基于关键特征自适应时间序列的电网暂态稳定评估方法

本发明属于人工智能应用于电力系统功角稳定判别，特别是涉及到一种基于支路能量特征和相轨迹几何特征的时间序列暂态稳定评估方法。

背景技术：

1、在新能源发展目标的驱动下，含有大规模新能源并网和高压直流输电的复杂系统已成为未来电网结构的发展趋势，如何解决在电网结构运行工况多变、不确定性增加和典型方式难以刻画的环境下进行暂态稳定实施判别，为后续紧急响应控制提供可靠动作依据，成为目前关注的重要问题。

2、目前评估电力系统暂态稳定性的方法可分为时域仿真法、暂态能量函数法、扩展等面积准则法、响应驱动法和人工智能法。(1)时域仿真法基于电网微分-代数方程，通过数值积分计算公交轨迹进行判稳，对电网模型的要求较高且计算速度缓慢，难以满足实时判稳要求；(2)暂态能量函数法通过故障切除时总能量和临界能量大小判别系统稳定/失稳情况，其同样依赖于电网模型与参数；(3)扩展等面积准则法需将系统内各发电机进行超前-滞后机组分群，再将两机群映射为单机无穷大系统后根据等面积准则判稳，但该方法中分群的准确性和快速性难以满足实时稳定判别的应用要求；(4)响应驱动法根据电网中的响应数据信息对电力系统的稳定情况进行实施判别，但该方法易受广域信息传播可靠性和决策判断时效性的制约，对通信代价和数据处理的要求较高；(5)人工智能法以数据驱动为核心，通过对大量离线数据的学习构建特征量与系统稳定/失稳情况的映射模型并应用与在线的实时稳定判别，该方法的缺点在于所选取的特征量与系统稳定性之间缺少一定的相关性，且面向时间序列数据时无法考虑之前临近数据之间的影响导致所构建映射模型的判稳准确率下降。

3、上述大多数人工智能判稳方法都需要等待某一特定的响应至对应时刻才开始进行稳定判定动作，其判别的时间窗口有限，若在该判定窗口发生漏判，极可能在下一判定窗口到来前系统已经失稳。而基于时间序列的稳定评估方法具有判定窗口长，实时判定，容错率高等优势。目前尚未出现基于时间序列的同时兼具物理可解释性，快速性和准确性的暂态稳定评估方法。

4、因此，现有技术中亟需一种新的技术方案来解决上述问题。

技术实现思路

1、本发明所要解决的技术问题是：提供基于关键特征自适应时间序列的电网暂态稳定评估方法，克服现有稳定性判别方法的不足，分别从网络关键支路的暂态能量轨迹和相轨迹构建与系统稳定性强相关的能量特征和几何特征量，运用长短期记忆网络(lstm)构建关键特征量与稳定/失稳情况间具备物理可解释性的映射关系，设计基于时间序列的稳定性判别逻辑达到在长判稳窗口下物理可解释的实时在线稳定性判别的效果。

2、基于关键特征自适应时间序列的电网暂态稳定评估方法，包括以下步骤，且以下步骤顺次进行，

3、步骤一、构建电网系统暂态能量函数，并将暂态能量函数精细化解构，描绘出电网系统各支路暂态能量轨迹，构建基于关键支路的轨迹能量特征ect；

4、步骤二、提取所述步骤一构建的的关键支路两端相角差和角速度描绘支路相轨迹，构建表征凹凸性的轨迹几何特征gct；

5、步骤三、提取各个故障时间序列下的关键支路ect和gct特征，根据对应时刻的发电机最大功角差δmax确定稳定/失稳标签构建lstm单元训练样本集；

6、步骤四、将所述步骤三构建的训练样本集进行归一化处理，基于lstm单元构建稳定/失稳映射模型，实现对系统稳定/失稳状态的评估；

7、步骤五、构建时间序列的稳定评估框架，对系统进行实时特征提取作为输入，通过所构建的映射关系得到lstm单元输出；若lstm的输出大于失稳阈值则系统失稳，若小于阈值则继续提取新的特征量进行判定。

