﻿ 基于聚类的电网暂态稳定裕度估算方法
 计算机系统应用  2020, Vol. 29 Issue (2): 151-156 PDF

Estimating Method for Transient Stability Margin of Power Grid Based on Clustering
SHAO Wei, XU Tai-Shan, WANG Sheng-Ming, GUO Jian
NARI Group Corporation, Nanjing 211106, China
Foundation item: Science and Technology Project of Headquater of State Grid (524608180067)
Abstract: In this study, a method of fast estimation of stability margin based on clustering is proposed integrating the traditional causal analysis method and data core thinking method. Firstly, from the massive historical quantitative analysis or simulation calculation results, the transient stable mode is extracted according to faults, and the stable mode of all faults is taken as the key characteristic quantity. Secondly, each fault is clustered according to characteristic quantity to generate safe operation knowledge base. Finally, based on the knowledge base, each fault in the current mode is automatically matched and the stability margin is quickly estimated. This method improves the speed of analysis and calculation, provides a basis for the rapid decision-making of power network security and stability, and provides a new idea for the analysis and evaluation of power system transient stability.
Key words: fast estimation of stability margin     modecluster     feature extraction     stable mode     mode match

1 技术框架

 图 1 基于机器学习的电网暂态稳定裕度估算技术框架图

2 特征值提取

1)分析特征、训练模型所需的时间增加, 模型更复杂.

2)容易引起“维度灾难”, 其推广能力会下降.

3)容易导致机器学习中经常出现的特征稀疏的问题, 导致模型效果下降.

4)对于模型来说, 可能会导致不适定的情况, 即使解出的参数会因为样本的微小变化而出现大的波动.

(1)在加速群机组中, 选择机组参与因子大于设定门槛值 ${\lambda _{{{set}} - A}}$ 的机组状态变量作为关键特征量;

(2)在减速群机组中, 选择参与因子绝对值大于设定门槛值 ${\lambda _{{{set}} - {{S}}}}$ 为的机组状态变量作为关键特征量;

(3)在加速群节点中, 选择负荷参与因子大于设定门槛值 ${\lambda _{{{set}} - {{NA}}}}$ 的负荷节点状态变量作为关键特征量;

(4)在减速群节点中, 选择负荷参与因子绝对值大于设定门槛值 ${\lambda _{{{set}} - {{NS}}}}$ 为的负荷节点状态变量作为关键特征量;

${\lambda _{set - A}}$ ${\lambda _{{{set}} - {{S}}}}$ ${\lambda _{{{set}} - {{NA}}}}$ ${\lambda _{{{set}} - {{NS}}}}$ 需要根据实际工程情况确定, 一般 ${\lambda _{set - A}}$ ${\lambda _{{{set}} - {{S}}}}$ 取值0.15, ${\lambda _{{{set}} - {{NA}}}}$ ${\lambda _{{{set}} - {{NS}}}}$ 取值0.3.

3 方式聚类

(1)获取全部电网历史运行方式数据、故障信息, 以及各故障下对应的暂态稳定结果信息, 包括加速群机组、减速群机组、参与因子等稳定模式信息, 以及暂态稳定裕度;

(2)针对考核故障 ${{{F}}_{{m}}}$ , 对包含该故障下的全部历史运行方式进行聚类; 设定每个历史方式下的详细仿真得到的暂态功角裕度为 ${\eta _{{i}}}$ , 根据加减速机组各自参与因子, 筛选出加速机组集合为 ${{{G}}_{{{si}}}}$ , 减速机组集合为 ${{{G}}_{{{ai}}}}$ , 特征线路投运集合 ${{{L}}_{{i}}}$ ;

(3)初始时选择一个方式K作为基准方式, 加入基准方式集合;

(4)针对所有方式i, 判断该考核故障的加速机组集合 ${{{G}}_{{{si}}}}$ 、减速机组集合 ${{{G}}_{{{ai}}}}$ 和特征线路投运集合 ${{{L}}_{{i}}}$ 是否和基准方式集合的基准方式的加速机组集合 ${{{G}}_{{{sk}}}}$ 、减速机组集合 ${{{G}}_{{{ak}}}}$ 以及特征线路投运集合 ${{{L}}_{{k}}}$ 一致, 即:

① 加速机组个数和机组名称和基准方式一致;

② 减速机组个数和机组名称和基准方式一致;

③ 特征线路个数、投运方式和名称和基准方式一致.

(5)根据待分类的方式i与基准方式K之间的方式差异, 以及基准方式K的暂态稳定裕度 ${\eta _{{k}}}$ , 利用方式差异和历史分析结果的暂态稳定裕度快速估算方法, 计算待分类方式i的裕度 ${\eta _{{{i}} - {{e}}}}$ ;

(6)设定暂态功角稳定裕度误差上限 $\Delta \eta$ (裕度误差根据实际需求设置, 如10.0), 若满足以下条件时:

$\left| {{\eta _{{{i}} - {{e}}}} - {\eta _{{i}}}} \right| \le {\rm{\Delta }}\eta$ ;

${\eta _{{{i}} - {{e}}}} \times {\eta _{{i}}} > 0$ (即 ${\eta _{{{i}} - {{e}}}}$ ${\eta _{{i}}}$ 均为正或均为负).

(7)将同簇的数据各方式数据之间根据加减速机组功率和参与因子乘积的值序列的差值, 找到该簇的中心点, 将离中心点最近的方式作为该簇的基准方式;

(8)如果基准方式不再变化或者达到最大迭代聚类次数结束, 否则, 按新的基准方式形成基准方式集合, 重复步骤(4)至步骤(7).

