合三重注意力的深度循环网络模型，以自适应时空运行方式的动态变化：首先，将经过预处理后的数据集输入特征注意力模块中，强化核心特征的影响权重并削弱模型对不相关特征的关注度，避免对后续模型评估的干扰；之后，将特征加权输入循环神经网络进行特征映射后，通过时间注意层对输入序列中不同历史时刻携带的时序信息分配注意力权重，增强关键时间步长中蕴含的时序信息；最后，以不同风力发电机的时序特征作为空间注意力模块的输入，得到不同机组对系统暂态稳定性的贡献，为调度人员重点检测提供参考依据。此外，考虑不同样本对模型决策的影响差异，将样本影响力函数作为损失函数指导引导模型优化，以提高模型评估精度；具体为：
S3-1：由于电力系统是高度动态的非线性系统，运行特征具有高维性和不确定性，时空耦合关系复杂。同时，不同类型的特征对模型TSA结果的影响存在较大差异，如果缺乏对关键特征的重点关注，容易弱化模型对影响暂态稳定核心因素的敏感性，模型的泛化能力降低，加剧过拟合。注意力机制通过赋予输入序列不同权重，重点突出对TSA结果影响较大的输入特征并赋予更高的权重。注意力机制的基本原理如附图8所示，其核心工作机制是以概率分布形式突出关键信息的影响，因此本发明结合各维度特点建立了以注意力机制为核心的时间序列模块，增强模型对各不确定信息中重要影响因素的关注。注意力权重的计算方式如下：
（22）
其中，X为输入序列，q为查询信息，m为降维后特征类别总数，为注意力模块
中的权重分配函数，根据注意力模型中的任务进行选择，包括多种构建模式，或由外部环境
的监督信息构建，或通过模型的输入特征来产生，即自注意力模型；计算得到注意力权重
后，将其与输入特征相乘，进而得到经注意力加权后的特征，即：
（23）
为充分挖掘暂态过程的时空和特征相关性，提出考虑时空关系的多头注意力模型，基本结构附图9所示，具体为：首先，输入变量经过输入层线性变换，转换为多个并行通道下的注意力权重向量；对各通道变换得到的权重向量取平均值，得到均值注意力向量；然后，经过非线性激活函数Sigmod和Softmax归一化，得到最终权重，并与原输入变量X相乘，得到加权向量；通过自适应各输入变量的权重，强化模型对重要信息的关注度，进一步提升模型评估的准确性及泛化能力，具体如下：
对于m维输入时间序列，首先经过线性层线性变换，并行计算各注意
力头的权重向量，其中为各输入特征对应的注意力权重系数向
量；将H个注意力头的输出合并求均值，得到注意力权重向量的期望为：
（24）
式中，为均值注意力权重向量；
然后，使用Sigmod和Softmax激活函数对多头注意力层的输出进行归一化，以加速模型训练，即：
（25）
最后，为输入向量动态赋权作为模型训练依据，增强重要信息的表达，并提高模型评估的精度。基于此，提出了融合特征—时间—空间三阶段注意力机制的RNN模型，在输入层和RNN模型之间部署了特征注意块，以说明哪些特性需要被关注。时间注意块被部署在RNN输出层之后，以说明到目前为止需要关注哪些时间步长。空间注意块在时间注意块和第一个全连接的层之间，以显示哪些机组对系统暂态稳定具有重要影响。模型结构如图10所示，后续步骤详细说明。
S3-2：时间注意力层：TSA对历史输入信息具有高度的依赖性。随着滑动时间窗口步长的增加，模型评估所需时间越短，但时序信息丢失越严重，而过短的评估步长的计算时间成本成倍增长，则难以满足在线应用对快速性的要求。针对上该问题，本发明在模型中引入多头注意力模型以挖掘时间序列信息，不同时间步长下的抽象信息对预测结果的影响通过时间注意因子来反映。在关键时间步长中得到的抽象信息得到增强，降低弱相关时间步长下的输入信息。时间注意力层的输入为不同机组的时间步长，输出为各时间断面在模型预测中所占权重，通过对模型输入历史时间序列的各个时间点动态分配注意力权重，在训练过程中增大对模型预测重要时间点的信息关注度。
S3-3：空间注意力层：在地理位置、装机容量等因素影响下，不同风机对系统潮流分布和暂态稳定性的贡献程度不同，并且各机组之间在空间上存在复杂的相关性关系，因此引入空间注意力机制，此时多头注意力模型的输入为不同机组的时序特征，输出为各机组的空间注意力权重，以反映不同发电机组对系统暂态稳定性的影响差异，为调度人员提供了重点监测依据。
S3-4：特征注意力层：随着量测工具的不断增多，采集特征规模也呈海量增长趋势，与TSA无关的特征不仅加重了模型的计算负担，而且对评估结果造成严重干扰。为此，引入自注意力机制（self-attention，SA）动态计算时间序列内部特征的权重，能够捕捉变长时间序列的长期相关性关系。此时多头注意力层的输入为电力系统量测的物理特征，输出为各特征的权重因子。
S3-5：改进循环神经网络：
循环神经网络（recurrent neural network, RNN）是一种多层无监督神经网络，通过逐层特征映射后，将原空间样本的特征映射到另一个特征空间，整体采用逐层预训练的无监督学习机制。在决策边界附近的样本比远离决策边界的样本对于评估模型学习的影响更大，即不同样本对于模型学习稳定规则的重要性不同。在此循环神经网络中，定义了样本关注度指标以对暂态稳定样本的重要性进行赋权，使得模型更多地从暂态稳定决策边界附近的样本中挖掘信息；
输入变量与稳定边界之间的距离为：
（26）
其中为拉格朗日乘子，为核函数；b为偏置；定义样本影响力指标如下：
（27）
采用交叉熵函数作为损失函数，如以下公式所示：
（28）
其中，R为目标的类别数，表示第个样本预测为第r个标签的概率，将样本影
响力函数引入损失函数中，修改后的目标函数如以下公式所示：
（29）
S3-6：将特征注意力层、时间注意力层和空间注意力层分别与循环神经网络RNN融合，形成融合模型为STF-RNN（spatial attention, temporal, feature with RNN, STF-RNN）：首先，将样本—特征增强后的数据集输入第一层中进行特征差异化学习；然后，数据经过RNN非线性映射后，通过时间注意模块对序列中不同历史时刻的时序信息进行加权处理，以突出对模型决策至关重要的时间断面；之后，考虑风机的空间分布及装机容量差异，经过空间注意层挖掘各风电机组对模型决策的贡献度；最后，经过全连接层线性化后得到的输出即为模型最终的TSA结果。
