一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法
【專利摘要】本發(fā)明公開了一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法,本方法在實(shí)現(xiàn)電力系統(tǒng)暫態(tài)穩(wěn)定評估的同時(shí),可以預(yù)測出當(dāng)前的CCT裕度值大小,由裕度值大小可以間接判斷出電力系統(tǒng)的穩(wěn)定程度,為采取相應(yīng)的緊急控制提供有利的參考依據(jù)。采用PNN網(wǎng)絡(luò)作為復(fù)合網(wǎng)絡(luò)的第一層分類網(wǎng)絡(luò),RBF網(wǎng)絡(luò)作為復(fù)合網(wǎng)絡(luò)的預(yù)測網(wǎng)絡(luò)。網(wǎng)絡(luò)輸入特征量采用與電力系統(tǒng)規(guī)模無關(guān)的特征量,可適用于構(gòu)造不同電力系統(tǒng)規(guī)模的復(fù)合預(yù)測網(wǎng)絡(luò)。分類預(yù)測使得樣本進(jìn)行有效歸類,有助于提高神經(jīng)網(wǎng)絡(luò)計(jì)算效率和預(yù)測精度。本發(fā)明有助于構(gòu)造RBF子網(wǎng)絡(luò),減少網(wǎng)絡(luò)計(jì)算量,提高運(yùn)算速度;本發(fā)明涵蓋于邊界點(diǎn)兩邊的RBF子網(wǎng)絡(luò)預(yù)測范圍中,即使發(fā)生PNN誤分類,仍能夠預(yù)測出CCT裕度值。
【專利說明】一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及電力系統(tǒng)領(lǐng)域,特別涉及一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法。
【背景技術(shù)】
[0002]電力系統(tǒng)暫態(tài)穩(wěn)定評估方法主要有時(shí)域仿真法、能量函數(shù)法和人工智能三類方法。時(shí)域仿真方法通過求解電力系統(tǒng)完整的故障軌跡來進(jìn)行電力系統(tǒng)穩(wěn)定性的判別,具有技術(shù)成熟、結(jié)果可靠等優(yōu)點(diǎn),但這一方法的計(jì)算量較大,難以滿足在線應(yīng)用需求;基于Lyapunov穩(wěn)定性理論的暫態(tài)能量函數(shù)法(TEF),能夠定量度量電力系統(tǒng)暫態(tài)穩(wěn)定裕度,且具有計(jì)算快捷的優(yōu)點(diǎn),但針對復(fù)雜電力系統(tǒng)和詳細(xì)模型,TEF法尚缺乏有效的能量函數(shù)構(gòu)造方法,并且該方法存在無法消除的保守性;人工智能方法不需要建立復(fù)雜的數(shù)學(xué)模型,而是通過輸入輸出量,建立一個(gè)對應(yīng)的非線性映射,利用其自學(xué)習(xí)能力判斷電力系統(tǒng)穩(wěn)定性,該方法具有評估速度快、在判穩(wěn)的同時(shí)可計(jì)算電力系統(tǒng)穩(wěn)定裕度等優(yōu)點(diǎn),在電力系統(tǒng)暫態(tài)穩(wěn)定評估方面具有一定的應(yīng)用潛力。
[0003]隨著電力系統(tǒng)運(yùn)行數(shù)據(jù)的大規(guī)模增加,基于人工智能方法進(jìn)行數(shù)據(jù)分析判斷電力系統(tǒng)穩(wěn)定性取得了一定的研究成果。神經(jīng)網(wǎng)絡(luò)方法是人工智能方法的一種常用形式,根據(jù)運(yùn)行數(shù)據(jù)提取神經(jīng)網(wǎng)絡(luò)的計(jì)算特征量,基于嚴(yán)重故障集事先訓(xùn)練好神經(jīng)網(wǎng)絡(luò),針對實(shí)際故障進(jìn)行暫態(tài)穩(wěn)定性判斷。該方法簡單有效,且不需要構(gòu)造復(fù)雜的數(shù)學(xué)模型。但是,傳統(tǒng)基于神經(jīng)網(wǎng)絡(luò)方法的暫態(tài)穩(wěn)定評估結(jié)果往往只能給出電力系統(tǒng)穩(wěn)定和不穩(wěn)定的兩元信息,難以給出電力系統(tǒng)的穩(wěn)定程度,使得實(shí)際應(yīng)用中不能及時(shí)消除相應(yīng)程度的故障;同時(shí)由于暫態(tài)穩(wěn)定評估問題的復(fù)雜性,神經(jīng)網(wǎng)絡(luò)容易在電力系統(tǒng)穩(wěn)定臨界處產(chǎn)生誤判情況,會(huì)破壞電力系統(tǒng)的正常運(yùn)行,產(chǎn)生巨大的損失。
【發(fā)明內(nèi)容】
