一种新型电力系统薄弱环节识别的智能方法技术方案

本发明专利技术涉及电力系统薄弱环节辨识领域，具体涉及一种新型电力系统薄弱环节识别的智能方法，包括搭建IEEE39节点电力系统的仿真模型，根据IEEE39节点电力系统的仿真模型生成大量故障数据；根据获取到的故障数据，利用Python程序提取电力系统各节点的电压、相角以及频率偏差，提取各发电机的功角、转速以及电磁功率，对提取到的数据进行归一化处理成训练样本；搭建卷积神经网络模型并输入训练样本进行训练；根据电力系统各节点的电压、相角、频率偏差，根据各发电机的功角、转速以及电磁功率，通过神经网络模型输出电力系统的稳定性信息与薄弱环节位置信息。本发明专利技术能够实时快速、准确的对电力系统中的薄弱环节进行识别，提升了电力系统的自动化、智能化水平。智能化水平。智能化水平。

【技术实现步骤摘要】
一种新型电力系统薄弱环节识别的智能方法


[0001]本专利技术涉及电力系统薄弱环节辨识领域，具体涉及一种新型电力系统薄弱环节识别的智能方法。

技术介绍

[0002]随着双碳目标的不断推进，构建以新能源为主体的新型电力系统成为重要目标。由此可能出现新能源高占比和电力电子器件高占比的“双高”特点，新能源电源具有较强的随机性和波动性，将深刻改变电力系统的形态，使得电力系统的运行方式更加复杂多变，因此保证电力系统的安全稳定运行至关重要。由于新能源的接入将大大降低新能源高占比电力系统的惯量，进而导致系统抗干扰能力下降，容易引发连锁故障，进而引发系统崩溃。此外，连锁故障往往发生于系统的薄弱环节处，并出现快速、大规模的连锁反应。因此，准确，快速的识别系统中的薄弱环节，并进行控制，能有有效的降低连锁故障发生的概率，大大提升系统的安全稳定运行能力。
[0003]现有对电力系统薄弱环节的识别方法和研究主要有基于连锁故障演化规律的辨识方法和基于复网络理论和拓扑的识别方法。其往往需要根据所需的故障类型进行暂态仿真分析，由于新能源占比的不断提高，其随机性和波动性的输出特点，使电力系统的运行方式更加复杂多变。传统离线仿真的方法难以正确匹配系统的实际故障，且仿真的耗时长，计算量大。近年来，随着数据驱动方法的快速发展，能够更好地处理复杂的非线性，强耦合问题，能同时保证计算的精度和速度。

