电力系统暂态稳定性智能评估方法研究

发布时间：2020-10-22 23:28

　　 广域监测系统(WAMS)如今已被广泛应用于电力系统中,而基于WAMS的电力系统暂态稳定分析的研究进行的如火如荼。目前研究方法主要包括时域仿真法、直接法和人工智能法等。由于电力系统大数据的快速发展,基于人工智能的暂态稳定分析方法被看作是最具有前景的方法之一,国内外研究学者提出了多种应用于暂态稳定分析的智能算法(包括人工神经网络、支持向量机、决策树等)以提高预测精度,然而上述算法仍然存在准确率低、可解释性差等问题。针对这些问题,本文主要研究内容包括:1)通过分析电力系统暂态稳定的机理,研究影响暂态稳定性的物理因素,利用电力系统分析综合程序(PSASP)模拟真实电网中相量测量单元(PMU),设置电网中常见的扰动(如短路、断路等),采集电网中发电机的角度、角速度、有功功率、母线电压、电流等数据。2)提出一种基于XGBoost的电力系统暂态稳定预测方法,基于PMU数据构建暂稳特征,并分析特征之间的皮尔逊相关系数以进行特征选择。将上述得到的特征作为模型输入,在电力系统故障切除后及时预测该故障是否会导致系统失稳。基于模型得到特征重要度排序,挖掘出对暂态稳定性影响较大的特征,同时又可以剔除不重要的特征,加快模型训练速度且可以防止过拟合。然后针对电网中发生的某一具体故障,利用XGBoost模型进行预测,结果表明可以达到暂态稳定实时预测的要求,并使用LIME算法对预测结果进行解释,提高了模型的可解释性。3)由于传统的机器学习算法应用于暂态分析中需要基于PMU信息进行人工构建暂稳特征,特征构建的好坏直接影响到预测结果,并且构建特征的过程费时费力。为了解决该问题,提出了基于深度学习的暂态稳定评估,由于深度学习较于传统机器学习有两个优点:一是面对大数据量时,深度学习的拟合能力更强,二是可以自动提取特征。因此分别将卷积神经网络(CNN)和长短期记忆网络(LSTM)应用于电力系统暂态稳定预测中。4)为了进一步解析电网受到的扰动,除了判别扰动是否会导致系统失稳外,又提出基于深度学习的电力系统故障定位。在新英格兰10机39节点系统进行算例分析,该系统中有34条交流线路。基于CNN模型的暂态稳定性预测和故障定位准确率均可达到99%以上。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TM712
【部分图文】：

功角达到b 。Pm2Pm1ab90° 180°P双回线路工作时Pe图 2-3 双回线运行时有功-功角关系图2.1.3 等面积定则将发电机转子摇摆方程所定义的发电机动态行为和功角特性相结合，即可用等面积定则来解释暂态稳定的概念。对式(2-7)摇摆方程处理，用功率标幺值替代转矩

电子科技大学硕士学位论文4.1.2 LSTM 简介循环神经网络（recurrent neural network, RNN）出现在 20 世纪 80 年代，它是一种专门处理序列输入的神经网络，图 4-3 为 RNN 的基本结构。RNN 能够处理变长序列输入，且具有“记忆”特性，在自然语言处理和其他时间序列任务中效果显著。

可以优化神经网络模型，并将训练过的模型部署到云、数据中心、嵌入式统或者汽车产品平台；DeepStream，可通过智能视频分析和多传感器处理为态势知提供完整的流分析工具包。4.1.4 深度学习框架我们可以使用 Python 或其他编程语言从头开始实现自己的深度学习算法，是深度学习模型庞大而复杂，我们不必从头开始编写每个函数，而是依靠深度学框架和软件库来有效的构建深度神经网络。由于深度学习在近几年飞速发展，一高科技公司(如 Google，Facebook 等)开发了非常方便的深度学习开源框架。目前较流行的深度学习框架包括 Tensorflow，Keras，Pytorch 等。对于深度学习框架，每一个框架都有不同的特性，它们使用不同的技术优化度学习算法。为了全面评估各个深度学习框架，下图综合了相关深度学习框架的索热度、文章数量、书籍数量、Github 活跃度等对目前比较流程的深度学习框架行了评分。综合上述指标，表 4-5 展示了各个主流的深度学习框架在 2018 年的行程度。
【参考文献】

相关期刊论文 前10条

1 朱利鹏;陆超;孙元章;黄河;苏寅生;李智欢;;基于数据挖掘的区域暂态电压稳定评估[J];电网技术;2015年04期

2 王亚俊;王波;唐飞;陈得治;王静;王乙斐;周雨田;;基于响应轨迹和核心向量机的电力系统在线暂态稳定评估[J];中国电机工程学报;2014年19期

3 吴为;汤涌;孙华东;徐式蕴;;基于广域量测信息的电力系统暂态稳定研究综述[J];电网技术;2012年09期

4 叶圣永;王晓茹;刘志刚;钱清泉;;基于支持向量机增量学习的电力系统暂态稳定评估[J];电力系统自动化;2011年11期

5 林伟芳;孙华东;汤涌;卜广全;印永华;;巴西“11·10”大停电事故分析及启示[J];电力系统自动化;2010年07期

6 刘新东;江全元;曹一家;;N-1条件下不失去可观测性的PMU优化配置方法[J];中国电机工程学报;2009年10期

7 刘新东;江全元;曹一家;;基于功角受扰轨迹拟合的暂态稳定快速预测[J];电力系统自动化;2008年19期

8 宋方方;毕天姝;杨奇逊;;基于WAMS的电力系统受扰轨迹预测[J];电力系统自动化;2006年23期

9 陈磊;闵勇;;考虑暂态电压跌落限制的直接法暂态稳定分析[J];电力系统自动化;2006年21期

10 唐斯庆;张弥;李建设;吴小辰;蒋琨;舒双焰;;海南电网“9·26"大面积停电事故的分析与总结[J];电力系统自动化;2006年01期

相关博士学位论文 前1条

1 叶圣永;基于机器学习的电力系统暂态稳定评估研究[D];西南交通大学;2010年

相关硕士学位论文 前3条

1 侯金秀;基于电压相量和深度学习的电力系统暂态稳定快速评估[D];中国电力科学研究院;2017年

2 王臻;基于权值共享的深度卷积网络的电力系统暂态稳定预测[D];北京邮电大学;2017年

3 刘雷涛;基于机器学习的电力系统暂态稳定评估[D];华北电力大学;2017年

本文编号：2852225