基于支持向量机的分布式发配电系统暂态稳定性辨识方法与流程

本发明属于电力系统领域，具体涉及基于支持向量机的分布式发配电系统暂态稳定性辨识方法。

背景技术：

由于技术、环境、经济等方面的因素，在配电系统中分布式发电已经起到越来越重要的作用。一些微型发电能源诸如光伏、风能、小型水电站等清洁能源和热电联产、微型燃气轮机等不可再生能源，越来越多的接入到分布式配电系统以满足不断增长的电能需求。这些分布式发电的接入不仅改变了原有的能流，也改变了系统扰动后的故障电流，对分布式配电网的安全有极大的影响。因为分布式发电的连接，会导致馈线电路的故障电流的重新分布，也会引起继电损耗和潜在的过电压，而导致故障清除时间的延迟，进而引起配电系统功角和电压的不稳定性。

直接接入分布式配电系统的分布式发电必须防止故障电流流向配电网，同时也需要防止故障电流从配电网流向分布式发电机。已有少量研究表明不同的分布式发电技术对配电网系统的影响，这些技术包括人工智能技术诸如支持向量机、神经网络、模糊逻辑等，用来对分布式发电配电系统的稳定性监测。由于分布式发电的接入，系统的能流方向已经从原有的单向性，变为了现在的双向性，因此负载的变化、分布式发电的接入位置以及发电机的控制类型都会对配电网电压特性产生很大的影响。分布式发电的投入位置对配电网有不同的静态和动态影响，通过动态调整控制参数和使用自适应电压控制等方式，可以改善分布式配电系统的电压稳定情况。

有论文研究，为了加强中压环主配电系统的稳定操作，提出了一种增加继电器延时时间来发送决策信号的方法，以更好的实施故障清除，但这会恶化系统的稳定性；也有学者提出分布式发电投入的自保护方法，通过随时修改继电器的设置来改善配网系统的暂态稳定性；也有论文提出了一种稳态的等效电路方法来确定分布式系统的暂态稳定性，该方法利用解析表达式来计算临时清除时间(criticalclearingtime，cct)；鉴于不管在正常情况下还是扰动状况下，直接接入的分布式发电的动态性能会对分布式配电网产生重要影响，本发明提出一种基于支持向量机的分布式发配电系统暂态稳定性辨识方法，通过一种非线性优化工具和层次分析法(analytichierarchyprocess，ahp)来获取最优的分布式发电位置和大小，使得系统功率损失最小且获得更好的可靠性，运用数字仿真和电网计算编程语言脚本程序计算不同故障情况下的cct，利用支持向量机进行暂态特征辨识分类，给出系统预警，如果监测到系统不稳定性即将到来，则触发紧急的控制动作以防止不可知的跳闸现象发生。

技术实现要素：

本发明提供基于支持向量机的分布式发配电系统暂态稳定性辨识方法，通过非线性优化工具和ahp来获取最优的分布式发电位置和大小，使得系统功率损失最小和更好的系统可靠性，运用数字仿真和电网计算编程语言脚本程序计算不同故障情况下的cct，再将收集的扰动后的信号(包括有功功率、无功功率、电压幅值和转速)作为特征输入，利用支持向量机进行暂态特征辨识分类，为扰动后的分布式发电配电系统的暂态稳定性提供了有效的精度更好的辨识方法。

发明的目的是这样实现的：

基于支持向量机的分布式发配电系统暂态稳定性辨识方法，包括以下步骤：

步骤i：以分布式配电系统可靠性改善和功耗最小性为原则确定分布式发电(distributedgenerations，dg)的位置和最优化dg投入的容量大小；

步骤ii：对不同分布式发电机故障(包括对称的和不对称故障)进行仿真，计算出cct；

步骤iii：对定位的分布式发电机故障扰动后的信号进行收集，包括有功功率、无功功率、电压幅值和转速；

步骤iv：将计算出的cct和获取的分布式发电机的故障扰动后的信号(包括有功功率、无功功率、电压幅值和转速)作为支持向量机的输入，进行辨识分类；

步骤v：最后根据分类结果判定当前扰动后的分布式发配电系统的暂态稳定性，并进行相应操作。

所述的步骤i中，采用ahp和基于搜索的重构算法来获取分布式发电机最优的位置和投入等级，保证功率损耗最低和可靠性提高，以满足诸如功率平衡公式、电压限制、最大最小dg容量限制、馈线热极限以及不同的负载约束等约束条件，描述如下：

