[发明专利]一种基于电压时序轨迹的电力系统暂态电压稳定评估方法

摘要

本发明涉及一种基于电压时序轨迹的电力系统暂态电压稳定评估方法，属于电力系统稳定分析评估领域，用于监测电力系统暂态电压稳定状况。本发明对电力系统各运行方式下的故障仿真，得到仿真样本集；从所有仿真样本电压序列中提取与电力系统状态类别相关性最强的电压子序列作为标准电压时序轨迹，计算该轨迹与所有仿真样本距离形成标准距离数据集；将标准电压时序轨迹和标准距离数据集作为输入，将电力系统状态作为输出，训练支持向量机分类模型；当电力系统遭遇暂态故障时，实时获取电压序列并计算该序列与标准电压时序轨迹的距离，输入支持向量机模型得到电力系统状态实时评估结果。本发明可对电力系统暂态电压稳定状况进行可靠在线监测和评估。

主权项

1.一种基于电压时序轨迹的电力系统暂态电压稳定评估方法，其特征在于，包括以下步骤：(1)从电力系统的调度运行数据库中收集电力系统的所有运行方式构成运行方式集，收集电力系统的所有故障构成故障集；根据电力系统的运行方式集和故障集，采用机电暂态仿真方法对电力系统在各种运行方式下的各种故障进行K次时域仿真，依次记录每次时域仿真过程中所述电力系统的各变电站在故障清除后Δt时间内的电压时序轨迹曲线，所述电压时序轨迹曲线形成长度为n的电压序列U，其中Δt＝(n–1)×ΔT，ΔT为仿真时间间隔，n为所述电压序列U的数据点数，并记录每次时域仿真过程中电力系统的状态C，将电力系统处于稳定状态记为C＝1，电力系统处于失稳状态记为C＝‑1，将一次时域仿真过程中记录的所有数据构成一个仿真样本，进行K次时域仿真后共得到K个仿真样本，K个仿真样本形成一个仿真样本集，统计仿真样本集中电力系统状态为C＝1的仿真样本总数N_S和电力系统状态为C＝‑1的仿真样本总数N_U，其中N_S+N_U＝K；(2)从步骤(1)的仿真样本集中获取K个仿真样本分别对应的电压序列U，并获取每个仿真样本相应的电力系统状态C的记录，从所有仿真样本的电压序列U中提取出与电力系统状态C的类别相关性最强的电压子序列，作为仿真样本集中的标准电压时序轨迹；具体步骤如下：(2‑1)从步骤(1)的仿真样本集中获取K个仿真样本分别对应的电压序列U，并获取每个仿真样本相应的电力系统状态C的记录；(2‑2)任意选取K个仿真样本中一个仿真样本，记为仿真样本i，设定一个长度为m的时间窗，通过滑动时间窗的方式从仿真样本i的电压序列U中获取长度为m的所有电压子序列，共得到(n‑m+1)个电压子序列，形成仿真样本i的电压子序列集；(2‑3)从步骤(2‑2)的仿真样本i的电压子序列集中任意选取第j个电压子序列，1≤j≤(n‑m+1)，分别计算第j个电压子序列与仿真样本集中所有K个仿真样本的电压序列的欧几里得距离，得到K个距离并按从小到大的顺序进行排列，形成距离样本集D＝{d₁,d₂,…,d_K}，在[d₁,d_K]区间内插入K‑1个距离分割点f_k＝(d_k+d_k+1)/2，k＝1,2,3,…,K‑1；(2‑4)任意选择一个距离分割点f_k，将D中位于距离分割点f_k左侧的距离样本和位于距离分割点f_k右侧的距离样本分别集成为两个距离样本子集S_L和S_R，统计S_L中距离样本对应的仿真样本中电力系统状态为C＝1的距离样本总数N_LS和对应的仿真样本中电力系统状态为C＝‑1的距离样本总数N_LU，统计S_R中距离样本对应的仿真样本中电力系统状态为C＝1的距离样本总数N_RS和对应的仿真样本中电力系统状态为C＝‑1的距离样本总数N_RU，并分别统计S_L中的距离样本总数N_L＝(N_LS+N_LU)和S_R中的距离样本总数N_R＝(N_RS+N_RU)，计算距离分割点f_k分割距离样本集D后得到的一致性指标RI：(2‑5)遍历所有(K‑1)个距离分割点，依次计算每个距离分割点分割距离样本集D后得到的一致性指标，从中找出一致性指标的最大值并作为第i个仿真样本中第j个电压子序列与电力系统状态C相关性强弱的度量值；(2‑6)遍历第i个仿真样本中所有的电压子序列，重复步骤(2‑3)～(2‑5)，得到该仿真样本i所有电压子序列与电力系统状态C相关性强弱的度量值；从所有的度量值中选出其中的最大值，该最大值所对应的电压子序列作为第i个仿真样本的候选标准电压时序轨迹；(2‑7)遍历仿真样本集中所有K个仿真样本，重复步骤(2‑2)～(2‑6)，得到所有K个仿真样本的候选标准电压时序轨迹，从所有K个仿真样本的候选标准电压时序轨迹中选出该轨迹对应的一致性指标最大的候选标准电压时序轨迹，作为与电力系统状态C的类别相关性最强的标准电压时序轨迹；依次计算该标准电压时序轨迹与仿真样本集中所有K个仿真样本对应电压序列的欧几里得距离，形成标准距离数据集；(3)构建一个分类学习数据集，将步骤(2‑7)得到的标准电压时序轨迹和标准距离数据集作为分类学习数据集的输入数据，将步骤(1)得到的各仿真样本中电力系统状态C作为分类学习数据集的输出数据；(4)采用支持向量机算法对步骤(3)得到的分类学习数据集进行分类学习，得到一个支持向量机分类模型，以交叉验证方式测试支持向量机分类模型的分类性能，统计分类学习数据集中电力系统状态为C＝1却被错误划分为失稳状态的仿真样本总数N_f，统计分类学习数据集中电力系统状态为C＝‑1却被错误划分为稳定状态的仿真样本总数N_m，计算支持向量机分类模型的误判率P_f和漏判率P_m，其中P_f＝N_f/K，P_m＝N_m/K,并进行判定：若P_f≤2％且P_m≤1％，则支持向量机分类模型的分类性能满足要求，支持向量机分类模型训练完毕，进入步骤(5)；若P_f＞2％且P_m≤1％，或者P_f≤2％且P_m＞1％，或者P_f＞2％且P_m＞1％，则利用支持向量机算法重新对分类学习数据集进行分类学习，直到得到的支持向量机分类模型的误判率和漏判率满足P_f≤2％且P_m≤1％，支持向量机分类模型训练完毕，进入步骤(5)；(5)当所述电力系统遭遇暂态故障时，电力系统中各变电站的相量测量单元实时获取各变电站在Δt时间内的电压时序轨迹曲线，形成电压序列U’，计算步骤(2‑7)得到的标准电压时序轨迹与电压序列U’的欧几里得距离，将得到的距离输入到步骤(4)训练完毕的支持向量机分类模型中，支持向量机分类模型输出电力系统状态C’，作为电力系统暂态电压稳定的实时评估结果。