CN114784793A - 基于机器学习的新能源电网连锁故障预测方法及存储介质 - Google Patents
基于机器学习的新能源电网连锁故障预测方法及存储介质 Download PDFInfo
- Publication number
- CN114784793A CN114784793A CN202210333282.1A CN202210333282A CN114784793A CN 114784793 A CN114784793 A CN 114784793A CN 202210333282 A CN202210333282 A CN 202210333282A CN 114784793 A CN114784793 A CN 114784793A
- Authority
- CN
- China
- Prior art keywords
- cascading failure
- new energy
- power grid
- storage medium
- characteristic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000007787 long-term memory Effects 0.000 claims abstract description 10
- 230000006403 short-term memory Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008034 disappearance Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- 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
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于机器学习的新能源电网连锁故障预测方法及存储介质，包括：基于历史连锁故障实测数据、仿真模拟数据，构建高占比新能源电网连锁故障数据库；基于连锁故障数据库，从宏观、中尺度、微观三个层次提取能够表征复杂网络拓扑特征与***运行状态的特征指标；分析所提取的特征指标与***连锁故障运行状态之间的相关性，选取具有强相关性的特征指标构成复杂网络连锁故障特征指标集；基于长短期记忆神经网络，学习历史连锁故障过程中复杂网络连锁故障特征指标与***运行状态间的映射关系，构建高占比新能源电网连锁故障预测模型。该方法能够对高占比新能源电网连锁故障进行准确、快速的预测，有利于有效防控高比例新能源形态下复杂结构电力***的连锁故障，提升电网的安全稳定运行能力。
Description
技术领域
本发明涉及一种新能源电网连锁故障预测方法及存储介质，尤其涉及一种基于机器学习的新能源电网连锁故障预测方法及存储介质，属于新能源技术领域。
背景技术
传统电力***连锁故障过程可以定义为***在多种内外部因素共同交织作用下，受到初始扰动造成源发性故障，进而引发一系列具有时序特征的强因果性相继事件的过程，如线路因潮流严重过载而断开、潮流重新分配导致新的线路断开事件等，如果此类故障迅速扩展，将会导致电网失稳、解列，甚至引发大停电事故。为避免此类灾难性事件的发生，现有研究通过连锁故障预测技术对连锁故障的传播路径进行预测，具体可分为模式搜索法、模型法、风险评估法三大类。
近年来，在我国以新能源为主体的新型电力***建设背景下，包括风电、光伏在内的新能源发展迅猛，传统电网逐渐演变为高占比新能源电网。相比而言，高占比新能源电网***的拓扑结构更为复杂，且由于新能源出力具有强随机波动性，***的不确定性大大增加，抗扰动能力更低，事故的发生概率更高；此外，***包含海量能够快速响应的电力电子设备，具有低惯量响应特性，故而连锁故障的演化时间更短。这对传统的连锁故障预测方法提出了更高的要求，需要在精准预测连锁故障演化路径的同时，大幅提升预测速率。因此，亟需面向高占比新能源电网提出一种精准、高效的连锁故障预测方法，对于连锁故障的预防和控制具有重要的指导意义。
发明内容
本发明要解决的技术问题是提供一种基于机器学习的新能源电网连锁故障预测方法及存储介质，以有效提升连锁故障预测的效率。
为解决上述技术问题，本发明所采取的技术方案一是：
