交直流混联受端电网直流闭锁多资源紧急控制优化方法

摘要

本发明提供了一种交直流混联受端电网直流闭锁多资源紧急控制优化方法，预优化阶段，包括：根据未来预设时间段的风电功率预测值、光伏出力预测值和负荷预测值，得到多个典型场景，以控制代价最小为目标，得到各个典型场景对应的控制策略，将典型场景与控制策略的对应关系存入优化决策知识库；在线优化阶段，包括：获取电网当前场景信息，根据预设场景相似性度量从优化决策知识库选择最相近的场景，以最相近的场景对应的控制策略为初值，以控制代价最小为目标，得到最终的控制策略；本发明提高了紧急控制方案对实际运行方式的适应性。

说明书

技术领域

本发明涉及电力控制优化技术领域，特别涉及一种交直流混联受端电网直流闭锁多资源紧急控制优化方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

大容量特高压直流馈入及新能源大量接入背景下，直流闭锁导致的大容量电源缺额引起电压和频率持续过大偏移，会触发保护动作导致大量负荷或机组切除，引起相继故障导致系统失稳崩溃。需制定精准的直流闭锁紧急控制方案，保证系统安全指标满足裕度要求，避免系统崩溃。

紧急切负荷是保证系统大规模功率扰动后安全性重要措施，许多研究人员对此展开研究。有研究人员利用受端电网直流闭锁后的“低频高压”特征驱动切负荷控制措施。有研究人员综合考虑暂态电压和频率安全约束求解切负荷控制措施。有研究人员计及暂态功角稳定约束提出切负荷点选择方法。

在紧急切负荷基础上，相关文献提出多资源协调控制措施，以充分利用实际电网可用控制资源。有研究人员提出综合考虑直流功率紧急提升、调相机紧急控制和切负荷协调控制策略。有研究人员分析抽蓄切泵、直流功率调制及精准切负荷等多安控资源特点，启发式地确定多资源动作顺序。有研究人员提出综合电网就地和远方信息直流功率调制与紧急功率支援协调控制方案，实现大区电网系统保护间协调动作。有研究人员协调传统离散切机和水电机组出力快速调节，进行频率安全紧急控制。为保证大容量直流馈入受端电网在直流闭锁等严重功率扰动下的安全，进行多资源协调控制研究具有重要意义。

目前电网安全稳定控制广泛采用“离线决策，实时匹配”策略，即在日前或更早阶段基于未来运行方式预测信息制定控制方案，基于离线时域仿真对其进行校验，供实时匹配。但在高新能源渗透率的现代电力系统中，新能源出力不确定，存在大量可能的未来运行方式。离线计算仅针对典型方式，所制定控制方案无法满足实际运行方式的精准控制需求。

为提升控制方案的精准性，需要针对实际运行方式制定紧急控制方案。但实时决策方法对计算速度要求极高，传统时域仿真方法难以满足实时决策需要。为提升实时决策效率，相关文献提出了紧急控制实时决策方法，依赖机器学习或简化模型快速获取动态安全指标用于方案优化。机器学习和简化模型的评估结果存在一定误差，基于机器学习和简化模型的实时决策方案无法满足精准控制需求。

发明内容

为了解决现有技术的不足，本发明提供了一种交直流混联受端电网直流闭锁多资源紧急控制优化方法，提高了紧急控制方案对实际运行方式的适应性。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种交直流混联受端电网直流闭锁多资源紧急控制优化方法，包括：

