本發(fā)明屬于大電網(wǎng)穩(wěn)定與控制領(lǐng)域，具體涉及是一種電力系統(tǒng)穩(wěn)定特征自動提取方法及裝置。
背景技術(shù)：
：隨著經(jīng)濟(jì)水平的飛速提升，中國社會對電力的需求也日益強(qiáng)烈。為了保障電能安全可靠的傳輸，中國電網(wǎng)中開展了西電東送、全國聯(lián)網(wǎng)以及特高壓輸電等重大工程，交直流混聯(lián)的特大電網(wǎng)已經(jīng)基本形成。隨著電網(wǎng)規(guī)模的擴(kuò)大，電網(wǎng)安全穩(wěn)定性愈加難以掌控。世界上已經(jīng)發(fā)生的多次電網(wǎng)故障表明，輸電電壓等級的提高、聯(lián)網(wǎng)規(guī)模擴(kuò)大以及傳輸容量的增加，都會增大電網(wǎng)故障帶來的危害，故障原因和過程也更為復(fù)雜。開展對運行電網(wǎng)全面細(xì)致的在線監(jiān)視、分析和控制，保障電力生產(chǎn)、傳輸和使用的安全是各國電力行業(yè)的迫切需求。開展電網(wǎng)在線安全穩(wěn)定分析工作，計算速度是必須保障的核心指標(biāo)之一，如果失去計算速度，那么在線分析也就失去了時效性，而變得沒有意義。現(xiàn)有在線分析系統(tǒng)主要采用時域仿真方法進(jìn)行分析，計算量較大，難以進(jìn)一步提升速度；而采用快速判穩(wěn)方法，雖然速度較快，但它非常依賴于電網(wǎng)穩(wěn)定特征的選取，不準(zhǔn)確的特征將造成預(yù)測結(jié)果的極大誤差。另一方面，在線分析系統(tǒng)積累了大量的歷史數(shù)據(jù)，其中蘊含了寶貴的電網(wǎng)運行規(guī)律，同時又貼近實際運行情況，可作為穩(wěn)定特征識別的依據(jù)。本發(fā)明的目標(biāo)就是利用歷史數(shù)據(jù)來對不同方式和預(yù)想故障下的電網(wǎng)穩(wěn)定特征進(jìn)行自動辨識。隨著電網(wǎng)規(guī)模的擴(kuò)大，影響電網(wǎng)穩(wěn)定的因素越來越復(fù)雜，而從中有效地挖掘關(guān)鍵的穩(wěn)定特征也就成為掌控電網(wǎng)運行的重要課題。穩(wěn)定特征辨識方法目前已有一定的研究，現(xiàn)有方法往往過于依賴人工經(jīng)驗，所選特征比較局限，不能廣泛地選取，造成存在漏選的可能。技術(shù)實現(xiàn)要素：為了克服上述缺陷，提出一種電力系統(tǒng)穩(wěn)定特征自動提取方法及裝置，利用歷史數(shù)據(jù)來對不同方式和預(yù)想故障下的電網(wǎng)穩(wěn)定特征進(jìn)行自動辨識。本發(fā)明的目的是采用下述技術(shù)方案實現(xiàn)的：一種電力系統(tǒng)穩(wěn)定特征自動提取方法，所述方法包括：確定邏輯回歸訓(xùn)練模型的樣本輸入量及其分類數(shù)量，并定義超參數(shù)集合；定義包含LASSO懲罰項的代價函數(shù),利用迭代法更新所述包含LASSO懲罰項的代價函數(shù)中的邏輯回歸參數(shù)矩陣θ；在指數(shù)坐標(biāo)系下按比例取值，選取所述超參數(shù)集合中誤差率偏差小于閾值的最大超參數(shù)所生成的邏輯回歸訓(xùn)練模型作為最優(yōu)模型；將該最優(yōu)模型的邏輯回歸參數(shù)矩陣θ行向量絕對值之和的最大值作為電網(wǎng)穩(wěn)定特征。優(yōu)選的，所述確定邏輯回歸訓(xùn)練模型的樣本輸入量包括：對電網(wǎng)系統(tǒng)故障進(jìn)行離線仿真，以機(jī)組功率、線路功率、廠站總發(fā)電和廠站總負(fù)荷為輸入，以離散化的臨界切除時間為輸出，將臨界切除時間作為電網(wǎng)穩(wěn)定程度指標(biāo)，從而確定邏輯回歸訓(xùn)練模型的樣本輸入量。