CN108876163B - 综合因果分析与机器学习的暂态功角稳定快速评估方法 - Google Patents
综合因果分析与机器学习的暂态功角稳定快速评估方法 Download PDFInfo
- Publication number
- CN108876163B CN108876163B CN201810674177.8A CN201810674177A CN108876163B CN 108876163 B CN108876163 B CN 108876163B CN 201810674177 A CN201810674177 A CN 201810674177A CN 108876163 B CN108876163 B CN 108876163B
- Authority
- CN
- China
- Prior art keywords
- operation mode
- angle stability
- power angle
- transient
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 115
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 title claims abstract description 16
- 230000001364 causal effect Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 9
- 238000013097 stability assessment Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种综合因果分析与机器学***。
Description
技术领域
本发明涉及电力***安全稳定分析技术领域,尤其涉及一种综合因果分析与机器学习的暂态功角稳定快速评估方法。
背景技术
为了保障电网尤其是特高压交直流混联电网的安全稳定运行,各级调度机构需要能够快速掌握电网的安全稳定运行情况,快速定位电网运行的风险点和风险程度,从而为电网的风险防范、控制决策提供依据。目前国内绝大部分的省级及以上电网调度控制机构建设了电网在线安全分析应用功能,该应用功能基于电网模型和实时运行方式数据,对电网运行状态进行周期性的分析计算,从静态、暂态、动态等多个方面综合评估电网的安全稳定性,并针对发现的安全稳定问题或安全稳定隐患进行辅助决策,向调度运行人员提供合理的调节方案建议。
暂态稳定分析是在线安全分析应用的关键功能,其核心是分析暂态功角是否失稳,目前主要采用时域仿真分析法或在时域仿真分析基础上的EEAC(Extended Equal-AreaCriterion)量化分析方法,基于对电网模型和实时运行方式数据进行严格的数值计算,得出电网的暂态稳定性结果。通常省级电网需计算的暂态稳定故障数为几百至上千个,为保证在5-10分钟内完成一次全网暂态稳定分析的计算速度要求,需要部署数百CPU核数的计算资源。随着电网网架规模的快速扩展,大量风电、光伏设备以及UPFC等各类新型设备的加入,计算复杂度将呈指数性上升趋势,所需的计算资源或计算耗时还将进一步增加。
与此同时,谷歌AlphaGo与国内***棋顶尖高手的“人机大战”引爆了新一轮人工智能的热潮,各种关于人工智能的报道、评论及展望见诸报端和网络,让人们认识到了人工智能等新技术的巨大能量。机器学习是人工智能领域的一个分支,通过使计算机在大量历史数据中挖掘所需信息,并从中学习规律,进而智能识别新样本或预测未来,从而使计算机在未事先明确编程的情况下做出正确反应或判断。机器学习已经在自动驾驶汽车、实用语音识别、基因组认识等方面带来大量帮助。在电力***领域,如何结合电力***调度运行的需求,借助大数据及人工智能等新技术,为电力***调度运行、分析决策提供了新的解决思路,成为电力***分析决策领域研究的热点。
电力***相关科研、产业机构结合大电网分析决策的实际需求,开展了电力***大数据、人工智能的相关研究,取得了一定的成果。专利“基于历史数据的电力***稳定性快速判断方法”(专利号:2015110301902)中,通过计算电网各状态量和电气量的统计量与故障临界切除时间的相关性,得出各故障下的特征量,再计算当前实时方式与历史方式特征量之间的度量距离,并根据度量距离采用K-最近邻算法,得出当前方式的稳定程度指标,用以判断当前时刻电网的稳定性。专利“一种基于在线历史数据的电力***暂态稳定评估方法(专利号:2015108372153)”中,首先由人工初筛出若干静态状态量,再对所选的静态状态量进行压缩,得到电网特征量,在此基础上,对历史数据样本进行失稳样本的扩展和稳定样本的压缩,形成计算样本,并利用SVM算法进行分类模型训练和参数优化,形成分类模型,以此评估电网的暂态稳定性。上述方法取得了一定的效果,但对历史分析结果的应用不充分,采用纯粹的机器学习方法存在一定的盲目性,同时由人工筛选状态量的方法,对人员经验的依赖较大。
