一种电力系统暂态稳定预防及紧急协调控制辅助决策方法与流程

1.本发明涉及电力系统自动化技术领域，具体是一种电力系统暂态稳定预防及紧急协调控制辅助决策方法。


背景技术：

2.持续增长的电力负荷需求和相对滞后的电网升级扩容建设这两方面因素造成电网运行安全稳定裕度的下降，系统运行点越来越接近稳定极限。为了预防暂态失稳引发电网大规模停电事故，亟需有效的电力系统暂态稳定在线评估以及控制辅助决策方法。现有技术方法大多将预防控制和紧急控制策略分开考虑。然而，预防控制和紧急控制分别作为电网“三道防线”的重要组成部分，本质上具有互补性。单独采用预防控制容易造成电网运行的控制代价过高；而单独采用紧急控制可能增大电网失稳风险，若控制策略不当更可能出现“负效应”和二次冲击，不利于系统稳定性恢复。此外，传统暂态稳定评估与控制决策方法为模型驱动的时域仿真方法，难以适应在线暂态稳定监视与失稳防控决策的需求。


技术实现要素：

3.鉴于上述技术缺点，本发明提供了一种电力系统暂态稳定预防及紧急协调控制辅助决策方法。
4.为实现上述发明目的，本发明的技术方案如下：
5.一种电力系统暂态稳定预防及紧急协调控制辅助决策方法，包括如下步骤：
6.s1，获取电网实时运行工况，通过完成训练的贝叶斯深度神经网络模型预判电网实时运行工况的暂态稳定性，其中，运行工况包括有电网运行拓扑结构信息以及日前机组；
7.s2，训练的贝叶斯深度神经网络模型构建暂态稳定约束，将暂态稳定约束与电网准稳态调度运行约束相结合，建立电力系统暂态稳定预防及紧急协调控制决策模型；
8.s3，通过基于高斯过程代理模型的贝叶斯优化算法对电力系统暂态稳定预防及紧急协调控制决策模型进行迭代，生成电力系统暂态稳定预防及紧急协调控制策略。
9.作为优选的，所述步骤s1中，在电力系统中抽样生成随机运行工况得到运行工况数据库，在电力系统中预设故障集与运行工况数据库进行目标电力系统的暂态稳定性的仿真分析，在分析处理后得到的暂态稳定样本数据集，并建立贝叶斯深度神经网络模型，通过bayes
‑
by
‑
backprop算法训练贝叶斯深度神经网络模型，获得完成训练的贝叶斯深度神经网络模型。
10.作为优选的，贝叶斯深度神经网络模型为：
[0011][0012]
式中，表示暂态稳定样本数据集，表示电网运行工况以及后续紧急控制的输入特征，表示给定输入特征为表示给定输入特征为表示给定输入特征为的情况下，贝叶斯深度神经网络输出结果为的条件概率，表示给定训练数据为的情况下，贝叶斯神经网络权重参
数为w的后验概率，表示给定输入特征为并且取权重参数为w的情况下，输出结果为的条件概率，表示数学期望计算，表示给定权重参数的后验概率为的情况下，输出结果为的后验概率。
[0013]
对应于后文所述的{负荷有功功率总量，发电机的有功出力，紧急切机控制量}组成的贝叶斯神经网络的输入特征，指代电网运行的状态与控制措施。
[0014]
作为优选的，bayes
‑
by
‑
backprop算法训练贝叶斯深度神经网络模型的过程如下：
[0015]
s41，通过标准正态分布对随机变量∈进行抽样；
[0016]
s42，通过下式计算网络权重参数w；
[0017]
w＝t(θ，∈)＝μ log(1 exp(ρ))
·
∈
[0018]
θ表示变分分布的超参数，θ＝{μ，ρ}，∈为服从均值为0，标准差为1的正态分布的随机量，上式考虑变分分布超参数θ，随机生成权重参数w；
[0019]
s43，通过下式计算当前batch训练数据下的预测损失；
[0020][0021]
n为随机抽样的总次数，w
(i)
表示第i次按s42抽样得到的随机值，log为自然对数运算，q(w
(i)
|θ)表示给定变分分布超参数为θ的情况下，权重参数w的条件后验概率，p(w
(i)
)表示权重参数w取w
(i)
的先验概率，表示给定权重参数w取w
(i)
的情况下，贝叶斯神经网络对先验数据集进行估计的准确率，表示给定变分分布超参数为θ的情况下，贝叶斯神经网络对先验数据集进行估计，估计结果与实际结果的误差函数，即预测损失；
