基于随机爬坡的潮流计算模型多点误差参数定位方法与流程

1.本发明涉及电网安全稳定运行和优化调度领域，尤其涉及基于随机爬坡的潮流计算模型多点误差参数定位方法。


背景技术：

2.电网安全运行离不开准确的模型参数来对电力系统进行分析、仿真和故障诊断，因此，可靠的模型参数是电网安全运行分析的基础。
3.在已有的参数辨识方法中，大多都是针对电网中某单一参数进行辨识，当电网模型中存在较多的错误参数时，这些方法虽能将错误参数一一辨识出来，但操作起来难免繁琐，短时内很难完成。研究出一套能定位多点误差参数方法对电网调度运行具有重要意义。


技术实现要素：

4.本发明为克服上述现有发电机参数校对方法的不足，提供基于随机爬坡的潮流计算模型多点误差参数定位方法。
5.本发明为达到上述发明目的，采用如下技术方案：
6.基于随机爬坡的潮流计算模型多点误差参数定位方法，包括以下步骤：
7.步骤一：获取电网某时间断面下实际潮流运行数据，包括发电机输出有功功率和无功功率，负荷的有功功率和无功功率，流过各个线路和变压器的有功功率和无功功率，以及各节点电压幅值和相角；
8.步骤二：计算电网在该时间断面下模型的潮流仿真数据；在该电网的仿真模型中，通过仿真计算得到对应于电网中发电机，负荷的潮流数据以及流过各个线路和变压器的潮流，以及所有节点的电压与相角数值；
9.步骤三：将步骤以步中得到的电网运行潮流数据与步骤二中得到的电网模型计算潮流的各设备有功功率和无功功率、以及各节点电压幅值与相角值一一对应，并取差值，得到所有设备的潮流数据误差绝对值δx，到对应于所有设备的误差数据，其中x为有功功率p、无功功率q、电压幅值u或相角θ；
10.步骤四：在上述误差数据的基础上筛选出误差较大的区域g，由于误差参数变化会引起电网中潮流的改变，首先确定δpmax，δqmax，δumax，δθmax的值，确定误差区域g的方法如下：
11.确定一个很小的数e，e＝0.01δxmax；
12.判断某节点或线路是否在误差区域内：
13.若x《e，该电力设备不在误差区域内；
14.若x≥e，该电力设备在误差区域内，当p、q、u、θ都满足时，在电网内进行全局搜索，筛选出误差区域，得出多个误差区域，并对这些区域进行编号分别为g1
…
gk；
15.将发电机视为pv节点，负荷视为pq节点，变压器采用τ型等值模型，正常情况下，其励磁支路可忽略不计，此时变压器可视为两端是节点，中间是线路，此时误差区域变成由节
点和线路连接构成，画出所有误差区域的拓扑图；
16.步骤五：在区域g内，随机定位多个电力设备，作为定位设备，找出所有与定位设备相连的设备，作为相连设备；
17.步骤六：通过步骤三，可获得步骤五中所述的定位设备和相连设备的潮流数据误差δp、δq，将定位设备的潮流误差与相连设备的潮流误差进行比较，判断相连设备的误差是否比定位设备的误差大；
18.步骤七：若没有相连设备的误差比定位设备的误差大，将该定位设备确定为误差设备；
19.若有相连设备的误差比定位设备的误差大，选择误差数值上升最大的方向进行搜索，称为爬坡；将误差数值最大的相连设备定位为新的定位设备，那么原来的定位设备作为新的相连设备，继续以定位设备中心搜索得到相连设备，并转至步骤五；
20.步骤八：得到区域g内的所有误差设备，接着通过bp神经网络来进行训练，判断出误差设备的误差参数，能够定位到误差参数。
21.进一步的，所述的步骤八中，采用bp神经网络误差参数辨识的具体方法为：
22.以线路网损，设备两端相角差，流经设备的潮流变化，以及设备两端电压幅值变化情况作为神经网络的输入，准确辨识出设备误差参数，步骤如下：
23.s1：通过多次实验对设备不同参数进行修改产生误差，收集不同误差产生的线路网损、相角差、潮流、电压幅值变化情况；
24.s2：对通过步骤s1取得的变化量进行归一化处理；
25.s3：从通过步骤s2中得到的特征量中提取训练样本和测试样本；
26.s4：构建bp神经网络；
27.s5：训练bp神经网络，直到达到满意的精度为止；
28.s6：对bp神将网络进行测试。
29.进一步的：所述步骤s3中训练样本数据分别为：线路网损、相角差、潮流、电压幅值的变化量的归一化数据。
