Professional Documents
Culture Documents
基于数据驱动与时域仿真融合的电力系统暂态稳定快速评估 李永康
基于数据驱动与时域仿真融合的电力系统暂态稳定快速评估 李永康
《电网技术》网络首发论文
题目: 基于数据驱动与时域仿真融合的电力系统暂态稳定快速评估
作者: 李永康,刘宝柱,胡俊杰
DOI: 10.13335/j.1000-3673.pst.2022.0696
收稿日期: 2022-04-25
网络首发日期: 2023-01-09
引用格式: 李永康,刘宝柱,胡俊杰.基于数据驱动与时域仿真融合的电力系统暂态稳
定快速评估[J/OL].电网技术. https://doi.org/10.13335/j.1000-3673.pst.2022.0696
网络首发:在编辑部工作流程中,稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定,且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式(包括网络呈现版式)排版后的稿件,可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定;学术研究成果具有创新性、科学性和先进性,符合编
辑部对刊文的录用要求,不存在学术不端行为及其他侵权行为;稿件内容应基本符合国家有关书刊编辑、
出版的技术标准,正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性,录用定稿一经发布,不得修改论文题目、作者、机构名称和学术内容,
只可基于编辑规范进行少量文字的修改。
出版确认:纸质期刊编辑部通过与《中国学术期刊(光盘版)》电子杂志社有限公司签约,在《中国
学术期刊(网络版)
》出版传播平台上创办与纸质期刊内容一致的网络版,以单篇或整期出版形式,在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊(网络版)
》是国家新闻出
版广电总局批准的网络连续型出版物(ISSN 2096-4188,CN 11-6037/Z),所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间:2023-01-09 09:49:33
网络首发地址:https://kns.cnki.net/kcms/detail//11.2410.tm.20230105.2116.016.html
电网技术
Power System Technology
基于数据驱动与时域仿真融合的
电力系统暂态稳定快速评估
李永康,刘宝柱,胡俊杰
(华北电力大学 电气与电子工程学院,北京市 昌平区 102206)
步长进行计算[6,7],这导致计算速度慢、仿真时间过 与数据驱动模型结合;文献[29]提出基于神经网络
长的问题尤为突出。现有文献在简化模型方面,通 匹配算法的机组级信息获取方法,克服实际场站机
[8] [9]
过建立多速率模型 、平均建模方法 、建立分段 组级实时出力信息缺失难题。
[10] [11]
线性模型 、
“功率激励–内电势响应”关系建模 、 本文针对电力电子化电力系统暂态计算过程
[12]
子空间降阶指数积分方法 和采用单机并网系统 慢的问题,从时域仿真法的计算过程入手,结合时
[13]
等效 等方法建立简化的电力电子模型,通过降低 域仿真(物理驱动模型)和数据驱动(数据驱动模型)
模型的复杂程度来提高仿真效率。还有部分文献研 两种分析方法具体特点,将导致计算速度慢的电力
究时域仿真快速终止技术,通过仿真特征值瞬时评 电子设备微分方程组替换为数据驱动模型,构建数
[14] [15]
估 、基于相轨迹凹凸性评估 和基于电磁动态行 据驱动模型和物理驱动模型混合驱动的并行框架,
[16]
为评估 等方法实现暂态稳定性快速评估。 并提出了跨步欧拉法用以对数据驱动模型的训练
随 着 电 力 系 统 中 广 域 监 测 系 统 (Wide Area 数据进行预处理,进一步加快了仿真速度。最终,
Measurement System, WAMS) 和 相 量 测 量 单 元 通过仿真实验证明所提方法的有效性。
(Phasor Measurement Units, PMU)的大量应用以及
1 总体框架
人工智能技术的快速发展,数据驱动方法成为解决
上述问题的一个研究热点 [17-23] 。文献[17,18]通过 本文首先建立数据驱动模型与物理模驱动
PMU 提取与暂态稳定相关数据,完全由数据驱动 型混合驱动的暂态稳定并行评估框架,采用数据
判断系统是否稳定。但是完全采用数据驱动的方法 驱动模型取代电力电子元件模型中的微分方程
判断系统是否暂态稳定存在暂态失稳数据少、模型 组,电力电子元件中的代数方程组和非电力电子
