一种基于电力大数据的电网电压稳定性预测方法

摘要

本发明公开了一种基于电力大数据的电网电压稳定性预测方法。本发明首先结合分岔理论对电网进行电压稳定分析，发现鞍结分岔点对于影响电网电压的稳定性有着非常密切的联系，并将此作为判断电网电压稳定程度的指标之一。之后利用大数据技术，对从电网中获取的数据进行有效的数据挖掘。运用基于粒子群算法改良的BP神经网络建立电力数据与最大负荷参数之间的非线性映射关系，从而能够达到一种预测的效果，即根据电网当前的运行状态预测出最大负荷参数。结合电网当前的负荷参数，计算出电压稳定裕度，判断电网电压的稳定程度。进一步地根据预测结果，确定电网电压的调节控制方案，增大稳定裕度，增强电压的稳定性，达到电网长期安全稳定运行的目的。

说明书

技术领域

发明属于电力工程技术领域，特别涉及一种基于电力大数据的电网电压稳定性预测 方法。

背景技术

大数据技术率先在互联网、电信、金融等行业出现，通常指10TB规模以上的数据 量。如果将大数据按照合理的成本和时限捕捉、管理及处理这些数据的能力进行操作， 其规模或复杂程度已经超出了常用技术。对于大数据的研究技术已经上升到国家意志， 一个国家拥有数据的规模和运用数据的能力将成为综合国力的重要组成部分，对数据的 占有和控制也将成为国家间和企业间的争夺焦点。IBM、微软、谷歌、亚马逊等跨国巨 头借助大数据技术的发展获得了更强的竞争力。IBM投资160亿美元进行30多次与大数 据相关的收购，使业绩稳定高速增长；eBay通过数据挖掘精确计算出广告中每个关键字 带来的回报，2007年以来广告费降低了99％。2012年10月，成立了首个专门研究大数 据应用和发展的学术咨询组织——中国通信学会大数据专家委员会。目前，国内相关技 术主要集中于数据挖掘相关算法、实际应用及有关理论方面的研究。在相关技术中，比 较具有代表性的是Apache软件基金会开发的Hadoop和谷歌公司开发的MapReduce。现 代电力系统的智能化水平越来越高，随着电网中传感器种类的增多以及智能设备的加 入，处于运行状态的各种电力设备每经过一个时间间隔被自动测量一次，测量结果经数 据传输网络迅速汇集到一个数据库中。在经过一长段时间后，数据库的大小往往能够达 到TB级别的规模，不论从数据的种类还是从数据的规模来说，这些电力数据已经属于 大数据的范畴。这些从电网中实时测得的数据种类杂多，流动速度快，并且价值密度低， 常规的数据处理手段已经不能有效对其进行挖掘，因此需要参考现在流行的大数据技术 对其进行挖掘分析。

电力系统电压不稳定/电压崩溃事故是电力系统丧失稳定性的一个重要方面。目前 已经存在多种角度和方法对电网电压稳定性进行研究，根据电压稳定的时间范畴，可以 将电压稳定分为暂态电压稳定，中期电压稳定和长期电压稳定。暂态电压稳定的时间范 围为0～10秒，主要研究角度的是感应电动机和HVDC(高压直流)联线接入弱系统所引 起的电压失稳，特别是短路后感应电动机因加速引起的失稳和由于网络弱联系引起的异 步机失步的电压失稳问题。中期电压稳定的时间范畴为1～5分钟，包括OLTC，配电网 中电压调节装置和发电机过励磁限制器的作用。长期电压稳定的时间范畴为20～30分 钟，其主要相关的因素为负荷快速大量增加、传输线功率大量增长，由于系统中存在恒 能负荷和恒温控制负荷导致的负荷因低电压失去不同时性等。目前还没有一种方法能够 长期的对电网电压的稳定性进行预测，从而保证电网电压一直处于稳定工作的状态下。

