法律状态公告日
法律状态信息
法律状态
2020-07-14
授权
授权
2020-06-26
实质审查的生效 IPC(主分类):H02J3/06 申请日:20200407
实质审查的生效
2020-06-02
公开
公开
技术领域
本发明涉及电力系统潮流控制领域,具体涉及一种含可控移相器的电力系统潮流快速控制方法。
背景技术
电力系统有功安全校正是维持系统安全稳定运行的重要手段,其在系统线路发生过载时,通过调整发电机出力和切除相应负荷等手段改变节点注入功率,从而消除越限故障。目前,有功安全校正问题的求解方法或者说潮流控制方法主要分为灵敏度类方法和优化类方法,两种方法各有优劣,其中灵敏度类方法计算难度小,求解效率高,不存在收敛性的问题,且较易实现调整设备数量尽可能最少的控制目标,但此类方法受灵敏度计算精度的影响较大,平衡节点的不同会直接影响计算结果,且其往往忽略了无功功率的影响,所得控制策略的经济性和安全性可能无法满足系统的要求。而优化类方法则与前者恰恰相反,其计算效率较差,但所得控制策略的安全性和经济性较灵敏度类方法均有一定提升。
当前,随着电网互联规模逐渐扩大,网架结构日趋复杂,电网运行以及稳定控制面临严峻考验。可控移相器因其在工作时能够对线路潮流实施调节和控制,因而在电力系统中得到了广泛应用,然而对于含可控移相器的电力系统在运行中出现电压越限或者支路潮流越限故障时,如何充分发挥可控移相器的调控能力,采取相应的快速有效的潮流控制策略,保障电网安全运行,是亟需解决的技术问题。
发明内容
本发明的目的是:针对现有技术中存在的问题,提供一种含可控移相器的电力系统潮流快速控制方法,该方法既能满足系统控制策略的安全性和经济性要求,还可以提高求解效率,解决现有技术中优化类安全校正算法存在的收敛性问题。
本发明的技术方案是:本发明的含可控移项器的电力系统快速控制方法,包括以下步骤:
①建立基于深度学习网络的故障识别模型:
建立共有7层的基于深度学习网络的故障识别模型,其中第一层为输入层,第二层为系数0.5的Dropout层,第三至第六层为隐藏层,第七层为输出层;所述输入层为电力系统出现越限故障的支路信息和故障时刻潮流数据;输出层为节点调整量0或1;输入层和各隐藏层均采用激活函数ReLU,输出层采用激活函数Sigmoid;参数设置为:初始学习率0.05,批次大小500,迭代次数200;
②按照故障时所需调整的设备数最少且调整量最小的原则,人为设置含可控移相器的电力系统中不同支路发生不同程度的越限故障,相应获取越限故障时电力系统的潮流数据,形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输入样本数据集;
③利用步骤②中所得输入样本数据集中的数据,采用电力系统有功安全校正的传统优化法计算对含可控移相器的电力系统潮流快速控制后各相应节点的调整状态,形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输出样本数据集;
④以步骤②所得输入样本数据集中的数据为输入,以步骤③所得输出样本数据集中相应的数据为输出,对步骤①所建立的基于深度学习网络的故障识别模型进行训练;对训练的模型根据精确率、召回率等进行误差验证;并将训练好的模型作为可用的基于深度学习网络的故障识别模型予以保存;
⑤建立含可控移相器的电力系统潮流快速控制模型:
其中,单目标优化模型的目标函数为:
式中,
约束条件为:
其中,式(2)为节点功率平衡约束,式(3)为节点可调量约束;式中:
式(4)为含可控移相器支路功率平衡约束,式中,
式(5)为可控移相器容量约束,式中,
⑥当含可控移相器的电力系统发生潮流故障时,将故障时刻系统潮流数据和故障信息输入步骤④所得可用的基于深度学习网络的故障识别模型,将输出结果为1的节点构成需调整节点集合,利用步骤⑤建立的含可控移相器的电力系统潮流快速控制模型,对需调整节点集合内各节点进行调整量优化计算,得到各节点的调整量,并根据计算结果对节点实施相应的调整;
⑦检查经步骤⑥调整后含可控移相器的电力系统是否还存在越限问题,若有,重复步骤⑥,若无,则判断系统经过快速控制达到稳定状态。
进一步的方案是:上述步骤⑤中单目标优化模型的目标函数中节点调整状态权重
本发明具有积极的效果:本发明的含可控移项器的电力系统潮流快速控制方法,其通过建立基于深度学习网络的故障识别模型并利用大量历史数据对模型进行深度学习训练使之成为故障时可用模型,在系统出现越限故障时,利用训练好的故障识别模型可快速确定线路中需要调整的节点,并对确定的需要调整的节点采用所建的含可控移相器的电力系统潮流快速控制模型计算节点的调整量,进而根据计算结构对节点实施调整,从而实现故障时对含可控移项器的电力系统潮流快速控制。本发明的方法在满足电力系统控制策略安全性和经济性要求的前提下,相对于现有技术中优化类方法,在对故障实施控制时,计算时间大大缩短,且不会出现迭代无解情况,更具有实用价值。
