一种基于电力大数据的电网电压稳定性预测方法
【技术领域】
[0001] 发明属于电力工程技术领域，特别设及一种基于电力大数据的电网电压稳定性预 测方法。
【背景技术】
[0002] 大数据技术率先在互联网、电信、金融等行业出现，通常指IOTB规模W上的数据 量。如果将大数据按照合理的成本和时限捕捉、管理及处理运些数据的能力进行操作，其规 模或复杂程度已经超出了常用技术。对于大数据的研究技术已经上升到国家意志，一个国 家拥有数据的规模和运用数据的能力将成为综合国力的重要组成部分，对数据的占有和控 制也将成为国家间和企业间的争夺焦点。IBM、微软、谷歌、亚马逊等跨国巨头借助大数据 技术的发展获得了更强的竞争力。IBM投资160亿美元进行30多次与大数据相关的收购， 使业绩稳定高速增长；eBay通过数据挖掘精确计算出广告中每个关键字带来的回报，2007 年W来广告费降低了 99%。2012年10月，成立了首个专口研究大数据应用和发展的学术 咨询组织一一中国通信学会大数据专家委员会。目前，国内相关技术主要集中于数据挖掘 相关算法、实际应用及有关理论方面的研究。在相关技术中，比较具有代表性的是Apache 软件基金会开发的化doop和谷歌公司开发的MapRe化ce。现代电力系统的智能化水平越 来越高，随着电网中传感器种类的增多W及智能设备的加入，处于运行状态的各种电力设 备每经过一个时间间隔被自动测量一次，测量结果经数据传输网络迅速汇集到一个数据库 中。在经过一长段时间后，数据库的大小往往能够达到TB级别的规模，不论从数据的种类 还是从数据的规模来说，运些电力数据已经属于大数据的范畴。运些从电网中实时测得的 数据种类杂多，流动速度快，并且价值密度低，常规的数据处理手段已经不能有效对其进行 挖掘，因此需要参考现在流行的大数据技术对其进行挖掘分析。
[0003] 电力系统电压不稳定/电压崩溃事故是电力系统丧失稳定性的一个重要方面。目 前已经存在多种角度和方法对电网电压稳定性进行研究，根据电压稳定的时间范畴，可W 将电压稳定分为暂态电压稳定，中期电压稳定和长期电压稳定。暂态电压稳定的时间范围 为0~10秒，主要研究角度的是感应电动机和HVDC(高压直流）联线接入弱系统所引起的 电压失稳，特别是短路后感应电动机因加速引起的失稳和由于网络弱联系引起的异步机失 步的电压失稳问题。中期电压稳定的时间范畴为1~5分钟，包括化TC,配电网中电压调节 装置和发电机过励磁限制器的作用。长期电压稳定的时间范畴为20~30分钟，其主要相 关的因素为负荷快速大量增加、传输线功率大量增长，由于系统中存在恒能负荷和恒溫控 制负荷导致的负荷因低电压失去不同时性等。目前还没有一种方法能够长期的对电网电压 的稳定性进行预测，从而保证电网电压一直处于稳定工作的状态下。
【发明内容】
[0004] 发明目的：本发明的目的在于针对现有技术的不足，提供了一种能够准确、快速的 对电网电压的稳定性进行预测的基于电力大数据的电网电压稳定性预测方法。
[0005]技术方案：本发明提供了一种基于电力大数据的电网电压稳定性预测方法，包括W下步骤：
[0006] 步骤1 :结合分岔理论，建立电网电压稳定判断指标，其中电网电压稳定判断指标 为电压稳定裕度片；
其中，Am。、P表示使用BP神经网络预测出来的系统当前 的最大负荷参数；^表示当前实测的负荷参数；
[0007] 步骤2:在电力系统中筛选数据种类，选择与电压稳定性关联密切的数据进行采 集并对采集到的数据进行归一化预处理，制作成用于训练BP神经网络模型的原始样本；
[0008] 步骤3 :使用步骤2得到的样本数据，利用粒子群算法（下文简称PSO算法）对BP 神经网络中的连接权值和阔值进行最优选择，并对经过粒子群算法优化的BP神经网络进 行训练，得到训练后的神经网络模型；
[0009] 步骤4:将电网当前运行的相关实时数据输入步骤3训练得出的BP神经网 络模型，，在确定的非线性映射规则下得到电网当前的最大负荷参数Am。、P;根据公式
计算电压稳定裕度y;
[0010] 步骤5 :根据步骤4获得的电压稳定裕度y，判断电网电压的稳定性，对电网电压 进行控制调节。
[0011] 进一步，所述步骤1中负荷参数根据公式
计算得到，其中P为电网当前负荷 的实测有功功率；P。为电网负荷实测的基态有功功率。
[0012] 进一步，所述步骤2中对采集到数据进行归一化预处理的方法为：在每一参数的 参数值中选出最大值Xm。、和最小值Xmm，根据公式
