一种基于深度学习的极限传输容量的计算方法技术

本发明专利技术公开了一种基于深度学习的极限传输容量的计算方法，包括如下步骤：步骤一，用于深度置信网络的离线训练的样本空间生成；以电网稳态特征(如电压、相角、发电机出力等)为基准构建样本空间的输入特征；步骤二，样本空间的目标特征生成；基于已制定的输入特征集合，采样生成样本工况；对每一个样本工况，计算其目标特征(即极限传输容量值)；在离线阶段，采用重复潮流计算极限传输容量，生成输出特征样本数据；步骤三，根据样本数据离线构建极限传输容量预测器；根据离线构建的极限传输容量预测器，在线阶段快速计算极限传输容量值。通过本发明专利技术，解决了传统方法对考虑多种动静态稳定性、多预想事故集、多断面的极限传输容量计算效率偏低的问题。

【技术实现步骤摘要】
一种基于深度学习的极限传输容量的计算方法
本专利技术涉及电网领域，具体是一种基于深度学习的极限传输容量的计算方法。
技术介绍
近年来，随着互联电网规模的逐渐增加，为了保证大型互联电网间的安全输电，系统调度员需要对输电安全性进行感知并进而采取相应的最优预防策略。极限传输容量(Totaltransfercapability,TTC)因其能有效量化输电通道的安全性的优势，对保证互联电网可靠运行具有重要指导作用。因此，制定能够在线快速感知TTC并实现快速TTC预防性调度的策略十分重要。由于TTC是一种综合度量指标，需要计及多种稳定校核如动态稳定(如机电暂态稳定、电压暂态稳定等)、静态稳定(电压静态稳定等)以及稳态越限等，计算TTC是一个高维非线性的问题，传统方式难以实现含多事故集和多种安全校核的TTC在线计算。因此为了提升TTC计算效率，已有学者提出使用统计学习和机器学习技术实现TTC在线计算。如已有学者提出使用非参估计技术离线拟合TTC规则，并在线应用相应规则，其研究表明类似方案能够在秒级时间实现考虑多动态预想事故集的TTC计算。类似的，神经本文档来自技高网...

【技术保护点】
1.一种基于深度学习的极限传输容量的计算方法，其特征在于，包括如下步骤：/n步骤一，用于深度置信网络的离线训练的样本空间生成；以电网稳态特征为基准构建样本空间的输入特征，得到输入特征集合；/n步骤二，样本空间的目标特征生成；基于已制定的输入特征集合，采样生成样本工况；对每一个样本工况，计算其目标特征；在离线阶段，采用重复潮流计算极限传输容量，生成输出特征样本数据；/n步骤三，根据输出特征样本数据离线构建极限传输容量预测器；根据离线构建的极限传输容量预测器，在线阶段快速计算极限传输容量值。/n

【技术特征摘要】
1.一种基于深度学习的极限传输容量的计算方法，其特征在于，包括如下步骤：
步骤一，用于深度置信网络的离线训练的样本空间生成；以电网稳态特征为基准构建样本空间的输入特征，得到输入特征集合；
步骤二，样本空间的目标特征生成；基于已制定的输入特征集合，采样生成样本工况；对每一个样本工况，计算其目标特征；在离线阶段，采用重复潮流计算极限传输容量，生成输出特征样本数据；
步骤三，根据输出特征样本数据离线构建极限传输容量预测器；根据离线构建的极限传输容量预测器，在线阶段快速计算极限传输容量值。


2.根据权利要求1所述的一种基于深度学习的极限传输容量的计算方法，其特征在于，所述的用于深度置信网络的离线训练的样本空间的生成包括如下过程：
用于深度置信网络离线训练样本的输入特征为：



其中，符号P和Q分别表示有功功率向量和无功功率向量，V表示电压向量，下标g，w，e，Load和Bus分别表示发电机编号、风电场编号、储能编号、负荷编号和节点编号；G、W和E分别表示发电机集合、风场集合和储能集合；
对控制变量，采用佳点集采样生成控制变量的输入样本空间，采用如下公式：



其中，υcon＝{Pg,Qg,Pw,Qw,Pe,Qe}是控制变量矩阵，是采样的控制变量矩阵，上标max和min分别表示控制变量矩阵中的各控制变量向量的上下限值；rj是“佳点”值，nIN是采样大小；
对不确定性变量，其样本空间基于历史负荷曲线并设置数值扰动进行生成输入样本空间，采用如下公式生成：



其中，是负荷样本矩阵，μLoad和σLoad分别是历史负荷数据的均值和最大偏差值，是用于扩大负荷样本空间以保证样本空间对实际运行工况覆盖的常数系数。


3.根据权利要求1所述的一种基于深度学习的极限传输容量的计算方法，其特征在于，所述的样本空间的目标特征的生成包括如下步骤：
对考虑暂态稳定校验的断面目标特征，采用重复潮流计算目标特征，重复潮流模型如下式所示：
Maximize...

【专利技术属性】
技术研发人员：刘友波，邱高，刘俊勇，杨智宇，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51