基于数据-模型融合驱动的新能源场站宽频阻抗在线辨识及稳定性评估

风电、光伏等新能源在电网中的渗透率不断提高,导致一系列宽频振荡问题。阻抗法是研究新能源并网系统宽频振荡稳定性的有效方法之一,然而由于商业化新能源机组的“黑/灰箱”问题、新能源场站运行状态的随机不确定性等因素,导致新能源场站的精确阻抗/导纳建模困难。为此,提出基于数据-模型融合驱动的新能源场站宽频阻抗/导纳在线辨识方法,针对输入随机不确定的新能源机组,采用数据驱动方法建立其覆盖整个稳态运行工况的宽频阻抗/导纳辨识模型,然后结合新能源场站的物理结构模型,构建数据-模型融合驱动的新能源场站宽频阻抗/导纳在线辨识模型。最后,以风电并网系统为例,利用建立的导纳辨识模型对风电并网系统的宽频振荡稳定性进行在线评估,并通过时域仿真验证稳定性在线分析的正确性。

基于深度学习的多虚拟同步机微电网在线暂态稳定评估方法

限流策略、源源交互、故障及负荷水平多变等因素使得快速准确评估多虚拟同步机(VSG)微电网的暂态稳定性十分困难。针对现有难题,提出了基于深度学习的多VSG微电网在线暂态稳定评估方法。首先,通过分析VSG控制特性、电流限幅器、故障程度、负荷水平对系统稳定性的影响,以系统动态参数为主、稳态参数为辅,构建了一组具有强表征能力、可避免维数灾难的原始特征集。基于此,应用深度前馈神经网络及Levenberg-Marquardt算法,提出了多VSG微电网暂态稳定非线性评估模型。在多VSG微电网中的验证结果表明,相比现有方法,所提方法极大地提高了在线暂态稳定评估的准确率,可快速实现多VSG微电网在复杂工况下的稳定性准确判别,具有良好的评估性能。

基于一维卷积神经网络的电力系统暂态稳定在线评估

传统电力系统暂态稳定评估基于时域仿真计算,计算复杂度高,难以在线应用。提出一种基于一维卷积神经网络的电力系统暂态稳定在线评估,可极大提升暂态稳定在线评估速度。通过马尔可夫链蒙特卡洛抽样算法进行电力系统运行状态模拟,生成大规模运行数据。通过电力系统时域仿真计算确定发电机最大功角差。将电力系统运行数据作为一维卷积神经网络的输入,发电机最大功角差作为输出,训练一维卷积神经网络。在线应用场景下,一维卷积神经网络可基于当前运行数据快速计算发电机最大功角差,实现暂态稳定性在线评估。新英格兰39节点系统验证了所提在线评估算法的可行性。

基于子网络收缩的输电断面搜索方法

输电断面的强弱对整个电网的安全稳定性具有重要的影响。离线计算分析中主要采用人工分析的方式,而在线稳定评估系统应用中则需要能够自动识别系统的输电断面,以自动适应电网运行方式的变化。从实际电网输电断面的特点出发,针对高电压等级非电磁环网断面和电磁环网断面,提出了基于子网络自动收缩的输电断面搜索方法。首先,将整个网络按照厂站和供电区域进行简化。其次,以合并子网络所有送出线路为起点,关联子网络自动收缩,在所有功率送出线路中搜索高电压等级非电磁环网断面。以供电区域中的合并厂站功率送出高电压等级线路为起点,关联厂站自动收缩,在所有高电压等级功率送出线路中搜索电磁环网高电压等级线路。最后,采用华北-华中电网实际系统算例验证了方法的有效性。输电断面自动搜索是电力系统安全稳定状态在线自动分析的重要基础,具有重要的实际应用价值。