一种电力系统大扰动稳定性判别方法

1.一种电力系统大扰动稳定性判别方法，其特征在于，根据时域仿真计算方法和电力系统安全稳定导则，对 s 种运行工况在 f 种故障下的暂态电压稳定性、暂态功角稳定性、大扰动动态稳定性进行计算，得到 s × f 种运行场景下大扰动后 n 个采样点的所有发电机转子角度 δ i k ( t )、所有母线的电压幅值 V j k ( t )以及大扰动稳定性标签 y k ；根据大扰动后 n 个采样点的所有发电机转子角度 δ i k ( t )、所有母线的电压幅值 V j k ( t )，选取受扰严重发电机和受扰严重母线，计算得到第 k 种运行场景下的特征向量 X k ；将每种场景的特征向量 X k 中的发电机变量和母线变量，分别排列成两组二维数据，将两组二维数据分别输入至卷积层、池化层、批量归一化层和全连接层，输出得到发电机变量的输出 o k 1 和母线变量的输出 o k 2 ，将发电机变量 o k 1 和母线变量的输出 o k 2 合并输入至全连接层，得到大扰动稳定判别模型 M 的结构；根据 s × f 种运行场景的特征向量 X k 、大扰动稳定性标签 y k 和基于自适应矩估计的梯度下降算法，迭代计算待求参数 W l(1) 1 、 H g(1) 1 、 W l(2) 2 、 H g(2) 2 和 H g(3) 3 ，得到最终的大扰动稳定性判别模型 M ；获取大扰动后所有发电机的转子角度、所有母线的电压幅值，经过计算并输入至电力系统大扰动稳定性判别模型 M 中，得到电力系统大扰动稳定性判别结果；该方法的具体步骤如下：（1）对具有 N 台发电机、 M 个母线的电力系统，根据时域仿真计算方法和电力系统安全稳定导则，对 s 种运行工况在 f 种故障下的暂态电压稳定性、暂态功角稳定性、大扰动动态稳定性进行计算，得到 s × f 种运行场景下大扰动后 n 个采样点的所有发电机转子角度 δ i k ( t )、所有母线的电压幅值 V j k ( t )以及大扰动稳定性标签 y k ：其中，上标 k 表示第 k 种运行场景， k =1,2,…, s × f ，下标 i 表示电力系统中的第 i 台发电机， i =1,2,…, N ，下标 j 表示电力系统中的第 j 个母线， j =1,2,…, M ， t 表示第 t 个采样点， t =1,2,…, n ， n 为人为设定的采样点数，电力系统在第 k 种运行场景下的大扰动稳定性标签 y k =( y k 1 , y k 2 , y k 3 )，其中， y k 1 表示第 k 种运行场景下电力系统在大扰动后的暂态功角稳定性，用 y k 1 =1表示电力系统无法保持暂态功角稳定，用 y k 1 =0时表示电力系统能够保持暂态功角稳定， y k 2 表示第 k 种运行场景下电力系统在大扰动后的暂态电压稳定性，用 y k 2 =1表示电力系统无法保持暂态电压稳定，用 y k 2 =0时表示电力系统能够保持暂态电压稳定， y k 3 表示第 k 种运行场景下电力系统在大扰动后的动态稳定性，用 y k 3 =1表示电力系统无法保持动态稳定，用 y k 3 =0时表示电力系统在大扰动后不发生发散振荡或持续的振荡，即能够保持动态稳定；（2）根据大扰动后 n 个采样点的所有发电机转子角度 δ i k ( t )、所有母线的电压幅值 V j k ( t )，选取受扰严重发电机和受扰严重母线，计算得到第 k 种运行场景下的特征向量 X k ，具体步骤如下：（2-1）根据步骤（1）得到的所有发电机转子角度 δ i k ( t )，计算得到电力系统中受扰严重的 a 台发电机的相对转子角，具体步骤如下：（2-1-1）依次计算电力系统在第 k 个运行场景中所有发电机在采样点 t 的相对转子角 ：其中， 表示在第 k 个运行场景中第 i 台发电机在采样点 t 的相对转子角，下标 i 表示电力系统中的第 i 台发电机， i =1,2,…, N ， t 表示第 t 个采样点， t =1,2,…, n ；（2-1-2）依次计算电力系统在第 k 个运行场景中第 i 台发电机在 n 个采样点的相对转子角绝对值的平均值 ：（2-1-3）依次计算电力系统在第 k 个运行场景中第 i 台发电机在 n 个采样点的相对转子角的极差 ：（2-1-4）将步骤（2-1-2）得到的电力系统在第 k 个运行场景中所有发电机的相对转子角绝对平均值由大到小进行排序，得到发电机 i 的相对转子角绝对平均值在第 k 个运行场景中的排序 r 1 k ( i )，将步骤（2-1-3）得到的电力系统在第 k 个运行场景中所有发电机相对转子角极差由大到小进行排序，得到发电机 i 的相对转子角极差在第 k 个运行场景中排序 r 2 k ( i )，根据发电机 i 在第 k 个运行场景中的排序 r 1 k ( i )和排序 r 2 k ( i )，计算发电机 i 在第 k 个运行场景中的受扰严重程度评价指标 D gen_i k ：（2-1-5）将步骤（2-1-4）得到的在第 k 个运行场景中所有发电机受扰严重程度评价指标 D gen_i k 从小到大排序，选取排在前 a 台发电机作为受扰严重发电机，编号分别记为 G 1 k ， G 2 k ，…， G a k ，依次采集第 k 个运行场景中受扰严重发电机 G 1 k ， G 2 k ，…， G a k 在采样点 t 的相对转子角，得到 ， ，…， ，其中 a 的值由人为设定，且满足2< a < N ， t =1,2,…, n ；（2-2）根据步骤（1）得到的所有母线的电压幅值 V j k ( t )，依次计算得到电力系统在第 k 个运行场景中受扰最严重的 b 个母线，具体步骤如下：（2-2-1）依次计算电力系统在第 k 个运行场景中第 j 个母线在 n 个采样点的电压幅值的平均值 ：其中， 表示在第 k 个运行场景中第 j 个母线在采样点 t 的电压幅值， t =1,2,…, n ，下标 j 表示电力系统中的第 j 个母线， j =1,2,…, M ；（2-2-2）依次计算电力系统在第 k 个运行场景中第 j 个母线在 n 个采样点的电压幅值的极差 ：（2-2-3）将步骤（2-1-1）得到的电力系统在第 k 个运行场景中所有母线的电压幅值平均值由小到大进行排序，得到母线 j 的电压幅值平均值在第 k 个运行场景中的排序 r 3 k ( j )，将步骤（2-2-2）得到的所有母线电压幅值的极差由大到小进行排序，得到母线 j 的电压幅值的极差在第 k 个运行场景中的排序 r 4 k ( j )，根据母线 j 在第 k 个运行场景中的排序 r 3 k ( j )和排序 r 4 k ( j )，计算母线 j 在第 k 个运行场景中的受扰严重程度评价指标 D bus_j k ：（2-2-4）将步骤（2-2-3）得到的在第 k 个运行场景中所有母线的受扰严重程度评价指标 D bus_j k 从小到大排序，选取排在前 b 台母线作为受扰严重母线，编号分别记为 B 1 k ， B 2 k ，…， B b k ，依次采集第 k 个运行场景中受扰严重母线 B 1 k ， B 2 k ，…， B b k 在采样点 t 的电压幅值，得到 ， ，…， ，其中 b 的值由人为设定，且满足2< b < M ， t =1,2,…, n ；（2-3）根据步骤（2-1-5）得到的 a 台受扰严重发电机的相对转子角 ， ，…， ，及步骤（2-2-4）得到的 b 个受扰严重母线的电压幅值 ， ，…， ，构成第 k 个运行场景的特征向量 X k =[ , ,…, , , ,…, ]；（3）将每种场景的特征向量 X k 中的发电机变量[ , ,…, ]和母线变量[ , ,…, ]，分别排列成两组二维数据，将两组二维数据分别输入至卷积层、池化层、批量归一化层和全连接层，输出得到发电机变量的输出 o k 1 和母线变量的输出 o k 2 ，最后，将发电机变量 o k 1 和母线变量的输出 o k 2 合并输入至全连接层，得到大扰动稳定判别模型 M 的结构，具体包括以下步骤：（3-1）将步骤（2-3）得到的[ , ,…, ]进行最大最小归一化，然后按照发电机维度、时间维度排列成二维数据，该二维数据的维度为 a × n ，将该二维数据输入至 c 1 个卷积层、 p 1 个池化层、 z 1 个批量归一化层，然后将输出结果平铺后输入至 q 1 个全连接层，得到输出 o k 1 ，其中，将 c 1 个卷积层中第 l (1)个卷积层的所有待求参数记为 W l(1) 1 ， l (1)=1,…, c 1 ，将 q 1 个全连接层中第 g (1)个全连接层的所有待求参数记为 H g(1) 1 ， g (1)=1,…, q 1 ；其中的卷积层、池化层、批量归一化层和全连接层的个数及位置，卷积层中卷积核的个数和尺寸，池化层的尺寸以及全连接层的神经元数均由人为确定；（3-2）将步骤（2-3）得到的[ , ,…, ]按照母线维度、时间维度排列成二维数据，该二维数据的维度为 b × n ，然后将该二维数据输入至 c 2 个卷积层、 p 2 个池化层、 z 2 个批量归一化层，然后将输出结果平铺后输入至 q 2 个全连接层，得到输出 o k 2 ，其中，将 c 2 个卷积层的待求参数记为 W l(2) 2 ， l (2)=1,…, c 2 ，将 q 2 个全连接层中第 g (2)个全连接层的所有待求参数记为 H g(2) 2 ， g (2)=1,…, q 2 ；其中的卷积层、池化层、批量归一化层、全连接层的个数及位置、卷积层中卷积核的个数和尺寸、池化层的尺寸以及全连接层的神经元数均由人为确定；（3-3）将步骤（3-1）得到的 o k 1 和步骤（2-2）得到的 o k 2 合并为[ o k 1 ， o k 2 ]，然后将[ o k 1 ， o k 2 ]输入至 w 个全连接层中，将 w 个全连接层中第 g (3)个全连接层的所有待求参数记为 H g(3) 3 ， g (3)=1,…, w ；其中，全连接层 w 的个数以及前 w -1个全连接层的神经元数根据经验确定，第 w 个全连接层的输出维度为3，第 w 个全连接层的激活函数为sigmoid函数，输出记为 O k =( O k 1 , O k 2 , O k 3 )，其中，若 O k 1 ≥0.5表示系统在大扰动后存在暂态功角失稳现象，若 O k 1 ＜0.5表示系统在大扰动后不存在暂态功角失稳现象，若 O k 2 ≥0.5表示系统在大扰动后存在暂态电压失稳现象，若 O k 2 ＜0.5表示系统在大扰动后不存在暂态电压失稳现象，若 O k 3 ≥0.5表示系统在大扰动后存在动态失稳现象，若 O k 3 ＜0.5表示系统在大扰动后不发生发散振荡或持续的振荡；（4）根据步骤（2）得到的 s × f 种运行场景的特征向量 X k 、步骤（1）得到的大扰动稳定性标签 y k 和基于自适应矩估计的梯度下降算法，即Adam算法，迭代计算步骤（3）中的所有待求参数 W l(1) 1 、 H g(1) 1 、 W l(2) 2 、 H g(2) 2 和 H g(3) 3 ，得到最终的大扰动稳定性判别模型 M ，其中，所采用的损失函数loss的具体计算公式如下：其中， N train 表示从 s × f 种运行场景中选择作为训练集的运行场景数， N train 的值由人工设定，且满足0.5× s × f < N train < s × f ，剩余 s × f - N train 种运行场景作为验证集；（5）从电力系统仿真数据或者广域测量系统的量测数据中获取大扰动后所有发电机的转子角度、所有母线的电压幅值，经过计算并输入至步骤（4）得到的电力系统大扰动稳定性判别模型 M 中，得到电力系统大扰动稳定性判别结果，具体包括如下步骤：（5-1）利用电力系统仿真数据或者直接采集广域测量系统的量测数据，得到大扰动后 n 个采样点的发电机转子角度 δ i new ( t )、母线的电压幅值 V j new ( t )，采用步骤（2-1）的方法得到 a 台受扰严重发电机的相对转子角 ， ，…， ，采用步骤（2-2）的方法得到 b 个受扰严重母线的电压幅值 ， ，…， ， t =1,2,…, n ；（5-2）将步骤（5-1）得到的 a 台受扰严重发电机的相对转子角进行归一化处理，排列成 a × n 的二维数据，将步骤（5-1）得到的 b 个受扰严重母线的电压幅值排列成 b × n 的二维数据，然后将 a × n 的二维数据和 b × n 的二维数据输入至步骤（4）得到的电力系统大扰动稳定判别模型 M 中，得到电力系统的大扰动稳定性判别结果。