基于功角最大Lyapunov指数轨迹推理的电网暂态稳定性预测方法

摘要

基于功角最大Lyapunov指数轨迹推理的电网暂态稳定性预测方法，利用电力系统中的相量测量单元PMU对故障后系统的暂态响应进行监测；依据发电机功角计算暂态末期的功角MLE轨迹；结合暂态响应信息中暂态初期的数据与暂态末期功角MLE轨迹，采用GRU算法构建并训练MLE轨迹推理模型并推理功角MLE轨迹；结合推理的功角MLE轨迹与对应的暂态稳定性类别，采用XGBoost算法构建并训练暂态稳定性判别模型；应用于实际系统中时，故障发生后将暂态响应信息中暂态初期的数据输入MLE轨迹推理模型得到功角MLE轨迹，将功角MLE轨迹输入暂态稳定性预测模型得到暂态稳定性预测结果。本发明可以有效提升暂态稳定性预测的时效性，预测结果具备较强的机理可解释性与较高的预测精度。

说明书

技术领域

本发明属于电力系统分析领域，具体地，涉及基于动态响应驱动的实时电网暂态稳定性预测。

背景技术

随着国家经济的快速发展，社会对于电力的需求不断增加，光伏风电等新能源装机容量占比进一步提升，高压直流输电通道的投入运行使得高度电力电子化的交直流混联电网逐步形成，故障扰动后电力系统的动态行为变得更加复杂，准确判断电力系统稳定性态势对于系统安全运行与紧急决策控制具有重要意义。

最大Lyapunov指数是一种可以表征复杂系统动力学行为的指标，当系统暂态故障发生后，若响应末期发电机功角最大Lyapunov指数恒为负值，则系统能够过渡至稳定平衡点，暂态维持稳定，否则失稳。尽管Lyapunov指数轨迹与系统暂态稳定性具有较为明确的映射关系，然而实际系统中直接应用基于长时功角响应观测计算的Lyapunov指数难以满足稳定性预测的时效性要求，且部分临界工况下纯阈值判别可能存在失误。对此，本申请基于故障后电力系统暂态初期的暂态响应信息采用GRU算法构建MLE轨迹推理模型对暂态末期的系统发电机功角MLE轨迹进行推理，然后采用具备较强可解释性的XGBoost算法构建暂态稳定性预测模型，将推理的MLE轨迹输入暂态稳定性预测模型后输出暂态稳定性预测结果，实现故障后电力系统暂态稳定性的实时预测。

发明内容

本发明的目的在于，针对上述问题，提出基于功角最大Lyapunov指数轨迹推理的电网暂态稳定性预测方法，降低稳定性预测的响应观测时长，提升预测结果的准确性与机理可解释性。

为实现上述目的，本发明采用如下技术方案：

基于功角最大Lyapunov指数轨迹推理的电网暂态稳定性预测方法，包括以下步骤：

步骤一：利用电力系统中的相量测量单元PMU对故障后系统的暂态响应进行监测，具体包括各发电机有功和无功功率、原动机机械功率、发电机功角、发电机机端电压幅值和相角、母线电压幅值和相角、母线注入和流出功率、线路传输有功和无功功率、线路消耗有功和无功功率，得到故障后系统的暂态响应信息，包含了暂态初期与暂态末期的数据；

步骤二：基于步骤一得到的故障后系统的暂态响应信息，其中包含暂态末期的发电机功角，依据发电机功角计算暂态末期功角最大Lyapunov指数，得到暂态末期的功角MLE轨迹；

步骤三：以步骤一得到的故障后系统的暂态响应信息中暂态初期的数据为输入，以步骤二得到的暂态末期功角MLE轨迹为输出，采用具备时序特征处理与预测能力的深度神经网络算法构建MLE轨迹推理模型并对模型进行训练，训练完成后再将步骤一得到的暂态初期的数据输入MLE轨迹推理模型，输出推理的功角MLE轨迹；

步骤四：采用具备强可解释性的极限梯度提升机XGBoost算法构建暂态稳定性预测模型，以步骤三推理的功角MLE轨迹为输入，以对应的暂态稳定性类别为输出，稳定性类别包含0，1两类，0表示暂态稳定，1表示暂态失稳，对暂态稳定性预测模型进行训练，得到训练好的暂态稳定性预测模型；

步骤五：应用于实际系统中时，故障发生后将步骤一暂态响应信息中暂态初期的数据输入步骤三训练好的MLE轨迹推理模型得到功角MLE轨迹，再将功角MLE轨迹输入步骤四得到的训练好的暂态稳定性预测模型进行暂态稳定性预测，输出暂态稳定性类别标签，若为0则表示暂态稳定，若为1则表示暂态失稳，从而实现故障后系统暂态稳定性的预测。

