多时间尺度协调的交直流电网动态安全预警方法及系统

1.本发明属于电力系统动态安全预警技术领域，具体涉及一种多时间尺度协调的交直流电网动态安全预警方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.随着远距离、大容量直流输电的应用，跨区交直流混联大电网已经形成，提升了大范围资源优化配置能力，但也存在局部故障影响全局安全运行的风险。交流系统中常规的短路故障可能引发近区直流换相失败，如果换流站交流母线电压跌落幅度过大或者故障没有被及时清除，则可能引发直流连续换相失败甚至导致直流闭锁。同时，新能源发电和新型负荷的接入使源荷双侧不确定性显著增强，电网未来运行场景更难以预测，增加了安全防控的难度。因此，需要研究交直流混联大电网的动态安全预警技术，对未来可能的不安全运行状态进行告警，指导后续的防控决策。
4.针对电网动态安全预警问题，有方法使用预先设定的严重度函数或者为保障系统安全所需要损失的负荷量表征系统的不安全程度，但是这两类方法难以为后续的防控决策提供充足的决策信息。为了克服该问题，基于控制代价的预警分级方法利用为保障系统安全所需要的控制措施类型区分运行状态的不安全等级，可以为后续的控制优化决策指明需要使用的控制措施类型，缩小优化决策的搜索空间，提高决策效率。
5.然而，现有基于控制代价的动态安全预警方法至少存在以下不足：(1)预警分级时只考虑了典型的预防控制措施，没有考虑典型的紧急控制措施和可能出现停电事故的极端情况。(2)不同安全防控措施具有不同的动作时序，现有方法没有与不同动作时序的防控措施相配合，提供多时间尺度的预警结果。(3)实际运行中训练样本的数目是动态增长的，现有方法没有充分利用这些新增的样本数据，对离线训练的动态安全评估模型进行更新。


技术实现要素：

6.本发明为了解决上述问题，提出了一种多时间尺度协调的交直流电网动态安全预警方法及系统，本发明将关键输电断面作为动态安全预警的重点对象，同时将计及多属性动态安全约束的最大输电能力(total transfer capability,ttc)作为系统的动态安全性指标；根据为保障系统安全所需的应对措施类型将交直流电网安全态势划分为蓝色预警、黄色预警和红色预警；构建了6小时、1小时和15分钟的多时间尺度的动态安全预警框架，协调配合不同动作时序的应对措施；利用动态新增的样本数据，基于增量学习对ttc评估模型进行在线更新，提高预警结果的准确性。
7.根据一些实施例，本发明采用如下技术方案：
8.一种多时间尺度协调的交直流电网动态安全预警方法，包括以下步骤：
9.以关键输电断面作为动态安全预警的重点对象，将计及多属性动态安全约束的最
大输电能力作为系统的动态安全性指标，考虑典型的预防控制和紧急控制措施，建立基于控制代价的预警分级体系，根据为保障系统安全所需的应对措施类型将不安全运行状态划分为蓝色预警、黄色预警和红色预警；
10.获取6小时预测信息进行预警计算，考虑可能出现的多重预想故障，展示红色预警结果，提示准备并适时启动长时间尺度预防控制；
11.获取1小时预测信息进行预警计算，考虑n-1和部分高风险n-2预想故障，同时展示蓝色和黄色预警结果，提示针对蓝色预警结果制定并及时实施常规预防控制方案，针对黄色预警结果预先制定紧急控制策略；
12.获取15分钟预测信息进行预警计算，考虑n-1和少量高风险n-2预想故障，基于最新的源荷预测信息对已制定的紧急控制策略表进行仿真校验，筛选出可能欠控制或过控制的紧急控制策略并修正；
13.在上述过程中，获取在线生成的新训练样本，基于增量学习对计及多属性动态安全约束的最大输电能力评估模型的权重进行更新。
14.作为可选择的实施方式，如果关键输电断面的实际传输功率大于计及多属性动态安全约束的最大输电能力，则系统处于不安全的运行状态，需要采取适当的控制措施，优先采用控制代价较低的措施保障系统安全性，如果安全问题严重，则需要再采用控制代价更高的控制措施。
15.作为可选择的实施方式，所述计及多属性动态安全约束的最大输电能力根据基于堆叠降噪自动编码器和极限学习机的评估模型确定。
16.作为可选择的实施方式，所述典型预防控制措施包括区域内发电机有功调整和跨区直流功率调整；所述典型紧急控制措施包括切机切负荷和主动解列。
