关于暂态稳定分析算例筛选的评述

算例筛选环节通过定性的机器学习或者定量的近似评估,快速识别出尽量多的稳定算例及失稳算例,以减少需要详细分析的算例数及总计算量。文中评述暂态稳定分析中的算例筛选所采用的假设、特征变量、分类规则及泛化能力。讨论数据驱动与模型驱动的融合,包括将因果元素引入分类器,将数据统计范式与模型仿真范式深度融合来提取知识。在稳定性理论指导下,建议两层框架的分类器:下层由若干个并行环节组成,各自采用不同近似程度的定量算法,取其输出数据作为上层分类器的输入。这些数据已经按近似的因果关系整合了大部分原始数据对暂态稳定性的影响,不但可提高分类器的正确识别率和强壮性,并可揭示误差机理、评估可信度及可接受度。

考虑新能源不确定性的暂态稳定预防控制结构优化方法

新能源不确定性对电网在线预防控制的影响已逐渐由量变向质变转变,预防控制寻优的复杂度和计算量大幅提高。为满足在线预防控制求解质量和求解效率的需求,将机器学习、结构优化方法和时域仿真方法相结合。为降低在线计算量,分析典型系统的电网稳定性函数结构,在此基础上利用机器学习方法离线构建稳定域。为解决控制措施冲突的问题,引入结构优化方法,构建预防控制的二次约束规划模型,实现预防控制措施的协调以及模型的快速求解。为保证控制措施的可靠性,基于可信性评价指标筛选高风险算例,通过迭代计算使所有高风险场景时域校核的结果均稳定。在实际电网中验证了所提方法的可行性与有效性。

准定量法与精确定量法在暂态稳定分析中的融合

电力系统暂态稳定性的量化方法——扩展等面积准则(EEAC)具有与数值积分法同样的模型适应性与分析精度,已广泛应用于电力系统的在线分析。为了应对系统规模和模型复杂性的增加对计算量的新挑战,引入因果驱动与数据驱动相融合的算例筛选环节。文中提出定性多档分类、准定量分析,以及精确量化算法三者结合的框架,设计了"两层筛选"的多输出分类器。在分类特征向量中除继续采用时变度指标外,还增加了反映失稳模式易变度的因果型指标,提升了算例分类的质量,并显著提高了算例筛选的效率和强壮性。通过对中国9个网省级电力系统的仿真测试,验证了该筛选分类器融入EEAC工程软件后的整体性能。