1)功率损耗最小原则，分布式发电的接入理应减少实际功率的损耗，这有益于满足峰值负载需求，所以分布式发电的合适的位置和大小能增强配网系统的电压特性和可靠性，假设分布式发电的接入当成一个pq节点，则其损耗可以表示为：

其中：rk表示第k条支路的电阻值，vk是第k条支路末端电压，pk和qk则表示第k条支路末端总的有功功率和无功功率。

2)可靠性原则，电力服务的可靠性取决于电力系统的可靠性，是分布式发配电系统的一个关键稳定的关键决定因素。通用的电力系统可靠性分析方法是基于最小割集或者最小联集，从输出节点到供应节点的最短路径由最小割集来确定。一旦最小割集枚举完成，系统可靠性可以表示为：

其中：mttf和mttr分别表示平均故障时间和平均修复时间；λ和μ分别表示故障率和修复率。这样不可靠性ξ则可以表示为：

ξ＝1-τ(3)

一旦系统的可靠性计算完成，这样这个系统的不可靠性可以由下面公式给出：

其中：l是总的支路数，ξk是某一支路的不可靠性。

对于每一组分布式发电的接入组合，在优化其位置和大小前，需要对其进行最小功耗原则，可靠性改善原则以满足功率平衡、电压限制、最大最小分布式发电大小限制、馈线热极限以及负载变化约束等条件，其约束如下：

最小化

f＝w1ξos+w2ploss(5)

满足

pdg_k_min≤pdg_k≤pdg_k_max(9)

st≤st_max(10)

pload＝±20％pload_normal(11)

vk_min≤vk≤vk_max(12)

其中：w1和w2是优化目标权重因子；n是配网系统总的结点数目；pk和qk表示第k条支路的末端的有功功率和无功功率；vk是结点k处的电压幅值；δk是结点k处的电压相角；θkj是线路导纳矩阵的(k-j)元素相角；ykj是线路导纳矩阵的(k-j)元素；vk_min和vk_max是对结点k处的电压限制；pdg_k_min和pdg_k_max是对接入的dg有功功率的最大最小限制；st_max表示馈线热最大承受能力；pload_normal表示配电网正常情况下负载量。

接着，通过2次迭代计算全部的目标值f＝w1ξos+w2ploss。

再通过层次分析法对上述所计算得到的目标值f＝w1ξos+w2ploss进行分析，获取最优的dg位置和大小。

所述的步骤ii中，数字仿真和电网计算编程语言脚本语言计算分布式发电配电系统不同故障或者扰动情况下的cct。

通过对配电网系统不同电力故障的仿真，包括对称和不对称的三相故障(lll)、单相接地(slg)、双线接地(dlg)、线间短路(ll)等故障情况的仿真，通过数字仿真和电网计算编程语言脚本语言计算所有的cct，作为初始稳定性判断；根据ieee标准1547，cct指故障开始时间到分布式发电停止向配电网输送能量之间的清除时间，不同电压等级和分布式发电容量的清除时间。

所述的步骤iii中，对定位的分布式发电机故障扰动后的信号进行收集，包括有功功率、无功功率、电压幅值和转速。

所述的步骤iv中，将步骤ii中所述的计算分布式发电配电系统不同故障或者扰动情况下的cct集，以及步骤iii中获取的分布式发电机故障扰动后的信号(包括有功功率、无功功率、电压幅值和转速)，作为支持向量机特征输入，进行样本训练和样本测试，得到辨识分类集。

支持向量机(supportvectormachine，svm)是模式识别智能管理学习方法，它的目标就是最大化待分类数据之间的裕度和最小化分类误差。

假设一个数据训练集为(xi，yi)(i＝1，2，3，...k)，这里xi∈rⁿ，yi∈{-1，1}^k，k是数据总量，则最优化的分离超平面可以表示为：

使得

训练向量x是函数φ的一个高维向量，c是误差项的惩罚因子。运用径向基函数(radialbasisfunction，rbf)将输入向量映射到高维训练向量，其关系可以表示为：