发明内容

发明目的：本发明的目的在于针对现有技术的不足，提供了一种能够准确、快速的 对电网电压的稳定性进行预测的基于电力大数据的电网电压稳定性预测方法。

技术方案：本发明提供了一种基于电力大数据的电网电压稳定性预测方法，包括以 下步骤：

步骤1：结合分岔理论，建立电网电压稳定判断指标，其中电网电压稳定判断指标 为电压稳定裕度其中，λ_maxp表示使用BP神经网络预测出来的系统 当前的最大负荷参数；λ表示当前实测的负荷参数；

步骤2：在电力系统中筛选数据种类，选择与电压稳定性关联密切的数据进行采集 并对采集到的数据进行归一化预处理，制作成用于训练BP神经网络模型的原始样本；

步骤3：使用步骤2得到的样本数据，利用粒子群算法(下文简称PSO算法)对BP 神经网络中的连接权值和阈值进行最优选择，并对经过粒子群算法优化的BP神经网络 进行训练，得到训练后的神经网络模型；

步骤4：将电网当前运行的相关实时数据输入步骤3训练得出的BP神经网络模型，， 在确定的非线性映射规则下得到电网当前的最大负荷参数λ_maxp；根据公式计算电压稳定裕度μ；

步骤5：根据步骤4获得的电压稳定裕度μ，判断电网电压的稳定性，对电网电压进 行控制调节。

进一步，所述步骤1中负荷参数根据公式计算得到，其中P为电网当前负荷 的实测有功功率；P₀为电网负荷实测的基态有功功率。

进一步，所述步骤2中对采集到数据进行归一化预处理的方法为：在每一参数的参 数值中选出最大值x_max和最小值x_min，根据公式将原始数据全部变换 为在区间[-1,1]内的数。这样可以避免由于个别种类的数据过大或者过小对后续训练神 经网络过程产生不利影响，避免使训练结果过早地收敛于局部极小值。

进一步，所述步骤2中选择的与电压稳定性关联密切的数据包括电网在不同稳定运 行状态下相关节点电压幅值及相角，流进流出该节点的有功功率和无功功率，以及使用 连续潮流法计算出的电网相应的最大负荷参数。

进一步，所述步骤5中电网电压稳定性判断的标准为：当μ∈(0.5,1]时，电网电压处 于稳定程度；当μ∈(0.2,0.5]时，电网电压处于警戒程度；当μ∈(0,0.2]时，电网电压处 于不稳定程度。

进一步，所述步骤5中对电网电压进行控制调节的措施包括采用发电机自动电压调 节器调节、采用有载调压变压器调节、采用分岔控制器调节、采用电网自动电压控制系 统调节、增加静止同步补偿装置、增加静止无功补偿装置或并联电容器、甩负荷。

工作原理：本发明首先结合分岔理论对电力系统进行电压稳定分析，发现鞍结分岔 点对于影响电网电压的稳定性有着非常密切的联系，并将此作为判断电网电压稳定程度 的指标之一。之后借鉴当前的大数据技术，对从电网中获取的数据进行有效的数据挖掘。 运用基于PSO算法改良的BP神经网络建立电力数据(比如相关潮流信息等)与最大负荷 参数之间的非线性映射关系，从而能够达到一种预测的效果，即根据电网当前的运行状 态预测出最大负荷参数点，即鞍结分岔点。结合当前的负荷参数，计算出电压稳定裕度， 判断电网电压的稳定程度。进一步地根据预测结果，确定调节控制方案，增大稳定裕度， 增强电压的稳定性，达到电网长期安全稳定运行的目的。

有益效果：与现有技术相比，本发明能够长期对电网电压进行预测和监控，保证电 网电压长期处于稳定状态，维护系统安全可持续运行；而且对电网电压稳定性的预测更 加准确和快速。

附图说明

图1为本发明的流程图；

图2为本发明实施例中建立的IEEE14节点系统模型示意图；

图3为本发明实施例中可变负荷模型下的IEEE14节点系统经连续潮流法计算得到 的节点4的λ-V曲线图；

图4为本发明实施例中运用PSO算法选择BP神经网络最优参数时最佳适应度变化 曲线图；

图5为本发明实施例中使用经PSO算法优化的BP神经网络得到的最大负荷参数预 测值与实际值的拟合曲线图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施 例。

