一种考虑电力系统暂态电压稳定的紧急控制方法及终端技术方案

本发明专利技术公开了一种考虑电力系统暂态电压稳定的紧急控制方法及终端，在电力系统中设置不同的故障，生成对应的故障数据集并获得运行状态，根据运行状态判断电力系统中节点的电压是否低于预设电压，若是，则建立边缘图卷积网络强化学习模型，生成并执行切除节点负荷行为的策略；根据切除节点负荷行为的策略，得到新的运行状态，并结合切除节点负荷行为的策略

【技术实现步骤摘要】
一种考虑电力系统暂态电压稳定的紧急控制方法及终端


[0001]本专利技术涉及电力系统紧急控制决策的
，特别涉及一种考虑电力系统暂态电压稳定的紧急控制方法及终端
。

技术介绍

[0002]“双碳”目标下，新能源的大规模并网以及高比例电力电子设备的投运，降低了系统的惯性，电力系统的动态行为日益复杂，给电力系统暂态稳定控制带来了挑战，而暂态失稳事故是造成国民经济损失和社会损失的重要原因
。
电力系统紧急控制是电力系统安全稳定控制的第二道防线，通常采取切机
、
切负荷的控制手段降低电网受扰后的不平衡功率，对保持系统暂态稳定
、
避免大停电事故
、
保障电力系统安全经济运行具有重要意义
。
[0003]传统暂态稳定分析存在建模难度高
、
计算效率低
、
易受不确定因素干扰等缺点
。
基于操作规则和分析的传统紧急控制策略计算复杂，有较强局限性，无法满足实时控制的要求，也无法适应不断变化的操作条件，不能够满足电网发展需求
。
[0004]由于电网结构的复杂化和仿真计算本身的弱点，导致仿真过程影响因素较多，数学模型复杂，仿真计算结果不能满足实际需求
。

技术实现思路

[0005]本专利技术所要解决的技术问题是：提供一种考虑电力系统暂态电压稳定的紧急控制方法及终端，能够避免由于仿真过程模型简化和不确定性因素对电网控制效果的影响，提高不同故障下的电力系统短期电压稳定性
。
[0006]为了解决上述技术问题，本专利技术采用的技术方案为：
[0007]一种考虑电力系统暂态电压稳定的紧急控制方法，包括步骤：
[0008]在电力系统中设置不同的故障，生成对应的故障数据集并获得运行状态；
[0009]根据所述运行状态，判断电力系统中节点的电压是否低于预设电压，若是，则结合边缘条件图卷积网络
、
深度强化学习的深度卷积神经网络和强化学习框架建立边缘图卷积网络强化学习模型，生成并执行切除节点负荷行为的策略；
[0010]根据所述电力系统的电压恢复性能计算所述边缘条件图卷积网络强化学习模型的奖励函数；
[0011]根据所述切除节点负荷行为的策略，得到新的运行状态，并结合所述切除节点负荷行为的策略
、
所述奖励函数
、
所述新的运行状态和原运行状态更新所述边缘图卷积网络强化学习模型的参数；
[0012]判断所述边缘图卷积网络强化学习模型是否完成训练，若是，则输出紧急控制方案，否则，返回执行根据所述运行状态，判断电力系统中节点的电压是否低于预设电压的步骤
。
[0013]为了解决上述技术问题，本专利技术采用的另一种技术方案为：
[0014]一种考虑电力系统暂态电压稳定的紧急控制终端，包括存储器
、
处理器以及存储
在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0015]在电力系统中设置不同的故障，生成对应的故障数据集并获得运行状态；
[0016]根据所述运行状态，判断电力系统中节点的电压是否低于预设电压，若是，则结合边缘条件图卷积网络
、
深度强化学习的深度卷积神经网络和强化学习框架建立边缘图卷积网络强化学习模型，生成并执行切除节点负荷行为的策略；
[0017]根据所述电力系统的电压恢复性能计算所述边缘条件图卷积网络强化学习模型的奖励函数；
[0018]根据所述切除节点负荷行为的策略，得到新的运行状态，并结合所述切除节点负荷行为的策略
、
所述奖励函数
、
所述新的运行状态和原运行状态更新所述边缘图卷积网络强化学习模型的参数；
[0019]判断所述边缘图卷积网络强化学习模型是否完成训练，若是，则输出紧急控制方案，否则，返回执行根据所述运行状态，判断电力系统中节点的电压是否低于预设电压的步骤
。
[0020]本专利技术的有益效果在于：在电力系统中设置不同的故障，生成对应的故障数据集并获得运行状态，根据运行状态判断电力系统中节点的电压是否低于预设电压，若是，则建立边缘图卷积网络强化学习模型，生成并执行切除节点负荷行为的策略；根据切除节点负荷行为的策略，得到新的运行状态，并结合切除节点负荷行为的策略
、
奖励函数
、
新旧运行状态更新模型的参数，当模型完成训练时输出紧急控制方案
。
以此方式，能够有效根据电网运行环境信息制定切负荷策略，实现从电网运行状态到切负荷紧急控制策略的直接映射，提高不同故障下的电力系统短期电压稳定性
。
附图说明
[0021]图1为本专利技术实施例的一种考虑电力系统暂态电压稳定的紧急控制方法的流程图；
[0022]图2为本专利技术实施例的一种考虑电力系统暂态电压稳定的紧急控制终端的示意图；
[0023]图3为本专利技术实施例的一种考虑电力系统暂态电压稳定的紧急控制方法的具体步骤流程图；
[0024]图4为本专利技术实施例的延迟电压恢复和
WECC
标准的曲线图
。
[0025]标号说明：
[0026]1、
一种考虑电力系统暂态电压稳定的紧急控制终端；
2、
存储器；
3、
处理器
。
具体实施方式
[0027]为详细说明本专利技术的
技术实现思路

