一種在線預測電力系統(tǒng)負荷能力極限的方法
【專利摘要】本發(fā)明公開了一種在線預測電力系統(tǒng)負荷能力極限的方法，該方法由基于電網(wǎng)狀態(tài)相似度指標的樣本篩選方法、Lasso方法和誤差反向傳播型神經(jīng)網(wǎng)絡三部分組成；其中基于電網(wǎng)狀態(tài)相似度指標的樣本篩選方法以樣本負荷能力極限值和電網(wǎng)狀態(tài)相似度量化指標為依據(jù)，對訓練樣本進行篩選。Lasso方法對訓練樣本進行回歸分析，確定各狀態(tài)量中對負荷能力極限最具有解釋性的系統(tǒng)狀態(tài)量。誤差反向傳播型神經(jīng)網(wǎng)絡通過精簡后的訓練樣本來離線擬合負荷能力極限并用于在線預測。該方法能夠在保證預測精度的情況下明顯提高誤差反向傳播型神經(jīng)網(wǎng)絡的離線訓練效率。
【專利說明】一種在線預測電力系統(tǒng)負荷能力極限的方法
【技術(shù)領域】
[0001]本發(fā)明屬于電力系統(tǒng)穩(wěn)定性分析【技術(shù)領域】，具體涉及一種在線預測電力系統(tǒng)負荷能力極限的方法。
【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)模不斷擴大，網(wǎng)絡結(jié)構(gòu)日趨復雜，環(huán)境和經(jīng)濟因素的制約使電力系統(tǒng)的運行情況更加接近極限條件。在線評估電壓穩(wěn)定性是預防大停電事故的重要手段之一。
[0003]快速求解系統(tǒng)負荷能力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)在運行過程中，隨著電力系統(tǒng)中的負荷不斷增加，系統(tǒng)的潮流雅克比矩陣將趨向于奇異，當潮流雅克比奇異時，系統(tǒng)達到潮流臨界解，該狀態(tài)下系統(tǒng)的負荷總有功功率即為系統(tǒng)的負荷能力極限(或稱極限傳輸功率、靜態(tài)電壓穩(wěn)定極限)，系統(tǒng)負荷能力極限越大，則可認為系統(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，難于在線應用。由于電力系統(tǒng)負荷能力極限無法用解析表達式描述，因此該領域研究主要集中在采用神經(jīng)網(wǎng)絡對負荷能力極限進行在線估計。
[0004]李妍、程時杰等在標題為電壓穩(wěn)定極限附近神經(jīng)網(wǎng)絡模擬及靜態(tài)穩(wěn)定裕度判定(電力系統(tǒng)自動化，1999(21)，37-40)的文獻中提出了一種用誤差反向傳播神經(jīng)網(wǎng)絡來模擬節(jié)點電壓靜態(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行方式電網(wǎng)各節(jié)點的電壓靜態(tài)穩(wěn)定儲備系數(shù)。崔峰、齊占慶、姜萌在標題為基于模糊神經(jīng)網(wǎng)絡的電力系統(tǒng)電壓穩(wěn)定評估(電力系統(tǒng)保護與控制，2009(11)，40-44)的文獻中設計了一個多輸入單輸出的模糊神經(jīng)網(wǎng)絡，通過計算帶靜止無功補償器電力系統(tǒng)的負荷能力極限，對系統(tǒng)的電壓穩(wěn)定性進行評估，有功與無功負載的不確定性、有功與無功發(fā)生器、母線電壓以及無功補償裝置的參數(shù)都被考慮進來，該方法采用Kohonen自組織映射網(wǎng)絡聚類所有節(jié)點的有功和無功負荷來減少輸入量個數(shù)。陳愛軍、劉愛國在標題為基于神經(jīng)網(wǎng)絡模型的在線電壓穩(wěn)定極限評估(電力科學與工程，2010 (08)，19-23)的文獻將回歸分析和人工神經(jīng)網(wǎng)絡模型同時應用于電力系統(tǒng)電壓穩(wěn)定評估，用回歸分析法求取負荷對電壓穩(wěn)定裕度的靈敏度，根據(jù)預先設置好的靈敏度閥值來進行特征選擇，從而減少輸入變量的維數(shù)。
