一种电力系统大扰动稳定性判别方法与流程

1.本发明属于电力系统稳定判断技术领域，涉及一种电力系统大扰动稳定性判别方法。


背景技术：

2.电力系统在发生大扰动后的稳定性判别是电力系统方式计算以及安全防控需要考虑的重要问题。电力系统大扰动稳定性包括暂态功角稳定、暂态电压稳定和动态稳定。近年来，随着电力系统中数据的完善以及信息技术的发展，使得数据驱动的暂态功角稳定和暂态电压稳定方法受到广泛关注。
3.近年来，多种人工智能方法被应用于电力系统大扰动稳定分析领域。申请公开号为cn108832619a的中国专利，提出了一种基于深度卷积神经网络构建暂态稳定评估模型，该专利以母线特征作为输入，考虑故障切除后的相对功角差得到稳定标签，即主要考虑暂态功角稳定。申请公开号为cn112069723a的中国专利，提出了一种基于卷积神经网络的暂态稳定评估模型，该专利以发电机特征作为输入，同样以故障后的暂态功角稳定作为学习目标。申请公开号为cn112290539a的中国专利，提出一种基于极端梯度提升模型的暂态电压稳定裕度评估方法，该专利以支路和母线特征作为输入，评估电力系统的暂态电压稳定裕度。现有方法往往只考虑大扰动稳定性中的一种，对不同的稳定主题，分别训练不同的模型。然而，实际电网中的各种失稳现象往往交织在一起，采用对不同主题的大扰动稳定分别训练不同模型的方式，难以充分利用不同类型变量在宏观上的关联关系，且多个模型管理起来相对复杂。此外，已有方法往往采用所有发电机、或所有母线及支路的特征作为输入，当电网中的设备投入情况发生变化，一般只能将退出运行的设备变量作为缺失值单独考虑。


技术实现要素：

4.本发明的目的是提出一种电力系统大扰动稳定性判别方法，综合考虑暂态功角稳定、暂态电压稳定、大扰动动态稳定，采用二维多输入深度卷积神经网络模型用于大扰动稳定性判别，在输入变量的选择上，只选择大扰动后动态曲线中相对重要的电气量作为输入，以提高稳定性判别方法在不同设备投入情况下的适用性。
5.本发明提出的电力系统大扰动稳定性判别方法，首先根据时域仿真计算方法和电力系统安全稳定导则，对s种运行工况在f种故障下的暂态电压稳定性、暂态功角稳定性、大扰动动态稳定性进行计算，得到s
×
f种运行场景下大扰动后n个采样点的所有发电机转子角度δ
ik
(t)、所有母线的电压幅值v
jk
(t)以及大扰动稳定性标签y
k
；
6.根据大扰动后n个采样点的所有发电机转子角度δ
ik
(t)、所有母线的电压幅值v
jk
(t)，选取受扰严重发电机和受扰严重母线，计算得到第k种运行场景下的特征向量x
k
；
7.将每种运行场景的特征向量x
k
中的发电机变量和母线变量，分别排列成两组二维数据，将两组二维数据分别输入至卷积层、池化层、批量归一化层和全连接层，输出得到发
电机变量的输出o
k1
和母线变量的输出o
k2
，将发电机变量o
k1
和母线变量的输出o
k2
合并输入至全连接层，得到大扰动稳定判别模型m的结构；
8.根据s
×
f种运行场景的特征向量x
k
、大扰动稳定性标签y
k
和基于自适应矩估计的梯度下降算法，迭代计算待求参数w
l(1)1
、h
g(1)1
、w
l(2)2
、h
g(2)2
和h
g(3)3
，得到最终的大扰动稳定性判别模型m；
9.获取大扰动后所有发电机的转子角度、所有母线的电压幅值，经过计算并输入至电力系统大扰动稳定性判别模型m中，得到电力系统大扰动稳定性判别结果。
10.本发明提出的电力系统大扰动稳定性判别方法，其特点和优点是：
