一種在線預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的方法
【專利摘要】本發(fā)明公開了一種在線預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的方法，該方法由基于Lasso的樣本降維方法、基于自組織特征映射網(wǎng)絡(luò)的樣本篩選方法和誤差反向傳播型神經(jīng)網(wǎng)絡(luò)三部分組成。本發(fā)明通過自組織特征映射網(wǎng)絡(luò)和Lasso方法對電力系統(tǒng)離線仿真生成的大量隨機(jī)訓(xùn)練樣本進(jìn)行預(yù)處理，Lasso方法用于減少輸入變量的維數(shù)，自組織特征映射網(wǎng)絡(luò)用于減少訓(xùn)練樣本的數(shù)量，之后采用誤差反向傳播型神經(jīng)網(wǎng)絡(luò)對電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限進(jìn)行離線訓(xùn)練和在線預(yù)測，本發(fā)明的方法可以有效提高誤差反向傳播型神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練效率和在線預(yù)測效果。
【專利說明】一種在線預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于電力系統(tǒng)穩(wěn)定性分析【技術(shù)領(lǐng)域】，具體涉及一種在線預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的方法。
【背景技術(shù)】
[0002]而隨著現(xiàn)代電力系統(tǒng)的發(fā)展，系統(tǒng)的規(guī)模不斷擴(kuò)大，網(wǎng)絡(luò)結(jié)構(gòu)日趨復(fù)雜，環(huán)境和經(jīng)濟(jì)因素的制約使電力系統(tǒng)的運(yùn)行情況更加接近極限條件。在線評估電壓穩(wěn)定性是預(yù)防大停電事故的重要手段之一。
[0003]快速求解系統(tǒng)靜態(tài)電壓穩(wěn)定極限是在線評估電力系統(tǒng)電壓穩(wěn)定性最基本的要求。電力系統(tǒng)在運(yùn)行過程中，隨著電力系統(tǒng)中的負(fù)荷不斷增加，系統(tǒng)的潮流雅克比矩陣將趨向于奇異，當(dāng)潮流雅克比奇異時，系統(tǒng)達(dá)到潮流臨界解，該狀態(tài)下系統(tǒng)的負(fù)荷總有功功率即為系統(tǒng)的靜態(tài)電壓穩(wěn)定極限(或稱極限傳輸功率、極限負(fù)荷能力)，系統(tǒng)靜態(tài)電壓穩(wěn)定極限越大，則可認(rèn)為系統(tǒng)在該情景下的靜態(tài)電壓穩(wěn)定性越好。連續(xù)潮流法是計算電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的經(jīng)典方法，但由于其計算量較大、耗時較多，難于在線應(yīng)用。由于電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限無法用解析表達(dá)式描述，因此該領(lǐng)域研究主要集中在采用神經(jīng)網(wǎng)絡(luò)對靜態(tài)電壓穩(wěn)定極限進(jìn)行在線估計。
[0004]李妍、程時杰等在標(biāo)題為電壓穩(wěn)定極限附近神經(jīng)網(wǎng)絡(luò)模擬及靜態(tài)穩(wěn)定裕度判定(電力系統(tǒng)自動化，1999(21)，37-40)的文獻(xiàn)中提出了一種用誤差反向傳播神經(jīng)網(wǎng)絡(luò)來模擬節(jié)點(diǎn)電壓靜態(tài)穩(wěn)定臨界狀態(tài)附近的過渡過程的方法，該方法中可用于分析在某種運(yùn)行方式電網(wǎng)各節(jié)點(diǎn)的電壓靜態(tài)穩(wěn)定儲備系數(shù)。崔峰、齊占慶、姜萌在標(biāo)題為基于模糊神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)電壓穩(wěn)定評估(電力系統(tǒng)保護(hù)與控制，2009(11)，40-44)的文獻(xiàn)中設(shè)計了一個多輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)，通過計算帶靜止無功補(bǔ)償器電力系統(tǒng)的負(fù)荷能力極限，對系統(tǒng)的電壓穩(wěn)定性進(jìn)行評估，有功與無功負(fù)載的不確定性、有功與無功發(fā)生器、母線電壓以及無功補(bǔ)償裝置的參數(shù)都被考慮進(jìn)來，該方法采用Kohonen自組織映射網(wǎng)絡(luò)聚類所有節(jié)點(diǎn)的有功和無功負(fù)荷來減少輸入量個數(shù)。