一种基于极限学习机的输电网线路有功安全校正方法与流程

本发明属于电力系统运行与控制领域，是涉及一种基于极限学习机的输电网线路有功安全校正方法。

背景技术：

智能电网和大电网互联技术的发展，在解决我国能源分布格局不均、提高电网坚强性方面起到重大作用，但同时造成我国电网互联程度及复杂性空前提高，对电网安全稳定运行提出更高要求。研究表明，连锁故障是造成大停电事故的重要原因，故障元件引起潮流转移会导致正常运行线路变为重载、过载运行状态，这是连锁故障蔓延的重要因素。因此，对处于重载、过载状态的运行输电线路进行有功安全校正，调度部门需要采取快速有效的发电机出力调整及切负荷措施，使输电线路恢复正常运行，这对于抑制连锁故障发展保证电力系统安全稳定运行具有重要意义。

现阶段，在输电线路的有功安全校正领域，专家学者主要采用优化规划类算法和灵敏度算法。优化规划类算法通过建立有功安全校正数学模型，设定目标函数和各类约束条件，并利用数学解析方法求解数学模型获得校正措施，此类方法考虑全面，具有较好的安全性和经济性，但可能存在求解时间过长、调整设备过多、潮流收敛条件难以满足等问题；灵敏度方法通过求取发电机对过载线路的灵敏度，进而根据线路过载量获得校正措施，此类方法可以快速获得调整调整措施消除过载，不存在潮流收敛性问题，但是灵敏度的精确性将直接影响校正方案的有效性。

技术实现要素：

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于极限学习机的输电线路有功安全校正方法，其特征在于，包括：

步骤1，采集发电机灵敏度样本集合以及负荷灵敏度样本集合，基于极限学习机对采集的电网样本集合进行学习训练，获得节点注入功率对输电线路的灵敏度与电网运行数据间的映射关系；

步骤2，基于步骤1的灵敏度分析，建立输电线路的有功安全校正模型，所述有功安全校正模型基于目标函数：

为减出力发电机调整量，为加出力发电机调整量，δpg,z为平衡机调整量，为负荷切除量，m为惩罚系数，为远大于1的正常数，保证消除线路过载时优先调整发电机出力，再进行切负荷，目标函数以发电机和负荷调整量最小为目标：

步骤3，采集待控制电网数据，基于步骤2的有功安全校正模型，求解输电线路有功安全校正模型，到发电机和负荷的调整量，确定控制方案。

在上述的一种基于极限学习机的输电线路有功安全校正方法，所述步骤1具体包括：

步骤1.1、生成极限学习机训练样本集合，包括发电机灵敏度样本集合和负荷灵敏度样本集合，在任意电网系统中，首先确定电网的初始运行状态和网络拓扑结构，记录电网初始状态下的发电机有功出力pg⁰、负荷有功以及各传输线路的有功功率具体是：

集合一，发电机灵敏度样本集合：针对任意一台发电机(除平衡节点外)，随机改变该发电机的有功出力随机改变出力可保证得到的样本数据能全面反应电网的不同运行状态。为保证系统有功功率平衡，在改变发电机有功出力的同时，需要反向调整平衡机的有功出力调整发电出力之后，更新电网的潮流信息，并记录各传输线路的有功功率及有功变化量根据所记录的信息可以计算被调整的发电机对输电线路的灵敏度可得到一组样本数据(x1,t1)，其中该过程重复n次，每一次可以得到一组(xi,ti)，其中最终可得到发电机灵敏度训练样本集合其中n＝3,m＝1。

集合二，负荷灵敏度样本集合：针对任意一个除平衡节点外的负荷节点，随机改变有功负荷同时同向调整平衡机出力更新电网潮流信息，记录各传输线路的有功功率及有功变化量计算被调整的负荷节点对输电线路的灵敏度可得到一组样本数据(x1,t1)，其中该过程重复n次，每次可得一组(xi,ti)，其中最终可得到负荷灵敏度训练样本集合其中n＝3,m＝1。