11.本发明的电力系统大扰动稳定性判别方法，综合考虑了大扰动功角稳定、大扰动电压稳定和大扰动动态稳定，首先，采集大扰动后发电机转子角和母线电压幅值，然后通过均值和极差的计算得到受扰严重的发电机和母线，采用受扰严重发电机的转子角度和受扰严重母线的电压幅值分别作为卷积层、池化层、批量归一化层、全连接层的输入，然后将上述两类输出合并输入至全连接层，得到大扰动稳定输出，构成大扰动判别模型的结构，并求解待求参数得到最终的大扰动稳定判别模型，并用于大扰动稳定判别。本发明方法中，构建了一种包含发电机功角、母线电压幅值作为输入特征的二维深度卷积神经网络模型，在输入变量的选择上，只选择受扰严重的发电机和母线特征作为输入。本发明方法能够综合考虑电网在大扰动后的各类失稳现象，由于输入变量的数量经过了筛选，使模型能够适用于电网的不同运行场景。
附图说明
12.图1是本发明提出的电力系统大扰动稳定性判别方法的流程框图。
13.图2是本发明方法中步骤(3)中大扰动稳定判别模型结构示意图。
具体实施方式
14.本发明提出的电力系统大扰动稳定性判别方法，首先根据时域仿真计算方法和电力系统安全稳定导则，对s种运行工况在f种故障下的暂态电压稳定性、暂态功角稳定性、大扰动动态稳定性进行计算，得到s
×
f种运行场景下大扰动后n个采样点的所有发电机转子角度δ
ik
(t)、所有母线的电压幅值v
jk
(t)以及大扰动稳定性标签y
k
；
15.根据大扰动后n个采样点的所有发电机转子角度δ
ik
(t)、所有母线的电压幅值v
jk
(t)，选取受扰严重发电机和受扰严重母线，计算得到第k种运行场景下的特征向量x
k
；
16.将每种场景的特征向量x
k
中的发电机变量和母线变量，分别排列成两组二维数据，将两组二维数据分别输入至卷积层、池化层、批量归一化层和全连接层，输出得到发电机变量的输出o
k1
和母线变量的输出o
k2
，将发电机变量o
k1
和母线变量的输出o
k2
合并输入至全连接层，得到大扰动稳定判别模型m的结构；
17.根据s
×
f种运行场景的特征向量x
k
、大扰动稳定性标签y
k
和基于自适应矩估计的梯度下降算法，迭代计算待求参数w
l(1)1
、h
g(1)1
、w
l(2)2
、h
g(2)2
和h
g(3)3
，得到最终的大扰动稳定性判别模型m；
18.获取大扰动后所有发电机的转子角度、所有母线的电压幅值，经过计算并输入至电力系统大扰动稳定性判别模型m中，得到电力系统大扰动稳定性判别结果。
19.上述电力系统大扰动稳定性判别方法，具体步骤如图1所示，包括如下步骤：
20.(1)对具有n台发电机、m个母线的电力系统，根据时域仿真计算方法和电力系统安全稳定导则，对s种运行工况在f种故障下的暂态电压稳定性、暂态功角稳定性、大扰动动态稳定性进行计算，得到s
×
f种运行场景下大扰动后n个采样点的所有发电机转子角度δ
ik
(t)、所有母线的电压幅值v
jk
(t)以及大扰动稳定性标签y
k
：
[0021][0022]
其中，上标k表示第k种运行场景，k＝1,2,
…
,s
×
f，下标i表示电力系统中的第i台发电机，i＝1,2,
…
,n，下标j表示电力系统中的第j个母线，j＝1,2,
…
,m，t表示第t个采样点，t＝1,2,
…
,n，n为人为设定的采样点数，采样的时间间隔由人工指定，在本发明的一个实施例中采样点数n设为30，采样间隔为0.01s，电力系统在第k种运行场景下的大扰动稳定性标签y
k
＝(y
k1
,y
k2
,y
k3
)，其中，y
k1
表示第k种运行场景下电力系统在大扰动后的暂态功角稳定性，用y
k1
＝1表示电力系统无法保持暂态功角稳定，用y
k1
＝0时表示电力系统能够保持暂态功角稳定，y
k2
表示第k种运行场景下电力系统在大扰动后的暂态电压稳定性，用y
k2
＝1表示电力系统无法保持暂态电压稳定，用y
k2
＝0时表示电力系统能够保持暂态电压稳定，y
k3
表示第k种运行场景下电力系统在大扰动后的动态稳定性，用y
k3
＝1表示电力系统无法保持动态稳定，用y
k3
＝0时表示电力系统在大扰动后不发生发散振荡或持续的振荡，即能够保持动态稳定；
[0023]
(2)根据大扰动后n个采样点的所有发电机转子角度δ
ik
(t)、所有母线的电压幅值v
jk
(t)，选取受扰严重发电机和受扰严重母线，计算得到第k种运行场景下的特征向量x
k
，具体步骤如下：
[0024]
(2
‑
1)根据步骤(1)得到的所有发电机转子角度δ
ik
(t)，计算得到电力系统中受扰严重的a台发电机的相对转子角，具体步骤如下：
[0025]
(2
‑1‑
1)依次计算电力系统在第k个运行场景中所有发电机在采样点t的相对转子角
[0026][0027]
其中，表示在第k个运行场景中第i台发电机在采样点t的相对转子角，下标i表示电力系统中的第i台发电机，i＝1,2,
…
,n，t表示第t个采样点，t＝1,2,
…
,n；
[0028]
(2
‑1‑
2)依次计算电力系统在第k个运行场景中第i台发电机在n个采样点的相对转子角绝对值的平均值
[0029][0030]
(2
‑1‑
3)依次计算电力系统在第k个运行场景中第i台发电机在n个采样点的相对
转子角的极差
[0031][0032]
(2
‑1‑
4)将步骤(2
‑1‑
2)得到的电力系统在第k个运行场景中所有发电机的相对转子角绝对平均值由大到小进行排序，得到发电机i的相对转子角绝对平均值在第k个运行场景中的排序r
1k
(i)，r
1k
(i)＝1表示发电机i的相对转子角绝对平均值在第k个运行场景中由大到小排在第一位，将步骤(2
‑1‑
3)得到的电力系统在第k个运行场景中所有发电机相对转子角极差由大到小进行排序，得到发电机i的相对转子角极差在第k个运行场景中排序r
2k
(i)，根据发电机i在第k个运行场景中的排序r
1k
(i)和排序r
2k
(i)，计算发电机i在第k个运行场景中的受扰严重程度评价指标d
gen_ik
：
[0033][0034]
(2
‑1‑
5)将步骤(2
‑1‑
4)得到的在第k个运行场景中所有发电机受扰严重程度评价指标d
gen_ik
从小到大排序，选取排在前a台发电机作为受扰严重发电机，编号分别记为g
1k
，g
2k
，
…
，g
ak
，依次采集第k个运行场景中受扰严重发电机g
1k
，g
2k
，
…
，g
ak
在采样点t的相对转子角，得到其中a的值由人为设定，且满足2<a<n，t＝1,2,
…
,n；
[0035]
(2
‑
2)根据步骤(1)得到的所有母线的电压幅值v
jk
(t)，依次计算得到电力系统在第k个运行场景中受扰最严重的b个母线的电压幅值，具体步骤如下：
[0036]
(2
‑2‑
1)依次计算电力系统在第k个运行场景中第j个母线在n个采样点的电压幅值的平均值mean(v
jk
)：
[0037][0038]
其中，v
jk
(t)表示在第k个运行场景中第j个母线在采样点t的电压幅值，t＝1,2,
…
,n，下标j表示电力系统中的第j个母线，j＝1,2,
…
,m；
[0039]
(2
‑2‑
2)依次计算电力系统在第k个运行场景中第j个母线在n个采样点的电压幅值的极差range(v
jk
)：
[0040][0041]
(2
‑2‑
3)将步骤(2
‑1‑
1)得到的电力系统在第k个运行场景中所有母线的电压幅值平均值由小到大进行排序，得到母线j的电压幅值平均值在第k个运行场景中的排序r
3k
(j)，将步骤(2
‑2‑
2)得到的所有母线电压幅值的极差由大到小进行排序，得到母线j的电压幅值的极差在第k个运行场景中的排序r
4k
(j)，根据母线j在第k个运行场景中的排序r
3k
(j)和排序r
4k
(j)，计算母线j在第k个运行场景中的受扰严重程度评价指标d
bus_jk
：
[0042][0043]
(2
‑2‑
4)将步骤(2
‑2‑
3)得到的在第k个运行场景中所有母线的受扰严重程度评价
指标d
bus_jk
从小到大排序，选取排在前b台母线作为受扰严重母线，编号分别记为b
1k
，b
2k
，
…
，b
bk
，依次采集第k个运行场景中受扰严重母线b
1k
，b
2k
，
…
，b
bk
在采样点t的电压幅值，得到其中b的值由人为设定，且满足2<b<m，t＝1,2,
…
,n；
[0044]
(2
‑
3)根据步骤(2
‑1‑
5)得到的a台受扰严重发电机的相对转子角5)得到的a台受扰严重发电机的相对转子角及步骤(2
‑2‑
4)得到的b个受扰严重母线的电压幅值构成第k个运行场景的特征向量
[0045]
(3)将每种场景的特征向量x
k
中的发电机变量和母线变量分别排列成两组二维数据，将两组二维数据分别输入至卷积层、池化层、批量归一化层和全连接层，输出得到发电机变量的输出o
k1
和母线变量的输出o
k2
，最后，将发电机变量o
k1
和母线变量的输出o
k2
合并输入至全连接层，得到大扰动稳定判别模型m的结构，大扰动稳定判别模型m的结构示意图如图2所示，具体包括以下步骤：
[0046]
(3
‑
1)将步骤(2
‑
3)得到的进行最大最小归一化，然后按照发电机维度、时间维度排列成二维数据，该二维数据的维度为a
×
n，将该二维数据输入至c1个卷积层、p1个池化层、z1个批量归一化层，然后将输出结果平铺后输入至q1个全连接层，得到输出o
k1
，其中，将c1个卷积层中第l(1)个卷积层的所有待求参数记为w
l(1)1
，l(1)＝1,
…
,c1，将q1个全连接层中第g(1)个全连接层的所有待求参数记为h
g(1)1
，g(1)＝1,
…
,q1；其中的卷积层、池化层、批量归一化层和全连接层的个数及位置，卷积层中卷积核的个数和尺寸，池化层的尺寸以及全连接层的神经元数均由人为确定，在本发明的一个实施例中，设定共有2个卷积层、2个池化层、0个批量归一化层、1个全连接层，即c1＝2，p1＝2，z1＝0，q1＝1，其中第一层为卷积层，第一个卷积层中有32个卷积核，卷积核的尺寸为5
×
5，第二层为池化层，池化层的尺寸为2
×
2，第三层为卷积层，第二个卷积层中有64个卷积核，卷积核的尺寸为3
×
3，第四层为池化层，池化层的尺寸为2
×
2，第四层的输出经过平铺后输入值第五层全连接层，全连接层的神经元个数为60；
[0047]
(3
‑
2)将步骤(2
‑
3)得到的按照母线维度、时间维度排列成二维数据，该二维数据的维度为b
×
n，然后将该二维数据输入至c2个卷积层、p2个池化层、z2个批量归一化层，然后将输出结果平铺后输入至q2个全连接层，得到输出o
k2
，其中，将c2个卷积层的待求参数记为w
l(2)2
，l(2)＝1,
…
,c2，将q2个全连接层中第g(2)个全连接层的所有待求参数记为h
g(2)2
，g(2)＝1,
…
,q2；其中的卷积层、池化层、批量归一化层、全连接层的个数及位置、卷积层中卷积核的个数和尺寸、池化层的尺寸以及全连接层的神经元数均由人为确定，在本发明的一个实施例中，设定共有2个卷积层、2个池化层、0个批量归一化层、1个全连接层，即c1＝2，p1＝2，z1＝0，q1＝1，其中第一层为卷积层，第一个卷积层中有32个卷积核，卷积核的尺寸为5
