电网技术

Power System Technology

ISSN 1000-3673,CN 11-2410/TM

《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）

Rapid Evaluation of Power System Transient Stability

Based on Fusion of Data-driven and Time-domain Simulation
LI Yongkang, LIU Baozhu, HU Junjie
(School of Electrical and Electronic Engineering, North China Electric Power University, Changping District, Beijing 102206, China)

ABSTRACT: With the rapid development of large-scale 提升，电力系统中的电力电子特性日趋明显。本文针对电力

renewable energy and AC/DC hybrid power systems, the 电子化电力系统暂态稳定评估时采用时域仿真方法计算速度
proportion of components with power electronic characteristics 慢的问题，提出一种基于数据驱动与时域仿真融合的暂态稳
in the power system has increased rapidly, and the power 定快速评估方法。该方法从时域仿真法的计算过程入手，建
electronic characteristics in the power system have become 立物理驱动模型与数据驱动模型混合驱动的暂态稳定并行评
increasingly obvious. Aiming at the slow calculation speed of 估框架，采用知识增强的数据驱动模型取代电力电子元件中
time domain simulation method in transient stability 的微分方程组，从而加快时域仿真计算速度。并在此基础上
assessment of power electronic power system, this paper 根据本文所提跨步欧拉法对数据进行预处理，实现数据驱动
proposes a fast transient stability assessment method based on 模型的跨步预测，将电力电子元件的小步长整合为与同步发
the fusion of data-driven and time domain simulation. The 电机一致的大步长，进一步加快仿真速度。本文采用改进的
method starts with the calculation process of the time domain IEEE14 节点模型对所提算法和模型进行验证，结果表明本文
simulation method, establishes a parallel evaluation framework
所提方法在提高仿真速度的同时能够保持较高的准确度。
of transient stability driven by hybrid-driven model composed
of physics-driven model and data-driven model, and uses the 关键词：暂态稳定分析；数据驱动；电力电子元件；时域仿
knowledge-enhanced data-driven model to replace the 真法；跨步欧拉法
differential equations in the power electronic components to DOI：10.13335/j.1000-3673.pst.2022.0696
speed up time domain simulation calculations. On this basis,
0 引言
the data is preprocessed according to the Stride Euler method
proposed in this paper to realize the stride prediction of the 随着高比例可再生能源并网以及交直流混合
data-driven model, and the small step size of the power 电力系统的快速发展，具备电力电子特性的元件在
electronic components is changed to a large step size consistent 电力系统中的占比快速提升，电力系统中的电力电
with the synchronous generator to further speed up the
子特性日趋明显[1]。电力电子装置与同步发电机不
simulation. In this paper, the improved IEEE14 node model is
同，具备低惯性、时间常数小、系统非自治、非线
used to verify the proposed algorithm and model. The results
show that the proposed method can maintain high accuracy
性、复杂性等特点，这些特点给系统的稳定性分析
while improving the simulation speed. 尤其是暂态稳定性分析带来了困难。因此，研究电
力电子化电力系统的高效暂态仿真方法具有现实
KEY WORDS: transient stability; data driven; power
electronic components; time domain simulation; Stride Euler
