基于SVM-PSO的换相失败预防控制优化方法及系统与流程
本发明涉及直流换相失败预防控制技术领域，尤其涉及一种基于svm-pso的换相失败预防控制优化方法及系统。
背景技术：
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。
为实现电能的跨区优化配置，远距离，大容量的高压直流输电技术得到了广泛应用，交流电网内部直流落点密集,给系统的安全稳定运行带来风险。交流系统短路故障导致直流换相失败是交直流系统的常见故障，大容量直流换相失败会导致直流闭锁等严重故障，中断功率传输，影响受端电网稳定性。因此，降低交流侧故障时系统发生换相失败风险，对提高系统稳定性具有重要意义。
现有技术指出换流器逆变侧发生三相接地故障时，暂态过程中电压跌落至换相临界电压以下时系统会发生换相失败。现有技术指出提高系统的无功支撑可以避免暂态过程中电压跌落至换相临界电压以下。现有技术在同等容量的动态无功补偿下，基于动态无功—电压灵敏度确定动态无功的最佳补偿地点，降低了系统发生换相失败的风险。现有技术以降低换相失败的概率为目标，假定每一个无功补偿节点的补偿容量给定，基于多馈入交互作用因子、多馈入有效短路比等指标提出一种动态无功布点方法。现有技术依据电压跌落幅值，定量优化逆变侧母线无功补偿容量，提高系统电压支撑能力，避免直流系统发生换相失败。现有技术基于时域仿真计算无功—换相失败风险灵敏度指标和换相失败的优化效果指标对多个无功补偿装置的布点和容量进行优化。
发明人发现，现有的大多研究方法未对多个无功控制变量进行定量的协同优化，难以实现无功配置的全局优化；且基于时域仿真计算优化效果指标，存在耗时长的问题。
技术实现要素：
有鉴于此，本发明提出了一种基于svm-pso的换相失败预防控制优化方法及系统，以最小化无功控制量和触发换相失败的故障节点数为目标，计及稳态安全约束，优化发电机无功出力和无功补偿容量。针对该问题约束变量多、非线性强的特点，提出一种具有参数自适应性的改进粒子群算法，并采用拉丁超立方抽样生成初始粒子；计算粒子适应值时，基于支持向量机构建评估换相失败的代理模型替代时域仿真，提高粒子适应值计算速度。
在一些实施方式中，采用如下技术方案：
基于svm-pso的换相失败预防控制优化方法，包括：
以无功控制量和触发换相失败的故障节点数最小作为目标函数，计及稳态安全约束，建立用于优化发电机无功出力和无功补偿容量的多目标优化函数；
采用具有参数自适应性的改进粒子群算法，对所述多目标优化函数进行求解，得到最优的发电机无功出力和无功补偿容量，实现对发电机的无功控制，避免换相失败。
在另一些实施方式中，采用如下技术方案：
基于svm-pso的换相失败预防控制优化系统，包括：
用于以无功控制量和触发换相失败的故障节点数最小作为目标函数，计及稳态安全约束，建立用于优化发电机无功出力和无功补偿容量的多目标优化函数的装置；
用于采用具有参数自适应性的改进粒子群算法，对所述多目标优化函数进行求解，得到最优的发电机无功出力和无功补偿容量的装置。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于svm-pso的换相失败预防控制优化方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于svm-pso的换相失败预防控制优化方法。
与现有技术相比，本发明的有益效果是：
本发明建立了换相失败预防的无功控制优化模型，优化模型以最小化无功控制量和触发换相失败的故障节点数为目标，采用粒子群算法(particleswarmoptimization，pso)求解优化模型。
由于触发换相失败的节点数难以直接解析求解，本发明提出一种自适应参数的改进粒子群算法对多个无功控制变量协调优化以减少触发换相失败的节点数；在粒子更新过程中，为快速计算优化后触发换相失败的节点数，构建支持向量机(supportvectormachine，svm)代理模型评估换相结果，从而快速求解粒子适应值。最后，以某省级电网模型作为算例验证本文算法的有效性和快速性。
附图说明
