本發(fā)明涉及電力系統(tǒng)安全穩(wěn)定運行領(lǐng)域，是一種利用穩(wěn)態(tài)信息定量評估電力系統(tǒng)暫態(tài)穩(wěn)定裕度的方法。

背景技術(shù)：

暫態(tài)穩(wěn)定評估是電力系統(tǒng)動態(tài)安全分析的重要內(nèi)容，是保證電力系統(tǒng)安全運行的前提。傳統(tǒng)評估方法，如能量函數(shù)法(直接法)在在線穩(wěn)定分析中與時域仿真法有效配合，其特點是適應(yīng)性強、精度高，獲得了廣泛應(yīng)用。以人工智能為基礎(chǔ)的電力系統(tǒng)暫態(tài)穩(wěn)定評估具有很大潛力，它不需要建立復(fù)雜的數(shù)學(xué)模型，而是建立起輸入與輸出量之間的非線性映射關(guān)系，具有自學(xué)習(xí)能力強、評估速度快、判穩(wěn)同時給出系統(tǒng)穩(wěn)定裕度等優(yōu)點。另外，在實際場景中，很多暫態(tài)穩(wěn)定問題都表現(xiàn)為特定運行方式下的穩(wěn)定問題。區(qū)域聯(lián)絡(luò)線故障引發(fā)的暫態(tài)穩(wěn)定問題是調(diào)度運行人員密切關(guān)注的，在故障確定(擾動類型、位置及持續(xù)時間固定)的情況下，系統(tǒng)的暫態(tài)穩(wěn)定程度僅與初始穩(wěn)態(tài)運行方式有關(guān)。但是，現(xiàn)有技術(shù)應(yīng)用于規(guī)模較大的電力系統(tǒng)時，在線計算量大、仿真時間長、很難滿足在線評估需求；現(xiàn)有技術(shù)中缺乏僅利用穩(wěn)態(tài)信息定量評估特定運行方式下暫態(tài)穩(wěn)定裕度的研究。如何基于穩(wěn)態(tài)數(shù)據(jù)，挖掘區(qū)域聯(lián)絡(luò)線嚴(yán)重故障時的暫態(tài)穩(wěn)定程度與運行特征量之間的關(guān)系，提高系統(tǒng)安全水平已經(jīng)成為本領(lǐng)域技術(shù)人員渴望解決，但至今尚未解決的技術(shù)難題。

技術(shù)實現(xiàn)要素：

本發(fā)明解決的技術(shù)問題是：克服現(xiàn)有技術(shù)的不足，提供一種利用穩(wěn)態(tài)信息定量評估電力系統(tǒng)暫態(tài)穩(wěn)定裕度的方法，其方法科學(xué)合理，僅通過穩(wěn)態(tài)信息定量評估區(qū)域聯(lián)絡(luò)線嚴(yán)重故障時的系統(tǒng)穩(wěn)定裕度，為電網(wǎng)調(diào)度人員采取預(yù)防控制措施提供決策依據(jù)。

解決技術(shù)問題采用的方案是：一種利用穩(wěn)態(tài)信息定量評估電力系統(tǒng)暫態(tài)穩(wěn)定裕度的方法，其特征是評估結(jié)果不依賴于動態(tài)軌跡信息，它包括以下內(nèi)容：

1)采用軌跡分析方法中的穩(wěn)定指標(biāo)和不穩(wěn)定指標(biāo)來定量評估電力系統(tǒng)中發(fā)電機的暫態(tài)穩(wěn)定程度，電力系統(tǒng)暫態(tài)穩(wěn)定性越好，穩(wěn)定指標(biāo)絕對值越大，不穩(wěn)定指標(biāo)為0；電力系統(tǒng)暫態(tài)失穩(wěn)越嚴(yán)重，不穩(wěn)定指標(biāo)絕對值越大，穩(wěn)定指標(biāo)為0；

