[发明专利]电力系统暂态稳定评估预想故障快速强壮分类方法

摘要

本发明公开了一种电力系统暂态稳定评估预想故障快速强壮分类方法，属于电力系统及其自动化技术领域。本发明基于扩展等面积准则，通过深入挖掘积分步长不同的暂态稳定分析算法间所包含的不同裕度信息及其比较结果、反映研究算例时变程度，并结合故障信息组成暂态稳定严重程度不同类别的识别规则，将预想故障全集中各算例分为稳定、疑似稳定、临界、疑似失稳、失稳5类。本发明可实现预想故障全集中各算例暂态稳定严重程度不同类别的高效、可靠、合理分类，对深入协调在线暂态稳定分析精度和速度、解决计及不确定性因素下的暂态稳定分析问题具有重大的理论和工程意义。

主权项

电力系统暂态稳定评估预想故障快速强壮分类方法，其特征在于，包括以下步骤：1)算例分类框架启动后，取出预想故障全集中某个算例，应用SEEAC算法对该算例进行裕度计算；2)如果由SEEAC算法求得的稳定裕度ηSE(τ)大于阈值ε1(τ)，且该算例故障清除时间τ小于或等于阈值ε2，则将其识别为稳定类算例，并执行步骤14)，否则执行步骤3)；3)应用SEEAC算法进行极限计算求得该算例临界清除时间并以其替代该算例故障清除时间τ，分别应用SEEAC、DEEAC算法进行裕度计算，通过比较SEEAC、DEEAC算法裕度计算过程的差异反映该算例时变程度；其中，所述步骤3)中通过比较SEEAC、DEEAC算法裕度计算过程的差异反映该算例时变程度的方法为，分别求得SEEAC和DEEAC两种算法裕度计算过程中得到的加速、减速面积的差异、以及DEEAC算法裕度计算过程中得到的加速面积和减速面积的差异，再按公式(1)求取最大差异值σ1以反映该算例时变程度：σ1=max{ΔAinc(tcSE),ΔAdec(tcSE),Δη(tcSE)}---(1)]]>其中：ΔAinc(tcSE)=|AincDE(tcSE)-AincSE(tcSE)|max{AincSE(tcSE),AincDE(tcSE)}]]>ΔAdec(tcSE)=|AdecDE(tcSE)-AdecSE(tcSE)|max{AdecSE(tcSE),AdecDE(tcSE)}]]>Δη(tcSE)=|AdecDE(tcSE)-AincDE(tcSE)|max{AincDE(tcSE),AdecDE(tcSE)}]]>上述式中，为SEEAC、DEEAC两种算法裕度计算过程中得到的加速面积的差异，为SEEAC、DEEAC两种算法裕度计算过程中得到的减速面积的差异，为DEEAC算法裕度计算过程中得到的加速面积和减速面积的差异，为对应于的由SEEAC算法求得的加速面积，为对应于的由DEEAC算法求得的加速面积，为对应于的由SEEAC算法求得的减速面积，为对应于的由DEEAC算法求得的减速面积；4)如果由SEEAC算法求得的稳定裕度ηSE(τ)大于阈值ε3(τ)，且由步骤3)反映的时变程度小于或等于阈值ε4，则将该算例识别为稳定类算例，并执行步骤14)，否则执行步骤5)；5)应用DEEAC算法对该算例进行裕度计算，并通过比较SEEAC与DEEAC算法裕度计算结果的差异反映该算例时变程度；其中，所述步骤5)中通过比较SEEAC、DEEAC算法裕度计算结果的差异反映该算例时变程度的方法为，按公式(2)SEEAC、DEEAC算法裕度计算结果的差异值σ2(τ)以反映该算例时变程度：σ2(τ)=|ηDE(τ)-ηSE(τ)|max{|ηSE(τ)|,|ηDE(τ)|}---(2)]]>其中，ηSE(τ)是由SEEAC算法求得的稳定裕度，ηDE(τ)由DEEAC算法求得的稳定裕度；6)如果由DEEAC算法求得的稳定裕度ηDE(τ)大于阈值ε5(τ)，且由步骤5)反映的时变程度小于或等于阈值ε6，则将该算例识别为稳定类算例，并执行步骤14)，否则执行步骤7)；7)如果由SEEAC算法求得的稳定裕度ηSE(τ)大于阈值ε7、由DEEAC算法求得的稳定裕度ηDE(τ)大于阈值ε8，且该算例故障清除时间τ小于或等于阈值ε9，同时由步骤3)反映的时变程度小于或等于阈值ε10，则将该算例识别为稳定类算例，并执行步骤14)，否则执行步骤8)；8)如果由SEEAC算法求得的稳定裕度ηSE(τ)小于阈值ε11，且由DEEAC算法求得的稳定裕度ηDE(τ)小于阈值ε12，则将该算例识别为失稳类算例，并执行步骤14)，否则执行步骤9)；9)如果由SEEAC算法求得的稳定裕度ηSE(τ)小于阈值ε13，且由DEEAC算法求得的稳定裕度ηDE(τ)小于阈值ε14(τ)，同时，由步骤3)反映的时变程度小于或等于阈值ε15，则将该算例识别为失稳类算例，并执行步骤14)，否则执行步骤10)；10)如果由SEEAC算法求得的稳定裕度ηSE(τ)小于阈值ε16且大于由DEEAC算法求得的稳定裕度ηDE(τ)，同时，该算例故障清除时间τ大于或等于阈值ε17且由步骤5)反映的时变程度小于或等于阈值ε18，则将该算例识别为失稳类算例，并执行步骤14)，否则执行步骤11)；11)如果由SEEAC算法求得的稳定裕度ηSE(τ)大于阈值ε19，且由DEEAC算法求得的稳定裕度ηDE(τ)大于阈值ε20，同时该算例故障清除时间τ小于或等于阈值ε21，则将该算例识别为疑似稳定类算例，并执行步骤14)，否则执行步骤12)；12)如果由SEEAC算法求得的稳定裕度ηSE(τ)小于阈值ε22，且由DEEAC算法求得的稳定裕度ηDE(τ)小于阈值ε23，同时，由步骤3)反映的时变程度小于或等于阈值ε24，则将该算例识别为疑似失稳类算例，并执行步骤14)，否则执行步骤13)；13)将该算例识别为临界类算例，并执行步骤14)；14)如果预想故障全集中所有算例都被识别为上述五种类别之一，结束算例分类框架，否则执行步骤1)取下一算例进行处理；上述各阈值的取值如下：ε2＝0.260、ε4＝0.465、ε6＝0.350、ε7＝0.800、ε8＝0.810、ε9＝0.400、ε10＝0.500、ε11＝‑0.900、ε12＝‑0.950、ε13＝0.000、ε15＝0.405、ε16＝‑0.050、ε17＝0.260、ε18＝0.480、ε19＝0.000、ε20＝0.050、ε21＝0.200、ε22＝0.000、ε23＝‑0.050、ε24＝0.400；当0≤τ≤0.26时按下式计算ε1(τ)的值：ϵ1(τ)=-0.300+8.750ττ∈[0,0.12)0.664+0.714ττ∈[0.12,0.26]]]>当0≤τ<1时按以下公式计算ε3(τ)、ε5(τ)、ε14(τ)的值：ϵ3(τ)=0.036+3.167ττ∈[0,0.28)0.923τ∈[0.28,1.00)]]>ϵ5(τ)=0.505+0.550ττ∈[0,0.20)0.515+0.500ττ∈[0.20,0.22)-0.475+5.000ττ∈[0.22,0.26)-0.930+6.750ττ∈[0.26,0.28)0.960τ∈[0.28,0.36)0.780+0.500ττ∈[0.36,0.40)0.980τ∈[0.40,1.00)]]>ϵ14(τ)=-0.156-1.670ττ∈[0,0.20)0.335-4.125ττ∈[0.20,0.28)-0.400-1.500ττ∈[0.28,0.36)-0.940τ∈[0.36,1.00)]]>当τ≥1时，ε3(τ)、ε5(τ)、ε14(τ)的值分别取0.923、0.980、‑0.940。