泛化能力弱、模型解释性差等问题。针对暂态失稳 元件则依然采用物理驱动模型。数据驱动模型中,
数据少的问题,文献[19]提出一种基于条件深度卷 结合跨步欧拉法对数据进行处理,保证大步长仿
积生成对抗网络的新能源发电场景数据迁移方法, 真的精度,进一步提高计算效率。
可以用少量样本训练出较精确的数据驱动模型;文 1.1 数据驱动模型和物理驱动模型混合驱动并行计
献[20]提出一种融合邻域粗糙约简与深度森林的电 算框架
力系统暂态稳定评估方法,提高了对误判暂态失稳 根据时域仿真方法的计算过程,将电力电子元
样本的重视;文献[21]提出基于改进深度残差收缩 件模型中的微分方程组由知识增强的数据驱动模
网络(IDRSN)的电力系统暂态稳定评估方法,解决 型代替,构建数据驱动模型与物理驱动模型混合驱
数据噪声和暂态稳定与失稳样本不平衡的问题。针 动并行结构框架,如图 1 所示。该框架充分发挥两
对数据驱动模型泛化能力差的问题,文献[22]提出 种模型混合驱动的优点,在计算过程中,物理驱动
一种基于局部学习机(LLM)和改进的细菌群体趋势 模型会对数据驱动模型的计算结果进行修正,从而
药性(BCC)算法的暂态稳定评估方法,提高数据驱 避免整个电力电子元件完全用数据驱动而导致的
动模型分类的正确率;文献[23]提出一种基于集成 误差叠加问题。
在线序贯极限学习机(OS-ELM)的暂态稳定评估方 1.2 数据驱动模型训练
法实现在线学习,训练数据中实时补充在线数据, 针对图 1 中的数据驱动模型,本文采用知识增
提高数据驱动模型泛化能力。 强和粒子群优化算法(particle swarm optimization,
除了改进数据驱动模型内部训练方法外,将物 PSO) 改 进 列 文 伯 格 - 马 夸 尔 特 神 经 网 络 (back
理驱动模型与数据驱动模型结合也极具研究价值 propagation neural network-Levenberg Marquard,
[24-28]
。文献[24]将线性双时间尺度系统分解为快、 BP-LM)训练方法。一种类型的新能源发电机组微分
慢两个子系统,分别用物理驱动模型和数据驱动模 方程组对应一个数据驱动模型,本文中以风力发电
型驱动;文献[25]构建了模型数据混合驱动下的 机和光伏发电机系统为例,分别构建其微分方程组
VSC 深度学习建模框架;文献[26]在神经网络训练 对应的数据驱动模型。
过程中嵌入频率响应相关物理知识;文献[27]基于 在数据驱动模型训练过程中引入知识增强特
Shapley 值的归因分析方法有效地解释了输入特征 征量,引导数据驱动模型更好的学习故障发生和切
对暂态电压稳定的影响,提高了数据驱动模型的解 除等大扰动场景,并提出跨步欧拉法提高时域仿真
释性;文献[28]筛选出与系统稳定性关联度较高的 法计算效率,使所训练的数据驱动模型具有跨步长
特征属性用于生成决策树,将可解释性强的决策树 预测的能力,将电力电子元件的小步长改为与同步
电网技术
发电机一致的大步长。
数据驱动模型
数据驱 神经网
动方法 络训练 电力电子
电 元件微分
力 电力电子元件微分 方程组
系 提取相 方程组数数据 物理模型与数据
场 统 关数据 并行模式 模型混合驱动的
景 故 +
电力电子元件代数 物理驱动模型 快速时域仿真计
削 障 物理驱
减 仿 方程组数据 算方法
动方法 电力电子元件代数
真 非电力电子元件数 方程组
计 据
算 非电力电子元件
图 1 数据驱动模型与物理驱动模型混合驱动的并行结构框架
Fig.1 Parallel structure framework driven by hybrid-driven model composed of data-driven model and physical-driven
model
2 物理驱动模型分析 Fx x f
F f
y y
本文结合新能源大规模发展趋势,选取具备电 (7)
G
x xg
力电子特性的双馈风力发电机和光伏发电系统为 G y y g
研究对象,分析时域仿真法计算速度慢的原因;在
式(5)中:In 为相同大小相同阶数的系统的特征矩
此基础上建立相应的数据驱动模型,用以替代双馈
阵,Fx、Fy、Gx、Gy 分别为各参数变化速率,同时
风力发电机和光伏发电系统时域仿真计算过程中
也为微分方程组和代数方程组输出数据,式(6)中:
的微分方程组计算部分,以期提高计算速度。
fn(i)为状态变量 x 每次迭代的差值。
2.1 基于物理驱动模型的时域仿真法
分析时域仿真计算过程,知电力电子元件微分
时域仿真法是分析暂态过程较为准确的计算
方程维数多,其微分方程组计算相当复杂,导致含
方法,该方法每个时间步长都采用牛顿拉夫逊法迭
电力电子元件的系统计算速度慢、仿真时间长,本
代计算,通过雅可比矩阵计算状态变量的数值及方
文后续研究内容围绕将电力电子元件微分方程组
向。
用数据驱动模型替代展开。
时域仿真法首先通过计算潮流得到初始状态