2)構(gòu)建復(fù)合神經(jīng)網(wǎng)絡(luò)來建立電力系統(tǒng)運行初態(tài)和發(fā)電機暫態(tài)穩(wěn)定指標(biāo)之間的映射關(guān)系，實現(xiàn)僅基于穩(wěn)態(tài)信息的暫態(tài)穩(wěn)定裕度定量評估，根據(jù)電網(wǎng)實際經(jīng)驗構(gòu)建電網(wǎng)故障集，即區(qū)域間聯(lián)絡(luò)線三相短路故障，每一個電網(wǎng)仿真樣本包含該運行方式下的穩(wěn)態(tài)運行特征變量及故障集中最嚴(yán)重故障下的發(fā)電機穩(wěn)定指標(biāo)st與不穩(wěn)定指標(biāo)ut，穩(wěn)態(tài)運行特征變量構(gòu)成輸入特征集作為訓(xùn)練網(wǎng)絡(luò)的輸入，為了避免因降維而導(dǎo)致關(guān)鍵信息的缺失和遺漏，穩(wěn)態(tài)運行特征變量無需進行降維處理，發(fā)電機穩(wěn)定指標(biāo)st與不穩(wěn)定指標(biāo)ut作為訓(xùn)練網(wǎng)絡(luò)的輸出；

(1)第一層采用概率神經(jīng)網(wǎng)絡(luò)(pnn)進行數(shù)據(jù)分類，訓(xùn)練輸入為穩(wěn)態(tài)運行特征變量集，訓(xùn)練輸出為不穩(wěn)定集和穩(wěn)定集，分別標(biāo)識為0和1，將輸入樣本根據(jù)穩(wěn)定性狀況分成穩(wěn)定、不穩(wěn)定2類，訓(xùn)練樣本經(jīng)pnn分類后，每個子類樣本屬于同一類別，具有相似特征，在形成bp子網(wǎng)時，各類子網(wǎng)對當(dāng)前類的樣本更具針對性；

(2)第二層采用bp神經(jīng)網(wǎng)絡(luò)，其中bp輸入層是pnn分類后的樣本，根據(jù)輸入特征數(shù)合理設(shè)置隱含層的神經(jīng)元個數(shù)，bp輸出層是發(fā)電機穩(wěn)定指標(biāo)st與不穩(wěn)定指標(biāo)ut，分類后的樣本經(jīng)訓(xùn)練后用于對不同類別的樣本中各發(fā)電機穩(wěn)定、不穩(wěn)定指標(biāo)進行預(yù)測；

(3)為改善pnn誤分類的缺陷，采用交叉訓(xùn)練的方式進行檢查修正操作：被pnn分類為穩(wěn)定類的樣本進入穩(wěn)定類與不穩(wěn)定類bp子網(wǎng)，分別訓(xùn)練得到該發(fā)電機非0的穩(wěn)定指標(biāo)與為0的不穩(wěn)定指標(biāo)，其中不穩(wěn)定指標(biāo)用于檢查修正穩(wěn)定指標(biāo)的訓(xùn)練結(jié)果，即只有在不穩(wěn)定指標(biāo)為0、穩(wěn)定指標(biāo)非0時，穩(wěn)定指標(biāo)作為結(jié)果輸出；而不穩(wěn)定指標(biāo)非0時，穩(wěn)定樣本被再次劃分為不穩(wěn)定樣本，這種修正方法可有效減少誤判樣本，即不穩(wěn)定錯誤分類成穩(wěn)定的個數(shù)；同理，被pnn分類為不穩(wěn)定類的樣本會同時進入穩(wěn)定類與不穩(wěn)定類bp子網(wǎng)，分別訓(xùn)練得到該發(fā)電機為0的穩(wěn)定指標(biāo)與非0的不穩(wěn)定指標(biāo)，穩(wěn)定類bp子網(wǎng)中得到的穩(wěn)定指標(biāo)用于檢查修正不穩(wěn)定指標(biāo)的訓(xùn)練結(jié)果，即只有在穩(wěn)定指標(biāo)為0、不穩(wěn)定指標(biāo)非0時，穩(wěn)定指標(biāo)作為結(jié)果輸出為0；而穩(wěn)定指標(biāo)非0時，不穩(wěn)定樣本被再次劃分為穩(wěn)定樣本，這種修正方法可有效減少漏判樣本，即穩(wěn)定錯誤分類成不穩(wěn)定的個數(shù)。

本發(fā)明的一種利用穩(wěn)態(tài)信息定量評估電力系統(tǒng)暫態(tài)穩(wěn)定裕度的方法，由于采用復(fù)合神經(jīng)網(wǎng)絡(luò)，明顯提高了評估準(zhǔn)確率及預(yù)測精度，原因在于：①因pnn的網(wǎng)絡(luò)內(nèi)部按各模式的最大概率直接輸出分類結(jié)果，且對同一輸入輸出樣本數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，pnn訓(xùn)練得到的網(wǎng)絡(luò)結(jié)構(gòu)是固定不變的，相比bp網(wǎng)絡(luò)，pnn具有較好的分類性能；②訓(xùn)練樣本經(jīng)pnn分類后，各類bp子網(wǎng)對當(dāng)前類的樣本更具針對性，采用分類預(yù)測具有更好的預(yù)測精度；③復(fù)合網(wǎng)絡(luò)中各類bp子網(wǎng)對訓(xùn)練結(jié)果具有檢查修正功能，可以有效減少誤判和漏判樣本。特征樣本經(jīng)過上述復(fù)合神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后，可以獲得較好的預(yù)測效果，選擇關(guān)注穩(wěn)定指標(biāo)較小的發(fā)電機可直觀地評估當(dāng)前運行方式下區(qū)域聯(lián)絡(luò)線嚴(yán)重故障時系統(tǒng)暫態(tài)穩(wěn)定裕度。其方法科學(xué)合理，僅通過穩(wěn)態(tài)信息定量評估區(qū)域聯(lián)絡(luò)線嚴(yán)重故障時的系統(tǒng)穩(wěn)定裕度，為電網(wǎng)調(diào)度人員采取預(yù)防控制措施提供決策依據(jù)。

附圖說明

圖1為復(fù)合神經(jīng)網(wǎng)絡(luò)訓(xùn)練示意圖；

圖2為ieee-39系統(tǒng)劃分圖。

具體實施方式

參照圖1，本發(fā)明的一種利用穩(wěn)態(tài)信息定量評估電力系統(tǒng)暫態(tài)穩(wěn)定裕度的方法，包括以下內(nèi)容：

1)采用軌跡分析方法中的穩(wěn)定指標(biāo)和不穩(wěn)定指標(biāo)來定量評估電力系統(tǒng)中發(fā)電機的暫態(tài)穩(wěn)定程度，電力系統(tǒng)暫態(tài)穩(wěn)定性越好，穩(wěn)定指標(biāo)絕對值越大，不穩(wěn)定指標(biāo)為0；電力系統(tǒng)暫態(tài)失穩(wěn)越嚴(yán)重，不穩(wěn)定指標(biāo)絕對值越大，穩(wěn)定指標(biāo)為0；

2)構(gòu)建復(fù)合神經(jīng)網(wǎng)絡(luò)來建立電力系統(tǒng)運行初態(tài)和發(fā)電機暫態(tài)穩(wěn)定指標(biāo)之間的映射關(guān)系，實現(xiàn)僅基于穩(wěn)態(tài)信息的暫態(tài)穩(wěn)定裕度定量評估，根據(jù)電網(wǎng)實際經(jīng)驗構(gòu)建電網(wǎng)故障集，即區(qū)域間聯(lián)絡(luò)線三相短路故障，每一個電網(wǎng)仿真樣本包含該運行方式下的穩(wěn)態(tài)運行特征變量及故障集中最嚴(yán)重故障下的發(fā)電機穩(wěn)定指標(biāo)st與不穩(wěn)定指標(biāo)ut，穩(wěn)態(tài)運行特征變量構(gòu)成輸入特征集作為訓(xùn)練網(wǎng)絡(luò)的輸入，為了避免因降維而導(dǎo)致關(guān)鍵信息的缺失和遺漏，穩(wěn)態(tài)運行特征變量無需進行降維處理，發(fā)電機穩(wěn)定指標(biāo)st與不穩(wěn)定指標(biāo)ut作為訓(xùn)練網(wǎng)絡(luò)的輸出；

(1)第一層采用概率神經(jīng)網(wǎng)絡(luò)(pnn)進行數(shù)據(jù)分類，訓(xùn)練輸入為穩(wěn)態(tài)運行特征變量集，訓(xùn)練輸出為不穩(wěn)定集和穩(wěn)定集，分別標(biāo)識為0和1，將輸入樣本根據(jù)穩(wěn)定性狀況分成穩(wěn)定、不穩(wěn)定2類，訓(xùn)練樣本經(jīng)pnn分類后，每個子類樣本屬于同一類別，具有相似特征，在形成bp子網(wǎng)時，各類子網(wǎng)對當(dāng)前類的樣本更具針對性；

(2)第二層采用bp神經(jīng)網(wǎng)絡(luò)，其中bp輸入層是pnn分類后的樣本，根據(jù)輸入特征數(shù)合理設(shè)置隱含層的神經(jīng)元個數(shù)，bp輸出層是發(fā)電機穩(wěn)定指標(biāo)st與不穩(wěn)定指標(biāo)ut，分類后的樣本經(jīng)訓(xùn)練后用于對不同類別的樣本中各發(fā)電機穩(wěn)定、不穩(wěn)定指標(biāo)進行預(yù)測；

(3)為改善pnn誤分類的缺陷，采用交叉訓(xùn)練的方式進行檢查修正操作：被pnn分類為穩(wěn)定類的樣本進入穩(wěn)定類與不穩(wěn)定類bp子網(wǎng)，分別訓(xùn)練得到該發(fā)電機非0的穩(wěn)定指標(biāo)與為0的不穩(wěn)定指標(biāo)，其中不穩(wěn)定指標(biāo)用于檢查修正穩(wěn)定指標(biāo)的訓(xùn)練結(jié)果，即只有在不穩(wěn)定指標(biāo)為0、穩(wěn)定指標(biāo)非0時，穩(wěn)定指標(biāo)作為結(jié)果輸出；而不穩(wěn)定指標(biāo)非0時，穩(wěn)定樣本被再次劃分為不穩(wěn)定樣本，這種修正方法可有效減少誤判樣本，即不穩(wěn)定錯誤分類成穩(wěn)定的個數(shù)；同理，被pnn分類為不穩(wěn)定類的樣本會同時進入穩(wěn)定類與不穩(wěn)定類bp子網(wǎng)，分別訓(xùn)練得到該發(fā)電機為0的穩(wěn)定指標(biāo)與非0的不穩(wěn)定指標(biāo)，穩(wěn)定類bp子網(wǎng)中得到的穩(wěn)定指標(biāo)用于檢查修正不穩(wěn)定指標(biāo)的訓(xùn)練結(jié)果，即只有在穩(wěn)定指標(biāo)為0、不穩(wěn)定指標(biāo)非0時，穩(wěn)定指標(biāo)作為結(jié)果輸出為0；而穩(wěn)定指標(biāo)非0時，不穩(wěn)定樣本被再次劃分為穩(wěn)定樣本，這種修正方法可有效減少漏判樣本，即穩(wěn)定錯誤分類成不穩(wěn)定的個數(shù)。

此復(fù)合神經(jīng)網(wǎng)絡(luò)明顯提高了評估準(zhǔn)確率及預(yù)測精度，原因在于：①因pnn的網(wǎng)絡(luò)內(nèi)部按各模式的最大概率直接輸出分類結(jié)果，且對同一輸入輸出樣本數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，pnn訓(xùn)練得到的網(wǎng)絡(luò)結(jié)構(gòu)是固定不變的，相比bp網(wǎng)絡(luò)，pnn具有較好的分類性能；②訓(xùn)練樣本經(jīng)pnn分類后，各類bp子網(wǎng)對當(dāng)前類的樣本更具針對性，采用分類預(yù)測具有更好的預(yù)測精度；③復(fù)合網(wǎng)絡(luò)中各類bp子網(wǎng)對訓(xùn)練結(jié)果具有檢查修正功能，可以有效減少誤判和漏判樣本。

特征樣本經(jīng)過上述復(fù)合神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后，可以獲得較好的預(yù)測效果，選擇關(guān)注穩(wěn)定指標(biāo)較小的發(fā)電機可直觀地評估當(dāng)前運行方式下區(qū)域聯(lián)絡(luò)線嚴(yán)重故障時系統(tǒng)暫態(tài)穩(wěn)定裕度。

下面結(jié)合具體的試驗驗證上述方案的可行性，詳見以下描述：

以ieee-39節(jié)點系統(tǒng)為算例，ieee-39節(jié)點系統(tǒng)區(qū)域劃分參照圖2。輸入特征變量如表1所示。統(tǒng)計得到各種運行方式對應(yīng)的樣本值，生成7200個樣本組成的輸入空間。7200個樣本中隨機選取6000個作為訓(xùn)練樣本，其余1200個則作為測試樣本，如表2所示。