陳愛軍、劉愛國在標(biāo)題為基于神經(jīng)網(wǎng)絡(luò)模型的在線電壓穩(wěn)定極限評估(電力科學(xué)與工程，2010 (08)，19-23)的文獻(xiàn)將回歸分析和人工神經(jīng)網(wǎng)絡(luò)模型同時應(yīng)用于電力系統(tǒng)電壓穩(wěn)定評估，用回歸分析法求取負(fù)荷對電壓穩(wěn)定裕度的靈敏度，根據(jù)預(yù)先設(shè)置好的靈敏度閥值來進(jìn)行特征選擇，從而減少輸入變量的維數(shù)。
[0005]上述三種采用神經(jīng)網(wǎng)絡(luò)來離線訓(xùn)練和在線估計靜態(tài)電壓穩(wěn)定極限時存在以下兩個問題:(1)電力系統(tǒng)可用的輸入變量過多；(2)訓(xùn)練樣本數(shù)量多但分布并不理想。這兩個問題將降低神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練效率并影響其預(yù)測效果，在系統(tǒng)規(guī)模較大時其影響十分明顯。

【發(fā)明內(nèi)容】

[0006]針對現(xiàn)有技術(shù)所存在的上述技術(shù)問題，本發(fā)明提供了一種在線預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的方法，能夠有效提高神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練效率和在線預(yù)測效果。[0007]—種在線預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的方法，包括如下步驟:
[0008](I)通過對電力系統(tǒng)進(jìn)行離線仿真，生成系統(tǒng)在隨機(jī)多個工況下對應(yīng)的多個訓(xùn)練樣本；所述的訓(xùn)練樣本包括輸入變量和輸出變量，所述的輸出變量為系統(tǒng)的靜態(tài)電壓穩(wěn)定極限(又稱為負(fù)荷能力極限、極限傳輸功率);
[0009]每個樣本的系統(tǒng)的靜態(tài)電壓穩(wěn)定極限的求取方法如下:電網(wǎng)在某一隨機(jī)工況下，不斷增加全網(wǎng)負(fù)荷和發(fā)電機(jī)的功率，負(fù)荷功率增長方式為全網(wǎng)各負(fù)荷保持恒功率因數(shù)按各自的初始有功功率比例同步增長，發(fā)電機(jī)功率增長方式為除平衡機(jī)以外的全體發(fā)電機(jī)按各自的初始有功出力比例共同承擔(dān)全網(wǎng)增長的負(fù)荷總有功功率。隨著全網(wǎng)負(fù)荷和發(fā)電機(jī)功率的不斷增加，系統(tǒng)的潮流雅克比矩陣趨向奇異，當(dāng)系統(tǒng)達(dá)到潮流臨界解時，該狀態(tài)下系統(tǒng)的全網(wǎng)負(fù)荷總有功功率即為系統(tǒng)的靜態(tài)電壓穩(wěn)定極限。
[0010](2)對所述的訓(xùn)練樣本進(jìn)行降維，然后通過自組織特征映射網(wǎng)絡(luò)對所有訓(xùn)練樣本進(jìn)行分類篩選；
[0011](3)利用篩選保留下來的訓(xùn)練樣本對誤差反向傳播型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到用于預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的神經(jīng)網(wǎng)絡(luò)模型；
[0012](4)實時采集電力系統(tǒng)的狀態(tài)信息，通過所述的神經(jīng)網(wǎng)絡(luò)模型計算出系統(tǒng)的靜態(tài)電壓穩(wěn)定極限。
[0013]所述的輸入變量和狀態(tài)信息均包括系統(tǒng)的全網(wǎng)負(fù)荷總有功功率、全網(wǎng)負(fù)荷總無功功率、全網(wǎng)發(fā)電機(jī)總有功出力、全網(wǎng)發(fā)電機(jī)總無功出力、系統(tǒng)中各節(jié)點(diǎn)的節(jié)點(diǎn)電壓和節(jié)點(diǎn)相角、各發(fā)電機(jī)的有功出力和無功出力、各負(fù)荷的有功功率和無功功率。
[0014]所述的步驟(2)中對訓(xùn)練樣本進(jìn)行降維的具體過程如下:
[0015]Al.通過 Lasso (Least Absolute Shrinkage and Select Operator,最小絕對值收縮選擇)方法確定訓(xùn)練樣本輸入變量中各特征量對應(yīng)的回歸系數(shù)；
[0016]A2.對于任一訓(xùn)練樣本，刪除其輸入變量中回歸系數(shù)為O對應(yīng)的特征量；
[0017]A3.根據(jù)步驟A2，遍歷所有訓(xùn)練樣本。
[0018]所述的步驟(2)中對訓(xùn)練樣本進(jìn)行分類篩選的具體過程如下:
[0019]B1.利用自組織特征映射網(wǎng)絡(luò)對所有訓(xùn)練樣本進(jìn)行分類；
[0020]B2.對于任一類訓(xùn)練樣本，計算該類所有訓(xùn)練樣本關(guān)于靜態(tài)電壓穩(wěn)定極限的均方差，若求得的均方差小于預(yù)設(shè)的閾值，則保留該類中靜態(tài)電壓穩(wěn)定極限最大和最小的兩個訓(xùn)練樣本并刪除其他訓(xùn)練樣本；否則，保留該類所有訓(xùn)練樣本；
[0021]B3.根據(jù)步驟B2，遍歷每一類訓(xùn)練樣本。
[0022]所述的步驟(3)中，采用單隱含層的誤差反向傳播型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
[0023]本發(fā)明的方法通過自組織特征映射網(wǎng)絡(luò)和Lasso方法用于對離線訓(xùn)練樣本集的輸入數(shù)據(jù)進(jìn)行預(yù)處理，采用誤差反向傳播型神經(jīng)網(wǎng)絡(luò)對電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限進(jìn)行離線訓(xùn)練和在線預(yù)測，可以有效提高誤差反向傳播型神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練效率和在線預(yù)測效果O
【專利附圖】

【附圖說明】
[0024]圖1為本發(fā)明方法的流程示意圖。
[0025]圖2為新英格蘭電力試驗系統(tǒng)的單線結(jié)構(gòu)示意圖。[0026]圖3為測試樣本的誤差分布示意圖。
【具體實施方式】
[0027]為了更為具體地描述本發(fā)明，下面結(jié)合附圖及【具體實施方式】對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。
[0028]如圖1所示，一種在線預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的方法，包括如下步驟:
[0029]步驟一:
[0030]通過離線仿真產(chǎn)生訓(xùn)練和測試所需的樣本；測試樣本的產(chǎn)生方式和訓(xùn)練樣本的產(chǎn)生方式完全相同。
[0031]本實施方式的電力系統(tǒng)為10機(jī)39節(jié)點(diǎn)新英格蘭電力試驗系統(tǒng)，如圖2所示，該系統(tǒng)包含有39個節(jié)點(diǎn)(其中19個負(fù)荷節(jié)點(diǎn))、10臺發(fā)電機(jī)，基本運(yùn)行狀態(tài)下，系統(tǒng)總負(fù)荷為6097.1MW，其余的隨機(jī)初始運(yùn)行狀態(tài)的獲取方法如下:各負(fù)荷在基準(zhǔn)值的±30%以內(nèi)各自隨機(jī)變化(負(fù)荷功率因數(shù)保持不變)，各發(fā)電機(jī)的有功出力在基準(zhǔn)值的±30%以內(nèi)各自隨機(jī)變化，各發(fā)電機(jī)的機(jī)端電壓在基準(zhǔn)值的±3%以內(nèi)各自隨機(jī)變化。負(fù)荷功率增長方式為全網(wǎng)各負(fù)荷保持恒功率因數(shù)按各自的初始有功功率比例同步增長，發(fā)電機(jī)功率增長方式為除平衡機(jī)以外的全體發(fā)電機(jī)按各自的初始有功出力比例共同承擔(dān)全網(wǎng)增長的負(fù)荷總有功功率，考慮發(fā)電機(jī)的無功限制。本實施共采樣3000組訓(xùn)練樣本和500組測試樣本。每個樣本需要記錄的狀態(tài)量包括:全網(wǎng)負(fù)荷總有功功率、全網(wǎng)負(fù)荷總無功功率、全網(wǎng)發(fā)電機(jī)總有功出力、全網(wǎng)發(fā)電機(jī)總無功出力、各節(jié)點(diǎn)電壓、各節(jié)點(diǎn)相角、各發(fā)電機(jī)有功出力、各發(fā)電機(jī)無功出力、各負(fù)荷有功功率、各負(fù)荷有功功率無功功率，共139維輸入變量和I維輸出變量。