優(yōu)選的，對所述樣本輸入量進(jìn)行分類包括：將邏輯回歸訓(xùn)練模型的邏輯回歸參數(shù)矩陣θ映射到[0,1]區(qū)間范圍內(nèi)，自定義分界線，分別將高于或低于所述分界線的邏輯回歸參數(shù)進(jìn)行分類；所述邏輯回歸訓(xùn)練模型的分類數(shù)量通過下式確定：式中，hθ(x)表示對于訓(xùn)練樣本x分類結(jié)果取1的概率，x為樣本輸入量，θ為邏輯回歸參數(shù)矩陣。優(yōu)選的，所述定義超參數(shù)集合λ＝{λ1，λ2，…,λn},λ∈[0,1],n為超參數(shù)的個數(shù)。優(yōu)選的，所述定義包含LASSO懲罰項的代價函數(shù)包括：在代價函數(shù)中增加一個參數(shù)θ矩陣1范數(shù)的罰函數(shù)，獲得下式包含LASSO懲罰項的代價函數(shù)：式中，J(x)為x的代價函數(shù)，x為樣本輸入量，y為樣本分類標(biāo)簽，λi為調(diào)整比例的超參數(shù)，用于在代價函數(shù)和邏輯回歸參數(shù)矩陣θ的懲罰值之間取得平衡，m為樣本總數(shù)，k為分類數(shù)量。優(yōu)選的，所述利用迭代法更新所述包含LASSO懲罰項的代價函數(shù)中的邏輯回歸參數(shù)矩陣θ包括：a.初始化邏輯回歸參數(shù)矩陣θ；b.將θ代入式(2)求解代價函數(shù)，并利用梯度下降法獲取代價函數(shù)對θ的梯度；c.根據(jù)梯度值和預(yù)設(shè)學(xué)習(xí)率迭代更新θ；d.判斷代價函數(shù)在單位時間內(nèi)未降低或者迭代次數(shù)達(dá)到上限，若是，則輸出當(dāng)前θ，若否則返回步驟b。進(jìn)一步地，所述初始化邏輯回歸參數(shù)矩陣θ包括：將m個樣本輸入量x＝{x1,x2,…,xm}，及其對應(yīng)的分類標(biāo)簽y＝{y1,y2,…,ym}，構(gòu)成一個k維的特征向量，將m個k維特征向量構(gòu)成一個m*k的邏輯回歸參數(shù)矩陣θ。一種電力系統(tǒng)穩(wěn)定特征自動提取裝置，包括：設(shè)置模塊，用于確定邏輯回歸訓(xùn)練模型的樣本輸入量及其分類數(shù)量，并定義超參數(shù)集合；更新模塊，用于定義包含LASSO懲罰項的代價函數(shù),利用迭代法更新所述包含LASSO懲罰項的代價函數(shù)中的邏輯回歸參數(shù)矩陣θ；獲取模塊，用于在指數(shù)坐標(biāo)系下按比例取值，選取所述超參數(shù)集合中誤差率偏差小于閾值的最大超參數(shù)所生成的邏輯回歸訓(xùn)練模型作為最優(yōu)模型；定義模塊，用于將該最優(yōu)模型的邏輯回歸參數(shù)矩陣θ行向量絕對值之和的最大值作為電網(wǎng)穩(wěn)定特征。與最接近的現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：本發(fā)明方案提出一種主動配電網(wǎng)不確定性潮流仿真方法及裝置，確定邏輯回歸訓(xùn)練模型的樣本輸入量及其分類數(shù)量，并定義超參數(shù)集合；將把預(yù)想故障的臨界切除時間作為電網(wǎng)穩(wěn)定程度指標(biāo)，利用電力系統(tǒng)在線安全穩(wěn)定分析系統(tǒng)中產(chǎn)生的歷史數(shù)據(jù)，確定邏輯回歸訓(xùn)練模型的樣本輸入量及其分類數(shù)量，并定義超參數(shù)集合；從數(shù)據(jù)自身特點和分布特征出發(fā)，擴(kuò)大選擇范圍，可以覆蓋電力系統(tǒng)在線數(shù)據(jù)中全部設(shè)備的靜態(tài)量；定義包含LASSO懲罰項的代價函數(shù),利用迭代法更新所述包含LASSO懲罰項的代價函數(shù)中的邏輯回歸參數(shù)矩陣θ；外部循環(huán)逐一對超參數(shù)λ取不同數(shù)值的邏輯回歸模型進(jìn)行求解；內(nèi)部循環(huán)為求解邏輯回歸模型的迭代過程；循環(huán)完成后，通過對比得到最優(yōu)模型，最終自動辨識出對于電網(wǎng)穩(wěn)定影響最大的主要特征。