【技术实现步骤摘要】
本专利技术涉及暂态电压稳定性及新能源电压相关领域，具体涉及一种基于反向传播神经网络的新能源暂态电压稳定评估方法。
技术介绍
0、技术背景
1、近年来，以风电为代表的新能源进入快速发展阶段，必须考虑风电接入对电网稳定性的影响。风电机组的低电压穿越(low voltage ride through，lvrt)控制被认为是风电机组控制技术中最大的挑战，直接关系到风电机组的规模化应用。评估风电机组低电压穿越lvrt控制对暂态电压稳定性的影响已成为重要的研究课题。
2、申请公布号cn110909795a的文献公开了一种电网暂态电压稳定性的判定方法，具体步骤为：构建样本库，对样本标记分类，计算各电气量的形态相似距离。采用决策树算法，得到初始暂态电压判定模型，对初始暂态电压判定模型优化得到最终的暂态电压判定模型。实时监测电网中的电气数据量，并在电网受到扰动或发生故障时，采用最终的暂态电压判定模型对电网的暂态电压稳定性进行判定；申请公布号cn108988320a的文献公开了一种电力系统动态元件响应特性对暂态电压稳定性影响分析方法。为了研究发电机，高压直流输电系统和感应电动机对暂态电压稳定性的主要影响，从广义分支势能的角度出发，提出了新的分析方法来研究上述主要动态元件对暂态电压稳定性的影响。根据故障后网络中暂态势能分布的变化规律和稳定裕度的信息，以故障后各动态元件的无功恢复特性为基础变量，建立了评估指标，进而对造成电网暂态电压失稳机理进行分析；申请公布号cn103901319a的文献公开了一种电网暂态电压稳定性检测方法，通
3、综上所述，对于具有不确定性的高可再生能源渗透率的电力系统，缺乏一种可靠、简单且准确的暂态电压稳定评估方法，为有效解决该问题，本专利技术提出了一种基于反向传播神经网络的暂态电压稳定性的评估方法。
技术实现思路
1、本专利技术的目的是为了解决现有技术存在的电力系统暂态稳定评估精度低、计算复杂、耗时长的技术问题，将人工智能算法引入风电机组低电压穿越lvrt控制导致的电力系统暂态过电压评估领域，并采用自适应遗传算法对传统bp神经网络模型进行优化，而提出的基于反向传播神经网络的暂态电压稳定评估方法。
2、为了实现上述专利技术目的，本专利技术采用的技术方案如下：
3、一种基于反向传播神经网络的暂态电压稳定评估方法，包括以下步骤：
4、步骤1：基于电力系统历史运行数据，构造初始数据集，引入缩减主成分分析rpca对初始数据集进行压缩和降维处理，生成高效数据集，将数据集按一定比例随机分成训练集和测试集；
5、步骤2：根据风电机组低电压穿越lvrt控制导致暂态过电压的影响机理，选取反向传播bp神经网络的输入变量和输出变量；
6、步骤3：基于改进遗传算法对bp神经网络进行优化；
7、步骤4：基于训练集对模型进行训练，找到最优的权值和阈值，基于测试集对方法进行测试，评估暂态过电压的风险等级。
8、在步骤1中，引入缩减主成分分析法rpca对初始数据集进行压缩和降维处理，生成高效数据集，具体包含以下步骤：
9、步骤1-1：基于主成分分析法pca对初始数据集进行处理，得到矩阵m；
10、步骤1-2：选择矩阵m中包含信息较多的向量并绘制该向量的直方图；
11、直方图将数据分成不同的区间，每个区间称为一个bin，bin的宽度由使用bin的数量控制，如下式所示：
12、
13、式中：a为bin的宽度；fv为数据集中的最大值；gv为数据集中的最小值；n为bin的个数；
14、步骤1-3：将直方图给定的bin出现的频率缩放到最小出现频率中得到ki，并计算第i个bin的中位数；
15、ki的计算公式如下：
16、
17、式中：i＝1，2，…，n；vi为第i个bin的出现频数；γ为最小出现频数；
18、步骤1-4：选择中位数等于ki的个数，在矩阵m选择相应的行，执行主成分分析法pca反映射，得到缩减数据矩阵；
19、步骤1-5：基于主成分分析法pca对缩减数据矩阵进行处理得到高效数据集。
20、在步骤1-1中，采用主成分分析法pca对初始数据集进行处理时，具体包括以下步骤：
21、(1)输入原始数据集z，并对原始数据集进行归一化处理；
22、原始数据集z为：
23、
24、式中：q为指标数量；n为样本数量；
25、对原始数据作标准化处理：
