一種基于海量在線歷史數(shù)據(jù)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種電力系統(tǒng)安全穩(wěn)定分析技術(shù)領(lǐng)域的評(píng)估方法，具體涉及一種基于 海量在線歷史數(shù)據(jù)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法。
【背景技術(shù)】
[0002] 已有的快速判穩(wěn)方法大多從在線計(jì)算數(shù)據(jù)和結(jié)果中提取靜態(tài)特征和動(dòng)態(tài)特征作 為數(shù)據(jù)分析的基礎(chǔ)。前者可由基礎(chǔ)數(shù)據(jù)，以及潮流、短路等靜態(tài)計(jì)算得到，后者需要進(jìn)行暫 態(tài)穩(wěn)定計(jì)算得到。為了與在線計(jì)算相配合，這種暫態(tài)穩(wěn)定計(jì)算通常僅進(jìn)行幾步迭代以減少 耗時(shí)。從已有成果的效果看，基于含有靜態(tài)和動(dòng)態(tài)特征的分析數(shù)據(jù)，使用常規(guī)的數(shù)據(jù)分析算 法，已可以獲得較為滿意的結(jié)果。但由于無法避免暫態(tài)穩(wěn)定計(jì)算，其仍需要較多的硬件資 源，系統(tǒng)實(shí)現(xiàn)也較為復(fù)雜。
[0003] 此外，對(duì)于大系統(tǒng)在線計(jì)算，其所積累的歷史數(shù)據(jù)體量極其龐大，并且隨著時(shí)間推 移還在快速產(chǎn)生。例如，國(guó)調(diào)35000節(jié)點(diǎn)系統(tǒng)每15分鐘產(chǎn)生的計(jì)算數(shù)據(jù)就有20M，全天可達(dá) 2GB，全年可以達(dá)到0.7PB。利用這些數(shù)據(jù)進(jìn)行快速判穩(wěn)，在現(xiàn)有的軟硬件條件下勢(shì)必不能簡(jiǎn) 單地采取"全部采用"的方式，必須考慮到其"大"和"快"的特點(diǎn)。在這方面，大數(shù)據(jù)處理的思 想和技術(shù)可以提供幫助，同時(shí)針對(duì)該問題的研究成果也可豐富電力大數(shù)據(jù)技術(shù)包。
[0004]在電力系統(tǒng)在線計(jì)算數(shù)據(jù)中，元件的模型及參數(shù)通常不會(huì)經(jīng)常改變。若在兩個(gè)時(shí) 刻系統(tǒng)的靜態(tài)運(yùn)行點(diǎn)相同，在發(fā)生相同故障的情況下，在線穩(wěn)定計(jì)算結(jié)果也應(yīng)相同。同時(shí)， 根據(jù)慣常理解，隨著運(yùn)行方式的連續(xù)變化，電力系統(tǒng)穩(wěn)定性也會(huì)隨之變化，兩者是密切關(guān)聯(lián) 的。上述兩點(diǎn)為使用靜態(tài)特征直接判斷系統(tǒng)穩(wěn)定性提供了可能。同時(shí)，從實(shí)際工作方式來 看，電網(wǎng)運(yùn)行控制的慣常作法是首先進(jìn)行運(yùn)行方式計(jì)算，給出具有指導(dǎo)意義的結(jié)論和策略； 而后在調(diào)度運(yùn)行中，當(dāng)靜態(tài)測(cè)得的物理量與方式計(jì)算對(duì)應(yīng)的物理量相近時(shí)，就認(rèn)為系統(tǒng)會(huì) 具有方式計(jì)算結(jié)論中得到的特點(diǎn)，進(jìn)而采取預(yù)定策略。這一過程實(shí)際上可以看作僅通過與 已有計(jì)算結(jié)果比較靜態(tài)量而確定系統(tǒng)特征，包括穩(wěn)定性。
[0005] 基于現(xiàn)有理論，很難直接建立起系統(tǒng)靜態(tài)特征與穩(wěn)定性間的明確關(guān)系。

【發(fā)明內(nèi)容】

[0006] 為解決上述現(xiàn)有技術(shù)中的不足，本發(fā)明的目的是提供一種基于海量在線歷史數(shù)據(jù) 的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法。
[0007] 本發(fā)明的目的是采用下述技術(shù)方案實(shí)現(xiàn)的：