17.作为可选择的实施方式，所述蓝色预警对应典型的预防控制措施，黄色预警对应典型的紧急控制措施，红色预警对应于系统可能出现停电事故的极端情况，预警等级代表了运行场景在特定故障下的安全水平，预警结果同时包含了不安全场景及故障信息。
18.作为可选择的实施方式，6小时预警计算的具体过程包括：
19.基于6小时的源荷预测信息和日前发电计划，利用场景生成和缩减方法生成代表性运行场景集合；
20.根据6小时的气象预测信息进行多重预想故障的生成和筛选，只考虑发生概率大于一定阈值的多重故障；
21.根据6小时源荷预测信息生成适量新样本，更新ttc评估模型；
22.对代表性场景进行预警计算。
23.作为可选择的实施方式，1小时预警计算的具体过程包括：
24.基于1小时的源荷预测信息和滚动发电计划生成代表性运行场景集合，并基于已发生的元件故障更新电网结构信息；
25.结合1小时的气象预测信息，筛选出高风险的n-1和部分n-2预想故障；
26.根据1小时源荷预测信息生成适量新样本，更新ttc评估模型；
27.对代表性场景进行预警计算。
28.作为可选择的实施方式，15分钟预警计算的具体过程包括：
29.基于15分钟的源荷预测信息和实时发电计划生成未来运行场景，并基于已发生的
元件故障再次更新电网结构信息；
30.结合15分钟气象预测信息，筛选出高风险的n-1和少量n-2预想故障；
31.对1小时预警制定的紧急控制策略进行仿真校验。
32.作为可选择的实施方式，利用增量学习对计及多属性动态安全约束的最大输电能力评估模型进行更新的具体过程包括：
33.获取当前评估模型；
34.基于最新的源荷预测信息生成典型运行场景，结合筛选后的预想事故集，在线生成适量新样本；
35.利用堆叠降噪自动编码器对新样本进行特征提取，将提取后的高阶特征作为新的样本特征；
36.基于增量学习对评估模型中极限学习机的权重进行在线更新。
37.一种多时间尺度协调的交直流电网动态安全预警系统，包括：
38.用于以关键输电断面作为动态安全预警的重点对象，将计及多属性动态安全约束的最大输电能力作为系统的动态安全性指标，考虑典型的预防控制和紧急控制措施，建立基于控制代价的预警分级体系，根据为保障系统安全所需的应对措施类型将不安全运行状态划分为蓝色预警、黄色预警和红色预警的模块；
39.用于获取6小时预测信息进行预警计算，考虑可能出现的多重预想故障，展示红色预警结果，提示准备并适时启动长时间尺度预防控制的模块；
40.用于获取1小时预测信息进行预警计算，考虑n-1和部分高风险n-2预想故障，同时展示蓝色和黄色预警结果，提示针对蓝色预警结果制定并及时实施常规预防控制方案，针对黄色预警结果预先制定紧急控制策略的模块；
41.用于获取15分钟预测信息进行预警计算，考虑n-1和少量高风险n-2预想故障，基于最新的源荷预测信息对已制定的紧急控制策略表进行仿真校验，筛选出可能欠控制或过控制的紧急控制策略并修正的模块；
42.用于获取在线生成的新训练样本，基于增量学习对计及多属性动态安全约束的最大输电能力评估模型的权重进行更新的模块。
43.一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
44.与现有技术相比，本发明的有益效果为：
45.(1)本发明建立的预警分级体系不仅能指导预防控制决策，也能指导紧急控制预案制定，并能对可能出现停电事故的极端情况进行提前告警。
46.(2)本发明提出的多时间尺度动态安全预警框架能够协调配合不同动作时序的应对措施，共同化解可能出现的动态安全风险。
47.(3)本发明利用增量学习对ttc评估模型进行在线更新，能够有效利用新增的训练样本，在线持续提高评估结果的准确度。
48.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
49.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
50.图1为本发明实施例1提供的交直流电网动态安全预警分级示意图；
51.图2为本发明实施例1提供的多时间尺度预警框架示意图；
52.图3为本发明实施例1提供的ttc评估模型在线更新流程图；
53.图4为本发明实施例2提供的多时间尺度协调的交直流电网动态安全预警系统示意图。
具体实施方式：
54.下面结合附图与实施例对本发明作进一步说明。