如图1所示，本发明提供一种基于电力大数据的电网电压稳定性预测方法，具体包 括以下步骤：

步骤1：结合分岔理论，建立电压稳定性判断指标；

建立电网仿真模型，如图2所示，本实施例中建立IEEE14节点系统仿真模型。

运用连续潮流法对系统模型进行分岔计算后得到系统的λ-V平衡点曲线以及曲线 上的鞍结分岔点；将鞍结分岔点出现时的负荷参数视为最大负荷参数λ_max。如图3所示， 显示的是IEEE14节点系统中节点4的λ-V曲线，位于右侧的拐点就是上述分岔分析 中的鞍结分岔点，系统运行在此点状态下具有最大负荷参数λ_max，此数据对于本发明来 说至关重要。在后续的预测过程中，系统的最大负荷参数λ_maxp即为BP神经网络预测的 输出结果。

取电压稳定裕度μ为：

当μ∈(0.5,1]时，定义电网电压处于稳定程度；当μ∈(0.2,0.5]时，定义电网电压处于 警戒程度；当μ∈(0,0.2]时，定义电网电压处于不稳定程度。

步骤2：在电力系统中测量的所有数据种类中筛选与电网电压稳定性关联密切的数 据进行采集。以考察IEEE14节点系统中节点4的电压稳定性为例，确定搜集的数据种 类为IEEE14节点系统在121种稳态运行时的节点4电压幅值及相角，与节点4相连接 的各线路和变压器支路流进和流出节点4的有功功率和无功功率，作为BP神经网络的 输入变量，共12个输入；在这121种稳态下使用连续潮流法计算出电网相应的最大负 荷参数，作为BP神经网络的输出变量，共1个输出。存入数据库后对这些数据进行归 一化预处理，预处理的方法是在每一参数的参数值中选出最大值x_max和最小值x_min，根 据式(2)

$y=-1+2\frac{x-x_{\min }}{x_{max}-x_{\min }}---\left(2\right)$

将原始数据全部变换为在区间[-1,1]内的数，其中，x表示原始数据，y表示原始数据根 据式(2)转换后的值。由每一参数的原始数据转换后的值y组成了原始样本。这样可 以避免由于个别种类的数据过大或者过小对后续训练神经网络过程产生不利影响，避免 使训练结果过早地收敛于局部极小值。预处理后的数据作为后续训练神经网络的原始样 本。

步骤3：使用步骤2得到的原始样本中的数据，利用PSO算法对BP神经网络中的连 接权值和阈值进行最优选择，并对经过粒子群算法优化的BP神经网络进行训练，得到 训练后的神经网络模型；

首先建立一个12维输入和1维输出的BP神经网络模型，采用经典3层网络结构， 输入层节点数为12；中间隐含层的节点数根据经验为输入维数的2倍加1，即23；输出 层节点数为1，从而确定出BP神经网络的基本结构。

PSO算法中将实体视作粒子，而粒子的位置就是所求问题解。对于本实施例，现取 BP神经网络中的连接权值与阈值作为二维粒子，而PSO算法中用于评价粒子的适应度函 数就采用评价BP神经网络性能的均方误差函数，通过PSO算法强大的搜索性能在全局 范围内快速查找使得神经网络均方误差最小的参数。对于第i个粒子的第j维数值按如 下两个公式更新：

$v_{ij}^{k+1}={\mathrm{wv}}_{ij}^k+c_1\xi (p_{ij}^k-x_{ij}^k)+c_2\eta (p_{gj}^k-x_{ij}^k)---\left(3\right)$

