一种电力系统的控制方法、系统、电子设备及存储介质

1.本发明涉及电力系统控制领域，特别是涉及一种基于次同步振荡分析的电力系统的控制方法、系统、电子设备及存储介质。


背景技术：

2.随着电网的发展和新设备、新能源的并网，电力系统次同步振荡问题越来越多，诱发机理也越来越复杂，传统的分析方法已经难以满足分析新问题的要求。sso(subsynchronous oscillation，次同步振荡)不仅会造成谐波污染，影响电能质量，还可能导致新能源设备损坏和新能源大面积脱网，严重影响新能源的并网消纳，甚至可能导致火电机组轴系疲劳，致使发电机轴系断裂，进而诱发区域电网连锁事故，对电网中机组、电力设备的安全和整个电力系统的稳定运行构成了巨大威胁，应予以高度重视。
3.因此，需要正确判断电力系统运行中是否存在次同步振荡风险，并基于发电调度要求找到合适的校正方法，目前，一般通过机器学习的方式对电力系统的次同步振荡进行分析，电力系统领域中应用比较广泛的机器学习方法为深度学习，而深度学习可能会出现梯度消失或爆炸的问题，且深度学习的训练过程和时间都比较漫长，不能保证电力系统的稳定运行。


技术实现要素：

4.本发明的目的是提供一种电力系统的控制方法、系统、电子设备及存储介质，可提高电力系统的稳定性。
5.为实现上述目的，本发明提供了如下方案：
6.一种电力系统的控制方法，包括：
7.获取电力系统的当前潮流数据；所述当前潮流数据包括各发电机的有功功率、各发电机的无功功率、负荷端的有功功率、负荷端的无功功率、输电线路的有功功率、输电线路的无功功率、各节点的电压幅值及各节点的电压相角；
8.基于预测模型，根据所述当前潮流数据，确定所述电力系统的当前最小阻尼比及当前最小阻尼比对应的当前振荡频率；所述预测模型为预先采用训练样本集对宽度学习网络进行训练得到的；所述训练样本集包括多个训练样本；每个训练样本包括电力系统的历史潮流数据及历史潮流数据对应的历史最小阻尼比和历史振荡频率；
9.判断所述当前最小阻尼比是否小于阻尼比阈值，且所述当前振荡频率是否大于频率阈值；
10.若所述当前最小阻尼比小于阻尼比阈值，且所述当前振荡频率大于频率阈值，则根据各发电机的有功功率上限、有功功率下限、所述当前潮流数据、各发电机对阻尼比的灵敏度、所述当前最小阻尼比及所述阻尼比阈值，确定约束条件；
11.基于所述约束条件，以各发电机的有功功率调整量最小为目标，建立校正控制模型；
12.对所述校正控制模型求解，确定各发电机的有功功率调整量；
13.根据各发电机的有功功率调整量，调整对应发电机的有功功率。
14.可选地，所述电力系统的控制方法还包括：
15.将所述当前潮流数据及当前潮流数据对应的当前最小阻尼比及当前振荡频率作为训练样本，添加到宽度学习网络的训练样本集中，对宽度学习网络进行训练。
16.可选地，所述校正控制模型的约束条件包括发电机功率约束、最小阻尼比约束及阻尼比变化量约束。
17.可选地，所述发电机功率约束为：
18.所述最小阻尼比约束为：ξ0+δξ≥ξ
limit
；
19.所述阻尼比变化量约束为：
20.其中，为发电机i的有功功率下限，为发电机i的有功功率上限，pgi为当前潮流数据中发电机i的有功功率，δpgi为发电机i的有功功率调整量，ξ0为当前最小阻尼比，δξ为当前最小阻尼比的变化量，ξ
limit
为阻尼比阈值，n为发电机总数，ci为发电机i对阻尼比的灵敏度。
21.可选地，所述校正控制模型的约束条件还包括系统潮流约束。
22.可选地，所述系统潮流约束为：
[0023][0024]
其中，δpj为电力系统中节点j的有功增量，p
gi
为电力系统中发电机i的有功功率，p
lk
为电力系统中负荷k的有功功率，pj为电力系统中节点j的注入有功功率，δqj为电力系统中节点j的无功增量，q
gi
为电力系统中发电机i的无功功率，q
lk
为电力系统中负荷k的无功功率，qj为电力系统中节点j的注入无功功率。
[0025]
为实现上述目的，本发明还提供了如下方案：
[0026]
一种电力系统的控制系统，包括：
[0027]
数据获取单元，用于获取电力系统的当前潮流数据；所述当前潮流数据包括各发电机的有功功率、各发电机的无功功率、负荷端的有功功率、负荷端的无功功率、输电线路的有功功率、输电线路的无功功率、各节点的电压幅值及各节点的电压相角；
