一种暂态稳定预防控制措施生成方法及相关系统

摘要

本发明公开了一种暂态稳定预防控制措施生成方法及相关系统，包括以下步骤：在预想故障场景下，利用机器学习模型对电力系统当前运行方式进行暂态稳定预测，机器学习模型的输入包括与电力系统暂态稳定有关的各电气特征；将预测为不稳定的运行方式作为待解释样本，利用模型解释方法确定所述待解释样本中各电气特征对暂态稳定的影响程度；根据所述影响程度确定候选控制机组，并对所述候选控制机组进行调节，再利用所述机器学习模型对调节后的运行方式进行暂态稳定预测，直至获得预测为稳定的运行方式，从而生成暂态稳定预防控制措施。该方法提升了数据驱动的暂态稳定分析模型的可解释性，整体方案所需时间短，适合于在线应用。

说明书

技术领域

本发明属于电力系统暂态稳定预防控制领域，更具体地，涉及一种暂态稳定预防控制措施生成方法及相关系统。

背景技术

电力系统作为能源供应体系中的重要组成部分，对国家经济发展及社会活动具有战略性意义。电力系统的安全稳定运行对保障电力高效供应、维持社会正常运转至关重要。暂态稳定预防控制为保障电力系统安全稳定运行发挥重要作用。诸多大停电事故表明，一旦电力系统暂态稳定遭到破坏，极易引发大停电事故，给社会带来严重经济损失。

随着电力系统的发展，电力系统的结构及其动态特性愈发复杂。面对电力系统运行方式复杂多变的特点，传统的基于离线仿真和关键预想故障集的预防控制的模式已捉襟见肘。传统的暂态稳定预防控制通常需要兼顾长周期内可能出现的所有运行方式，其控制需要同时满足所有运行方式下的安全性，大大制约了电力系统的输电能力。此外，传统的暂态稳定预防控制无法实时响应实际运行过程中更恶劣的运行方式，容易遗漏故障，且对多重故障响应能力弱。

机器学习作为最炙手可热的人工智能技术之一，具备高效挖掘数据信息、实时响应预测的能力。得益于WAMS系统和SCADA系统，电力系统在运行过程中产生了海量的运行数据，这些运行数据为机器学习技术在电力系统分析应用提供了强有力的数据支撑。

暂态稳定预防控制面临两大挑战：(1)控制机组限制问题。传统的离线暂态稳定预防控制将所有机组纳入调控范围，实现全网调度控制，但这种调度方式对于暂态稳定预防控制而言，既不经济也不便捷。(2)耗时问题。传统方法通过计及暂态稳定约束的最优潮流(Transient stability constraint optimal power flow,TSCOPF)来获得预防控制措施，TSCOPF求解的耗时主要源于暂态稳定约束的判定。此外，TSCOPF求解是一个迭代优化的过程，且约束条件的增加提高了求解的难度，因而传统的TSCOPF求解比较耗时。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种暂态稳定预防控制措施生成方法及相关系统，旨在解决现有方法由于全网调度控制以及求解计及暂态稳定约束的最优潮流而导致的迭代优化过程耗时长的问题。

为实现上述目的，第一方面，本发明提供了一种暂态稳定预防控制措施生成方法，包括以下步骤：

在预想故障场景下，利用机器学习模型对电力系统当前运行方式进行暂态稳定预测，所述机器学习模型的输入包括与电力系统暂态稳定有关的各电气特征；

将预测为不稳定的运行方式作为待解释样本，利用模型解释方法确定所述待解释样本中各电气特征对暂态稳定的影响程度；

根据所述影响程度确定候选控制机组，并对所述候选控制机组进行调节，再利用所述机器学习模型对调节后的运行方式进行暂态稳定预测，直至获得预测为稳定的运行方式，从而生成暂态稳定预防控制措施。

进一步地，所述机器学习模型通过以下方式训练得到：

采集实际电力系统运行数据或人工生成运行数据；基于预想故障下的时域仿真，对运行数据进行标注；利用标注后的运行数据训练机器学习模型。

进一步地，所述利用模型解释方法确定所述待解释样本中各电气特征对暂态稳定的影响程度，包括：

基于所述待解释样本生成扰动样本，并利用所述机器学习模型标注扰动样本；计算扰动样本的权重，并利用带权重的扰动样本拟合得到线性解释模型，所述线性解释模型的权重系数表征所述待解释样本中各电气特征对暂态稳定的影响程度。