實際算例驗證了本方法的有效性，所選特征符合電網(wǎng)穩(wěn)定分析理論的預(yù)期，可進(jìn)一步用于快速判穩(wěn)、運行方式對比等高級分析功能。附圖說明圖1為本發(fā)明實施例中提供的一種電力系統(tǒng)穩(wěn)定特征自動提取方法流程圖；具體實施方式本發(fā)明一種電力系統(tǒng)穩(wěn)定特征自動提取方法及裝置，其關(guān)鍵點為邏輯回歸算法，即通過邏輯回歸模型對已有的歷史數(shù)據(jù)及其穩(wěn)定性指標(biāo)進(jìn)行擬合，并在代價函數(shù)部分加入LASSO懲罰項。當(dāng)?shù)玫降哪Ｐ驮跍y試數(shù)據(jù)上有較好表現(xiàn)時，可以認(rèn)為該模型能否反映電網(wǎng)的穩(wěn)定特性。進(jìn)而根據(jù)邏輯回歸的特點，選擇模型參數(shù)矩陣中絕對值較大的輸入量作為電網(wǎng)特征，算法執(zhí)行完畢。本算法可分為以下兩個大步驟：1、模型學(xué)習(xí)與普通的邏輯回歸相同，本算法也采用迭代求解的方法：首先，確定輸入量和分類數(shù)量，進(jìn)而確定參數(shù)矩陣θ的維數(shù)并初始化；其次，定義代價函數(shù)如式(4)所示；最后進(jìn)行代價函數(shù)最小化的迭代求解過程，每次迭代都根據(jù)θ當(dāng)前值計算代價函數(shù)，并求取代價函數(shù)對θ的梯度，根據(jù)梯度值和事先設(shè)好的學(xué)習(xí)率來更新θ；如果滿足迭代次數(shù)要求，或者代價函數(shù)較長時間未下降，則退出迭代。獲得邏輯回歸模型后，還需要通過測試集進(jìn)行檢驗，若測試集的誤差過大，則認(rèn)為該模型不可用。由于代價函數(shù)是由實際代價和參數(shù)矩陣θ的懲罰項共同確定的，因此需要靠超參數(shù)λ在兩項之間進(jìn)行平衡。λ較大是強(qiáng)調(diào)θ懲罰項的作用，可能導(dǎo)致模型實際誤差偏大，無法反映電網(wǎng)穩(wěn)定特性；而λ較小是強(qiáng)調(diào)實際代價的作用，可能導(dǎo)致參數(shù)矩陣θ的壓縮不夠，無法從中挑選主要特征?？梢?，λ的選擇是本算法的關(guān)鍵問題之一。本算法采用在同一訓(xùn)練集和測試集數(shù)據(jù)下，基于不同λ值進(jìn)行多次學(xué)習(xí)，并通過對比的方法獲取最優(yōu)的λ值。不考慮懲罰項,即(λ＝0)時，由于不存在懲罰項的限制，所得模型的誤差率必然最低，可以此作為對比的基準(zhǔn)。λ值可在指數(shù)坐標(biāo)系下根據(jù)實際情況，按一定比例取值，例如選擇1、0.1、0.01...每個不同λ所得到的模型與基準(zhǔn)模型進(jìn)行比較，選擇誤差率偏差小于閾值的最大λ所生成的模型作為最優(yōu)模型。2、特征選擇根據(jù)邏輯回歸特點，參數(shù)矩陣θ代表各輸入量的權(quán)重，其絕對值越大表示該輸入量越重要，對最終的分類結(jié)果影響越大。θ矩陣為m*k矩陣，即每行對應(yīng)一個輸入量，每列對應(yīng)一種分類。因此，本算法把θ每行的絕對值進(jìn)行求和，選取最大的若干個作為電網(wǎng)的穩(wěn)定特征進(jìn)行輸出。如圖1所示，所述方法的具體步驟包括：(1)確定邏輯回歸訓(xùn)練模型的樣本輸入量及其分類數(shù)量，并定義超參數(shù)集合；所述確定邏輯回歸訓(xùn)練模型的樣本輸入量包括：對電網(wǎng)系統(tǒng)故障進(jìn)行離線仿真，以機(jī)組功率、線路功率、廠站總發(fā)電和廠站總負(fù)荷為輸入，以離散化的臨界切除時間為輸出，將其作為電網(wǎng)穩(wěn)定程度指標(biāo)，從而確定邏輯回歸訓(xùn)練模型的樣本輸入量。