[0022]
s44，通过下式计算均值的梯度：
[0023][0024]
δu表示预测损失对参数μ的梯度，f(w，θ)指代表示为受w和θ影响，而是定值，w和θ是待求变量，表示f(w，θ)对w的偏微分，表示对μ的偏微分；
[0025]
s45，通过下式计算标准差参数的梯度：
[0026][0027]
δ
ρ
表示预测损失对参数ρ的梯度；
[0028]
s46，通过下式更新变分后验分布的参数：
[0029][0030]
α是贝叶斯神经网络进行参数训练的学习率，μ
←
μ
‑
αδ
u
表示将学习以后的更新值赋给参数μ；
[0031]
重复上述s41
‑
s46的流程，直至遍历了所有的batch的训练数据，完成当前epoch的参数学习；
[0032]
所述epoch的训练过程为：
[0033]
步骤一，对θ＝{μ，ρ}进行随机初始化；
[0034]
步骤二，设置迭代步s＝0；
[0035]
步骤三，执行s41
‑
s46；
[0036]
步骤四，s＝s 1；
[0037]
步骤五，s是否大于总迭代次数，是则进入下一步，否则返回第3步；
[0038]
步骤六，结束，获得完成训练的贝叶斯深度神经网络模；
[0039]
重复所有的epoch，直至达到预先设置的模型训练总迭代次数，获得完成训练的贝叶斯深度神经网络模型。
[0040]
作为优选的，步骤s2中所述的暂态稳定约束为：
[0041][0042][0043]
式中，表示第n个预想故障的贝叶斯神经网络稳定评估规则，η
n
为预测的暂态稳定裕度，τ为保守性的稳定裕度下限值。
[0044]
作为优选的，步骤s2中所述的电网准稳态调度运行约束为：
[0045]
电网准稳态调度运行约束通过如下公式依次表示发电机无功出力不越限安全约束、母线电压幅值不越限安全约束、交流线路电流不越限安全约束：
[0046][0047]
式中，g为目标电力系统中发电机集合，b为目标电力系统中母线集合，l为目标电力系统中交流线路集合，q
gi
表示第i台发电机的无功出力，和分别表示符合安全运行原则的上下限，v
i
表示第i个电网母线的电压幅值，i
i
表示第i条电网交流线路的电流幅值。
[0048]
作为优选的，步骤s2中电力系统暂态稳定预防及紧急协调控制决策模型的建立还包括调控决策变量的技术约束，所述调控决策变量的技术约束：
[0049][0050]
式中，为第g台发电机有功出力上调量，为第g台发电机有功出力下调量；
[0051][0052]
式中，为控制前第g台发电机有功出力，为控制后的有功出力；
[0053][0054]
式中，为电网发生第n个预想故障后，第g台发电机实施紧急切机控制的控制量，表示控制量占发电机总容量的百分比。
[0055]
作为优选的，步骤s3中所述的贝叶斯优化算法流程如下：
[0056]
s81，确定优化算法的目标函数、不等式约束函数以及决策变量的可行性约束条件，同时设定最大迭代次数；
[0057]
s82，对按决策变量的可行性约束进行拉丁超立方抽样得到目
标函数值和约束函数值，通过目标函数值和约束函数值构建高斯过程代理模型；
[0058]
s83，建立含约束期望改进的采集函数，采集函数与高斯过程代理模型相结合，通过伪牛顿法计算采集函数最大值所对应达到设定值的采样点：
[0059]
s84，计算达到设定值的采样点上的目标函数和约束函数值，将达到设定值的采样点与当前达到设定值的点的目标函数值进行比较，若达到设定值的采样点的目标函数值小于当前达到设定值的点的目标函数值，则将达到设定值的采样点更新为当前达到设定值的点；
[0060]
s85，根据更新后的采样点，对目标函数和约束函数的高斯过程代理模型进行更新，得到更新以后的后验分布；
[0061]
s86，判断是否达到最大迭代次数，若否，则回到s83；若是，则结束迭代，以当前达到设定值的解作为原问题的达到设定值的解，并输出目标函数和约束函数值；
[0062]
s87，根据输出的目标函数和约束函数值，生成电力系统暂态稳定预防及紧急协调控制策略。