55.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
56.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
57.实施例1
58.本实施例提供一种多时间尺度协调的交直流电网动态安全预警方法，包括：
59.s1：考虑典型的预防控制和紧急控制措施，建立基于控制代价的预警分级体系，根据为保障系统安全所需的应对措施类型将不安全运行状态划分为蓝色预警、黄色预警和红色预警；
60.s2：获取6小时预测信息进行预警计算，主要考虑可能出现的多重预想故障(例如极端天气引发的相继故障)，重点展示红色预警结果，提示准备并适时启动长时间尺度预防控制(加固和维护输变电设备、调度应急物资等)，消除红色预警风险；
61.s3：获取1小时预测信息进行预警计算，主要考虑n-1和部分高风险n-2预想故障，同时展示蓝色和黄色预警结果，提示针对蓝色预警结果制定并及时实施常规预防控制方案(调整发电机出力、跨区直流支援等)，针对黄色预警结果预先制定紧急控制策略(切机切负荷、主动解列等)；
62.s4：获取15分钟预测信息进行预警计算，主要考虑n-1和少量高风险n-2预想故障，基于最新的源荷预测信息对已制定的紧急控制策略表进行仿真校验，筛选出可能欠控制或过控制的紧急控制策略，以便及时修正；
63.s5：获取在线生成的新训练样本，在现有ttc评估模型的基础上，利用增量学习对ttc评估模型的权重进行在线更新。
64.所述步骤s1中，如果关键输电断面的实际传输功率大于ttc，说明系统处于不安全的运行状态，需要采取适当的控制措施。不同的控制措施具有不同的控制代价，优先采用控制代价较低的措施保障系统安全性。如果安全问题比较严重，则需要再采用控制代价更高的控制措施。因此，可以通过为了保障系统安全性所需要的控制措施类型来区分预警等级。
65.考虑的典型预防控制措施包括区域内发电机有功调整和跨区直流功率调整。通常情况下，区域内发电机有功调整不改变区域间功率传输计划，而跨区直流功率调整会改变区域间功率传输计划。如果仅靠预防控制无法保证系统的安全性，则需提前制定紧急控制预案，考虑的典型紧急控制措施包括切机切负荷和主动解列。切机切负荷不会破坏主系统结构的完整性，而主动解列会将主系统分解为几个孤立的子系统。
66.根据为保障系统安全所需的应对措施类型将不安全运行状态划分为蓝色预警、黄色预警和红色预警，预警分级示意图如图1所示。蓝色预警主要对应典型的预防控制措施，黄色预警主要对应典型的紧急控制措施，红色预警对应于系统可能出现停电事故的极端情况。预警等级代表了运行场景在特定故障下的安全水平，预警结果同时包含了不安全场景及故障信息。
67.为了与不同动作时序的防控措施相配合，在时间维把预警分解为6小时、1小时和15分钟预警。不同阶段的预警结果递进配合，共同化解可能出现的动态安全风险。多时间尺度预警框架的示意图如图2所示。
68.所述步骤s2中，基于6小时的源荷预测信息和日前发电计划，利用场景生成和缩减方法生成代表性运行场景集合。然后，根据6小时气象预测信息进行多重预想故障的生成和筛选，只考虑发生概率大于一定阈值的多重故障。接着，导入日前离线训练的ttc评估模型，根据6小时源荷预测信息生成适量新样本，更新ttc评估模型。最后，对代表性场景进行预警计算，提示系统针对红色预警结果准备并适时启动长时间尺度预防控制，消除红色预警风险。
69.所述步骤s3中，基于1小时的源荷预测信息和滚动发电计划生成代表性运行场景集合，并基于已发生的元件故障更新电网结构信息。然后，结合1小时气象预测信息，筛选出高风险的n-1和部分n-2预想故障。接着，根据1小时源荷预测信息生成适量新样本，更新ttc评估模型。最后，对代表性场景进行预警计算，提示系统针对蓝色预警结果制定并及时实施常规预防控制方案，针对黄色预警结果预先制定紧急控制策略。
70.所述步骤s4中，运行场景的变化会对紧急控制预案的效果产生影响，而1小时源荷预测信息可能存在较大误差。因此15分钟预警再基于最新预测信息重新生成未来运行场景(此时预测信息已相当准确)，对已制定好的紧急控制策略进行仿真校验和修正。