附图说明
图1为本发明的方法流程图;
图2为装有可控移相器的输电线路示意图;
图3为可控移相器节点注入功率模型示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
(实施例1)
见图1,本实施例的含可控移相器的电力系统潮流快速控制方法,依以下步骤实施:
①建立基于深度学习网络的故障识别模型:
建立共有7层的基于深度学习网络的故障识别模型,其中第一层为输入层,第二层为系数0.5的Dropout层,第三至第六层为隐藏层,第七层为输出层;所述输入层为电力系统出现越限故障的支路信息和故障时刻潮流数据;输出层为节点调整量0或1;输入层和各隐藏层均采用激活函数ReLU,输出层采用激活函数Sigmoid;参数设置为:初始学习率0.05,批次大小500,迭代次数200。
所建立的基于深度学习网络的故障识别模型为二分类模型,输出结果通过阈值判定为0或1,其中输出0表示节点不需参与调整,输出1表示节点需参与调整,所建立的模型的结构和参数如表1所示:
表1
②按照故障时所需调整的设备数最少且调整量最小的原则,人为设置含可控移相器的电力系统中不同支路发生不同程度的越限故障,相应获取越限故障时电力系统的潮流数据,形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输入样本数据集。
具体做法是:根据系统的日负荷曲线,每个小时取一组潮流数据,并对系统人为设定越限,设置每条支路越线额为超过其自身热稳定限值的1%-40%,以达到模拟大多数支路越限情况。
③利用步骤②中所得输入样本数据集中的数据,采用电力系统有功安全校正的传统优化法计算对含可控移相器的电力系统潮流快速控制后各相应节点的调整状态,形成步骤①所建立的基于深度学习网络的故障识别模型训练用的输出样本数据集。
具体做是在进行系统潮流快速控制计算时,应用优化软件GAMS的DICOPT求解器获取潮流快速控制问题的最优解,构成输出样本数据集。
④以步骤②所得输入样本数据集中的数据为输入,以步骤③所得输出样本数据集中相应的数据为输出,对步骤①所建立的基于深度学习网络的故障识别模型进行训练;对训练的模型根据精确率、召回率等进行误差验证;并将训练好的模型作为可用的基于深度学习网络的故障识别模型予以保存。
随机抽取一些发电机节点和负荷节点,其各项误差指标及AUC值见表2。表2中数据显示在训练的所有模型中,平均训练误差保持在1.82%以内,平均验证误差也可保持在1.36%以内,因此利用深度学习进行故障识别模型训练时,可以保持较高精度。
表2 故障识别模型各项误差
⑤建立含可控移相器的电力系统潮流快速控制模型:
其中,单目标优化模型的目标函数为:
式中,
在保证系统安全性,且考虑一定的经济效益时,应尽可能优先调节发电机节点,而避免切负荷,由于调整所涉及的节点一般在10个以内,因此本实施例中可分别取
约束条件为:
其中,式(2)为节点功率平衡约束,式(3)为节点可调量约束;式中:
在潮流快速控制模型时需要考虑可控移相器因素,当可控移相器串联侧串联在输电线路i-j上时,如图2所示,图中
式(4)为含可控移相器支路功率平衡约束,式中,
式(5)为可控移相器容量约束,式中,
⑥当含可控移相器的电力系统发生潮流故障时,将故障时刻系统潮流数据和故障信息输入步骤④所得可用的基于深度学习网络的故障识别模型,将输出结果为1的节点构成需调整节点集合,利用步骤⑤建立的含可控移相器的电力系统潮流快速控制模型,对需调整节点集合内各节点进行调整量优化计算,得到各节点的调整量,并根据计算结果对节点实施相应的调整;
⑦检查经步骤⑥调整后含可控移相器的电力系统是否还存在越限问题,若有,重复步骤⑥,若无,则判断系统经过快速控制达到稳定状态。
为验证本发明的可靠性,选取95节点等值系统进行测试,本发明的方法与传统优化类算法结果对比如表3所示。
表3 深度学习应用于系统潮流快速控制前后结果对比
由表3数据可以看出,本发明应用深度学习进行潮流快速控制能够大幅缩短计算时间,大量减少寻优空间内节点个数,保证计算的准确性。在支路41-37出现25%越限时,尽管深度学习由于计算稍有误差导致寻优空间确定为6个节点(其中包括真正需要调整的三个节点和误判的三个节点),但节点调整量优化计算仍能在此寻优空间中寻找到准确的节点参与调整。
以上实施例是对本发明的具体实施方式的说明,而非对本发明的限制,有关技术领域的技术人员在不脱离本发明的精神和范围的情况下,还可以做出各种变换和变化而得到相对应的等同的技术方案,因此所有等同的技术方案均应该归入本发明的专利保护范围。
机译: 限制短路电流并提高电力系统和设备实现的潮流的可控制性的方法-多模直流插片(MDCI)
机译: 电力系统超快速解耦潮流计算方法
机译: 快速生成电力系统潮流解决方案的混合计算机系统和方法