图1为传统的基于pso的优化流程图；
图2为本发明实施例中基于svm-pso的优化流程图；
图3为本发明实施例中省级电网模型图；
图4(a)-(b)分别为本发明实施例中基于pso算法优化前后的无功控制量；
图5为本发明实施例中权重调整前后代理模型的精度f1；
图6(a)-(b)分别为本发明实施例中优化前后的无功控制量；
图7为本发明实施例中故障时逆变侧电压最低值。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
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申请的示例性实施方式。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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中，公开了一种基于svm-pso的换相失败预防控制优化方法，包括：
以无功控制量和触发换相失败的故障节点数最小作为目标函数，计及稳态安全约束，建立用于优化发电机无功出力和无功补偿容量的多目标优化函数；
采用具有参数自适应性的改进粒子群算法，对所述多目标优化函数进行求解，得到最优的发电机无功出力和无功补偿容量。
下面对上述过程进行详细说明。
1、优化模型
1.1目标函数
换相失败的预防控制优化是在保证系统稳态安全的基础上，优化发电机无功出力和无功补偿容量。提高暂态电压，避免暂态过程中换流器逆变侧电压最低值低于换相临界电压，从而降低换相失败的风险。根据以上分析，本实施例以无功控制量和触发换相失败的故障节点数最小作为目标函数，如下式所示：
式中：f1表示无功控制量的优化代价；qgi和qci分别表示优化后发电机的无功出力和无功补偿容量；
本实施例的优化问题是一个多目标优化问题，为简化问题分析，给两个优化目标设置不同权重把该问题转化为单目标优化问题，如下式所示:
minf＝s1*f1+s2*f2(3)
式中：s1和s2分别是控制代价和换相失败节点数的权重。由式(3)可知，无功控制代价越小的同时如果触发换相失败的节点数越少，则目标函数f越小。综合以上分析，本文中的多目标优化问题转化为最小化目标函数f的单目标优化问题。
约束条件
对任意优化方案，应满足潮流约束，控制变量约束和状态变量约束，如下式所示：
式中：qgi，qci，qli是发电机的无功出力，无功补偿容量及负载的无功功率；nb是电网中所有母线节点集合；ui，uj是节点i和j的电压；gij，ij，bij是线路节点i和j之间线路的电导，相角和电纳；pgi和pli是发电机的有功出力和负载消耗的有功功率；qgimin和qgimax是发电机i的无功出力的上下限；qgimin和qgimax表示节点i无功补偿容量的上下限；uimin和uimax表示节点i的电压上下限。
2、基于pso的换相失败预防控制优化
2.1无功控制变量和母线故障集合确定
进行优化之前，需先确定待优化的无功控制变量。由于无功不能远距离传输，距离直流落点过远的发电机和无功补偿对换相结果影响小。本实施例根据工程经验选择距离直流落点一定范围内所有可能的补偿节点和发电机作为的无功控制变量。
为减少计算耗时，需选出具有优化效果的故障节点计算f2。由于优化前后部分节点故障时对应的换相结果不变，如距离直流落点近的母线故障容易触发换相失败，而较远的故障点对换相结果影响微弱，因此，本实施例在电网无功控制变量达到上限的运行状态和当前运行状态下，分别遍历全网母线节点，设置三相金属性接地故障，选出优化前会发换相失败，优化后不会触发换相失败的故障母线节点集合nf。
2.2基于粒子群算法的换相失败预防的无功优化
换相失败预防控制的无功优化是非线性复杂系统优化问题，目标函数无法通过解析法直接求解,而pso对目标函数无法解析的多维优化问题具有很强的适应性。根据上述分析，本实施例选择pso算法求解换相失败预防控制的无功优化问题。
传统pso算法中粒子的更新公式为：
式中：d表示粒子的维数；k表示粒子代数；w表示惯性权重；r1，r2是两个(0，1)之间的随机数；c1，c2表示个体学习因子和社会学习因子。