[0004]本發(fā)明提供了一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法,本發(fā)明實(shí)現(xiàn)了對電力系統(tǒng)暫態(tài)穩(wěn)定裕度的精確預(yù)測,避免了在電力系統(tǒng)穩(wěn)定臨界處產(chǎn)生誤判情況,使得電力系統(tǒng)可以正常運(yùn)行,詳見下文描述:
[0005]一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法,所述方法包括以下步驟:
[0006](I)提取電力系統(tǒng)不同故障模式下的運(yùn)行數(shù)據(jù);
[0007](2)根據(jù)運(yùn)行數(shù)據(jù)計(jì)算輸入特征量,以及臨界故障切除時(shí)間的裕度值;
[0008](3)將輸入特征量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,根據(jù)臨界故障切除時(shí)間的裕度值大小將訓(xùn)練樣本分為不穩(wěn)定類、較不穩(wěn)定類、中間類、較穩(wěn)定類、穩(wěn)定類五種類別,將分類結(jié)果作為輸出量,用于訓(xùn)練概率神經(jīng)網(wǎng)絡(luò);
[0009](4)將每種類別訓(xùn)練樣本在邊界處的選取范圍適當(dāng)拓寬,形成重疊分類,將分類后的每一子類樣本作為輸入量,子類樣本的臨界故障切除時(shí)間的裕度值作為輸出量,訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò);
[0010](5)通過訓(xùn)練的概率神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)形成復(fù)合神經(jīng)網(wǎng)絡(luò),并對其進(jìn)行測試和校核;
[0011](6)在線監(jiān)測電力系統(tǒng)當(dāng)前的運(yùn)行狀態(tài);
[0012](7)電力系統(tǒng)無故障發(fā)生,則返回步驟(6),繼續(xù)監(jiān)測電力系統(tǒng)運(yùn)行狀態(tài);若電力系統(tǒng)發(fā)生短路故障時(shí),則提取電力系統(tǒng)中與步驟(1)相同類型的運(yùn)行數(shù)據(jù),根據(jù)提取數(shù)據(jù)計(jì)算輸入特征量,形成輸入特征量樣本;
[0013](8)將輸入特征量樣本輸入步驟(5)訓(xùn)練得到的復(fù)合神經(jīng)網(wǎng)絡(luò),根據(jù)復(fù)合網(wǎng)絡(luò)計(jì)算臨界故障切除時(shí)間的裕度值預(yù)測結(jié)果;
[0014](9)若臨界故障切除時(shí)間的裕度值大于0,則電力系統(tǒng)是暫態(tài)穩(wěn)定的,返回步驟
(6)繼續(xù)監(jiān)測;若臨界故障切除時(shí)間的裕度值小于0,則電力系統(tǒng)暫態(tài)不穩(wěn)定,需要采取相應(yīng)措施使得電力系統(tǒng)重新建立穩(wěn)定運(yùn)行狀態(tài)。
[0015]所述臨界故障切除時(shí)間的裕度值Tsm具體為:
[0016]Tsm=Tcct-Tct
[0017]其中,Tcct為臨界故障切除時(shí)間,Tct為當(dāng)前故障切除時(shí)間。
[0018]所述將輸入特征量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,根據(jù)臨界故障切除時(shí)間的裕度值大小將訓(xùn)練樣本分為不穩(wěn)定類、較不穩(wěn)定類、中間類、較穩(wěn)定類、穩(wěn)定類五種類別,將分類結(jié)果作為輸出量具體為:
[0019]
【權(quán)利要求】
1.一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法,其特征在于,所述方法包括以下步驟: (1)提取電力系統(tǒng)不同故障模式下的運(yùn)行數(shù)據(jù); (2)根據(jù)運(yùn)行數(shù)據(jù)計(jì)算輸入特征量,以及臨界故障切除時(shí)間的裕度值; (3)將輸入特征量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,根據(jù)臨界故障切除時(shí)間的裕度值大小將訓(xùn)練樣本分為不穩(wěn)定類、較不穩(wěn)定類、中間類、較穩(wěn)定類、穩(wěn)定類五種類別,將分類結(jié)果作為輸出量,用于訓(xùn)練概率神經(jīng)網(wǎng)絡(luò); (4)將每種類別訓(xùn)練樣本在邊界處的選取范圍適當(dāng)拓寬,形成重疊分類,將分類后的每一子類樣本作為輸入量,子類樣本的臨界故障切除時(shí)間的裕度值作為輸出量,訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò); (5)通過訓(xùn)練的概率神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)形成復(fù)合神經(jīng)網(wǎng)絡(luò),并對其進(jìn)行測試和校核; (6)在線監(jiān)測電力系統(tǒng)當(dāng)前的運(yùn)行狀態(tài); (7)電力系統(tǒng)無故障發(fā)生,則返回步驟(6),繼續(xù)監(jiān)測電力系統(tǒng)運(yùn)行狀態(tài);若電力系統(tǒng)發(fā)生短路故障時(shí),則提取電力系統(tǒng)中與步驟(1)相同類型的運(yùn)行數(shù)據(jù),根據(jù)提取數(shù)據(jù)計(jì)算輸入特征量,形成輸入特征量樣本; (8)將輸入特征量樣本輸入步驟(5)訓(xùn)練得到的復(fù)合神經(jīng)網(wǎng)絡(luò),根據(jù)復(fù)合網(wǎng)絡(luò)計(jì)算臨界故障切除時(shí)間的裕度值預(yù)測結(jié)果; (9)若臨界故障切除時(shí)間的裕度值大于O,則電力系統(tǒng)是暫態(tài)穩(wěn)定的,返回步驟(6)繼續(xù)監(jiān)測;若臨界故障切除時(shí)間的裕度值小于O,則電力系統(tǒng)暫態(tài)不穩(wěn)定,需要采取相應(yīng)措施使得電力系統(tǒng)重新建立穩(wěn)定運(yùn)行狀態(tài)。
2.根據(jù)權(quán)利要求1所述的一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法,其特征在于,所述臨界故障切除時(shí)間的裕度值Tsm具體為: T =T —T
L sm cct ct 其中,Tcct為臨界故障切除時(shí)間,Tct為當(dāng)前故障切除時(shí)間。
3.根據(jù)權(quán)利要求1所述的一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法,其特征在于,所述將輸入特征量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,根據(jù)臨界故障切除時(shí)間的裕度值大小將訓(xùn)練樣本分為不穩(wěn)定類、較不穩(wěn)定類、中間類、較穩(wěn)定類、穩(wěn)定類五種類別,將分類結(jié)果作為輸出量具體為:
'不穩(wěn)定類: T^ti
較不穩(wěn)定類:ti<Tm <t2
<中間類: Wti
較穩(wěn)定類:h<Tm <tA
_穩(wěn)定類:Tm >t4 其中,t1; t2,t3,t4為裕度值邊界點(diǎn),滿足以下不等式: WiKW
4.根據(jù)權(quán)利要求1所述的一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法,其特征在于,所述將每種類別訓(xùn)練樣本在邊界處的選取范圍適當(dāng)拓寬,形成重疊分類具體為:
5.根據(jù)權(quán)利要求1所述的一種電力系統(tǒng)暫態(tài)穩(wěn)定裕度預(yù)測方法,其特征在于,所述通過訓(xùn)練的概率神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)形成復(fù)合神經(jīng)網(wǎng)絡(luò),并對其進(jìn)行測試和校核具體為: 測試樣本數(shù)據(jù)先經(jīng)過概率神經(jīng)網(wǎng)絡(luò)分類,得到測試樣本的歸屬類別m,再用對應(yīng)第m類別的徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測臨界故障切除時(shí)間的裕度值;最后對預(yù)測結(jié)果進(jìn)行自檢查和修正,如果預(yù)測結(jié)果超出子類徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測范圍,則采用以下計(jì)算公式進(jìn)行修正:
【文檔編號(hào)】G06Q50/06GK103544542SQ201310484952
【公開日】2014年1月29日 申請日期:2013年10月16日 優(yōu)先權(quán)日:2013年10月16日
【發(fā)明者】賈宏杰, 姚德全, 趙帥, 曾沅 申請人:天津大學(xué)