[0032]步驟二:
[0033]基于Lasso方法的對訓(xùn)練樣本維數(shù)進(jìn)行降階:
[0034]Al.根據(jù)訓(xùn)練樣本通過Lasso方法確定訓(xùn)練樣本輸入變量中各特征量對應(yīng)的回歸系數(shù)。
[0035]Lasso方法是Robert Tibshirani于1996年提出的變量選擇技術(shù)，Lasso方法用模型系數(shù)的絕對值函數(shù)做為懲罰來壓縮模型系數(shù)，使一些回歸系數(shù)變小，甚至還使一些絕對值較小的系數(shù)直接變?yōu)?，這就使得這種方法同時據(jù)有了子集選擇和嶺回歸的優(yōu)點(diǎn)。與傳統(tǒng)的變量選擇方法相比，Lasso方法很好的克服了傳統(tǒng)方法在選擇變量上的不足，因此該方法在統(tǒng)計領(lǐng)域受到了極大的重視。標(biāo)準(zhǔn)Lasso的目標(biāo)函數(shù)和約束條件如下:
【權(quán)利要求】
1.一種在線預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的方法，包括如下步驟: (1)通過對電力系統(tǒng)進(jìn)行離線仿真，生成系統(tǒng)在隨機(jī)多個工況下對應(yīng)的多個訓(xùn)練樣本；所述的訓(xùn)練樣本包括輸入變量和輸出變量，所述的輸出變量為系統(tǒng)的靜態(tài)電壓穩(wěn)定極限； (2)對所述的訓(xùn)練樣本進(jìn)行降維，然后通過自組織特征映射網(wǎng)絡(luò)對所有訓(xùn)練樣本進(jìn)行分類篩選； (3)利用篩選保留下來的訓(xùn)練樣本對誤差反向傳播型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到用于預(yù)測電力系統(tǒng)靜態(tài)電壓穩(wěn)定極限的神經(jīng)網(wǎng)絡(luò)模型； (4)實時采集電力系統(tǒng)的狀態(tài)信息，通過所述的神經(jīng)網(wǎng)絡(luò)模型計算出系統(tǒng)的靜態(tài)電壓穩(wěn)定極限。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的輸入變量和狀態(tài)信息均包括系統(tǒng)的全網(wǎng)負(fù)荷總有功功率、全網(wǎng)負(fù)荷總無功功率、全網(wǎng)發(fā)電機(jī)總有功出力、全網(wǎng)發(fā)電機(jī)總無功出力、系統(tǒng)中各節(jié)點(diǎn)的節(jié)點(diǎn)電壓和節(jié)點(diǎn)相角、各發(fā)電機(jī)的有功出力和無功出力、各負(fù)荷的有功功率和無功功率。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的步驟(2)中對訓(xùn)練樣本進(jìn)行降維的具體過程如下: Al.通過Lasso方法確定訓(xùn)練樣本輸入變量中各特征量對應(yīng)的回歸系數(shù)； A2.對于任一訓(xùn)練樣本，刪除其輸入變量中回歸系數(shù)為O對應(yīng)的特征量； A3.根據(jù)步驟A2，遍歷所有訓(xùn)練樣本。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的步驟(2)中對訓(xùn)練樣本進(jìn)行分類篩選的具體過程如下: B1.利用自組織特征映射網(wǎng)絡(luò)對所有訓(xùn)練樣本進(jìn)行分類； B2.對于任一類訓(xùn)練樣本，計算該類所有訓(xùn)練樣本關(guān)于靜態(tài)電壓穩(wěn)定極限的均方差，若求得的均方差小于預(yù)設(shè)的閾值，則保留該類中靜態(tài)電壓穩(wěn)定極限最大和最小的兩個訓(xùn)練樣本并刪除其他訓(xùn)練樣本；否則，保留該類所有訓(xùn)練樣本； B3.根據(jù)步驟B2，遍歷每一類訓(xùn)練樣本。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的步驟(3)中，采用單隱含層的誤差反向傳播型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
【文檔編號】G06Q50/06GK103544546SQ201310528971
【公開日】2014年1月29日 申請日期:2013年10月31日 優(yōu)先權(quán)日:2013年10月31日
【發(fā)明者】徐政, 劉昇, 董桓鋒, 李暉, 王智冬, 王帥 申請人:浙江大學(xué), 國家電網(wǎng)公司