2.2 物理驱动模型数据提取
变量,然后对于仿真时间 t,假设时间步长为∆t,
构建数据驱动模型替代电力电子元件微分方
每一个时间步长都需要解以下方程:
程组,需要从多场景的仿真结果中提取所需训练数
0 f n ( x (t t ), y (t t ), f (t )) (1)
据,本章节将从元件运行机理出发,分析所需要提
0 g( x(t t ), y(t t )) (2)
取的数据。
式(1)、(2)中:f 和 g 分别代表了微分和代数方程,
2.2.1 同步发电机
该方程非线性,通过式(3)逐步计算状态变量的变
提取同步发电机中数据作为数据驱动模型的
化量∆x(i)和∆y(i),并更新实际变量。
知识增强量。本文选取同步发电机中一个运行数据
x (i ) (i) 1 f n
(i )
首先通过传统时域仿真得到精确的小步长仿 用数据驱动模型替代物理驱动模型后,在时域
真数据,在此基础上,将 n 个小步长整合为一个大 仿真计算过程中可以将步长增大 n 倍,同时具有小
步长,通过神经网络训练得到具备预测后 n 步梯度 步长计算结果的精度,进一步减少了仿真时间。应
平均值的数据驱动模型,从而提高计算精度。具体 当注意的是:不同电力系统中含有的电力电子设备
原理结合图 2 进一步说明:数据驱动模型输入为 t0 数量和类型不同,其时域仿真中对应的微分方程组
时刻中电力电子元件微分方程组计算模块的输入 复杂程度也不同,因此在保证精确度的前提下,不
变量,输出为 t0~tn 时刻参数梯度的平均值,即 同系统中整合步长数 n 的极限也不同。
(yn-y0)/(n*t),这有别于传统时域仿真(传统时域仿真 3.3 采用知识增强和 PSO 改进 BP-LM 神经网络训
采用大步长,大步长中微分方程组计算得到的参数 练数据驱动模型
梯度为 t0 时刻的梯度,即(y1-y0)/t),一定程度减少 本文采用知识增强和 PSO 改进 BP-LM 方法训
大步长导致的误差。图 2 为 n=3 时的情况。 练数据驱动模型,具体训练风力发电机模型中微分
方程组对应的等步长数据驱动模型和跨步长数据
y(t)
驱动模型,以及光伏发电系统模型中微分方程组对
大步长时域
应的等步长数据驱动模型和跨步长数据驱动模型。
大步长时
域仿真 仿真误差 等步长数据驱动模型的输出为微分方程组的计算
y3
本文方 结果;跨步长数据驱动模型的输出为时域仿真计算
小步长时
法误差
域仿真 y2 过程中微分方程组后 n 步计算结果的平均值。
y1 y(t3)
本文方 传统的神经网络采用误差反向传播来调整网
法
y(t2)
络连接权值,容易陷入局部最优解,而且存在梯度
y(t1)
y0
真实值 爆炸和 计算 速度慢 的问 题。因 此 本 文采用 基于
y(t0) 步长 步长 步长 BP-LM 算法的神经网络训练数据,降低计算复杂度,
0 t0 t1 t2 t3 t 提高计算速度,同时结合 PSO 算法在更大的空间内
图 2 本文方法减少误差的原理 搜索最优值,避免陷入局部最优解。该算法首先随
Fig.2 The principle of the method in this paper to reduce 机初始化一个粒子群体,通过不断迭代寻找最优解,
the error
其更新粒子的速度和位置的核心公式为式(19)。
为了使数据驱动模型具备上述预测能力,本文
v v C1 * Crand * ( pbest ppre )
在已经得到时域仿真小步长数据的基础上,构建可 (19)
C2 * Crand * ( gbest ppre )
以预测后 n 步梯度平均值的神经网络,如图 3。以
ppre ppre v (20)
当前步的输入为训练数据中的输入部分,以后 1 步、
后 2 步、后 3 步、…、后 n 步的输出平均值为训练 式(19)中:pbest 代表在每一次迭代中,每个粒子目
数据中的输出部分。训练后的数据驱动模型即可根 前所找到的最优解,gbest 为整个种群目前所找到的
据当前步的状态参数,预测后 n 步参数变化的平均 最优解,v 为粒子的速度,ppre 为粒子的位置,Crand
梯度,有别于传统时域仿真只能预测后一步的参数 产生 0 到 1 之间的随机数,C1 和 C2 为学习因子。
梯度。 BP-LM 神经网络结构的网络结构分为输入层、
隐含层和输出层,三层之间通过权值、阀值和激活
传统物 传统物
第1
理模型 Fx(1)
第n
理模型 Fx(n)
函数构建联系,BP-LM 算法的核心迭代公式如式
步输 步输
入
计算方 Fy(1)
入
计算方 Fy(n) (21)所示。
法 法
xk 1 xk [2J T ( xk )J ( xk )]1 2J T ( xk )e( xk ) (21)
n个计算过程
(n为优化后的大步长与传统方法小步长之比) 式(21)中:xk 表示权重和偏差,J 为雅可比矩阵,e
表示期望值和实际值之间的误差。
物理驱动模型,构建数据驱动模型与物理驱动模型 示。
混合驱动的高效时域仿真计算模型,具体如图 4 所
数据驱动模型应用 数据驱动模型构建
时域仿真 改变故障持续时
数据 间、风光出力
设置不同场景
获取样本数据
非电力电 电力电子
子元件 元件 故障计算仿真
提取训练数据模
型所需数据
代数 微分 代数 微分
方程 方程 方程 方程 用数据驱动模型 同步发电机 提取风机/光 提取风机/光
取代电力电子元 转子微分方 伏微分方程 伏微分方程
件中微分方程组 程输出数据 输入数据 输出数据
物理驱动模型
物理驱 数据驱 知识增
动模型 动模型 强特征
量
物理驱动模型和数据驱动
构建并训练数据驱动
模型混合驱动的时域仿真
模型
图 4 数据驱动模型替代的模块及训练数据获取方法
Fig.4 Module replaced by data-driven models and acquisition method of training data
5 算例分析 随机发电机出力、随机风速、随机负荷波动,提取
风电模型和光伏模型微分方程组计算模块输入输
构建本文中所提的数据驱动模型,需要各种暂
出变量,输入数据中另补充各同步发电机的物理驱
态场景下的数据来进行训练,而实际运作中的故障
共得到 80040 组训练数据。
动模型知识增强特征量,
场景概率极低,很难采集到各种暂态故障场景下的
将所得数据用知识增强和 PSO 优化的 BP-LM 神经
数据,因此采用 Matlab 软件进行仿真。所建模型基
网络训练数据驱动模模型,其中粒子群算法种群规
于 PSAT 工具包,模型采用改进的 IEEE14 节点模
模为 50 个粒子,进化次数为 100 次,初始参数 C1、
型。在原 IEEE14 节点模型的基础上,母线节点 1
C2 均为 1.49445,风力发电机数据驱动模型输入层
处加入了一个基于 PSAT 软件包由多个双馈风力发
节点个数为 17,隐含层节点个数设为 15,输出层
电机等值的风力发电厂模型(风电厂模型中双馈风
节点个数为 10;光伏发电系统数据驱动模型输入层
力发电机个数为 30),母线 3 处加入一个光伏发电
节点个数为 8,隐含层节点个数设为 10,输出层节
系统模型。所设置的故障类型为三相短路,位置为
点个数为 18。
母线 6 至母线 12 线路上靠近母线 6 处,仿真系统
(1)等步长数据驱动模型训练
真实运行 6 秒。详细模型见附录 A。
风力发电机数据驱动模型的输入为风力发电
本文搭建的含风电光伏的 IEEE14 节点系统,
机模型中微分方程组计算模块的输入变量、同步发
其含有时间尺度最小的电力电子设备为电力电子
电机的知识增强特征量,输出为风力发电机模型中
装置锁相环,文献[1]、[7]指出在暂态稳定分析问题
微分方程组计算模块的输出变量。光伏发电系统的
中锁相环的频率为 100Hz,而要对电力电子设备准
数据驱动模型输入输出数据与风力发电机一致。将
确模拟应至少将时间步长设置为电力电子设备周
所得 80040 组风力发电机和光伏发电系统微分方程
期的 1/10。因此本文选取 0.001 秒为系统时域仿真
组数据分别输入数据驱动模型中进行训练,得到风
的时间步长。
力发电机和光伏发电系统中微分方程组的等步长
5.1 数据驱动模型训练
数据驱动模型。
采用第 3 节所述方法训练数据驱动模型。首先
(2)跨步长数据驱动模型训练
通过设置不同场景获得大量训练数据,时域仿真法
本文选取 0.001 秒为系统中电力电子设备的时
计算步长设为 0.001 秒,通过设置随机故障时长、
间步长,而发电机时域仿真常常采用 0.01 秒作为时
李永康等:基于数据驱动与时域仿真融合的电力系统暂态稳定快速评估
法)、跨步长数据驱动模型与物理驱动模型混合驱动
方法(图 7 中简称跨步长混合方法)和传统方法的各
种运行参数对比图见图 7。
图 6 暂态稳定时混合驱动方法与传统方法仿真结果对比
Fig.6 Comparison of simulation results between hybrid
drive method and traditional method during transient
stability
图 7 暂态失稳时混合驱动方法与传统方法仿真结果对比
通过 Matlab 仿真系统真实运行 6 秒,传统时域 Fig.7 Comparison of simulation results between hybrid
仿真方法采用 0.001 秒时间步长进行仿真,总计算 drive method and traditional method during transient
时间为 118.8071 秒。 instability
参考文献
[1] 朱蜀,刘开培,秦亮,等.电力电子化电力系统暂态稳定性分析
综述[J].中国电机工程学报,2017,37(14):3948-3962.
ZHU Shu,LIU Kaipei,QIN Liang,et al.Analysis of transient stability
of power electronics dominated power system:an overview[J].
Proceedings of the CSEE,2017,37(14):3948-3962(in Chinese).
[2] 陈垣,张波,谢帆,等.电力电子化电力系统多时间尺度建模与
图 8 各场景下电压幅值和功角的平均绝对误差 算法相关性研究进展[J].电力系统自动化,2021,45(15):172-183.
Fig.8 Mean absolute error of voltage amplitude and CHEN Yuan,ZHANG Bo,XIE Fan,et al.Research progress of
power angle in each scenario multi-time scale modeling and algorithm correlation of power
electronic power system[J].Automation of Electric Power Systems,
通过多场景仿真结果可知,各场景下功角平均 2021,45(15):172-183(in Chinese).
绝对误差均不超过 1.50%,电压幅值平均绝对误差 [3] 李峰,王琦,胡健雄,等.数据与知识联合驱动方法研究进展及
其在电力系统中应用展望[J].中国电机工程学报,2021,41(13):
均不超过 0.25%。其中暂态失稳场景与暂态稳定场 4377-4390.
LI Feng,WANG Qi,HU Jianxiong,et al.Combined data-driven and
景相比,暂态失稳场景下的功角误差相对较大,这 knowledge-driven methodology research advances and its applied
是因为失稳后部分发电机解列功角变化剧烈;跨步 prospect in power systems[J].Proceedings of the CSEE,2021,41(13):
4377-4390(in Chinese).
长方法与等步长方法相比,跨步长方法的误差相对 [4] 汤奕,崔晗,李峰,等.人工智能在电力系统暂态问题中的应用
较大,这是因为跨步长方法跳过了小步长计算数值 综述[J].中国电机工程学报,2019,39(1):2-13.
TANG Yi,CUI Han,LI Feng,et al.Review on artificial intelligence
的频繁波动。 in power system transient stability analysis[J].Proceedings of the
CSEE,2019,39(1):2-13(in Chinese).
由此验证,本文所建立的数据驱动模型为电力 [5] 贺兴,艾芊,朱天怡,等.数字孪生在电力系统应用中的机遇和
电子元件内部驱动模型,具有良好的泛化能力,可 挑战[J].电网技术,2020,44(6):2009-2019.
HE Xing,AI Qian,ZHU Tianyi,et al.Opportunities and challenges
电网技术
表 A2 加入 IEEE14 节点系统中的风力发电场参数
Tab.A2 Wind farm parameters added to IEEE14 node
system
参数 数值
接入节点编号 1
额定容量/MVA 600
额定电压/kV 69
额定频率/Hz 60
定子电阻标幺值 0.01
定子电感标幺值 0.1
转子电阻标幺值 0.01
转子电感标幺值 0.08
电磁互感系数标幺值 3
转动惯量/ kWs/kVA 3
角度控制系数 10
角度控制时间常数 3
电压控制系数 10
电压控制时间常数 0.01
最大有功标幺值 1
最小有功标幺值 0
最大无功标幺值 0.7
最小无功标幺值 -0.7
标称风速/ m/s 15
威布尔分布比例因子 20
威布尔分布形状因子 2
风电厂中风机个数 20