[0008] 本發(fā)明提供一種基于海量在線歷史數(shù)據(jù)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法，其特征在 于，所述方法包括下述步驟：
[0009] 步驟一:對(duì)海量在線歷史數(shù)據(jù)進(jìn)行選取，生成仿真數(shù)據(jù)；
[0010] 步驟二:根據(jù)仿真數(shù)據(jù)，提取特征量，生成初始樣本集；
[0011]步驟三:采用擴(kuò)展邊界的方式，進(jìn)行失穩(wěn)樣本的擴(kuò)展和穩(wěn)定樣本的壓縮，形成計(jì)算 樣本；
[0012] 步驟四：基于計(jì)算樣本，利用支持向量機(jī)SVM算法進(jìn)行分類模型訓(xùn)練以及參數(shù)優(yōu) 化，最終形成分類模型，評(píng)估電力系統(tǒng)暫態(tài)穩(wěn)定性。
[0013] 進(jìn)一步地，利用時(shí)間窗的方式選取在線歷史數(shù)據(jù)，設(shè)需考慮的時(shí)間窗天數(shù)為d，則 對(duì)于第m日，所需的計(jì)算樣本&8〇表示為：
[0014]
[0015]其中：Sjsd_m表示所需的多日樣本集合，k表示第k日，d表示時(shí)間窗天數(shù)，S js k表示第 k日的計(jì)算樣本。
[0016] 進(jìn)一步地，提取特征量包括下述步驟：
[0017] (1)特征量初篩；
[0018] (2)特征量壓縮。
[0019] 進(jìn)一步地，所述特征量初篩選用的電力系統(tǒng)靜態(tài)狀態(tài)量如下：
[0020] V:母線電壓幅值;θν:母線電壓角度;Pg:發(fā)電機(jī)有功，按有功出力為正、負(fù)的發(fā)電機(jī) 分別統(tǒng)計(jì);Q g:發(fā)電機(jī)無功，按有功出力為正、負(fù)的發(fā)電機(jī)分別統(tǒng)計(jì);c〇S0g:發(fā)電機(jī)功率因數(shù)； Pl :負(fù)荷有功，按有功為正、負(fù)的負(fù)荷分別統(tǒng)計(jì);Ql :負(fù)荷無功，按有功為正、負(fù)的負(fù)荷分別統(tǒng) 計(jì)；c〇S0L :負(fù)荷功率因數(shù)；PAaine3:交流線路有功，取I側(cè)；QAaine3:交流線路無功，取I側(cè)； PDCLine :直流線路有功，取I側(cè);QDCLine :直流線路無功，取I側(cè);QPCP :并聯(lián)電容器投入容量;QPLP : 并聯(lián)電抗器投入容量；
[0021 ]對(duì)于電力系統(tǒng)靜態(tài)狀態(tài)量采用以下初始統(tǒng)計(jì)參數(shù):Max :最大值;Min :最小值； Mean:均值;Sd:均值的標(biāo)準(zhǔn)差；
[0022] 具有穩(wěn)健特性的統(tǒng)計(jì)量:Median:中位數(shù);Mds:中位數(shù)標(biāo)準(zhǔn)差；1st:四分之一分位 數(shù)；3st:四分之三分位數(shù);Mad:中位絕對(duì)離差；Interq:四分位差;M j 10 :10 %截尾均值； Mj 10s :10%截尾均值方差；
[0023] Skew:偏度;Kurt:峰度；
[0024]在對(duì)電力系統(tǒng)狀態(tài)進(jìn)行分析時(shí)按電壓等級(jí)統(tǒng)計(jì)母線電壓和交流線的靜態(tài)狀態(tài)量 和統(tǒng)計(jì)量，對(duì)發(fā)電機(jī)和負(fù)荷按照有功的正負(fù)分別統(tǒng)計(jì)狀態(tài)量，對(duì)于發(fā)電機(jī)和負(fù)荷的統(tǒng)計(jì)狀 態(tài)量包括：
[0025] SumPz :正有功總量；SumPf:負(fù)有功總量;Pzfb:正負(fù)有功總量之比；SumQz :正無功 總量;SumQf:負(fù)無功總量;Qzfb:正負(fù)無功總量之比；
[0026] 對(duì)于故障點(diǎn)，其特征量分為兩個(gè)部分，一是故障點(diǎn)周邊兩級(jí)母線所在分區(qū)的運(yùn)行 狀態(tài)統(tǒng)計(jì)，其統(tǒng)計(jì)內(nèi)容與全系統(tǒng)運(yùn)行情況統(tǒng)計(jì)相同；二是表征故障自身特點(diǎn)的特征量，包 括:故障電流If、故障點(diǎn)電壓幅值Vf、故障點(diǎn)電壓相角0Vf和戴維南阻抗幅值Zf;