S4：给出深入表征电力系统潜在状态的安全态、警戒态、紧急态和崩溃态定义及判断依据，得出结合电网实际的评估指标，结合节点系统和数据仿真，进行数据预处理、数据驱动模型建模，并在测试集上验证S3所述深度循环网络模型的性能。具体如下：
S4-1：判稳依据：
为了更精确的表征系统潜在运行状态，专利将传统电力系统TSA二分类问题进行细化，加入警戒状态和紧急状态作为系统临界状态，如图11所示，为电力系统运行状态划分及其依据，具体为：
①利用暂态稳定桨距角判据，通过观测各发电机经过第一、二个振荡周期是否失步判断系统能否保持同步稳定运行，进而区分正常状态和非正常状态；
②对于正常状态，通过设置全网N-1故障集，若切除单一元件后系统仍保持正常状态运行，则该系统为安全状态；若切除某些元件后系统不再满足桨距角稳定性，则该样本为警戒态；
③对于非正常状态，基于能量原理，即振荡时有功功率是否过零点，进而判断系统是否非发生同步振荡解列，若系统发生解列则该样本为崩溃态，反之则为紧急态；
S4-2：评估指标：
准确率是目前数据驱动暂态稳定评估模型性能的常用评价依据，但对重点类别预测错误未给予特殊关注，而实际中这部分样本会引发更严重的连锁故障，需要引起足够重视，结合电力系统运行状态的混淆矩阵，如表1所示，以准确率、漏判率、误判率作为综合表征模型性能的指标；具体如下：
表1
①准确率：是从整体上衡量模型的拟合效果，表征模型对所有状态样本的预测正确性，如公式（30）所示：
（30）
其中，表示测试集样本总数；准确率越高，则对未知状态样本预测正确的把握越
大。
②漏评率：表征模型未准确识别非正常状态的误差，在实际电网中，未能及时发现故障信息的后果非常严重，极容易引发连锁故障，如公式（31）所示：
（31）
③误评率：表征模型将正常状态样本误分类为非正常状态的误差，实际中误报警可能导致保护装置误动作，进而引起非必要的发电机或负荷损失，如公式（32）所示：
（32）
本发明所提供的一种计及风电机组时空规律的电力系统安全稳定分析方法，流程如图12所示，整体上包括数据预处理、离线训练和在线应用三个阶段。通过样本—特征增强、融合注意力机制，增强了在线实时评估的准确性。1）数据预处理：搭建接入双馈风力发电机的电力系统模型，分别构造不同潮流运行方式和暂态故障，以三相短路故障为例，变量包括短路线路、短路位置和故障持续时间，结合暂态稳定分类依据对各样本判稳，构成原始输入特征集。然后，基于RFE确定最佳特征子集数，指导KPCA进行特征降维。最后，基于滚动标准差检测实现数据降噪，得到经过增强的输入特征集合。2）离线训练。基于多头注意力机制依次构建特征、时间和空间三重注意力层，依据样本影响力函数计算各样本重要程度，作为损失函数指导RNN的训练，与时-空-特征注意力层相融合。将增强后的样本划分为训练集和测试集，训练集用于模型的离线构建，利用测试集对模型进行性能指标评估，通过调参训练改进模型，使其性能达到最佳。3）在线评估。对于PMU实测数据，运用样本增强方法获得去除噪声干扰的高质量数据，将其输入离线训练好的STF-RNN模型得到实时评估结果。
与现有技术相比本发明具有以下有益效果：本发明所提供的一种计及风电机组时空规律的电力系统安全稳定分析方法，1）在风力发电机模型方面，精细化风力发电机组数学建模，充分考虑风机与电网的交互效应，提升了模型实际应用的泛化能力；2）提出了考虑新能源波动性和环境噪声的样本—特征增强策略，并以样本影响力函数为导向引导模型的优化，增强模型对海量样本的挖掘和表达能力；3）提出了一种新的融合多重注意力的循环神经网络模型，以自适应时空运行方式的动态变化，深入挖掘物理特征、时间步长和发电机组对暂态稳定的不同贡献，为调度人员提供参考依据。
附图说明
图1是本发明所提出的考虑风电时空规律的电力系统TSA流程。
图2是本发明所提出的双馈风力发电机模型。
图3是本发明所提出的风能利用曲线。
图4是本发明所提出的传动轴系模型。
图5是本发明所提出的桨距角控制模型。
图6是本发明所提出的DFIG转子侧变流器控制框架。
图7是本发明所提出的DFIG网侧变流器控制框架。
图8是本发明所提出的注意力机制计算过程。
图9是本发明所提出的多头注意力机制模型。
图10是本发明所提出的STF-RNN模型结构。
图11是本发明所提出的电力系统运行状态划分及其依据。
图12是本发明具体实施例所搭建的考虑风力发电机的IEEE 39节点系统模型。
图13是本发明所提出的RFE确定最优特征子集。
图14是本发明所提出的滚动标准差去噪结果。
图15是本发明所提出的不同深度学习模型在各种信噪比环境下的准确率对比。
图16是本发明所提出的不同深度学习模型在各种去噪方法下的准确率对比。
图17是本发明具体实施例所提出的时间步长为3时模型的平均时间注意力。
图18是本发明具体实施例所提出的时间步长为4时模型的平均时间注意力。
图19是本发明具体实施例所提出的时间步长为5时模型的平均时间注意力。
图20是本发明具体实施例所提出的模型迭代5次时不同时段注意力权重变化。
图21是本发明具体实施例所提出的模型迭代20次时不同时段注意力权重变化。
图22是本发明具体实施例所提出的模型迭代50次时不同时段注意力权重变化。
图23是本发明所提出的考虑电力系统运行状态的空间注意力权重。
图24是本发明所提出的模型平均特征注意力权重。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
将本发明所提供的一种计及风电机组时空规律的电力系统安全稳定分析方法，流程如图1所示，应用于图12所示的本实施例所搭建的融合风力发电机的IEEE 39节点模型，本实施例中的双馈风力发电机及其控制系统在matlab/simulink中构建。