[0063]
本发明的有益效果是：本发明提出了一种电力系统暂态稳定预防及紧急协调控制辅助决策方法，实现了基于贝叶斯深度网络的电网动态安全在线快速评估，建立了融合人工智能运行规则的电力系统暂态稳定预防及紧急协调控制决策模型，采用贝叶斯优化算法对该优化模型进行求解，得到暂态稳定调度控制策略。该方法可实时监视电网动态安全状态，对存在失稳风险的运行工况进行预警并自动生成调度控制策略，有效提升电力系统运行安全水平。
附图说明
[0064]
图1为本发明提供的：流程示意图；
[0065]
图2为本发明提供的：贝叶斯优化的算法流程图；
[0066]
图3为本发明提供的：ieee39节点系统。
具体实施方式
[0067]
下面结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
实施例
[0069]
如图1所示，一种电力系统暂态稳定预防及紧急协调控制辅助决策方法，包括如下步骤：
[0070]
s1：对日前负荷预测与日前机组组合分别进行抽样生成随机运行工况，生成的随机运行工况形成电网运行工况数据库；
[0071]
s2：根据目标电力系统设置预想故障集，通过结合单机等值和等面积定则的混合法对电网运行工况数据库与预想故障集逐一进行目标电力系统的暂态稳定性的仿真分析，
获得电网运行工况特征的暂态稳定样本数据集和失稳样本；
[0072]
s3：根据失稳样本随机生成紧急切机控制策略，在紧急切机控制后对紧急切机控制策略进行系统暂态稳定裕度的仿真分析，获得电网运行工况特征与紧急切机控制策略相结合的暂态稳定样本数据集；
[0073]
s4：建立贝叶斯深度神经网络模型，通过bayes
‑
by
‑
backprop算法训练贝叶斯深度神经网络模型，获得完成训练的贝叶斯深度神经网络模型；
[0074]
s5：获取电网实时运行工况，通过完成训练的贝叶斯深度神经网络模型预判电网实时运行工况的暂态稳定性；
[0075]
s6：通过完成训练的贝叶斯深度神经网络模型构建暂态稳定约束，将暂态稳定约束与电网准稳态调度运行约束相结合，建立电力系统暂态稳定预防及紧急协调控制决策模型；
[0076]
s7：通过基于高斯过程代理模型的贝叶斯优化算法对电力系统暂态稳定预防及紧急协调控制决策模型进行迭代，生成电力系统暂态稳定预防及紧急协调控制策略。
[0077]
作为优选的，步骤s1中所述的对日前负荷预测与日前机组组合进行抽样生成随机运行工况，生成的随机运行工况形成电网运行工况数据库，其过程如下：
[0078]
根据日前负荷预测结果、电网运行拓扑结构信息、以及日前机组组合结果，形成未来24小时共96个时间点的基准运行工况。考虑电力负荷预测的典型误差水平为5％，对负荷的有功/无功功率按均值为预测值、标准差为5％倍预测值的正态分布进行随机抽样得到负荷需求的随机值。获取已竞价参与备用市场的可调发电机集合、并确定各发电机机组有功出力可调范围，对发电机有功出力在其出力调整范围内按均匀分布进行随机抽样得到机组出力的随机值，系统有功平衡通过平衡机来满足。按上述方式抽样生成随机运行工况并进行潮流计算，将潮流收敛且满足静态安全运行规则的随机运行工况进行保存，形成电网运行工况数据库。
[0079]
作为优选的，步骤s2中所述的结合单机等值和等面积定则的混合法的技术步骤解释如下：
[0080]
对“运行工况
‑
预想故障”进行时域仿真计算，得到电网故障后发电机功角、转子角速度、机械功率、电磁功率的受扰轨迹；
[0081]
针对发电机功角轨迹，搜索故障后任意两机功角差达到最大的时刻，按该时刻各发电机的功角大小进行排序。计算排序相邻机组的功角间隙，识别具有最大功角间隙的机组对(g
i
‑
g
j
，便于叙述指定δ
i
＞δ
j
)，将功角大于δ
i
的机组划分到超前机组集合s，同时将功角小于δ
j
的机组划分到滞后机组集合a；
[0082]
通过如下公式分别求取两机等值系统的等效受扰轨迹：
[0083][0084]
t