步骤1.2、基于极限学习机对样本集合进行训练：基于步骤1.1给定的灵敏度训练样本集合选定隐含层节点个数为l，则将极限学习机的数学模型表示为：

式(1)中，gi为激励函数wi＝[wi1,wi2,...,win]为输入层的权重向量，βi＝[βi1,βi2,...,βim]为输出权重向量，即隐含层到输出层的连接权重向量，bi为第i个隐含层的偏置。

矩阵表达形式为：

hβ＝y(2)

式(2)中，

h为神经网络的隐含层输出，第i列向量对应第i个隐含层节点的输出。

已知当激励函数g无限可微时，网络参数并不需要全部调整。因此随机设置输入权值wi和隐含层的偏置bi，这样对于给定的训练样本集合，隐含层的输出矩阵h可被唯一确定，模型中仅存在变量β。

构造极限学习机关于β的误差函数：

此时极限学习机对样本集合的训练过程可转化为求解输出权值矩阵的最小二乘解问题：

minβ||hβ-t||(4)

求解式(4)可得：

式(5)中是矩阵h的moore-penrose广义逆。

最终得到灵敏度和电网运行信息之间的映射关系：

在上述的一种基于极限学习机的输电线路有功安全校正方法，所述步骤2基于定义：电网在某一运行状态下，线路lm发生过载，过载量为其中pm为线路lm的实际有功功率，为线路lm的有功传输极限，为消除过载并保留一定裕度，需要将线路lm的有功功率降低

已知电网各发电机的有功出力pg和负荷有功大小pl，因此可确定式(6)的输入向量xg＝[δpc,pm,pg]和xl＝[δpc,pm,pl]，求得各发电机和负荷对线路lm的灵敏度；具体包括有约束条件的目标函数，其中约束条件包括：

约束条件a.系统有功功率平衡约束,保证发电机调整量和负荷调整量相等。

约束条件b.消除线路过载约束，保证调整后过载现象消除。

式(9)中，为减出力发电机对过载线路lm的灵敏度，为加出力发电机对过载线路lm的灵敏度，为负荷对过载线路lm的灵敏度。

约束条件c.支路有功运行安全约束，保证调整后其他线路安全运行。

式(10)中，t为除过载线路以外的其它线路编号，分别为线路t的初始有功功率、最小有功功率限值、最大有功功率限值。

约束条件d.发电机组出力调整量约束。

式(11)中，分别为减出力发电机的初始有功出力和有功出力下限，分别为加出力发电机的初始有功出力和有功出力上限。

约束条件e.负荷调整量约束。

式(12)中，为初始有功负荷。

在上述的一种基于极限学习机的输电线路有功安全校正方法，所述步骤4基于定义电网中某条线路lm过载时，待调整发电机有u台，待切除负荷有v个。基于粒子群智能算法，对2.2建立的有功安全校正模型进行求解，得到发电机和负荷的调整量，确定控制方案。具体步骤如下：

步骤4.1、设定最大迭代次数并初始化粒子群：设定最大迭代次数为maxd，粒子群规模为n,粒子维数为u+v，并按照式(8)、式(11)和式(12)所示约束条件，对每个粒子初始位置xi和初始速度vi进行初始化，xi＝[δpg,1,δpg,2,...,δpg,u,δpl,1,δpl,2,...δpl,v]，vi＝[vi1,vi2,...vi(u+v)]。

步骤4.2、计算每个粒子的初始适应度值，确定粒子个体极值pi和粒子群全局极值pg，适应度函数如式(13)所示。

式(13)中δpg,i为待调发电机的调整量，δpl,j为待切负荷的切除量，m为惩罚系数。

步骤4.3、更新每个粒子的速度vi和位置xi，保证xi满足式(8)、式(11)和式(12)所示约束条件，按照式(14)进行更新。

vi＝w*vi+c1r1(pi-xi)+c2r2(pg-xi),xi＝xi+vi(14)