S1：提出从系统级到元件级的双馈风力发电机DFIG精细化数学建模，包括风速模型、风力机模型、传动轴系模型、发电机模型以及桨距角控制、变流器控制模型，考虑风机与电网的耦合效应，为后续模型训练提供风机运行数据；风机参数如下：空气密度1.225，功率系数0.4，额定转速34r/s，额定功率500kw，叶尖速比9，叶片半径25m，时间常数20s，额定风速5m/s，切除风速24m/s。
S2：提出考虑采样规模和采样误差的数据预处理方法，首先综合提取故障前、中、后三个时段的运行特征和具备物理意义的复合特征；然后，采用递归特征消除RFE与非线性核主成分分析相结合的方法进行特征降维，即通过RFE确定最优特征子集数量m，然后计算变量协方差矩阵并特征值分解，选择前m个特征值对应的特征向量作为输入变量；最后，采用滚动标准差检测，计算滑动时间窗口内数据的标准差并与阈值比较，去除极端噪声干扰而产生的极端异常值。
本实施例中，为充分考虑新能源并网的影响，在电力系统仿真软件PSASP中搭建了改进IEEE39节点系统，将DFIG通过UPI接口导入PSASP，负荷为恒定阻抗模型，如图12所示。
输入特征的选取和构建会直接影响评估模型的性能。为综合考虑特征的获取难度和涵盖暂态信息的全面性，本实施例将先验知识作为引导特征选择的依据，选择包含母线（电压幅值、相角）、风力发电机（有功功率、无功功率、桨距角、端电压、电流）、交流线（有功功率、无功功率）、负荷（有功功率、无功功率）以及经过简单数学运算具有物理可解释性的组合特征，如表2所示。
表2
本实施例，设置潮流参数如下：负荷有功、无功功率从70%—130%以5%步长递增，同步发电机出力从70%—130%以5%步长递增，共设置169种潮流方式；故障类型设置为三相短路故障，故障位置为34条支路的1%、50%、99%处，故障持续时间为0.1s、0.15s、0.2s，故障切除方式为在故障线路两端加入三相断线故障，设置306种暂态类型，共生成样本15000个，其中安全态、警戒态、紧急态、崩溃态样本分别为8633、3375、2386、2606个，训练集和测试集的比例为7:3。
对于生成的p维特征向量组成的数据集，首先基于递归特征消除
法，采用随机森林模型进行多轮训练，每轮训练按照特征重要性进行排序，消除不相关变
量，再基于新的特征集进行下一轮训练，并对不同数量特征给出准确度评估，得出最佳特征
子集数量为132，在保证模型预测精度的前提下尽可能降低特征维度。如图13所示。之后，采
用“对数中心化”的非线性主成分分析法，首先对原始数据进行对数变换，然后计
算矩阵的协方差及其特征根和特征向量，根据累计贡献率选择132个主成分变量。
测试集上采用滚动标准差去噪，综合考虑计算精度与训练时间，滑动时间窗口大小设置为8，检测结果如图14所示。其中因噪声干扰引起的极端异常值用圆点标出，在图示3000个测试样本中共检测出82个极端异常数据并予以过滤。
S3：提出一种融合三重注意力的深度循环网络模型，以自适应时空运行方式的动态变化：首先，将经过预处理后的数据集输入特征注意力模块中，强化核心特征的影响权重并削弱模型对不相关特征的关注度，避免对后续模型评估的干扰；之后，将特征加权输入循环神经网络进行特征映射后，通过时间注意层对输入序列中不同历史时刻携带的时序信息分配注意力权重，增强关键时间步长中蕴含的时序信息；最后，以不同风力发电机的时序特征作为空间注意力模块的输入，得到不同机组对系统暂态稳定性的贡献；此外，考虑不同样本对模型决策的影响差异，将样本影响力函数作为损失函数指导引导模型优化，以提高模型评估精度。
（1）精度测试：为了验证本发明所提出的STF-RNN模型的性能，在相同数据集下将其与常用深度学习模型深度神经网络DNN（deep neural network, DNN）、人工神经网络（artificial neural network, ANN）、卷积神经网络（convolutional neural network,CNN）、深度置信网络（deep belief network, DBN）、堆叠自动编码器（stackedautoencoders, SAE）进行对比。所有算法基于Python的PyTorch框架实现，Batchsize为400，epoch为500，初始学习率为0.005，L2的惩罚因子0.01，dropout为0.5，其余超参数按照网格寻优。为避免测试结果的偶然性，随机打乱训练集与测试集，对各模型进行10次独立非重复实验，各项指标取测试集的平均值，结果如表3所示。
表3
由测试结果可知，CNN、DBN对高维时序特征的映射能力有限，SAE虽然具有较高的准确率，但漏判率较高，在实际应用中因未能及时识别故障而引起连锁事故的概率较大，DNN相较于ANN性能有明显提升，但难以捕捉长时间序列的全局依赖关系，误判率仍有待改进。在此基础上，STF-RNN利用多头注意力机制来捕获全局信息，可以更准确的捕捉序列中不同位置的重要信息，具有更强的数据挖掘能力。因此与其他的评估模型相比，模型的准确率、误判率和漏判率均达到较为理想状态。
（2）鲁棒性测试：为了测试噪声对模型评估性能的影响及所提去噪方法的优势，本实施例在原数据的基础上添加了4种不同信噪比（signal to noise ratio, SNR）的高斯白噪声。不同噪声条件下，各种机器学习模型的准确率的效果如图15所示。在信噪比为30dBd条件下，比较各模型在常用去噪方法：梯度检测（gradient detector, GD）、常数梯度检测（constant gradient detector, CGD）、差分检测（differential detection, DD）、小波变换（wavelet transform, WT）与本发明所提滚动标准差检测（rolling standarddeviation, RSD）方法在相同测试集上的准确率，如图16所示。
从模型种类看，CNN、DBN和ANN对噪声数据最为敏感，鲁棒性较差，总体准确率较低。SAE、DNN在低噪声环境下准确率可以达到0.98以上，但当SNR低于30dB时性能有明显下降。STF-RNN借助其深层结构和对数据特征的深入挖掘，在各种噪声条件下能保持相对较高的评估准确性。从去噪方法看，GD对于噪声比例较高的场景效果不佳，CGD、DD则难以非线性趋势和非周期的序列，而本发明所提基于RSD的去噪方法可以较好的适应环境及时间序列要求。