tds
为仿真结束时间；m
s
为等值超前机组的惯性时间常数，δ
s
等值超前机组的功角，ω
s
为等值超前机组的转速，p
es
为等值超前机组的输出电磁功率；
[0085][0086]
m
a
为等值滞后机组的惯性时间常数，δ
a
为等值滞后机组的功角，ω
a
等值滞后机组的转速，p
ea
为等值滞后机组的输出电磁功率；
[0087]
将两机等值系统转换为单机等值系统，通过如下公式得到等值单机无穷大系统的等效受扰轨迹：
[0088][0089]
m
sime
为等值单机无穷大系统的惯性时间常数，δ
sime
等值单机无穷大系统的功角，ω
sime
为等值单机无穷大系统的转速，p
e，sime
为等值单机无穷大系统的输出电磁功率；
[0090]
若故障后最大机组对功角差大于360
°
，则系统发生暂态失稳。按下式搜索等值单机无穷大系统穿越不稳定平衡点的时刻t
u
：
[0091][0092]
首次满足上述条件的时刻t即为系统穿越不稳定平衡点而发生失步的时刻t
u
，该时间对应的“功角
‑
转速”相平面上的运行点{δ
sime
(tu)，ω
sime
(t
u
)}即为等值单机无穷大系统的不稳定平衡点(δ
u
，ω
u
)，同时按下式计算系统暂态稳定的标幺化能量裕度：
[0093][0094]
若故障后最大机组对功角差始终小于360
°
，则系统保持暂态稳定。按下式搜索等值单机无穷大系统到达摇摆最远点时刻t
r
[0095][0096]
首次满足上述条件的时刻t即为系统到达第一摆的摇摆最远点的时刻t
r
，该时间对应的“功角
‑
转速”相平面上的运行点{δ
sime
(t
r
)，ω
sime
(t
r
)}即为等值单机无穷大系统的摇摆最远点(δ
r
，ω
r
)。利用等值单机系统的受扰轨迹，通过最小二乘法拟合得到等值单机系统的电磁功率特性曲线：
[0097][0098]
同时按下式计算得到等值单机系统的主导不稳定平衡点的临界功角δ
u
：
[0099][0100]
进而按下式计算系统暂态稳定的标幺化能量裕度：
[0101][0102]
根据n
c
个预想故障，分别构建n
c
个数据表，对于任意一个预想故障以及相应的数据表，按以下方式记录样本：
[0103][0104][0105][0106]
其中，表示电网运行工况的负荷有功功率总量，表示第i台发电机的有功出力，η为基于标幺化能量裕度的系统暂态稳定评估指标。上述样本仅考虑电网运行工况、而将紧急切机控制策略置0。
[0107]
作为优选的，步骤s3中所述的根据失稳样本随机生成紧急切机控制策略，在紧急切机控制后对紧急切机控制策略进行系统暂态稳定裕度的仿真分析，获得电网运行工况特征与紧急切机控制策略相结合的暂态稳定样本数据集，具体为：
[0108]
针对各预想故障，根据超前机组集合s和滞后机组集合a确定失稳模式，并从超前机组集合s中选定允许参与切机控制的n
p
台机组(n
p
≤n
s
＜n
s
n
a
＝n
g
)。进一步确定各受控机组的可切机比例(如)，假设切机控制策略的组合总数为m，利用拉丁超立方抽样生成0.5
×
m个切机样本。
[0109]
考虑切机控制策略的下发延时，设紧急控制的实施时间t
e
为故障清除后0.1秒，即t
e
＝t
cr
0.1。执行时域仿真得到紧急切机控制后系统动态响应，并采用结合单机等值和等面积定则的混合法来评估系统在紧急控制后的暂态稳定裕度η
ec
；
[0110]
针对任意一个预想故障，遍历所有失稳样本，并按下式来组织数据表：
[0111][0112][0113][0114]
将电网运行工况特征的暂态稳定样本数据集和该数据表进行结合，形成n
c
个预想故障对应的暂态稳定数据集。
[0115]
作为优选的，步骤s4中所述的建立贝叶斯深度神经网络模型，通过bayes
‑
by
‑
backprop算法训练贝叶斯深度神经网络模型，获得完成训练的贝叶斯深度神经网络模型，其过程如下：
[0116]
针对n
c
