Professional Documents
Culture Documents
电压跌落面积重构
电压跌落面积重构
2019
DOI: 10.7500 / AEPS20190430037
基于卷积神经网络的暂态电压稳定快速评估
杨维全,朱元振,刘玉田
( 电网智能化调度与控制教育部重点实验室( 山东大学) ,山东省济南市 250061)
0 引言 后 PMU 量测得到的动态序列中进行时序特征提取 ,
建立决策树进行暂态电压稳定评估; 文献[6]使用
随着特高压直流工程密集投运和负荷构成及特
故 障 后 各 节 点 电 压 序 列 信 息,基 于 极 限 学 习 机
性的变化,快速动态响应元件占比日益增大 ,电压稳
( extreme learning machine,ELM) 建立了一个自适应
定问题突出,交直流、送受端耦合日趋紧密,大停电
[1-3] 分层暂态电压稳定评估体系; 文献[7]通过 PMU 量
风险加剧 。快速评估受端电网的暂态电压稳定
测 信 息 计 算 感 应 电 动 机 滑 差,基 于 支 持 向 量 机
性,对于安全风险态势感知和前瞻预警 ,制定预防和
( support vector machine,SVM) 预测感应电动机滑差
紧急控制措施,防止受端电网的暂态电压失稳和电
曲线,来判断暂态电压稳定性。 第 2 类以故障前的
压崩溃的发生具有重要的实际意义 。
稳态潮流作为输入,针对单一预想事故进行暂态电
在暂态过程中交直流系统间的交互作用十分复
压稳定评估,每个预想事故分别训练一个机器学习
杂,交流系统中的某一故障可能引发动态电压问题 ,
模型,可用于预想事故评估、前瞻预警和预防控制。
导致多个换流站同时发生换相失败甚至闭锁 ,产生
文献[8]采 用 故 障 前 稳 态 潮 流 量 作 为 输 入,基 于
大的功率缺额,造成系统频率跌落。 本文从整个受
ELM 建立分层智能系统进行暂态电压稳定快速评
端电网出发,选取若干关键节点来快速评估受端电
估; 文献[9]采用稳态 PQ 节点的有功、无功注入作
网的暂态电压稳定性。
为输入,基于自组织映射神经网络进行动态电压稳
暂态电压稳定分析方法主要有时域仿真法、能
[4] [5-9] 定分析。这些基于浅层模型的方法,其特征表达能
量函数法 和人工智能法 。 基于详细数学模型
力有限,在处理大规模和高维度数据时表现较差 。
的时域仿真方法,能精确地考虑到各个元件的动态
近年来发展的深度学习技术能深入挖掘特征间的关
特性,但仿真计算量大,难以满足实时要求。能量函
联关系,可以较好地解决上述问题,卷积神经网络
数法计算速度快,并能给出稳定度,但其模型适应性
( convolutional neural network,CNN) 在暂态电压跌落
不够。基于数据挖掘的人工智能方法,可在一定精 [10] [11]
评估 、暂态稳定评估 以及电网假数据注入攻
度范围内实现暂态电压稳定的快速评估 。根据输入 [12]
击检测 中,比浅层模型有更好的表现。
量特性,相关研究可分为 2 类。 第 1 类采用相量测
本文面向交直流受端电网的预想事故评估、前
量单元( PMU) 故障后的动态信息,文献[5]从故障
瞻预警和预防控制需求,计及快速动态响应元件特
收稿日期: 2019-04-30; 修回日期: 2019-08-27。 性,提出一种基于深度学习的暂态电压稳定评估方
上网日期: 2019-10-10。 法。利用基 于 t 分 布 的 随 机 近 邻 嵌 入 ( t-stochastic
国家重点研发计划资助项目( 2017YFB0902600) ; 国家电网 neighbor embedding,t-SNE) 算法对受端电网进行分
公司科技项目( SGJS0000DKJS1700840) 。 区,每个分区选择一个评估节点; 以故障前稳态潮流
46
杨维全,等 基于卷积神经网络的暂态电压稳定快速评估
距离较近,其故障前潮流特征对暂态过程影响更为 ij
I FS 为节点 i 发生 N - 1 故障 j 的 FSI 值; n 2 为运行方式
重要。为进一步提高特征选取质量,在 1.2 节中分 ij
总数; A c 为节点 i 发生 N - 1 故障 j 时,在运行方式 c
区方法基础上,在各评估点附近再划定一个小范围 , ij
下的 TVSA 值。I FS 越大,表明 N - 1 故障 j 对于节点 i
潮流特征从该范围内选择,分区及潮流特征选择范
影响越严重。
围示例如图 2 所示,图中方框代表分区,圆圈代表特
故障特征产生过程如下。
征选择的范围。
1) 依据 FSI 将 N - 1 故障对各个评估节点的影
响程度分别排序。
2) 依据 N -k 故障发生后 n 0 条故障线路的状态
进行编码,线路正常为 1,若因故障发生断开,则将
其置 0,也即编码后的故障特征为一串 ( 0,1) 序列,
维数为 n 0 。
3) 将编码后的故障特征按照 FSI 排序,N - 1 故
障影响严重的放在前面。
4) 将故障线路号和编码后的故障线路号共 k +
n 0 维特征作为原始故障特征。
