[发明专利]一种用于电网动态无功储备需求计算的深度学习模型生成方法

权利要求书

1.一种用于电网动态无功储备需求计算的深度学习模型生成方法，其特征在于，包括：

步骤1：构建预想故障集，同时针对电网不同运行方式构建场景集；

步骤2：构建以各场景集特征量为输入、以电网各动态无功设备的临界动态无功储备为输出的样本集，包括以下过程：

步骤2-1：选取步骤1所生成场景集C中的一个电网运行场景c；

步骤2-2：选取预想故障集Ψ中的一个预想故障ψ；

步骤2-3：进行故障仿真，得到观测母线的受扰后电压轨迹；

步骤2-4：基于多二元表判据的暂态电压稳定裕度指标，计算故障所在分区各母线暂态电压稳定裕度；

多二元表判据表示为：

其中，x_cr,v(v＝1,L,n_t)为多二元表中第v个电压门槛值；n_t为二元表的个数；T_cr,v表示状态量x超出门槛值x_cr,v的最长可持续时间；

采用已有的基于多二元表的暂态电压稳定裕度量化指标，对于故障ψ，母线b的暂态电压稳定裕度为：

式中，为母线b在故障ψ下的暂态电压稳定裕度；x_b(t)为母线b的电压在t时刻的值；t_k，t_k+1和t′_k+1、t′_k分别为暂态响应曲线下跌和恢复过程中进入和离开x_cr,k和x_cr,k+1之间区域的时刻；β_k为不同区域内暂态响应曲线在竖直方向跌落面积的权重，其值根据暂态过程中，系统在临界状态下进行逐级整定；

步骤2-5：在给定的电网运行断面下，对于一个预想故障ψ，利用AVC二级电压分区结果，确定其所在分区并针对分区内的220kV电压等级以上母线利用步骤2-3计算各自的暂态电压稳定裕度，其故障所在分区暂态电压稳定指标表示为：

式中，M_b,ψ是在故障ψ下母线b的暂态电压稳定裕度，A是分区节点集合；M_A,ψ指标的物理含义是预想故障ψ下分区A的暂态电压稳定裕度；

步骤2-6：当分区暂态电压跌落稳定裕度指标数值等于0时，认为分区内暂态电压稳定处于临界状态；此时区域内各动态无功设备的无功储备即为该区域的最小动态无功储备需求量；由于在实际运行中需要留有裕度，设置临界指标数值为一大于0的值

步骤2-7：设定故障所在分区的动态无功储备容量的总扰动量为ΔS_qA；计算分区无功储备容量的总扰动量对分区A的暂态电压稳定裕度指标的灵敏度，其计算表达式为：

其中，S_q是分区内动态无功储备总容量；M_A,ψ(S_q+ΔS_qA)是当分区A总扰动量为ΔS_qA时故障ω所在分区A的暂态电压稳定裕度指标；M_A,ψ(S_q-ΔS_qA)是当总扰动量为-ΔS_qA时故障ω所在分区A的暂态电压稳定裕度指标；

步骤2-8：计算区域动态无功储备总调整量ΔS′_qA：

其中，ΔS′_qA为动态无功储备的总调整量；是分区A内无功储备容量的总扰动量ΔS_qA对分区A的暂态电压稳定裕度指标的灵敏度；M_A,ψ是预想故障ψ下分区A的暂态电压稳定裕度；

步骤2-9：令同一个分区内各动态无功储备容量同比例地增加或减少；假设某分区区域内的动态无功储备容量分别是S_q0,S_q1,K,S_qd，d是该分区中动态无功设备的总数；由步骤2-7所得分区动态无功储备容量的总扰动量为ΔS′_qA，则分配给第u个设备的扰动量ΔS_qu为：

根据式(6)计算该离线场景集下各动态无功设备的无功储备容量：

S′_qu＝S_qu0+ΔS_qu (18)

其中，S′_qu为更新后的第u个动态无功设备的无功储备容量；

步骤2-10：利用式(9)及式(10)计算更新后的分区暂态电压稳定指标M_A,ω，与值比较；若相差数值小于预设的误差限值ε即认为当前各动态无功储备容量为满足当前故障的各动态无功设备最小动态无功储备，形成一个计算结果；若相差数值大于预设的误差限值ε，则返回步骤2-7，重复2-7至2-9进行迭代运算，直至误差小于预设的误差限值ε；

步骤2-11：在当前电网运行场景下，选取预想故障集中的其他故障重复步骤2-2到2-10，直至完成预想故障集中所有N_ctgy个故障的计算；

步骤2-12：在计算完预想故障集中所有的预想故障后，将所有计算结果按照其对应的故障所在分区进行划分，按照各分区最严重故障确定各分区最小动态无功储备需求计算结果，得到全网最小动态无功储备需求；

步骤2-13：得到以电网运行场景为输入，电网最小动态无功储备需求为输出的一个样本，并存入样本集；判断是否已考虑场景集中所有N个场景；若不达要求，则选取场景集中的其他场景重复运算，即重复步骤2-1至2-12，直至样本数量充足；若符合要求则样本集生成完毕；

步骤3：构建深度学习神经网络，对网络进行参数调整和训练。