臨界切除時間：三相短路故障是電力系統(tǒng)中最典型的故障形式，而三相短路臨界切除時間(CCT,criticalclearingtime)是指電網(wǎng)發(fā)生三相短路故障后，保證系統(tǒng)穩(wěn)定的最大的故障切除時間。臨界切除時間代表了系統(tǒng)穩(wěn)定和不穩(wěn)定的邊界，可用于表征電力系統(tǒng)發(fā)生指定故障的穩(wěn)定程度，臨界切除時間越大，表示該短路故障對系統(tǒng)影響越小，系統(tǒng)就越穩(wěn)定。如果臨界切除時間小于正常的保護(hù)動作時間，則說明該故障會造成系統(tǒng)失穩(wěn)，即系統(tǒng)存在安全隱患。求解臨界切除時間的方法主要包括時域仿真法和直接法，前者采用時域仿真計算對臨界切除時間進(jìn)行精確求解，結(jié)果最為準(zhǔn)確和可靠，但計算耗時較長，相當(dāng)于若干次暫態(tài)穩(wěn)定計算，難以適應(yīng)在線分析的要求；后者的優(yōu)點是計算速度快，能夠提供穩(wěn)定指標(biāo)，但精度較低。由于臨界切除時間是一個浮點數(shù)指標(biāo)，而邏輯回歸方法是用來解決多分類問題的，因此需要把臨界切除時間進(jìn)行離散化。由于目前在線暫穩(wěn)計算都采用0.01秒作為仿真步長，因此可以自然地把臨界切除時間按保留兩位小數(shù)的方法進(jìn)行離散。經(jīng)仿真測試，重要的500kV交流線路的臨界切除時間都在0.10-1.00之內(nèi)，如果大于1.0秒則認(rèn)為是非常穩(wěn)定的狀態(tài)，可歸入1.0秒的檔位。因此，臨界切除時間的預(yù)測可轉(zhuǎn)換為不超過100個類型的多分類問題。對所述樣本輸入量進(jìn)行分類包括：邏輯回歸是一種解決分類問題的監(jiān)督學(xué)習(xí)方法，它是在線性回歸的基礎(chǔ)上增加了一個sigmoid函數(shù)，把線性回歸結(jié)果映射到[0,1]的區(qū)間內(nèi)，定義預(yù)定閾值為分界線，對其進(jìn)行分類，通過下式的Sigmoid函數(shù)將把數(shù)值回歸問題轉(zhuǎn)換為分類問題。以代價函數(shù)優(yōu)化的方式，求解適用于在線分析的CCT多分類問題：所述邏輯回歸訓(xùn)練模型的分類數(shù)量通過下式確定：式中，hθ(x)表示對于訓(xùn)練樣本x分類結(jié)果取1的概率，θ為邏輯回歸參數(shù)矩陣。簡單的二分類問題可定義代價函數(shù)J(θ)如下式所示。通過最小化代價函數(shù)，來求取最優(yōu)的θ參數(shù)，獲得完整的邏輯回歸模型。式中，x為樣本輸入量；y為樣本分類標(biāo)簽；m為樣本總數(shù)。對于多分類問題，采用softmax函數(shù)對式(2)進(jìn)行改造，得到新的代價函數(shù)：式中，x為樣本輸入量；y為樣本分類標(biāo)簽；m為樣本總數(shù)；k為分類數(shù)量。定義超參數(shù)集合λ＝{λ1，λ2，…,λn},λ∈[0,1],n為超參數(shù)的個數(shù)。(2)定義包含LASSO懲罰項的代價函數(shù),利用迭代法更新所述包含LASSO懲罰項的代價函數(shù)中的邏輯回歸參數(shù)矩陣θ；Lasso(LeastAbsoluteShrinkageandSelectionOperator)方法在代價函數(shù)中增加一個參數(shù)θ矩陣1范數(shù)的罰函數(shù)，使得部分次要輸入量的系數(shù)被壓縮為零或接近于零，從而得到一個更為精煉的模型。模型經(jīng)過提煉，次要參數(shù)被極大地壓縮，主要參數(shù)更為突出，這樣也就實現(xiàn)了主要特征的自動辨識功能。