惩罚因子c控制数据间裕量最大化与训练误差最小化之间的平衡，核函数k(xi，yi)和γ(σ，核宽度)定义了输入向量空间到高维特征空间的非线性映射。

所述的步骤v中，利用所述的步骤iv中生成的辨识分类集对当前分布式发电机故障扰动后的分布式发电配电系统的暂态稳定性进行判定，并做出相应的操作。

采用上述技术方案，能带来以下技术效果：

1)本发明依托的电力系统是具有各种形式的电力能源接入的区域配电网系统，分布式发电的接入位置和大小应该要满足峰值负荷时不出现不必要的负载脱落或者跳闸，为了更好的确定分布式发电接入的位置和大小，本发明采用ahp方法和基于搜索的重构算法来获取分布式发电机最优的位置和投入等级，保证系统功率损耗最低和系统可靠性的提高；

2)本发明提供的方法中采用数字仿真和电网计算编程语言脚本语言计算分布式发电配电系统不同故障或者扰动情况下的cct，模拟仿真不同情况下包括对称或者不对称三相短路、双相短路以及单相短路，合成不同情况下的cct集，为分布式发电配电系统暂态稳定性做出更合理有效的判定；

3)本发明提供的方法中，采用svm机器学习技术，支持向量机是新的功能强大的机器学习技术，基于vapnik-hervonenkis(vc)维理论和结构风险最小化原理，svm建立了最优网络结构，可以很好的在经验误差和vc置信区间找到平衡点，本发明将分布式发电机故障扰动后的信号(包括有功功率、无功功率、电压幅值和转速)作为特征输入，利用支持向量机进行辨识分类，再结合cct集，为扰动后的分布式发电配电系统的暂态稳定性给出更有效的精度更高的预判。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是本发明中基于支持向量机的暂态稳定性辨识流程图；

图2是基于搜索算法确定最优dg位置大小流程图；

图3是基于svm的系统暂态判定流程图。

具体实施方式

本发明提供的方法，具有更好的辨识精度，采用层次分析法和基于搜索的重构算法来获取最优的分布式发电机位置和投入等级，通过数字仿真和电网计算编程语言脚本语言计算cct，再利用支持向量机来来进行辨识分类，为扰动后的分布式发电配电系统的暂态稳定性提供了有效的精度更好的辨识方法。

如图1所示，图1为本发明中基于支持向量机的暂态稳定性辨识流程图；基于支持向量机的分布式发配电系统暂态稳定性辨识方法包括以下步骤：

步骤i：以分布式配电系统可靠性改善和功耗最小性为原则确定分布式发电的位置和最优化分布式发电机投入的容量大小；

步骤ii：对不同分布式发电机故障(包括对称的和不对称故障)进行仿真，计算出cct；

步骤iii：对定位的分布式发电机故障扰动后的信号进行收集，包括有功功率、无功功率、电压幅值和转速；

步骤iv：将计算出的cct和获取的分布式发电机的故障扰动后的信号(包括有功功率、无功功率、电压幅值和转速)作为支持向量机的输入，进行辨识分类；

步骤v：最后根据分类结果判定当前扰动后的分布式发配电系统的暂态稳定性，并进行相应操作。

图1所示步骤i中，以满足分布式配电系统功耗最小性和可靠性改善为原则，确定最优的分布式发电的位置和大小，描述如下：

1、功率损耗最小原则，分布式发电的接入理应减少实际功率的损耗，这有益于满足峰值负载需求，所以分布式发电的合适的位置和大小能增强配网系统的电压特性和可靠性，假设分布式发电的接入当成一个pq节点，则其损耗可以表示为：

其中：rk表示第k条支路的电阻值，vk是第k条支路末端电压，pk和qk则表示第k条支路末端总的有功功率和无功功率。

2、可靠性原则，电力服务的可靠性取决于电力系统的可靠性，是分布式发配电系统的一个关键稳定的关键决定因素。通用的电力系统可靠性分析方法是基于最小割集或者最小联集，从输出节点到供应节点的最短路径由最小割集来确定。一旦最小割集枚举完成，系统可靠性可以表示为：

