【技术实现步骤摘要】
本专利技术属于电力系统分析，涉及一种面向静态电压稳定和小干扰功角稳定的联合预测方法。
技术介绍
1、目前，大多数学者使用人工智能技术分别针对静态电压稳定和小干扰功角稳定进行研究，建立了相应的预测模型进行稳定性预测，这解决了传统分析方法繁琐、耗时等弊端，从而快速获取到分析数据，为电力系统的调度运行提供决策建议。然而，尽管国内外学者们针对这两类预测任务做了大量的工作(比如优化模型算法、设置更加丰富的输入数据等)来提高预测的精度和减少评估的时间，但却存在一个普遍的问题：在实际研究时采用的思路大致是相同的，即建立各自的预测模型时均以稳态潮流数据作为输入，进而对系统的静态电压稳定或小干扰功角稳定等进行单独预测。事实上，静态电压稳定和小干扰功角稳定相互关联，只是从不同的角度反映了电力系统的运行状态。仅仅建立某个稳定性的预测模型来进行预测的方式效率较低，并且所能提供的信息也十分有限。为充分利用电力系统数据，亟需采取联合预测的方式。考虑到两类预测模型的输入数据相同(均采用稳态潮流数据)，因此，将静态电压稳定预测和小干扰功角稳定预测相结合以实现联合预测成为可能，根据该方式建立的联合预测模型能提供两类重要的稳定性数据，使得工作人员作出更加合理的调度决策。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种面向静态电压稳定和小干扰功角稳定的联合预测方法，在保证预测精度的情况下，同时对电力系统的静态电压稳定和小干扰功角稳定进行预测，避免大量重复或相似的工作，提高评估模型的建立效率，加快稳定性评估的实
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种面向静态电压稳定和小干扰功角稳定的联合预测方法，包括以下步骤：
4、s1：采用连续潮流法和特征值分析法分别对电力系统当前运行点的静态电压稳定和小干扰功角稳定进行分析，从中提取相关信息，生成用于预测模型的样本数据；
5、s2：基于样本数据训练电力系统静态电压稳定和小干扰功角稳定联合预测模型，计算静态电压稳定指标和小干扰功角稳定指标，根据这两部分指标实时判断电力系统当前的静态电压稳定程度和小干扰功角稳定程度。
6、进一步，选择电压稳定裕度和薄弱母线的负荷裕度作为静态电压稳定的量化指标，最小阻尼比作为小干扰功角稳定的量化指标。
7、进一步，步骤s1所述相关信息包括电力系统的初始潮流、电压稳定裕度、薄弱母线的负荷裕度、最小阻尼比；其中电力系统的初始潮流作为样本的输入，电压稳定裕度、薄弱母线的负荷裕度、最小阻尼比作为样本的输出。
8、进一步，所述初始潮流包括母线电压幅值、母线电压相角、接于母线的发电机有功出力、接于母线的发电机无功出力、接于母线的负荷有功功率、接于母线的负荷无功功率。
9、进一步，所述电压稳定裕度和薄弱母线的负荷裕度计算式为：
10、vsm＝δp＝pmax-p0
11、lm＝δpi＝pimax-pi0
12、式中，pmax为系统在当前运行点下不发生电压崩溃的有功最大值，pimax为薄弱母线i在当前运行点下不发生电压崩溃的有功最大值，p0为系统初始运行点的负荷有功功率，pi0为薄弱母线i的初始有功功率；
13、所述最小阻尼比的计算式为：
14、λi＝σi+jωi
15、
16、式中，λ表示系统特征值，ζ表示最小阻尼比。
17、进一步，步骤s1中生成样本数据的具体过程包括以下步骤：
18、s11：在电力系统基准潮流基础上，考虑负荷随机波动以及电源出力不确定性，得到大量初始运行点潮流样本，采用连续潮流法和特征值分析法对所述初始运行点潮流样本进行分析，得到每个初始运行点下的电压极限点潮流数据和特征值数据；
19、s12：根据初始运行点潮流数据和相应的电压极限点潮流数据、特征值数据，利用电压稳定裕度计算式、薄弱母线的负荷裕度计算式和最小阻尼比计算式分别得到每个运行点的电压稳定裕度、薄弱母线的负荷裕度和最小阻尼比；
20、s13：将所得的电压稳定裕度、薄弱母线的负荷裕度和最小阻尼比作为样本输出，每个运行点对应的初始潮流作为样本输入。
21、更进一步，在步骤s12中，采用电压相关变化法(change of voltage,vc)确定系统薄弱母线，通过该方法获取电力系统中每条母线的指标大小并进行排序，选择指标最大的几条母线作为薄弱母线，计算式为：
22、
23、式中，viinit为母线初始电压，vimax为母线极限电压。
24、进一步，步骤s2中，采用全连接神经网络(fully connected neural network,fcnn)作为电力系统静态电压稳定和小干扰功角稳定联合预测模型，用所述样本输入与输出进行迭代学习，包括以下步骤：
25、s21：对样本输入数据进行归一化处理，划分样本数据为训练集与测试集，再构建全连接神经网络并基于训练集进行迭代学习，建立多输入多输出映射关系；