一种基于机器学习的新能源电网连锁故障预测方法，包括以下步骤：
步骤1：基于历史连锁故障实测数据、仿真模拟数据，构建高占比新能源电网连锁故障数据库；
步骤2：基于连锁故障数据库，提取能够表征复杂网络拓扑特征与***运行状态的特征指标；
步骤3：分析所提取的特征指标与***连锁故障运行状态之间的相关性，选取具有强相关性的特征指标构成复杂网络连锁故障特征指标集；
步骤4：基于长短期记忆神经网络，学习历史连锁故障过程中复杂网络连锁故障特征指标与***运行状态间的映射关系，构建高占比新能源电网连锁故障预测模型。
进一步，所述步骤1包括以下具体步骤：
步骤1-1：选取测试电网中的一条非发电机出线和变压器支路的重载线路作为初始故障线路，并设置故障级数为1；
步骤1-2：计算测试电网中除故障线路之外的其他各个线路的潮流值与线路负载率，并筛选出过载线路；
步骤1-3：若过载线路数量为1，则该过载线路为下一级故障线路；若过载线路数量大于1，则筛选其中线路负载率最高的线路为下一级故障线路；若过载线路数量为0，选择线路负载率最高的线路为下一级故障线路；设置下一级故障线路的故障级数为2；
步骤1-4：断开已确定的故障线路，判断发电机运行状态：若电网已发生解列且发电机处于不安全运行状态，停止仿真，得到连锁故障序列；若发电机维持安全运行，重复步骤1-2、1-3，直至达到预设的最大预测深度停止仿真，得到连锁故障序列。
进一步，所述步骤2从宏观、中尺度、微观三个层次提取能够表征复杂网络拓扑特征与***运行状态的特征指标。
进一步，所述步骤3中构成复杂网络连锁故障特征指标集，包括以下具体步骤：
步骤3-1：通过测试电网各支路的开断状态和支路负载率刻画电网的运行状态；
步骤3-2：基于连锁故障数据集，计算各时刻复杂网络特征值和电网运行状态指标，并将特征值和运行状态指标构成数值矩阵；
步骤3-3：采用相关系数和互信息进行相关性分析，并剔除相关性弱的特征指标，选取具有强相关性的特征指标构成复杂网络连锁故障特征指标集。
进一步，所述步骤4中包括以下具体步骤：
步骤4-1：构建以时间为顺序的数值矩阵，每个时刻均对应复杂网络连锁故障特征指标集中的特征指标和电网运行状态指标；
步骤4-2：以待预测时刻t前k组的连锁故障特征指标及电网运行状态指标作为输入，t时刻及后n-1组的连锁故障特征指标及电网运行状态指标作为输出，通过长短期记忆神经网络进行滚动预测，对t至t+n-1组进行预测后，再对t+1至t+1+n-1组进行预测，直至预测第一步结果显示预测支路断开退出运行时停止预测；
步骤4-3：提取高占比新能源电网连锁故障数据库中的数据构建训练集和测试集；基于所述长短期记忆神经网络模型设定初始化参数并在训练集上进行模型训练，训练完后在测试集验证上述长短期记忆神经网络模型的电网运行状态指标预测效果；对于预测支路的开断状态的，验证指标为预测准确率；对于支路负载率指标的预测，评价指标为平均绝对误差和均方根误差，分别表示绝对误差的平均值和误差平方平均值的方根。
更进一步，所述预设的最大预测深度为5。
更进一步，所述宏观层面指标包括：谱半径、有效图阻抗、几何连通度、网络鲁棒性。
更进一步，所述中尺度层面指标包括：模体、平衡结构、节点连通度。
更进一步，所述微观层面指标包括：节点的度、支路功率、支路电流、节点电压。
本发明所采取的技术方案二是：
一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有根据权利要求1-8中的任一所述的基于机器学习的新能源电网连锁故障预测方法编写的计算机程序，计算机程序被处理器执行时实现上述的基于机器学习的新能源电网连锁故障预测方法及存储介质。
与现有技术相比，本发明至少具备以下有益效果：
(1)本发明能够对高占比新能源电网连锁故障进行准确、快速的预测，有利于有效防控高比例新能源形态下复杂结构电力***的连锁故障，提升电网的安全稳定运行能力。
(2)本发明从宏观、微观、以及中尺度三个维度提取能够表征复杂网络拓扑特征与***运行状态的特征指标，其中，中尺度维度与特定的网络功能对应，填补了传统指标从宏观到微观的巨大过渡空间，从而能够更为全面***地反映***的网络组织结构特点与实际运行状态；
(3)本发明利用基于长短期记忆神经网络这一机器学习算法，学习复杂网络连锁故障特征指标与***运行状态间的映射关系，构建高占比新能源电网连锁故障预测模型，实现对海量历史连锁故障数据的深入信息挖掘与利用，并大幅提升连锁故障预测的速度。