定義包含LASSO懲罰項的代價函數(shù)；式中，J(x)為x的代價函數(shù)，x為樣本輸入量，y為樣本分類標(biāo)簽，λi為調(diào)整比例的超參數(shù)，用于在實際代價函數(shù)和邏輯回歸參數(shù)矩陣θ的懲罰值之間取得平衡，m為樣本總數(shù)，k為分類數(shù)量。利用迭代法更新所述包含LASSO懲罰項的代價函數(shù)中的邏輯回歸參數(shù)矩陣θ包括：a.初始化邏輯回歸參數(shù)矩陣θ；b.將θ代入式(4)求解代價函數(shù)，并利用式(5)的梯度下降法獲取代價函數(shù)對θ的梯度；c.根據(jù)梯度值和預(yù)設(shè)學(xué)習(xí)率迭代更新θ；d.判斷代價函數(shù)在單位時間內(nèi)未降低或者迭代次數(shù)達(dá)到上限，若是，則輸出當(dāng)前θ，若否則返回步驟b。初始化邏輯回歸參數(shù)矩陣θ包括：將m個樣本輸入量x＝{x1,x2,…,xm}，及其對應(yīng)的分類標(biāo)簽y＝{y1,y2,…,ym}，構(gòu)成一個k維的特征向量，將m個k維特征向量構(gòu)成一個m*k的邏輯回歸參數(shù)矩陣θ。(3)在指數(shù)坐標(biāo)系下按比例取值，選取所述超參數(shù)集合中誤差率偏差小于閾值的最大超參數(shù)所生成的邏輯回歸訓(xùn)練模型作為最優(yōu)模型；(4)將該模型的邏輯回歸參數(shù)矩陣θ行向量絕對值之和的最大值作為電網(wǎng)穩(wěn)定特征?；谕话l(fā)明構(gòu)思，本發(fā)明還提出一種電力系統(tǒng)穩(wěn)定特征自動提取裝置，該裝置包括：設(shè)置模塊，用于確定邏輯回歸訓(xùn)練模型的樣本輸入量及其分類數(shù)量，并定義超參數(shù)集合；更新模塊，用于定義包含LASSO懲罰項的代價函數(shù),利用迭代法更新所述包含LASSO懲罰項的代價函數(shù)中的邏輯回歸參數(shù)矩陣θ；獲取模塊，用于在指數(shù)坐標(biāo)系下按比例取值，選取所述超參數(shù)集合中誤差率偏差小于閾值的最大超參數(shù)所生成的邏輯回歸訓(xùn)練模型作為最優(yōu)模型；定義模塊，用于將該最優(yōu)模型的邏輯回歸參數(shù)矩陣θ行向量絕對值之和的最大值作為電網(wǎng)穩(wěn)定特征。實施例：以國家電網(wǎng)公司某年1-10月在線計算數(shù)據(jù)為基礎(chǔ)，驗證本課題方法的有效性。當(dāng)月華北-華中處于聯(lián)網(wǎng)運行狀態(tài)，因此在線數(shù)據(jù)中包含國調(diào)直調(diào)以及華北、華中所有220kV以上的電網(wǎng)設(shè)備。電網(wǎng)狀態(tài)量和統(tǒng)計量共計28201個，如下表所示；有效樣本數(shù)(斷面數(shù))為29254個。表1電網(wǎng)狀態(tài)量和統(tǒng)計量列表設(shè)備類型狀態(tài)量數(shù)量220kV以上交流線投運狀態(tài)、有功功率6644×2全部機(jī)組投運狀態(tài)、有功功率、無功功率、機(jī)端電壓1435×4直流線直流功率14區(qū)域統(tǒng)計量區(qū)域總發(fā)電、總負(fù)荷、電壓均值15×3廠站廠站總出力、投運機(jī)組數(shù)、總負(fù)荷、最高電壓3038×3考察故障包括四川.山桃一線、華北.黃濱一線、國調(diào).峽葛I線、華中.樊白II線、國調(diào).漁宜線、國調(diào).葛崗線、華中.牌長I回線、華中.盤龍I線、華中.艾鶴I回線、華中.艷牌I回線，共計10個。收到樣本數(shù)的限制，不能把全部電網(wǎng)變量作為輸入量，否則很容易出現(xiàn)過擬合的情況，只能把每類變量逐一作為輸入量進(jìn)行學(xué)習(xí)。