进一步地，所述基于所述待解释样本生成扰动样本，包括：

以所述待解释样本为中心，叠加一个从标准正态分布中随机生成的扰动，得到处于所述待解释样本邻域内的扰动样本集。

进一步地，所述根据影响程度确定候选控制机组，包括：

根据影响程度，对各电气特征进行排序，分别得到对暂态稳定预测结果正面和负面影响最大的至少一个电气特征，将其所对应的机组确定为候选控制机组。

进一步地，所述对所述候选控制机组进行调节，包括：

采用步进调节方式调节所述候选控制机组的有功功率，同时利用所述机器学习模型对调节后的运行方式进行暂态稳定预测；若调节后的有功功率超过所述候选控制机组的出力约束，则根据影响程度扩大候选控制机组范围，直至获得预测为稳定的运行方式。

第二方面，本发明提供了一种暂态稳定预防控制措施生成系统，包括：

预测模块，用于在预想故障场景下，利用机器学习模型对电力系统当前运行方式进行暂态稳定预测，所述机器学习模型的输入包括与电力系统暂态稳定有关的各电气特征；

解释模块，用于将预测为不稳定的运行方式作为待解释样本，利用模型解释方法确定所述待解释样本中各电气特征对暂态稳定的影响程度；

生成模块，用于根据所述影响程度确定候选控制机组，并对所述候选控制机组进行调节，再利用所述机器学习模型对调节后的运行方式进行暂态稳定预测，直至获得预测为稳定的运行方式，从而生成暂态稳定预防控制措施。

进一步地，所述解释模块，还用于基于所述待解释样本生成扰动样本，并利用所述机器学习模型标注扰动样本；计算扰动样本的权重，并利用带权重的扰动样本拟合得到线性解释模型，所述线性解释模型的权重系数表征所述待解释样本中各电气特征对暂态稳定的影响程度。

第三方面，本发明提供了一种电子设备，包括：

处理器；

存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如第一方面所述的暂态稳定预防控制措施生成方法。

第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面所述的暂态稳定预防控制措施生成方法。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明采取数据驱动的方式，利用机器学习模型实施快速暂态稳定分析，并基于模型解释实施快速预防控制措施生成，具有实现快速暂态稳定分析以及生成暂态稳定预防控制措施的优点，满足在线应用及安全性需求，在在线阶段的耗时方面优于现有的其他全局法方案。

(2)模型解释方法能够针对实时监测到的不安全样本进行特征重要度分析，提升暂态稳定分析模型的可解释性。模型解释方法有效识别出对样本预测结果影响最大的电气特征，实现候选控制机组识别，从而缩小了在暂态稳定预防控制措施中控制机组的选择范围，有效降低了预防控制的复杂度。同时，本发明明确给出了候选控制机组的识别方式以及调节方式，当电力系统在预想故障下存在失稳风险时，提供较为准确的预防控制措施。

附图说明

图1为本发明实施例提供的一种暂态稳定预防控制措施生成方法的流程示意图；

图2为本发明实施例提供的基于机器学习的暂态稳定分析的一般流程示意图；

图3为本发明实施例提供的针对暂态稳定分析的LIME解释示意图；

图4为本发明实施例提供的LIME解释流程图；

图5为本发明实施例提供的连续预测法示意图；

图6为本发明实施例提供的某不安全样本的LIME解释结果；

图7为本发明实施例提供的预防控制措施生成时暂态稳定分析模型连续预测结果示意图；

图8为本发明实施例提供的预防控制前后发电机转子角及最大相对转子角轨迹示意图，其中，(a)为预防控制前，(b)为预防控制后；

图9为本发明实施例提供的一种暂态稳定预防控制措施生成系统的框图；

图10是本发明实施例提供的电子设备的框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

参阅图1，结合图2至图8，本发明提供了一种暂态稳定预防控制措施生成方法，包括操作S1至操作S3。

操作S1，在预想故障场景下，利用机器学习模型对电力系统当前运行方式进行暂态稳定预测，所述机器学习模型的输入包括与电力系统暂态稳定有关的各电气特征。

具体的，机器学习模型构建流程如图2所示。采集实际电力系统运行数据或根据领域知识人工生成运行数据，构建数据集，其中，运行数据包括与电力系统暂态稳定有关的各电气特征(即输入特征)，例如发电机输出功率、节点电压幅值等；对数据集展开预想故障下的时域仿真，并利用稳定判据对运行数据添加分类标签；数据集经过预处理后可被用于训练并测试机器学习模型；在在线评估阶段，实时采集当前运行方式的状态量，利用机器学习模型对电力系统当前运行方式实施快速暂态稳定分析，评估在预想故障场景下当前运行方式的暂态安全性。