其中：mttf和mttr分别表示平均故障时间和平均修复时间；λ和μ分别表示故障率和修复率。这样不可靠性ξ则可以表示为：

ξ＝1-τ(3)

一旦系统的可靠性计算完成，这样这个系统的不可靠性可以由公式(4)给出：

其中：l是总的支路数，ξk是某一支路的不可靠性。

图2给出了寻找分布式发电接入的最优位置和大小算法流程图。

图2所示步骤i-1中，对于每一组分布式发电的接入组合，在优化其位置和大小前，需要对其进行最小功耗原则，可靠性改善原则以满足功率平衡、电压限制、最大最小分布式发电大小限制、馈线热极限以及负载变化约束等条件，其约束如下：

最小化

f＝w1ξos+w2ploss(5)

满足

pdg_k_min≤pdg_k≤pdg_k_max(9)

st≤st_max(10)

pload＝±20％pload_normal(11)

vk_min≤vk≤vk_max(12)

其中：w1和w2是优化目标权重因子；n是配网系统总的结点数目；pk和qk表示第k条支路的末端的有功功率和无功功率；vk是结点k处的电压幅值；δk是结点k处的电压相角；θkj是线路导纳矩阵的(k-j)元素相角；ykj是线路导纳矩阵的(k-j)元素；vk_min和vk_max是对结点k处的电压限制；pdg_kmin和pdg_kmax是对接入的dg有功功率的最大最小限制；st_max表示馈线热最大承受能力；pload_normal表示配电网正常情况下负载量。

图2所示步骤i-2中，通过2次迭代计算全部的目标值f＝w1ξos+w2ploss；

图2所示步骤i-3中，通过层次分析法对图2步骤i-2中所计算得到的目标值f＝w1ξos+w2ploss进行分析，获取最优的分布式发电(dg)位置和大小。

图1所示步骤ii中，通过对配电网系统不同电力故障的仿真，包括对称和不对称的三相故障(lll)、单相接地(slg)、双线接地(dlg)、线间短路(ll)等故障情况的仿真，通过数字仿真和电网计算编程语言脚本语言计算所有的cct，作为初始稳定性判断；根据ieee标准1547，cct指故障开始时间到分布式发电停止向配电网输送能量之间的清除时间，不同电压等级和分布式发电容量的清除时间如表1所示。

表1

图1所示步骤iii中，通过图1步骤ii中所述，对配电网系统不同电力故障的仿真，包括对称和不对称的三相故障(lll)、单相接地(slg)、双线接地(dlg)、线间短路(ll)等故障情况的仿真，获取基于cct判别标准的稳定和不稳定故障后信息的收集(包括有功功率、无功功率、电压幅值和转速)，作为svm辨识分类的输入向量。

图1所示步骤iv中，svm是一种模式识别智能管理学习方法，它的目标就是最大化待分类数据之间的裕度和最小化分类误差。

假设一个数据训练集为(xi，yi)(i＝1，2，3，...k)，这里xi∈rⁿ，yi∈{-1，1}^k，k是数据总量，则最优化的分离超平面可以表示为：

使得

训练向量x是函数φ的一个高维向量，c是误差项的惩罚因子。运用径向基函数rbf将输入向量映射到高维训练向量，其关系可以表示为：

惩罚因子c控制数据间裕量最大化与训练误差最小化之间的平衡，核函数k(xi，yi)和γ(σ，核宽度)定义了输入向量空间到高维特征空间的非线性映射。

图3是基于svm的配电网暂态稳定辨识流程图，首先通过图1步骤ii中对配电网系统不同电力故障的仿真，收集分布式发电接入位置的所有稳定和不稳定故障后信号(包括有功功率、无功功率、电压幅值和转速)，并将这些信号作为输入量，通过径向基函数映射到非线性高维训练空间，运用交叉验证技术得到最优的c和γ，再训练c和γ，并运用测试样本进行测试完成，如表2所示。

表2

图1所示步骤v中，根据分类结果判定当前扰动后的分布式发配电系统的暂态稳定性，并进行相应操作。

最后应当说明的是，以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均应涵盖在本发明的权利要求保护范围之内。