30.进一步的：其数据归一化处理方法如下：
31.设电网中功率基准值为sb，电压基准值为ub，
[0032][0033]
进一步的：所述训练样本和误差参数类型对应表为，若编码为1000，则误差参数类型是电阻误差；若编码为0100，则误差参数类型是电感误差；若编码为0010，则误差参数类型是电纳误差；若编码为0001，则误差参数类型是变比误差，若多参数误差，则在编码中，对应位置为1，其余为0。
[0034]
进一步的：所述的bp神经网络为具有一个隐含层的前馈型bp神经网络，其中输入层有5个神经元，分别对应于训练样本中的变化量数据，输出层有四个神经元，分别对应于
误差参数类型，设置隐含层神经元个数为8个。
[0035]
进一步的：将神经网络输出数据模糊化，把大于0.5的数据设定为1，其余为0。
[0036]
进一步的：根据样本数据训练神经网络是用trainlam函数进行训练，训练次数为1000次，设置学习率为0.005。
[0037]
进一步的：所述步骤四中：
[0038]
随机定位若干个电力设备，其方法是：
[0039]
对所有误差区域g内的节点进行编号从1～n，根据每个误差区域内节点个数的不同，将区域gi平均分成mi个小区域，在每个小区域内随机选择一个节点，则从整个误差区域g中随机选择了个节点，设这些节点编号为：
[0040]
a＝{a1,a2,
…
am}；
[0041]
设区域gi中节点个数为si，mi＝[0.1si]，向下取整；
[0042]
选择以数组a中元素为编号的节点，开始进行定位搜索，从节点开始定位搜索的方法是：先寻找出所有与该节点相连的线路，包括变压器，对这些线路的功率误差进行比较，选择误差最大的那条线路作为定位设备，并对该定位设备进行下一次的搜索，先找出定位设备的相连设备，进行误差比较，若存在误差比定位设备大的相连设备，选择误差最大的相连设备作为下一个定位设备，最后所有的定位搜索都会收敛到某些固定的定位设备，将这些设备确认为误差设备。
[0043]
与现有技术相比，本发明的有益效果如下：
[0044]
本发明能够对发电机的动态参数进行精确校对，从而为发电机的实时故障检测和优化控制提供可靠的参考量，以保证电网的正常安全运行。
附图说明
[0045]
图1是本发明的流程示意图；
[0046]
图2是本发明提供的实施例中的误差搜索流程图。
具体实施方式
[0047]
请参阅图1和图2，图1是本发明的流程示意图；图2是本发明提供的实施例中的误差搜索流程图。
[0048]
本发明为达到上述发明目的，采用如下技术方案：
[0049]
基于随机爬坡的潮流计算模型多点误差参数定位方法，包括以下步骤：
[0050]
步骤一：获取电网某时间断面下实际潮流运行数据，包括发电机输出有功功率和无功功率，负荷的有功功率和无功功率，流过各个线路和变压器的有功功率和无功功率，以及各节点电压幅值和相角；
[0051]
步骤二：计算电网在该时间断面下模型的潮流仿真数据；在该电网的仿真模型中，通过仿真计算得到对应于电网中发电机，负荷的潮流数据以及流过各个线路和变压器的潮流，以及所有节点的电压与相角数值；
[0052]
步骤三：将步骤以步中得到的电网运行潮流数据与步骤二中得到的电网模型计算潮流的各设备有功功率和无功功率、以及各节点电压幅值与相角值一一对应，并取差值，得到所有设备的潮流数据误差绝对值δx，到对应于所有设备的误差数据，其中x为有功功率
p、无功功率q、电压幅值u或相角θ；
[0053]
步骤四：在上述误差数据的基础上筛选出误差较大的区域g，由于误差参数变化会引起电网中潮流的改变，首先确定δpmax，δqmax，δumax，δθmax的值，确定误差区域g的方法如下：
[0054]
确定一个很小的数e，e＝0.01δxmax；
[0055]
判断某节点或线路是否在误差区域内：
[0056]
若x《e，该电力设备不在误差区域内；
[0057]
若x≥e，该电力设备在误差区域内，当p、q、u、θ都满足时，在电网内进行全局搜索，筛选出误差区域，得出多个误差区域，并对这些区域进行编号分别为g1
…
gk；
[0058]
