电力系统暂态稳定性评估综述

电力系统因稳定性破坏导致的停电事故频发,暴露出电力系统运行中的暂态稳定评估方面仍存在技术瓶颈;因此,必须把准确而快速地进行暂态稳定性评估放在重要位置。分别介绍了近年来国内外基于模型分析、基于数据分析和基于概率化分析3个方面的暂态稳定性评估方法研究现状;并展望了未来电力系统暂态稳定性评估领域潜在的研究点。以期为电力系统稳定性分析与控制的学者和工程师们提供有益的参考。

基于KPCA特征量降维的风电并网系统暂态电压稳定性评估

针对电力系统暂态电压稳定性评估中所需特征量数据庞大,影响模型训练时间,降低计算效率等问题,提出了一种基于核主成分分析方法KPCA和CPSO-BP组合的风电并网系统暂态电压稳定性评估方法.首先根据输入特征采集原始特征集,采用核主成分分析算法对特征量进行非线性数据处理,提取出最优的特征集.然后将降维后的特征集作为CPSO-BP神经网络输入量进行监督学习,将得到的模型按照临界故障切除时间裕度值的大小进行分类,将分类后的样本进行风电并网系统的暂态电压稳定性评估和临界故障切除时间裕度值预测.仿真分析结果表明,对输入特征进行降维,保留重要输入特征量,剔除冗余特征量,不仅简化了模型,还提高了网络评估的准确性和计算效率.

图像化数据驱动的电力系统暂态稳定性在线评估方法

目前电力系统暂态稳定性评估(TSA)大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法(2D-PCA)对原始图像进行特征降维,并建立卷积神经网络(CNN)模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。

基于Transformer的暂态稳定评估模型的可解释性分析与模型更新研究

深度学习算法在电力系统暂态稳定性评估问题上有着优秀的表现,然而模型评估结果的不可知性与决策过程的不可控性阻碍了其在实际中进一步的应用。构建了基于Transformer编码器的暂态稳定评估模型,尝试通过模型对于特征量的注意力权重,解释和分析模型所关注和学习到的规则。在此基础上,结合可解释性结果提出了一种利用物理信息指导模型优化的模型更新方法。从模型的损失函数出发,通过微调的方式修正模型对特征量的注意力权重分布,加强对于样本失稳模式的挖掘。在微调模型的过程中,引入注意力引导函数提高对特定失稳模式关键机组的关注度,以减少对于特定失稳模式样本的误判,进一步提高整体的预测精度。在IEEE39节点系统和华东电网系统的仿真均验证了该方法的有效性。

考虑电力系统拓扑变化的消息传递图神经网络暂态稳定评估

近年来,数据驱动相关方法已经在电力系统暂态稳定评估等领域得到了广泛的应用。然而,传统数据驱动方法大多用于分析欧式数据,对电网拓扑连接关系的刻画受限,导致传统方法在新拓扑下的应用泛化能力不足。为此,该文基于消息传递图神经网络(message passing neural network,MPNN),提出一种基于稳态数据的电力系统暂态稳定评估方法。通过图数据处理和拓扑连接关系建模,训练得到能够描述电力系统拓扑变化的暂态稳定性评估模型。论文在新英格兰39节点系统上进行全面的仿真,生成包含600多种拓扑在内的百万级别样本数据。算例分析表明,与传统数据驱动方法相比,所提方法在面对拓扑频繁变化的运行场景数据集上具有更好的性能,对未学习过的新拓扑具有更强的泛化能力。

人工神经网络在电力系统中的应用

概述了人工神经网络在电力系统暂态稳定性评估、继电保护、负荷预测以及谐波分析/测量中的应用。

基于Relief-FT的时间自适应TSA方法研究

传统暂态稳定评估方法难以同时保证评估过程的实时性和准确性,在提升准确率的情况下降低实时性能,不利于系统快速排除故障。提出了一种时间自适应暂态稳定评估方案,首先对特征提取算法Relief-F进行了改进,克服对时间序列等形式特征较为敏感的缺陷,考虑时间变化因素的影响提出新的特征提取方案Relief-FT,计算得到多变量时间特征的重要性;然后将Relief-FT方案与长短期记忆网络结合,并对网络模型进行训练;最后通过新英格兰39节点系统进行实验分析,仿真结果表明,上述方法在保证准确率的情况下能够有效降低模型复杂度和加快训练速度。