个预想故障及其数据表，分别利用bayes by backprop方法来训练构建基于贝叶斯神经网络的映射模型，形成基于贝叶斯神经网络的暂态稳定人工智能评估模型库。
[0117]
贝叶斯神经网络是对深度神经网络和贝叶斯推理的结合。本发明所采用的深度神经网络结构为多层感知机mlp模型。贝叶斯神经网络假定mlp模型的网络参数服从后验分布，而非唯一固定值。不同于神经网络前馈计算，贝叶斯神经网络预测的数学表达如下式所示，需通过蒙特卡洛抽样并求解输出期望来得到预测结果。
[0118][0119]
由于贝叶斯神经网络网络参数后验分布难以直接求得，因此需结合变分推理和bayes
‑
by
‑
backprop算法，通过最小化后验分布与变分分布的kullback
‑
leibler散度来求取网络参数的变分分布，并以变分分布q(w|θ)来近似表征后验分布。最小化kullback
‑
leibler散度的数学表达式为：
[0120][0121]
采用重参数化(reparameterization)来对变分分布参数进行训练寻优。取神经网络的权重参数的变分后验分布是独立的高斯分布，每一个权重参数均可以根据该变分后验高斯分布的均值μ和标准差σ通过随机抽样得到。为了保证标准差为非负值，进一步对标准差进行参数化，设置
[0122]
σ＝log(1 exp(ρ))
[0123]
由此变分后验分布的参数即为θ＝{μ，ρ}，而针对网络权重参数的抽样可以按下式得到：
[0124]
w＝t(θ，∈)＝μ log(1 exp(ρ))
·
∈
[0125]
式中，随机变量∈服从标准正态分布，即
[0126]
通过应用变分推理和重参数化技巧，基于bayes by backprop算法在每一步参数训练的算法流程如下：
[0127]
(1)按标准正态分布对随机变量∈进行抽样；
[0128]
(2)按下式计算网络权重参数w；
[0129]
w＝t(θ，∈)＝μ log(1 exp(ρ))
·
∈
[0130]
(3)按下式估算当前batch训练数据下的预测损失；
[0131][0132]
(4)按下式计算均值的梯度：
[0133][0134]
(5)按下式计算标准差参数的梯度：
[0135][0136]
(6)按下式更新变分后验分布的参数：
[0137][0138]
上述流程第4
‑
6步，可以从现有pytorch、tensorflow等机器学习库中调用sgd、adam等优化器完成。重复上述流程，直至每一个batch的训练数据都遍历了，完成当前epoch的参数学习；并进一步重复每一个epoch直至达到预先设置模型训练的总迭代次数，最终得到用于电力系统暂态稳定评估的贝叶斯神经网络评估模型，其数学表达式如下：
[0139][0140]
作为优选的，步骤s5中所述的通过电网scada系统获取电网实时运行工况，通过完成训练的贝叶斯深度神经网络模型对电网实时运行工况进行暂态稳定性的预判，具体为：
[0141]
在实时运行调度阶段，通过电网scada系统的状态估计模块获取电网运行方式，统计系统有功负荷需求总量、以及获取各发电机有功出力，利用贝叶斯神经网络模型快速预估电网发生预想故障时受扰系统的暂态稳定裕度。设置电网运行稳定裕度的阈值τ，当所有预想故障后受扰系统的暂态稳定裕度预测值均大于阈值τ时，认为系统能够维持暂态稳定；否则，认为系统存在暂态失稳风险，将告警信号以及暂态稳定评估结果返回给电网运行调度人员。
[0142]
作为优选的，步骤s6中所述的通过贝叶斯神经网络模型构建暂态稳定约束，将暂态稳定约束与电网准稳态调度运行约束相结合，建立电力系统暂态稳定预防及紧急协调控制决策模型，其过程如下：
[0143]
通过系统暂态稳定约束、准稳态运行的安全约束以及调控决策变量的技术约束对电网实时运行方式进行考虑，建立电力系统暂态稳定预防及紧急协调控制决策模型，其中，暂态稳定约束通过贝叶斯神经网络评估模型来表征；该电力系统暂态稳定预防及紧急协调控制决策模型的目标函数如下：
[0144][0145]
其中，
[0146][0147][0148]
式中，c