式(14)中w为惯性权重，c1和c2为学习因子，r1和r2为[0,1]范围内的均匀随机数。

步骤4.4、计算更新位置后的每个粒子xi的适应度值f(xi)，并与个体极值pi的适应度值f(pi)比较，若f(xi)＜f(pi)，则用xi代替pi；对于每个粒子xi，将其适应度值f(xi)与全局极值f(pg)比较，若f(xi)＜f(pg)，则用xi代替pg。

步骤4.5、针对每个粒子xi，按照式(9)进行过载消除校验，按照式(10)进行线路安全运行约束校验。若满足校验，则保存局部最优pi和全局最优pg；对不满足校验的粒子按步骤1进行粒子更新。

步骤4.6、检验是否满足搜索终止条件，即迭代次数是否大于最大迭代次数。若满足终止条件，则输出全局最优pg，得到控制方案；否则返回步骤3。

在上述的一种基于极限学习机的输电线路有功安全校正方法，所述步骤4中，控制方案是基于等量反向配对原则的发电机、负荷调整策略，通过调整发电机出力和切负荷是常用的有功安全校正措施，在调整过程中，需要保证系统的功率平衡，优先调整发电机出力再进行负荷调整，同时达到发电机和负荷调整量最小的目标；根据各发电机和负荷对过载线路lm的灵敏度，对发电机和负荷进行分组：发电机灵敏度为正，则归为减出力机组g^-；发电机灵敏度为负，则归为加出力机组g⁺；发电机灵敏度为零，则归为平衡机组g⁰；对于负荷节点，选取灵敏度为负的节点作为切负荷集合l^-。然后按照绝对值大小分别对集合内的发电机和负荷进行降序排列。具体调整策略包括：

步骤5.1、从灵敏度为负的机组中按照绝对值大小顺序进行加出力调整，从灵敏度为负的机组中按照绝对值大小顺序进行减出力时调整，要保证一个机组加出力时存在另一个机组减出力，且调整量绝对值相等。

步骤5.2、一台机组可与多台机组进行顺序配对调整，直至其调整能力完全发挥。

步骤5.3、当集合g^-中机组没有减出力的能力时,集合g⁰中的机组可以减出力；当集合g⁺中机组没有加出力的能力时，集合中的机组g⁰可以加出力。

步骤5.4、当发电机调整不能消除线路过载时，再进行切负荷处理，直到支线路过载消除。

因此，本发明具有如下优点：本发明以电力系统分析理论为基础，综合考虑规划类算法和灵敏度算法的优缺点，建立基于灵敏度的启发式有功安全校正模型，同时考虑直流灵敏度存在的精确性不足问题，基于极限学习机方法，高效学习历史数据集获得精确灵敏度值，实现有功安全校正方案的快速生成的同时，保证有功安全校正方案的精确度。

附图说明

附图1极限学习机网络结构图。

附图2优化模型求解流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

下面具体介绍本发明的方法步骤，具体包括：

1.利用极限学习机对电网运行数据进行学习训练，获得节点注入功率对输电线路的灵敏度与电网运行数据间的映射关系。

1.1极限学习机训练样本集合的生成

给定某一电网系统，首先确定电网的初始运行状态和网络拓扑结构，记录电网初始状态下的发电机有功出力pg⁰、负荷有功以及各传输线路的有功功率

(1)发电机灵敏度样本集合

针对任意一台发电机(除平衡节点外)，随机改变该发电机的有功出力随机改变出力可保证得到的样本数据能全面反应电网的不同运行状态。为保证系统有功功率平衡，在改变发电机有功出力的同时，需要反向调整平衡机的有功出力调整发电出力之后，更新电网的潮流信息，并记录各传输线路的有功功率及有功变化量根据所记录的信息可以计算被调整的发电机对输电线路的灵敏度可得到一组样本数据(x1,t1)，其中该过程重复n次，每一次可以得到一组(xi,ti)，其中最终可得到发电机灵敏度训练样本集合其中n＝3,m＝1。