26、
27、式中：zij为第j维数据；为第j维数据算术平方根；σj为第j维数据标准差；
28、(2)计算相关系数矩阵t；
29、
30、
31、式中：xhi、xhj为xi、xj第h行元素；为xi、xj平均值；
32、(3)计算特征值和特征向量；
33、通过解特征方程得出特征值，并进行降序排列，分别求出对应特征值的特征向量；
34、(4)计算主成分累积贡献率；
35、主成分的累积贡献率ηi为：
36、
37、式中：λi为相关系数矩阵t第i个特征值；
38、(5)得到降维后的特征矩阵m。
39、在步骤2中，引入人工智能算法对风电机组低电压穿越lvrt控制导致的电力系统暂态过电压风险等级进行评估，具体包含以下步骤：
40、步骤2-1：选取与暂态过电压强相关风电机组参数作为bp神经网络的输入变量；
41、步骤2-2：根据暂态过电压的大小，判断暂态过电压的严重程度，将暂态过电压风险等级作为bp神经网络的输出变量。
42、在步骤2-1中，将风电机组的励磁电感、定子电感、机端电压和有功恢复时间作为bp神经网络算法的输入变量。
43、在步骤2-2中，考虑到风电机组不确定性对电力系统暂态电压稳定的影响，本专利技术提出的bp神经网络不直接计算暂态过电压的精确值，而是估算暂态过电压的风险等级。
44、在步骤3中，对步骤2中的bp神经网络求解算法进行改进，构建了基于自适应遗传算法改进的bp神经网络模型，具体包含以下步骤：
45、步骤3-1：参考bp神经网络阈值和权值，采用实数编码的方式构建染色体；
46、步骤3-2：设定自适应遗传算法的收敛准则；
47、自适应遗传算法的收敛准则设为：
48、hmin≤ε (8)
49、式中：ε表示一个无限小的误差范围，它可以用来描述一个测量结果的精度；
50本文档来自技高网...
【技术保护点】
1.一种基于反向传播神经网络的暂态电压稳定评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于反向传播神经网络的暂态电压稳定评估方法，其特征在于：在步骤1中，引入缩减主成分分析法RPCA对初始数据集进行压缩和降维处理，生成高效数据集，具体包含以下步骤：
3.根据权利要求2所述的方法，其特征在于：在步骤1-1中，采用主成分分析法PCA对初始数据集进行处理时，具体包括以下步骤：
4.根据权利要求1所述的方法，其特征在于：在步骤2中，引入人工智能算法对风电机组低电压穿越LVRT控制导致的电力系统暂态过电压风险等级进行评估，具体包含以下步骤：
5.根据权利要求4所述的方法，其特征在于：在步骤2-1中，将风电机组的励磁电感、定子电感、机端电压和有功恢复时间作为BP神经网络算法的输入变量。
6.根据权利要求4所述的方法，其特征在于：在步骤2-2中，考虑到风电机组不确定性对电力系统暂态电压稳定的影响，本专利技术提出的BP神经网络不直接计算暂态过电压的精确值，而是估算暂态过电压的风险等级。
7.根据权利要求
8.根据权利要求7所述的方法，其特征在于：在步骤3-1中，自适应遗传算法在求解目标函数最小值问题中所使用的交叉概率Yc和突变概率Ym由以下公式表示：
...【技术特征摘要】
1.一种基于反向传播神经网络的暂态电压稳定评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于反向传播神经网络的暂态电压稳定评估方法，其特征在于：在步骤1中，引入缩减主成分分析法rpca对初始数据集进行压缩和降维处理，生成高效数据集，具体包含以下步骤：
3.根据权利要求2所述的方法，其特征在于：在步骤1-1中，采用主成分分析法pca对初始数据集进行处理时，具体包括以下步骤：
4.根据权利要求1所述的方法，其特征在于：在步骤2中，引入人工智能算法对风电机组低电压穿越lvrt控制导致的电力系统暂态过电压风险等级进行评估，具体包含以下步骤：
5.根据权利要求4所述的方法，其特征在于：...
【专利技术属性】
技术研发人员：刘颂凯，赵一帆，张磊，苏攀，钟浩，谭洪，常鹏，袁波，崔梓琪，袁铭洋，曾羽聪，
申请(专利权)人：三峡大学，
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。