表1ieee-39系統(tǒng)輸入特征變量

表2訓(xùn)練集和測試集樣本構(gòu)成

為驗證復(fù)合神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，分別通過復(fù)合神經(jīng)網(wǎng)絡(luò)和單層bp網(wǎng)絡(luò)建立起評估輸入與發(fā)電機穩(wěn)定指標(biāo)之間的映射關(guān)系，得到不同運行方式下的訓(xùn)練和測試樣本表明，訓(xùn)練網(wǎng)絡(luò)均能收斂。以區(qū)域聯(lián)絡(luò)線6-11故障為例，對比了部分測試樣本中5號發(fā)電機的穩(wěn)定指標(biāo)實際值、復(fù)合網(wǎng)絡(luò)預(yù)測值與bp網(wǎng)絡(luò)預(yù)測值，對比結(jié)果如表3所示。

表3穩(wěn)定指標(biāo)預(yù)測結(jié)果對比

通過上表不難看出：本發(fā)明所給出的方法無論在預(yù)測精度，還是在評估正確率上都優(yōu)于傳統(tǒng)的bp方法。

本發(fā)明用如下的暫態(tài)穩(wěn)定評估正確率c來對其進行考核。

式中：n為樣本總數(shù)；m為評估正確樣本數(shù)。

如果預(yù)測的暫態(tài)穩(wěn)定結(jié)果與實際結(jié)果一致，則認(rèn)為是正確的。c用于考察神經(jīng)網(wǎng)絡(luò)的暫態(tài)穩(wěn)定區(qū)分能力。本發(fā)明進一步采用如下的平均誤差err、最大絕對誤差em來評判神經(jīng)網(wǎng)絡(luò)的預(yù)測精度：

em＝max{|si-ri|}i＝1,2,···,n(3)

式中：si和ri分別為第i個樣本的穩(wěn)定指標(biāo)預(yù)測值和實際值。

表4為區(qū)域聯(lián)絡(luò)線6-11故障時復(fù)合網(wǎng)絡(luò)和單層bp網(wǎng)絡(luò)的穩(wěn)定評估測試對比結(jié)果。預(yù)測中較大的絕對誤差均出現(xiàn)在穩(wěn)定指標(biāo)較大的情況，這是具有輸出飽和特性的bp網(wǎng)絡(luò)的固有特征，并不會影響到評估正確率。

表4區(qū)域聯(lián)絡(luò)線6-11故障測試結(jié)果

表5為區(qū)域聯(lián)絡(luò)線16-17故障時，復(fù)合網(wǎng)絡(luò)采用和不采用檢查修正網(wǎng)絡(luò)的測試對比結(jié)果。分析下表可知，復(fù)合神經(jīng)網(wǎng)絡(luò)采用結(jié)果檢查修正后可以有效減少漏判樣本數(shù)，但仍存在漏判樣本，通過分析漏判樣本的特點可知：漏判樣本中薄弱發(fā)電機的穩(wěn)定指標(biāo)均在區(qū)間(0,1)內(nèi)，說明漏判樣本集中在穩(wěn)定邊界附近。

為提高復(fù)合網(wǎng)絡(luò)在穩(wěn)定邊界附近樣本的區(qū)分能力，減小穩(wěn)定邊界附近的誤判/漏判樣本，在訓(xùn)練樣本數(shù)不變的情況下，相應(yīng)增加穩(wěn)定邊界附近的訓(xùn)練樣本，可以有效減少誤判/漏判樣本數(shù)。越靠近穩(wěn)定邊界的樣本非線性越強，分類難度越高，這也是無法徹底消除漏判樣本的主要原因。

表5區(qū)域聯(lián)絡(luò)線16-17故障測試結(jié)果

通過以上分析可知，本發(fā)明提出的利用穩(wěn)態(tài)信息定量評估電力系統(tǒng)暫態(tài)穩(wěn)定裕度的方法，無論在預(yù)測精度，還是在評估正確率上都優(yōu)于傳統(tǒng)bp方法，ieee-39系統(tǒng)算例驗證了本發(fā)明方法的有效性。

以上具體實施方式僅用以說明本發(fā)明的技術(shù)方案，而非對其限制，所屬領(lǐng)域的普通技術(shù)人員應(yīng)該理解，參照上述實施例所作的任何形式的修改、等同變化均在本發(fā)明權(quán)利要求保護范圍之內(nèi)。