2.3 CNN 结构参数优化
CNN 卷积核的数量和大小直接影响到特征提
取的质量,从而影响预测准确度。 使用粒子群优化
图 2 分区及潮流特征选择范围示意图 ( PSO) 算法[20]选择最优的卷积核数量和大小,主要
Fig.2 Schematic diagram of partition and scope of 步骤如下。
power flow feature selection
1) 将原始样本集随机分为训练集和测试集,并
从训练集取出一部分作为验证集 。
潮流特征选择范围的确定原则为: ①所选节点
2) 以 2 个卷积层卷积核的数量 ( k 1 和 k 2 ) 、大小
应尽量靠近评估点; ②所选潮流特征使 CNN 预测精
( l 1 和 l 2 ) 构成粒子 i 的位置矢量 x i = [k 1 ,k 2 ,l 1 ,l 2 ],
度尽可能高; ③在预测误差相差很小的情况下使用
节点数目较少的范围。 给出 x i 各元素上下限。
2.2.2 故障特征 3) 采用每次训练结束之后验证集的预测错误
假设 N -k( k≥2) 预想事故集,系统中有 n 0 条线 率作为 适 应 度 函 数。 预 测 错 误 率 E pr 采 用 式 ( 4 )
路是可能发生故障的线路,使用故障线路号可以区 计算。
分 N - k 故障,但如果只是单纯的 k 个故障线路号, N error
E pr = ( 4)
则不能反映故障的严重度,降低了泛化性能,因此本 N sum
文在故障线路号的基础上,加入了编码的故障线路 式中: N error 为 预 测 错 误 的 个 数; N sum 为 验 证 集 样 本
号,将二者结合作为故障特征,以提高泛化性能。 个数。
本文对 N -k 故障编码的依据如下。 4) 利用 PSO 算法确定 x i = [k 1 ,k 2 ,l 1 ,l 2]的最
1) 对于 N - 1 故障较为严重的,那么其组合产生 优值。
的 N - k 故障相对其他组合更加严重的可能性较大, 2.4 暂态电压稳定评估流程
且这更加符合 CNN 局部感知的特性。 采用暂态电压稳定实用判据: 母线电压在故障
[21]
2) 即使是不按照 N - 1 故障严重度大小产生的 后低于 0.75( 标幺值) 的时间不超过 1 s 。
故障组合在实际中更加严重,若将故障特征分解为 由于采用的原始输入特征是稳态数据,且划定
各线路的运行状态,CNN 在训练时也可以给予某一 了潮流特 征 选 择 范 围,缩 小 了 原 始 输 入 特 征 数 目
重要线路状态对应的维度特征更大的权重 ,筛选出 ( 50 ~ 70 个) ,构建二维特征图难度大、效果差。 假
严重的故障组合。 设构建二维特征图大小为 8 × 8,经过 2 次池化之后
与式( 2) 做出相同假设,定义故障严重度指标 就变成了 2 × 2,保留的特征太少,信息丢失量大,预
( fault severity index,FSI) 为: 测不准确。且编码的故障特征是一维 ( 0,1) 序列,
ij
n2
采用一维卷积可以进行序列特征提取,而采用二维
I FS = ∑ A ijc ( 3)
c=1 则打乱了序列特征。 因此本文使用 Tensorflow 中的
式中: i 为节点号; j 为 N - 1 故障号; c 为运行方式号; conv1d 系列模块构建卷积层,在卷积原理不变的基
48
杨维全,等 基于卷积神经网络的暂态电压稳定快速评估
图 4 t-SNE 算法映射结果
Fig.4 Mapping results by t-SNE algorithm
由图 4 可以看出,山东电网大致分成 3 个区域,
左上、右上和下侧区域分别命名为区域 1,2 和 3,在
实际电网拓扑图中的分区结果见附录 A 图 A2,从中
图 3 暂态电压稳定评估流程图 可以发现各区域内未出现孤立节点,表明分区较为
Fig.3 Flow chart of stability assessment for
transient voltage 合理。3 个区域中的节点 55、节点 89 和节点 20 分
别为区域 1, 2 和 3 中的代表节点。
2.5 训练和应用方式 3.2 暂态电压稳定评估
1) 离线训练: 依据电网历史数据和暂态仿真获 3.2.1 潮流特征
取样本进行离线训练,获取各分区的 CNN。 各分区潮流特征选择范围,经过多次验证之后
2) 实时应用: 每 5 ~ 15 min 触发一次,利用数据 包含的节点数分别确定为 25,17 和 20,潮流特征在
采集与监控( SCADA) 状态估计获取潮流特征,对给 这些节点 中 选 择,相 应 的 潮 流 特 征 维 数 为 55,37
定的预想事故集快速产生故障特征,输入训练好的 和 48。
CNN 进行暂态电压稳定快速评估。 3.2.2 故障特征
3 算例分析 考虑 N - 3 预想事故,对每个评估点, 200 条线路
按照 FSI 降序排列,前 100 均匀选择 6 条线路,后
采用山东电网 500 kV 及以上系统进行仿真,其 100 均匀选择 4 条线路,共 10 条线路,任意组合,可