一个粒子表示一组控制措施，粒子的每一维代表控制措施中的一个无功控制变量。计算粒子适应值之前，结合仿真软件解潮流，校验控制措施是否满足稳态约束。如果满足，则进行时域仿真评估换相结果，计算粒子适应值，否则将该粒子的适应值置为较大数值，不满足约束条件的粒子在迭代过程中会被自动剔除。迭代过程中粒子按式(5)和式(6)进行更新，以最大迭代次数nmax作为粒子停止迭代的条件，基于pso算法的控优流程如图1所示。
2.3粒子群算法改进
传统pso算法的初始粒子群是随机生成的，当初始粒子群的搜索范围较小时，算法易陷入局部最优。针对换相失败控制问题，为提高粒子群的全局搜索能力，本实施例从粒子初始位置的生成和粒子速度的更新来改进粒子群算法。
2.3.1初始粒子位置的生成
如果粒子位置由完全随机抽样生成，容易出现数据聚焦的问题，导致粒子群算法陷入局部最优。拉丁超立方抽样(latinhypercubesampling，lhs)是一种分层抽样，抽取的样本是不同控制变量不同水平的组合，它能用尽可能少的样本点获取解空间信息的最大化。为增加初始粒子群的多样性，提高算法全局搜索能力，本实施例基于lhs生成初始粒子群。
2.3.2改进参数更新的粒子群算法
粒子群算法的参数w、c1、c2对算法的寻优能力有较大影响。较大的惯性权重有利于粒子飞到最优解附近，加快算法收敛速度；较小惯性权重使粒子群在最优解附近精细搜索，提高算法寻优能力。根据以上所述，本实施例调整粒子的惯性权重随着迭代次数的增加而减少，具体更新公式为：
式中：wmax是惯性权重上限；wmin是惯性权重下限；t是粒子群当前迭代次数；nmax是最大迭代次数。
c1代表粒子获取自身飞行经验的能力，c2代表粒子获取群体飞行经验的能力。在搜索前期，粒子根据自身飞行经验有利于粒子探索新的解空间；搜索后期，算法趋于收敛，粒子主要依靠群体经验更新位置，向全局最优的方向搜索。根据以上分析，本实施例改进学习因子的更新公式为：
式中：c1s和c1e是个体学习因子最大值和最小值；c2s和c1e是社会学习因子最大值和最小值。
3、基于svm快速计算粒子适应值
3.1代理模型的构建
换相失败的评估本质上是一个二分类问题，传统时域仿真计算暂态电压最低值与换相临界电压比较实现换相失败的评估。现有技术指出，支持向量机能够通过核函数，快速实现非线性问题的分类，因此，本文使用svm模型评估换相失败，并引入非线性的rbf核函数将低维空间中特征数据映射到高维空间，寻找最优超平面实现换相结果的分类。rbf的结构为：
式中：γ是和核半径有关的参数；xi是中心点；x是任意一点。根据以上分析，svm是单输出分类器，而计算f2需评估不同母线故障时换流器的换相结果，因此，本实施例为故障集中每一个母线都构造一个svm分类器评估该母线故障时换流器的换相结果。
3.2样本生成
训练模型之前，需生成相应的样本集。本实施例需在不同无功控制措施下评估换流器换相结果，因此，以不同控制措施和相应的换相结果构建样本集，其中以无功控制措施作为代理模型的输入特征，换相结果作为输出。
为降低样本规模，提高抽样效率，本实施例选择lhs生成无功控制措施的集合。lhs生成的样本是各个控制因素在不同水平时的组合，如果在无功控制量的上下限之间，仅通过一次lhs生成所有样本，无法反映系统整体无功出力。因此，本实施例根据专家经验在系统的无功出力的上下限之间划分为多个不同区间，在区间内基于lhs生成控制措施的集合。
得到控制措施集合后，基于时域仿真获取母线故障时换流器逆变侧电压最低值，并根据现有技术得到本文中换相临界电压为0.8pu，对最低电压二值化得到换流器的换相结果，如下式所示：
式中：r表征换相结果，1表示换相成功，0表示换相失败；umin是换流器逆变侧电压最低值。
3.3样本不均衡问题的处理
在系统不同无功出力之间生成分类器样本时，可能存在数据不均衡问题。如在系统无功出力较少时，换相失败的样本数可能远多于换相成功的样本数。当给定不同类别的分类错误代价相同时，分类器倾向于将换相失败的一类样本预测成换相成功的那一类，对换相失败的样本具有较高的错分率。
