一种在线预测电力系统负荷能力极限的方法
【专利摘要】本发明公开了一种在线预测电力系统负荷能力极限的方法，该方法由基于电网状态相似度指标的样本筛选方法、Lasso方法和误差反向传播型神经网络三部分组成；其中基于电网状态相似度指标的样本筛选方法以样本负荷能力极限值和电网状态相似度量化指标为依据，对训练样本进行筛选。Lasso方法对训练样本进行回归分析，确定各状态量中对负荷能力极限最具有解释性的系统状态量。误差反向传播型神经网络通过精简后的训练样本来离线拟合负荷能力极限并用于在线预测。该方法能够在保证预测精度的情况下明显提高误差反向传播型神经网络的离线训练效率。
【专利说明】一种在线预测电力系统负荷能力极限的方法
【技术领域】
[0001]本发明属于电力系统稳定性分析【技术领域】，具体涉及一种在线预测电力系统负荷能力极限的方法。
【背景技术】
[0002]而随着现代电力系统的发展，系统的规模不断扩大，网络结构日趋复杂，环境和经济因素的制约使电力系统的运行情况更加接近极限条件。在线评估电压稳定性是预防大停电事故的重要手段之一。
[0003]快速求解系统负荷能力极限是在线评估电力系统电压稳定性最基本的要求。电力系统在运行过程中，随着电力系统中的负荷不断增加，系统的潮流雅克比矩阵将趋向于奇异，当潮流雅克比奇异时，系统达到潮流临界解，该状态下系统的负荷总有功功率即为系统的负荷能力极限(或称极限传输功率、静态电压稳定极限)，系统负荷能力极限越大，则可认为系统在该情景下的静态电压稳定性越好。连续潮流法是计算电力系统静态电压稳定极限的经典方法，但由于其计算量较大、耗时较多，难于在线应用。由于电力系统负荷能力极限无法用解析表达式描述，因此该领域研究主要集中在采用神经网络对负荷能力极限进行在线估计。
[0004]李妍、程时杰等在标题为电压稳定极限附近神经网络模拟及静态稳定裕度判定(电力系统自动化，1999(21)，37-40)的文献中提出了一种用误差反向传播神经网络来模拟节点电压静态稳定临界状态附近的过渡过程的方法，该方法中可用于分析在某种运行方式电网各节点的电压静态稳定储备系数。崔峰、齐占庆、姜萌在标题为基于模糊神经网络的电力系统电压稳定评估(电力系统保护与控制，2009(11)，40-44)的文献中设计了一个多输入单输出的模糊神经网络，通过计算带静止无功补偿器电力系统的负荷能力极限，对系统的电压稳定性进行评估，有功与无功负载的不确定性、有功与无功发生器、母线电压以及无功补偿装置的参数都被考虑进来，该方法采用Kohonen自组织映射网络聚类所有节点的有功和无功负荷来减少输入量个数。陈爱军、刘爱国在标题为基于神经网络模型的在线电压稳定极限评估(电力科学与工程，2010 (08)，19-23)的文献将回归分析和人工神经网络模型同时应用于电力系统电压稳定评估，用回归分析法求取负荷对电压稳定裕度的灵敏度，根据预先设置好的灵敏度阀值来进行特征选择，从而减少输入变量的维数。
[0005]上述三种采用神经网络来离线训练和在线估计负荷能力极限时存在以下两个问题:(1)电力系统可用的输入变量过多；(2)训练样本数量多但分布并不理想。这两个问题将降低神经网络的离线训练效率并影响其预测效果，在系统规模较大时其影响十分明显。
【发明内容】
[0006]针对现有技术所存在的上述技术问题，本发明提供了一种在线预测电力系统负荷能力极限的方法，能够有效提高神经网络的离线训练效率和在线预测效果。
[0007]—种在线预测电力系统负荷能力极限的方法，包括如下步骤:[0008](I)通过对电力系统进行离线仿真，生成系统在随机多个工况下对应的多个训练样本；所述的训练样本包括输入变量和输出变量，所述的输出变量为系统的负荷能力极限(又称为静态电压稳定极限、极限传输功率);
[0009]每个样本的系统的负荷能力极限的求取方法如下:电网在某一随机工况下，不断增加全网负荷和发电机的功率，负荷功率增长方式为全网各负荷保持恒功率因数按各自的初始有功功率比例同步增长，发电机功率增长方式为除平衡机以外的全体发电机按各自的初始有功出力比例共同承担全网增长的负荷总有功功率。随着全网负荷和发电机功率的不断增加，系统的潮流雅克比矩阵趋向奇异，当系统达到潮流临界解时，该状态下系统的全网负荷总有功功率即为系统的负荷能力极限(或称静态电压稳定极限、极限传输功率)。[0010](2)通过基于电网状态相似度指标的筛选方法对训练样本进行筛选，进而对筛选保留下来的训练样本进行特征选择，从而实现对训练样本降维；
[0011](3)利用降维后的训练样本对误差反向传播型神经网络进行训练，得到用于预测电力系统负荷能力极限的神经网络模型；
[0012](4)实时采集电力系统的状态信息，通过所述的神经网络模型计算出系统的负荷能力极限。
[0013]所述的输入变量和状态信息均包括系统的全网负荷总有功功率、全网负荷总无功功率、全网发电机总有功出力、全网发电机总无功出力、系统中各节点的节点电压和节点相角、各发电机的有功出力和无功出力、各负荷的有功功率和无功功率。
[0014]所述的步骤(2)中对训练样本进行筛选的具体过程如下:
[0015]Al.按负荷能力极限从小到大对所有训练样本进行排序；
[0016]A2.比较前两个训练样本的负荷能力极限，若两者的负荷能力极限差小于预设的功率阈值，则计算两者间的电网电压状态相似度指标、电网有功状态相似度指标以及电网无功状态相似度指标，若三个相似度指标均小于对应预设的三个指标阈值，则表明两个训练样本同类，并删除其中任意一个训练样本，令保留下来的训练样本为待比较样本；其他情况下则表明两个训练样本非同类，保留两个训练样本，并令后一个训练样本为待比较样本；
[0017]A3.根据步骤A2依次使下一个训练样本与待比较样本进行比较，以遍历完所有训练样本。
[0018]所述的步骤(2)中对训练样本进行特征选择的具体过程如下:
[0019]B1.使保留下来的训练样本通过 Lasso (Least Absolute Shrinkage and SelectOperator，最小绝对值收缩选择)方法确定训练样本输入变量中各特征量对应的回归系数；
[0020]B2.对于任一训练样本，删除其输入变量中回归系数为O对应的特征量；
[0021]B3.根据步骤B2，遍历所有训练样本。
[0022]所述的电网电压状态相似度指标、电网有功状态相似度指标以及电网无功状态相似度指标的计算公式如下:
【权利要求】
1.一种在线预测电力系统负荷能力极限的方法，包括如下步骤: (1)通过对电力系统进行离线仿真，生成系统在随机多个工况下对应的多个训练样本；所述的训练样本包括输入变量和输出变量，所述的输出变量为系统的负荷能力极限； (2)通过基于电网状态相似度指标的筛选方法对训练样本进行筛选，进而对筛选保留下来的训练样本进行特征选择，从而实现对训练样本降维； (3)利用降维后的训练样本对误差反向传播型神经网络进行训练，得到用于预测电力系统负荷能力极限的神经网络模型； (4)实时采集电力系统的状态信息，通过所述的神经网络模型计算出系统的负荷能力极限。
2.根据权利要求1所述的方法，其特征在于:所述的输入变量和状态信息均包括系统的全网负荷总有功功率、全网负荷总无功功率、全网发电机总有功出力、全网发电机总无功出力、系统中各节点的节点电压和节点相角、各发电机的有功出力和无功出力、各负荷的有功功率和无功功率。
3.根据权利要求1所述的方法，其特征在于:所述的步骤(2)中对训练样本进行筛选的具体过程如下: Al.按负荷能力极限从小到大对所有训练样本进行排序； A2.比较前两个训练样本的负荷能力极限，若两者的负荷能力极限差小于预设的功率阈值，则计算两者间的电网电压状态相似度指标、电网有功状态相似度指标以及电网无功状态相似度指标，若三个相似度指标均小于对应预设的三个指标阈值，则表明两个训练样本同类，并删除其中任意一个训练样本，令保留下来的训练样本为待比较样本；其他情况下则表明两个训练样本非同类，保留两个训练样本，并令后一个训练样本为待比较样本； A3.根据步骤A2依次使下一个训练样本与待比较样本进行比较，以遍历完所有训练样本。
4.根据权利要求3所述的方法，其特征在于:所述的电网电压状态相似度指标、电网有功状态相似度指标以及电网无功状态相似度指标的计算公式如下:
5.根据权利要求4所述的方法，其特征在于:感兴趣节点个数Nv为系统中节点电压等级大于预设电压等级的所有节点的总个数，感兴趣节点个数Np和乂为系统中连接有发电机或负荷的所有节点的总个数。
6.根据权利要求1所述的方法，其特征在于:所述的步骤(2)中对训练样本进行特征选择的具体过程如下: B1.使保留下来的训练样本通过Lasso方法确定训练样本输入变量中各特征量对应的回归系数； B2.对于任一训练样本，删除其输入变量中回归系数为O对应的特征量； B3.根据步骤B2，遍历所有训练样本。
7.根据权利要求1所述的方法，其特征在于:所述的步骤(3)中，采用单隐含层的误差反向传播型神经网络进行训练。
【文档编号】G06Q50/06GK103559556SQ201310529012
【公开日】2014年2月5日 申请日期:2013年10月31日 优先权日:2013年10月31日
【发明者】徐政, 刘昇, 董桓锋, 李晖, 王智冬, 王帅 申请人:浙江大学, 国家电网公司