基于人工神经网络的电力系统场景强弱判别方法及系统技术方案

本发明专利技术涉及一种基于人工神经网络的电网场景薄弱的判别方法及系统，包括以下步骤：步骤1、选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；步骤2、将所需要辨识的电力系统运行场景的潮流数据导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。本发明专利技术能够对当前场景下电网场景强度进行判别。别。别。

【技术实现步骤摘要】
基于人工神经网络的电力系统场景强弱判别方法及系统


[0001]本专利技术属于电网调度
，涉及一种电力系统场景强弱判别方法及系统，尤其是一种基于人工神经网络的电力系统场景强弱判别方法及系统。

技术介绍

[0002]随着现代社会的飞速发展，人们对电力的依赖性不断增强，电能已经成为人们日常生活和生产中消耗的主要能源，电力工业也已成为关系到国民经济和社会发展的基础行业。电力系统的安全稳定运行与国家经济发展和社会安定息息相关，一旦电力系统发生故障而没有及时采取有效的控制措施，电力系统可能失去稳定运行的能力，发生连锁故障甚至崩溃，造成大面积停电事故的产生，带来巨大的经济损失和灾难性的社会影响，甚至危害人身安全。电力大数据时代的到来，为电力行业提供了更多的发展机会，其数量较大、类型较多、速度较快、价值较大、精确性高的特征，使生产、输电以及用电等环节的效率得到很大的提升，同时也为电网的安全稳定分析带来了丰富的数据信息。近年来，伴随着电网规模的不断扩大，所产生的数据也呈现出爆炸式的增长。在电力数据迅速积累的情况下，尤其是双碳目标的提出下，如何从海量数据中挖掘出与电力系统稳定运行相关的重要信息，并发挥它们的价值，是电力数据挖掘的关键问题，同时也是提升电网安全稳定性需要解决的关键问题。因此，迫切需要充分利用海量的数据，通过人工神经网络等人工智能大数据处理技术，对电网的运行场景的强弱程度进行分析，并据此对系统的稳定控制提供支撑。
[0003]短路容量在单位电压情况下数值上就等于系统导纳值，即为系统戴维南等值阻抗的倒数。短路容量越大，系统戴维南等效电阻越小，负荷、并联电容器或电抗器的投切不会引起电压幅值大的变化，因此系统比较强。短路比(SCR)是指表征系统短路容量除以设备容量，所以当短路比大，指这个设备是接到一个强的系统中，表明设备的投切对系统影响不是很大。
[0004]SCR通常可以从以下等式获得：
[0005][0006]其中，
[0007]S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；
[0008]P
N
是以兆瓦(MW)为单位的额定直流终端功率。
[0009]基于该定义和典型的逆变器特性(例如转换器或变压器电抗的值)，以下SCR值可用于对交流/直流系统进行分类：
[0010]高SCR交流/直流系统按SCR值大于3进行分类。
[0011]低SCR交流/直流系统按2到3之间的SCR值分类。
[0012]SCR非常低的交流/直流系统按SCR值低于2进行分类
[0013]同时，对于典型的逆变器设计，可以给出最大可用功率下运行对应的临界短路比
为2。临界短路比代表“稳定”和“不稳定”运行区域之间的边界。对于低于临界短路比的SCR值，操作处于交流电压/直流功率特性的“不稳定”区域。
[0014]从公示(1)中可以看出，虽然可以用短路比SCR来确定电力系统的强弱，但是由于采用了额定容量，无法体现大规模可再生能源的间歇性和随机性，因此，对于本领域技术人员而言，迫切需要提出一种能够兼顾电网运行场景和可再生能源出力对电网影响的指标来体现电力系统的薄弱强度，开展定性的分析。
[0015]经检索，未发现与本专利技术相同或相似的现有技术的文献。

技术实现思路

[0016]本专利技术的目的在于克服现有技术的不足，提出一种基于人工神经网络的电力系统场景强弱判别方法，能够对当前场景下电网场景强度进行判别。
[0017]本专利技术解决其现实问题是采取以下技术方案实现的：
[0018]一种基于人工神经网络的电力系统场景强弱判别方法，包括以下步骤：
[0019]步骤1、选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；
[0020]步骤2、将所需要辨识的电力系统运行场景的潮流数据导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。
[0021]而且，所述步骤1的具体步骤包括：
[0022](1)选定目标电网，针对当前电网的拓扑，计算有新能源接入的所有节点的短路容量，计算得到公式(1)中的S：
[0023][0024]其中，
[0025]S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；
[0026]P
N
是以兆瓦(MW)为单位的额定直流终端功率；
[0027](2)以新能源电站的装机为P
iN
，其中i表示新能源电站所在的节点，利用公式(1)计算得到有新能源接入的所有节点的短路比SCR；
[0028](3)带入选定场景下的新能源出力，将新能源出力和新能源的装机的比值作为权重W
i
，利用下式计算得到修正后的综合短路比：
[0029][0030]其中，
[0031]SCR
w
，表示修正后的系统新能源综合短路比；
[0032]S
i
，表示i新能源电站所在节点的短路容量；
[0033]P
iN
，表示i新能源电站的额定出力；
[0034]W
i
，表示i新能源电站实际出力与额定出力的比值；
[0035]n，为新能源电站的个数；
[0036](4)对综合短路比进行归一化，SCR
w
取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3，进而将该选定场景下电网场景强弱的判别结果作为系统强弱程度判别的样本；
[0037]其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强；
[0038](5)获取足够数量的样本后，以电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率的信息作为输入，以计算得到归一化的系统新能源综合短路比为输出，利用深度图卷积神经网络进行训练，得到练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型。
[0039]而且，所述步骤2的具体步骤包括：
[0040](1)将所需要辨识的电力系统运行场景的潮流数据包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息作为输入，导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的场景下的薄弱度：
[0041]其中，很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行。
[0042](2)核对所有场景是不是都已辨识完毕，如果没有则转到(1)，如果辨识完毕，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络的电力系统场景强弱判别方法，其特征在于：包括以下步骤：步骤1、选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；步骤2、将所需要辨识的电力系统运行场景的潮流数据导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的薄弱度指标，进而实现对电网运行场景强弱的判别。2.根据权利要求1所述的一种基于人工神经网络的电力系统场景强弱判别方法，其特征在于：所述步骤1的具体步骤包括：(1)选定目标电网，针对当前电网的拓扑，计算有新能源接入的所有节点的短路容量，计算得到公式(1)中的S：其中，S是电压为1.0p.u时终端交流总线上的交流系统三相对称短路容量，单位为兆伏安(MVA)；P
N
是以兆瓦(MW)为单位的额定直流终端功率；(2)以新能源电站的装机为P
iN
，其中i表示新能源电站所在的节点，利用公式(1)计算得到有新能源接入的所有节点的短路比SCR；(3)带入选定场景下的新能源出力，将新能源出力和新能源的装机的比值作为权重W
i
，利用下式计算得到修正后的综合短路比：其中，SCR
w
，表示修正后的系统新能源综合短路比；S
i
，表示i新能源电站所在节点的短路容量；P
iN
，表示i新能源电站的额定出力；W
i
，表示i新能源电站实际出力与额定出力的比值；n，为新能源电站的个数；(4)对综合短路比进行归一化，SCR
w
取值小于2的则取值1；介于3和5之间的，取2；5以上的取值3，进而将该选定场景下电网场景强弱的判别结果作为系统强弱程度判别的样本；其中，1表示当前场景很弱；2表示当前场景较弱；3表示当前场景强；(5)获取足够数量的样本后，以电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率的信息作为输入，以计算得到归一化的系统新能源综合短路比为输出，利用深度图卷积神经网络进行训练，得到练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型。3.根据权利要求1所述的一种基于人工神经网络的电力系统场景强弱判别方法，其特征在于：所述步骤2的具体步骤包括：
(1)将所需要辨识的电力系统运行场景的潮流数据包括电网所有节点的电压相角、幅值，以及除了本支路外的所有支路上的潮流和负载率等信息作为输入，导入步骤1所建立的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型，得到所对应的场景下的薄弱度：其中，很弱为1，表示对应场景很弱，随时处于不稳定的边缘；弱为2，表示该场景下如果收到扰动，则系统可能不稳定，不能长期运行；强为3，表示当前场景运行稳定，可以长期运行；(2)核对所有场景是不是都已辨识完毕，如果没有则转到(1)，如果辨识完毕，则到下一步；(3)对所有场景的薄弱程度进行排序，进而完成对电力系统运行场景强弱程度的判别。4.一种基于人工神经网络的电力系统场景强弱判别系统，其特征在于：包括模型建立单元，用于选择目标电网，计算有新能源接入的所有节点的短路容量和短路比，并利用新能源出力对所获得的短路比进行修正和归一化处理，获得电网场景强弱的判别结果，进而建立所对应的训练好的基于深度图卷积神经网络的电力系统运行场景强弱程度判别模型；电网运行场景强弱的判别单元，用于将...

【专利技术属性】
技术研发人员：王天昊，李琰，王新迎，宋海涛，尚学军，郝毅，马世乾，于天一，李健，田捷，赵琦，和嘉星，刘艳丽，廖思阳，姜新雄，王俊毅，刘李琦，黄家凯，
申请(专利权)人：国网天津市电力公司国家电网有限公司中国电力科学研究院有限公司天津大学武汉大学，
类型：发明
国别省市：