其中，上述机器学习模型可采用支持向量机、神经网络等模型。

操作S2，将预测为不稳定的运行方式作为待解释样本，利用模型解释方法确定所述待解释样本中各电气特征对暂态稳定的影响程度。

具体的，模型解释方法可选择用于解释样本预测的模型解释方法，如与模型无关的局部可解释方法(Local Interpretable Model-agnostic，LIME)、Shapley加性解释方法(Shapley Additive Explanation，SHAP)等。对由步骤S1中采用机器学习模型检测到不安全的当前运行方式，激活模型解释方法，用模型解释方法分析不安全运行方式的预测结果，量化输入特征对不安全预测结果的影响程度。

本实施例中，对由步骤S1中采用机器学习模型检测到不安全的当前运行方式，激活模型解释方法，用LIME解释方法分析不安全运行方式的预测结果，量化输入特征对不安全预测结果的影响程度。

LIME解释的核心思想是在待解释样本附近的局部区域，利用带权重的扰动样本集拟合一个线性解释模型，从而获得样本的每个特征对模型判断的贡献，即局部解释结果。LIME解释示意图如图3所示(选取暂态稳定分析模型的两个特征发电机1有功P

线性模型g定义如下式，其中w

待解释样本x的解释模型ξ(x)通过最小化线性模型g与原暂态稳定分析模型(即步骤S1中的机器学习模型)f的差异拟合而成，表示如下。

其中，G表示候选解释模型的集合；Ω(g)表示模型g的复杂度，即以正则化的方式约束模型g的特征数；

具体的，LIME解释的具体流程如图4所示。首先，确定待解释样本；然后生成运行样本，并利用原暂态稳定分析模型标注扰动样本；接着计算扰动样本的权重，并利用带权重的扰动样本训练解释模型；最后返回线性模型的权重系数，即模型解释结果。

操作S3，根据所述影响程度确定候选控制机组，并对所述候选控制机组进行调节，再利用所述机器学习模型对调节后的运行方式进行暂态稳定预测，直至获得预测为稳定的运行方式，从而生成暂态稳定预防控制措施。

具体的，根据影响程度，对各电气特征进行排序，分别得到对暂态稳定预测结果正面和负面影响最大的至少一个电气特征，将其所对应的机组确定为候选控制机组。采用步进调节方式调节所述候选控制机组的有功功率，同时利用所述机器学习模型对调节后的运行方式进行暂态稳定预测；若调节功率超过所述候选控制机组的出力约束，则根据影响程度扩大候选控制机组范围，直至获得预测为稳定的运行方式。

本实施例中，考虑到电力系统功率调节的平衡，采用成对控制机组的调控方式，成对控制机组包括正调机组和负调机组，二者调节功率相等，方向相反。需要说明的是，成对控制机组需要包括正调机组和负调机组，但并不要求正调机组和负调机组的数量相同。

确定候选控制机组后，进一步采用连续预测法搜索安全工作点，以确定调节量，生成候选的运行方式，示意图如图5所示。在利用连续预测法搜索安全运行点时，一旦暂态稳定分析模型预测电力系统的安全概率超过阈值，电力系统将被视为安全。在实际工程应用中，需要保证电力系统的保守运行，因此，保守运行点(搜索停止点)对应的安全概率阈值应合理地提高。

进一步，对新的运行方式进行暂态稳定预测，若初步生成的新运行方式仍不满足安全约束，则进一步基于前述调节率实施步进式调节。若调节后的有功功率超过候选控制机组的出力约束，则根据前述模型解释结果扩大候选控制机组范围。迭代该过程，直至确定满足安全约束的待调发电机组及其出力，即生成预防控制措施。

为了进一步说明本发明所提供的基于模型解释的电力系统暂态稳定预防控制措施生成方法，选择新英格兰10机39节点系统中的某不安全样本作为预想故障下的实际不安全场景验证所提方法。该不安全样本的LIME解释结果如图6所示。解释结果表明，特征P