、
所实现目的及效果，以下结合实施方式并配合附图予以说明
。
[0028]请参照图1，本专利技术实施例提供了一种考虑电力系统暂态电压稳定的紧急控制方法，包括步骤：
[0029]在电力系统中设置不同的故障，生成对应的故障数据集并获得运行状态；
[0030]根据所述运行状态，判断电力系统中节点的电压是否低于预设电压，若是，则结合边缘条件图卷积网络
、
深度强化学习的深度卷积神经网络和强化学习框架建立边缘图卷积网络强化学习模型，生成并执行切除节点负荷行为的策略；
[0031]根据所述电力系统的电压恢复性能计算所述边缘条件图卷积网络强化学习模型的奖励函数；
[0032]根据所述切除节点负荷行为的策略，得到新的运行状态，并结合所述切除节点负荷行为的策略
、
所述奖励函数
、
所述新的运行状态和原运行状态更新所述边缘图卷积网络强化学习模型的参数；
[0033]判断所述边缘图卷积网络强化学习模型是否完成训练，若是，则输出紧急控制方案，否则，返回执行根据所述运行状态，判断电力系统中节点的电压是否低于预设电压的步骤
。
[0034]从上述描述可知，本专利技术的有益效果在于：在电力系统中设置不同的故障，生成对应的故障数据集并获得运行状态，根据运行状态判断电力系统中节点的电压是否低于预设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种考虑电力系统暂态电压稳定的紧急控制方法，其特征在于，包括步骤：在电力系统中设置不同的故障，生成对应的故障数据集并获得运行状态；根据所述运行状态，判断电力系统中节点的电压是否低于预设电压，若是，则结合边缘条件图卷积网络
、
深度强化学习的深度卷积神经网络和强化学习框架建立边缘图卷积网络强化学习模型，生成并执行切除节点负荷行为的策略；根据所述电力系统的电压恢复性能计算所述边缘条件图卷积网络强化学习模型的奖励函数；根据所述切除节点负荷行为的策略，得到新的运行状态，并结合所述切除节点负荷行为的策略
、
所述奖励函数
、
所述新的运行状态和原运行状态更新所述边缘图卷积网络强化学习模型的参数；判断所述边缘图卷积网络强化学习模型是否完成训练，若是，则输出紧急控制方案，否则，返回执行根据所述运行状态，判断电力系统中节点的电压是否低于预设电压的步骤
。2.
根据权利要求1所述的一种考虑电力系统暂态电压稳定的紧急控制方法，其特征在于，所述结合边缘条件图卷积网络
、
深度强化学习的深度卷积神经网络和强化学习框架建立边缘图卷积网络强化学习模型包括：将所述运行状态作为边缘条件图卷积网络的特征输入，进行边缘条件图卷积网络的节点特征卷积运算以及边缘条件卷积网络模型的节点到边特征卷积运算；在强化学习中的双延迟深度确定性策略梯度中应用边缘条件卷积神经网络，得到深度强化学习的深度卷积神经网络；结合所述边缘条件图卷积网络
、
所述深度强化学习的深度卷积神经网络和深度强化学习的强化学习框架建立边缘图卷积网络强化学习模型
。3.
根据权利要求2所述的一种考虑电力系统暂态电压稳定的紧急控制方法，其特征在于，所述生成并执行切除节点负荷行为的策略包括：根据深度强化学习的深度卷积神经网络生成切除节点负荷行为的策略；根据所述切除节点负荷行为的策略在对应节点执行切除策略
。4.
根据权利要求1所述的一种考虑电力系统暂态电压稳定的紧急控制方法，其特征在于，根据所述电力系统的电压恢复性能计算所述边缘条件图卷积网络强化学习模型的奖励函数包括：奖励函数
r
i,t
为：式中，
V
i
(t)
表示第
i
条母线在时间
t
的母线电压；
Δ
V
i
(t)
表示
V
i
(t)
与根据
WECC
标准提供电力系统所需的最低电压的差值，若
V
i
(t)
在最低电压的范围之内，
Δ
V
i
(t)
＝0；表示第
j
条总线在时间
t
的甩负荷量；
T
clear
表示故障清除时间；
n
表示电力系统中母线的数量；
N
PQ
表示负载母线的数量；
V1、V2、V3、V4分别表示对应于时间
t1、t2、t3、t4的最小所需电压；
c1和
c2表示奖励函数中的权重系数，
K
penalty
表示甩负荷惩罚
。5.
根据权利要求1所述的一种考虑电力系统暂态电压稳定的紧急控制方法，其特征在
于，结合所述切除节点负荷行为的策略
、
所述奖励函数
、
所述新的运行状态和原运行状态更新所述边缘图卷积网络强化学习模型的参数包括：将所述切除节点负荷行为的策略
、
所述奖励函数
、
所述新的运行状态和原运行状态存储在记忆单元中，并从所述记忆单元中抽取预设数量的样本；构建损失函数，每经过预设步数则基于所述样本使用随机梯度下降方法对所述边缘图卷积网络强化学习模型的参数的权重进行更新
。6.
一种考虑电力系统暂态电压稳定的紧急控制终端，包括存储器<...

【专利技术属性】
技术研发人员：黎萌，林章岁，林毅，唐雨晨，孙峰洲，江昌旭，邵振国，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：