（3）时空规律分析
1）时间相关性
不同时间步长的特征对模型的评估结果有不同程度的影响。为了分析各时间步长下输入特征序列如何影响模型的决策机制，将时间注意因子可视化如图17至图19所示。由图可知，模型更加关注靠后的时间步长，特别是决策时刻。这与本发明所提方法相符合，因为模型下一时刻的出力必定是与上一时刻出力最相关的，并且由于特征处于动态变化中，测量值随着时间增加的差异越来越明显，历史时间段的决定作用更加被缩小。
在时间步长为3、4时，决策时刻输入特征的平均权重超过了35%，但随着时间步长的增加，时间序列的信息失真严重，模型可能不再过于关注最后时间步长的信息，其它时间点对模型评估结果也有较为平均的贡献，不利于评估准确率的提高。而步长过小时，评估时间成倍增长，难以满足在线应用的及时性要求。因此，在所提出的STF-RNN模型中，滑动时间步长固定为4p.u.，则模型学习到的TSA信息主要关注决策时刻的时间点，其次是当前时间附近的时间步和初始时刻。
图20至图22为模型对各时间断面的注意力随迭代次数的分布。图20所示，起始时刻模型对各时刻的关注度散乱分布，而随着训练次数增加，模型注意力显著聚焦于故障时段，即重心偏向故障初始时刻的电气量。图21呈现出与图22相似的注意力分布，表明模型在第20次迭代后已基本完成暂态信息的挖掘，模型梯度更新缓慢，注意力分布趋于稳定。第50次迭代后，故障前、中、后时刻的平均注意力分布占比分别为12.7%、68.5%和18.8%。结果表明，在时间维度上，故障时刻变量蕴含的暂态物理信息最全面，对模型TSA的作用最高，因而被赋予更高权重，而故障前稳态阶段的贡献程度最低。
2）空间相关性
电力系统机组分布密集，风力发电机之间具有较强的相关性影响和内在联系。考虑潮流方式和拓扑结构受运行状态的变化，本实施例以运行状态为导向，通过空间注意力权重揭示各机组对于模型整体评估的贡献程度，并揭示不同状态下模型对机组的关注度。
由图23可知，各风机对模型整体评估结果的贡献度受状态影响较大。具体而言，在安全状态下，发电机10的空间注意力权重最大，这可能是由于其传输功率最高，具有一定的维持系统备用容量的能力。而在崩溃状态下，模型则更关注发电机3。另一方面，从拓扑结构上看，风力发电机3的入度和出度值都较高，所关联的负荷、母线最多，一旦发生暂态失稳，极易引起连锁故障，因此电网调度人员应对3号发电机进行重点监测。从整体上看，模型对发电机3、9的关注度最高，表明空间注意力机制能够在不同运行状态下对空间关系进行动态挖掘。
3）特征相关性
实际PMU量测特征众多，不同变量在不同程度上对TSA产生贡献，因此引入特征注意力层可以增强模型对重要特征的关注度，在等效降低特征维度的前提下，进一步提高模型的评估精度。为了分析不同的特征如何影响模型TSA的决策，将特征按物理意义归类并计算平均注意因子随时间步长的变化情况，如图24所示，其中各行从左至右的矩形框分别表示母线电压幅值、相角、风力发电机有功功率、无功功率、桨距角、线路有功功率、无功功率、负荷有功功率、无功功率，矩形面积反映了各特征的平均权重。
由图24可知，模型最关注的变量是发电机有功功率，其次是桨距角、发电机无功功率和母线电压幅值。发电机桨距角轨迹反映了各机组间的电磁耦合关系，可以直接表征电力系统的桨距角稳定性。有功功率的变化导致系统功率失衡影响系统的动态响应和桨距角变化速度，导致系统失去暂态稳定性。负载吸收的有功功率与动态过程中的系统电压水平有关，因此，母线电压也可以反映桨距角的变化趋势。无功功率为系统提供了电压备用容量，无功不足时，导致整体电压水平下降，进而影响系统稳定性。因此，在基于数据驱动模型TSA的过程中，需要综合考虑有功功率、桨距角、母线电压和无功功率之间的关系，提高重要物理特征在模型评估中的作用。
S4：给出深入表征电力系统潜在状态的安全态、警戒态、紧急态和崩溃态定义及判断依据，如表1所示，得出结合电网实际的评估指标，结合节点系统和数据仿真，进行数据预处理、数据驱动模型建模，并在测试集上验证S3所述深度循环网络模型的性能。
本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (5)
1.一种计及风电机组时空规律的电力系统安全稳定分析方法，其特征在于：包括如下步骤：
S1：提出从系统级到元件级的双馈风力发电机DFIG精细化数学建模，包括风速模型、风力机模型、传动轴系模型、发电机模型以及桨距角控制、变流器控制模型，考虑风机与电网的耦合效应，为后续模型训练提供风机运行数据；
S2：提出考虑采样规模和采样误差的数据预处理方法，首先综合提取故障前、中、后三个时段的运行特征和具备物理意义的复合特征；然后，采用递归特征消除RFE与非线性核主成分分析相结合的方法进行特征降维，即通过RFE确定最优特征子集数量m，然后计算变量协方差矩阵并特征值分解，选择前m个特征值对应的特征向量作为输入变量；最后，采用滚动标准差检测，计算滑动时间窗口内数据的标准差并与阈值比较，去除极端噪声干扰而产生的极端异常值；
S3：提出一种融合三重注意力的深度循环网络模型，以自适应时空运行方式的动态变化：首先，将经过预处理后的数据集输入特征注意力模块中，强化核心特征的影响权重并削弱模型对不相关特征的关注度，避免对后续模型评估的干扰；之后，将特征加权输入循环神经网络进行特征映射后，通过时间注意层对输入序列中不同历史时刻携带的时序信息分配注意力权重，增强关键时间步长中蕴含的时序信息；最后，以不同风力发电机的时序特征作为空间注意力模块的输入，得到不同机组对系统暂态稳定性的贡献；此外，考虑不同样本对模型决策的影响差异，将样本影响力函数作为损失函数指导引导模型优化，以提高模型评估精度；