[0027] 初始樣本集Sjb由電力系統(tǒng)特征量和故障點(diǎn)及其周邊區(qū)域特征量組成。
[0028]進(jìn)一步地，采用隨機(jī)森林RF算法進(jìn)行特征量壓縮，隨機(jī)森林RF算法及用其進(jìn)行特 征量重要程度計(jì)算的基本思想包括：
[0029] ①生成若干個(gè)決策樹而不是一個(gè)；
[0030] ②生成決策樹時(shí)，隨機(jī)從初始樣本集中選取一組初始樣本，使用完畢后再放回初 始樣本集；
[0031] ③生成決策樹時(shí)，使用隨機(jī)選擇的初始樣本的一組屬性作為候選特征集，而不是 全部屬性；
[0032]④最后的特征量重要程度指標(biāo)通常由所有決策樹的計(jì)算結(jié)果采取投票法共同決 定；
[0033 ]隨機(jī)森林R F算法的參數(shù)包括：決策樹的個(gè)數(shù)n t r e e和候選特征集中特征的個(gè)數(shù) mtry，mtry采用經(jīng)驗(yàn)值，取特征量個(gè)數(shù)的算數(shù)平方根；
[0034] RF算法所獲得的特征量重要程度指標(biāo)，表示的是當(dāng)移去該特征量或在該特征量中 加入噪聲時(shí)對(duì)分類結(jié)果的影響;特征量的平均重要性指標(biāo)越大表示特征量越重要，如果指 標(biāo)為負(fù)表示特征量對(duì)分類起反作用，如果為〇則對(duì)分類沒有作用;對(duì)于指標(biāo)等于〇的特征量 采取直接去除的方式，對(duì)于指標(biāo)大于0的特征量根據(jù)計(jì)算能力的實(shí)際情況選擇剔除，并通過 測(cè)試確定剔除比例;去除重要性為負(fù)值的特征量導(dǎo)致判穩(wěn)效果不穩(wěn)定，僅剔除掉重要性為0 的特征量。
[0035] 進(jìn)一步地，所述步驟三包括：
[0036] 1)失穩(wěn)樣本的擴(kuò)展:采用擴(kuò)展邊界方式對(duì)失穩(wěn)樣本進(jìn)行擴(kuò)展；
[0037]設(shè)初始的單日失穩(wěn)樣本集為Snl，因擴(kuò)展新增的失穩(wěn)樣本集為Sn2，擴(kuò)展后的失穩(wěn)樣 本集為sn3，則有：
[0038] Sn2 = svm_sup(Yi) YiESni，i = l，2··· .N，N=num(Sni)
[0039] Sn3 = SnlUSn2
[0040] 其中，SVm_SUp〇為尋找支持向量并將其標(biāo)記為失穩(wěn)樣本的運(yùn)算，Yi為Snl中的單個(gè) 樣本，num()為樣本集的個(gè)數(shù)統(tǒng)計(jì)運(yùn)算；
[0041 ]設(shè)與失穩(wěn)樣本集Sn2對(duì)應(yīng)的初始穩(wěn)定樣本為Sn2jb，則擴(kuò)展后的單日樣本集Skzjb表不 為：
[0042] Skz jb = Sjb~Sn2 jb+Sn2
[0043] 擴(kuò)展運(yùn)算并不改變樣本的個(gè)數(shù)，只是改變其中部分樣本的標(biāo)簽；
[0044] 2)穩(wěn)定樣本的壓縮；
[0045]對(duì)擴(kuò)展后的失穩(wěn)樣本集再次采用支持向量機(jī)SVM進(jìn)行自分類，即先選取大的罰函 數(shù)值基于樣本集訓(xùn)練模型，再用樣本集訓(xùn)練模型對(duì)該樣本集進(jìn)行分類計(jì)算，選取與分類面 距離最近的num(Sn3)個(gè)穩(wěn)定樣本與失穩(wěn)樣本組合形成新的樣本集；
[0046] 樣本壓縮處理后的包括失穩(wěn)樣本和穩(wěn)定樣本的樣本集為Sjs，設(shè)壓縮后的穩(wěn)定樣 本集為Swd，則Sjs表示為：
[0047] Swd = svm_s j(Skz jb, Sn3)
[0048] Sjs = Sn3+Swd
[0049]其中，svm_sj〇為基于SVM的穩(wěn)定樣本壓縮運(yùn)算。
[0050] 進(jìn)一步地，所述步驟四包括:在獲得Sjsd_m后，采用支持向量機(jī)SVM算法基于Sjsd_m進(jìn) 行計(jì)算樣本分類訓(xùn)練，得到進(jìn)行快速判穩(wěn)的判別函數(shù);最終的判別函數(shù)寫作：
[0051]
[0052] 其中，sgn為符號(hào)函數(shù)用于最終確定計(jì)算樣本的分類