【技术实现步骤摘要】
一种检修态电网暂态稳定风险评估方法、装置及电子设备
[0001]本专利技术涉及电力系统检修
,并且更具体地,涉及一种检修态电网暂态稳定风险评估方法、装置及电子设备。
技术介绍
[0002]随着特高压交直流电网的快速发展,我国电力系统资源优化配置能力显著提高,交直流混联运行局面已经形成[1
‑
3]。电网规模的增大,在极大提高资源配置能力的同时,也造成电网检修方案制定日趋复杂。当电网处不同于检修状态时,电网全接线结构破坏程度不同,导致故障后电网暂态稳定不确定性增大。如何对海量检修方式下电网的暂态稳定程度进行快速、准确评估,进而指导电力系统检修方案的制定,是电网安全稳定运行亟待解决的问题。
[0003]随着电网复杂程度增加及海量电力大数据融入,人工智能算法不依赖电网物理模型、善于挖掘数据规律的优势逐渐体现出来。深度学习是近年来人工智能算法发展出的一条重要分支,其强大的非线性映射和特征提取能力得到了广泛的应用并且效果显著。目前已有研究将深度学习技术应用于电力系统暂态稳定分析领域并取得了一定成果。但现有方法在针对某些特定运行方式下电网的暂态稳定评估方面取得了较好的效果,但当电网处于不同检修状态,拓扑结构发生较大变化时,这些方法的适应性和准确性有待进一步分析确认。
技术实现思路
[0004]针对现有技术的电网暂态稳定程度的评估准确度低的问题,本专利技术提供一种检修态电网暂态稳定风险评估方法、装置及电子设备。
[0005]本专利技术的一个方面,提供了一种检修态电网暂态稳定风险
【技术保护点】
【技术特征摘要】
1.一种检修态电网暂态稳定风险评估方法,其特征在于,包括:根据电网实际结构,构建电网拓扑结构向量V;调整输入向量的比例系数k
sb
、k
vb
;根据电网拓扑结构向量V及比例系数k
sb
、k
vb
,生成电网参数输入向量I;训练长短期记忆神经网络并计算综合评价指标E;判断综合评价指标E是否满足实际需求,若满足则结束长短期记忆神经网络的训练,否则重新调整比例系数k
sb
、k
vb
,直至综合评价指标E满足实际需求;使用训练好的长短期记忆神经网络,对不同检修方式下的电网暂态稳定程度进行评估。2.根据权利要求1所述的方法,其特征在于,根据电网实际结构,构建电网拓扑结构向量V的操作,包括:假设电网中包含m条线路,对这m条线路进行数字编号;利用不同母线节点之间连接的并联线路数目,构建电网拓扑结构向量V:V
i
=w
i
ꢀꢀꢀꢀꢀ
(1)其中,i为线路编号,V
i
为电网拓扑结构向量V中的第i个元素,w
k
为线路i的并联线路数。3.根据权利要求1所述的方法,其特征在于,电网参数输入向量I包括节点注入功率数据向量I
sb
和节点电压数据向量I
vb
,并且根据电网拓扑结构向量V及比例系数k
sb
、k
vb
,生成电网参数输入向量I的操作,包括:对节点注入功率数据向量I
sb
,从电网全部母线节点中随机挑选出N
sb
个节点,比例系数为k
sb
;N
sb
=k
sb
·
n
ꢀꢀꢀꢀꢀ
(2)其中,n为电网中所含母线数量;将所挑选母线节点的注入有功、无功功率按母线序号依次列入节点注入功率数据向量I
sb
;其中,为第N
sb
个节点的注入有功功率;为第N
sb
个节点的注入无功功率;对节点电压数据向量I
vb
,从电网全部母线节点中随机挑选出N
vb
个节点,比例系数为k
vb
;N
vb
=k
vb
·
n
ꢀꢀꢀꢀꢀ
(4)将所挑选母线节点的电压幅值、相角按母线序号依次列入节点电压数据向量I
vb
;
其中,为第N
vb
个节点的电压幅值;为第N
vb
个节点的相角;由节点注入功率数据向量I
sb
、节点电压数据向量I
vb
,结合电网拓扑结构向量V,得到电网参数输入向量I:其中,V
i
为电网拓扑结构向量V中的第i个元素;I
sb
为节点注入功率数据向量;I
vb
为节点电压数据向量。4.根据权利要求1所述的方法,其特征在于,训练长短期记忆神经网络并计算综合评价指标E的操作,包括:生成长短期记忆神经网络训练所用的数据集;将数据集分成训练子集和测试子集;利用训练子集对长短期记忆神经网络进行训练;依次将测试子集中的输入数据导入训练好的长短期记忆神经网络并进行计算求解,得到暂态稳定评估数据集;根据暂态稳定评估数据集,计算预测准确度、预测方差以及训练时间成本;根据预测准确度、预测方差以及训练时间成本,计算综合评价指标E。5.一种检修态电网暂态稳定风险评估装置,其特征在于,包括:构建模块,用于根据电网实际结构,构建电网拓扑结构向量V;调整模块,用于调整输入向量的比例系数k...
【专利技术属性】
技术研发人员:朱劭璇,申家锴,霍启迪,谢岩,唐晓骏,王青,张鑫,
申请(专利权)人:中国电力科学研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。