最终运行点(搜索停止点)对应的安全概率阈值设为0.95，连续调节发电机组对G9和G2，并利用训练好的暂态稳定分析模型进行连续预测，结果如图7所示。最终运行点中发电机组对G9和G2的有功出力计划调节量为338.05MW。

进一步，通过潮流计算确定预防控制前后初始运行点和最终运行点，结果如表1所示。潮流计算结果中，主调频机组(即平衡机)G2的实际调节量为308.23MW，与计划调节量存在29.82MW的偏差。

表1预防控制前后初始运行点和最终运行点结果

*注：G2和G9为有功功率调节的机组

预防控制前后发电机转子角轨迹如图8所示。采用预防控制措施之前，系统在受预想故障后存在失稳的风险，发电机G2偏离系统，因而运行场景是不安全的。采取预防控制措施后，在仿真时间内，系统最大相对转子角为114.8°，小于安全阈值360°，系统处于暂态稳定状态，表明预防控制措施有效。

本发明中的预防控制措施生成方法的耗时情况如表2所示。耗时分为离线阶段和在线阶段两方面，其中离线阶段耗时主要取决于数据预处理和模型构建；在线阶段耗时包含在线暂态稳定分析、模型解释以及最终(安全)运行点搜索的耗时。所提方法以秒级的速度搜索到安全运行点，在耗时方面满足在线应用要求。

表2预防控制措施生成方法的耗时情况

传统的暂态稳定预防控制生成方法是通过时域仿真和最优潮流计算的多次交替迭代，耗时通常为时域仿真和最优潮流计算耗时之和的数倍。以新英格兰10机39节点系统为例，基于PSAT的10秒时域仿真(步进为0.01秒)耗时为9.114秒，最优潮流耗时2.697秒。因此，相比于传统的暂态稳定预防控制，引入机器学习暂态稳定分析模型替代时域仿真，极大地提高了在线评估的速度，本发明中的预防控制措施生成方法在在线阶段的耗时更短。

进一步与其他现有的暂态稳定预防控制方法进行在线阶段计算耗时方面的对比分析，包括粒子群优化法、差分进化法、直流潮流差分进化法、暂态灵敏度法，如表3所示。结果表明，相比于其他方法，本发明中的基于模型解释的电力系统暂态稳定预防控制措施生成方法在在线阶段计算耗时方面有较大优势。

表3各暂态稳定预防控制方法进行在线阶段计算耗时对比

实施例2

图9为本发明实施例提供的一种暂态稳定预防控制措施生成系统的框图。参阅图9，该暂态稳定预防控制措施生成系统900包括预测模块910、解释模块920、以及生成模块930。

预测模块910例如执行操作S1，用于在预想故障场景下，利用机器学习模型对电力系统当前运行方式进行暂态稳定预测，所述机器学习模型的输入包括与电力系统暂态稳定有关的各电气特征。

解释模块920例如执行操作S2，用于将预测为不稳定的运行方式作为待解释样本，利用模型解释方法确定所述待解释样本中各电气特征对暂态稳定的影响程度。

生成模块930例如执行操作S3，用于根据所述影响程度确定候选控制机组，并对所述候选控制机组进行调节，再利用所述机器学习模型对调节后的运行方式进行暂态稳定预测，直至获得预测为稳定的运行方式，从而生成暂态稳定预防控制措施。

暂态稳定预防控制措施生成系统900用于执行上述图1-图8所示实施例中的暂态稳定预防控制措施生成方法。本实施例未尽之细节，请参阅前述图1-图8所示实施例中的暂态稳定预防控制措施生成方法，此处不再赘述。

实施例3

本发明实施例还提供了一种电子设备，如图10所示，电子设备100包括处理器110、可读存储介质120。该电子设备100可以执行上面图1-图8中描述的暂态稳定预防控制措施生成方法。

具体地，处理器110例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器110还可以包括用于缓存用途的板载存储器。处理器110可以是用于执行参考图1-图8描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

可读存储介质120，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。

可读存储介质120可以包括计算机程序121，该计算机程序121可以包括代码/计算机可执行指令，其在由处理器110执行时使得处理器110执行例如上面结合图1-图8所描述的方法流程及其任何变形。

计算机程序121可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序121中的代码可以包括一个或多个程序模块，例如包括121A、模块121B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器110执行时，使得处理器110可以执行例如上面结合图1-图8所描述的方法流程及其任何变形。

实施例4

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如图1-图8所示的暂态稳定预防控制措施生成方法。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。