26、s22：利用测试集对训练好的网络进行性能验证，调整该模型结构与参数并重新训练，直至模型在测试集上的泛化性满足要求则确定为最终的联合预测模型；
27、s23：在线应用时，设置电压稳定裕度、薄弱母线的负荷裕度和最小阻尼比的安全运行阈值，基于模型的输出判断是否小于阈值，小于阈值则发出预警。
28、进一步，全连接神经网络包含3个隐藏层，隐藏层中添加激活函数，输入层与输出层只进行线性运算；
29、激活函数采用relu，计算式为：
30、
31、式中，a为传入神经元的数据；
32、全连接层的计算式为：
33、
34、式中，wi为权重向量，xi为输入向量，b为偏置，σ为激活函数。
35、本专利技术的有益效果在于：本专利技术提供了一种面向静态电压稳定和小干扰功角稳定的联合预测方法，采用全连接神经网络进行特征提取，建立了电力系统潮流数据与电压稳定裕度、薄弱母线的负荷裕度、最小阻尼比的多输入多输出映射关系，实现了基于同一输入数据对静态电压稳定和小干扰功角稳定的联合评估，并拥有不低于静态电压稳定预测模型(或小干扰功角稳定预测模型)这种单类模型的预测精度。本专利技术方法降低了建模重复性，提供了综合评估结果，工程实用性强。
36、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.一种面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：选择电压稳定裕度和薄弱母线的负荷裕度作为静态电压稳定的量化指标，最小阻尼比作为小干扰功角稳定的量化指标。
3.根据权利要求2所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：步骤S1所述相关信息包括电力系统的初始潮流、电压稳定裕度、薄弱母线的负荷裕度、最小阻尼比；其中电力系统的初始潮流作为样本的输入，电压稳定裕度、薄弱母线的负荷裕度、最小阻尼比作为样本的输出。
4.根据权利要求3所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：所述初始潮流包括母线电压幅值、母线电压相角、接于母线的发电机有功出力、接于母线的发电机无功出力、接于母线的负荷有功功率、接于母线的负荷无功功率。
5.根据权利要求4所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：所述电压稳定裕度和薄弱母线的负荷裕度计算式为：
6.根据权利要求5所述的
7.根据权利要求6所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：在步骤S12中，采用电压相关变化法确定系统薄弱母线，通过该方法获取电力系统中每条母线的指标大小并进行排序，选择指标最大的几条母线作为薄弱母线，计算式为：
8.根据权利要求1所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：步骤S2中，采用全连接神经网络作为电力系统静态电压稳定和小干扰功角稳定联合预测模型，用所述样本输入与输出进行迭代学习，包括以下步骤：
9.根据权利要求8所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：全连接神经网络包含3个隐藏层，隐藏层中添加激活函数，输入层与输出层只进行线性运算；
...【技术特征摘要】
1.一种面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：选择电压稳定裕度和薄弱母线的负荷裕度作为静态电压稳定的量化指标，最小阻尼比作为小干扰功角稳定的量化指标。
3.根据权利要求2所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：步骤s1所述相关信息包括电力系统的初始潮流、电压稳定裕度、薄弱母线的负荷裕度、最小阻尼比；其中电力系统的初始潮流作为样本的输入，电压稳定裕度、薄弱母线的负荷裕度、最小阻尼比作为样本的输出。
4.根据权利要求3所述的面向静态电压稳定和小干扰功角稳定的联合预测方法，其特征在于：所述初始潮流包括母线电压幅值、母线电压相角、接于母线的发电机有功出力、接于母线的发电机无功出力、接于母线的负荷有功功率、接于母线的负荷无功功率。
5.根据权利要求4所述的面向静态电压稳定和小干扰功角稳...
【专利技术属性】
技术研发人员：黄淼，刘川，邱帆，商钰琪，张雯，张刚，曹东禹，王文博，文旭，
申请(专利权)人：重庆邮电大学，
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。