CN111311008A - 交直流大电网动态安全风险态势滚动前瞻预警方法及*** - Google Patents
交直流大电网动态安全风险态势滚动前瞻预警方法及*** Download PDFInfo
- Publication number
- CN111311008A CN111311008A CN202010107988.7A CN202010107988A CN111311008A CN 111311008 A CN111311008 A CN 111311008A CN 202010107988 A CN202010107988 A CN 202010107988A CN 111311008 A CN111311008 A CN 111311008A
- Authority
- CN
- China
- Prior art keywords
- early warning
- rolling
- ttc
- power grid
- power
- 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.)
- Granted
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013210 evaluation model Methods 0.000 claims abstract description 39
- 230000003449 preventive effect Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000002265 prevention Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种交直流大电网动态安全风险态势滚动前瞻预警方法及***,包括:构建TTC快速评估模型的原始特征集;基于未来一段时间的电网拓扑结构和预测信息,生成TTC快速评估模型的训练样本集;基于SDAE和ELM建立TTC快速评估模型;生成未来态运行场景,基于TTC快速评估模型和启发式搜索方法,计算为保证***安全所需的预防控制措施类型;根据电网所处的运行状态类别和所需的预防控制措施类型,对运行场景进行分层分级预警。基于深度学习技术,能够快速进行动态安全风险态势的滚动预警,最终的分层分级预警结果能够更全面的反映***运行状态的安全性,并且能对下一步的预防控制决策提供有效的指导信息。
Description
技术领域
本公开属于电力***动态安全风险预警领域,尤其涉及一种交直流大电网动态安全风险态势滚动前瞻预警方法及***。
背景技术
随着大容量HVDC输电技术的应用,现代电力***已经成为交直流混联大电网。交流***的局部短路故障可能会引发HVDC发生连续换相失败或者闭锁,进而在交流***中造成大范围潮流转移和巨大功率缺额,破坏整个***的安全性。安全风险态势前瞻预警是保障电网安全运行的关键技术之一,能够提前对未来可能出现的运行场景进行动态安全分析并识别出高风险运行场景,为预防控制预留出充足的时间并提供有价值的决策信息。由于电网互联和电力电子技术的应用,电网规模显著增大,元件的数学模型更加复杂。时域仿真所需要的计算量显著增加,难以满足在线应用的计算时间要求。同时,大量可再生能源发电被接入电网中,由于其出力的不确定性,电网未来时刻的运行场景数目显著增加,这进一步增加了前瞻预警的难度。
针对安全风险态势前瞻预警问题,主要有基于严重度函数的预警方法、基于负荷损失量的预警方法和基于控制代价的预警方法三类。基于严重度函数的预警方法中,严重度函数的类型和参数由调度员主观设定,预警结果的工程含义不足。基于负荷损失量的预警方法中,负荷损失量指标无法为后续的预防控制提供有价值的决策信息。基于控制代价的预警方法首先分析不同控制措施类型所具有的控制代价,然后根据为了保证***安全所需要采取的控制措施类型对运行场景进行预警分级,既具有明确的工程含义,又能为预防控制提供有价值的决策信息。
然而,发明人发现现有的基于控制代价的预警方法至少存在以下不足:(1)HVDC功率调制是交直流混联电网中重要的调控措施之一,但现有的预警分级策略中没有包含该措施。(2)考虑动态安全约束后,现有预警方法的计算速度难以满足在线应用的快速性要求。(3)根据安全性约束的满足情况,电力***的运行状态分为正常安全状态、正常不安全状态和紧急状态等多种类别,现有的预警分级结果无法反映这些信息。
发明内容
为了解决上述问题,本公开提出了一种交直流大电网动态安全风险态势滚动前瞻预警方法及***。将可用输电能力(available transfer capability,ATC)作为交直流混联电网的安全裕度指标,利用深度学习技术快速评估计及动态安全约束的可用输电能力;考虑电网所处的运行状态类别和为了保证***安全所需的预防控制措施类型,实现分层分级预警。在线应用时,滚动获取负荷功率最新预测信息、新能源出力最新预测信息和可用的预防控制资源信息,更新预警计算结果,实现滚动预警。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供一种交直流大电网动态安全风险态势滚动前瞻预警方法,包括:
采用堆叠降噪自动编码器和极限学习机构建TTC快速评估模型,利用训练样本集对TTC快速评估模型进行训练;
根据获取的电网负荷功率和新能源出力的预测信息,生成未来态运行场景;
根据训练后的TTC快速评估模型,结合启发式搜索方法,计算为满足ATC裕度约束所需的预防控制措施类型;
根据电网所处的运行状态类型和预防控制措施类型,对未来态运行场景进行分层分级预警;
滚动获取电网负荷功率最新预测信息、新能源出力最新预测信息和最新预防控制资源信息,更新预警计算结果,实现滚动预警。
第二方面,本公开提供一种交直流大电网动态安全风险态势滚动前瞻预警***,包括:
TTC快速评估模型建立模块,被配置为采用堆叠降噪自动编码器和极限学习机构建TTC快速评估模型,利用训练样本集对TTC快速评估模型进行训练;
运行场景集合生成模块,被配置为根据获取的电网负荷功率和新能源出力的预测信息,生成未来态运行场景;
控制代价计算模块,被配置为根据训练后的TTC快速评估模型,结合启发式搜索方法,计算为满足ATC裕度约束所需的预防控制措施类型;
预警分级模块,被配置为根据电网所处的运行状态类型和预防控制措施类型,对未来态运行场景进行分层分级预警;
预警结果滚动更新模块,其被配置为滚动获取电网负荷功率最新预测信息、新能源出力最新预测信息和最新预防控制资源信息,更新预警计算结果,实现滚动预警。
与现有技术相比,本公开的有益效果为:
(1)本公开合理分析了HVDC功率调制的控制代价的特点,并将该措施加入到预警分级策略中,增加了预警分级结果的合理性。
(2)本公开利用深度学习技术建立TTC快速评估模型,能够同时考虑多类动态安全约束快速计算给定运行场景的TTC;由于避免了时域仿真,能够快速计算出计及动态安全约束的安全风险态势预警结果。
(3)本公开同时考虑了电网所处的运行状态类别和所需的控制代价,提出了分层分级预警体系;相比与原有基于控制代价的预警方法,能够更全面的反映***运行状态的安全性,并且具有明确的工程意义。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例1提供的交直流大电网动态安全风险态势滚动前瞻预警方法流程图;
图2为本公开实施例1提供的TTC快速评估模型的结构图;
图3为本公开实施例1提供的分层分级预警示意图;
图4为本公开实施例1提供的基于所需的预防控制措施类型的预警等级计算流程图;
图5为本公开实施例1提供的预警结果滚动更新流程图;
图6为本公开实施例2提供的交直流大电网动态安全风险态势滚动前瞻预警***示意图。
具体实施方式:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
实施例1
如图1所示,本实施例提供一种交直流大电网动态安全风险态势滚动前瞻预警方法,包括:
S1:采用堆叠降噪自动编码器和极限学习机构建TTC快速评估模型,利用训练样本集对TTC快速评估模型进行训练;
S2:根据获取的电网负荷功率和新能源出力的预测信息,生成未来态运行场景;
S3:根据训练后的TTC快速评估模型,结合启发式搜索方法,计算为满足ATC裕度约束所需的预防控制措施类型;
S4:根据电网所处的运行状态类型和预防控制措施类型,对未来态运行场景进行分层分级预警;
S5:滚动获取电网负荷功率最新预测信息、新能源出力最新预测信息和最新预防控制资源信息,更新预警计算结果,实现滚动预警。
所述步骤S1中,根据与最大输电能力(total transfer capability,TTC)有关的运行方式特征和预防控制措施调控变量构建TTC快速评估模型的原始特征集,所述原始特征集包括负荷有功、发电机有功、风电有功、HVDC有功、发电机有功调整量、HVDC功率调制量和切负荷量。
TTC快速评估模型的输入特征需要包括影响TTC的所有因素。假定负荷功率因数和风电功率因数为常数,负荷有功、发电机有功、风电有功和HVDC有功被选择为代表运行方式的特征;另外,由于预防控制措施能够提高***的TTC,所以预防控制决策变量也被选择为输入特征。
所以输入特征集应包括:负荷有功、发电机有功、风电有功、HVDC有功和预防控制决策变量;考虑的典型预防控制决策变量包括:发电机有功调整量、HVDC功率调制量和切负荷量;模型的输出为特定场景下考虑所有预想事故后的TTC。
所述步骤S1中,TTC快速评估模型由堆叠降噪自动编码器(stacked denoisingautoencoder,SDAE)和极限学习机(extreme learning machine,ELM)构成,SDAE用于特征抽取以获得原始特征的高阶特征表达,ELM用于建立高阶特征与TTC间的非线性映射关系,其结构图如图2所示。
深度学习利用深层网络结构从原始输入特征提取出高阶抽象特征,能够提高后续回归器的准确性,作为一种典型的深度学习模型,SDAE在面对实际数据时具有更好的稳定性和鲁棒性。因此,SDAE被用于在TTC快速评估模型中进行特征提取。
(1)SDAE由降噪自动编码器(denoising autoencoder,DAE)经过栈式堆叠构成,DAE的模型结构与自动编码器相同,但DAE在训练时首先对样本数据加入噪声信息,以提取出更具鲁棒性的特征表达。
DAE的激活函数采用sigmoid函数,代价函数L的表达式为:
式中:x为输入数据向量;z为对x加入噪声后经过重构的结果向量;λ为正则化系数;n1为权值的数目;wi(1≤i≤n1)为DAE中待优化的权值。
(2)回归器采用极限学习机ELM,其代价函数为:
式中:C1为惩罚系数;Y为训练样本的标签向量;J为隐藏层的输出向量;we是ELM的输出权重向量。
令,Le对we的导数为0,最优的we,即we*的表达式为:
式中:h是ELM隐藏层神经元的数目;Ih是维度为h的单位矩阵。
所述步骤S1中,训练样本集构建过程为:
(a)获取未来一段时间的负荷功率波动区间、风电功率波动区间和网络拓扑;
(b)生成无标签样本,负荷功率和风电功率在波动区间内随机变化,发电机功率由预定义的调度原则进行计算,预防控制决策变量在预定义的波动区间内随机变化;
(c)计算无标签样本的TTC,使用连续潮流校验静态安全约束,使用时域仿真校验动态安全约束。
所述步骤S1中,TTC快速评估模型的训练过程为:
(a)将SDAE的每个隐藏层分解为一个独立的DAE,使用所有训练样本对SDAE进行逐层的无监督训练;
(b)SDAE训练完成后,将其提取出的高阶特征作为新的样本特征,使用所有训练样本对ELM进行有监督训练。
所述步骤S3中,ATC代表了在满足一定的安全约束条件下,一个物理输电网络中剩余的输电能力,其被定义为:
ATC=TTC-ETC-CBM-TRM,
式中,CBM是容量效益裕度;TRM是输电可靠性裕度。对于一个***,CBM和TRM一般被预定义为一个常数,所以在进行ATC计算时没有进行考虑。
***的安全性通过ATC裕度指标进行表征,其被定义为ATC和ETC的比值。为了保证***的安全运行,需要满足的ATC裕度约束为:
其中,m为预先给定的最小裕度值。
所述步骤S3中,利用启发式搜索方法,计算为满足ATC裕度约束所需的预防控制措施类型具体过程为:
(1)近似计算所有控制量对于ATC裕度的控制灵敏度,首先给控制变量一个微小的增量,然后通过TTC评估模型计算TTC的变化量,进而计算ATC裕度的变化量;
(2)超过给定灵敏度阈值的所有控制变量都朝着增大ATC裕度的方向被调整;
(3)对控制变量进行越限检查,如果一个控制变量超过预先设定的限值,则将其设置为对应的上限或下限值;
(4)检查是否满足搜索终止条件,如果满足任一条件,则搜索过程终止。
其中,考虑的终止条件包括:a)一个可用的控制方案被搜索出;b)达到最大的迭代次数;c)在进行控制灵敏度计算后,所有控制变量的灵敏度都没有超过给定的灵敏度阈值。
所述步骤S4中,分层分级预警示意图如图3所示。在预想事故集给定后,如果***满足ATC裕度约束,则处于正常安全状态;如果因为静态安全约束的限制,***不满足ATC裕度约束,则处于正常静态不安全状态;如果因为动态安全约束的限制,***不满足ATC裕度约束,则处于正常动态不安全状态;如果***在事故前的静态运行点就出现了静态安全约束不满足的现象,则处于紧急状态。
根据***所处的运行状态类别进行第一层次的预警分级,按照严重度递增的顺序,分级原则为:
无需预警:***处于正常安全状态;
I级预警:***处于正常静态不安全状态;
II级预警:***处于正常动态不安全状态;
III级预警:***处于紧急状态。
第一层次的预警分级结束后,如果***没有处于正常安全状态,则进行第二层次的预警分级,根据为了满足ATC裕度约束所需要的预防控制措施类型进行预警分级。考虑区域内的发电机功率调度、跨区域的HVDC功率调制和切负荷三类预防控制措施;一般情况下,区域内的功率调度不改变区域间的功率传输计划,具有较低的控制代价;切负荷能够导致显著的经济损失和负面的社会影响,具有最高的控制代价。基于以上分析,按照严重度递增的顺序,分级原则为:
1级预警:需要采取区域内的发电机功率调度;
2级预警:需要采取跨区域的HVDC功率调制;
3级预警:需要采取切负荷;
4级预警:仅通过可用的预防控制措施,无法使ATC裕度约束得到满足。
基于所需的预防控制措施类型的预警等级计算流程图如图4所示。最优潮流(OPF)被用于计算为了满足安全约束条件所需要的控制措施,但是由于ATC受到动态安全约束的限制,直接在OPF模型中表达ATC裕度约束非常困难。因此,利用启发式搜索方法计算第二层次的预警等级,图4中的关键环节是考虑特定的预防控制措施,搜索能够满足ATC裕度约束的预防控制决策方案。
所述步骤S5中,预警结果滚动更新流程图如图5所示。滚动预警的流程为:
(1)当负荷功率和新能源出力的预测信息滚动更新后,获取这些最新的预测信息和最新的预防控制资源信息;
(2)基于最新的预测信息生成待预警的未来态运行场景集合;
(3)对于待预警的未来态运行场景,计算该场景第一层次的预警分级结果;
(4)计算该场景第二层次的预警分级结果;
(5)对原有的预警结果进行滚动更新;
(6)如果预测信息还会再次滚动更新,则进行等待;否则,滚动预警流程结束。
电力***实际运行时,负荷功率和新能源出力的预测信息会隔间一定的时间进行滚动更新,可用的预防控制资源也会不断变化。负荷功率和新能源出力的预测信息会随着滚动更新变得更加准确,不确定性逐渐降低。基于这些更新后的预测信息进行预警计算,也能够提高预警结果的准确性。当负荷功率和新能源出力的预测信息滚动更新后,本实施例基于最新的预测信息,结合最新的预防控制资源信息,更新原有的预警结果,实现滚动预警。
实施例2
如图6所示,本实施例提供一种交直流大电网动态安全风险态势滚动前瞻预警***,包括:
TTC快速评估模型建立模块,被配置为采用堆叠降噪自动编码器和极限学习机构建TTC快速评估模型,利用训练样本集对TTC快速评估模型进行训练;
控制代价计算模块,被配置为根据训练后的TTC快速评估模型,结合启发式搜索方法,计算为满足ATC裕度约束所需的预防控制措施类型;
预警分级模块,被配置为根据电网所处的运行状态类型和预防控制措施类型,对未来态运行场景进行分层分级预警。
预警结果滚动更新模块,其被配置为滚动获取负荷功率最新预测信息、新能源出力最新预测信息和最新预防控制资源信息,重复进行预警计算,更新预警结果,实现滚动预警。
所述TTC快速评估模型建立模块还包括:
预测信息获取子模块,其被配置为:获取未来一段时间的网络拓扑、负荷预测区间、新能源出力预测区间和预防控制调控量的变动区间等信息。
训练样本集生成子模块,其被配置为:根据相关预测信息,生成大量可能的运行场景,并计算对应的TTC数值,生成训练样本集。
所述训练样本集生成子模块中,训练样本集生成包括:
(1)获取未来一段时间的负荷功率波动区间、风电功率波动区间和网络拓扑;
(2)生成无标签样本,负荷功率和风电功率在波动区间内随机波动,发电机功率由预定义的调度原则进行计算,预防控制决策变量在预定义的波动区间内随机变化;
(3)计算无标签样本的TTC,使用连续潮流校验静态安全约束,使用时域仿真校验动态安全约束。
所述TTC快速评估模型建立模块中,TTC快速评估模型的训练过程为:
(1)将SDAE的每个隐藏层分解为一个独立的DAE,使用所有训练样本对SDAE进行逐层的无监督训练;
(2)SDAE训练完成后,将其提取出的高阶特征作为新的样本特征,使用所有训练样本对ELM进行有监督训练。
所述控制代价计算模块中,ATC代表了在满足一定的安全约束条件下,一个物理输电网络中剩余的输电能力,其被定义为:
ATC=TTC-ETC-CBM-TRM,
式中,CBM是容量效益裕度;TRM是输电可靠性裕度。对于一个***,CBM和TRM一般被预定义为一个常数,所以在进行ATC计算时没有进行考虑。
***的安全性通过ATC裕度指标进行表征,其被定义为ATC和ETC的比值。为了保证***的安全运行,需要满足的ATC裕度约束为:
其中,m为预先给定的最小裕度值。
所述控制代价计算模块中,启发式搜索方法的具体包括:
(1)近似计算所有控制量对于ATC裕度的控制灵敏度,首先给控制变量一个微小的增量,然后通过TTC评估模型计算TTC的变化量,进而计算ATC裕度的变化量。
(2)超过给定灵敏度阈值的所有控制变量都朝着增大ATC裕度的方向被调整。
(3)对控制变量进行越限检查,如果一个控制变量超过预先设定的限值,则将其设置为对应的上限或下限值。
(4)检查是否满足搜索终止条件,如果满足任一条件,则搜索过程终止。
考虑的终止条件包括:a)一个可用的控制方案被搜索出;b)达到最大的迭代次数;c)在进行控制灵敏度计算后,所有控制变量的灵敏度都没有超过给定的灵敏度阈值。
所述预警分级模块中,根据***所处的运行状态类别进行第一层次的预警分级,按照严重度递增的顺序,分级原则为:
无需预警:***处于正常安全状态;
I级预警:***处于正常静态不安全状态;
II级预警:***处于正常动态不安全状态;
III级预警:***处于紧急状态。
第一层次的预警分级结束后,如果***没有处于正常安全状态,则进行第二层次的预警分级,根据为了满足ATC裕度约束所需要的预防控制措施类型进行预警分级。考虑区域内的发电机功率调度、跨区域的HVDC功率调制和切负荷三类预防控制措施。一般情况下,区域内的功率调度不改变区域间的功率传输计划,具有较低的控制代价;切负荷能够导致显著的经济损失和负面的社会影响,具有最高的控制代价。
基于以上分析,按照严重度递增的顺序,分级原则为:
1级预警:需要采取区域内的发电机功率调度;
2级预警:需要采取跨区域的HVDC功率调制;
3级预警:需要采取切负荷;
4级预警:仅通过可用的预防控制措施,无法使ATC裕度约束得到满足。
所述预警结果滚动更新模块中,滚动预警的流程为:
(1)当负荷功率和新能源出力的预测信息滚动更新后,获取这些最新的预测信息和最新的预防控制资源信息;
(2)基于最新的预测信息生成待预警的未来态运行场景集合;
(3)对于待预警的未来态运行场景,计算该场景第一层次的预警分级结果;
(4)计算该场景第二层次的预警分级结果;
(5)对原有的预警结果进行滚动更新;
(6)如果预测信息还会再次滚动更新,则进行等待;否则,滚动预警流程结束。
电力***实际运行时,负荷功率和新能源出力的预测信息会隔间一定的时间进行滚动更新,可用的预防控制资源也会不断变化。负荷功率和新能源出力的预测信息会随着滚动更新变得更加准确,不确定性逐渐降低。基于这些更新后的预测信息进行预警计算,也能够提高预警结果的准确性。当负荷功率和新能源出力的预测信息滚动更新后,本实施例基于最新的预测信息,结合最新的预防控制资源信息,更新原有的预警结果,实现滚动预警。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种交直流大电网动态安全风险态势滚动前瞻预警方法,其特征在于,包括:
采用堆叠降噪自动编码器和极限学习机构建TTC快速评估模型,利用训练样本集对TTC快速评估模型进行训练;
根据获取的电网负荷功率和新能源出力的预测信息,生成未来态运行场景;
根据训练后的TTC快速评估模型,结合启发式搜索方法,计算为满足ATC裕度约束所需的预防控制措施类型;
根据电网所处的运行状态类型和预防控制措施类型,对未来态运行场景进行分层分级预警;
滚动获取电网负荷功率最新预测信息、新能源出力最新预测信息和最新预防控制资源信息,更新预警计算结果,实现滚动预警。
2.如权利要求1所述的交直流大电网动态安全风险态势滚动前瞻预警方法,其特征在于,所述训练样本集构建过程为:
获取未来一段时间的负荷功率波动区间、风电功率波动区间和网络拓扑;
生成无标签样本,负荷功率和风电功率在波动区间内随机变化,发电机功率由预定义的调度原则进行计算,预防控制决策变量在预定义的波动区间内随机变化;
计算无标签样本的TTC,使用连续潮流方法校验静态安全约束,使用时域仿真方法校验动态安全约束。
3.如权利要求1所述的交直流大电网动态安全风险态势滚动前瞻预警方法,其特征在于,根据与TTC有关的电网运行方式特征和预防控制措施调控变量构建TTC快速评估模型的原始特征集,所述原始特征集包括负荷有功、发电机有功、风电有功、HVDC有功、发电机有功调整量、HVDC功率调制量和切负荷量。
4.如权利要求1所述的交直流大电网动态安全风险态势滚动前瞻预警方法,其特征在于,所述TTC快速评估模型中,堆叠降噪自动编码器用于特征提取以获得原始特征的高阶特征表达,极限学习机用于建立高阶特征与TTC间的非线性映射关系,TTC快速评估模型的输出为特定运行场景下考虑所有预想事故后的最大输电能力。
5.如权利要求1所述的交直流大电网动态安全风险态势滚动前瞻预警方法,其特征在于,所述TTC快速评估模型的训练过程为:
将堆叠降噪自动编码器的每个隐藏层分解为一个独立的降噪自动编码器,使用所有训练样本对堆叠降噪自动编码器进行逐层的无监督训练;
堆叠降噪自动编码器训练完成后,将其提取出的高阶特征作为新的样本特征,使用所有新的训练样本对极限学习机进行有监督训练。
7.如权利要求1所述的交直流大电网动态安全风险态势滚动前瞻预警方法,其特征在于,计算为满足ATC裕度约束所需的预防控制措施类型具体过程为:
计算所有控制变量对于ATC裕度的控制灵敏度,即初始化控制变量,通过TTC快速评估模型计算TTC的变化量,进而计算ATC裕度的变化量;
超过给定控制灵敏度阈值的所有控制变量都朝增大ATC裕度的方向被调整;
对控制变量进行越限检查,如果一个控制变量超过预先设定的限值,则将该控制变量设置为对应的上限或下限值;
判断是否满足搜索终止条件,如果满足搜索终止条件,则搜索过程终止。
8.如权利要求1所述的交直流大电网动态安全风险态势滚动前瞻预警方法,其特征在于,所述滚动预警的具体流程为:
当电网负荷功率和新能源出力的预测信息滚动更新后,获取最新的预测信息和最新预防控制资源信息;
基于最新的预测信息生成待预警的未来态运行场景集合;
对于待预警的未来态运行场景集合,分别计算该场景第一层次和第二层次的预警分级结果;
对原有的预警结果进行滚动更新,如果预测信息再次滚动更新,则进行等待;否则,滚动预警流程结束。
9.如权利要求1所述的交直流大电网动态安全风险态势滚动前瞻预警方法,其特征在于,所述分层分级预警的具体流程为:
根据电网所处的运行状态类型进行第一层次的预警分级,按照严重度递增的顺序,划分的等级包括:无需预警、I级预警、II级预警和III级预警,
第一层次的预警分级结束后,如果电网没有处于等级为无需预警的正常安全状态时,则进行第二层次的预警分级,根据为了满足ATC裕度约束所需要的预防控制措施类型进行预警分级,分级原则为:
1级预警:需要采取区域内的发电机功率调度;
2级预警:需要采取跨区域的HVDC功率调制;
3级预警:需要采取切负荷;
4级预警:仅通过可用的预防控制措施,无法使ATC裕度约束得到满足。
10.一种交直流大电网动态安全风险态势滚动前瞻预警***,其特征在于,包括:
TTC快速评估模型建立模块,被配置为采用堆叠降噪自动编码器和极限学习机构建TTC快速评估模型,利用训练样本集对TTC快速评估模型进行训练;
运行场景集合生成模块,根据获取的电网负荷功率和新能源出力的预测信息,生成未来态运行场景;
控制代价计算模块,被配置为根据训练后的TTC快速评估模型,结合启发式搜索方法,计算为满足ATC裕度约束所需的预防控制措施类型;
预警分级模块,被配置为根据电网所处的运行状态类型和预防控制措施类型,对未来态运行场景进行分层分级预警;
预警结果滚动更新模块,其被配置为滚动获取电网负荷功率最新预测信息、新能源出力最新预测信息和最新预防控制资源信息,更新预警计算结果,实现滚动预警。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010107988.7A CN111311008B (zh) | 2020-02-21 | 2020-02-21 | 交直流大电网动态安全风险态势滚动前瞻预警方法及*** |
US17/265,852 US20220113695A1 (en) | 2020-02-21 | 2020-04-17 | Rolling early warning method and system of dynamic security risk situation for large scale hybrid ac/dc grids |
EP20845767.1A EP3889855A4 (en) | 2020-02-21 | 2020-04-17 | METHOD AND SYSTEM FOR DYNAMIC SECURITY RISK SITUATION FOR HYBRID AC / DC GRIDING ON A LARGE SCALE |
PCT/CN2020/085397 WO2021164118A1 (zh) | 2020-02-21 | 2020-04-17 | 交直流大电网动态安全风险态势滚动前瞻预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010107988.7A CN111311008B (zh) | 2020-02-21 | 2020-02-21 | 交直流大电网动态安全风险态势滚动前瞻预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311008A true CN111311008A (zh) | 2020-06-19 |
CN111311008B CN111311008B (zh) | 2021-04-30 |
Family
ID=71156869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010107988.7A Active CN111311008B (zh) | 2020-02-21 | 2020-02-21 | 交直流大电网动态安全风险态势滚动前瞻预警方法及*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220113695A1 (zh) |
EP (1) | EP3889855A4 (zh) |
CN (1) | CN111311008B (zh) |
WO (1) | WO2021164118A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003735A (zh) * | 2020-07-28 | 2020-11-27 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN113890112A (zh) * | 2021-09-29 | 2022-01-04 | 合肥工业大学 | 一种基于多场景并行学习的电网前瞻调度方法 |
CN115528736A (zh) * | 2022-10-20 | 2022-12-27 | 山东大学 | 一种电力***前瞻调度方法和*** |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024059965A1 (zh) * | 2022-09-19 | 2024-03-28 | 浙江大学 | 基于双通道信息互补融合堆叠自编码器的产品质量预测方法 |
US11853915B1 (en) * | 2022-11-03 | 2023-12-26 | Xcel Energy Inc. | Automated screening, remediation, and disposition of issues in energy facilities |
CN115796579A (zh) * | 2022-11-21 | 2023-03-14 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 直流输电线路的风险评估方法、装置、设备和存储介质 |
CN116388296B (zh) * | 2023-04-04 | 2024-01-23 | 山东大学 | 一种基于灵敏度映射的功角稳定控制方法和*** |
CN117408535B (zh) * | 2023-12-15 | 2024-04-12 | 国网山东省电力公司电力科学研究院 | 一种基于深度学习的新能源爬坡事件滚动预警方法及*** |
CN117674140B (zh) * | 2024-01-31 | 2024-06-04 | 希格玛电气(珠海)有限公司 | 一种配电网测控***及方法 |
CN117834299A (zh) * | 2024-03-04 | 2024-04-05 | 福建银数信息技术有限公司 | 一种网络安全智能监督管理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108899904A (zh) * | 2018-08-30 | 2018-11-27 | 山东大学 | 一种交直流大电网连锁故障快速搜索方法及*** |
CN109066651A (zh) * | 2018-07-20 | 2018-12-21 | 国网四川省电力公司经济技术研究院 | 风电-负荷场景的极限传输功率的计算方法 |
CN109086913A (zh) * | 2018-07-11 | 2018-12-25 | 山东大学 | 一种基于深度学习的电力***暂态稳定评估方法及*** |
CN110543720A (zh) * | 2019-09-03 | 2019-12-06 | 北京交通大学 | 基于sdae-elm伪量测模型的状态估计方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266665A (zh) * | 2008-04-29 | 2008-09-17 | 上海交通大学 | 支持电力***动态安全评估与预警的可扩展分布式*** |
CN101325337B (zh) * | 2008-07-25 | 2011-08-17 | 河南省电力公司 | 一种电网运行四级梯度安全预警方法 |
US10770899B2 (en) * | 2014-09-11 | 2020-09-08 | Gerald Bernard Sheble | Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution) |
EP3295374B8 (en) * | 2015-05-11 | 2023-10-18 | Siemens Healthcare GmbH | Method and system for landmark detection in medical images using deep neural networks |
US10671938B2 (en) * | 2016-01-27 | 2020-06-02 | Bonsai AI, Inc. | Artificial intelligence engine configured to work with a pedagogical programming language to train one or more trained artificial intelligence models |
CN105762826B (zh) * | 2016-04-15 | 2018-12-18 | 华北电力大学 | 一种含vsc-hvdc交直流***最大输电能力计算方法 |
KR101943410B1 (ko) * | 2017-04-28 | 2019-01-29 | 효성중공업 주식회사 | 전력설비의 자산관리 방법 |
CN109103883A (zh) * | 2018-10-31 | 2018-12-28 | 国网上海市电力公司 | 一种配电网安全风险的评估、预警和决策方法 |
CN109524982B (zh) * | 2018-12-12 | 2020-06-16 | 国网山东省电力公司电力科学研究院 | 一种交直流电网暂态稳定风险评估方法 |
-
2020
- 2020-02-21 CN CN202010107988.7A patent/CN111311008B/zh active Active
- 2020-04-17 WO PCT/CN2020/085397 patent/WO2021164118A1/zh unknown
- 2020-04-17 US US17/265,852 patent/US20220113695A1/en not_active Abandoned
- 2020-04-17 EP EP20845767.1A patent/EP3889855A4/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086913A (zh) * | 2018-07-11 | 2018-12-25 | 山东大学 | 一种基于深度学习的电力***暂态稳定评估方法及*** |
CN109066651A (zh) * | 2018-07-20 | 2018-12-21 | 国网四川省电力公司经济技术研究院 | 风电-负荷场景的极限传输功率的计算方法 |
CN108899904A (zh) * | 2018-08-30 | 2018-11-27 | 山东大学 | 一种交直流大电网连锁故障快速搜索方法及*** |
CN110543720A (zh) * | 2019-09-03 | 2019-12-06 | 北京交通大学 | 基于sdae-elm伪量测模型的状态估计方法 |
Non-Patent Citations (3)
Title |
---|
XUEYAN, YIN 等: "Deep Learning Based Feature Reduction for Power System Transient Stability Assessment", 《PROCEEDINGS OF TENCON 2018-2018 IEEE REGION 10 CONFERENCE》 * |
潘昊 等: "基于SDAE及极限学习机模型的协同过滤应用研究", 《计算机应用研究》 * |
赵荣臻 等: "基于改进堆栈降噪自动编码器的预想事故频率指标评估方法研究", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003735A (zh) * | 2020-07-28 | 2020-11-27 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN112003735B (zh) * | 2020-07-28 | 2021-11-09 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN113890112A (zh) * | 2021-09-29 | 2022-01-04 | 合肥工业大学 | 一种基于多场景并行学习的电网前瞻调度方法 |
CN113890112B (zh) * | 2021-09-29 | 2023-09-15 | 合肥工业大学 | 一种基于多场景并行学习的电网前瞻调度方法 |
CN115528736A (zh) * | 2022-10-20 | 2022-12-27 | 山东大学 | 一种电力***前瞻调度方法和*** |
Also Published As
Publication number | Publication date |
---|---|
US20220113695A1 (en) | 2022-04-14 |
CN111311008B (zh) | 2021-04-30 |
EP3889855A4 (en) | 2021-11-17 |
EP3889855A1 (en) | 2021-10-06 |
WO2021164118A1 (zh) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311008B (zh) | 交直流大电网动态安全风险态势滚动前瞻预警方法及*** | |
Li et al. | A hierarchical data-driven method for event-based load shedding against fault-induced delayed voltage recovery in power systems | |
CN111628501B (zh) | 一种交直流大电网暂态电压稳定评估方法及*** | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及*** | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及*** | |
CN112310980B (zh) | 交直流混联电网直流闭锁频率安全稳定评估方法及*** | |
CN108876163A (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 | |
CN106355308B (zh) | 一种基于决策树辨识风电接入***关键设备的方法 | |
CN110837915A (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 | |
CN110059913A (zh) | 一种计及未来态的停电计划的量化评估方法 | |
CN110634082A (zh) | 一种基于深度学习的低频减载***运行阶段预测方法 | |
CN112821424A (zh) | 一种基于数据-模型融合驱动的电力***频率响应分析方法 | |
Wu et al. | A two-stage power system frequency security multi-level early warning model with DS evidence theory as a combination strategy | |
CN116151561A (zh) | 一种电力***运行安全态势辨识方法及*** | |
CN116956203B (zh) | 一种变压器分接开关动作特性测量方法及*** | |
CN117057623A (zh) | 一种综合性电网安全优化调度方法、装置、存储介质 | |
CN117335426A (zh) | 一种适用于短期电压稳定性评估的关键特征识别方法 | |
CN115983714A (zh) | 边图神经网络电力***静态安全评估方法及*** | |
Zhang et al. | CNN‐LSTM based power grid voltage stability emergency control coordination strategy | |
US20220097809A1 (en) | Method for Forecasting Demand Load of Hybrid Electric Ship By Means of Working Condition Classification | |
CN112163702B (zh) | 稳定断面负载率的预测方法、装置、电子设备及存储介质 | |
CN114077809A (zh) | 用于监测控制器的决策逻辑的性能的方法和监控*** | |
CN116596394B (zh) | 一种电力***节点可靠性评估方法及*** | |
CN114330884B (zh) | 多时间尺度协调的交直流电网动态安全预警方法及*** | |
CN113673162B (zh) | 一种基于模糊评判及DSmT的变压器本体状态评估方法 |
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 |