S4：给出深入表征电力系统潜在状态的安全态、警戒态、紧急态和崩溃态定义及判断依据，得出结合电网实际的评估指标，结合节点系统和数据仿真，进行数据预处理、数据驱动模型建模，并在测试集上验证S3所述深度循环网络模型的性能。
2.根据权利要求1所述的一种计及风电机组时空规律的电力系统安全稳定分析方法，其特征在于：步骤S1具体如下：
S1-1：风速模型：风能是风机产生电能的动力，包括基本风、阵风和渐变风三种风速模型，其中基本风代表风电场平均风速的变化，在风力发电机的正常运行过程中以恒定值存在，决定了风力发电机向电网输送的功率大小，基本风的模型如公式（1）如示：
（1）
式中，为基本风的风速，A和K分别为威布尔分布的尺度参数和形状参数，/>为伽马函数；
阵风用于模拟风速的突然变化，用于考察系统在较大的风速扰动下的动态特性，模型如公式（2）所示：
（2）
式中，表示阵风风速，/>表示阵风起始时间，/>表示阵风持续时间，max/>表示阵风风速的最大值；
渐变风用于模拟风速的渐近变化，反映风电场稳态能量随时间的变化过程，如公式（3）所示；
（3）
式中，表示渐变风速，t表示当前时刻，/>和/>分别表示渐变风的起始和终止时刻，表示渐变风速最大值；
综合三种形式的基本风速模型，实际作用于风力机的总风速V为：
（4）
S1-2：风力机模型：风能经风力机转化为机械能，风能转化公式为：
（5）
式中，为无量纲的功率系数，A为叶片的扫风面积，/>为空气密度，/>为风速，/>为桨距角，/>为叶尖速比，/>为机械能，/>为风轮机转速，R为风力机叶片半径；其中/>与叶尖速比及桨距角有关，其计算公式为：
（6）
S1-3：传动轴系模型：风机轴系模型为风机中的机械传动部分，包括风轮机、低速轴承、齿轮箱、高速轴承以及发电机，传动轴系模型采用双质量块模型，其数学模型为：
（7）
式中，、/>分别为风力机和发电机转子的惯性时间常数；/>、/>分别为风力机和发电机转子转速；/>、/>和/>分别为风力机的机械转矩、发电机机械转矩和发电机电磁转矩；/>和/>分别是风力机和发电机转子的阻尼系数；/>为发电机和风力机之间的扭转角；为定子磁场转速，即电网同步转速；
风轮机的机械转矩和转子轴上的机械转矩/>数学表达式为：
（8）
式中，是风力机机械功率，/>为刚度系数，/>为阻尼系数；
S1-4：桨距角控制模型：由两部分组成，包括桨距角控制环节和桨距角补偿环节；所述桨距角控制环节，由风机角速度与参考值的差值经PI环节得到，起调节风电机组转速的作用；所述桨距角补偿环节由风机有功控制环节中风机有功与参考功率的差值经PI控制得到，起限制风电机组出力的作用，然后再经过延时环节和限幅器输出桨距角；
桨距角控制系统的数学模型表达式为：
（9）
式中，、/>分别指风机角速度和参考角速度，/>、/>、/>分别是控制环节、补偿环节和总桨距角的参考值，/>、/>、/>、/>是控制器参数，/>、/>分别是输出有功功率和参考功率，/>为惯性时间常数，/>、/>、/>是中间状态变量；
S1-5：发电机模型：
d-q同步旋转坐标系下的DFIG发电机方程采用定、转子电压方程、磁链方程、电磁转矩及功率方程来表示；其中定、转子电压方程为：
（10）
式中，、/>、/>、/>分别为d/q坐标系下的定子电压和电流；/>、/>、/>、/>分别为d、q坐标系下的转子电压和电流；/>、/>分别为定、转子侧角频率；/>、/>、/>、/>分别为d、q轴定转子绕组磁链；/>和/>分别为定子和转子电阻；
磁链方程为：
（11）
式中，、/>、/>分别为dq坐标系下转子漏感、定子漏感和等效互感；
电磁转矩及功率方程为：
（12）
式中，为双馈感应发电机的电磁转矩；/>为发电机输出的无功功率；
S1-6：变流器控制系统模型：变流器控制系统是双馈风电机组功率控制系统的核心，采用定子电压控制，使DFIG在四象限内运行，实现网侧有功和无功的解耦控制；包括转子侧变流器RSC控制和网侧变流器GSC控制；
转子侧变流器RSC为双馈感应发电机提供频率可变的交流励磁电压，数学模型为：
（13）
式中，、/>、/>、/>分别为有功和无功功率调节器的比例和积分增益；/>、/>、、/>分别为转子侧q、d轴电流调节器的比例和积分增益；/>、/>分别为转子电流的d、q轴分量；/>、/>分别为转子侧控制电流d、q轴分量参考值；/>为无功功率参考值；/>、分别为有功、无功功率的测量值；/>-/>为RSC控制环节引入的中间变量；
网侧变流器GSC维持直流支撑电容电压恒定并控制输入功率因数，其数学模型为：
（14）
式中，、/>分别为直流母线电压调节器的比例和积分增益；/>、/>、/>、/>分别为网侧q、d轴电流调节器的比例和积分增益；/>、/>分别为网侧变换器电流的d、q轴分量；、/>分别为网侧控制电流d、q轴分量参考值；/>为直流支撑电容器电压；/>为直流环节电压控制参考值；/>-/>为GSC控制环节引入的中间变量。
3.根据权利要求2所述的一种计及风电机组时空规律的电力系统安全稳定分析方法，其特征在于：步骤S2具体如下：
S2-1：特征提取：综合选取元件级和系统故障信息，以故障时的运行特征为基础，选择包含母线电压幅值及相角，发电机的有功功率、无功功率、桨距角，交流线的有功功率、无功功率，负荷的有功功率、无功功率，以及经过简单数学运算具有物理可解释性的组合特征，以全面涵盖暂态物理信息；
S2-2：特征降维：采用递归特征消除RFE与对数中心化的非线性核主成分分析法NKPCA相结合的方式进行特征选择；首先基于RFE通过训练随机森林模型进行多轮训练，每轮训练按照特征重要性进行排序，消除不相关变量，再基于新的特征集进行下一轮训练，并对不同数量特征给出准确度评估，得出最佳特征子集数量；然后，对原始数据进行对数变换，然后计算矩阵的协方差及其特征根和特征向量；具体为：
S2-2-1：对由p维特征向量组成的数据集，向量/>，非线性映射：，H是描述特征的希尔伯特空间，在特征空间H上得到/>；主成分/>，m<p，的确定原则如下：
①是x的线性函数，即/>，/>是/>维待定常数向量/>；
②取最大值，即/>充分反映x的变化情况；
③互不相关，即/>；
S2-2-2：对数据集x主成分的求解转化为求协方差矩阵的特征根和标准正交向量的问题，对原始数据样本集进行标准化处理，n为样本数，p为输入特征数，即：
（15）
式中分别为特征向量/>的均值和标准差；/>表示特征向量的映射，当/>的均值为零时，特征空间H上协方差矩阵的样本为：
（16）
计算中的线性主成分，得到：
（17）
式中，指的是分割超平面的权重，在特征空间中用于区分不同的类别；令，其中K是正半定核矩阵，核函数计算在特征空间H上的内积，有：
（18）
式中，u为特征分解得到的特征向量，为特征值；两边同时乘/>，得到，即
（19）
因此，向量x的主成分为：
（20）
S2-2-3：采用“对数中心化”的非线性主成分分析法，首先对原始数据进行对数变换，然后计算矩阵/>的协方差及其特征根和特征向量；接着，基于递归特征消除法，采用分类模型随机森林进行多轮训练，每轮训练按照置换特征重要性进行排序，消除不相关变量，再基于新的特征集进行下一轮训练，并对不同数量特征给出准确度评估，给出最佳特征子集数量，步骤如下：
①将提取的x维特征作为初始特征子集输入到分类模型中，计算得到每个特征的重要性，并利用交叉验证方法得到初始特征子集的分类精度；
②从当前特征子集中移除特征重要性最低的一个特征，得到一个新的特征子集，再次输入到随机森林分类器中，计算新的特征子集中每个特征的重要性，并利用交叉验证方法得到新的特征子集的分类精度；
③重复步骤②，直至特征子集为空，最后一共得到k个不同特征数量的特征子集，对每个子集的预测准确度进行评估，得出最佳特征数，以此为依据，确定需要保留的特征子集，并将原始数据投影到新的特征空间中，得到降低维度后的数据集；
S2-3：样本去噪：以固定长度的时间窗口进行向前滚动，对每段统计其均值并计算其标准差，如以下公式所示：
（21）
式中，为窗口序数，/>为滑动时间窗口长度，/>为特征值，/>为该段平均特征值，/>表征了第/>段序列的特征离散程度；若数据超出一段序列标准差的固定倍数范围，则判定对应的样本是受噪声干扰而产生的极端异常值，并剔除，避免影响模型评估。
4.根据权利要求3所述的一种计及风电机组时空规律的电力系统安全稳定分析方法，其特征在于：步骤S3具体为：
S3-1：结合各维度特点建立以注意力机制为核心的时间序列模块，增强模型对各不确定信息中重要影响因素的关注，注意力权重的计算方式如下：
（22）
其中，X为输入序列，q为查询信息，m为降维后特征类别总数，为注意力模块中的权重分配函数，根据注意力模型中的任务进行选择，包括多种构建模式，或由外部环境的监督信息构建，或通过模型的输入特征来产生，即自注意力模型；计算得到注意力权重/>后，将其与输入特征相乘，进而得到经注意力加权后的特征，即：
（23）
提出考虑时空关系的多头注意力模型，具体为：首先，输入变量经过输入层线性变换，转换为多个并行通道下的注意力权重向量；对各通道变换得到的权重向量取平均值，得到均值注意力向量；然后，经过非线性激活函数Sigmod和Softmax归一化，得到最终权重，并与原输入变量X相乘，得到加权向量；通过自适应各输入变量的权重，强化模型对重要信息的关注度；具体如下：
对于m维输入时间序列，首先经过线性层线性变换，并行计算各注意力头的权重向量/>，其中/>为各输入特征对应的注意力权重系数向量；将H个注意力头的输出合并求均值，得到注意力权重向量的期望为：
（24）
式中，为均值注意力权重向量；
然后，使用Sigmod和Softmax激活函数对多头注意力层的输出进行归一化，以加速模型训练，即：
（25）
S3-2：时间注意力层：采用S3-1的方法，在模型中引入多头注意力模型以挖掘时间序列信息，不同时间步长下的抽象信息对预测结果的影响通过时间注意因子来反映；时间注意力层的输入为不同机组的时间步长，输出为各时间断面在模型预测中所占权重，通过对模型输入历史时间序列的各个时间点动态分配注意力权重，在训练过程中增大对模型预测重要时间点的信息关注度；
S3-3：空间注意力层：采用S3-1的方法，引入空间注意力机制，此时多头注意力模型的输入为不同机组的时序特征，输出为各机组的空间注意力权重，以反映不同发电机组对系统暂态稳定性的影响差异；
S3-4：特征注意力层：采用S3-1的方法，引入自注意力机制，此时多头注意力层的输入为电力系统量测的物理特征，输出为各特征的权重因子；
S3-5：改进循环神经网络：
循环神经网络RNN是一种多层无监督神经网络，通过逐层特征映射后，将原空间样本的特征映射到另一个特征空间，整体采用逐层预训练的无监督学习机制；在此循环神经网络中，定义了样本关注度指标以对暂态稳定样本的重要性进行赋权，使得模型更多地从暂态稳定决策边界附近的样本中挖掘信息；
输入变量与稳定边界之间的距离为：
（26）
其中为拉格朗日乘子，/>为核函数；b为偏置；定义样本/>影响力指标如下：
（27）
采用交叉熵函数作为损失函数，如以下公式所示：
（28）
其中，R为目标的类别数，表示第/>个样本预测为第r个标签的概率，将样本影响力函数引入损失函数中，修改后的目标函数如以下公式所示：
（29）
S3-6：将特征注意力层、时间注意力层和空间注意力层分别与循环神经网络RNN融合，融合模型为STF-RNN：首先，将样本—特征增强后的数据集输入第一层中进行特征差异化学习；然后，数据经过RNN非线性映射后，通过时间注意模块对序列中不同历史时刻的时序信息进行加权处理，以突出对模型决策至关重要的时间断面；之后，考虑风机的空间分布及装机容量差异，经过空间注意层挖掘各风电机组对模型决策的贡献度；最后，经过全连接层线性化后得到的输出即为模型最终的TSA结果。
5.根据权利要求4所述的一种计及风电机组时空规律的电力系统安全稳定分析方法，其特征在于：步骤S4具体为：
S4-1：判稳依据：
①利用暂态稳定桨距角判据，通过观测各发电机经过第一、二个振荡周期是否失步判断系统能否保持同步稳定运行，进而区分正常状态和非正常状态；
②对于正常状态，通过设置全网N-1故障集，若切除单一元件后系统仍保持正常状态运行，则该系统为安全状态；若切除某些元件后系统不再满足桨距角稳定性，则该样本为警戒态；