将原始数据全部变换 为在区间[-1,1]内的数。运样可W避免由于个别种类的数据过大或者过小对后续训练神 经网络过程产生不利影响，避免使训练结果过早地收敛于局部极小值。
[0013]进一步，所述步骤2中选择的与电压稳定性关联密切的数据包括电网在不同稳定 运行状态下相关节点电压幅值及相角，流进流出该节点的有功功率和无功功率，W及使用 连续潮流法计算出的电网相应的最大负荷参数。
[0014]进一步，所述步骤5中电网电压稳定性判断的标准为：当yG(0. 5, 1]时，电网电 压处于稳定程度；当yG化2,0.引时，电网电压处于警戒程度；当yG(0,0.2]时，电网 电压处于不稳定程度。
[0015]进一步，所述步骤5中对电网电压进行控制调节的措施包括采用发电机自动电压 调节器调节、采用有载调压变压器调节、采用分岔控制器调节、采用电网自动电压控制系统 调节、增加静止同步补偿装置、增加静止无功补偿装置或并联电容器、甩负荷。
[0016] 工作原理：本发明首先结合分岔理论对电力系统进行电压稳定分析，发现鞍结分 岔点对于影响电网电压的稳定性有着非常密切的联系，并将此作为判断电网电压稳定程度 的指标之一。之后借鉴当前的大数据技术，对从电网中获取的数据进行有效的数据挖掘。运 用基于PSO算法改良的BP神经网络建立电力数据（比如相关潮流信息等）与最大负荷参 数之间的非线性映射关系，从而能够达到一种预测的效果，即根据电网当前的运行状态预 测出最大负荷参数点，即鞍结分岔点。结合当前的负荷参数，计算出电压稳定裕度，判断电 网电压的稳定程度。进一步地根据预测结果，确定调节控制方案，增大稳定裕度，增强电压 的稳定性，达到电网长期安全稳定运行的目的。
[0017] 有益效果：与现有技术相比，本发明能够长期对电网电压进行预测和监控，保证电 网电压长期处于稳定状态，维护系统安全可持续运行；而且对电网电压稳定性的预测更加 准确和快速。
【附图说明】
[001引图1为本发明的流程图；
[0019] 图2为本发明实施例中建立的IE邸14节点系统模型示意图；
[0020] 图3为本发明实施例中可变负荷模型下的IE邸14节点系统经连续潮流法计算得 到的节点4的A-V曲线图；
[0021] 图4为本发明实施例中运用PSO算法选择BP神经网络最优参数时最佳适应度变 化曲线图；
[0022] 图5为本发明实施例中使用经PSO算法优化的BP神经网络得到的最大负荷参数 预测值与实际值的拟合曲线图。
【具体实施方式】
[0023] 下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施 例。
[0024] 如图1所示，本发明提供一种基于电力大数据的电网电压稳定性预测方法，具体 包括W下步骤：
[00巧]步骤1 :结合分岔理论，建立电压稳定性判断指标；
[00%] 建立电网仿真模型，如图2所示，本实施例中建立IE邸14节点系统仿真模型。
[0027] 运用连续潮流法对系统模型进行分岔计算后得到系统的A-V平衡点曲线W及曲 线上的鞍结分岔点；将鞍结分岔点出现时的负荷参数视为最大负荷参数Am。、。如图3所示， 显示的是IEEE14节点系统中节点4的A-V曲线，位于右侧的拐点就是上述分岔分析中的 鞍结分岔点，系统运行在此点状态下具有最大负荷参数Am。、，此数据对于本发明来说至关 重要。在后续的预测过程中，系统的最大负荷参数Amgyp即为BP神经网络预测的输出结果。 阳02引取电压稳定裕度y为：
CD
[0030] 当yG(0. 5, 1]时，定义电网电压处于稳定程度；当JiG(0. 2, 0.引时，定义电 网电压处于警戒程度；当ye(0,0.2]时，定义电网电压处于不稳定程度。
[0031] 步骤2 :在电力系统中测量的所有数据种类中筛选与电网电压稳定性关联密切的 数据进行采集。W考察IEEE14节点系统中节点4的电压稳定性为例，确定捜集的数据种 类为IE邸14节点系统在121种稳态运行时的节点4电压幅值及相角，与节点4相连接的 各线路和变压器支路流进和流出节点4的有功功率和无功功率，作为BP神经网络的输入变 量，共12个输入；在运121种稳态下使用连续潮流法计算出电网相应的最大负荷参数，作为 BP神经网络的输出变量，共1个输出。存入数据库后对运些数据进行归一化预处理，预处理 的方法是在每一参数的参数值中选出最大值Xm。、和最小值Xmi。，根据式（2)
巧）
[0033] 将原始数据全部变换