意义。针对该问题，国内外文献主要通过建立简化
method 的物理驱动模型[1,2]和结合数据驱动[3-5]提高暂态稳
定评估效率。
摘要：随着大规模可再生能源以及交直流混合电力系统的快
时域仿真法可以分析电力系统的暂态过程，通
速发展，具备电力电子特性的元件在电力系统中的占比快速
常用来检验其他仿真方法的准确性。该方法同样适
基金项目：国家自然科学基金资助项目(52177080)。 用于电力电子化电力系统[6-16]，但为了保证仿真的
Project Supported by National Natural Science Foundation of 精确度，含电力电子元件的电力系统在时域仿真过
China(52177080).
程中必须采用比同步发电机时间步长更小的时间
2 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
步长进行计算[6,7]，这导致计算速度慢、仿真时间过
长的问题尤为突出。现有文献在简化模型方面，通
[8]
过建立多速率模型 、平均建模方法 、建立分段
[10]
线性模型 、
“功率激励–内电势响应”关系建模
[12]
子空间降阶指数积分方法
[13]
等效 等方法建立简化的电力电子模型，通过降低
模型的复杂程度来提高仿真效率。还有部分文献研
究时域仿真快速终止技术，通过仿真特征值瞬时评
[14]
估 、基于相轨迹凹凸性评估
[16]
为评估 等方法实现暂态稳定性快速评估。
随 着 电 力 系 统 中 广 域 监 测 系 统 (Wide Area
Measurement System, WAMS) 和 相 量 测 量 单 元
(Phasor Measurement Units, PMU)的大量应用以及
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
PMU 提取与暂态稳定相关数据，完全由数据驱动
判断系统是否稳定。但是完全采用数据驱动的方法
判断系统是否暂态稳定存在暂态失稳数据少、模型
泛化能力弱、模型解释性差等问题。针对暂态失稳
数据少的问题，文献[19]提出一种基于条件深度卷
积生成对抗网络的新能源发电场景数据迁移方法，
可以用少量样本训练出较精确的数据驱动模型；文
献[20]提出一种融合邻域粗糙约简与深度森林的电
力系统暂态稳定评估方法，提高了对误判暂态失稳
样本的重视；文献[21]提出基于改进深度残差收缩
网络(IDRSN)的电力系统暂态稳定评估方法，解决
数据噪声和暂态稳定与失稳样本不平衡的问题。针
对数据驱动模型泛化能力差的问题，文献[22]提出
一种基于局部学习机(LLM)和改进的细菌群体趋势
药性(BCC)算法的暂态稳定评估方法，提高数据驱
动模型分类的正确率；文献[23]提出一种基于集成
在线序贯极限学习机(OS-ELM)的暂态稳定评估方
法实现在线学习，训练数据中实时补充在线数据，
提高数据驱动模型泛化能力。
除了改进数据驱动模型内部训练方法外，将物
理驱动模型与数据驱动模型结合也极具研究价值
[24-28]
。文献[24]将线性双时间尺度系统分解为快、
慢两个子系统，分别用物理驱动模型和数据驱动模
型驱动；文献[25]构建了模型数据混合驱动下的
VSC 深度学习建模框架；文献[26]在神经网络训练
过程中嵌入频率响应相关物理知识；文献[27]基于
Shapley 值的归因分析方法有效地解释了输入特征
对暂态电压稳定的影响，提高了数据驱动模型的解
释性；文献[28]筛选出与系统稳定性关联度较高的
特征属性用于生成决策树，将可解释性强的决策树
与数据驱动模型结合；文献[29]提出基于神经网络
匹配算法的机组级信息获取方法，克服实际场站机
[9]
组级实时出力信息缺失难题。
[11]
、 本文针对电力电子化电力系统暂态计算过程
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
域仿真(物理驱动模型)和数据驱动(数据驱动模型)
两种分析方法具体特点，将导致计算速度慢的电力
电子设备微分方程组替换为数据驱动模型，构建数
[15]
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，
并提出了跨步欧拉法用以对数据驱动模型的训练
数据进行预处理，进一步加快了仿真速度。最终，
通过仿真实验证明所提方法的有效性。
1 总体框架
本文首先建立数据驱动模型与物理模驱动
型混合驱动的暂态稳定并行评估框架，采用数据
驱动模型取代电力电子元件模型中的微分方程
组，电力电子元件中的代数方程组和非电力电子
元件则依然采用物理驱动模型。数据驱动模型中，
结合跨步欧拉法对数据进行处理，保证大步长仿
真的精度，进一步提高计算效率。
1.1 数据驱动模型和物理驱动模型混合驱动并行计
算框架
根据时域仿真方法的计算过程，将电力电子元
件模型中的微分方程组由知识增强的数据驱动模
型代替，构建数据驱动模型与物理驱动模型混合驱
动并行结构框架，如图 1 所示。该框架充分发挥两
种模型混合驱动的优点，在计算过程中，物理驱动
模型会对数据驱动模型的计算结果进行修正，从而
避免整个电力电子元件完全用数据驱动而导致的
误差叠加问题。
1.2 数据驱动模型训练
针对图 1 中的数据驱动模型，本文采用知识增
强和粒子群优化算法(particle swarm optimization，
PSO) 改 进 列 文 伯 格 - 马 夸 尔 特 神 经 网 络 (back
propagation neural network-Levenberg Marquard，
BP-LM)训练方法。一种类型的新能源发电机组微分
方程组对应一个数据驱动模型，本文中以风力发电
机和光伏发电机系统为例，分别构建其微分方程组
对应的数据驱动模型。
在数据驱动模型训练过程中引入知识增强特
征量，引导数据驱动模型更好的学习故障发生和切
除等大扰动场景，并提出跨步欧拉法提高时域仿真
法计算效率，使所训练的数据驱动模型具有跨步长
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 )

