基于物理信息神经网络的暂态电压稳定评估方法及装置
本发明涉及电力系统暂态电压领域,尤其涉及一种基于物理信息神经网络的暂态电压稳定评估方法及装置。
背景技术:
1、随着风电、光伏等新能源大规模接入,电力系统运行形态逐渐由传统同步机主导向新能源与电力电子装备深度耦合转变。高比例新能源接入削弱了系统动态无功支撑和故障后电压恢复能力,使新能源变流器控制、负荷动态特性、网络拓扑变化及潮流重分布等因素之间的耦合关系更加复杂。当系统发生短路、线路跳闸、直流闭锁等大扰动时,若故障切除后无功支撑不足或电压恢复能力下降,容易诱发暂态电压失稳,严重时可能导致电压崩溃或连锁脱网事故。因此,如何对故障后的暂态电压稳定状态进行快速、准确评估,是新型电力系统安全稳定运行中的重要问题。
2、现有暂态电压稳定评估方法主要包括:时域仿真法、能量函数法和数据驱动法。时域仿真法通过建立源、网、荷及控制系统的详细动态模型,求解扰动后的微分—代数方程组,具有较好的物理可信度,但计算过程复杂,难以满足大规模电网多场景在线快速评估需求。能量函数法能够从能量演化角度分析系统稳定状态,具有一定物理解释性,但其适用性通常依赖具体系统模型、网络结构和运行方式,当系统拓扑、新能源渗透率或控制策略发生变化时,稳定判据的适用范围容易受限。
3、近年来,基于机器学习和深度学习的数据驱动方法被用于暂态电压稳定评估。该类方法以故障后的电压、相角、有功功率、无功功率等多源量测数据为输入,建立暂态特征与稳定判别结果之间的非线性映射关系,具有评估速度快、特征拟合能力强的优点。然而,现有纯数据驱动方法通常缺少对电力系统物理拓扑、无功功率平衡和电压动态演化机理的显式约束,存在黑箱特性强、物理可解释性不足的问题;同时,模型训练效果高度依赖样本规模和样本分布,在小样本、强噪声、拓扑变化或运行方式改变等复杂工况下,泛化能力和鲁棒性仍有待提高。
技术实现思路
1、本发明提供了一种基于物理信息神经网络的暂态电压稳定评估方法及装置,本发明通过构建表征暂态电压动态演化规律的网络无功能量函数及其二阶导数物理约束,将电压失稳机理嵌入卷积神经网络训练过程中;同时,在卷积神经网络中引入卷积块注意力模块,从通道和空间两个维度挖掘故障后量测数据中的关键特征,构建机理-数据协同驱动的暂态电压稳定评估模型,从而解决现有数据驱动的物理可解释性不足、泛化能力弱以及抗噪鲁棒性不足的问题,详见下文描述:
2、第一方面、一种基于物理信息神经网络的暂态电压稳定评估方法,所述方法包括:
3、基于多场景时域仿真,获取电力系统故障切除后一段时间内的多源时序量测数据以及网络拓扑信息,构建暂态电压稳定评估输入特征张量;
4、基于结构保持模型和电力系统故障后的响应轨迹,构建网络无功能量函数,并进一步建立网络无功能量二阶导数物理约束,用于表征故障后电压动态恢复过程和网络无功交换过程之间的耦合关系;
5、构建融合卷积块注意力模块的卷积神经网络模型,利用卷积层提取输入特征中的局部时空相关信息,并通过通道注意力模块和空间注意力模块对重要量测通道、关键节点和关键时段进行自适应加权;
6、基于机理-数据联合损失函数对模型进行反向传播训练,直至模型性能满足预设要求或达到最大迭代次数,保存最优模型参数。
7、其中,所述构建暂态电压稳定评估输入特征张量为:
8、基于机电暂态时域仿真平台获取故障切除后固定时间内的节点电压幅值ut、相角θt、有功功率pt和无功功率qt作为输入时序特征矩阵;将节点阻抗矩阵z作为先验拓扑信息输入网络;
9、输入特征张量构建如下:
10、
11、
12、
13、
14、
15、
16、
17、式中,ul为l采样时刻节点的电压幅值;θl为l采样时刻节点的电压相角;pl为l采样时刻节点的有功功率;ql为l采样时刻节点的无功功率;n为电力系统的节点个数;znn为节点n的自阻抗;z1n为节点1与节点n的互阻抗;l为输入特征的采样窗口长度,采样间隔=0.01s,采样开始和结束时刻分别为t0和t1。