71.基于15分钟的源荷预测信息和实时发电计划生成未来运行场景，并基于已发生的元件故障再次更新电网结构信息。然后，获取1小时预警的黄色预警结果，结合15分钟气象预测信息，筛选出高风险的n-1和少量n-2预想故障。最后，对1小时预警制定的紧急控制策略进行校验，如果出现欠控制或者过控制现象，则进行紧急控制策略修正。
72.所述步骤s5中，基于堆叠降噪自动编码器(stacked denoising autoencoder,sdae)和极限学习机(extreme learning machine,elm)建立ttc快速评估模型。本实施例中，使用现有评估模型即可，例如，可以使用中国发明专利申请号为：202010107988.7的“交直流大电网动态安全风险态势滚动前瞻预警方法及系统”中的评估模型。sdae能利用深层网络结构逐层提取高阶特征，特征提取能力强，并且在面对可能含有噪声的实际数据时具有更好的鲁棒性。elm训练效率高，并且易于和增量学习算法相结合实现模型的增量训练。
73.elm训练时损失函数l的表达式为
[0074][0075]
式中：c为惩罚项系数；y为训练样本的标签向量；h为隐藏层的输出矩阵；w为elm隐藏层与输出层之间的权重向量。
[0076]
出现新训练样本后，仅根据新样本对elm的权重进行增量更新的过程为
[0077][0078][0079]
式中：t为上次更新的时刻编号；h为隐藏层节点的数目；ih为h阶的单位矩阵；hc为新增样本对应的隐藏层输出矩阵；k为新增样本数目；yc为新增样本对应的标签矩阵。矩阵a
t
的计算公式为
[0080][0081][0082]
式中：h0为日前离线训练时样本的隐藏层输出矩阵。
[0083]
ttc评估模型更新的流程图如图3所示。模型更新的主要流程为：
[0084]
(1)获取现有的ttc评估模型，在此基础上进行模型更新。
[0085]
(2)基于最新的源荷预测信息生成典型运行场景，结合筛选后的预想事故集，在线生成适量新样本。
[0086]
(3)利用sdae对新样本进行特征提取，将提取后的高阶特征作为新的样本特征。
[0087]
(4)基于增量学习对elm的权重进行在线更新。
[0088]
基于增量学习技术，能够实现“离线训练、在线应用与在线更新”的应用模式。与原有“离线训练、在线应用”的应用模式相比，能充分利用不断更新的源荷预测信息和新增的训练样本，在线持续提高模型的评估精度。
[0089]
实施例2
[0090]
如图4所示，本实施例提供一种多时间尺度协调的交直流电网动态安全预警系统，包括：
[0091]
动态安全预警分级模块，被配置为考虑典型的预防控制和紧急控制措施，建立基于控制代价的预警分级体系，根据为保障系统安全所需的应对措施类型将不安全运行状态划分为蓝色预警、黄色预警和红色预警；
[0092]
6小时预警模块，被配置为获取6小时预测信息进行预警计算，主要考虑可能出现的多重预想故障(例如极端天气引发的相继故障)，重点展示红色预警结果，提示准备并适时启动长时间尺度预防控制(加固和维护输变电设备、调度应急物资等)，消除红色预警风险；
[0093]
1小时预警模块，被配置为获取1小时预测信息进行预警计算，主要考虑n-1和部分高风险n-2预想故障，同时展示蓝色和黄色预警结果，提示针对蓝色预警结果制定并及时实施常规预防控制方案(调整发电机出力、跨区直流支援等)，针对黄色预警结果预先制定紧急控制策略(切机切负荷、主动解列等)；
[0094]
15分钟预警模块，被配置为获取15分钟预测信息进行预警计算，主要考虑n-1和少
量高风险n-2预想故障，基于最新的源荷预测信息对已制定的紧急控制策略表进行仿真校验，筛选出可能欠控制或过控制的紧急控制策略，以便及时修正；
[0095]
ttc评估模型更新模块，被配置为获取在线生成的新训练样本，在现有ttc评估模型的基础上，利用增量学习对ttc评估模型的权重进行在线更新。
[0096]
所述动态安全预警分级模块中，如果关键输电断面的实际传输功率大于ttc，说明系统处于不安全的运行状态，需要采取适当的控制措施。考虑的典型预防控制措施包括区域内发电机有功调整和跨区直流功率调整。通常情况下，区域内发电机有功调整不改变区域间功率传输计划，而跨区直流功率调整会改变区域间功率传输计划。如果仅靠预防控制无法保证系统的安全性，则需提前制定紧急控制预案，考虑的典型紧急控制措施包括切机切负荷和主动解列。切机切负荷不会破坏主系统结构的完整性，而主动解列会将主系统分解为几个孤立的子系统。
