一种动态电压稳定裕度预测方法、系统、设备及介质与流程

摘要: 本发明涉及电力系统安全稳定分析,具体涉及一种动态电压稳定裕度预测方法、系统、设备及介质。背景技术:1、随着新能源接入比例提高、电网运行方式更加多变,电力系统电压...
一种动态电压稳定裕度预测方法、系统、设备及介质与流程

本发明涉及电力系统安全稳定分析,具体涉及一种动态电压稳定裕度预测方法、系统、设备及介质。

背景技术:

1、随着新能源接入比例提高、电网运行方式更加多变,电力系统电压稳定问题日益突出。新能源出力波动、负荷水平变化、线路开断以及无功支撑能力变化,均可能改变系统运行点和动态响应特性。传统静态电压指标或单纯潮流裕度指标主要反映某一运行方式下的静态运行状态,难以充分体现发电机励磁系统、调速系统、稳定器、负荷动态等动态元件对系统稳定性的影响。因此,在电力系统运行方式评估和安全校核中,通常需要结合动态模型进行小干扰稳定分析,以判断系统在运行点附近受到微小扰动后能否保持稳定。

2、现有小干扰稳定分析方法通常在给定运行点附近对电力系统动态微分-代数方程进行线性化,形成约化状态矩阵,并通过状态矩阵特征值的实部判断系统动态稳定性。一般而言,主导特征值实部越远离虚轴,系统小干扰稳定裕度越高;主导特征值实部越接近零,系统越接近稳定边界;若存在正实部特征值,则系统可能处于小干扰失稳状态。该类方法具有明确的物理意义,能够反映动态元件、控制系统和网络运行状态对系统稳定裕度的综合影响。

3、然而,现有基于特征值的小干扰稳定分析在大规模运行方式扫描、n-1 安全校核和在线运行评估中仍存在明显不足。每当负荷水平、发电机出力、新能源出力、无功补偿状态或线路开断状态发生变化时,均需重新进行潮流初始化、动态模型初始化、状态矩阵构造和特征值计算。对于包含大量候选运行方式和多种预想故障的在线安全评估任务,该过程计算负担较大,难以满足快速筛选和实时预警需求。

4、为了提高稳定裕度评估效率,已有技术尝试采用机器学习或深度学习方法对电力系统稳定裕度进行预测,例如基于多层感知机、卷积神经网络或一般图卷积网络的方法。该类方法可以在离线训练后实现快速推理,但在面向含新能源扰动和n-1拓扑变化的电力系统动态稳定裕度预测时,仍存在以下不足:

5、部分方法将母线电压、负荷和发电出力等运行状态特征直接展平成向量输入普通神经网络,忽略电网母线之间的拓扑连接关系,难以准确刻画线路开断后网络结构变化对稳定裕度的影响。

6、部分图学习方法采用固定邻接矩阵或静态拓扑结构,不能有效表征n-1线路开断导致的动态图结构变化,也难以适应训练阶段未见过的线路开断场景。

7、部分方法仅进行稳定与失稳的分类判断,无法输出连续的动态稳定裕度数值,不利于运行人员判断当前运行方式距离稳定边界的裕度大小,也不便于进行风险排序和运行方式优化。

8、部分方法未充分利用线路电阻、电抗、电纳、导纳幅值、线路开断状态等支路电气参数和拓扑状态信息,导致模型对潮流通道变化、无功支撑变化和拓扑扰动的表征能力不足。

9、因此,亟须一种能够融合母线运行状态、支路电气参数和线路开断拓扑状态,并能对未见n-1拓扑扰动保持泛化能力的动态稳定裕度预测方法,以实现对电力系统运行方式的快速评估、风险筛选和稳定裕度预警。

技术实现思路

1、鉴于上述存在的问题,提出了本发明。

2、因此,本发明旨在解决现有动态电压稳定裕度评估中反复进行小干扰特征值计算效率较低、普通非图神经网络难以表征电网拓扑、固定拓扑模型难以泛化到未见线路开断场景等问题;

3、本发明的目的在于提供一种基于图注意力网络的电力系统动态电压稳定裕度回归预测方法及系统,通过离线生成运行方式样本和小干扰稳定裕度标签,构建包含节点状态、线路参数和开断状态的动态图数据,并训练gatv2回归模型,实现对动态电压稳定裕度的快速预测。

4、为解决上述技术问题,本发明提供如下技术方案:一种动态电压稳定裕度预测方法,其包括,

5、获取电网拓扑数据生成运行方式样本集,确定运行场景;为筛选后的每个所述运行方式样本进行潮流计算计算节点特征和边特征,选取主导特征值,利用所述主导特征值构造动态电压稳定裕度标签,并根据稳定裕度范围进行样本筛选;根据所述动态电压稳定裕度标签构造图数据,并结合所述节点特征和边特征建模为图;依据图注意力构建主回归模型,结合图数据、运行场景预测动态电压稳定裕度预测值;对所述主回归模型进行训练和验证,采用轮换划分评估模型的泛化能力;利用训练完成的主回归模型,基于当前对应的图数据进行动态电压稳定裕度在线预测。

6、作为本发明所述的一种动态电压稳定裕度预测方法的一种优选方案,其中:所述生成运行方式样本集,包括:

7、样本生成过程中按预设随机扰动出力策略,并按预设概率执行n-1线路开断操作;

8、响应于执行n-1线路开断,则随机选取一条线路并将状态置为停运,运行方式样本为n-1线路开断样本;

9、响应于不执行n-1线路开断,则保持所有线路投运状态形成正常拓扑样本;

10、每个n-1线路开断样本和正常拓扑样本构成运行方式样本集且分别对应一个运行场景。

11、作为本发明所述的一种动态电压稳定裕度预测方法的一种优选方案,其中:所述构造动态电压稳定裕度标签,包括:

12、对每个生成的运行方式样本进行潮流计算和动态模型初始化,响应于通过潮流计算和初始化的样本,进行小干扰线性化获取电力系统动态模型;

13、基于所述电力系统动态模型进行线性化得到约化状态矩阵,对所述约化状态矩阵求取特征值集合,筛选有效特征值;

14、对所述有效特征值选取主导特征值,根据主导特征值实部构造动态电压稳定裕度标签,并对动态电压稳定裕度标签进行范围筛选。

15、作为本发明所述的一种动态电压稳定裕度预测方法的一种优选方案,其中:所述建模为图,包括:

16、将母线节点集合定义为图节点,将线路和变压器支路集合定义为图边;

17、基于动态模型初始化获取节点特征、边特征和图标签并将电网建模为图;

18、在构造所述图注意力回归模型的消息传递边索引时,从图边中去除停运的图边,使图直接反映n-1线路开断后的实际拓扑连接关系。

19、作为本发明所述的一种动态电压稳定裕度预测方法的一种优选方案,其中:所述预测动态电压稳定裕度预测值,包括:

20、将图注意力网络作为主回归模型,其中,主回归模型包含的图级池化层对全局平均池化结果与全局最大池化结果进行拼接;

21、主回归模型包含的回归输出层根据拼接后的图级表征输出动态电压稳定裕度预测值。

22、作为本发明所述的一种动态电压稳定裕度预测方法的一种优选方案,其中:所述对所述主回归模型进行训练和验证,包括:

23、采用纯回归损失进行训练,以最小化预测裕度与真实裕度之间的均方误差为目标进行轮换划分;

24、从候选线路集合中预先指定线路作为未见线路开断测试对象,在每一组轮换划分中,将所述未见线路开断测试对象中对应的开断样本排除在训练集之外,分别划入测试集;

25、训练集由未被当前轮换选为测试集的线路开断样本以及无线路开断的正常拓扑样本共同组成;

26、通过轮换不同线路的开断样本角色,训练未见线路开断拓扑的预测能力。

27、作为本发明所述的一种动态电压稳定裕度预测方法的一种优选方案,其中:所述动态电压稳定裕度在线预测,包括:

28、获取目标运行方式的节点运行状态、发电与负荷信息、线路参数以及线路开断状态;

29、构造与所述运行方式样本对应的图数据,并输入至训练完成的主回归模型;

30、由所述主回归模型直接输出对应的动态电压稳定裕度预测值。

31、本发明提供一种动态电压稳定裕度预测系统。

32、作为本发明所述的一种动态电压稳定裕度预测系统的一种优选方案,其中,包括:

33、电力系统运行场景生成模块,获取电网拓扑数据生成运行方式样本集,确定运行场景;

34、n-1拓扑扰动模块,为筛选后的每个所述运行方式样本进行潮流计算计算节点特征和边特征,选取主导特征值,利用所述主导特征值构造动态电压稳定裕度标签,并根据稳定裕度范围进行样本筛选;

35、节点/边特征提取于图构建模块,根据所述动态电压稳定裕度标签构造图数据,并结合所述节点特征和边特征建模为图;

36、动态电压稳定标签计算模块,依据图注意力构建主回归模型,结合图数据、运行场景预测动态电压稳定裕度预测值;

37、回归预测模型训练模块,对所述主回归模型进行训练和验证,采用轮换划分评估模型的泛化能力;

38、在线动态电压稳定裕度预测模块,利用训练完成的主回归模型,基于当前对应的图数据进行动态电压稳定裕度在线预测。

39、本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述的一种动态电压稳定裕度预测方法的步骤。

40、本发明提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的一种动态电压稳定裕度预测方法的步骤。

41、本发明的有益效果:本发明通过将小干扰特征值分析与图注意力网络相结合,本发明能够利用离线样本训练得到的主回归模型快速预测动态电压稳定裕度,减少在线评估中重复进行状态矩阵构造和特征值计算的计算负担;同时,本发明将母线运行状态、支路电气参数和线路开断状态共同构造成图数据,并在 n-1 线路开断时去除停运线路对应的消息传递边,使模型能够更准确表征拓扑变化对稳定裕度的影响;此外,本发明输出连续的动态电压稳定裕度预测值,可用于运行方式筛选、预想故障排序和稳定裕度预警,并通过未见线路开断样本的轮换划分提高模型对 n-1 拓扑扰动的泛化能力。