基于稳态特征量输入的大电网主导失稳机组辨识

以稳态特征量为输入的数据驱动稳定评估模型在新型电力系统安全防御系统中有重要的应用前景,但需要在模型设计中解决节点数量庞大和网络结构复杂带来的关键特征聚焦难题,并提供失稳模式等更为丰富的评估信息。因此,设计了一套基于稳态信息输入实现大电网主导失稳机群预测的深度学习稳定评估模型。首先,提出了一种异构的图和节点特征的动态池化降维模型,可伴随特征聚合过程,按节点特征相似性动态归并节点,实现大规模电网拓扑、节点数量和特征的并行降维。然后,提出了一种单机扫描型主导失稳机组分类器模型,通过全局注意力聚合将全网机组的相对运动信息集成到每台发电机特征向量中,使主导失稳机组辨识模型在结构上可以应对发电机组数量变化,具有很好的泛化能力。最后,在实际大规模电网中进行模型验证,并可视化地分析了关键环节的作用效果和应用性能。

基于差值计算法的系统分区惯量评估方法

随着新能源的大量接入,系统惯量下降且分布不均的特征日益明显,系统频率响应呈现时空分布特性。文中提出了一种基于差值计算法的系统分区惯量评估方法。首先,根据机组间频率响应特性相似程度对系统进行分区,并确定各区域的主导机组。然后,在分区和主导机组选取基础上,提出了一种差值计算方法,测量扰动发生后区域间联络线上功率和主导机组频率,对各区域惯量水平进行评估。该方法所需测量数据较少,只须在区域间联络线和主导机组上测量数据,能够实现惯量评估的在线应用。在PSASP中建立了IEEE 10机39节点系统,验证了所提方法在系统不同运行情况下的正确性,并分析了扰动数据时间段的选取对惯量评估正确性的影响。验证结果表明,所提方法适用于含大规模新能源电力系统惯量评估,具有较高的精度。