[0097]
根据为保障系统安全所需的应对措施类型将不安全运行状态划分为蓝色预警、黄色预警和红色预警。蓝色预警主要对应典型的预防控制措施，黄色预警主要对应典型的紧急控制措施，红色预警对应于系统可能出现停电事故的极端情况。预警等级代表了运行场景在特定故障下的安全水平，预警结果同时包含了不安全场景及故障信息。
[0098]
所述6小时预警模块中，基于6小时的源荷预测信息和日前发电计划，利用场景生成和缩减方法生成代表性运行场景集合。然后，根据6小时气象预测信息进行多重预想故障的生成和筛选，只考虑发生概率大于一定阈值的多重故障。接着，导入日前离线训练的ttc评估模型，根据6小时源荷预测信息生成适量新样本，更新ttc评估模型。最后，对代表性场景进行预警计算，提示系统针对红色预警结果准备并适时启动长时间尺度预防控制，消除红色预警风险。
[0099]
所述1小时预警模块中，基于1小时的源荷预测信息和滚动发电计划生成代表性运行场景集合，并基于已发生的元件故障更新电网结构信息。然后，结合1小时气象预测信息，筛选出高风险的n-1和部分n-2预想故障。接着，根据1小时源荷预测信息生成适量新样本，更新ttc评估模型。最后，对代表性场景进行预警计算，提示系统针对蓝色预警结果制定并及时实施常规预防控制方案，针对黄色预警结果预先制定紧急控制策略。
[0100]
所述15分钟预警模块中，基于15分钟的源荷预测信息和实时发电计划生成未来运行场景，并基于已发生的元件故障再次更新电网结构信息。然后，获取1小时预警的黄色预警结果，结合15分钟气象预测信息，筛选出高风险的n-1和少量n-2预想故障。最后，对1小时预警制定的紧急控制策略进行校验，如果出现欠控制或者过控制现象，则进行紧急控制策略修正。
[0101]
所述ttc评估模型更新模块中，基于堆叠降噪自动编码器(stacked denoising autoencoder,sdae)和极限学习机(extreme learning machine,elm)建立ttc快速评估模型。sdae能利用深层网络结构逐层提取高阶特征，特征提取能力强，并且在面对可能含有噪声的实际数据时具有更好的鲁棒性。elm训练效率高，并且易于和增量学习算法相结合实现模型的增量训练。
[0102]
elm训练时损失函数l的表达式为
[0103]
[0104]
式中：c为惩罚项系数；y为训练样本的标签向量；h为隐藏层的输出矩阵；w为elm隐藏层与输出层之间的权重向量。
[0105]
出现新训练样本后，仅根据新样本对elm的权重进行增量更新的过程为
[0106][0107][0108]
式中：t为上次更新的时刻编号；h为隐藏层节点的数目；ih为h阶的单位矩阵；hc为新增样本对应的隐藏层输出矩阵；k为新增样本数目；yc为新增样本对应的标签矩阵。矩阵a
t
的计算公式为
[0109][0110][0111]
式中：h0为日前离线训练时样本的隐藏层输出矩阵。
[0112]
ttc评估模型更新的主要流程为：
[0113]
(1)获取现有的ttc评估模型，在此基础上进行模型更新。
[0114]
(2)基于最新的源荷预测信息生成典型运行场景，结合筛选后的预想事故集，在线生成适量新样本。
[0115]
(3)利用sdae对新样本进行特征提取，将提取后的高阶特征作为新的样本特征。
[0116]
(4)基于增量学习对elm的权重进行在线更新。
[0117]
基于增量学习技术，能够实现“离线训练、在线应用与在线更新”的应用模式。与原有“离线训练、在线应用”的应用模式相比，能充分利用不断更新的源荷预测信息和新增的训练样本，在线持续提高模型的评估精度。
[0118]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0119]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0120]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0121]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0122]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。