③对于非正常状态，基于能量原理，即振荡时有功功率是否过零点，进而判断系统是否非发生同步振荡解列，若系统发生解列则该样本为崩溃态，反之则为紧急态；
S4-2：评估指标：
结合电力系统运行状态的混淆矩阵；以准确率、漏判率、误判率作为综合表征模型性能的指标；具体如下：
①准确率：是从整体上衡量模型的拟合效果，表征模型对所有状态样本的预测正确性，如公式（30）所示：
（30）
其中，表示测试集样本总数；
②漏评率：表征模型未准确识别非正常状态的误差，如公式（31）所示：
（31）
③误评率：表征模型将正常状态样本误分类为非正常状态的误差，如公式（32）所示：
（32）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323096.9A CN117937607B (zh) | 2024-03-21 | 2024-03-21 | 一种计及风电机组时空规律的电力系统安全稳定分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323096.9A CN117937607B (zh) | 2024-03-21 | 2024-03-21 | 一种计及风电机组时空规律的电力系统安全稳定分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117937607A true CN117937607A (zh) | 2024-04-26 |
| CN117937607B CN117937607B (zh) | 2024-05-31 |
Family
ID=90752254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410323096.9A Active CN117937607B (zh) | 2024-03-21 | 2024-03-21 | 一种计及风电机组时空规律的电力系统安全稳定分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117937607B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118332457A (zh) * | 2024-06-17 | 2024-07-12 | 杭州熔合智造科技有限公司 | 基于特征融合和对比学习的非侵入式负荷识别方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238980A (zh) * | 2022-07-13 | 2022-10-25 | 湖南大学 | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 |
| CN115293415A (zh) * | 2022-07-28 | 2022-11-04 | 三峡大学 | 计及时间演变和空间相关的多风电场短期功率预测方法 |
| CN116050867A (zh) * | 2023-02-06 | 2023-05-02 | 太原理工大学 | 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 |
| CN116109178A (zh) * | 2022-12-29 | 2023-05-12 | 国网辽宁省电力有限公司鞍山供电公司 | 一种面向高比例新能源接入的电力系统稳定评估方法 |
| CN116245033A (zh) * | 2023-05-12 | 2023-06-09 | 南方电网数字电网研究院有限公司 | 人工智能驱动的电力系统分析方法及智能软件平台 |
| CN116893293A (zh) * | 2023-05-30 | 2023-10-17 | 三峡大学 | 基于空间注意力校正神经网络的暂态电压稳定评估方法 |
| CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
| CN117578466A (zh) * | 2024-01-17 | 2024-02-20 | 国网山西省电力公司电力科学研究院 | 一种基于优势函数分解的电力系统暂态稳定预防控制方法 |
| CN117668691A (zh) * | 2023-11-21 | 2024-03-08 | 国网湖北省电力有限公司 | 基于深度学习的电力系统暂态稳定性判别的方法及系统 |
-
2024
- 2024-03-21 CN CN202410323096.9A patent/CN117937607B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238980A (zh) * | 2022-07-13 | 2022-10-25 | 湖南大学 | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 |
| CN115293415A (zh) * | 2022-07-28 | 2022-11-04 | 三峡大学 | 计及时间演变和空间相关的多风电场短期功率预测方法 |
| CN116109178A (zh) * | 2022-12-29 | 2023-05-12 | 国网辽宁省电力有限公司鞍山供电公司 | 一种面向高比例新能源接入的电力系统稳定评估方法 |
| CN116050867A (zh) * | 2023-02-06 | 2023-05-02 | 太原理工大学 | 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 |
| CN116245033A (zh) * | 2023-05-12 | 2023-06-09 | 南方电网数字电网研究院有限公司 | 人工智能驱动的电力系统分析方法及智能软件平台 |