(2)负荷灵敏度样本集合

类似于发电机灵敏度样本集合的生成，针对任意一个负荷节点(除平衡节点外)，随机改变有功负荷同时同向调整平衡机出力更新电网潮流信息，记录各传输线路的有功功率及有功变化量计算被调整的负荷节点对输电线路的灵敏度可得到一组样本数据(x1,t1)，其中该过程重复n次，每次可得一组(xi,ti)，其中最终可得到负荷灵敏度训练样本集合其中n＝3,m＝1。

1.2基于极限学习机对样本集合进行训练

极限学习机是由黄广斌提出来的求解神经网络算法，网络结构图如图1所示。其最大的特点是相对于传统的神经网络，尤其是单隐层前馈神经网络，极限学习机的训练速度更快，训练过程不需要迭代调整输入权重和偏置，仅需求得输出权重β，非常适合在线计算和更新。

基于1.1节给定的灵敏度训练样本集合选定隐含层节点个数为l，则可以将极限学习机的数学模型表示为：

式(1)中，gi为激励函数wi＝[wi1,wi2,...,win]为输入层的权重向量，βi＝[βi1,βi2,...,βim]为输出权重向量，即隐含层到输出层的连接权重向量，bi为第i个隐含层的偏置。

矩阵表达形式为：

hβ＝y(2)

式(2)中，

h为神经网络的隐含层输出，第i列向量对应第i个隐含层节点的输出。

已知当激励函数g无限可微时，网络参数并不需要全部调整。因此随机设置输入权值wi和隐含层的偏置bi，这样对于给定的训练样本集合，隐含层的输出矩阵h可被唯一确定，模型中仅存在变量β。

构造极限学习机关于β的误差函数：

此时极限学习机对样本集合的训练过程可转化为求解输出权值矩阵的最小二乘解问题：

minβ||hβ-t||(4)

求解式(4)可得：

式(5)中是矩阵h的moore-penrose广义逆。

最终得到灵敏度和电网运行信息之间的映射关系：

2.基于灵敏度分析，建立输电线路的有功安全校正模型。

假设电网在某一运行状态下，线路lm发生过载，过载量为其中pm为线路lm的实际有功功率，为线路lm的有功传输极限，为消除过载并保留一定裕度，需要将线路lm的有功功率降低已知电网各发电机的有功出力pg和负荷有功大小pl，因此可确定式(6)的输入向量xg＝[δpc,pm,pg]和xl＝[δpc,pm,pl]，求得各发电机和负荷对线路lm的灵敏度。

2.1基于等量反向配对原则的发电机、负荷调整策略

通过调整发电机出力和切负荷是常用的有功安全校正措施，在调整过程中，需要保证系统的功率平衡，优先调整发电机出力再进行负荷调整，同时达到发电机和负荷调整量最小的目标。

根据各发电机和负荷对过载线路lm的灵敏度，对发电机和负荷进行分组：发电机灵敏度为正，则归为减出力机组g^-；发电机灵敏度为负，则归为加出力机组g⁺；发电机灵敏度为零，则归为平衡机组g⁰；对于负荷节点，选取灵敏度为负的节点作为切负荷集合l^-。然后按照绝对值大小分别对集合内的发电机和负荷进行降序排列。具体调整策略如下：

a.从灵敏度为负的机组中按照绝对值大小顺序进行加出力调整，从灵敏度为负的机组中按照绝对值大小顺序进行减出力时调整，要保证一个机组加出力时存在另一个机组减出力，且调整量绝对值相等。