c
为总控制代价，c
p
为发电机有功出力调整的控制代价对应的预防控制措施；c
e，n
为第n个预想故障发生时切机控制代价对应的紧急控制措施，p
n
为第n个预想故障的
故障概率；
[0149]
约束条件设置如下：
[0150]
电网准稳态运行的潮流等式约束：
[0151]
0＝g0(x，y，u)
[0152]
式中，g0表示电网潮流等式方程组，x和y分别表示电力系统状态变量和代数变量，u则为系统输入变量，如负荷的有功需求p
d
和无功需求q
d
、发电机的有功出力p
g
和励磁参考电压v
g
等；
[0153]
暂态稳定约束：
[0154][0155][0156]
式中，表示第n个预想故障的贝叶斯神经网络稳定评估规则，η
n
为预测的暂态稳定裕度，τ为保守性的稳定裕度下限值；
[0157]
电网准稳态运行的静态安全约束通过如下公式依次表示发电机无功出力不越限安全约束、母线电压幅值不越限安全约束、交流线路电流不越限安全约束：
[0158][0159]
式中，g为目标电力系统中发电机，b为目标电力系统中母线，l为目标电力系统中交流线路集合；
[0160]
决策变量的可行性约束：
[0161][0162]
式中，为第g台发电机有功出力上调量，为第g台发电机有功出力下调量；
[0163][0164]
式中，为控制前第g台发电机有功出力，为控制后的有功出力；
[0165][0166]
上式为紧急切机控制的离散决策变量可行性约束。
[0167]
如图2所示，步骤s7中所述的通过基于高斯过程代理模型的贝叶斯优化算法对电力系统暂态稳定预防及紧急协调控制决策模型进行迭代寻优，生成电力系统暂态稳定预防及紧急协调控制策略，贝叶斯优化算法流程如下：
[0168]
步骤一，确定优化算法的目标函数、不等式约束函数以及决策变量的可行性约束条件，同时设定最大迭代寻优次数；
[0169]
步骤二，根据决策变量的可行性约束，通过拉丁超立方抽样方法随机生成初始采样点集合d，通过计算得到初始采样点的目标函数和约束函数；
[0170]
步骤三，针对当前采样点集合d，分别对目标函数和约束函数构建高斯过程代理模
型，目标函数和约束函数的变量为d，先计算变量为d的情况下目标函数和约束函数的数值，然后利用这些采样点d的目标函数值和约束函数值来构建基于高斯过程的代理模型；
[0171]
步骤四，建立含约束期望改进的采集函数，采集函数与高斯过程代理模型相结合，通过伪牛顿法计算采集函数最大值所对应的最优采样点：
[0172]
步骤五，计算最优采样点上的目标函数和约束函数值，将最优采样点与当前最优点的目标函数值进行比较，若最优采样点的目标函数值小于当前最优点的目标函数值，则取最优采样点替代当前最优点；
[0173]
步骤六，更新当前采样点集，根据更新后的采样点集，对目标函数和约束函数的高斯过程代理模型进行更新，得到更新以后的后验分布；
[0174]
步骤七，判断是否达到最大迭代次数，若否，则回到步骤四；若是，则结束迭代，以当前最优解作为原问题的最优解，并输出目标函数和约束函数值；
[0175]
步骤八，根据输出的目标函数和约束函数值，生成电力系统暂态稳定预防及紧急协调控制策略。
[0176]
如图3所示，采用ieee 39节点测试系统作为目标电力系统，
[0177]
表1预想故障集
[0178][0179][0180]
设置预想故障集如表1所示，“*”表示故障线路在该母线侧发生永久性三相短路故障，线路继电保护装置启动切除故障线路从而隔离故障。
[0181]
对全网的发电机有功出力和负荷有功/无功需求等比例调整，调整为75％，80％，85％，
…
，120％倍基准值的10种负荷水平，不同负荷水平下对应的运行工况视为日前运行规划的预测工况集合。设置负荷有功/无功需求按均值为基准值、方差为5％倍基准值的正态分布随机波动，发电机有功出力在80％
‑
120％倍基准值范围内按均匀分布随机波动。基于蒙特卡洛随机抽样生成5000个随机运行工况，构成电网运行工况集。
[0182]
采用psd
‑
