基于随机森林法的电力系统静态电压稳定临界点预测方法与流程

1.本发明属于电力系统分析技术领域，涉及一种静态电压稳定临界点预测方法，具体涉及一种基于随机森林法的电力系统静态电压稳定临界点预测方法。


背景技术：

2.电力系统是当今社会最重要的基础设施之一，其安全稳定运行与人类的日常生产生活息息相关，具有重要的意义。根据电力系统稳定特性的物理机理不同，可将电力系统的稳定性分为电压稳定、功角稳定与频率稳定。其中，电压稳定性主要关注的是电力系统经历扰动后维持节点电压幅值在要求范围内的能力。静态电压稳定从稳态潮流方程出发，通过判断潮流方程是否有可行解来评价系统的电压稳定性，并将系统的最大传输功率作为静态电压稳定运行的临界。
3.随着电网规模的不断扩大，风电等间歇性可再生能源发电的大量并网，电力系统的运行状态更加复杂多变，使得电力系统静态电压失稳风险显著增加，因此如何快速的分析电力系统静态电压稳定裕度对于保障电网的安全稳定运行意义重大。


技术实现要素：

4.本发明的目的，是要提供一种基于随机森林法的电力系统静态电压稳定临界点预测方法，通过将电力系统当前运行点的有功发电和有功负荷节点、发电机节点和负荷节点的功率增长方向输入到基于随机森林方法训练好的模型当中，可以快速计算系统静态电压稳定裕度。
5.本发明为实现上述目的，所采用的技术方案如下：
6.一种基于随机森林法的电力系统静态电压稳定临界点预测方法，包括以下步骤：
7.s1、对于电力系统的发电机节点和负荷节点，分别基于蒙特卡罗法生成随机数，计算发电机节点和负荷节点的功率增长方式；沿发电机节点和负荷节点功率增长方向，通过连续潮流方法生成不同预测点的特征数据；
8.s2、以电力系统当前运行点的有功发电和有功负荷节点、发电机节点和负荷节点的功率增长方向作为样本特征数据，对样本特征数据中初始运行点的发电机节点和负荷节点进行线性归一化处理，得到处理后的特征数据；
9.s3、从处理后的特征数据中抽取训练集输入随机森林进行训练，将其余处理后的特征数据作为测试集进行测试，确定最大的预测误差及最大预测误差对应的样本，在最大预测误差对应的样本上通过微调训练法获得新样本，更新训练集，重新输入随机森林，不断重复，直到最大的预测误差平稳不在变化，得到训练好的模型；
10.s4、将电力系统当前运行点的有功发电和有功负荷节点、发电机节点和负荷节点的功率增长方向输入到训练好的模型当中，计算系统静态电压稳定裕度。
11.作为限定，步骤s1的具体过程为：
12.s11、对于电力系统的发电机节点，在其有功出力范围随机抽样，获得发
电机节点的初始发电功率得到用所有发电机节点的初始发电功率构成的向量
13.对于电力系统的负荷节点，在其有功出力范围随机抽样，获得负荷节点的初始负荷节点功率得到用所有负荷节点功率构成的向量
14.s12、对于电力系统的发电机节点，通过蒙特卡罗法在[0，1]间随机生成ng个随机数εj,j＝1,2,
…
k1…
,ng，ng为电力系统中发电机节点的总数，计算发电机节点的功率增长方式；
[0015]
对于电力系统的负荷节点，通过蒙特卡罗法在[0，1]间随机生成n
l
个随机数δj,j＝1,2,
…
k2…
,n
l
，n
l
为负荷节点的总数，计算负荷节点的功率增长方式；
[0016]
s13、以和作为初始运行点，沿发电机节点和负荷节点功率增长方向，通过连续潮流方法生成不同预测点的特征数据。
[0017]
作为进一步限定，步骤s12中，发电机节点的功率增长方式的计算公式为：
[0018][0019]
其中，为第k1个发电机节点生成的随机数；
[0020]
负荷节点的功率增长方式的计算公式为：
[0021][0022]
其中，δ
k2
为第k2个负荷节点生成的随机数。
[0023]
作为第二种限定，步骤s2中，对样本特征数据中初始运行点的发电机节点和负荷节点线性归一化处理的计算公式为：
[0024][0025][0026]
其中，为初始运行点的第i个发电机节点的有功功率，为初始运行点的第i个发电机节点的最小有功功率，为初始运行点的第i个发电机节点的最大有功功率，为初始运行点的第i个负荷节点的有功功率，为初始运行点的第i个负荷节点的最小有功功率，为初始运行点的第i个负荷节点的最大有功功率。
[0027]
作为第三种限定，步骤s3中，训练集和测试集的比例分别为8：2。
[0028]
作为进一步限定，步骤s3中，从处理后的特征数据中抽取训练集输入随机森林进行训练，将其余处理后的特征数据作为测试集进行测试，确定最大的预测误差及最大预测
误差对应的样本，在最大预测误差对应的样本上通过微调训练法获得新样本的过程包括：
[0029]
s31、模型训练及调参，选用机器学习算法中的随机森林模型，以训练集中的向量作为特征x＝{x1,x2,
…
,xn}，以系统静态电压稳定裕度作为预测值y＝{y1,y2,
…
,yn}，其中，xn为第n个样本的特征，yn为第n个样本的预测值，n为样本数量。
[0030]
s32、模型评估，通过对抽取的训练集为d＝{(x1,y1),(x2,y2),
…
(xn,yn)}做五折交叉验证，并在测试集上输出预测值的方式对初步模型进行评估。
[0031]
s33、模型输出，若结果符合预设标准，即模型输出的预测值与真实值的误差变化平稳，则将该初步模型作为预测模型，导出并存储，若结果不符合预设标准则返s31，对初步模型进行再次训练及调参。
[0032]
作为第四种限定，步骤s4中，静态电压稳定裕度的计算公式为：
[0033][0034][0035][0036]
其中，λc为电力系统的静态电压稳定裕度，为电压崩溃点的第i个负荷节点的有功功率，d
l,i
为第i个发电机节点的功率增长量；为电压崩溃点的第i个发电机节点的有功功率，d
g,i
为第i个负荷节点的功率增长量。
[0037]
本发明由于采用了上述的技术方案，其与现有技术相比，所取得的技术进步在于：
[0038]
(1)与现有技术相比，本发明将随机森林方法应用于电力系统的静态电压稳定裕度预测，实现了给定当前运行方式和未来的功率增长模式的条件下，系统静态电压稳定裕度的快速计算；
[0039]
(2)本发明具有计算时间短，准确度、可靠性较高的优势。
[0040]
综上所述，本发明在计算时间上有明显的优势且可获得较高的计算精度，适用于快速寻找电力系统的静态电压稳定临界点。
附图说明
[0041]
图1所示为本发明实施例的方法流程图；
[0042]
图2所示为本发明实施例的电网接线图；
[0043]
图3所示为本发明实施例的最大的预测误差的百分数；
[0044]
图4所示为本发明实施例的预测值与实际值的静态电压稳定裕度折线图。
具体实施方式
[0045]
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
[0046]
实施例 一种基于随机森林法的电力系统静态电压稳定临界点预测方法
[0047]
如图1所示，本实施例包括以下步骤：
[0048]
s1、对于电力系统的发电机节点和负荷节点，分别基于蒙特卡罗法生成随机数，计算发电机节点和负荷节点的功率增长方式；沿发电机节点和负荷节点功率增长方向，通过连续潮流方法生成不同预测点的特征数据；
[0049]
本步骤的具体过程为：
[0050]
s11、对于电力系统的发电机节点，在其有功出力范围随机抽样，获得发电机节点的初始发电功率得到用所有发电机节点的初始发电功率构成的向量
[0051]
对于电力系统的负荷节点，在其有功出力范围随机抽样，获得负荷节点的初始负荷节点功率得到用所有负荷节点功率构成的向量
[0052]
s12、对于电力系统的发电机节点，通过蒙特卡罗法在[0，1]间随机生成ng个随机数εj,j＝1,2,
…
k1…
,ng，ng为电力系统中发电机节点的总数，计算发电机节点的功率增长方式；
[0053]
对于电力系统的负荷节点，通过蒙特卡罗法在[0，1]间随机生成n
l
个随机数δj,j＝1,2,
…
k2…
,n
l
，n
l
为负荷节点的总数，计算负荷节点的功率增长方式；
[0054]
发电机节点的功率增长方式的计算公式为：
[0055][0056]
其中，为第k1个发电机节点生成的随机数；
[0057]
负荷节点的功率增长方式的计算公式为：
[0058][0059]
其中，δ
k2
为第k2个负荷节点生成的随机数；
[0060]
s13、以和作为初始运行点，沿发电机节点和负荷节点功率增长方向，通过连续潮流方法生成不同预测点的特征数据。
[0061]
s2、以电力系统当前运行点的有功发电和有功负荷节点、发电机节点和负荷节点的功率增长方向作为样本特征数据，对样本特征数据中初始运行点的发电机节点和负荷节点进行线性归一化处理，得到处理后的特征数据；
[0062]
本步骤对样本特征数据中初始运行点的发电机节点和负荷节点线性归一化处理的计算公式为：
[0063][0064]
[0065]
其中，为初始运行点的第i个发电机节点的有功功率，为初始运行点的第i个发电机节点的最小有功功率，为初始运行点的第i个发电机节点的最大有功功率，为初始运行点的第i个负荷节点的有功功率，为初始运行点的第i个负荷节点的最小有功功率，为初始运行点的第i个负荷节点的最大有功功率率。
[0066]
s3、从处理后的特征数据中抽取训练集输入随机森林进行训练，将其余处理后的特征数据作为测试集进行测试，确定最大的预测误差及最大预测误差对应的样本，在最大预测误差对应的样本上通过微调训练法获得新样本，更新训练集，重新输入随机森林，不断重复，直到最大的预测误差平稳不在变化，得到训练好的模型；其中，训练集和测试集的比例分别为8：2；
[0067]
本步骤中，从处理后的特征数据中抽取训练集输入随机森林进行训练，将其余处理后的特征数据作为测试集进行测试，确定最大的预测误差及最大预测误差对应的样本，在最大预测误差对应的样本上通过微调训练法获得新样本的过程包括：
[0068]
s31、模型训练及调参，选用机器学习算法中的随机森林模型，以训练集中的向量作为特征x＝{x1,x2,
…
,xn}，以系统静态电压稳定裕度作为预测值y＝{y1,y2,...,yn}，其中，xn为第n个样本的特征，yn为第n个样本的预测值，n为样本数量。
[0069]
s32、模型评估，通过对抽取的训练集为d＝{(x1,y1),(x2,y2),
…
(xn,yn)}做五折交叉验证，并在测试集上输出预测值的方式对初步模型进行评估。
[0070]
s33、模型输出，若结果符合预设标准，即模型输出的预测值与真实值的误差变化平稳，则将该初步模型作为预测模型，导出并存储，若结果不符合预设标准则返s31，对初步模型进行再次训练及调参。
[0071]
s4、将电力系统当前运行点的有功发电和有功负荷节点、发电机节点和负荷节点的功率增长方向输入到训练好的模型当中，计算系统静态电压稳定裕度；
[0072]
静态电压稳定裕度的计算公式为：
[0073][0074][0075][0076]
其中，λc为电力系统的静态电压稳定裕度，为电压崩溃点的第i个负荷节点的有功功率，d
l,i
为第i个发电机节点的功率增长量；为电压崩溃点的第i个发电机节点的有功功率，d
g,i
为第i个负荷节点的功率增长量。
[0077]
下面对本实施例进行算例分析：
[0078]
本实施例采用如图2所示的ieee39节点配电系统验证本发明所提方法的有效性与正确性。该算例系统中包含：21个负荷节点，10个发电机节点。考虑到不同的当前运行方式和未来的功率增长模式的条件下，系统静态电压崩溃点计算量巨大，通过基于matlab的
matpower生成样本。在本算例中，对于发电机节点，在其有功出力范围随机抽样，获得发电机节点的初始发电功率同样，对于负荷节点，在其有功出力范围随机抽样，获得负荷节点的初始负荷节点功率通过改变负荷节点以及发电机节点的输出，仿真共得到7694个样本，获得的样本80％(6155个)作为训练集，其余的20％(1538个)作为测试集。
[0079]
如表1所示，给出了四个样本在不同的状态下的静态电压稳定裕度。表中每两列代表一个样本，第一列表示当前运行状态，第二列表示功率增长方向。其中，bus1-bus21是为负荷节点，bus30-bus39为发电机节点，最后一行为当前运行点沿着该方向的静态电压稳定裕度，计算结果中给出的裕度为标幺值，基准值为500mva。
[0080]
表1ieee-39节点系统计算结果
[0081]
[0082][0083]
如图3所示，为本实施例更新训练集重新输入随机森林后，得到的最大的预测误差的百分数。
[0084]
为了验证本实施例的预测效果，随机选取100个样本，画出样本的预测值与实际值的静态电压稳定裕度折线图。由图4可看出，在开始迭代时，预测值和实际值的误差很大，达到15.9％。随着迭代次数的增加，最大误差逐渐变小并且趋于稳定，到3.03％。由此可以看出用随机森林法预测的裕度值和实际值误差很小，表明了本实施例方法预测的准确性。