b.一台机组可与多台机组进行顺序配对调整，直至其调整能力完全发挥。

c.当集合g^-中机组没有减出力的能力时,集合g⁰中的机组可以减出力；当集合g⁺中机组没有加出力的能力时，集合中的机组g⁰可以加出力。

d.当发电机调整不能消除线路过载时，再进行切负荷处理，直到支线路过载消除。

2.2建立输电线路有功安全校正模型

针对2.1介绍的基于等量反向配对原则的发电机、负荷调整策略，用数学公式进行表达，建立输电线路的有功安全校正模型。

(1)目标函数

目标函数以发电机和负荷调整量最小为目标：

式(7)中，为减出力发电机调整量，为加出力发电机调整量，δpg,z为平衡机调整量，为负荷切除量，m为惩罚系数，为远大于1的正常数，保证消除线路过载时优先调整发电机出力，再进行切负荷。

(2)约束条件

a.系统有功功率平衡约束,保证发电机调整量和负荷调整量相等。

b.消除线路过载约束，保证调整后过载现象消除。

式(9)中，为减出力发电机对过载线路lm的灵敏度，为加出力发电机对过载线路lm的灵敏度，为负荷对过载线路lm的灵敏度。

c.支路有功运行安全约束，保证调整后其他线路安全运行。

式(10)中，t为除过载线路以外的其它线路编号，分别为线路t的初始有功功率、最小有功功率限值、最大有功功率限值。

d.发电机组出力调整量约束。

式(11)中，分别为减出力发电机的初始有功出力和有功出力下限，分别为加出力发电机的初始有功出力和有功出力上限。

e.负荷调整量约束。

式(12)中，为初始有功负荷。

3.基于粒子群智能算法，求解输电线路有功安全校正模型。

粒子群算法通过粒子间的竞争和协作实现在复杂搜索空间中寻找全局最优点，具有易实现和全局搜索能力强的特点，在解决优化全局优化问题方面具有独特优势。

假设电网中某条线路lm过载时，待调整发电机有u台，待切除负荷有v个。基于粒子群智能算法，对2.2建立的有功安全校正模型进行求解，得到发电机和负荷的调整量，确定控制方案。具体步骤如下，流程图如图2所示。

1.设定最大迭代次数并初始化粒子群：设定最大迭代次数为maxd，粒子群规模为n,粒子维数为u+v，并按照式(8)、式(11)和式(12)所示约束条件，对每个粒子初始位置xi和初始速度vi进行初始化，

xi＝[δpg,1,δpg,2,...,δpg,u,δpl,1,δpl,2,...δpl,v]，vi＝[vi1,vi2,...vi(u+v)]。

2.计算每个粒子的初始适应度值，确定粒子个体极值pi和粒子群全局极值pg，适应度函数如式(13)所示。

式(13)中δpg,i为待调发电机的调整量，δpl,j为待切负荷的切除量，m为惩罚系数。

3.更新每个粒子的速度vi和位置xi，保证xi满足式(8)、式(11)和式(12)所示约束条件，按照式(14)进行更新。

vi＝w*vi+c1r1(pi-xi)+c2r2(pg-xi),xi＝xi+vi(14)

式(14)中w为惯性权重，c1和c2为学习因子，r1和r2为[0,1]范围内的均匀随机数。

4.计算更新位置后的每个粒子xi的适应度值f(xi)，并与个体极值pi的适应度值f(pi)比较，若f(xi)＜f(pi)，则用xi代替pi；对于每个粒子xi，将其适应度值f(xi)与全局极值f(pg)比较，若f(xi)＜f(pg)，则用xi代替pg。

5.针对每个粒子xi，按照式(9)进行过载消除校验，按照式(10)进行线路安全运行约束校验。若满足校验，则保存局部最优pi和全局最优pg；对不满足校验的粒子按步骤1进行粒子更新。

6.检验是否满足搜索终止条件，即迭代次数是否大于最大迭代次数。若满足终止条件，则输出全局最优pg，得到控制方案；否则返回步骤3。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。