[发明专利]电力系统故障后功角失稳模式预判模型构建方法及其应用

说明书

本发明公开了一种电力系统故障后功角失稳模式的预判模型构建方法及其应用，方法包括：从每组原始量测数据中提取其对应的观测窗口内的一组母线电压离散点集，并构建每组离散点集对应的电压幅值矩阵和电压相角矩阵；根据每组原始量测数据对应的功角曲线形态，确定其对应工况在所述观测窗口之后的预设时间段位置处的失稳模式标签信息；基于所有样本，通过监督学习，训练得到神经网络预判模型，其中每个样本包括一组原始量测数据对应的电压幅值矩阵、电压相角矩阵和失稳模式标签信息。本发明将深度学习应用到功角失稳模式预判中，根据大扰动后母线电压相量量测原始数据，即可快速准确给出稳定或失稳具体类别，极大提高电力系统的安全性，实用性较强。

技术领域

本发明属于电力系统失稳预判领域，更具体地，涉及一种电力系统故障后功角失稳模式的预判模型构建方法及其应用。

背景技术

电力系统的安全稳定运行对国家能源安全和社会经济发展至关重要。在互联大电网中，稳定性问题更为突出，并且还表现出了新的不同的特点。在早期的小电网中，非周期的暂态失稳是安全稳定运行的最主要威胁。随着电网互联规模的变大，可再生能源比例的提高、电力电子变换装备使用的增多以及负荷水平的变重，电力系统动态特性变得越来越复杂，失稳形态变得更多，振荡失稳也成为一种常见的功角失稳情形。快速、准确地预测出大扰动后的电力系统的稳定和失稳以及失稳的类别，将为紧急控制措施赢得时间，同时为采取何种措施提供依据。但现有方法在快速性、准确性、预测精细度和适应性方面还存在一些问题。

例如，时域仿真法发展较成熟，其精度和速度能满足规划、设计和运行方式计算对暂稳分析的要求，适应性强、提供的信息丰富，但其计算负担重、耗时长，在线应用时难以满足要求。直接法不求解系统状态量的时间响应，可快速给出判断结果，但面向大电网时能量函数构造困难，或者只适用于经典发电机模型，且判断结果偏于保守。随着WAMS的发展，数据驱动的机器学习方法涌现出来。机器学习方法的问题在于特征提取严重依赖专家经验，需要反复试错，可能遗漏重要信息或造成冗余，且方法的性能在很大程度上取决于特征的选取，另外现有研究提取出的特征不直观、计算复杂，对传感器要求高。近几年发展起来的深度学习方法可解决这一问题，深度学习直面原始数据，自动提取所需要的特征，摆脱对专家经验的依赖，一些应用深度学习的方法取得了不错的效果。但是，现有采用深度学习的方法，仍不能实现失稳模式的高效精细判别，有些失稳模式被判定为稳定模态，这势必威胁到电力系统的安全稳定。

因此，如何快速准确预判失稳模式，是目前亟待解决的技术问题。

发明内容

本发明提供一种电力系统故障后功角失稳模式的预判模型构建方法及其应用，用以解决现有预判方法不能实现失稳模式精细判别而导致不能可靠保证电力系统安全运行的技术问题。

本发明解决上述技术问题的技术方案如下：一种电力系统故障后功角失稳模式的预判模型构建方法，包括：

步骤1、从每组原始量测数据中提取其对应的观测窗口内的一组母线电压离散点集，并构建每组离散点集对应的电压幅值矩阵和电压相角矩阵；

步骤2、根据每组原始量测数据对应的功角曲线形态，确定其对应工况在所述观测窗口之后的预设时间段位置处的失稳模式标签信息；

步骤3、基于所有样本，通过监督学习，训练得到神经网络预判模型，其中，每个样本包括一组原始量测数据对应的所述电压幅值矩阵、所述电压相角矩阵和所述失稳模式标签信息。