步骤二的暂态末期功角最大Lyapunov指数计算式如下：

式中：

为功角最大Lyapunov指数计算的初始点，N取值为1，Δt为步骤一中PMU

监测故障后系统的暂态响应的时间间隔，kΔt表示计算功角最大Lyapunov指数的时刻，

式中：各参数含义与式(1)中一致，

所述暂态稳定性指暂态功角稳定性。

步骤二中所述的发电机功角指发电机组与参考发电机之间的功角差值。

步骤三中，具备时序特征处理与预测能力的深度神经网络算法指门控循环单元GRU算法。

步骤四所述的极限梯度提升机XGBoost算法是决策树类的机器学习方法，该算法构建的模型训练时依据输入的功角MLE轨迹，自动选择与稳定性高度相关的功角MLE轨迹数据进行二值分类，依次构建决策树的根节点与叶节点；由于决策树中功角MLE轨迹与暂态稳定性之间存在明确的映射机理，且决策树的构建过程中直接对功角MLE轨迹数值大小进行比对，物理意义清晰，因此稳定性预测结果具备强可解释性。

和现有技术相比较，本发明具备如下优点：

本发明可以降低依据功角MLE轨迹预测电力系统暂态稳定性所依赖的暂态响应信息观测长度，提升暂态稳定性预测的时效性，为系统暂态演变过程提供额外信息。此外，采用决策树类的XGBoost算法构建暂态稳定性预测模型，稳定性预测结果具备较强的机理可解释性与较高的预测精度。

附图说明

图1为基于功角最大Lyapunov指数轨迹推理的电网暂态稳定性预测方法流程图。

图2为本发明实施例所述计算场景示意图。

图3为典型稳定、失稳与临界工况下MLE轨迹。

图4为功角MLE轨迹推理GRU模型训练过程中的误差曲线。

图5为暂态稳定性映射XGBoost模型的首棵决策树部分结构图。

具体实施方式

以下结合附图及具体实施例，对本发明作进一步的详细描述。

如图1所示，本发明实施例的基于功角最大Lyapunov指数轨迹推理的电网暂态稳定性预测方法，步骤一：获取故障后系统的暂态响应信息，本实施例选取的暂态初期的数据为故障后0-150ms以内的数据。本实施例以中国某区域简化主网典型运行方式下的暂态仿真数据为研究对象，网络结构见于图2，其包含197个节点，24个新能源场站以及4回直流输电通道。暂态仿真软件采用中国电科院有限公司开发的PSD-BPA，暂态故障设置为电力系统安全导则涉及的N-1、N-2、N-3以及直流故障等多种故障类型。

步骤二：获取故障后系统暂态末期的功角MLE轨迹，本实施例选取的时间节点为故障后7.8s～8.0s，依据公式(2)计算功角MLE轨迹，典型稳定、失稳与临界稳定工况下暂态末期的功角MLE轨迹如图3所示。

步骤三：以步骤一得到的暂态响应信息中暂态初期的数据为输入，以步骤二得到的暂态末期的功角MLE轨迹为输出，采用GRU算法构建MLE轨迹推理模型并训练。训练采用均方误差作为损失函数，训练过程中的误差曲线如图4所示，图4表明GRU算法能够以较低的误差拟合MLE轨迹。训练完成后推理得到训练数据集对应的MLE轨迹预测结果。由于MLE轨迹推理模型能够推理出暂态末期发电机的功角MLE轨迹，相比于直接采用深度神经网络预测暂态稳定性，其为电网调度人员提供了更多的暂态过程动态演变信息，同时也增强了后续稳定性预测结果的机理可解释性。

步骤四：采用具备强可解释性的极限梯度提升机XGBoost算法构建暂态稳定性预测模型，以步骤三推理的功角MLE轨迹为输入，以对应的暂态稳定性类别为输出，对暂态稳定性预测模型进行训练。模型训练完成后，模型的首棵决策树的部分树结构如图5所示，图5中节点名Gen代表发电机编号，Time代表选取的时间节点，各节点分裂时选取的特征为该发电机该时间点对应的功角最大Lyapunov指数，因此该决策树的构建与预测具有明确的物理意义与良好的可解释性。

步骤五：应用于实际系统中时，故障发生后将步骤一暂态响应信息中暂态初期的数据输入步骤三训练好的MLE轨迹推理模型得到功角MLE轨迹，再将功角MLE轨迹输入步骤四得到的暂态稳定性预测模型进行暂态稳定性预测，得到当前故障工况下系统暂态稳定性预测结果。本实施例随机选取了1800条失稳工况样本与1800条稳定工况样本对本申请所提出电网暂态稳定性预测方法进行测试，同时对比测试了传统功角MLE轨迹判据以及直接采用深度神经网络进行稳定性预测的预测效果，其结果见于表1.表1所记录的测试结果表明，本申请提出的方法能够有效降低功角MLE轨迹判据所依赖的暂态响应观测时长，从4～6s降低至150ms，提升暂态稳定性预测精度，降低误判与漏判概率，且同时具备较强的机理可解释性。

表1

最后应说明的是：以上所述仅为本发明的一个实施例，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。