发明内容
本发明的目的在于提供一种综合因果分析与机器学***。
为实现上述目的,本发明采用的技术方案,具体如下:
综合因果分析与机器学习的暂态功角稳定快速评估方法,包括以下步骤:
1)获取历史数据样本;基于EEAC量化分析方法的在线安全分析应用,获取应用运行所存储的历史数据,作为分析的数据样本;历史数据包括历史运行方式数据以及运行方式下各考核故障对应的暂态功角稳定仿真结果;
2)历史运行方式聚类;考虑到实际电网运行具有规律性和重复性,对电网历史运行方式数据,按照考核故障和安全稳定模式进行分类,判断运行方式差异导致的暂态功角稳定裕度变化是否适用线性化计算公式,将历史运行方式聚类到对应的运行方式簇;
3)关键特征量选择;基于历史运行方式数据和暂态功角稳定仿真结果,分析在各考核故障下,电网运行状态量对暂态功角稳定性的影响,选择故障下的关键特征量;
4)深度学习模型构建及训练:以关键特征量作为输入量,以运行方式簇作为输出量,建立深度学习模型,利用选择的关键特征量和各历史样本对应的运行方式簇,对构建的深度学习模型进行训练,得到训练后的深度学习模型;
5)实时运行方式所属运行方式簇计算:将电网当前实时运行方式输入训练得到的深度学习模型中,得出在各考核故障下,当前实时运行方式所对应的运行方式簇;
6)当前实时方式暂态功角稳定裕度估算:选取当前实时运行方式对应的运行方式簇内任一历史运行方式数据,以及历史运行方式的暂态功角稳定仿真结果,分析当前实时运行方式与选取的簇内历史运行方式之间的差异,基于暂态功角稳定裕度快速估算方法,得出当前电网运行方式的暂态功角稳定裕度,根据功角稳定裕度判断暂态功角稳定性,并输出暂态功角稳定性结果;
7)当前实时方式仿真分析:基于EEAC量化分析方法,对当前实时运行方式进行仿真,求取当前实时方式下暂态功角稳定性结果,包括暂态功角稳定裕度、分群模式和参与因子;
8)仿真结果样本处理:将当前实时方式数据以及所述实时方式下暂态功角稳定性结果,加入到历史样本中;并根据暂态功角稳定暂态功角稳定性结果,计算各考核故障下当前实时方式所属的运行方式簇,判断得出的运行方式簇与采用深度学习模型得出方式簇是否一致,若不一致,则利用历史样本对深度学习模型进行重新训练;
9)重新获取新一轮的电网实时运行方式数据,进入步骤5),实现新一轮电网运行方式暂态功角稳定性的评估。
步骤2)中所述历史运行方式聚类,具体包括以下步骤:
2-1)按照考核故障、安全稳定模式对各历史运行方式进行分类,将同一类里的每个历史运行方式视为同一个簇;
2-2)判断簇与簇之间因运行方式差异导致的暂态功角稳定裕度变化是否适用线性化计算公式,若适用线性化计算公式,则将两个簇进行合并,归为同一簇;
2-3)重复步骤2-1)和2-2),直至完成所有分类下所有簇的处理。
步骤2-2)具体包括以下步骤:在相同考核故障Fc下,历史运行方式SA经量化分析得出的暂态功角稳定裕度为ηA.c,历史运行方式SB经量化分析得出的暂态功角稳定裕度为ηB.c,若暂态功角稳定裕度之差ηA.c-ηB.c与由运行方式差异导致的暂态功角稳定裕度估算差异ηest之间的差值小于设定门槛值ηline-set,即:|(ηA.c-ηB.c)-ηest|<ηline-set,则认为在考核故障Fc下,历史运行方式SA和SB的暂态功角稳定裕度适用线性化公式描述。
步骤3)具体包括以下步骤:
3-1)基于EEAC量化分析结果,选取暂态功角稳定参与因子大于设定门槛值λset-A的发电机状态量作为关键特征量;
3-2)计算电网各历史运行方式状态量与暂态功角稳定性的相关性I(X,ηA),选取相关性大于设定门槛值Iset-A的状态量作为关键特征量;
3-3)选定与考核故障密切相关的电网统计量作为关键特征量,与考核故障密切相关的电网统计量包括电网总出力、总负荷和关键断面功率;
3-4)求取3-1)、3-2)和3-3)关键特征量的并集,筛选其中相关性最大的前Nkey个特征量作为对应故障的关键特征量;Nkey根据电网规模及计算性能需求设定。
较优地,步骤1)在缺乏数据样本的初始阶段,结合电网运行特点,设置一定数量的电网典型运行方式,并采用EEAC量化分析方法对典型运行方式进行暂态仿真分析,形成历史数据样本。