[0005]上述三種采用神經(jīng)網(wǎng)絡來離線訓練和在線估計負荷能力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)絡的離線訓練效率并影響其預測效果，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測電力系統(tǒng)負荷能力極限的方法，能夠有效提高神經(jīng)網(wǎng)絡的離線訓練效率和在線預測效果。
[0007]—種在線預測電力系統(tǒng)負荷能力極限的方法，包括如下步驟:[0008](I)通過對電力系統(tǒng)進行離線仿真，生成系統(tǒng)在隨機多個工況下對應的多個訓練樣本；所述的訓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)的負荷能力極限(又稱為靜態(tài)電壓穩(wěn)定極限、極限傳輸功率);
[0009]每個樣本的系統(tǒng)的負荷能力極限的求取方法如下:電網(wǎng)在某一隨機工況下，不斷增加全網(wǎng)負荷和發(fā)電機的功率，負荷功率增長方式為全網(wǎng)各負荷保持恒功率因數(shù)按各自的初始有功功率比例同步增長，發(fā)電機功率增長方式為除平衡機以外的全體發(fā)電機按各自的初始有功出力比例共同承擔全網(wǎng)增長的負荷總有功功率。隨著全網(wǎng)負荷和發(fā)電機功率的不斷增加，系統(tǒng)的潮流雅克比矩陣趨向奇異，當系統(tǒng)達到潮流臨界解時，該狀態(tài)下系統(tǒng)的全網(wǎng)負荷總有功功率即為系統(tǒng)的負荷能力極限(或稱靜態(tài)電壓穩(wěn)定極限、極限傳輸功率)。[0010](2)通過基于電網(wǎng)狀態(tài)相似度指標的篩選方法對訓練樣本進行篩選，進而對篩選保留下來的訓練樣本進行特征選擇，從而實現(xiàn)對訓練樣本降維；
[0011](3)利用降維后的訓練樣本對誤差反向傳播型神經(jīng)網(wǎng)絡進行訓練，得到用于預測電力系統(tǒng)負荷能力極限的神經(jīng)網(wǎng)絡模型；
[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)絡模型計算出系統(tǒng)的負荷能力極限。
[0013]所述的輸入變量和狀態(tài)信息均包括系統(tǒng)的全網(wǎng)負荷總有功功率、全網(wǎng)負荷總無功功率、全網(wǎng)發(fā)電機總有功出力、全網(wǎng)發(fā)電機總無功出力、系統(tǒng)中各節(jié)點的節(jié)點電壓和節(jié)點相角、各發(fā)電機的有功出力和無功出力、各負荷的有功功率和無功功率。
[0014]所述的步驟(2)中對訓練樣本進行篩選的具體過程如下:
[0015]Al.按負荷能力極限從小到大對所有訓練樣本進行排序；
[0016]A2.比較前兩個訓練樣本的負荷能力極限，若兩者的負荷能力極限差小于預設的功率閾值，則計算兩者間的電網(wǎng)電壓狀態(tài)相似度指標、電網(wǎng)有功狀態(tài)相似度指標以及電網(wǎng)無功狀態(tài)相似度指標，若三個相似度指標均小于對應預設的三個指標閾值，則表明兩個訓練樣本同類，并刪除其中任意一個訓練樣本，令保留下來的訓練樣本為待比較樣本；其他情況下則表明兩個訓練樣本非同類，保留兩個訓練樣本，并令后一個訓練樣本為待比較樣本；
[0017]A3.根據(jù)步驟A2依次使下一個訓練樣本與待比較樣本進行比較，以遍歷完所有訓練樣本。
[0018]所述的步驟(2)中對訓練樣本進行特征選擇的具體過程如下:
[0019]B1.使保留下來的訓練樣本通過 Lasso (Least Absolute Shrinkage and SelectOperator，最小絕對值收縮選擇)方法確定訓練樣本輸入變量中各特征量對應的回歸系數(shù)；
[0020]B2.對于任一訓練樣本，刪除其輸入變量中回歸系數(shù)為O對應的特征量；