8、所述步骤一电网系统暂态能量函数构建方法为：

9、在电网惯量中心坐标系下，建立第i台发电机的转子运动方程：

10、

11、其中

12、

13、式中，ωi，ωn，分别表示同步坐标系下发电机转速，发电机额定转速，惯量中心系下发电机转速；δi和分别表示同步坐标系下和惯量中心系下发电机功角；ωcoi和分别表示惯量中心的转速和功角；pmi，pei，di和mi分别表示发电机的机械功率，电磁功率，阻尼系数和转动惯量；mt表示电网发电机转动惯量总和；pcoi表示惯量中心功率；

14、对公式(1)的方程进行交叉相乘并加和后得到

15、

16、将公式(3)对时间进行积分运算，获得电网系统暂态能量函数：

17、

18、所述步骤一暂态能量函数精细化解构模型表达式为：

19、

20、其中，支路势能数值最大的支路为关键支路，基于关键支路承担的能量和角速度构建轨迹能量特征ect：

21、ect＝vpijwij

22、式中，vpij表示关键支路的势能，wij表示关键支路的角速度；

23、关键支路承载能量值、两端电压相角分离速度以及系统失稳概率均与ect值成正比。

24、所述步骤二表征凹凸性的轨迹几何特征gct为：

25、

26、式中，k表示t2时刻的观测点前两个时刻t0，t1对应相轨迹上点所连割线的斜率，t1表示观测点到t0时刻对应轨迹上点纵坐标的距离，t2表示割线与t1对应直线的交点到t0时刻对应轨迹上点纵坐标的距离。

27、所述步骤三稳定/失稳标签的标注方法为：

28、

29、

30、若整个时间序列中未出现δmax>360°的情况，则时间序列下所有特征标签记为“0”表示稳定；若时间序列中出现δmax>360°的情况，则将δmax<100°对应的时间序列特征标签记为“0”，将δmax>150°对应时间序列特征标签记为“1”表示失稳。

31、所述步骤四lstm单元具体包括：

32、ft＝σ(wf·[ht-1,xt]+bf)

33、it＝σ(wi·[ht-1,xt]+bi)

34、

35、

36、ot＝σ(wo·[ht-1,xt]+bo)

37、ht＝ot*tanh(ct)

38、式中，f，i，c，o分别表示遗忘门、输入门、细胞状态和输出门；wf、wi、wc、wo分别表示对应门或细胞状态的权重矩阵；bf、bi、bc、bo分别为对应的偏置；ht表示t时刻对应的输出。

39、所述步骤五中，将lstm单元的输出值作为系统的稳定评估值，lstm的输出数值>0.6，则输出系统失稳的信号，为后续稳定控制动作提供依据；其余输出数值则视为系统暂时稳定，并提取下一时刻的特征信息重复稳定评估过程。

40、通过上述设计方案，本发明可以带来如下有益效果：基于关键特征自适应时间序列的电网暂态稳定评估方法，根据电网暂态过程中网络关键支路的暂态能量特征和相轨迹几何特征组成与系统稳定性强相关样本数据，基于lstm构建出具有可解释性的关键特征至稳定/失稳状态映射模型，并通过实时网络信息提取关键特征ect和gct实现了在时间序列上的稳定性判别。相较于其他稳定性判别方法，本发明选取的关键特征与系统稳定性之间具有强关联性，所使用的lstm人工智能算法考虑了临近数据间的联系，综合当前lstm细胞状态，当前输入以及前时段的输出进行分析，使输出结果更具可信度。与此同时，时间序列判稳框架的构建，扩宽了稳定评估的时间窗口，不必等待某一特定时刻再提取所需响应进行稳定判别，极大的增加了判稳的准确度，减小了漏判几率。