一种暂态过电压幅值的预测方法、系统、终端及介质

本发明涉及电力系统，具体为一种暂态过电压幅值的预测方法、系统、终端及介质。

背景技术：

1、在我国，能源资源和负荷中心呈现逆向分布的特点。在碳中和、碳达峰的“双碳”目标推动下，风电、光伏等新能源迎来跨越式增长，我国总体上形成了“西电东送”和“北电南送”的电力格局，特高压直流输电工程因其大容量、远距离输电的优势得到了广泛应用。当直流发生换相失败、直流闭锁等故障后，直流功率传输受阻，整流站配套交流滤波器大量的无功盈余注入电网，引起送端交流母线产生暂态过电压。特别是对于送端接入了大量风机的系统，一旦暂态压升超过了风机耐压值，将导致风机大规模连锁脱网，造成严重的系统安全稳定问题。在电网运行过程中，送端暂态过电压问题已成为制约直流输电能力和风电场上网功率的直接影响因素。因此，准确分析送端暂态过电压幅值，对于有效评估和降低扰动过程中的风机脱网风险、制定合理的紧急控制措施以维护系统安全稳定运行具有重要指导意义。

2、在现有技术中，送端暂态过电压幅值主要是基于物理机理模型进行分析的，大致可以分为两类。一类是根据关键影响因素对暂态过电压幅值进行简化计算，主要基于短路比、短路容量、多馈入短路比等系统强度指标进行分析，如将过盈无功和送端短路容量的比值作为暂态压升的估算值，这类方法具有一定的物理意义，计算简便但精确度不高，只适用于初步的定性分析。另一类是基于详细建模的暂态过电压幅值定量研究，通过对交直流混联系统进行合理的等值建模，并计及相关运行特性对送端暂态过电压进行求解。建模量化分析方法具有牢靠的数学模型基础，在计算准确率上有了一定的提升，但其计算结果与模型的精度紧密相连，计算过程中要求解大量代数方程和非线性方程，计算速度慢。当系统规模增大时，维度不断增加时，求解所需计算时间也随之剧增，无法满足现在电力系统中对暂态电压计算的需求，且等值简化建模也会对计算精度产生一定的影响。

3、随着以毫秒级同步量测为基础的广域量测系统(wams)在电力系统的推广应用，基于响应和人工智能的暂态过电压幅值预测方法在一定程度上得到了发展。根据wams采集到的实时响应特征量，基于人工智能方法对暂态过电压进行预测，如基于决策树的风机暂态过电压幅值预测、基于在线顺序极限学习机的暂态过电压预测等。基于响应和人工智能的方法法无需复杂的数学建模，估算精度较高，往往可以更加快速、有效地预测送端暂态过电压幅值，以更好的评估和降低风机脱网风险，相比于机理方法在计算效率和计算精度上都有了一定的提高。然而，在电网实际运行过程中，风机机端过电压水平越高，对系统安全运行的影响越大，对计算结果的误差的容忍度越低。目前采用的人工智能预测方法较为经典，对于送端暂态过电压的具体实际场景特性考虑不足，模型的预测精度和预测准确率仍有待提高。

技术实现思路

1、为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种暂态过电压幅值的预测方法、系统、终端及介质，以解决现有技术中对于送端暂态过电压的具体实际场景特性考虑不足，模型的预测精度和预测准确率低的技术问题。

2、本发明是通过以下技术方案来实现：

3、一种暂态过电压幅值的预测方法，包括如下步骤：

4、步骤1，生成样本数据集，对样本数据集进行归一化处理，并将样本数据集分为训练数据集和测试数据集；

5、步骤2，采用决策树模型并对决策树模型的训练目标进行改进，利用训练数据集对改进后的决策树模型进行训练；

6、步骤3，训练后的决策树模型对测试数据集的过电压进行预测，并对预测效果评估，完成暂态过电压幅值的预测工作。

7、优选的，步骤1中，样本数据集的生成过程如下：

8、选取故障时刻风机的有功功率、无功功率、机端电压、机端电流、换流母线电压、系统频率的电气量作为预测模型的输入特征，选取故障后的暂态过电压幅值作为预测模型的输出，生成初始样本数据集，可利用wams系统采集得到的历史响应电气量数据来构成样本数据集。

9、优选的，步骤1中，采用线性函数转换的方法对样本数据进行归一化处理，表达式如下：

10、

11、式中，xi为输入特征中某种电气量的实际值；xmax和xmin为所有样本中该电气量的最大值和最小值；yi为归一化处理结果。

12、优选的，步骤2，决策树模型按照集合samplei中某个元素进行划分，通过计算样本划分后的纯度损失确定划分属性及划分标准γ，从而得到训练完善的决策树模型；

13、其中集合samplei为samplei＝{fwt1,vwt1,iwt1,pwt1,qwt1,…,fwtn,vwtn,iwtn,pwtn,qwtn}；

14、式中，n为风机的台数；下标wtn为第n台风机；fwtn,vwtn,iwtn,pwtn,qwtn分别为第n台风机在故障时刻的频率、机端电压、机端电流、有功功率和无功功率。

15、优选的，步骤2中，对决策树模型的训练目标进行改进的计算公式如下：

16、

17、

18、式中，t为回归树中的节点，r′(t)为改进回归树在第t个节点的方差，n为节点t对应的样本数量；yi为某个样本通过仿真获得的风机过电压幅值；为节点t中所有样本对应的过电压幅值的平均值；δr′(t)为改进决策回归树在第t个节点方差的减少量；r′(tr)、r′(tl)分别为改进回归树在划分后右子树和左子树的方差；nr、nl分别为划分后右子树和左子树的样本数量；r(t)为传统回归树在第t个节点的方差。

19、优选的，步骤2中，利用训练数据集对改进后的决策树模型进行训练，训练过程采用梯度下降法，直至训练样本的划分条件满足纯度要求，最终得到训练完善的改进决策树模型，其中划分条件γ′max满足下式：

20、γ′max＝argmaxδr′(γ,t)

21、式中，argmax为使得方差减少量即纯度损失δr′(γ,t)取得最大值所对应的变量γ。

22、优选的，步骤3中，训练后的决策树模型对测试数据集的过电压进行预测，通过预测准确率指标反映模型的回归预测效果，该评价指标计算公式如下：

23、

24、as＝(1-rmse)×100％

25、式中，rmse表示均方根误差；as为预测准确率；n为风机台数；y'(i)和y(i)分别为第i台风机机端母线的暂态过电压预测值和真实值。

26、一种暂态过电压幅值的预测系统，包括：

27、数据集处理模块，用于生成样本数据集，对样本数据集进行归一化处理，并将样本数据集分为训练数据集和测试数据集；

28、模型训练模块，用于采用决策树模型并对决策树模型的训练目标进行改进，利用训练数据集对改进后的决策树模型进行训练；

29、数据预测模块，用于训练后的决策树模型对测试数据集的过电压进行预测，并对预测效果评估，完成暂态过电压幅值的预测工作。

30、一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述一种暂态过电压幅值的预测方法的步骤。

31、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述一种暂态过电压幅值的预测方法的步骤。

32、与现有技术相比，本发明具有以下有益的技术效果：

33、本发明提供了一种暂态过电压幅值的预测方法，在样本数据集生成阶段，无需建模和手动提取输入特征，仅需故障发生时刻的部分实时响应电气量，即可直接对送端暂态过电压幅值进行预测；在模型训练阶段，考虑过电压水平越高对计算误差容忍度越低的特点，本发明对传统决策树的训练目标进行改进，以提高高风险场景预测误差的权重，提升对高风险场景过电压幅值预测准确性的关注；在预测阶段，与传统决策树模型相比本发明所提改进模型预测准确率更高，结果更接近真实值，能更有效评估扰动过程中的风机脱网风险，并为制定合理的紧急控制措施提供指导。