 (i )     Ac   (i )  (3) ——მ𝜔̇ m/მδ，其中 ω 为转子角速度、δ 为功角，以

 y  g  各同步发电机的该值作为知识增强特征量补充的
 x (i 1)   x (i )   x (i )  到数据驱动模型的输入中。
 (i 1)    (i )    (i )  (4)
 y   y   y  2.2.2 双馈风力发电机
式(3)中：Ac(i)是系统状态和代数变量的雅可比矩阵。 提取风力发电机中微分方程组计算模块的输入
在前向欧拉法中，Ac(i)的表达式为式(5)，fn(i)表达式 和输出数据，本文所选取的风力发电机类型为双馈风
为式(6)。 力发电机，双馈风力发电机中的微分方程为式(8)、式
 I  tF tF
(i ) (i )
 (9)、式(10)和式(11)。
Ac(i )   n (i ) x y
 (5)
 Gx G (i )
y  m  (Tm  Te ) / 2 H m (8)
fn  x  x(t )  tf (i )
(i ) (i ) xs  xm 1
(6) iqr  ( P (m ) / m  iqr ) (9)
xmV Te
idr  K V (V  Vref )  V / xm  idr (10)
 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

 p  ( K p (m  ref )   p ) / Tp (11) iq 为逆变器 d、q 轴电流，Td、Tq 为逆变器 d、q 轴

式(8)中：Tm 为机械转矩，Te 为电磁转矩，Hm 为转 响应时间常数。
动惯量，ωm 为转子角速度。式(9)中：iqr 为转子 q 根据式(16)式(17)和式(18)三个微分方程，推得
轴电流，xs 为定子电感，xm 为定转子互感，Pω(ωm) 光伏发电系统中微分方程组的输出数据(对应式(5)
是风力发电机从风中获得的机械功率，当转速在某 中的 Fx、Fy)为მ𝑖̇ḋ /მQ、მ𝑖̇ḋ /მid、მ𝑖̇ḋ /მV 幅值、მ𝑖̇ḋ /მV 相
一范围内变化时，它也变化，以便获得最大的功率。 角、მ𝑖̇ḋ /Vref、მ𝑖̇q̇ /მQ、მ𝑖̇q̇ /მiq、მ𝑖̇q̇ /მV 幅值 、მ𝑖̇q̇ /მV 相角 、
式(10)中：idr 为转子 d 轴电流，V 为风电机所连母 მ𝑖̇q̇ /Vref、მ𝑄̇/მV 幅值、მ𝑄̇/Vref。
线节点电压幅值，Vref 为参考电压，KV 为电压控制 根据上述分析提取数据，构建光伏发电系统微
系数。式(11)中：θp 为桨叶角，V 为风电机所连母 分方程组数据驱动模型。以光伏发电系统微分方程
线节点电压幅值，Kp 为桨叶角控制系数，φ是当 组计算模块所需变量(id、iq、Q、V 幅值、V 相角 等)和
(ωm-ωref)超过了预先设定允许调节范围时才起作用。 各同步发电机知识增强特征量(მ𝜔̇ m/მδ)作为光伏发
Tp 为倾斜角度控制时间常数。其中，式(8)中相关参 电系统数据驱动模型输入，以光伏发电系统微分方
数可通过式(12)、式(13)、式(14)、式(15)计算获得。 程组输出(მ𝑖̇ḋ /მQ、მ𝑖̇ḋ /მid、მ𝑖̇ḋ /მV 幅值等)作为光伏发
P 电系统数据驱动模型的输出，训练光伏发电系统微
Tm   (12)
m 分方程组的数据驱动模型。
Te   ds iqs  qsids  xm (iqr ids  idr iqs ) (13) 3 数据驱动模型的构建
 ds  (( xs  xm )ids  xm idr ) (14)
根据上一节所提取的数据，搭建数据驱动模型，
 qs  (( xs  xm )iqs  xmiqr ) (15)
实现被替代微分方程组的数据驱动解算。此外，提
式(13)中：Ψds 为定子 d 轴磁通，Ψqs 为定子 q 轴磁
出跨步欧拉法提高时域仿真法计算效率，使所训练
通，ids 为定子 d 轴电流，iqs 为定子 q 轴电流。