预优化阶段，包括：根据未来预设时间段的风电功率预测值、光伏出力预测值和负荷预测值，得到多个典型未来场景S

在线优化阶段，包括：获取电网当前场景信息，根据场景相似性度量

其中，定义场景相似性度量D

S

场景相似性度量D

以损失函数U最小为目标，使用梯度下降法求解度量变换矩阵T，所述损失函数U为：

其中，

对损失函数U引入L2范数正则化项降低过拟合风险，同时各项加上常数1保证损失函数恒为正，则损失函数变为Q：

其中，λ>0为正则化系数；

采用如下训练样本采样方式，以加快度量变换矩阵T的求解过程：

设定迭代次数q＝1，随机取第i个典型未来场景S

选择第j个典型未来场景S

以三元组(TS

重复上述迭代过程，直至满足

进一步的，控制代价为：所有负荷控制子站切负荷量的加和与紧急切负荷相对于抽蓄切泵的相对代价权重系数的乘积、所有直流调制量的加和与直流功率提升相对于抽蓄切泵的相对代价权重系数的乘积、所有抽蓄电站切泵量的加和三者的加和。

进一步的，预优化阶段以及在线优化阶段中，以控制代价最小为目标得到所述控制策略的优化问题，均为涉及动态安全约束的混合整数非线性规划问题，求解过程为：

针对最小化的控制代价目标函数中的动态安全约束，采用轨迹灵敏度方法局部线性化该动态安全约束，将混合整数非线性规划问题转化为混合整数线性规划问题进行迭代求解；

在迭代过程中不断进行局部线性化和使用Benders分解方法对转化后的混合整数线性规划问题进行求解，逐步逼近最优解，得到控制策略。

进一步的，基于摄动法对轨迹灵敏度进行求解，预优化阶段通过预构建的机器学习模型评估动态安全约束对应的动态安全指标的数值。

本发明第二方面提供了一种交直流混联受端电网直流闭锁多资源紧急控制优化系统，包括：

预优化模块，被配置为：根据未来预设时间段的风电功率预测值、光伏出力预测值和负荷预测值，得到多个典型未来场景S

在线优化模块，被配置为：获取电网当前场景信息，根据场景相似性度量

其中，定义场景相似性度量D

S

场景相似性度量D

以损失函数U最小为目标，使用梯度下降法求解度量变换矩阵T，所述损失函数U为：

其中，

对损失函数U引入L2范数正则化项降低过拟合风险，同时各项加上常数1保证损失函数恒为正，则损失函数变为Q：

其中，λ>0为正则化系数；

采用如下训练样本采样方式，以加快度量变换矩阵T的求解过程：

设定迭代次数q＝1，随机取第i个典型未来场景S

选择第j个典型未来场景S

以三元组(TS

重复上述迭代过程，直至满足

本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的交直流混联受端电网直流闭锁多资源紧急控制优化方法中的步骤。

本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的交直流混联受端电网直流闭锁多资源紧急控制优化方法中的步骤。

与现有技术相比，本发明的有益效果是：

本发明中，预优化阶段采用机器学习方法，可以快速评估典型未来场景下采用相应控制措施后的系统动态安全指标，以预优化阶段构建的决策知识库中合适方案作为迭代优化初值，在线优化阶段紧急控制方案优化过程可以快速收敛，从而有充足时间基于时域仿真方法计算动态安全指标准确值，提高了紧急控制方案对实际运行方式的适应性。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的多资源协调紧急控制方案两阶段优化框架示意图。

图2为本发明实施例1提供的控制策略迭代优化过程示意图。

图3为本发明实施例1提供的场景运行方式与控制方案相似性示意图。

图4为本发明实施例1提供的度量变换后场景相似性示意图。

图5为本发明实施例1提供的算例电网地理接线图。

图6为本发明实施例1提供的损失函数Q及矩阵T最大元素变化量示意图。

图7为本发明实施例1提供的基于D

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本发明实施例1提供了一种交直流混联受端电网直流闭锁多资源紧急控制优化方法，在预优化阶段，预测未来新能源出力与负荷生成典型未来场景，并基于轨迹灵敏度与机器学习方法得到各场景下优化控制方案，存入优化决策知识库。进入在线优化阶段，获取实际运行方式信息，并从知识库中优选合适控制方案作为初值，减少方案优化所需迭代次数，保证决策效率。在每一次优化迭代中，基于时域仿真准确评估安全指标以保证方案精准性。

具体的，包括：

S1：紧急控制方案两阶段优化框架

S1.1：多资源协调紧急控制方案优化模型

多资源协调紧急控制方案优化在保证各安全指标满足裕度要求基础上，尽量减少控制代价F。本实施例安全指标为系统扰动后系统最低频率f

本实施例所求解方案优化问题为式(1)：

其中，P

为衡量不同控制措施代价，本实施例在式(1)中引入紧急切负荷和直流功率提升相对于抽蓄切泵的相对代价权重系数ω

式(1)为同时含离散和连续变量的混合整数非线性优化，使用迭代算法求解。优化计及系统动态安全，每一步迭代需基于时域仿真求解动态安全指标。若初值选择不当，迭代次数多，计算量大，难以在较短前瞻时间内完成。合理选择初值是减少迭代次数，加快在线优化速度的关键。

S1.2：两阶段优化框架

为选择合理初值加快在线优化速度，以保证在线优化快速性，本实施例提出“预优化”—“在线优化”两阶段方案优化策略，如图1所示。

该策略中，首先设定前瞻时间T

S1.3：预优化阶段

预优化阶段基于未来风电功率预测值P

如前所述，优化过程中需要使用时域仿真方法获得相关动态安全指标。考虑到预优化阶段方案优化仅是为在线优化阶段提供方案优化初值，计算结果允许在一定误差范围内，因此预优化阶段采用机器学习模型替代时域仿真评估动态安全指标，以此来减少预优化阶段大量场景优化方案求解的计算量。

S1.4：在线优化阶段

在线优化阶段，使用时域仿真方法得到各动态安全指标数值用于方案优化。为了加快方案优化迭代速度减少迭代次数，以保证在每次迭代中有充足时间进行时域仿真，从{E

直接选择合适的方案优化初值E

合理的初值选择，可使方案在线优化迭代次数明显减少。每步迭代中有充足时间基于时域仿真得到安全指标准确值，保证所制定方案对实际运行方式适应性。

S2：多资源协调紧急控制方案优化问题求解

S2.1：基于轨迹灵敏度的控制方案迭代优化

预优化和在线优化阶段所求解优化问题相同，均为式(1)。该优化问题为涉及动态安全指标的非线性混合整数规划问题，难以直接求解。本实施例使用轨迹灵敏度方法局部线性化式(1)中动态安全约束，将其转化为混合整数线性规划问题进行迭代求解。在迭代过程中不断进行局部线性化和混合整数线性规划求解，逐步逼近最优解。迭代过程如图2。

图2中P

式中

根据预设收敛判据，控制策略优化求解迭代收敛判据为目标函数的改变量小于门槛值ΔF：

F(P

或至少有一个安全指标达到临界值，即式(4)中两式至少有一者满足：

基于上述方法，可以将原来的混合整数非线性规划问题线性化。通过求解相应的混合整数线性规划问题，即可得到实际场景下的优化控制方案。

S2.2：基于Benders分解的控制方案优化问题求解

通过上述轨迹灵敏度方法可以将预优化和在线优化阶段中复杂的混合整数非线性规划问题转化为如式(2)所示的混合整数线性规划问题。使用成熟的Benders分解方法对转化后的混合整数线性规划问题进行求解。Benders分解法计算原理是：将子问题的信息用Benders割方式反馈给主问题，减轻主问题的计算规模。同时，通过在子问题中引入非负的松弛变量，描述主问题解对子问题约束的违背程度，起到耦合主子问题可行解作用。

使用Benders算法求解本实施例所提多措施协调混合整数线性规划问题，整体解算流程为：

1)将紧急切负荷与抽蓄切泵整数规划问题作为主问题求解，添加整数解约束，确定初始解；

2)以直流功率紧急调制量优化求解为子问题，校验子问题，确定起作用的子问题集，记为反馈集；

3)根据反馈集形成Benders割约束，修正主问题并更新解，返回步骤2)，直到子问题约束满足，结束计算。

S2.3：控制措施灵敏度求解

实现式(2)中局部线性化关键在于轨迹灵敏度向量求解。电力系统高维非线性，难以使用解析法直接求解轨迹灵敏度。

本实施例基于摄动法，对轨迹灵敏度进行求解：

式中x为控制量，x

预优化阶段针对大量场景多次迭代优化方案，若每次迭代基于时域仿真得到y(x

在线优化阶段可获取准确实际运行方式信息，针对唯一确定场景优化控制方案。为保证所得方案对实际运行方式适应性，需基于时域仿真得到y(x

S3：在线优化阶段的方案初值优选

合理的方案初值优选可以明显较少方案优化迭代次数，保证在线优化快速性。如前所述，直接选择方案优化初值存在困难。本节将方案优化初值选择问题转化为相似场景选择问题，通过选择相似场景间接选出方案优化合理初值。

S3.1：方案初值优选思路

对于控制方案E

在线优化阶段可获取系统准确实际运行方式信息，得到以稳态潮流特征表征的未来场景S

场景相似性度量D

S3.2：场景相似性度量

根据度量D

若直接采用式(7)中度量D

对此，本实施例引入度量变换矩阵

S'

度量变换的本质是特征空间变换，场景S

实际上，引入度量变换矩阵T，相当于场景相似性度量由D

从{S

S3.3：场景相似性度量

学习度量

本实施例以式(11)中U作为损失函数，使用梯度下降法求解变换矩阵T:

其中，

式(11)中损失函数最小化的目标，是使得对于场景S

即保证在场景相似性度量

对损失函数进一步引入L2范数正则化项降低过拟合风险，同时各项加上常数1保证损失函数恒为正，则损失函数变为Q，如式(14)所示。

其中，λ>0为正则化系数。

若每次训练将全部场景作为训练样本，时间复杂度较高，求解效率低。本实施例采用如下训练样本采样方式，以加快T的求解过程。

设定迭代次数q＝1，随机取场景S

选择场景j和场景k，满足对任意的h，1≤h≤M，h≠i，j，k，有

以三元组(TS

重复上述迭代过程，直至满足

基于上述过程得到场景相似性度量

S4：算例分析

S4.1：算例电网介绍.

使用某省级电网为算例，验证本实施例方法有效性。系统基准负荷58GW，以馈入8GW功率的直流#2闭锁作为扰动事件，馈入4GW功率的#1直流和馈入8GW功率的#3直流作为被控直流。选择闭锁直流落点附近负荷控制子站作为紧急切负荷对象，可切负荷量总共10.39GW，各负荷控制子站控制级数为10级。各直流功率过载上限取为1.1倍，直流#1和直流#3最大可控量分别为0.4GW和0.8GW。抽蓄电站配备4台250MW抽蓄机组，抽蓄电站最大可控量为1GW。

S4.2：基于机器学习的动态安全指标评估验证

预优化阶段为快速求解大量场景下优化控制方案，使用机器学习方法快速评估动态安全指标。需提前训练好相关机器学习模型，然后基于S2中方法求解多资源协调紧急控制优化方案。

本实施例所用风电功率数据为算例系统170、178、187、322节点风场2020年1月1日至2020年12月31日数据，每1h为一个时间断面，共有8784个不同时间断面。随机选取12个连续时间断面作为控制方案两阶段刷新时段，将其余8772个时间断面数据作为历史数据用于预测未来典型场景，以及生成机器学习评估模型训练和测试样本。基于历史数据采用时域仿真得到8772个样本，80％作为训练样本，20％作为测试样本，所得机器学习评估模型的训练与测试误差如表1所示。频率和电压安全指标的训练误差均方根

表1：机器学习模型训练与测试误差。

由表1可知，采用所构建的机器学习评估模型，最低频率评估训练误差在0.0084Hz范围内，测试误差在0.023Hz范围内，参考节点最低电压评估训练误差在0.016范围内，测试误差在0.032范围内。所构建的频率和电压安全机器学习评估模型虽然存在一定评估误差，但误差较小，在允许范围内。

S4.3：预学习阶段控制方案优化精度验证

设定S1中T

200个场景中某一场景下控制方案迭代优化过程迭代次数、安全指标值及控制代价如表所示。本算例电压安全裕度较大，主导安全因素为频率安全，此处仅展示频率安全指标f

表2：迭代过程中各指标数值。

由表2可得，采用所提机器学习模型评估系统最终频率为49.500Hz，而系统实际最终频率为49.509Hz，机器学习模型评估误差仅为0.009Hz。随优化过程的进行，控制代价F从开始的274.5逐渐减小，最终减小为230.5。通过本实施例所提轨迹灵敏度和机器学习相结合的方法，可以在保证动态安全指标满足要求的前提下，减小控制成本。

该场景下，本实施例基于机器学习模型计算轨迹灵敏度的优化控制方案求解与使用时域仿真方法计算轨迹灵敏度相对比，控制量P

表3：机器学习与时域仿真求取轨迹灵敏度方法对比。

由于机器学习模型在频率安全指标评估方面存在误差，基于机器学习的轨迹灵敏度优化所得控制方案下系统直流闭锁后最低频率为49.509Hz，高于基于时域仿真的轨迹灵敏度优化所得控制方案下的49.500Hz，其控制量相较于基于时域仿真方法的轨迹灵敏度方法多0.045GW，控制代价F为230.5，高于基于时域仿真方法计算灵敏度的225.5。但是由于采用机器学习模型代替时域仿真方法计算轨迹灵敏度，所提轨迹灵敏度方法计算速度明显加快，与基于时域仿真方法的轨迹灵敏度方法所需的1216.9s相比，仅需4.1s。

由于需对200个场景下控制策略进行求解，若采用时域仿真的方法计算动态安全指标，则所用时间在67.6h左右，远大于1h前瞻时间。而采用机器学习方法计算动态安全指标，200个场景下控制方案的求解总共所需时间仅为13.6min，可以保证200个未来场景下控制方案的求解能够在1h的前瞻时段内完成。从而快速为在线优化准备初值候选。

S4.4：在线优化阶段初值优选

当进入10min的前瞻时段内时，需要基于S3中方法匹配得到与实际运行方式最相似场景。将其对应控制策略作为初始值，迭代优化得到最优控制方案。正则化系数λ取0.1，收敛阈值ε和μ分别取为0.075和300，训练过程中损失函数Q及变换矩阵T中元素最大变化值如图6所示：

训练过程大约40代后收敛，训练时间仅需132.4s。得到T后即可得到

分别基于D

由图7可知，采用D

S4.5：在线优化阶段不同初值下优化过程比较

将基于

表4：不同初值选择方式下优化结果对比。

由表4可知，使用相似场景下优化控制策略作为初值，与使用随机初值相比，迭代优化过程迅速趋向收敛，迭代次数减少。由于考虑了运行方式相似性与控制方案相似性的联系，基于本实施例所提

实施例2：

本发明实施例2提供了一种交直流混联受端电网直流闭锁多资源紧急控制优化系统，包括：

预优化模块，被配置为：根据未来预设时间段的风电功率预测值、光伏出力预测值和负荷预测值，得到多个典型场景，以控制代价最小为目标，得到各个典型场景对应的控制策略，将典型场景与控制策略的对应关系存入优化决策知识库；

在线优化模块，被配置为：获取电网当前场景信息，根据预设场景相似性度量从优化决策知识库选择最相近的场景，以最相近的场景对应的控制策略为初值，以控制代价最小为目标，得到最终的控制策略。

所述系统的工作方法与实施例1提供的交直流混联受端电网直流闭锁多资源紧急控制优化方法相同，这里不再赘述。

实施例3：

本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的交直流混联受端电网直流闭锁多资源紧急控制优化方法中的步骤。

实施例4：

本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的交直流混联受端电网直流闭锁多资源紧急控制优化方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。