[0028]
阻尼预测单元，与所述数据获取单元连接，用于基于预测模型，根据所述当前潮流数据，确定所述电力系统的当前最小阻尼比及当前最小阻尼比对应的当前振荡频率；所述预测模型为预先采用训练样本集对宽度学习网络进行训练得到的；所述训练样本集包括多个训练样本；每个训练样本包括电力系统的历史潮流数据及历史潮流数据对应的历史最小阻尼比及历史振荡频率；
[0029]
判断单元，与所述阻尼预测单元连接，用于判断所述当前最小阻尼比是否小于阻尼比阈值，且所述当前振荡频率是否大于频率阈值；
[0030]
约束确定单元，与所述判断单元连接，用于在所述当前最小阻尼比小于阻尼比阈值，且所述当前振荡频率大于频率阈值时，根据各发电机的有功功率上限、有功功率下限、所述当前潮流数据、各发电机对阻尼比的灵敏度、所述当前最小阻尼比及所述阻尼比阈值，
确定约束条件；
[0031]
控制模型建立单元，与所述约束确定单元连接，用于基于所述约束条件，以各发电机的有功功率调整量最小为目标，建立校正控制模型；
[0032]
求解单元，与所述控制模型建立单元连接，用于对所述校正控制模型求解，确定各发电机的有功功率调整量；
[0033]
调整单元，与所述求解单元连接，用于根据各发电机的有功功率调整量，调整对应发电机的有功功率。
[0034]
为实现上述目的，本发明还提供了如下方案：
[0035]
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的电力系统的控制方法。
[0036]
为实现上述目的，本发明还提供了如下方案：
[0037]
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的电力系统的控制方法。
[0038]
根据本发明提供的具体实施例，本发明公开了以下技术效果：根据电力系统的当前潮流数据，采用宽度学习网络，预测当前最小阻尼比及对应的当前振荡频率，宽度学习网络的训练时间短，且稳定性高，提高了最小阻尼比及振荡频率的计算效率及精度，在当前最小阻尼比小于阻尼比阈值，且当前振荡频率大于频率阈值时，基于约束条件，以各发电机的有功功率调整量最小为目标，建立校正控制模型，并求解，确定各发电机的有功功率调整量，进而调整对应发电机的有功功率，提高了电力系统的稳定性，使其始终处于安全稳定的电网运行方式中。
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为本发明电力系统的控制方法的流程图；
[0041]
图2为机网交互系统的示意图；
[0042]
图3为本发明电力系统的控制系统的模块结构示意图。
[0043]
符号说明：
[0044]
数据获取单元-1，阻尼预测单元-2，判断单元-3，约束确定单元-4，控制模型建立单元-5，求解单元-6，调整单元-7。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]
本发明的目的是提供一种电力系统的控制方法、系统、电子设备及存储介质，通过
宽度学习网络预测当前最小阻尼比及对应的当前振荡频率，提高了最小阻尼比及振荡频率的计算效率及精度，再根据最小阻尼比及振荡频率调整发电机的有功功率，提高了电力系统的稳定性。
[0047]
为了更好的理解本发明的方案，首先介绍本发明中涉及到的技术名词：
[0048]
次同步振荡：发电机组在运行(平衡)点受到扰动后处于特殊运行状态下出现的一种异常状态，在这种运行状态下，电力系统与发电机组之间在一个或多个低于系统同步频率下进行显著的能量交换。
[0049]
潮流计算：电力系统在某一确定的运行方式和接线方式下，计算电力系统从电源到负荷各处的电压、电流的大小和方向以及功率的分布情况。
[0050]
宽度学习算法：一种不依赖深度结构的神经网络结构，其优秀的运算速度和简洁的结构相较于深度学习更有优势，适合实时分析。
[0051]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0052]
实施例一
[0053]
如图1所示，本实施例提供的电力系统的控制方法包括：
[0054]
s1：获取电力系统的当前潮流数据。所述当前潮流数据包括各发电机的有功功率、各发电机的无功功率、负荷端的有功功率、负荷端的无功功率、输电线路的有功功率、输电线路的无功功率、各节点的电压幅值及各节点的电压相角。