电网运行状态量包括机组开机状态、机组出力、电厂出力、母线电压、相角、联络线路潮流、联络变压器潮流、负荷水平、直流外送/受入功率、断面功率和线路投停状态。
本发明有益效果包括:
本发明公开一种综合因果分析与机器学习的暂态功角稳定快速评估方法,基于EEAC量化分析,充分利用在线安全分析应用暂态稳定评估功能存储的历史数据(包括电网历史运行方式数据以及对应的暂态稳定结果数据),综合基于严格数学模型推导的因果分析方法与基于大数据的机器学习方法,实现对电网实时运行方式下暂态功角稳定性的快速评估。由于避免了对电网故障过程的时域仿真,因此,采用本发明可大幅提升暂态稳定评估的计算速度;同时,通过采用历史分析结果中的暂态稳定量化信息,降低纯粹机器学习的盲目性,减少发现偶然性的关联关系。本发明可作为现有基于数字仿真分析的暂态功角稳定分析方法的有效补充。
附图说明
下面结合附图和实施例对本发明进一步说明;
图1为本发明一种综合因果分析与机器学习的暂态功角稳定快速评估方法流程图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效,且为了使该评价方法易于明白了解,下面结合具体实施例,进一步阐述本发明。
下面参照附图并结合实例对本发明作进一步描述。
如图1所示,本发明提供的这种综合因果分析与机器学习的暂态功角稳定快速评估方法,包括如下步骤:
步骤1)获取历史数据样本;基于EEAC量化分析方法的在线安全分析应用,获取应用运行所存储的历史数据,作为分析的数据样本;历史数据包括历史运行方式数据以及运行方式下各考核故障对应的暂态功角稳定仿真结果。在缺乏足够数据样本的初始阶段,结合电网运行特点,设置一定数量具有代表性的电网典型运行方式,并采用EEAC量化分析方法对典型运行方式进行暂态仿真分析,形成历史数据样本;
具有代表性的电网典型运行方式应覆盖夏大、夏小、冬大、冬小、检修、开环、合环等不同场景,并通过设置不同的发电-负荷水平,确保数据样本的多样性。
步骤2))历史运行方式聚类;考虑到实际电网运行具有规律性和重复性,对电网历史运行方式数据,按照考核故障和安全稳定模式进行分类,判断运行方式差异导致的暂态功角稳定裕度变化是否适用线性化计算公式,将历史运行方式聚类到对应的运行方式簇。同一运行方式簇内具有一致的考核故障、相同的安全稳定模式,并且暂态功角稳定裕度可以根据方式差异用线性化公式进行描述。同一运行方式簇可包含多个运行方式及其分析计算结果,也可能仅包含1个运行方式及其分析计算结果。
将历史运行方式划分到对应的运行方式簇包括以下内容:
2-1)按照考核故障、安全稳定模式对各历史运行方式进行分类,将同一类里的每个历史运行方式作为1个簇;
2-2)分析簇A与簇B之间因运行方式差异导致的稳定裕度变化是否适用线性化计算公式描述,若适用,则将这两个簇(簇A与簇B)进行合并,归为同一簇;其中,簇A与簇B指任意两个运行方式簇;
2-3)重复上述步骤,直至完成所有分类、所有簇的合并处理。
其中,所述根据运行方式差异导致的稳定裕度变化是否适用线性化计算公式描述的判断方法为:设在相同考核故障Fc下,历史运行方式SA经量化分析得出的的暂态功角稳定裕度为ηA.c,历史运行方式SB经量化分析得出的的暂态功角稳定裕度为ηB.c,若暂态功角稳定裕度之差ηA.c-ηB.c与通过专利“基于预想故障集自动筛选的在线暂态安全稳定评估方法”(专利号:201710247481X)中公式(5)由运行方式差异估算的暂态功角稳定裕度估算差异ηest之间的差值小于设定门槛值ηline-set,即:|(ηA.c-ηB.c)-ηest|<ηline-set,则认为在考核故障Fc下,历史运行方式SA和SB的暂态功角稳定裕度适用线性化公式描述。
步骤3)关键特征量选择;基于历史运行方式数据和暂态功角稳定仿真结果,分析在各考核故障下,电网运行状态量对暂态功角稳定性的影响,选择故障下的关键特征量;
选择关键特征量包括以下内容:
3-1)基于EEAC量化分析结果,选取暂态功角稳定参与因子大于设定门槛值λset-A的发电机状态量作为关键特征量;
3-2)计算电网各历史运行方式状态量与暂态功角稳定性的相关性I(X,ηA),选取相关性大于设定门槛值Iset-A的状态量作为关键特征量;
3-3)人工选取部分与考核故障密切相关的电网统计量,包括电网总出力、总负荷和关键断面功率,作为关键特征量;
3-4)求取上述三部分关键特征量的并集,筛选其中相关性最大的前Nkey个特征量作为对应故障的关键特征量。Nkey根据电网规模及计算性能需求设定。
电网运行状态量包括机组开机状态、机组出力、电厂出力、母线电压、相角、联络线路潮流、联络变压器潮流、负荷水平、直流外送/受入功率、断面功率和线路投停状态。
步骤4)深度学习模型构建及训练:以关键特征量作为输入量,以运行方式簇作为输出量,建立深度学习模型,利用选择的关键特征量和各历史样本对应的运行方式簇,对构建的深度学习模型进行训练,得到训练后的深度学习模型;
步骤5)实时运行方式所属运行方式簇计算:将电网当前实时运行方式输入训练得到的深度学习模型中,得出在各考核故障下,当前实时运行方式所对应的运行方式簇;
步骤6)当前实时方式暂态功角稳定裕度估算:选取当前实时运行方式对应的运行方式簇内任一历史运行方式数据,以及历史运行方式的暂态功角稳定仿真结果,分析当前实时运行方式与选取的簇内历史运行方式之间的差异,利用专利“基于预想故障集自动筛选的在线暂态安全稳定评估方法”(专利号:201710247481X)中的暂态功角稳定裕度快速估算方法,得出当前电网运行方式的暂态功角稳定裕度,根据功角稳定裕度判断暂态功角稳定性,并输出暂态功角稳定性结果;
步骤7)当前实时方式仿真分析:基于EEAC量化分析方法,对当前实时运行方式进行仿真,求取当前实时方式下暂态功角稳定性结果,包括暂态功角稳定裕度、分群模式和参与因子;
步骤8)仿真结果样本处理:将当前实时方式数据以及所述实时方式下暂态功角稳定性结果,加入到历史样本中;并根据暂态功角稳定暂态功角稳定性结果,计算各考核故障下当前实时方式所属的运行方式簇,判断得出的运行方式簇与采用深度学习模型得出方式簇是否一致,若不一致,则利用历史样本对深度学习模型进行重新训练;
步骤9)重新获取新一轮的电网实时运行方式数据,进入步骤5),实现新一轮电网运行方式暂态功角稳定性的评估。
本领域内的技术人员可以对本发明进行改动或变型的设计但不脱离本发明的思想和范围。因此,如果本发明的这些修改和变型属于本发明权利要求及其等同的技术范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.综合因果分析与机器学习的暂态功角稳定快速评估方法,其特征在于,包括以下步骤:
1)获取历史数据样本;基于EEAC量化分析方法的在线安全分析应用,获取应用运行所存储的历史数据,作为分析的数据样本;历史数据包括历史运行方式数据以及运行方式下各考核故障对应的暂态功角稳定仿真结果;
2)历史运行方式聚类;考虑到实际电网运行具有规律性和重复性,对电网历史运行方式数据,按照考核故障和安全稳定模式进行分类,判断运行方式差异导致的暂态功角稳定裕度变化是否适用线性化计算公式,将历史运行方式聚类到对应的运行方式簇;
3)关键特征量选择;基于历史运行方式数据和暂态功角稳定仿真结果,分析在各考核故障下,电网运行状态量对暂态功角稳定性的影响,选择故障下的关键特征量;
4)深度学习模型构建及训练:以关键特征量作为输入量,以运行方式簇作为输出量,建立深度学习模型,利用选择的关键特征量和各历史样本对应的运行方式簇,对构建的深度学习模型进行训练,得到训练后的深度学习模型;
5)实时运行方式所属运行方式簇计算:将电网当前实时运行方式输入训练得到的深度学习模型中,得出在各考核故障下,当前实时运行方式所对应的运行方式簇;
6)当前实时方式暂态功角稳定裕度估算:选取当前实时运行方式对应的运行方式簇内任一历史运行方式数据,以及历史运行方式的暂态功角稳定仿真结果,分析当前实时运行方式与选取的簇内历史运行方式之间的差异,基于暂态功角稳定裕度快速估算方法,得出当前电网运行方式的暂态功角稳定裕度,根据功角稳定裕度判断暂态功角稳定性,并输出暂态功角稳定性结果;
7)当前实时方式仿真分析:基于EEAC量化分析方法,对当前实时运行方式进行仿真,求取当前实时方式下暂态功角稳定性结果,包括暂态功角稳定裕度、分群模式和参与因子;
8)仿真结果样本处理:将当前实时方式数据以及所述实时方式下暂态功角稳定性结果,加入到历史样本中;并根据暂态功角稳定暂态功角稳定性结果,计算各考核故障下当前实时方式所属的运行方式簇,判断得出的运行方式簇与采用深度学习模型得出方式簇是否一致,若不一致,则利用历史样本对深度学习模型进行重新训练;
9)重新获取新一轮的电网实时运行方式数据,进入步骤5),实现新一轮电网运行方式暂态功角稳定性的评估;
步骤2)中所述历史运行方式聚类,具体包括以下步骤:
2-1)按照考核故障、安全稳定模式对各历史运行方式进行分类,将同一类里的每个历史运行方式视为同一个簇;
2-2)判断簇与簇之间因运行方式差异导致的暂态功角稳定裕度变化是否适用线性化计算公式,若适用线性化计算公式,则将两个簇进行合并,归为同一簇;
2-3)重复步骤2-1)和2-2),直至完成所有分类下所有簇的处理。
2.根据权利要求1所述的综合因果分析与机器学习的暂态功角稳定快速评估方法,其特征在于,
步骤2-2)具体包括以下步骤:在相同考核故障Fc下,历史运行方式SA经量化分析得出的暂态功角稳定裕度为ηA.c,历史运行方式SB经量化分析得出的暂态功角稳定裕度为ηB.c,若暂态功角稳定裕度之差ηA.c-ηB.c与由运行方式差异导致的暂态功角稳定裕度估算差异ηest之间的差值小于设定门槛值ηline-set,|(ηA.c-ηB.c)-ηest|<ηline-set,则认为在考核故障Fc下,历史运行方式SA和SB的暂态功角稳定裕度适用线性化公式描述。
3.根据权利要求1所述的综合因果分析与机器学习的暂态功角稳定快速评估方法,其特征在于,
步骤3)具体包括以下步骤:
3-1)基于EEAC量化分析结果,选取暂态功角稳定参与因子大于设定门槛值λset-A的发电机状态量作为关键特征量;
3-2)计算电网各历史运行方式状态量与暂态功角稳定性的相关性I(X,ηA),选取相关性大于设定门槛值Iset-A的状态量作为关键特征量;
3-3)选定与考核故障密切相关的电网统计量作为关键特征量,与考核故障密切相关的电网统计量包括电网总出力、总负荷和关键断面功率;
3-4)求取3-1)、3-2)和3-3)关键特征量的并集,筛选其中相关性最大的前Nkey个特征量作为对应故障的关键特征量;Nkey根据电网规模及计算性能需求设定。
4.根据权利要求1所述的综合因果分析与机器学习的暂态功角稳定快速评估方法,其特征在于,
步骤1)在缺乏数据样本的初始阶段,结合电网运行特点,设置一定数量的电网典型运行方式,并采用EEAC量化分析方法对典型运行方式进行暂态仿真分析,形成历史数据样本。
5.根据权利要求1所述的综合因果分析与机器学习的暂态功角稳定快速评估方法,其特征在于,
电网运行状态量包括机组开机状态、机组出力、电厂出力、母线电压、相角、联络线路潮流、联络变压器潮流、负荷水平、直流外送/受入功率、断面功率和线路投停状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810674177.8A CN108876163B (zh) | 2018-06-27 | 2018-06-27 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810674177.8A CN108876163B (zh) | 2018-06-27 | 2018-06-27 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876163A CN108876163A (zh) | 2018-11-23 |
CN108876163B true CN108876163B (zh) | 2021-07-23 |
Family
ID=64294952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810674177.8A Active CN108876163B (zh) | 2018-06-27 | 2018-06-27 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876163B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109861206B (zh) * | 2018-12-29 | 2022-08-09 | 国电南瑞科技股份有限公司 | 一种基于支持向量机的暂态功角稳定故障筛选***及方法 |
CN109902352B (zh) * | 2019-01-24 | 2022-07-01 | 南瑞集团有限公司 | 一种暂态功角稳定分析关键特征量提取方法及*** |
CN110163540B (zh) * | 2019-06-28 | 2021-06-15 | 清华大学 | 电力***暂态稳定预防控制方法及*** |
CN110443724B (zh) * | 2019-07-19 | 2022-08-16 | 河海大学 | 一种基于深度学习的电力***快速状态估计方法 |
CN110323743B (zh) * | 2019-07-24 | 2020-08-25 | 国电南瑞科技股份有限公司 | 一种暂态功角稳定评估历史数据的聚类方法及装置 |
CN110348540B (zh) * | 2019-07-24 | 2021-06-01 | 国电南瑞科技股份有限公司 | 基于聚类的电力***暂态功角稳定故障筛选方法及装置 |
CN110707695B (zh) * | 2019-11-12 | 2021-01-26 | 国电南瑞科技股份有限公司 | 基于人工智能的暂态功角稳定裕度计算方法及*** |
CN110969214B (zh) * | 2019-12-18 | 2023-06-23 | 天津大学 | 一种基于支持向量机综合模型的暂态安全域在线构建方法 |
CN113114527B (zh) * | 2021-03-15 | 2022-11-18 | 河池学院 | 基于机器学习的微电网暂态稳定性快速判别***及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074955B (zh) * | 2011-01-20 | 2015-06-10 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
WO2012122310A1 (en) * | 2011-03-08 | 2012-09-13 | Trilliant Networks, Inc. | System and method for managing load distribution across a power grid |
CN104578053B (zh) * | 2015-01-09 | 2017-01-04 | 北京交通大学 | 基于受扰电压轨迹簇特征的电力***暂态稳定性预测方法 |
CN106504116B (zh) * | 2016-10-31 | 2020-05-22 | 山东大学 | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 |
CN107800140B (zh) * | 2017-10-18 | 2021-08-13 | 天津大学 | 一种考虑负荷特征的大用户供电接入决策方法 |
-
2018
- 2018-06-27 CN CN201810674177.8A patent/CN108876163B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108876163A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876163B (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
CN106909933A (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏***发电效率综合评估方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN111652478B (zh) | 基于伞式算法的电力***电压稳定评估误分类约束方法 | |
CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
Wang et al. | Analysis of network loss energy measurement based on machine learning | |
Guo et al. | Wind speed forecasting of genetic neural model based on rough set theory | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN112052985A (zh) | 一种基于lightgbm的中短期低电压预测方法 | |
Zhao et al. | Short-term Wind Power Prediction Method Based on GCN-LSTM | |
Xue et al. | An efficient and robust case sorting algorithm for transient stability assessment | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN116663393A (zh) | 一种基于随机森林的配电网持续高温下故障风险等级预测方法 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN108959719B (zh) | 交直流混合的分布式可再生能源***测试场景模拟方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |