本发明涉及一种基于历史计算结果的短路电流控制规则提取方法,属于电力系统自动化。
背景技术:
1、大规模集中式新能源接入对短路电流水平产生了直接的影响,海量分布式新能源接入改变了电网的源荷分布,传统的短路电流控制策略面临着严峻的挑战。基于物理模型挖掘短路电流控制规则的方法面临新能源机组数据多、分布离散、单个新能源机组影响小等问题,难以挖掘出新型电力系统的短路电流控制规则。短路电流海量的历史计算结果中蕴含大量的短路电流控制规则信息,亟需融合物理机理和大数据技术提取出短路电流控制规则。
2、专利“计及安全稳定限额约束的短路电流预防控制方法及装置”(cn202110428472.7)提出了一种计及安全稳定限额约束的短路电流预防控制决策方法,分别计算候选短路电流控制措施对关键断路器短路电流的控制效果,在此基础上实现短路电流最优预防控制措施的选取,但候选措施中存在着大量新能源措施时存在计算耗时较长的问题。
3、专利“用于500千伏变电站出线方案调整的输电网结构优化方法”(cn202110441474.x)提出了一种用于500千伏变电站出线方案调整的输电网结构优化方法,针对初步筛选的出线调整方案,需要计算不同出线调整方案下短路电流水平,但未能说明评估的短路电流水平是近区全部断路器或依赖于专家经验进行筛选,存在计算冗余或遗漏的风险。
4、专利“一种限制短路电流运行方式的智能辅助决策方法及系统”(cn201911022581.8)提出了一种基于机器学习的限制短路电流控制措施决策方法,对机器学习预测结果进行仿真校核,出现预测结果不适用的情况时采用常规辅助决策方法,但机器学习预测出现不适用的情况是可以通过短路电流规则挖掘提前知道,若历史数据中没有相关的规则,那么机器学习预测结果的适应性是随机的。
5、公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
技术实现思路
1、本发明的目的在于克服现有技术中的不足,提供一种基于历史计算结果的短路电流控制规则提取方法,通过海量历史运行方式数据和短路电流历史计算结果,先筛选出可能有效的候选措施,在此基础上融合物理机理,进一步筛选出有效的短路电流控制措施,实现短路电流控制规则的快速、可靠提取,支撑电网调控的运行方式调整、预防控制决策,保障新型电力系统的安全、稳定运行。
2、为达到上述目的,本发明是采用下述技术方案实现的:
3、本发明公布了一种基于历史计算结果的短路电流控制规则提取方法,包括如下步骤,
4、获取预处理后的短路电流历史计算结果,包括各母线短路电流历史计算结果、短路电流历史计算结果的时标、及全网发电机组启停状态、线路投运状态;
5、根据所述预处理后的短路电流历史计算结果,采用高斯混合模型进行聚类,得到高斯混合聚类结果;
6、根据所述高斯混合聚类结果,基于预设的区间阈值,分离出集合sbus,集合sbus中所有的母线均可提取出准确、有效的短路电流控制规则;
7、根据所述集合sbus,分别计算全网发电机组启停状态、线路投运状态与短路电流的相关系数,筛选得到发电机组集合sgen和线路集合sline;
8、取电网全接线、机组全部投运的典型运行方式数据,计算集合sbus中所有母线的短路电流,记为第一短路电流;
9、在电网全接线、机组全部投运的典型运行方式数据的基础上,分别令sgen中的发电机组停运并计算集合sbus中所有母线的短路电流,记为第二短路电流;
10、在电网全接线、机组全部投运的典型运行方式数据的基础上,分别令sline中的线路检修并计算集合sbus中所有母线的短路电流,记为第三短路电流;
11、根据所述第一短路电流和第二短路电流,提取短路电流的发电机组控制规则;
12、根据所述第一短路电流和第三短路电流,提取短路电流的线路控制规则。
13、进一步的,所述短路电流历史计算结果的预处理包括如下步骤:
14、获取各母线短路电流历史计算结果及其对应时标;