针对样本不均衡时分类器错分率高的问题，调整各类样本的惩罚权重之比为各类样本数的反比提高分类器的泛化能力。提高对小类样本错分的惩罚权重，增强算法的泛化能力，提高分类精度。同时，为合理度量分类器的泛化能力，使用precision和recall的调和平均f1能够更加准确估计模型的分类精度。只有在模型的分类精度足够高时，f1才取得较大值，f1的计算过程如下式所示：
式中：precision是模型的准确率，是被预测为正例样本中真正正例的占比；recall是模型的召回率，正类样本中被预测为正类的样本占比；tp是正类样本预测为正类样本的样本数；fp是反类样本预测为正类样本的个数；tn是反类样本预测为反类样本的个数；fn是正类样本预测为反类样本的个数。
3.4基于svm-pso的优化方法
为得到精度较高的代理模型，需生成足够的样本保证代理模型精度。本实施例首先为代理模型生成少量样本，并将样本划分为训练集和测试集，在用训练集中数据训练代理模型以后，使用测试集中的数据校验代理模型精度。如果精度不够，增加采样点，重新生成样本，重新校验代理模型精度直到满足要求。
得到精度较高的代理模型以后，将基于时域仿真评估换相失败替换成基于代理模型评估换相失败。计算粒子适应值之前，通过解潮流校验粒子是否满足稳态约束条件，如果满足则使用svm代理模型评估换相结果，否则将粒子适应值置为较大数值。基于svm-pso的优化流程如图2所示。
4、算例分析
4.1算例电网介绍
本实施例选取某省级电网作为算例验证基于svm-pso优化算法的有效性和优化效率。电网模型如图3所示，其中有三条直流输电线路，本文针对其中一条直流输电的换相失败进行优化，61号是其逆变侧母线节点。优化前所有无功补偿节点的补偿容量均为0，无功出力仅由发电机提供。根据2.1节的方法得到19个无功控制变量，包括7台发电机机组，12个无功补偿节点，12个具有优化效果母线节点。
为生成代理模型样本，构建12个分类器，指定发电机无功出力范围为当前出力水平的0.8到1.2之间，无功补偿容量为0-450mvar。每个分类器得到1300个无功控制措施不同的样本，其中975个样本用作训练代理模型，剩下325个样本作为测试集校验模型泛化能力。
4.2改进pso算法验证
本实施例通过基于固定参数的pso算法和基于自适应参数的改进粒子群算法，并采用lhs生成初始粒子群，比较初始粒子最优适应值和迭代终止时的最优适应值。设定粒子种群规模n＝35，nmax＝20，wmax＝0.9，wmin＝0.4，c1s＝2，c1e＝1.49445，c2s＝2，c2e＝1.49445。计算目标函数时，本实施例指定所有无功控制措施的权重wqi和wci均为1；由于直流线路额定传输功率为2000mw，发生换相失败将对受端电网造成较大的功率损失，为尽可能降低换相失败的风险，本实施例偏向减少触发换相失败的故障节点数，将式(3)中f1的权重s1设置为1，f2的权重s2设置为2000。具体比较结果如表1所示。
表1传统pso和改进pso最优适应值比较
由表1可知，初始粒子的适应值具有随机性，当pso算法达到最大迭代次数时，改进pso算法的无功控制量比传统pso算法的无功控制量减少381.97mvar，从而降低了无功控制代价。
为分析两种方法得到控制量的差异，需对基于固定参数的pso算法和基于自适应参数的改进粒子群算法的得到的各控制量进行比较，具体如图4(a)-(b)所示。
由图4(a)-(b)可知，两种优化算法得到发电机无功出力较为接近，而节点13无功补偿差别明显。其中61号节点是换流器逆变侧母线，62，63，64是与61号节点直接相连的母线节点，13号节点通过线路与63号节点相连，进而对换流器逆变侧母线提供无功支持。改进pso的优化结果中，节点61，62，63，64的无功补偿量较大，而其他节点补偿量均为零。这表明，改进pso得到的优化结果准确反映了无功就地补偿的原则，整体优化控制代价较低。但是，传统pso算法对61-64节点的无功控制量略小，反而在13号节点增加了大量无功补偿，这与无功就地补偿原则相悖，导致无功控制代价增大。因此，本文针对换相失败控制问题对pso算法所做的改进，能够提高算法的收敛性和全局寻优能力，降低系统控制代价。