| CN116893293A (zh) * | 2023-05-30 | 2023-10-17 | 三峡大学 | 基于空间注意力校正神经网络的暂态电压稳定评估方法 |
| CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
| CN117668691A (zh) * | 2023-11-21 | 2024-03-08 | 国网湖北省电力有限公司 | 基于深度学习的电力系统暂态稳定性判别的方法及系统 |
| CN117578466A (zh) * | 2024-01-17 | 2024-02-20 | 国网山西省电力公司电力科学研究院 | 一种基于优势函数分解的电力系统暂态稳定预防控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| PEIYAN HU 等: ""A Study on Short-Term Wind Power Forecasting Method Based on Wind Speed Spatio-Temporal Calibration and Power Self-adaptive Correction"", 《IEEJ TRANSACTIONS ON ELECTRICAL AND ELECTRONIC ENGINEERING》, vol. 18, no. 10, 31 October 2023 (2023-10-31), pages 1607 - 1616 * |
| 武宇翔 等: ""基于变权重随机森林的暂态稳定评估方法及其可解释性分析"", 《电力系统自动化》, vol. 47, no. 14, 25 July 2023 (2023-07-25), pages 93 - 114 * |
| 武宇翔 等: ""融合多注意力深度神经网络的可解释光伏功率区间预测"", 《电网技术》, 14 August 2023 (2023-08-14), pages 1 - 20 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118332457A (zh) * | 2024-06-17 | 2024-07-12 | 杭州熔合智造科技有限公司 | 基于特征融合和对比学习的非侵入式负荷识别方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117937607B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
| CN107341349A (zh) | 风机健康评估的方法、系统、存储器及控制器 | |
| CN105760617A (zh) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| CN117937607B (zh) | 一种计及风电机组时空规律的电力系统安全稳定分析方法 | |
| Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
| CN109408849B (zh) | 一种基于同调机组分群的风电场动态等值方法 | |
| CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 | |
| Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
| CN112065668A (zh) | 一种风电机组状态异常评估方法及系统 | |
| CN112821424A (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 | |
| CN109272258B (zh) | 基于K-means聚类的区域风光发电资源评估方法 | |
| Li et al. | A novel adaptive STFT-SFA based fault detection method for nonstationary processes | |
| CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
| CN112994101A (zh) | 基于神经网络的风电场发电功率后评估及监测方法 | |
| Qian et al. | A weighted kNN fault detection based on multistep index and dynamic neighborhood scale under complex working conditions | |
| CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
| CN113222067B (zh) | 基于SVM-Adaboost算法的孤岛智能检测方法 | |
| CN113009338B (zh) | 海上风电变桨电机定子匝间短路故障诊断方法 | |
| Yao et al. | Power curve modeling for wind turbine using hybrid-driven outlier detection method | |
| CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
| CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
| Niu et al. | Missing Wind Speed Imputation Research for Wind Farm Considering Wake Effect | |
| Ou et al. | Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |