[发明专利]一种受扰电力系统暂态不稳定平衡点预测方法

说明书

本发明公开一种受扰电力系统暂态不稳定平衡点预测方法。该策略包括：利用BCU法获取系统不同运行方式下故障后的UEP，为人工智能算法提供数据集；利用面向多输入多输出系统的MSVR算法，构建稳态运行信息与UEP之间的映射关系；通过PSO算法对MSVR中的惩罚参数和核函数参数进行最优参数选择；面向量测数据，通过训练好的预测模型对受扰后的电力系统UEP进行快速预测。本发明无需复杂计算，直接面向量测数据，将系统稳态运行节点电压幅值与相角作为样本特征，利用MSVR构建量测数据与UEP之间的映射关系，其中，MSVR模型通过PSO进行最优参数选择。最终，实现根据系统稳态运行信息对UEP的快速预测。

技术领域

本发明涉及电力系统领域，特别是涉及一种受扰电力系统暂态不稳定平衡点预测方法。

背景技术

随着新能源技术的应用与电力电子装置的增多，电力系统暂态稳定特性与机理更加复杂，这些装置带来的更多不确定性意味着一些传输线路的运行更接近它们的稳定性极限。如果电力系统的稳定性被破坏，可能会导致孤岛效应、级联停机甚至大范围的停电事故。故障发生后，快速准确的不稳定平衡点预测能够及时为稳定判别提供依据，对电力系统的安全防控具有重要意义。

目前，电力系统暂态稳定分析和控制的主要方法有时域仿真法、直接法和人工智能方法。时域仿真法发展较为成熟，但无法对系统暂态稳定性给出定量评价，计算速度较慢。另一种方法是使用直接法或基于能量的方法。该算法依赖于已知的能量函数的不稳定平衡点(UEP)的识别。已有的研究有多种计算UEP的方法。其中，基于稳定域边界的主导不稳定平衡点(BCU)方法目前被认为是最有效的暂态稳定分析的直接方法。BCU以控制不稳定平衡点的概念和动态系统理论为基础，通过对不稳定平衡点的精确定义，保证了BCU的准确性。然而，上述基于机理的UEP算法计算速度较慢，不满足在线快速计算的要求。

随着广域测量系统和人工智技术能的发展，大量人工智能算法运用于暂态稳定预测，例如人工神经网络、支持向量机和决策树等。其中，多输出支持向量机回归(MSVR)算法与传统的神经网络相比，较好地解决了小样本、非线性、高维数和局部极小点等实际问题。对于MSVR中的惩罚参数和核函数参数则通过粒子群优化(PSO)算法进行最优参数选择。因此，针对多输入多输出的UEP预测问题，采用PSO算法优化的MSVR算法是一种很有前景的UEP预测方法。

发明内容

本发明的目的是提供一种受扰电力系统暂态不稳定平衡点预测方法，构建稳态运行信息与UEP之间的映射关系，为受扰后的电力系统暂态稳定判别提供依据。

为实现上述目的，本发明提供了如下方案：

一种受扰电力系统暂态不稳定平衡点预测方法，包括：

利用BCU法获取系统不同运行方式下故障后的UEP，为人工智能算法提供数据集；

利用面向多输入多输出系统的MSVR算法，构建稳态运行信息与UEP之间的映射关系；

通过PSO算法对MSVR中的惩罚参数和核函数参数进行最优参数选择；

面向量测数据，通过训练好的预测模型对受扰后的电力系统UEP进行快速预测。

优选地，所述利用BCU法获取系统不同运行方式下故障后的UEP，具体包括：

运用持续故障轨线在角度空间的投影轨线穿越位能边界曲面的出口点δ^*；

设δ^*为收缩系统的出口点，以δ^*为初始条件，积分故障后的收缩系统，寻找使目标函数首先达到最小值的点δ₀^*；

以δ₀^*为初值，用迭代方法求解方程，得到所求不稳定平衡点

根据求得的不稳定平衡点，即可求解出该系统的临界能量。