4.3改变惩罚权重对代理模型精度的影响
训练代理模型时，调整样本权重，给小类样本赋予更大的惩罚权重，并与未调整权重的得到代理模型精度对比，代理模型精度如图5所示。结果表明，调整样本权重后，对于样本较为均衡的代理模型精度提升不明显，但是对于正负样本数量差距大的37号，54号和90号代理模型的分类精度有较大提升。由图5可知，代理模型建立了正确的函数非线性映射关系，能够满足本文的测试要求。
4.4改进svm-pso算法寻优计算
基于svm-pso算法得到粒子群算法迭代终止时的最优粒子，该粒子对应的f1为2012.65，f2为0。为分析基于svm-pso的优化效率，统计基于时域仿真软件和基于代理模型计算该粒子适应值的耗时，当采用时域仿真是耗时为34.0448s，采用代理模型时耗时为0.6283s。代理模型的计算效率约为时域仿真的54倍，表明代理模型能够显著提高pso进化效率。
为分析svm和时域仿真的差异，在改进pso算法中，分别使用svm和时域仿真评估换相失败，计算粒子适应值，详细优化后的方案如图6(a)-(b)所示。
由图6(a)-(b)可知，两种优化方案得到发电机的无功出力相差不大，62，63，64，61母线节点的无功控制量基本相同，但65号节点的控制量略有差异。以上分析表明，本实施例基于svm的代理模型能够正确反映无功控制措施和换相失败结果间的关系。
为校验基于svm-pso算法得到的优化方案的有效性，使用仿真软件校验该优化方案。采用该优化方案后，基于潮流计算可知所有母线节点最大电压为1.067pu，最小电压为0.977pu，65号节点电压为1.034pu，满足电网稳态约束条件。
为校验svm-pso优化结果的准确性，需基于时域仿真得到优化前后触发换相失败的故障节点数。依据换相临界电压评估换相失败时，需得到故障时换流器逆变侧电压最低值，电压具体大小如图7所示。
由图7可知，优化前故障集中所有母线故障均会触发换相失败，优化后所有母线故障时电压最低值均大于0.8pu，其中54号母线故障时，换流器逆变侧最低电压为0.8022pu，此时触发换相失败的故障节点数为0。以上数据分析表明本文基于svm-pso优化方法能够消除触发换相失败的故障节点数。
因此，基于svm-pso的优化算法耗时远小于基于时域仿真的pso算法，且能够得到合理的无功优化方案。
综合以上分析，本实施例建立换相失败的预防控制优化模型，该模型以控制代价和触发换相失败的故障节点数最小为优化目标，采用基于svm-pso优化方法对模型求解。
本实施例改进pso算法使用lhs抽样生成初始粒子位置并自适应调整算法参数，提高了算法的寻优能力；对小类样本赋予更大的惩罚权重，提高了代理模型的泛化能力；
在粒子群算法迭代过程中基于代理模型评估换相结果，显著减少了优化模型的求解时间，能够准确评估换相失败。
算例分析表明，基于svm-pso的优化算法能够在保证一定的准确率的基础上快速求得有效的无功控制优化方案。
实施例二
在一个或多个实施方式中，公开了一种基于svm-pso的换相失败预防控制优化系统，包括：
用于以无功控制量和触发换相失败的故障节点数最小作为目标函数，计及稳态安全约束，建立用于优化发电机无功出力和无功补偿容量的多目标优化函数的装置；
用于采用具有参数自适应性的改进粒子群算法，对所述多目标优化函数进行求解，得到最优的发电机无功出力和无功补偿容量的装置。
上述装置的具体实现方式与实施例一中公开的方法相同，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于svm-pso的换相失败预防控制优化方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的基于svm-pso的换相失败预防控制优化方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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。
- 还没有人留言评论。精彩留言会获得点赞！