[发明专利]含IPFC的电力系统潮流优化控制方法

说明书

本发明提供一种含IPFC的电力系统潮流优化控制方法，包括步骤：①基于含IPFC的电网结构确定IPFC等效功率注入模型；②给出含IPFC的电力系统OPF模型并进行OPF计算，建立训练集和测试集；③建立基于SELM框架的数据驱动的最优潮流模型；④分三个阶段训练所建的基于SELM框架的数据驱动最优潮流模型；⑤工程应用时，将含IPFC的电力系统负荷有功、无功功率作为输入数据直接带入经步骤④训练完毕的基于SELM框架的数据驱动最优潮流模型，计算并得到OPF结果。本发明在保障OPF计算精度的同时能有效提高其求解效率，利于对含IPFC电力系统潮流优化控制，在线应用时只需调整少量参数即可，具备工程应用价值。

技术领域

本发明涉及电力系统潮流控制技术领域，具体涉及一种含IPFC的电力系统潮流优化控制方法。

背景技术

随着经济快速发展，电力负荷不断增长，且伴随着光伏、风力发电等新能源大规模接入电网，输电线路结构日趋复杂，为电网稳定运行带来了新的挑战。因此，亟需能控制多条线路潮流，控制重载线路与轻载线路实时功率交互的柔性潮流控制装置，线间潮流控制器（Interline Power Flow Controller， IPFC）以其出色的多线路潮流控制能力逐渐被关注。然而计及IPFC的最优潮流模型多以物理模型求解为主，计算效率差且易随着系统规模增大迭代无解，因此高效合理的最优潮流模型能够帮助IPFC起到事半功倍的潮流调节效果。

如今，随着越来越多的学者探索基于数据驱动的各类人工智能算法在电力系统中的应用，电力系统控制优化方法不断完善，基于深度学习的数据驱动方法采用离线学习、在线应用的模式，将复杂、长时间的计算过程前移至日前，保障实时控制的有效性和快速性。在线应用时，数据驱动模型可以有效避免模型方法迭代时间长甚至部分无解问题，解决了模型方法的安全隐患；同时，数据驱动模型对不同历史数据训练后，在线计算时间稳定，不受环境因素影响。然而，由于数据驱动模型的准确性很大程度上依赖其离线训练，因此为保障模型精度，需要前期获取大量样本数据，且对DNN模型的训练也需花费大量时间进行调整，工作量较大。

堆叠式极限学习机（SELM）是一种新的机器学习技术，它通过简单的矩阵计算随机生成隐层神经元的输入权值，并解析地确定输出权值。这显著提高了训练速度，同时需要更少的超参数进行调整。同时，它将一个相当大的神经网络分割成若干个串行计算的较小的神经网络，以实现更少的内存占用和更高的特征提取能力。然而，由于输入权值的随机产生和分析输出权值的确定过程，SELM的学习能力有限，且由于含IPFC的系统电力系统运行状态与OPF（Optimal Power Flow，最优潮流）解之间的复杂关系，将SELM直接应用于解决OPF并不容易。因此，如果发挥SELM的优点将其有效应用于含IPFC的电力系统潮流优化控制，是本领域技术人员需要解决的技术问题。

发明内容

本发明的目的是：针对现有技术中存在的问题，提供一种含IPFC的电力系统潮流优化控制方法，该方法为基于SELM框架的数据驱动类最优潮流计算方法，能有效提高OPF求解效率，利于对含IPFC的电力系统的潮流优化控制。

本发明的技术方案是：本发明的含IPFC的电力系统潮流优化控制方法，包括以下步骤：

①基于含IPFC的电网结构，确定IPFC的等效功率注入模型；

②结合步骤①确定的IPFC的等效功率注入模型，给出含IPFC的电力系统OPF模型，进行含IPFC的电力系统OPF计算，获得含IPFC的电力系统的状态变量和控制变量，建立用于最优潮流模型训练的训练集和测试集；

③建立将学习任务分为三个阶段的基于SELM框架的数据驱动的最优潮流模型；

④以步骤②中建立的训练集和测试集数据，分三个阶段训练步骤③所建的基于SELM框架的数据驱动最优潮流模型；