附图说明
图1是本发明实施例1的流程图；
图2是本发明一个示例的长短期记忆神经网络模型的结构示意图。
具体实施方式
实施例1
如图1所示，基于机器学习的新能源电网连锁故障预测方法，包括以下步骤：
步骤1：基于历史连锁故障实测数据、仿真模拟数据，使用历史连锁故障实测数据和仿真模拟数据共同构建高占比新能源电网连锁故障数据库。
连锁故障仿真模拟方法包括以下具体步骤：
步骤1-1：选取测试电网中的一条非发电机出线和变压器支路的重载线路作为故障线路的初始配置，并设置故障级数为1。
步骤1-2：计算网络中除故障线路之外的其他各个线路的潮流值与线路负载率，并筛选出过载线路。
步骤1-3：若过载线路数量为1，则该过载线路即为下一级故障线路；若过载线路数量大于1，则筛选其中线路负载率最高的线路为下一级故障线路；若过载线路数量为0，选择线路负载率最高的线路为下一级故障线路，并设置故障级数为2。
步骤1-4：断开已确定的故障线路，判断发电机运行状态。若电网已发生解列且发电机处于不安全运行状态，停止仿真，得到连锁故障序列；若发电机维持安全运行，重复步骤1-2和步骤1-3，直至达到最大预测深度停止仿真，得到连锁故障序列。此处最大预测深度依据工程实际经验设定为5，即故障级数达到5时停止预测。
步骤2：基于连锁故障数据库，从宏观、中尺度、微观三个层次提取能够表征复杂网络拓扑特征与***运行状态的特征指标。
具体地，基于电力***复杂网络理论的研究，***的网络组织结构特点决定了***对扰动的响应方式。从宏观、中尺度、微观三个层面选取评价指标可以基于网络的自身结构较好地表征网络的全局特性、复杂网络拓扑特征与***运行状态，是连锁故障研究的重要指标。
(1)宏观指标选用谱半径、有效图阻抗、几何连通度、网络鲁棒性。
(a)谱半径：设电力网络G(V,E,W)，其中V为节点集V＝{v1,v2,…vn}，E为边集E＝{e1,e2,…en}，W为网络的邻接矩阵，邻接矩阵中的元素wij表示vi节点和vj节点之间的连接权值，在计算时取电抗的倒数；若无连接，则wij＝0。谱半径ρ(W)定义为网络邻接矩阵W最大的特征根。这一指标与网络对连锁故障的鲁棒性直接相关。
(b)有效图阻抗：通过式(1)定义：
其中，N为网络节点个数，μi为网络拉普拉斯矩阵的特征值，且μ1≥μ2≥…μN-1≥μN。有效图阻抗与网络对连锁故障的鲁棒性直接相关。这一数值越小，鲁棒性越大。
(c)几何连通度：几何连通度为网络邻接矩阵倒数第二个最小的特征根μN-1，与网络的连通度呈正相关。
(d)网络鲁棒性：通过式(2)定义：
其中，N为网络节点个数，S(Q)为当移除Q＝qN个节点时，剩余网络中互联的最多的节点数。
(2)中尺度指标选用模体、平衡结构、节点连通度。
(a)模体：在宏观尺度和微观尺度之间存在特征的中尺度结构模体，是实现网络功能的重要部分。网络模体定义为网络中反复出现的相互作用基本连接方式，并且这种连接方式在真实网络中出现的频率远高于在具有相同节点(各节点出度、入度不变)和边的随机生成网络中的出现频率，即为网络中特定的连接子图，从局部层次刻画一个给定网络相互连接的特定模式，是网络局部结构的描述。模体的特征通过其基本统计量化指标表示，一般采用Z分值表示，即网络模体的统计显著性，通过式(3)定义。
其中Nreali和Nrandi是模体i在真实网络和随机网络中出现的次数，<Nrandi>和σrandi分别为Nrandi的平均值和标准差。
(b)平衡结构：平衡结构作为小模块局部结构特性能够更好地刻画网络的功能特质，多种形式的3阶子图被用于表征构成复杂网络的及原结构。平衡结构将3个潮流相互影响的线路(3条线路不一定直接相连)作为一个小结构。其中一条线路故障移除，可能使另外2条线路上的潮流增加或者降低，从而使这种扰动被放大或者平抑。可采用输电线路关联性网络中各类平衡结构不平衡度的综合评价值——网络不平衡度作为***自组织临界态的度量，通过式(4)定义：
其中，z*、w*分别为各类三角形组合不可靠性及其在***不平衡度评估的权重值，M为***中三角形组合的总数目，可消除不同***规模对指标的影响。
(c)节点连通度：可以认为节点是否发生停电与节点所能够获得的功率有关，而此功率又跟节点距离发电机节点的距离、从发电机节点到该节点之间的网络连接以及可用的传输容量有关。可以采用负荷节点至其最近发电机和次近发电机的“运力”对节点连通度进行估计。运力定义为连接两个节点的路径(包含多条线路)上，构成该路径的线路的最小传输裕度，即各线路容量与该线路实际潮流的差值的最小值。节点连通度Ci通过式(5)定义：
其中，Di为节点i处负荷；下标1、2分别指带负荷节点到上标发电机的最短和次短路径；上标1、2分别表示“最近发电机群”与“次近发电机群”；
为负荷节点i与发电机群之间的最短路径或次短路径的运力，其中a、b取值为1或2；
为4个未知的回归参数；ei为符合正态分布的扰动项。
(3)微观指标选用节点的度、支路功率、支路电流、节点电压。
(a)节点的度：定义为与改节点连接的边数。节点度用于反映节点在网络中所连边的富有程度，体现节点在网络中的直接影响力，节点度越大代表该节点在某种意义上越重要。网络中所有节点的度ki的平均值，即网络的节点平均度<k>通过式(6)定义：
(b)支路功率、支路电流、节点电压可通过历史连锁故障实测数据以及仿真***直接量测获取。
步骤3：分析所提取的特征指标与***连锁故障运行状态之间的相关性，选取具有强相关性的特征指标构成复杂网络连锁故障特征指标集。包括以下步骤：
步骤3-1：通过S2中提取的特征指标来刻画电网的运行状态。电网的运行状态以支路为研究对象，指标为各支路的开断状态和支路负载率。支路的开断状态以0(断开)或1(闭合)表示，支路负载率Dlk通过式(7)定义：
其中，FLk为Lk支路的潮流，FLkmax为Lk支路能承担的最大有功潮流。
步骤3-2：基于连锁故障数据集，计算各时刻复杂网络特征值和电网运行状态指标，并将特征值和运行状态指标构成数值矩阵；
步骤3-3：采用相关系数和互信息进行相关性分析，并剔除相关性弱的特征指标，选取具有强相关性的特征指标构成复杂网络连锁故障特征指标集。相关系数采用Pearson积差相关系数、Spearman秩相关系数和Kendall秩相关系数。Pearson相关系数对线性相关有很高的识别能力；Spearman相关系数利用两变量的秩次大小作线性相关分析，适用范围比Pearson相关系数更加广泛，但统计效能略低；Kendall秩相关系数用于反映分类变量相关性的指标，适用于两个变量均为有序分类的情况，对运行状态指标中的支路开端情况的分析有较好作用。互信息不同于相关系数，不局限于实值随机变量，是变量间相互依赖性的量度。结合这四种相关性度量的指标对特征值和运行状态指标之间的相关性进行分析，去除冗余信息，利于电网运行状态的预测。
步骤4：基于长短期记忆神经网络，学习历史连锁故障过程中复杂网络连锁故障特征指标与***运行状态间的映射关系，构建高占比新能源电网连锁故障预测模型。包括以下步骤：
步骤4-1：根据步骤3中得到的复杂网络连锁故障特征指标集和电网运行状态指标集构建以时间为顺序的数值矩阵，每个时刻t均对应复杂网络连锁故障特征指标集中的特征指标和电网运行状态指标。
步骤4-2：在一种基于机器学习的新能源电网连锁故障预测方法中，所述机器学习方法为长短期记忆神经网络。
优选的，长短期记忆神经网络是循环神经网络的一种改进变种，循环神经网络在拟合时间序列之间的非线性关系时，会经常遇到梯度消失和梯度***的问题。因为长短期记忆神经网络引入了门控机制，包括输入门、遗忘门和输出门，其成功地解决了梯度消失的问题，并有效地保留了时间关联特性，这使得它更适合于较长时间序列的预测问题。
优选的，长短期记忆神经网络的输入为待预测时刻t前k组(数据分辨率为15s，k组对应待预测时刻前k/4min，k可根据不同电网、不同模型预测结果选优)的连锁故障特征指标及电网运行状态指标，输出为t时刻及后n-1组(共n组，预测时间尺度为n/4min)的连锁故障特征指标及电网运行状态指标。每次预测涉及到的单个样本为k+n组连锁故障特征指标和电网运行状态指标。模型为滚动预测，对t至t+n-1组进行预测后，再对t+1至t+1+n-1组进行预测，直至预测第一步结果显示预测支路断开退出运行时停止预测。模型结构示意图见图2。
优选的，长短期记忆神经网络是循环神经网络的一种改进变种，循环神经网络在拟合时间序列之间的非线性关系时，会经常遇到梯度消失和梯度***的问题。因为长短期记忆神经网络引入了门控机制，包括输入门、遗忘门和输出门，其成功地解决了梯度消失的问题，并有效地保留了时间关联特性，这使得它更适合于较长时间序列的预测问题。
步骤4-3：基于所述长短期记忆神经网络模型设定初始化参数并在训练集上进行模型训练，训练完后在测试集验证上述长短期记忆神经网络模型的电网运行状态指标预测效果，其中，训练集占总连锁故障场景数据的70％，测试集占30％。
对于支路的开断状态指标，用预测准确率(ACC)进行评价；对于支路负载率指标，评价指标为平均绝对误差(MAE)和均方根误差(RMSE)，分别表示绝对误差的平均值和误差平方平均值的方根。公式见(8)-(10)。
其中，n为预测样本数量；xAi为真实值，xPi为预测值，nP r为预测准确的样本数量。
实施例2
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的基于机器学习的新能源电网连锁故障预测方法及存储介质。
本发明实施例的计算机可读存储介质，在其上存储的与上述基于机器学习的新能源电网连锁故障预测方法对应的计算机程序被处理器执行时，能够对高占比新能源电网连锁故障的发展趋势进行准确估计，进而不仅能预警和预防***可能发生的大事故，而且有利于保障电力***的安全稳定运行、促进新能源发电领域的良性健康发展。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于机器学习的新能源电网连锁故障预测方法及存储介质，其特征在于，包括以下步骤：
步骤1：基于历史连锁故障实测数据、仿真模拟数据，构建高占比新能源电网连锁故障数据库；
步骤2：基于连锁故障数据库，从宏观、中尺度、微观三个层次提取能够表征复杂网络拓扑特征与***运行状态的特征指标；
步骤3：分析所提取的特征指标与***连锁故障运行状态之间的相关性，选取具有强相关性的特征指标构成复杂网络连锁故障特征指标集；
步骤4：基于长短期记忆神经网络，学习历史连锁故障过程中复杂网络连锁故障特征指标与***运行状态间的映射关系，构建高占比新能源电网连锁故障预测模型。
2.根据权利要求1所述的基于机器学习的新能源电网连锁故障预测方法及存储介质，其特征在于，所述步骤1包括以下具体步骤：
步骤1-1：选取测试电网中的一条非发电机出线和变压器支路的重载线路作为初始故障线路，并设置故障级数为1；
步骤1-2：计算测试电网中除故障线路之外的其他各个线路的潮流值与线路负载率，并筛选出过载线路；
步骤1-3：若过载线路数量为1，则该过载线路为下一级故障线路；若过载线路数量大于1，则筛选其中线路负载率最高的线路为下一级故障线路；若过载线路数量为0，选择线路负载率最高的线路为下一级故障线路；设置下一级故障线路的故障级数为2；
步骤1-4：断开已确定的故障线路，判断发电机运行状态：若电网已发生解列且发电机处于不安全运行状态，停止仿真，得到连锁故障序列；若发电机维持安全运行，重复步骤1-2、1-3，直至达到预设的最大预测深度停止仿真，得到连锁故障序列。
3.根据权利要求1所述的基于基于机器学习的新能源电网连锁故障预测方法及存储介质，其特征在于，所述步骤2从宏观、中尺度、微观三个层次提取能够表征复杂网络拓扑特征与***运行状态的特征指标。
4.根据权利要求3所述的基于机器学习的新能源电网连锁故障预测方法及存储介质，其特征在于，所述宏观层面指标包括：谱半径、有效图阻抗、几何连通度、网络鲁棒性。
5.根据权利要求3所述的基于机器学***衡结构、节点连通度。
6.根据权利要求3所述的基于机器学习的新能源电网连锁故障预测方法及存储介质，其特征在于，所述微观层面指标包括：节点的度、支路功率、支路电流、节点电压。
7.根据权利要求1所述的基于机器学习的新能源电网连锁故障预测方法及存储介质，其特征在于，所述步骤3中构成复杂网络连锁故障特征指标集，包括以下具体步骤：
步骤3-1：通过测试电网各支路的开断状态和支路负载率刻画电网的运行状态；
步骤3-2：基于连锁故障数据集，计算各时刻复杂网络特征值和电网运行状态指标，并将特征值和运行状态指标构成数值矩阵；
步骤3-3：采用相关系数和互信息进行相关性分析，并剔除相关性弱的特征指标，选取具有强相关性的特征指标构成复杂网络连锁故障特征指标集。
8.根据权利要求1所述的基于机器学习的新能源电网连锁故障预测方法及存储介质，其特征在于，所述步骤4中包括以下具体步骤：
步骤4-1：构建以时间为顺序的数值矩阵，每个时刻均对应复杂网络连锁故障特征指标集中的特征指标和电网运行状态指标；
步骤4-2：以待预测时刻t前k组的连锁故障特征指标及电网运行状态指标作为输入，t时刻及后n-1组的连锁故障特征指标及电网运行状态指标作为输出，通过长短期记忆神经网络进行滚动预测，对t至t+n-1组进行预测后，再对t+1至t+1+n-1组进行预测，直至预测第一步结果显示预测支路断开退出运行时停止预测；
步骤4-3：提取高占比新能源电网连锁故障数据库中的数据构建训练集和测试集；基于所述长短期记忆神经网络模型设定初始化参数并在训练集上进行模型训练，训练完后在测试集验证上述长短期记忆神经网络模型的电网运行状态指标预测效果；对于预测支路的开断状态的，验证指标为预测准确率；对于支路负载率指标的预测，评价指标为平均绝对误差和均方根误差，分别表示绝对误差的平均值和误差平方平均值的方根。
9.根据权利要求2所述的基于机器学习的新能源电网连锁故障预测方法及存储介质，其特征在于，所述预设的最大预测深度为5。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有根据权利要求1-8中的任一所述的基于机器学习的新能源电网连锁故障预测方法编写的计算机程序，计算机程序被处理器执行时实现上述的基于机器学习的新能源电网连锁故障预测方法及存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210333282.1A CN114784793A (zh) | 2022-03-30 | 2022-03-30 | 基于机器学习的新能源电网连锁故障预测方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210333282.1A CN114784793A (zh) | 2022-03-30 | 2022-03-30 | 基于机器学习的新能源电网连锁故障预测方法及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114784793A true CN114784793A (zh) | 2022-07-22 |
Family
ID=82427193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210333282.1A Pending CN114784793A (zh) | 2022-03-30 | 2022-03-30 | 基于机器学习的新能源电网连锁故障预测方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114784793A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115333113A (zh) * | 2022-10-13 | 2022-11-11 | 江苏鼎豪电力工程有限公司 | 一种基于机器学习的电力调配*** |
| CN116150233A (zh) * | 2023-04-17 | 2023-05-23 | 国网江西省电力有限公司电力科学研究院 | 有源配电台区运行状态数据的最小映射处理方法及*** |
-
2022
- 2022-03-30 CN CN202210333282.1A patent/CN114784793A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115333113A (zh) * | 2022-10-13 | 2022-11-11 | 江苏鼎豪电力工程有限公司 | 一种基于机器学习的电力调配*** |
| CN115333113B (zh) * | 2022-10-13 | 2022-12-30 | 江苏鼎豪电力工程有限公司 | 一种基于机器学习的电力调配*** |
| CN116150233A (zh) * | 2023-04-17 | 2023-05-23 | 国网江西省电力有限公司电力科学研究院 | 有源配电台区运行状态数据的最小映射处理方法及*** |
| CN116150233B (zh) * | 2023-04-17 | 2023-08-15 | 国网江西省电力有限公司电力科学研究院 | 有源配电台区运行状态数据的最小映射处理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114784793A (zh) | 基于机器学习的新能源电网连锁故障预测方法及存储介质 | |
| CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| WO2017016021A1 (zh) | 一种基于影响增量的状态枚举可靠性评估方法及其装置 | |
| CN105406461B (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
| CN105656036B (zh) | 考虑潮流和灵敏度一致性等值的概率静态安全分析方法 | |
| CN110299762A (zh) | 基于pmu准实时数据的主动配电网抗差估计方法 | |
| CN109657913B (zh) | 一种考虑分布式电源的输配电网联合风险评估方法 | |
| CN113300373B (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
| Wang et al. | A review of power system transient stability analysis and assessment | |
| Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
| CN113642240B (zh) | 基于数据-机理联合驱动的配电网可靠性评估方法及*** | |
| CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力***动态分析方法 | |
| He et al. | Power system frequency situation prediction method based on transfer learning | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN115964951A (zh) | 电力***运行可靠性评估方法、装置及电子设备 | |
| CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
| Onaolapo et al. | Forecasting Electricity Outage in KwaZulu-Natal, South Africa using Trend Projection and Artificial Neural Networks Techniques | |
| CN115660421A (zh) | 一种新能源电力***的风险早期预警分类方法 | |
| Zhou et al. | Vulnerability Community Detection Based on Concentric Relaxation and Cascading Failure Super-Network Models | |
| CN114117937A (zh) | 一种电力***连锁故障关键节点辨识方法及*** | |
| Sanz et al. | Experimental design for a large power system vulnerability estimation | |
| Dadi et al. | Estimation of transmission reliability margin using statistical methods and intelligent techniques | |
| Petridis et al. | State estimation in unbalanced smart grids | |
| Li et al. | Real-time monitoring of long-term voltage stability via local linear regression | |
| Chen et al. | Frequency Assessment Method Based on Integrating SFR Model |
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 |