[0055]
s2：基于预测模型，根据所述当前潮流数据，确定所述电力系统的当前最小阻尼比及当前最小阻尼比对应的当前振荡频率。所述预测模型为预先采用训练样本集对宽度学习网络进行训练得到的。所述训练样本集包括多个训练样本。每个训练样本包括电力系统的历史潮流数据及历史潮流数据对应的历史最小阻尼比和历史振荡频率。
[0056]
s3：判断所述当前最小阻尼比是否小于阻尼比阈值，且所述当前振荡频率是否大于频率阈值。
[0057]
s4：若所述当前最小阻尼比小于阻尼比阈值，且所述当前振荡频率大于频率阈值，则根据各发电机的有功功率上限、有功功率下限、所述当前潮流数据、各发电机对阻尼比的灵敏度、所述当前最小阻尼比及所述阻尼比阈值，确定约束条件。
[0058]
在本实施例中，所述校正控制模型的约束条件包括发电机功率约束、最小阻尼比约束及阻尼比变化量约束。即校正控制模型的约束条件为：
[0059][0060]
其中，为发电机i的有功功率下限，为发电机i的有功功率上限，pgi为当前潮流数据中发电机i的有功功率，δpgi为发电机i的有功功率调整量，ξ0为当前最小阻尼比，δξ为当前最小阻尼比的变化量，ξ
limit
为阻尼比阈值，ξ
limit
＝0.03，n为发电机总数，ci为发电机i对阻尼比的灵敏度。
[0061]
具体地，采用公式确定发电机i对阻尼比的灵敏度。其中，δξi为发电
机i的有功功率调整量，δξi为发电机i的有功功率调整δξi后，最小阻尼比的变化量。
[0062]
发电机对阻尼比的灵敏度确定过程具体位置：在得到当前最小阻尼比后，对控制变量(发电机的有功功率)进行一个微小的摄动，再将摄动后的数据(潮流数据)输入预测模型，预测模型将计算出对应的最小阻尼比，进而求出该控制变量(发电机的有功功率)对于阻尼比的灵敏度。
[0063]
进一步地，校正控制模型的约束条件还包括系统潮流约束。在本实施例中，系统潮流约束是节点功率方程：
[0064][0065]
其中，δpj为电力系统中节点j的有功增量，p
gi
为电力系统中发电机i的有功功率，p
lk
为电力系统中负荷k的有功功率，pj为电力系统中节点j的注入有功功率，δqj为电力系统中节点j的无功增量，q
gi
为电力系统中发电机i的无功功率，q
lk
为电力系统中负荷k的无功功率，qj为电力系统中节点j的注入无功功率。
[0066]
s5：基于所述约束条件，以各发电机的有功功率调整量最小为目标，建立校正控制模型。校正控制模型的目标为
[0067]
在本实施例中通过matlab优化工具箱，基于所述约束条件，以各发电机的有功功率调整量最小为目标进行编程，并在优化工具箱里呈现，变为校正控制模型。
[0068]
s6：对所述校正控制模型求解，确定各发电机的有功功率调整量。此外，本发明还可确定电力系统中pv节点的电压调整量，调整pv节点的电压。
[0069]
s7：根据各发电机的有功功率调整量，调整对应发电机的有功功率。
[0070]
若所述当前最小阻尼比大于或等于阻尼比阈值，且所述当前振荡频率小于或等于频率阈值，则认为电力系统无次同步振荡风险，无需调整发电机的有功功率。
[0071]
进一步地，本发明电力系统的控制方法还包括：
[0072]
s8：将所述当前潮流数据及当前潮流数据对应的当前最小阻尼比及当前振荡频率作为训练样本，添加到宽度学习网络的训练样本集中，对宽度学习网络进行训练。本发明实时对电力系统的最小阻尼比及振荡频率进行预测，并实时更新宽度学习网络的训练样本集，提高了预测模型的稳定性及精度。
[0073]
本发明能够预防被评估电力系统在运行过程中可能发生的次同步振荡现象，并能对被评估电力系统的电网进行运行状态预测，实现电力系统的电网在不改变当前拓扑结构的运行方式下，获得能分析电力系统次同步振荡风险的预测数据(最小阻尼比及振荡频率)，并能够采用预测数据自动计算发电机的有功功率调整量，使电网的次同步振荡风险的分析和校正决策变得简单易行，缩短了工作流程和制定时间，减轻运行人员的工作强度和压力，全面提高电网运行的电压质量和安全稳定性。
[0074]
进一步地，预测模型的建立过程包括：
[0075]
获取电力系统的历史潮流数据报表及历史机组参数数据报表。机组参数数据报表中包括发电机暂态电抗、次暂态电抗、暂态时间常数、次暂态时间常数、发电机额定功率、电机功率因数等。
[0076]
采用数据接口对历史潮流数据报表进行解析，确定历史潮流数据。即将获得的数
据整理成固定的数据格式，方便后续的读取运算。此外，在对历史潮流数据进行解析的同时，也对数据进行节点等值处理(根据需要的网络结构对可以忽略的节点进行等效)，将可以忽略的节点等值成导纳或者负荷。
[0077]
根据历史潮流数据进行潮流计算，得到潮流计算结果。所述潮流计算结果包括电力系统从电源到负荷各处的电压、电流的大小和方向以及功率的分布情况。即得到各节点的电压、电流及功率。
[0078]
根据潮流计算结果及历史机组参数数据报表，确定历史潮流数据对应的历史最小阻尼比和历史振荡频率。在本实施例中，利用李雅普诺夫线性化理论，将电力系统动态化特性的微分代数方程式线性化，得到对应的状态矩阵。利用状态矩阵计算出的特征值等信息对次同步振荡稳定分析进行评估。
[0079]
具体地，整个电力系统的模型在数学上可以统一成如下一般形式的微分代数方程：
[0080][0081]
0＝g(x,y)；
[0082]
式中，x代表状态变量，y代表输出变量，f(x,y)和g(x,y)一般是非线性的。需要找到一个稳定运行点也叫平衡点，根据李雅普诺夫定理将上式进行线性化处理，得到以下公式：
[0083][0084]
式中，dδx/dt是线性化后的状态向量，δx是线性化控制向量，δy是线性化后的输出向量，均是线性化后的各类系数矩阵，它们的值不是固定的，当稳定运行点变化时，它们也随之变化。
[0085]
上式经过化简后，可以改变成如下的标准形式，更利于分析：
[0086][0087]
式中，矩阵a∈r
x
×
x
，通常被称为状态矩阵或系数矩阵。
[0088]
在本实施例中，参数由机网交互系统列出，机组交互系统如图2所示。根据各部分的数学方程和机网交互系统的示意图，利用网络的拓扑关系，再结合机网坐标转换公式，就可以建立起电力系统的整体模型，从而得到电力系统的全状态方程，如下式：
[0089][0090]
式中，xs代表系统中轴系的状态变量的集合，xg代表系统中发电机电磁部分的状态变量的集合，xe代表系统中励磁控制系统的状态变量的集合，x
p
代表系统中原动机及调速器的状态变量的集合，xo代表系统中其他发电机的状态变量的集合，xd代表系统中直流网络的状态变量的集合，xa代表系统中交流网络的状态变量的集合，t表示转置运算。
[0091]
在得到了满足预测要求的数据量后，以历史潮流数据为输入，以历史潮流数据对
应的历史最小阻尼比和历史振荡频率为标签，对宽度学习网络进行训练。并且在实际预测后，即步骤s8中将当前潮流数据及当前潮流数据对应的当前最小阻尼比及当前振荡频率作为训练样本，添加到宽度学习网络的训练样本集中，即实时添加数据扩大数据集。
[0092]
本发明实际上是一种电力系统次同步振荡的预防性调节措施，通过对当前电力系统的实时运行数据进行计算，分析电力系统在当前电网拓扑结构运行状态下是否存在次同步振荡风险，若电力系统存在次同步振荡风险，则优化电力系统的控制变量或约束条件，对电力系统的机组有功出力、机组无功出力、pv节点电压进行协调控制，有效预防电力系统发生次同步振荡，进而提高了电力系统的稳定性。
[0093]
为了更好的理解本发明的方案，下面以改进后的3机9节点的电力系统为例(其中一台发电机替换为ieee第一标准模型以模拟次同步振荡环境)，对本发明电力系统的控制方法的效果进一步说明。
[0094]
采用本发明的控制方法对该电力系统进行实时的次同步振荡分析及校正控制。该电力系统包括9个节点、9条线路、3台发电机及3台变压器。
[0095]
对于改进后的3机9节点的电力系统标签集的预测结果如表1，预测模型的训练时间为0.6s。在最小阻尼比的估计中，mape(mean absolute percent error，平均绝对百分比误差)在4％以内，可以证明所建立的预测模型在最小阻尼比的估计方面能取得较好的效果。而rmse(root mean squared error,均方根误差)指标则是越小越能反映预测模型的稳定性。
[0096]
表1
[0097]
预测变量mape(％)rmse(x10^-3)最小阻尼比：ξ
min
0.0720.875振荡频率：f0.0510.645
[0098]
对改进后的3机9节点的电力系统的最小阻尼比及振荡频率实际预测结果如表2，振荡频率是27.72hz，从表2中可以看出当p
g2
(第二个发电机的有功功率)为195.6mw，p
g3
(第三个发电机的有功功率)为72.75mw时，电气部分的系统的共振频率是28.4375hz，接近互补振荡频率，存在次同步振荡的风险。通过改变这两个两台发电机功率的值，可以得到预测后的最小阻尼比和对应频率的结果，最小阻尼比增大，对应的频率为19.1555hz，系统相对稳定，不存在次同步振荡的风险。
[0099]
表2
[0100]
p
g2
(mw)p
g3
(mw)最小阻尼比对应频率(hz)195.672.75-0.83228.4375189.0874.8-0.79519.1555
[0101]
综上，通过合理调整发电机组的有功出力可以控制电力系统的最小阻尼比和对应频率，使得电力系统不会发生次同步振荡，始终保持稳定的运行方式。
[0102]
宽度学习算法以平面网络的形式建立，原始输入作为“映射特征”在特征节点中传递和放置，结构在“增强节点”中进行了广泛的扩展。具体来说，宽度学习算法是以一种增量的方式进行重塑，而无需从头开始进行整体再训练，且宽度学习算法采用奇异值分解进行模型缩减，简化了最终结构，上述的实施方式表明，基于宽度学习网络建立的预测模型的预测结果无论是准确性还是稳定性都十分优秀，训练时间也很短，符合目前对于电力系统快
速分析的要求，且能为校正提供指导依据。
[0103]
实施例二
[0104]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种电力系统的控制系统。
[0105]
如图3所示，本实施例提供的电力系统的控制系统包括：数据获取单元1、阻尼预测单元2、判断单元3、约束确定单元4、控制模型建立单元5、求解单元6及调整单元7。
[0106]
其中，数据获取单元1用于获取电力系统的当前潮流数据。所述当前潮流数据包括各发电机的有功功率、各发电机的无功功率、负荷端的有功功率、负荷端的无功功率、输电线路的有功功率、输电线路的无功功率、各节点的电压幅值及各节点的电压相角。
[0107]
阻尼预测单元2与所述数据获取单元1连接，阻尼预测单元2用于基于预测模型，根据所述当前潮流数据，确定所述电力系统的当前最小阻尼比及当前最小阻尼比对应的当前振荡频率。所述预测模型为预先采用训练样本集对宽度学习网络进行训练得到的。所述训练样本集包括多个训练样本；每个训练样本包括电力系统的历史潮流数据及历史潮流数据对应的历史最小阻尼比及历史振荡频率。
[0108]
判断单元3与所述阻尼预测单元2连接，判断单元3用于判断所述当前最小阻尼比是否小于阻尼比阈值，且所述当前振荡频率是否大于频率阈值。
[0109]
约束确定单元4与所述判断单元3连接，约束确定单元4用于在所述当前最小阻尼比小于阻尼比阈值，且所述当前振荡频率大于频率阈值时，根据各发电机的有功功率上限、有功功率下限、所述当前潮流数据、各发电机对阻尼比的灵敏度、所述当前最小阻尼比及所述阻尼比阈值，确定约束条件。
[0110]
控制模型建立单元5与所述约束确定单元4连接，控制模型建立单元5用于基于所述约束条件，以各发电机的有功功率调整量最小为目标，建立校正控制模型。
[0111]
求解单元6与所述控制模型建立单元5连接，求解单元6用于对所述校正控制模型求解，确定各发电机的有功功率调整量。
[0112]
调整单元7与所述求解单元6连接，调整单元7用于根据各发电机的有功功率调整量，调整对应发电机的有功功率。
[0113]
实施例三
[0114]
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的电力系统的控制方法。
[0115]
可选地，上述电子设备可以是服务器。
[0116]
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的电力系统的控制方法。
[0117]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0118]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。