技术实现思路

[0004]为解决现有技术所存在的技术问题，本专利技术提供了一种新型电力系统薄弱环节识别的智能方法，通过训练完毕的神经网络模型可输出包含故障信息与系统薄弱环节位置信息，可以实现电力系统薄弱环节的快速在线识别。
[0005]本专利技术的目的在于提供一种新型电力系统薄弱环节识别的智能方法，包括如下步骤：
[0006]步骤1、通过PSD
‑
BPA软件搭建IEEE39节点电力系统的仿真模型；
[0007]步骤2、根据IEEE39节点电力系统的仿真模型，通过Python程序批量生成不同运行状态、不同故障线路、不同故障位置以及不同故障持续时间下的故障数据；
[0008]步骤3、根据获取到的故障数据利用Python程序提取电力系统的多个特征量数据，以所提取的各特征量的最大值为基准值对提取到的数据进行归一化处理，利用Python程序将所提取特征量按两阶段采样并形成训练样本；
[0009]步骤4、搭建卷积神经网络模型并输入训练样本进行训练，得到训练完成的卷积神经网络模型；
[0010]步骤5、根据电力系统的多个特征量数据，通过训练完成的卷积神经网络模型输出电力系统的稳定性信息与薄弱环节位置信息。
[0011]具体地，所述步骤2包括：在PSD
‑
BPA软件中通过随机改变风电机组的出力情况，生成多种不同的运行方式，在每种运行方式下，遍历该电力系统中的多条输电线路，在每条线路上设置三相短路接地故障，故障位置分别设置为20％、40％、60％和80％处，故障持续时间分别设置为50ms，100ms、150m和200ms。
[0012]具体地，所述利用Python将所提特征量按两阶段采样并形成训练样本包括步骤：
[0013]根据获取的故障发生时间以及故障持续时间，在故障发生前对所提取的特征量进行一次数据采样，在故障清除时刻对所提取的特征量进行一次数据采样，在故障切除后对所提取的特征量每隔预定时间进行一次采样；
[0014]将采样数据处理成训练样本，分别将与各节点直接连接的发电机采样数据接于该节点采样数据之后形成一维序列信息，若节点无发电机，则节点采样数据后面置0替代。
[0015]具体地，所述卷积神经网络模型包括三层卷积层和两层全连接层，卷积层的激活函数为Leaky Relu函数，全连接层的激活函数采用sigmoid函数。
[0016]具体地，所述卷积神经网络模型输出的一维序列中所有数值均在0～1范围内，一维序列的第一个数表示电力系统是否稳定；一维序列的后续各个数值表示各节点的薄弱环节概率，当一维序列的后续某个数值为1，则说明该数值对应的输电线路为识别的振荡中心所在支路。
[0017]本专利技术与现有技术相比，具有如下优点和有益效果：
[0018]本专利技术提供了一种新型电力系统薄弱环节识别的智能方法，通过Python程序批量生成不同运行状态、不同故障线路、不同故障位置以及不同故障持续时间下的故障数据，利用海量数据对神经网络进行训练，得到训练完成的卷积神经网络模型，通过训练完成的卷积神经网络模型能够实时快速、准确的对电力系统系统中的薄弱环节进行识别，提升了电力系统的自动化、智能化水平。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0020]图1是本专利技术实施例中的方法流程图；
[0021]图2是本专利技术实施例中的新型电力系统仿真模型的示意图；
[0022]图3是本专利技术实施例中的神经网络结构图。
具体实施方式
[0023]下面将结合附图和实施例，对本专利技术技术方案做进一步详细描述，显然所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，本专利技术的实施方式并不限于此。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]实施例1：
[0025]本专利技术提供了一种新型电力系统薄弱环节识别的智能方法，通过在PSD
‑
BPA软件
中搭建电力系统的仿真模型，并批量生成不同故障场景下的数据，然后调用Python程序对获取数据中的系统各节点的电压、相角以及频率偏差，各发电机的功角、转速以及电磁功率进行提取，对所提取的数据进行归一化处理，并将所提特征量按“故障前稳态+故障切除后”两阶段采样并形成训练样本。搭建卷积神经网络模型并输入训练样本进行训练，训练完毕的神经网络模型可输出包含故障信息与系统薄弱环节位置信息。
[0026]如图1所示为本专利技术实施例中一种新型电力系统薄弱环节识别的智能方法的流程图，包括如下步骤：
[0027]步骤1：通过PSD
‑
BPA软件搭建IEEE39节点电力系统的仿真模型。
[0028]如图2所示，本专利技术实施例中的新型电力系统仿真模型的示意图，G1、G5、G3和G8为风电机组，在在电力系统分析程序PSD
‑
BPA软件中，风电机组的暂态模型采用恒电流模型，其余机组为同步发电机机组，同步发电机机组采用经典模型，负荷采用恒阻抗模型，仿真模型其余参数按照IEEE 39节点标准系统参数设置。
[0029]步骤2：根据IEEE39节点电力系统的仿真模型，通过Python程序批量生成不同运行状态、不同故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新型电力系统薄弱环节识别的智能方法，其特征在于，包括以下步骤：步骤1、通过PSD
‑
BPA软件搭建IEEE39节点电力系统的仿真模型；步骤2、根据IEEE39节点电力系统的仿真模型，通过Python程序批量生成不同运行状态、不同故障线路、不同故障位置以及不同故障持续时间下的故障数据；步骤3、根据获取到的故障数据利用Python程序提取电力系统的多个特征量数据，以所提取的各特征量的最大值为基准值对提取到的数据进行归一化处理，利用Python程序将所提取特征量按两阶段采样并形成训练样本；步骤4、搭建卷积神经网络模型并输入训练样本进行训练，得到训练完成的卷积神经网络模型；步骤5、根据电力系统的多个特征量数据，通过训练完成的卷积神经网络模型输出电力系统的稳定性信息与薄弱环节位置信息。2.根据权利要求1所述的一种新型电力系统薄弱环节识别的智能方法，其特征在于，所述步骤1包括：在PSD
‑
BPA软件中，风电机组的暂态模型采用恒电流模型，同步发电机机组采用经典模型，负荷采用恒阻抗模型，仿真模型其余参数按照IEEE 39节点标准系统参数设置。3.根据权利要求1所述的一种新型电力系统薄弱环节识别的智能方法，其特征在于，所述步骤2包括：在PSD
‑
BPA软件中通过随机改变风电机组的出力情况，生成多种不同的运行方式，在每种运行方式下，遍历该电力系统中的多条输电线路，在每条线路上设置三相短路接地故障，故障位置设置为输电线路的20％、40％、60％、80％处，故障持续时间设置为50ms、100ms、150m和200...

【专利技术属性】
技术研发人员：龙云，卢有飞，王海，刘璐豪，赵宏伟，吴任博，陈明辉，张少凡，刘超，王历晔，王海洋，林泽暄，姚吴嘉品，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：