bpa电力系统分析软件进行时域仿真。对任一电网运行工况
‑
预想故障组合，采用结合单机等值和等面积定则的混合法来定量评估系统暂态稳定性。假设最多可在2个电厂实施切机控制，同时设置所有电厂均由10台相同的机组并联运行组成。针对所有失稳样本，随机生成紧急切机策略组合，同样采用混合法来定量评估实施紧急切机控制后系统暂态稳定性。遍历所有电网运行工况
‑
预想故障组合，记录生成6个暂态稳定数据表。
[0183]
按60：20：20的比例将电网运行工况集随机划分为训练集、校验集和测试集。采用基于python语言的pytorch库搭建贝叶斯神经网络，并采用训练集数据来训练模型。所搭建的贝叶斯神经网络具有多层感知机的网络结构，激活函数为relu，包含一个输入层，两个隐藏层和一个输出层，各层的神经元数量为[1 10 2]
‑
[128]
‑
[128]
‑
[1]。模型训练采用adam算法，学习率为0.001。校验集用于判断贝叶斯神经网络是否过拟合，在每个训练次代校验评估神经网络模型的泛化能力，当校验集数据预测精度逐步下降而训练集数据预测精度逐步上升，提前结束训练，避免进一步的模型过拟合。测试集数据假定为电网实时运行阶段的实际运行工况，并在本发明中用于展示贝叶斯神经网络对电力系统暂态稳定评估的预测精度。
[0184]
本发明采用贝叶斯神经网络来训练构建电力系统暂态稳定评估的人工智能规则，对后续稳定控制决策起到支撑作用，因此贝叶斯神经网络模型的预测精度至关重要。采用机器学习回归问题中常用的均方根误差(root mean square error，rmse)和相关系数r两个指标来衡量贝叶斯神经网络对暂态稳定裕度的预测精度，计算结果如下表2所示。
[0185]
表2贝叶斯神经网络对各预想故障暂态稳定裕度的预测性能
[0186][0187][0188]
从上表2可知，对于取值为[
‑
100.00％,100.00％]的暂态稳定裕度指标，基于贝叶斯神经网络的暂态稳定评估模型对6种预想故障的预测误差均小于10.0％，为了满足电网安全运行需求，在电网实时运行中可预留10.0％～20.0％的保守性稳定裕度，即当模型预测结果小于保守性稳定裕度时，认为系统存在一定的暂态失稳风险，应预先进行稳定防控决策。另一方面，从上表2可知，模型预测值与样本实际稳定裕度的相关性系数均在0.90以上，由此可知贝叶斯神经网络可以较准确地拟合可控变量与系统暂态稳定裕度的复杂非线性关联关系。通过上述示例分析可知，贝叶斯神经网络适用于构建电网暂态稳定评估的人工智能模型，训练构建后的贝叶斯神经网络模型可以用于快速实时预判电网运行方式的安全稳定性。
[0189]
测试系统发生预想故障后发电机功角轨迹，以下通过1个存在暂态失稳风险的电网运行方式作为示例，说明本发明方法的技术效果。在该运行方式1下，ieee 39节点测试系统存在暂态失稳风险。当电网发生预想故障1、2或5时，故障后系统将会发生暂态失稳。
[0190]
采用本发明方法，求解暂态稳定预防
‑
紧急协调控制模型，得到稳定控制策略。控制前后各发电机机组有功出力调整情况如下表3所示，而各预想故障下相应的紧急切机控制措施如下表4所示。
[0191]
表3控制前后各发电机机组有功出力情况
[0192][0193]
表4各预想故障下相应的紧急切机控制策略
[0194][0195]
通过电网故障后发电机功角轨迹对比可以看出，原运行方式下电网发生预想故障1、2和5可引发电力系统暂态失稳；经过暂态稳定防控决策并实施预防
‑
紧急协调控制策略，可保障系统暂态稳定性、有效平抑暂态失稳风险。采用本发明结合单机系统等值和等面积定则的混合法对控制前后系统的暂态稳定性进行定量评估，下表5给出评估结果，再次说明本发明的预防
‑
紧急协调控制策略可以有效防止系统暂态失稳。
[0196]
表5协调控制前后系统在不同预想故障下的暂态稳定裕度
[0197][0198]
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。