$x_{ij}^{k+1}=x_{ij}^k+{\mathrm{\gamma v}}_{ij}^{k+1}---\left(4\right)$

式(3)、式(4)中，v_ij和x_ij分别表示解空间中第i个粒子的第j维速度信息和位 置信息；p_ij表示第i个粒子自己搜索到的第j维历史最优位置值，p_gj表示全部粒子搜 索到的第j维最优位置值；w是保持粒子原来速度的系数，称作惯性权重；c₁是粒子在 迭代过程中的跟踪自身最优值的权重系数，默认值为2；c₂是粒子在迭代过程中的跟踪 群体最优值的权重系数，默认值为2；γ是对粒子位置更新的时候，在速度前加的一个 系数，称之为“约束因子”，默认值为1；ξ和η是位于[0,1]区间的随机数。PSO算法是 基于迭代模式的优化算法，表示第k次迭代后计算出的相应数值，表示第k+1次迭代后计算出的相应数值。

每个新的粒子就是BP神经网络中新的连接权值和阈值。将每个粒子代入BP神经网 络中得出对应的均方误差，当均方误差达到满意指标或者迭代次数达到规定的次数时， BP神经网络就能得到最优的连接权值和阈值，在此参数组合下，BP神经网络具有最佳 性能。

编写PSO算法优化BP神经网络的程序，完成所有PSO算法有关参数的初始化；其中， 粒子的最大速度为0.5，判断适应值的指标是最小误差为0.001，权值在0.1～0.9之间， 且是从0.9开始线性下降；粒子的初始位置在-1～1之间的一个随机值；粒子的初始速 度是在-2～2之间的一个随机值；用于搜索的粒子总数为45个。将步骤2得到的原始样 本中的数据代入程序进行优化计算，如图4所示，此次参数寻优在迭代次数达到135次 时，粒子适应度趋于平稳，最终稳定在一个值，从而获得最优粒子，即最优连接权值和 阈值。

在此之后，将最优连接权值与阈值赋给BP神经网络，使用步骤2得到的原始样本 中的数据训练BP神经网络，最终得到符合最小均方误差要求的BP神经网络模型，从而 保证后续预测数据的准确性。

步骤4：将电网当前运行的相关实时数据输入步骤3中训练得出的神经网络模型， 预测得出系统当前的最大负荷参数为3.9315p.u.，此时使用连续潮流法计算出来的系统 最大负荷参数为3.9252p.u.，可视为实际值，预测值与实际值的相对误差仅为0.1605％。

在使用经PSO算法优化的BP神经网络进行预测时，若样本数据没有经过归一化预处 理，则得到的最大负荷参数预测值为3.9324p.u.，与实际值的相对误差为0.1834％，大 于使用经过预处理的样本数据进行预测的误差。

若使用未经PSO算法优化的BP神经网络进行预测，即使对样本数据进行了归一化预 处理，得到最大负荷参数预测值为3.9359p.u.，与实际值的相对误差达到0.2700％，大 于使用经PSO算法优化的BP神经网络的预测误差。

使用经PSO算法优化的BP神经网络得到的最大负荷参数预测值与实际值的拟合曲 线，如图5所示，由于样本数据均经过预处理，图上可以看出很多预测出的点与原来的 点基本重合，可见经PSO算法优化的BP神经网络的预测性能非常优越。

在得到最大负荷参数预测值后，即可按式(1)计算出节点4电压当前的稳定裕度， 从而判断当前的电压稳定程度，为步骤5提供参考。例如系统在基态运行时，当前负荷 参数λ＝1p.u.，而最大负荷参数预测值λ_maxp＝3.9315p.u.，则按式(1)计算出节点4 电压当前的稳定裕度μ为0.7456，μ∈(0.5,1]，因此在当前运行状态下，节点4电压是 稳定的。

步骤5：根据步骤4获得的电压稳定裕度μ，判断电网电压的稳定性，对电网电压 进行控制调节。结合预测的电网电压稳定程度，制定快速、有效的调节方案。常规的电 压调节措施有采用发电机自动电压调节器(AVR)调节、采用有载调压变压器(OLTC)调 节、采用分岔控制器调节、采用电网自动电压控制系统(AVC)调节、增加静止同步补偿 装置(STATCOM)、增加静止无功补偿装置(SVC)或并联电容器、甩负荷等。通过这些措施 的调节，系统运行状态应能够远离鞍结分岔点，这样，电压稳定域度必然增大，电网电 压的稳定性能够得到一定程度的增强。