a)模型學(xué)習(xí)分別選擇λ＝0,0.1,0.01,0.001,0.0001,0.00001,0.000001這7個不同的超參數(shù)來進(jìn)行模型學(xué)習(xí)，以葛崗線為例：輸入量為機(jī)組功率，共1325個變量；輸出量為葛崗線CCT，區(qū)間在0.19-0.36，共計18種可能，因此參數(shù)矩陣為1325*18，共計23850個參數(shù)。學(xué)習(xí)結(jié)果如下表所示。表2葛崗線模型學(xué)習(xí)結(jié)果λ誤差率θ矩陣中絕對值小于0.01的數(shù)量壓縮率0(基準(zhǔn))13.79％8103.40％0.00000114.00％634926.62％0.0000114.15％1574066.00％0.000118.06％2033085.24％0.0133.06％2084787.41％0.157.47％1652369.28％174.41％22649.49％從結(jié)果中可見，λ＝0.1和λ＝1對應(yīng)模型的誤差率明顯過大，說明模型不能反映電網(wǎng)穩(wěn)定特性，因此需要忽略；其余結(jié)果，誤差率隨λ的增大而升高，θ矩陣小參數(shù)數(shù)量和壓縮比也隨λ的增大而變大，結(jié)果符合算法設(shè)計的預(yù)期。其中，當(dāng)λ>0.0001后，誤差率的提升明顯變快，而壓縮率變化卻趨于平緩，因此應(yīng)選λ＝0.0001時的邏輯回歸模型及參數(shù)作為最佳模型。分別采用機(jī)組功率、線路功率、廠站總發(fā)電和廠站總負(fù)荷作為輸入量，來進(jìn)行模型的學(xué)習(xí)，λ＝0時的模型學(xué)習(xí)結(jié)果如下表所示。表4不同輸入量的誤差率對比預(yù)想故障機(jī)組功率線路功率廠站總發(fā)電廠站總負(fù)荷葛崗線13.79％19.35％15.35％15.21％黃濱一線61.97％79.29％69.03％68.97％峽葛I線13.74％18.89％16.24％15.59％漁宜線12.88％18.38％15.03％16.32％從結(jié)果中可見，黃濱一線的誤差率始終很高，原因在于黃濱一線的CCT結(jié)果跨度較大，為0.20-0.71，約有超過50種分類可能。對比其他3個故障：葛崗線18種(0.19-0.36)，峽葛I線11種(0.19-0.29)，漁宜線31種(0.17-0.47)，黃濱一線CCT結(jié)果的分散度明顯大很多。這種情況造成每種分類樣本數(shù)較小，模型學(xué)習(xí)不夠充分，因此誤差率較大。其余3個故障的結(jié)果大致相似，并且以機(jī)組功率作為輸入量的結(jié)果最佳，線路功率作為輸入量的結(jié)果最差，廠站總發(fā)電和總負(fù)荷介于兩者之間。b)特征選擇仍以葛崗線為例，以機(jī)組功率作為輸入量，用λ＝0.0001時的最優(yōu)模型來選擇穩(wěn)定特征，采用參數(shù)矩陣θ每行的絕對值之和作為挑選依據(jù)，結(jié)果如下表所示。表4葛崗線穩(wěn)定特征辨識結(jié)果序號變量名稱(機(jī)組有功)θ矩陣對應(yīng)行絕對值之和1.國調(diào).三峽右岸廠/20kV.19#機(jī)組40.482.國調(diào).三峽右岸廠/20kV.16#機(jī)組39.613.國調(diào).三峽右岸廠/20kV.20#機(jī)組22.344.國調(diào).三峽右岸廠/20kV.15#機(jī)組22.095.國調(diào).三峽右岸廠/20kV.24#機(jī)組19.816.國調(diào).三峽右岸廠/20kV.26#機(jī)組19.197.國調(diào).三峽右岸廠/20kV.25#機(jī)組18.998.國調(diào).三峽左岸廠/20kV.7#機(jī)組18.689.國調(diào).