15、根据所述短路电流历史计算结果的时标,获取时标对应的全网发电机组启停状态、线路投运状态;
16、将全网发电机组启停状态、线路投运状态合并至对应时标的母线短路电流历史计算结果,得到预处理后的各母线短路电流历史计算结果;其中,响应于某一时标只有母线短路电流历史计算结果或全网发电机组启停状态、线路投运状态数据,则剔除该时标数据。
17、进一步的,所述发电机组启停状态中,发电机组启动记为1,停运记为0;所述线路投运状态中,线路投运记为1,停运记为0。
18、进一步的,所述高斯混合模型包括基于diagonal协方差的高斯混合模型、基于spherical协方差的高斯混合模型、基于tied协方差的高斯混合模型和基于full协方差的高斯混合模型;
19、所述高斯混合模型的选取方法如下:
20、采用基于diagonal协方差的高斯混合模型,聚类数分别为n1~n2,对短路电流历史计算结果进行聚类,采用贝叶斯信息准则评估基于diagonal协方差高斯混合模型的最优聚类数;
21、采用基于spherical协方差的高斯混合模型,聚类数分别为n1~n2,对短路电流历史计算结果进行聚类,采用贝叶斯信息准则评估基于spherical协方差高斯混合模型的最优聚类数;
22、采用基于tied协方差的高斯混合模型,聚类数分别为n1~n2,对短路电流历史计算结果进行聚类,采用贝叶斯信息准则评估基于tied协方差高斯混合模型的最优聚类数;
23、采用基于full协方差的高斯混合模型,聚类数分别为n1~n2,对短路电流历史计算结果进行聚类,采用贝叶斯信息准则评估基于full协方差高斯混合模型的最优聚类数;
24、对比所述diagonal、spherical、tied、full协方差高斯混合模型的短路电流分布与实际分布误差,选取取贝叶斯信息准则评估得分最小的高斯混合模型作为进行短路电流聚类的高斯混合模型。
25、进一步的,根据所述高斯混合聚类结果,基于预设的区间阈值,分离出母线的集合sbus,包括:
26、根据高斯混合聚类结果,响应于存在至少一个区间母线k分布在该区间的分布概率小于预设的区间阈值ε,则将母线k纳入集合sbus。
27、进一步的,所述分布概率的表达式如下:
28、
29、其中,p(x)为短路电流为x的概率密度,k为最佳聚类数,ωi、μi和∑i分别为第i类的权重、均值和方差。
30、进一步的,所述发电机组集合sgen和线路集合sline的筛选方法为:
31、根据所述集合sbus,计算全网发电机组启停状态与短路电流的相关系数,筛选出相关系数绝对值大于预设的系数阈值η的发电机组,得到发电机组集合sgen;
32、根据所述集合sbus,计算线路投运状态与短路电流的相关系数,筛选出相关系数绝对值大于预设的系数阈值η的线路,得到线路集合sline。
33、进一步的,所述预设的系数阈值η为0.7。
34、进一步的,所述发电机组启停状态与短路电流的相关系数的表达式如下:
35、
36、其中,rg,k表示发电机组g启停状态与母线k短路电流的相关系数;n表示历史数据的数量;表示第j条记录发电机组g启停状态;表示发电机组g启停状态的均值;表示第j条母线k短路电流;表示母线k短路电流的均值。
37、进一步的,所述线路投运状态与短路电流的相关系数的表达式如下:
38、
39、其中,rl,k表示线路l投运状态与母线k短路电流的相关系数;n表示历史数据的数量;表示第j条线路l投运状态;表示线路l投运状态的均值;表示第j条母线k短路电流;表示母线k短路电流的均值。
40、与现有技术相比,本发明所达到的有益效果:
41、本发明融合大数据技术和物理机理,通过海量历史运行方式数据和短路电流历史计算结果,从大量候选措施筛选出可能有效的候选措施,在此基础上融合物理机理,进一步筛选出有效的短路电流控制措施,实现短路电流控制规则的快速、可靠提取,支撑电网调控的运行方式调整、预防控制决策,保障新型电力系统的安全、稳定运行。