[发明专利]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

说明书

本发明公开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，涉及电力系统自动化技术领域，包括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；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；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。该方法可实时监视电网动态安全状态，有效提升电力系统运行安全水平。

技术领域

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

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。

发明内容

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。

为实现上述发明目的，本发明的技术方案如下：

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：

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；

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；

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。

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。

作为优选的，贝叶斯深度神经网络模型为：

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。

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。

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：

S41，通过标准正态分布对随机变量∈进行抽样；

S42，通过下式计算网络权重参数w；