三峽右岸廠/20kV.23#機(jī)組19.3310.華中.周灣/20kV.#2機(jī)17.3511.國調(diào).三峽右岸廠/20kV.21#機(jī)組17.2212.國調(diào).三峽左岸廠/20kV.2#機(jī)組17.0913.國調(diào).三峽右岸廠/20kV.22#機(jī)組16.7014.國調(diào).三峽左岸廠/20kV.10#機(jī)組16.5715.四川.瀘定廠/15.75kV.1#機(jī)組16.3316.華中.寶慶/27kV.#2機(jī)15.9917.國調(diào).三峽右岸廠/20kV.18#機(jī)組15.5118.國調(diào).三峽右岸廠/20kV.17#機(jī)組15.4919.湖北.鄂州廠/22kV.#4機(jī)15.2520.國調(diào).三峽左岸廠/20kV.13#機(jī)組14.30由于葛崗線靠近三峽電廠，并且在葛崗線CCT計算過程中，失穩(wěn)形態(tài)多以三峽機(jī)組對華北機(jī)組(如山東、河北等)的功角失穩(wěn)為主，因此機(jī)組中與葛崗線穩(wěn)定程度相關(guān)性最大的必然是三峽機(jī)組，這與上表中的穩(wěn)定特征選取結(jié)果相同，也與穩(wěn)定分析的一般規(guī)律相符。本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本申請的實施例可提供為方法、系統(tǒng)、或計算機(jī)程序產(chǎn)品。因此，本申請可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機(jī)可用程序代碼的計算機(jī)可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學(xué)存儲器等)上實施的計算機(jī)程序產(chǎn)品的形式。本申請是參照根據(jù)本申請實施例的方法、設(shè)備(系統(tǒng))、和計算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機(jī)程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機(jī)程序指令到通用計算機(jī)、專用計算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機(jī)器，使得通過計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計算機(jī)程序指令也可存儲在能引導(dǎo)計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機(jī)可讀存儲器中，使得存儲在該計算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計算機(jī)程序指令也可裝載到計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機(jī)實現(xiàn)的處理，從而在計算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。最后應(yīng)當(dāng)說明的是：以上實施例僅用以說明本申請的技術(shù)方案而非對其保護(hù)范圍的限制，盡管參照上述實施例對本申請進(jìn)行了詳細(xì)的說明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：本領(lǐng)域技術(shù)人員閱讀本申請后依然可對申請的具體實施方式進(jìn)行種種變更、修改或者等同替換，這些變更、修改或者等同替換，其均在其申請待批的權(quán)利要求范圍之內(nèi)。當(dāng)前第1頁1 2 3