18、其中,所述网络无功能量函数为:
19、
20、式中,为网络中所有的有向支路集合,为网络无功能量函数,为网络中有向支路集合,i为网络中第i个节点编号,j为网络中第j个节点编号,为i节点注入支路的无功功率,为节点i的电压幅值,为j节点注入支路的无功功率,为节点j的电压幅值。
21、其中,所述网络无功能量二阶导数物理约束为:
22、
23、式中,dvq(t)/dt为t采样时刻vq的变化率;d2vq(t)/dt2为t采样时刻dvq(t)/dt的变化率。
24、其中,所述融合卷积块注意力模块的卷积神经网络模型为:
25、通过通道注意力和空间注意力对卷积特征进行自适应重标定:
26、
27、
28、式中:为哈达玛积;f为输入特征,f´为经过通道注意力模块后的输出;f"为经过空间注意力模块后的输出;ms(f´)为空间注意力矩阵;mc(f)为通道注意力矩阵。
29、其中,所述基于pinn的暂态电压稳定多任务预测输出包括:
30、将采样时刻t、节点电压幅值ut、相角θt、有功功率pt和无功功率qt以及节点阻抗矩阵z输入神经网络,得到节点电压相量预测值和网络无功能量预测值,其函数映射关系为:
31、
32、并使所述节点电压相量预测值和网络无功能量预测值满足如下网络无功能量二阶导数物理一致性约束:
33、
34、其中,支路无功功率预测值满足:
35、
36、式中,fnn(∙)为神经网络的函数映射关系;分别为网络无功能量和节点电压相量的预测值;为神经网络待训练权重参数;为i节点注入支路的无功功率预测值;yij为节点导纳矩阵的互导纳元素,为节点i的电压幅值预测值,为j节点注入支路的无功功率预测值,为节点j的电压幅值预测值,为节点j的电压相量预测值,为复数取虚部运算,“”为复数共轭运算。
37、其中,所述联合损失为物理驱动损失与数据驱动损失的加权和:
38、
39、式中,μ1和μ2分别是物理驱动损失和数据驱动损失的权重系数;
40、物理驱动损失为:
41、
42、数据驱动损失项ld为:
43、
44、式中:m为批次中的样本数量;为第m个样本稳定与否的真实标签;为第m个样本被预测为失稳的预测概率。
45、第二方面、一种基于物理信息神经网络的暂态电压稳定评估装置,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法。
46、第三方面、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,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法。
47、本发明提供的技术方案的有益效果是:
48、1、本发明构建网络无功能量函数及其二阶导数物理约束,将暂态电压动态演化机理嵌入神经网络损失函数中,使模型训练过程受到物理规律约束,提高了评估结果的物理一致性和可解释性;
49、2、本发明将卷积块注意力模块引入卷积神经网络中,通过通道注意力和空间注意力分别提取关键量测通道、关键节点和关键时段特征,增强了模型对暂态电压响应局部时空区域和关键量测特征的态势感知能力;
50、3、本发明采用物理一致性损失和数据驱动损失联合优化,能够降低模型对大规模标注样本的依赖,提高模型在小样本、强噪声、拓扑变化和不同电力电子设备渗透率场景下的泛化能力和鲁棒性;
51、4、本发明面向故障扰动后的暂态电压稳定在线评估,能够基于故障后的短时窗量测数据快速识别电压失稳风险,降低失稳样本被误判为稳定样本的漏判风险,减少故障扰动后电压持续跌落、局部失稳扩展及电压崩溃的发生可能性,提高电力系统故障后的安全性、可靠性和稳定运行水平。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com