×
5，第二层为池化层，池化层的尺寸为2
×
2，第三层为卷积层，第二个卷积层中有64个卷积核，卷积核的尺寸为3
×
3，第四层为池化层，池化层的尺寸为2
×
2，第四层的输出经过平铺后输入值第五层全连接层，全连接层的神经元个数为120；
[0048]
(3
‑
3)将步骤(3
‑
1)得到的o
k1
和步骤(2
‑
2)得到的o
k2
合并为[o
k1
，o
k2
]，然后将[o
k1
，o
k2
]输入至w个全连接层中，将w个全连接层中第g(3)个全连接层的所有待求参数记为h
g(3)3
，g(3)＝1,
…
,w；其中，全连接层w的个数以及前w
‑
1个全连接层的神经元数根据经验确定，第w个全连接层的输出维度为3，第w个全连接层的激活函数为sigmoid函数，输出记为o
k
＝(o
k1
,o
k2
,o
k3
)，其中，若o
k1
≥0.5表示系统在大扰动后存在暂态功角失稳现象，若o
k1
＜0.5表示系统在大扰动后不存在暂态功角失稳现象，若o
k2
≥0.5表示系统在大扰动后存在暂态电压失稳现象，若o
k2
＜0.5表示系统在大扰动后不存在暂态电压失稳现象，若o
k3
≥0.5表示系统在大扰动后存在动态失稳现象，若o
k3
＜0.5表示系统在大扰动后不发生发散振荡或持续的振荡，在本发明的一个实施例中设w＝2，其中第一层全连接层的神经元个数为30；
[0049]
(4)根据步骤(2)得到的s
×
f种运行场景的特征向量x
k
、步骤(1)得到的大扰动稳定性标签y
k
和基于自适应矩估计的梯度下降算法，即adam算法，迭代计算步骤(3)中的所有待求参数w
l(1)1
、h
g(1)1
、w
l(2)2
、h
g(2)2
和h
g(3)3
，得到最终的大扰动稳定性判别模型m，其中，所采用的损失函数loss的具体计算公式如下：
[0050][0051]
其中，n
train
表示从s
×
f种运行场景中选择作为训练集的运行场景数，n
train
的值由人工设定，且满足0.5
×
s
×
f<n
train
<s
×
f，剩余s
×
f
‑
n
train
种运行场景作为验证集，在本专利的一个实施例中，从步骤(1)得到的s
×
f种运行场景中随机选取种运行场景作为训练样本，即剩余种运行场景作为验证集，采用验证集准确率最高的模型作为最终的大扰动稳定性判别模型m；
[0052]
(5)从电力系统仿真数据或者广域测量系统的量测数据中获取大扰动后所有发电机的转子角度、所有母线的电压幅值，经过计算并输入至步骤(4)得到的电力系统大扰动稳定性判别模型m中，得到电力系统大扰动稳定性判别结果，具体包括如下步骤：
[0053]
(5
‑
1)利用电力系统仿真数据或者直接采集广域测量系统的量测数据，得到大扰动后n个采样点的发电机转子角度δ
inew
(t)、母线的电压幅值v
jnew
(t)，采用步骤(2
‑
1)的方法得到a台受扰严重发电机的相对转子角采用步骤(2
‑
2)的方法得到b个受扰严重母线的电压幅值的方法得到b个受扰严重母线的电压幅值
[0054]
(5
‑
2)将步骤(5
‑
1)得到的a台受扰严重发电机的相对转子角进行归一化处理，排列成a
×
n的二维数据，将步骤(5
‑
1)得到的b个受扰严重母线的电压幅值排列成b
×
n的二维数据，然后将a
×
n的二维数据和b
×
n的二维数据输入至步骤(4)得到的电力系统大扰动稳定判别模型m中，得到电力系统的大扰动稳定性判别结果。