的数据驱动模型具有跨步长预测的能力。
根据式(8)、式(9)、式(10)和式(11)四个微分方
程，推得风力发电机中微分方程组的输出数据(对应 3.1 知识增强的数据驱动模型
式(5)中的 Fx、Fy)为მ𝜔̇ m/მωm、მ𝜔̇ m/მvwind、მ𝜔̇ m/მV 知识增强体现在数据驱动模型的输入除了计
幅值、მ𝜔̇ m/მV 相角、მ𝜔̇ m/მθp、მ𝜔̇ m/მiqr、მ𝜔̇ m/მidr、მ𝜃̇p/მθp、 算微分方程组所需的状态变量和代数变量外，还补
მ𝜃̇p/მωm、მ𝑖̇qr
̇ /მiqr、მ𝑖̇qr
̇ /მV 相角 ̇ /მωm、მ𝑖̇dr
、მ𝑖̇qr ̇ /მidr、 充了由物理驱动模型计算出的同步发电机的转子
̇ /მV 相角、მ𝑖̇dr
მ𝑖̇dr ̇ /მVref。 微分方程相关参数，这些参数作为知识增强特征量
根据上述分析提取数据，构建风力发电机微分 引入到数据学习中，将引导数据驱动模型更好的学
方程组数据驱动模型。以风力发电机微分方程组计 习故障发生和切除等参数变化极大的场景。
算模块所需变量(ωm、idr、iqr、θp、vwind、V 相角、Pω 根据第 2 节的分析，在时域仿真法计算过程中，
等)和各同步发电机知识增强特征量(მ 𝜔̇ m/მδ)作为 风力发电机微分方程组计算模块的输入变量共 13
双馈风力发电机数据驱动模型输入，以风力发电机 个，输出变量共 10 个，提取这些变量并补充来自
微分方程组输出(მ𝜔̇ m/მωm、მ𝜔̇ m/მvwind、მ𝜃̇ p/მωm 等) 同步发电机的知识增强特征量来训练风力发电机
作为双馈风力发电机数据驱动模型的输出，训练风 微分方程组的数据驱动模型。光伏发电系统微分方
力发电机微分方程组的数据驱动模型。 程组计算模块的输入变量共 4 个，输出变量共 8 个，
2.2.3 光伏发电系统 提取这些变量并补充来自同步发电机的知识增强
提取光伏发电系统中微分方程组计算模块的输 特征量来训练光伏发电系统微分方程组的数据驱
入和输出数据，光伏发电系统中的微分方程组为式 动模型。
(16)、式(17)和式(18)。 3.2 基于跨步欧拉法的多仿真步长整合
Q  K (Vref  V ) (16) 针对含电力电子设备时域仿真过程中仿真步
长小的问题，若在传统时域仿真直接采用大步长会
id  [(Qref cos t  Pref sin t ) / V  id ] / Td (17)
影响电力电子装置暂态仿真的准确性，存在较大的
iq  [(Qref sin t  Pref cos t ) / V  iq ] / Tq (18)
误差。本文结合跨步欧拉法实现数据驱动模型的跨
上述三式中：K 为电压 PI 控制器增益系数，V 为光
步长预测，将电力电子元件的小步长改为与同步发
伏发电系统所连母线节点电压幅值，Vref 为参考电
电机一致的大步长，可有效减小该误差。
压，Qref 和 Pref 为参考无功功率和参考有功功率，id、
 电网技术

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。

Fx=(Fx(1)+ +Fx(n))/n 4 数据驱动模型与物理驱动模型混合驱动

第1步输入
Fy=(Fy(1)+ +Fy(n))/n
将上述建立的数据驱动模型分别替代电力电
图 3 跨步长预测数据驱动模型 子元件模型中对应的微分方程组计算部分，电力电
Fig.3 Data-driven models of stride length prediction 子元件中的代数方程和非电力电子元件仍然为原
 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

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

间步长，因此取 n 等于 10，可以使电力电子设备在 方法中每个步长的数值与传统方法对比，采用式(22)

时域仿真中有趋近于 0.001 秒步长精确度的同时， 求取平均绝对误差指标，对线路电流、线路有功、
将计算步长变为 0.01 秒，使得电力电子设备与其他 线路无功、母线电压幅值、发电机转子角速度和发
元件(同步发电机，励磁设备)的精确计算步长一致, 电机功角等多个参数进行校验，验证所提方法的准
都为 0.01 秒，便于在每一个步长(0.01 秒)内实现数 确性。
据模型(电力电子元件复杂的微分方程组)和物理模 1 m n
M  | xij  xreal |
m * n j 1 i 1
(22)
型(其他元件的简单微分方程和代数方程)混合驱动。
下边验证 n 取值对于精确度的影响，选择在误 式(22)中：M 为平均绝对误差，m 为线路数、节点
差相对较大的暂态失稳场景(5.2.2 章节对应场景)下 数或发电机数，n 为步长数，xij 为本文所提方法仿
观察 n 值变化规律，发电机功角误差随 n 值变化的 真数据，xreal 为真实数据。
规律如图 5。 5.2.1 暂态稳定场景
IEEE14 节点模型中同步发电机出力为标准出
力，在 0.2 秒时发生短路故障,在 0.4 秒时切除故障,
故障持续时间为 0.2 秒,假设仿真过程中风速和光照
强度等因素保持不变。
通过 Matlab 仿真系统真实运行 6 秒，传统时域
仿真方法采用 0.001 秒时间步长进行仿真，总计算
时间为 96.7004 秒。
(a) 各 n 值下误差随时间变化 （1）步长为 0.001 秒的等步长数据驱动模型与
物理驱动模型混合驱动方法
等步长数据驱动模型与物理驱动模型混合驱
动的时域仿真方法时间步长设为 0.001 秒，总计算
时间为 83.7205 秒，为传统方法用时的 86.58%。线
路电流、线路有功、线路无功、母线电压幅值、发
电机转子角速度和发电机功角的平均绝对误差分
别 为 0.0405% 、 0.0424% 、 0.0108% 、 0.0053% 、
(b) 最大误差与 n 值关系 0.0035%、0.0831%。
图 5 发电机功角误差随 n 值变化的规律
（2）步长为 0.01 秒的跨步长数据驱动模型与
Fig.5 The law of generator power angle error changing
with n value 物理驱动模型混合驱动方法
可见，若取最大误差阈值 10%，当 n=17 以下 跨步长数据驱动模型与物理驱动模型混合驱
时满足精度要求，本文取 n=10 可以保证较高精确 动的时域仿真方法时间步长设为 0.01 秒，总计算时
度。分别对风力发电机和光伏发电系统的微分方程 间为 12.8992 秒，为传统方法用时的 13.34%。线路
组计算模块的输出变量进行处理，通过跨步欧拉法 电流、线路有功、线路无功、母线电压幅值、发电
将每一步的输出值改为后 10 小步长输出数值的平 机转子角速度和发电机功角的平均绝对误差分别
均值，处理后得到风力发电机和光伏发电系统中微 为 0.20%、0.12%、0.16%、0.22%、0.0029%、0.07%。
分方程组的跨步数据驱动模型训练数据。 暂态稳定场景下，等步长数据驱动模型与物理
另外采取以下措施解决短路故障和故障切除 驱动模型混合驱动方法(图 6 中简称等步长混合方
时刻输出数据的误差：1)在发生短路故障或者切除 法)、跨步长数据驱动模型与物理驱动模型混合驱动
故障时，时域仿真法计算步长从此刻开始重新计算， 方法(图 6 中简称跨步长混合方法)和传统方法的各
以获取系统状态变化时刻更准确的数值。2)设置误 种运行参数对比图见图 6。
差阈值，故障时刻附近，自适应缩短计算时间步长。 5.2.2 暂态失稳场景
5.2 仿真结果及分析 IEEE14 节点模型中同步发电机出力为标准出
本文用系统暂态稳定和暂态失稳两种场景下 力，在 0.2 秒时发生短路故障,不切除故障,假设仿真
的仿真结果，来验证所提方法的有效性。提取本文 过程中风速和光照强度等因素保持不变。
 电网技术

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

（1）步长为 0.001 秒的等步长数据驱动模型与 5.2.3 暂态稳定与失稳场景下仿真方法对比

物理驱动模型混合驱动方法 本文所提方法与传统方法效率的对比如表 1。
等步长数据驱动模型与物理驱动模型混合驱 表 1 不同时域仿真方法不同场景下仿真时间对比
Tab.1 Simulation time comparison of different time
动的时域仿真方法时间步长设为 0.001 秒，总计算
domain simulation methods under different scenarios
时间为 103.2091 秒，为传统方法用时的 86.87%。 时域仿真方法 暂态稳定/pu 暂态失稳/pu
线路电流、线路有功、线路无功、母线电压幅值、 传统物理方法 1.0000 1.0000
等步长混合驱动方法 0.8658 0.8687
发电机转子角速度和发电机功角的平均绝对误差
跨步长混合驱动方法 0.1334 0.1194
分别为 0.0158%、0.0157%、0.0053%、0.0012%、
0.0012%、0.2312%。 由表 1 可知，本文所提数据模型与物理模型混
（2）步长为 0.01 秒的跨步长数据驱动模型与 合驱动的时域仿真方法精度较高，尤其跨步长混合
物理驱动模型混合驱动方法 驱动方法相比较于传统方法，可极大的提升计算效
跨步长数据驱动模型与物理驱动模型混合驱 率。
动的时域仿真方法时间步长设为 0.01 秒，总计算时 5.3 有无知识增强的数据驱动模型仿真结果对比
间为 14.1903 秒，为传统方法用时的 11.94%。线路 没有知识增强 BP-LM 神经网络训练方法依然
电流、线路有功、线路无功、母线电压幅值、发电 采用 PSO 算法优化参数，其仿真结果与本文所提知
机转子角速度和发电机功角的平均绝对误差分别 识增强的 BP-LM 神经网络训练方法的仿真结果对
为 0.1812%、0.0942%、0.1235%、0.1975%、0.0012%、 比如表 2 所示。
0.2152%。 通过对比可知，知识增强的神经网络算法能够
暂态失稳场景下，等步长数据驱动模型与物理 在各种场景和方法下提高数据驱动模型的计算精
驱动模型混合驱动方法(图 7 中简称等步长混合方 确度。
 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

表2 基于不同神经网络训练方法的时域仿真结果 MAD 值 满足各种场景计算需求。

对比(单位：%)
Tab.2 Comparison of MAD values of time domain 6 结论
simulation results based on different neural network
training methods(unit:%) 为解决含电力电子元件的电力系统暂态稳定
场 电压 发电机 评估时采用时域仿真计算过程慢的问题，本文提出
方法 功角
景 幅值 角速度
一种基于数据驱动与时域仿真融合的暂态稳定快
有知识增强 0.0053 0.0035 0.0831
等步长 速评估方法，建立了电力电子元件中微分方程组的
无知识增强 0.0055 0.0036 0.1035
稳
有知识增强 0.2200 0.0029 0.0712
数据驱动模型，并根据跨步欧拉法，通过预处理数
定
跨步长
无知识增强 0.2200 0.0036 0.1186
据实现数据驱动模型的跨步长预测，采用改进的
有知识增强 0.0012 0.0012 0.2315
IEEE14 节点模型验证本文所提方法的有效性，并
等步长 得出以下结论：
不 无知识增强 0.0023 0.0021 1.3256
稳 （1）针对暂态稳定计算过程中电力电子元件
有知识增强 0.1900 0.0012 0.2124
定
跨步长 存在的低效计算问题，将时域仿真法中的电力电子
无知识增强 0.2000 0.0025 2.3315
元件微分方程组用数据驱动模型代替，利用数据驱
5.4 泛化能力检验
动模型与物理驱动模型混合驱动加快仿真速度具
通过改变故障位置和故障时间，设置多组故障
有可行性。
场景，检验各场景下本文所提数据驱动模型与物理
（2）暂态稳定评估中电力电子元件微分方程
驱动模型混合驱动时域仿真方法的精确度。根据场
组采用数据驱动模型，代数方程组及其他非电力电
景和算法的不同，将仿真数据分为四类：跨步长失
子元件仍采用物理驱动模型驱动，可减少在时域仿
稳(系统暂态失稳场景下采用跨步长数据驱动模型
真法中所有元件均采用完全数据驱动时产生的计
与物理驱动模型混合驱动时域仿真方法计算)、等步
算叠加误差，从而提高暂态稳定评估结果的精度。
长失稳、跨步长稳定、等步长稳定，各场景下该方
（3）知识增强的神经网络训练方法能够提高
法的平均绝对误差见图 8。
训练模型的泛化能力和精确度。
（4）本文所提跨步欧拉法，能够实现变量的
跨步长预测。数据驱动模型输入不变，输出为该步
长后数步变化速率的平均值，可训练跨步长预测网
络模型，用于减少计算次数，提升运算速度。

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

of the digital twin in power system applications[J]．Power System [22] 顾雪平，李扬，吴献吉．基于局部学习机和细菌群体趋药性算法

Technology，2020，44(6)：2009-2019(in Chinese)．
[6] REZA M，SUDARMADI D，VIAWAN F A，et al．Dynamic stability
of power systems with power electronic interfaced DG[C]//2006 IEEE
PES Power Systems Conference and Exposition，2006：1423-1428．
[7] ZHAO M，YUAN X，HU J，et al．Voltage dynamics of current control
time-scale in a VSC-connected weak grid[J]．IEEE Transactions on [23] 李扬，李国庆，顾雪平，等．基于集成 OS-ELM 的暂态稳定评估
Power Systems，2016，31(4)：2925-2937．
[8] MEER A，RUEDA-TORRES J，SILVA F，et al．Computationally
efficient transient stability modeling of multi-terminal VSC-HVDC[C]
//2016 IEEE Power and Energy Society General Meeting (PESGM)，
2016：1-5．
[9] BEDDARD A，SHERIDAN C E，BARNES M，et al．Improved [24] 钟珊珊．数据与模型混合驱动的双时间尺度系统次优控制[D]．江
accuracy average value models of modular multilevel converters[J]．
IEEE Transactions on Power Delivery，2016，31(5)：2260-2269． [25] 陈剑，王海风．模型-数据混合驱动的直驱风机 VSC 等效建模方
[10] MAZUMDER S K，ACHARYA K．Multiple lyapunov function based
reaching condition for orbital existence of switching power
converters[J]．IEEE Transactions on Power Electronics，2008，23(3)：
1449-1471．
[11] 唐王倩云，张睿，胡家兵．用于系统暂态行为分析的双馈风机转
子转速控制时间尺度暂态模型[J]．中国电机工程学报，2021，41(9)： [26] 张涵，王程，毕天姝．融合物理与数据知识的电力系统扰动后频
3037-3046．
TANG Wangqianyun，ZHANG Rui，HU Jiabing．Modelling of
DFIG-based WT for power system transient responses analysis in
rotor speed control timescale[J]．Proceedings of the CSEE，2021，
41(9)：3037-3046(in Chinese)．
[12] 富晓鹏．面向大规模新能源接入的电力系统暂态多时间尺度指数
积分方法[D]．天津：天津大学，2016．
[13] 张宝珍．大规模电力系统动态等值方法及相关问题研究[D]．广州： [27] 颜融．基于数据驱动的电力系统暂态稳定评估[D]．浙江：浙江大
华南理工大学，2013．
[14] 刘科研，叶华，裴玮，等．基于特征值分析的配电网多速率暂态 [28] 石访，张林林，胡熊伟，等．基于多属性决策树的电网暂态稳定
仿真性能评估方法研究[J]．电网技术，2020，44(11)：4088-4095．
LIU Keyan，YE Hua，PEI Wei，et al．Research on computational
performance of multi-rate transient simulation in distribution network
based on eigen-value analysis[J]．Power System Technology，2020，
44(11)：4088-4095(in Chinese)．
[15] 苏福，杨松浩，王怀远，等．电力系统暂态稳定时域仿真快速终 [29] 吴磊，晁璞璞，李甘，等．数据-模型混合驱动的风电场聚合等值
止算法研究[J]．中国电机工程学报，2017，37(15)：4372-4378．
SU Fu，YANG Songhao，WANG Huaiyuan，et al．Study on fast
termination algorithm of time-domain simulation for power system
transient stability[J]．Proceedings of the CSEE，2017，37(15)：
4372-4378(in Chinese)．
[16] 张琛．新能源发电系统的电磁动态特性及稳定性分析[D]．上海：
上海交通大学，2018．
[17] CEPEDA J C，RUEDA J L，COLOME D G，et al．Real‐time transient
stability assessment based on centre‐of‐inertia estimation from phasor
measurement unit records[J] ． IET Generation, Transmission &
Distribution，2014，8(8)：1363-1376．
[18] OLULOPE P K，FOLLY K A，CHOWDHURY S P，et al．Prediction
of critical clearing time using artificial neural network[C]//2011 IEEE
Symposium on Computational Intelligence Applications In Smart
Grid (CIASG)，2011：1-5．
[19] 张承圣，邵振国，陈飞雄，等．基于条件深度卷积生成对抗网络
的新能源发电场景数据迁移方法[J/OL]．电网技术，1-11[2022-04
-01]．DOI:10.13335/j.1000-3673.pst.2021.1008.
ZHANG Chengsheng，SHAO Zhenguo，CHEN Feixiong，et al．A
renewable power generation data transferring method based on
conditional deep convolutions generative adversarial network[J/OL]．
Power System Technology，1-11[2022-04-01]．DOI:10.13335/j.1000
-3673.pst.2021.1008(in Chinese).
[20] 李兵洋，肖健梅，王锡淮．融合邻域粗糙约简与深度森林的电力
系统暂态稳定评估[J]．电工技术学报，2020，35(15)：3245-3257．
LI Bingyang，XIAO Jianmei，WANG Xihuai. Power system transient
stability assessment based on hybrid neighborhood rough reduction
and deep forest[J]．Transactions of China Electrotechnical Society，
2020，35(15)：3245-3257(in Chinese)．
[21] 卢锦玲，郭鲁豫．基于改进深度残差收缩网络的电力系统暂态稳
定评估[J]．电工技术学报，2021，36(11)：2233-2244．
LU Jinling，GUO Luyu．Power system transient stability assessment
based on improved deep residual shrinkage network[J]．Transactions
of China Electrotechnical Society ， 2021 ， 36(11) ： 2233-2244(in
Chinese)．
的电力系统暂态稳定评估[J]．电工技术学报，2013，28(10)：271-279．
GU Xueping，LI Yang，WU Xianji．Transient stability assessment of
power systems based on local learning machine and bacterial colony
chemotaxis algorithm[J] ． Transactions of China Electrotechnical
Society，2013，28(10)：271-279(in Chinese)．
方法[J]．电工技术学报，2015，30(14)：412-418．
LI Yang，LI Guoqing，GU Xueping，et al．Transient stability
assessment of power systems based on ensemble OS-ELM[J] ．
Transactions of China Electrotechnical Society ，2015，30(14)：
412-418(in Chinese)．
苏：中国矿业大学，2019．
法[J]．电力系统保护与控制，2021，49(2)：10-17．
CHEN Jian，WANG Haifeng．A model-data hybrid driven method of
VSC equivalent modeling of a permanent magnetic synchronous
generator[J]．Power System Protection and Control，2021，49(2)：
10-17(in Chinese)．
率 在 线 快 速 计 算 方 法 [J/OL] ． 电 网 技 术 ， 1-11[2022-04-01] ．
DOI:10.13335/j.1000-3673.pst.2021.1816.
ZHANG Han，WANG Cheng，BI Tianshu．On-line fast frequency
calculation method after power system disturbance based on fusion of
physics and data knowledge[J/OL]．Power System Technology，
1-11[2022-04-01] ． DOI:10.13335/j.1000-3673.pst.2021.1816(in
Chinese).
学，2021．
规则提取方法[J]．电工技术学报，2019，34(11)：2364-2374．
SHI Fang，ZHANG Linlin，HU Xiongwei, et al．Power system
transient stability rules extraction based on multi-attribute decision
tree[J]．Transactions of China Electrotechnical Society，2019，34(11)：
2364-2374(in Chinese)．
建 模 方 法 [J/OL] ． 电 力 系 统 自 动 化 ， 1-13[2022-04-05] ．
http://kns.cnki.net/kcms/detail/32.1180.TP.20220215.1746.006.html.
WU Lei，CHAO Pupu，LI Gan，et al．Aggregated equivalent modeling
method for wind farm based on data-model hybrid drive
method[J/OL]．Automation of Electric Systems，1-13[2022-04-05]．
http://kns.cnki.net/kcms/detail/32.1180.TP.20220215.1746.006.html
(in Chinese)．
收稿日期：2022-04-25。
作者简介：
李永康(1998)，男，硕士研究生，研究方向为
新 能 源 电 力 系 统 分 析 与 控 制 ， E-mail ：
15939209850@163.com；
刘宝柱(1974)，男，通信作者，副教授，硕士
李永康 生导师，研究方向为电力系统分析、稳定和控制等，
E-mail：bzliu@ncepu.edu.cn；
胡俊杰(1986)，男，副教授，博士生导师，主
要研究方向为新能源电力系统及微网，E-mail：
junjiehu@ncepu.edu.cn。
（责任编辑 宋钰龙）
附录 A 加入 IEEE14 节点系统中的元件参数
表 A1 加入 IEEE14 节点系统中的光伏发电系统参数
Tab.A1 PV generator parameters added to IEEE14
system
参数 数值
接入节点编号 3
额定容量/MVA 40
参考电压标幺值 1.045
电压 PI 控制系数 kv/ki 0.0868/50.9005
逆变器响应时间常数 T q /T d 0.015/0.015

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

图 A1 改进的 IEEE14 节点系统图

Fig.A1 Improved IEEE14 system