将发电机视为pv节点，负荷视为pq节点，变压器采用τ型等值模型，正常情况下，其励磁支路可忽略不计，此时变压器可视为两端是节点，中间是线路，此时误差区域变成由节点和线路连接构成，画出所有误差区域的拓扑图。
[0059]
所述步骤四中：
[0060]
随机定位若干个电力设备，其方法是：
[0061]
对所有误差区域g内的节点进行编号从1～n，根据每个误差区域内节点个数的不同，将区域gi平均分成mi个小区域，在每个小区域内随机选择一个节点，则从整个误差区域g中随机选择了个节点，设这些节点编号为：
[0062]
a＝{a1,a2,
…
am}；
[0063]
设区域gi中节点个数为si，mi＝[0.1si]，向下取整；
[0064]
选择以数组a中元素为编号的节点，开始进行定位搜索，从节点开始定位搜索的方法是：先寻找出所有与该节点相连的线路，包括变压器，对这些线路的功率误差进行比较，选择误差最大的那条线路作为定位设备，并对该定位设备进行下一次的搜索，先找出定位设备的相连设备，进行误差比较，若存在误差比定位设备大的相连设备，选择误差最大的相连设备作为下一个定位设备，最后所有的定位搜索都会收敛到某些固定的定位设备，将这些设备确认为误差设备。
[0065]
步骤五：在区域g内，随机定位多个电力设备，作为定位设备，找出所有与定位设备相连的设备，作为相连设备；
[0066]
步骤六：通过步骤三，可获得步骤五中所述的定位设备和相连设备的潮流数据误差δp、δq，将定位设备的潮流误差与相连设备的潮流误差进行比较，判断相连设备的误差是否比定位设备的误差大；
[0067]
步骤七：若没有相连设备的误差比定位设备的误差大，将该定位设备确定为误差设备；
[0068]
若有相连设备的误差比定位设备的误差大，选择误差数值上升最大的方向进行搜索，称为爬坡；将误差数值最大的相连设备定位为新的定位设备，那么原来的定位设备作为新的相连设备，继续以定位设备中心搜索得到相连设备，并转至步骤五；
[0069]
步骤八：得到区域g内的所有误差设备，接着通过bp神经网络来进行训练，判断出误差设备的误差参数，能够定位到误差参数。
[0070]
采用bp神经网络误差参数辨识的具体方法为：
[0071]
以线路网损，设备两端相角差，流经设备的潮流变化，以及设备两端电压幅值变化
情况作为神经网络的输入，准确辨识出设备误差参数，步骤如下：
[0072]
s1：通过多次实验对设备不同参数进行修改产生误差，收集不同误差产生的线路网损、相角差、潮流、电压幅值变化情况；
[0073]
s2：对通过步骤s1取得的变化量进行归一化处理；
[0074]
s3：从通过步骤s2中得到的特征量中提取训练样本和测试样本；
[0075]
s4：构建bp神经网络；
[0076]
s5：训练bp神经网络，直到达到满意的精度为止；
[0077]
s6：对bp神将网络进行测试。
[0078]
所述步骤s3中训练样本数据分别为：线路网损、相角差、潮流、电压幅值的变化量的归一化数据，其数据归一化处理方法如下：
[0079]
设电网中功率基准值为sb，电压基准值为ub，
[0080][0081]
所述训练样本和误差参数类型对应表为，若编码为1000，则误差参数类型是电阻误差；若编码为0100，则误差参数类型是电感误差；若编码为0010，则误差参数类型是电纳误差；若编码为0001，则误差参数类型是变比误差，若多参数误差，则在编码中，对应位置为1，其余为0。
[0082]
所述的bp神经网络为具有一个隐含层的前馈型bp神经网络，其中输入层有5个神经元，分别对应于训练样本中的变化量数据，输出层有四个神经元，分别对应于误差参数类型，设置隐含层神经元个数为8个。
[0083]
将神经网络输出数据模糊化，把大于0.5的数据设定为1，其余为0。
[0084]
根据样本数据训练神经网络是用trainlam函数进行训练，训练次数为1000次，设置学习率为0.005。
[0085]
与现有技术相比，本发明的有益效果如下：
[0086]
本发明能够对发电机的动态参数进行精确校对，从而为发电机的实时故障检测和优化控制提供可靠的参考量，以保证电网的正常安全运行，操作起来非常简便，短时内就能完成。