[0021]B3.根據(jù)步驟B2，遍歷所有訓練樣本。
[0022]所述的電網(wǎng)電壓狀態(tài)相似度指標、電網(wǎng)有功狀態(tài)相似度指標以及電網(wǎng)無功狀態(tài)相似度指標的計算公式如下:
【權(quán)利要求】
1.一種在線預測電力系統(tǒng)負荷能力極限的方法，包括如下步驟: (1)通過對電力系統(tǒng)進行離線仿真，生成系統(tǒng)在隨機多個工況下對應的多個訓練樣本；所述的訓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)的負荷能力極限； (2)通過基于電網(wǎng)狀態(tài)相似度指標的篩選方法對訓練樣本進行篩選，進而對篩選保留下來的訓練樣本進行特征選擇，從而實現(xiàn)對訓練樣本降維； (3)利用降維后的訓練樣本對誤差反向傳播型神經(jīng)網(wǎng)絡進行訓練，得到用于預測電力系統(tǒng)負荷能力極限的神經(jīng)網(wǎng)絡模型； (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)絡模型計算出系統(tǒng)的負荷能力極限。
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)負荷總有功功率、全網(wǎng)負荷總無功功率、全網(wǎng)發(fā)電機總有功出力、全網(wǎng)發(fā)電機總無功出力、系統(tǒng)中各節(jié)點的節(jié)點電壓和節(jié)點相角、各發(fā)電機的有功出力和無功出力、各負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)中對訓練樣本進行篩選的具體過程如下: Al.按負荷能力極限從小到大對所有訓練樣本進行排序； A2.比較前兩個訓練樣本的負荷能力極限，若兩者的負荷能力極限差小于預設的功率閾值，則計算兩者間的電網(wǎng)電壓狀態(tài)相似度指標、電網(wǎng)有功狀態(tài)相似度指標以及電網(wǎng)無功狀態(tài)相似度指標，若三個相似度指標均小于對應預設的三個指標閾值，則表明兩個訓練樣本同類，并刪除其中任意一個訓練樣本，令保留下來的訓練樣本為待比較樣本；其他情況下則表明兩個訓練樣本非同類，保留兩個訓練樣本，并令后一個訓練樣本為待比較樣本； A3.根據(jù)步驟A2依次使下一個訓練樣本與待比較樣本進行比較，以遍歷完所有訓練樣本。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于:所述的電網(wǎng)電壓狀態(tài)相似度指標、電網(wǎng)有功狀態(tài)相似度指標以及電網(wǎng)無功狀態(tài)相似度指標的計算公式如下:

5.根據(jù)權(quán)利要求4所述的方法，其特征在于:感興趣節(jié)點個數(shù)Nv為系統(tǒng)中節(jié)點電壓等級大于預設電壓等級的所有節(jié)點的總個數(shù)，感興趣節(jié)點個數(shù)Np和乂為系統(tǒng)中連接有發(fā)電機或負荷的所有節(jié)點的總個數(shù)。
6.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)中對訓練樣本進行特征選擇的具體過程如下: B1.使保留下來的訓練樣本通過Lasso方法確定訓練樣本輸入變量中各特征量對應的回歸系數(shù)； B2.對于任一訓練樣本，刪除其輸入變量中回歸系數(shù)為O對應的特征量； B3.根據(jù)步驟B2，遍歷所有訓練樣本。
7.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)絡進行訓練。
【文檔編號】G06Q50/06GK103559556SQ201310529012
【公開日】2014年2月5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, 國家電網(wǎng)公司