 图 2 方式聚类流程图

4 方式分类和裕度估算

1)根据考核的故障, 比较当前实时运行方式与各聚类基准方式的关键设备投停状态是否一致, 如果一致则计算与该聚类基准方式的加权距离, 选取距离大于门槛值且最小的方式簇, 从而得到当前实时运行方式所属的方式簇. 如果当前实时运行方式未匹配到任何历史方式簇, 则必须对当前电网实时运行方式进行详细的仿真分析.

2)从匹配到的历史运行方式簇, 选取其中历史运行方式及其暂态稳定分析结果, 根据在线方式与历史运行方式之间的关键特征量的差异, 采用基于历史分析结果的暂态稳定裕度快速估算方法, 估算当前电网运行方式的暂态稳定裕度, 估算方法参见文献[3].

 ${{D(X}},{{Y)}} = \sqrt {{\gamma _1}{x_1} - {y_1}^2 + {\gamma _2}{x_2} - {y_2}^2 + \cdots + {\gamma _n}{x_n} - {y_n}^2}$ (1)
 ${{D(X}},{{Y)}} = \sqrt {\overline {{{\rm{\gamma }}_1}} {{{x}}_1} - {{{y}}_1}^2 + \overline {{{\rm{\gamma }}_2}} {{{x}}_2} - {{{y}}_2}^2 + \cdots + \overline {{{\rm{\gamma }}_{{n}}}} {{{x}}_{{n}}} - {{{y}}_{{n}}}^2}$ (2)

5 工程实例

 图 3 训练样本分布图

(1)根据量化分析结果, 测试故障下对应的加速群机组投运状态一致;

(2)该故障对应的关键特征量中, 选取的重要联络线投运状态一致;

(3)聚类的暂态功角稳定裕度门槛值设为±5.0%, 即各簇内的暂态功角稳定裕度最大差值不超过10%.

 图 4 方式聚类分布图

 图 5 快速评估估算结果与实际仿真结果裕度比较结果1

 图 6 快速评估估算结果与实际仿真结果裕度误差统计1

(1)实际时域仿真分析结果为暂态功角稳定, 快速评估估算结果判为失稳的共28个样本, 误警率3.3% (28/851);

(2)实际时域仿真分析结果为暂态功角失稳, 快速评估估算结果判为稳定的共6个样本, 漏警率0.70% (6/851).

(1)实际时域仿真分析结果为暂态功角稳定, 快速评估估算结果判为失稳的共0个样本, 误警率0% (0/851);

(2)实际时域仿真分析结果为暂态功角失稳, 快速评估估算结果判为稳定的共6个样本, 漏警率0.70% (6/851).

 图 7 快速评估估算结果与实际仿真结果裕度比较结果2

 图 8 快速评估估算结果与实际仿真结果裕度误差统计2

6 结论与展望

 [1] 孙宏斌, 黄天恩, 郭庆来, 等. 基于仿真大数据的电网智能型超前安全预警技术. 南方电网技术, 2016, 10(3): 42-46. [2] 徐泰山, 鲍颜红, 杨莹, 等. N–2组合故障集的暂态功角稳定在线快速评估 . 电力系统保护与控制, 2015, 43(7): 122-126. DOI:10.7667/j.issn.1674-3415.2015.07.019 [3] 徐泰山, 段荣华, 鲍颜红, 等. 基于预想故障集自动筛选的在线暂态安全稳定评估方法: 中国, CN201710247481.X. [2017-08-25]. [4] Tüfekci P. Prediction of full load electrical power output of a base load operated combined cycle power plant using machine learning methods. International Journal of Electrical Power & Energy Systems, 2014, 60: 126-140. [5] Ding N, Benoit C, Foggia G, et al. Neural network-based model design for short-term load forecast in distribution systems. IEEE Transactions on Power Systems, 2016, 31(1): 72-81. DOI:10.1109/TPWRS.2015.2390132 [6] Morales J A, Orduña E, Rehtanz C. Classification of lightning stroke on transmission line using multi-resolution analysis and machine learning. International Journal of Electrical Power & Energy Systems, 2014, 58: 19-31. [7] Bosse S, Maniry D, Müller KR, et al. Deep neural networks for no-reference and full-reference image quality assessment. IEEE Transactions on Image Processing, 2018, 27(1): 206-219. DOI:10.1109/TIP.2017.2760518 [8] 李国杰. 大数据研究的科学价值. 中国计算机学会通讯, 2012, 8(9): 8-15. [9] 顾雪平, 曹绍杰, 张文勤. 人工神经网络和短时仿真结合的暂态安全评估事故筛选方法. 电力系统自动化, 1999, 23(8): 16-19. DOI:10.3321/j.issn:1000-1026.1999.08.004 [10] 黄天恩, 孙宏斌, 郭庆来, 等. 基于电网运行大数据的在线分布式安全特征选择. 电力系统自动化, 2016, 40(4): 32-40. DOI:10.7500/AEPS20150424003 [11] 国家电网公司, 国网湖南省电力公司, 中国电力科学研究院. 基于历史数据的电力系统稳定性快速判断方法: 中国, CN201511030190.2[P]. [2016-03-16]. [12] 蒋维勇, 孙宏斌, 张伯明, 等. 电力系统精细规则的研究. 中国电机工程学报, 2009, 29(4): 1-7. DOI:10.3321/j.issn:0258-8013.2009.04.001