针对高比例风电并网的电力系统暂态稳定预防控制方法

本发明属于电力系统，具体涉及电力系统暂态稳定预防控制，尤其涉及一种针对高比例风电并网的电力系统暂态稳定预防控制方法。

背景技术：

1、通常电力系统暂态稳定预防控制的研究是对考虑暂态稳定约束的最优潮流(transient stability constrained optimal power flow，tscopf)问题进行求解，其中，电力系统的暂态稳定性是通过求解一组代表系统暂态的微分代数方程来确定的。但随着电力系统规模的不断扩张，微分代数方程的求解难度也越来越高。随着我国电力系统向以新能源为主体的新型电力系统转型升级，电源侧出力不确定性及电网互联复杂性必然不断提高，这无疑增加了电网发生失稳故障的风险。因此，如何考虑新能源出力和系统运行状态的双重不确定性对暂态失稳故障的影响，在故障发展初期有针对性地制定预防控制方案，对抑制故障蔓延，避免大停电事故发生具有重要意义。

2、随着广域测量系统和同步相量测量装置的应用，使得电力系统运行数据的收集愈加方便快捷，数据驱动方法的使用也日益广泛。基于数据驱动的方法主要有支持向量机、反向传播神经网络及深度置信网络等。授权公告号为cn110163540b的专利文献公开了一种电力系统暂态稳定预防控制方法和系统，基于生成对抗网络模型中的生成器对发电机有功出力进行调整。授权公告号为cn109473977b的专利文献公开了一种计及风险的电力系统快速预防控制方法，考虑老化作用导致线路失效，基于直流潮流和支路开断分布因子，制定预防控制模型并利用内点法对其求解。然而，上述方法无法处理大量的样本数据，同时，它们无法单独处理新能源出力的不确定性。

3、综上所述，目前的暂态稳定预防控制方法不能满足现代以新能源为主题的新型电力系统对暂态稳定预防控制方法的高适应性、高精度的需求。

技术实现思路

1、本发明的目的是为了解决背景技术中指出的现有技术存在的不能满足现代以新能源为主题的新型电力系统对暂态稳定预防控制方法的高适应性、高精度的需求的技术问题，提出在考虑高比例风电并网的情况下，建立一种高精度、高适应性的电力系统暂态稳定预测模型，并利用优化算法求解考虑风电出力不确定性的暂态稳定最优潮流，从而提供一种针对高比例风电并网的电力系统暂态稳定预防控制方法。

2、本发明的目的是这样实现的：

3、针对高比例风电并网的电力系统暂态稳定预防控制方法，包括以下步骤：

4、步骤1：设置预想故障集，针对高比例风电并网的电力系统，构建不稳定模式(instability mode，im)分类的概率暂态稳定约束(probabilistic transient stabilityconstraint，ptsc)；

5、步骤2：基于电力系统历史运行数据与仿真数据，利用时域仿真法确定相应故障下的极限切除时间(critical clearing time，cct)和im，建立初始样本集；

6、步骤3：基于所构造的样本集，对梯度提升与逐步特征增强(gradient boostingenhanced with step-wise feature augmentation，augboost)模型进行离线训练，形成基于augboost的评估模型，对cct和im进行在线评估；

7、步骤4：基于评估结果，针对ptsc评估当前系统运行状况，计算cct满足稳定指标的概率对每个im类别的关键发电机产生的有功功率的灵敏度，将ptsc转化为一组显式约束，并嵌入到传统最优潮流(optimal power flow，opf)模型中，得到ptscopf模型；

8、步骤5：利用动态惯性权重粒子群优化(dynamic inertia weight particleswarm optimization，dw-pso)算法对ptscopf模型进行求解，得到电力系统最佳运行点。

9、在步骤1中，将所有可能引发暂态失稳的线路设为预想故障集，构建im分类的ptsc，如公式(1)所示：

10、ρ(τ((xsol,ysol),ωl,ζ,u,ε,t)＞α)≥β   (1)

11、式中：ρ(·)代表概率；τ代表相关稳定指标cct；(xsol,ysol)代表一个控制方案，即某个控制后的系统状态的代数变量；ωl代表线路集合；ζ代表每条线路的故障发生概率密度函数；u代表控制变量，包括每个同步发电机的有功功率输出；ε代表影响系统运行点的不确定性，如每个风力发电厂(wind power plant，wpp)发电量的变化；t代表两次连续控制操作之间的时间间隔，鉴于opf通常求解一小时的控制方式，故将t设置为一小时；α是定义的cct阈值。公式(1)表明，如果在两个连续控制操作之间的ωl中的线路发生随机故障，考虑在此期间的ζ和ε，cct>α的概率必须不小于安全等级β。

12、在考虑ε后单独分析每个潜在故障具有一定的困难性，因此在opf问题中处理公式(1)时会很复杂。鉴于某个控制解决方案可能对触发相同im的多个故障的系统脆弱性产生类似的影响，以更通用、更易于处理的方式形成ptsc，如公式(2)所示：

13、

14、式中：ωim代表可能出现在电网中所有im的集合；k代表ωim的编号。

15、这种方式有助于为需要预防的每个im设置灵活的概率稳定性标准。ims类似于连贯的发电机组，主要区别是它们仅包含两组发电机组，即关键发电机组和剩余发电机组。

16、在步骤2中，cct和im是电力系统暂态稳定分析中的两个重要指标。cct的值决定了系统的稳定性水平与具体故障的关系，im的识别决定了丢失同步的关键同步发电机。将一组数据对(cct，im)表示为ωcct,im，包含电力系统在所有可能故障场景下的cct和im。ωcct,im反映电力系统的整体稳定性水平并识别易丢失同步的发电机，为进一步地预防控制提供基础。

17、电力公司和电力系统仿真软件可提供大量历史电力系统工作点的运行数据以及仿真数据，根据相应的历史观测数据与仿真数据估计各种不确定性(每个风力发电机的输出、负荷水平和故障位置等)的统计模型；然后，进行时域仿真，在每次仿真中，从相应的统计模型中采样系统中的不确定变量。最后，从仿真结果中提取所选特征(同步发电机转子角、故障位置、同步发电机和风力发电厂的有功输出和同步发电机的无功输出)和目标标签(cct和im)，并保存在样本集中。

18、在步骤3中，对于一个高比例风电并网的电力系统，潜在的运行点呈指数级增长，通过时域仿真计算cct和识别im是非常耗时的。故利用所构造的样本集，对augboost模型进行训练，以构建变量与cct和im之间的映射关系，实现在线评估。

19、评估模型包括回归模型(用于评估系统cct)和多类分类模型(用于评估系统im)。augboost是一种与许多其他类型的学习算法结合使用的机器学习算法，可应用于多类分类和回归问题。augboost与常规的梯度提升决策树(gradient boosting decision tree，gbdt)模型不同，该算法在gbdt迭代间增强数据集特征，以获得更好的结果。

20、augboost算法主要包含两个部分：1)特征的提取与组合。首先，使用电力系统原始特征数据训练人工神经网络(artificial neural network，ann)，ann学习其中的信息并提取一组新特征，然后将新提取的特征与原始特征进行组合；2)基于dt的评估模型。将组合的特征输入dt模型进行训练，构建特征数据与稳定评估标签之间的映射关系。

21、在步骤4中，假设概率暂态稳定性水平与由产生的有功功率之间存在准线性关系。根据该关系，为了满足公式(1)所示的ptsc，可以计算从转移到的有功发电量。和分别是第k个im的关键与剩余同步发电机集合。cct满足稳定指标的概率对从关键发电机到剩余发电机的有功功率偏移的灵敏度为：

22、

23、式中：δp代表两次连续迭代之间所有同步发电机的最大功率输出变化。

24、基于假设的准线性关系，为达到所需的稳定性水平，从转移到的目标有功功率计算公式如下：

25、

26、将ptsc转化为一组显式约束：

27、

28、式中：pg代表第g台同步发电机的有功输出功率；pg'表示第g台同步发电机功率转移前对应的有功输出功率。

29、将其嵌入到传统opf模型中，得到ptscopf模型。

30、在步骤5中，pso中惯性权重ω反映了粒子的搜索能力。惯性权重高表示全局搜索能力强，反之则局部搜索能力强。标准pso算法的ω是常数。虽然它在搜索过程前期具有很强的全局能力，但在搜索过程后期收敛速度较慢，容易趋于局部最优。因此惯性权重应该根据搜索过程进行调整，以平衡收敛速度和全局搜索能力。为克服pso的缺点并考虑优化模型中的约束条件，提出了带惩罚函数的dw-pso算法对参数进行优化。当粒子的位置不满足约束时，通过惩罚函数将适应度值设置为最大值。通过设置惩罚函数，可以将有约束的优化问题转化为无约束的优化问题。利用dw-pso算法对ptscopf进行求解，得到电力系统最优运行方式。具体步骤如下：

31、(1)输入发电机组、输电线路、母线、电力系统负荷数据；

32、(2)输入pso参数数据，即惯性权重，加速度常数，群中粒子数，最大迭代次数；

33、(3)随机生成初始粒子群的位置和速度；

34、(4)设迭代次数为0；

35、(5)根据适应度函数计算每个粒子的总成本，并检查不满足约束情况。当粒子的位置不满足约束时，通过惩罚函数将适应度值设置为最大值；

36、(6)若每个粒子的适应度都低于某一个值，则用该适应度值为最佳值；

37、(7)更新粒子群中粒子的速度和位置；

38、(8)若已达到最大迭代次数，则停止并输出结果；否则，重复执行步骤(5)。

39、与现有技术相比，本发明具有如下技术效果：

40、1)为解决高比例风电并网的电力系统中风力发电出力不确定性问题，本发明提出了im分类的ptsc，将不确定性转化为确定性约束表达，得到每个im类别计算cct满足稳定指标的概率对关键发电机产生的有功功率的灵敏度，将ptsc转化为一组显式约束，并嵌入到传统opf公式中，得到ptscopf模型；

41、2)本发明提出了一种有效的电力系统暂态稳定预防控制方法，实现了cct和im的快速评估以及ptscopf的快速求解。与传统的数据驱动工具相比，所提出的基于augboost和dw-pso的数据驱动方法能够克服传统评估模型计算量大、局部最优、过拟合等缺点。