含有 80 个 500 kV 节点和 10 个 1 000 kV 节点,36 以构成 720 种 N - 3 预想事故。 对分区 1、分区 2 和
台发电机, 200 条交流线路,±660 kV 宁东、±800 kV 分区 3 随机选择了其中的 93, 49 和 49 个故障,来代
昭沂和扎青 3 条直流馈入,系统拓扑结构见附录 A 表 720 种故障。各分区均有 10 + 3 = 13 维故障特征。
图 A1。系统负荷水平约为 59.5 GW,宁东直流输送 3.2.3 评估结果
有功功率 4 GW,邵沂和扎青直流输送有功功率 8 在 0 s 断开前 2 条线路,1 s 时第 3 条线路首端
GW。使用 PSS / E 进 行 暂 态 仿 真,采 用 综 合 负 荷 发生三永故障,1.1 s 切除第 3 条线路并跳闸断开。
CLOD 模型,为模拟暂态电压失稳,采用对电压稳定 对于 3 个 评 估 点 分 别 产 生 了 46 500,19 600 和
威胁最大的感应电动机负荷与恒功率负荷组合方 14 000 个样本,其中发生暂态电压失稳的样本数分
式, 2 种负荷比例各设为 50%。 别为 27 168,11 052 和 6 754 个。3 个分区的训练
3.1 电网分区 集、验证集和测试集样本数目如表 1 所示。
预想事故设为 N - 1 三永故障,故障持续时间为
表 1 样本集划分
0.1 s,负荷在基准水平的 90% ~ 110% 范围内随机波 Table 1 Partition of sample sets
动,其变动量由受端电网发电机组均匀承担 ,共生成 分区 训练集 验证集 测试集
了 4 788 个场景,经过暂态仿真及计算得出暂态电 1 36 000 4 000 6 500
压跌落矩阵 V s( 126 × 4 788 阶 ) 。t-SNE 算法映射结 2 17 000 1 000 1 600
3 11 000 1 000 2 000
果如图 4 所示,其中蓝点代表系统节点,横纵坐标代
表各节点暂态行为映射到二维平面之后的坐标 ,表 3 个 CNN 原始特征总数分别为 68,50 和 61。
明了节点间暂态电压跌落特性的相似度 。
在 PSO 算法中,加速常数 c1 为 0.5,c2 为 1.5。设分区
http: / / www.aeps-info.com 49
2019,43( 22) ·大电网智能调度与安全预警·
50
杨维全,等 基于卷积神经网络的暂态电压稳定快速评估
http: / / www.aeps-info.com 51
附录 A
183 85 86 87 187
103 3
191 3
83 88 193
322
15 16 91 170 70
89
93 324
114 14 18
84 90 72 73 74
311 71
图 A1 简化的山东电网结构图
Fig.A1 Structure chart of the simplified Shandong grid
103 3
183
83
85
191 3
86 87 187 2
88 193
322
15 16 91 170 70
89
93 324
114 14 18
84 90 72 73 74
311 71
3
22 64
175
320
23 26 316 80 79 78 178
122 66 59
24 27
1
25 317 35
302 301 82
External 318 81
33 67
system 34 DC ND
DC ZY
32 325 65 DC ZY 10
31 94 194
68 69
48
128 28 40 36
140
37 55
38 54
143 43 39 50 323
44 139 500kV Lines
2 56
1000kV Lines
105 5 8 9 49 51 314
7
500kV Substations
45 29
30 1000kV Substations
41 42 102 156
52 DC Lines
145 46 53
129
图 A2 分区结果
Fig.A2 Partition results
2019,43( 22) ·大电网智能调度与安全预警·
櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧
( 上接第 51 页 continued from page 51)
刘玉田 ( 1964—) ,男,通信作者,教授,博士生导师,主
杨维全( 1996—) ,男,硕士研究生,主要研究方向: 电力 要研 究 方 向: 电 力 系 统 运 行 与 控 制。E-mail: liuyt @ sdu.
系统运行与控制。E-mail: yangweiquan@ mail.sdu.edu.cn edu.cn
朱元振( 1994—) ,男,博士研究生,主要研究方向: 电力 ( 编辑 章黎)
系统运行与控制。E-mail: zhuyuanzhen@ mail.sdu.edu.cn
136