CN114268112B

CN114268112B - 基于相量测量单元优化配置的静态电压稳定裕度预测方法

Info

Publication number: CN114268112B
Application number: CN202111639972.1A
Authority: CN
Inventors: 吴胜磊; 何慧君; 张琳舒; 张家彬
Original assignee: Chongqing College of Electronic Engineering
Current assignee: Chongqing College of Electronic Engineering
Priority date: 2021-12-29
Filing date: 2021-12-29
Publication date: 2023-10-20
Anticipated expiration: 2041-12-29
Also published as: CN114268112A

Abstract

本发明涉及电力系统静态电压稳定裕度测试技术领域，公开了一种基于相量测量单元优化配置的静态电压稳定裕度预测方法，包括以下步骤：步骤1：输入电网结构参数；步骤2：将电网结构参数输入PMU优化模型；步骤3：PMU优化模型选取优化节点并留存各优化节点的PMU数据；步骤4：依据各优化节点的PMU数据形成优化特征矩阵；步骤5：采集训练数据，并依据训练数据构建最优预测模型；步骤6：在优化节点上配置PMU装置，PMU装置采集实际PMU数据；步骤7：在最优预测模型中输入实际PMU数据，获得电网电压稳定裕度值的预测结果。本发明能够在较少的PMU装置配置以及较少的PMU数据条件下，准确预测静态电压稳定裕度，预测快速有效且测试成本较低。

Description

基于相量测量单元优化配置的静态电压稳定裕度预测方法

技术领域

本发明涉及电力系统静态电压稳定裕度测试技术领域，具体涉及一种基于相量测量单元优化配置的静态电压稳定裕度预测方法。

背景技术

静态电压稳定性是电力系统稳定运行的关键。特别是随着社会的发展，用电量急剧增加，电力系统间的互联互通和系统结构复杂性的增加，电力系统的运行状态往往处于稳定边界的边缘，由于静态电压稳定裕度的降低，负载的静态电压失去了稳定性，从而会导致发生停电事故。并且，在电力系统的实际应用中，运行人员可依据电压稳定裕度对当前系统是否安全做出判定，电压稳定裕度能够给工作人员准确的信息，以了解系统当前状态距离电压崩溃点有多远。因此，对电力系统稳压稳定范围的定量预测即对电压稳定裕度的预测对保证电力系统的安全运行具有重要意义。

传统的电压稳定裕度预测方法是基于潮流方程的迭代计算，计算速度慢，无法实时更新数据，难以满足在线实时预测的要求。随着通信技术的发展，基于同步相量测量单元(PMU)的广域监测系统在电力系统中得到了广泛的应用，电压和电流的幅值和相位可以通过PMU高精度、同步地测量。目前有许多机器学习算法通过挖掘电量与电压稳定裕度之间的关系，实现电压稳定性的在线评估或预测。但是这些方法实现的前提是所有节点都安装PMU测量装置，随着电网规模的扩大，在所有节点安装PMU是不现实和不经济的，因此这些方法具有局限性，不具备实际应用价值，无法真正解决现实问题。

发明内容

本发明意在提供一种基于相量测量单元优化配置的静态电压稳定裕度预测方法，能够有效减少PMU装置的配置数量，大幅降低PMU装置配置成本，并且能够在较少的PMU装置配置以及较少的PMU数据条件下，准确预测静态电压稳定裕度，预测快速有效且测试成本较低。

本发明提供的基础方案为：基于相量测量单元优化配置的静态电压稳定裕度预测方法，包括以下步骤：

步骤1：输入电网结构参数；

步骤2：将电网结构参数输入PMU优化模型；

步骤3：PMU优化模型选取优化节点并留存各优化节点的PMU数据；所述优化节点为电网中必需配置PMU装置的关键节点；优化节点个数小于电网节点个数；

步骤4：依据各优化节点的PMU数据形成优化特征矩阵；

步骤5：采集训练数据，并依据训练数据和优化特征矩阵构建最优预测模型；

步骤6：在优化节点上配置PMU装置，PMU装置采集实际PMU数据；

步骤7：在最优预测模型中输入实际PMU数据，获得电网电压稳定裕度值的预测结果。

本发明的工作原理及优点在于：采用PMU优化模型选取优化节点，仅在优化节点上配置PMU装置进行数据采集，输入优化节点处的实际PMU数据即可获得电网电压稳定裕度值的预测结果，本方案仅选取电网节点中的部分节点作为优化节点参与预测，仅仅需要为优化节点配置PMU装置即可，并且由于优化节点为电网中必需配置PMU装置的关键节点，优化节点处得到的PMU数据均为绝对有效数据，故而能够在较少的PMU装置配置条件下完成静态电压稳定裕度的准确预测。

相比于现有技术中常用的采用机器学习算法预测电压稳定裕度的方法，现有的方法在实际应用时需要在所测电网的每一个节点上均安装PMU装置，采集大量数据以支持机器学习预测，其耗费的物力成本十分庞大，并且由于计算数据庞大，其预测效率也并不可观。本方案则不存在上述问题，本方案从测试的源头出发，发现了现有测试中所忽略的问题，即并不是每一个电网节点均需要安装PMU装置，因为在实际应用中，并不是每一个电网节点均会对电网所要达到的目标性能造成影响，只有部分关键节点会造成影响，故而，在这些关键节点配置PMU装置就可以采集到足够的预测所需要的绝对有效数据，本方案则设置了PMU优化模型以准确选取出电网中的关键节点，作为优化节点进而配置PMU装置以采集数据，配合完成整体预测过程。这样设置，所要配置PMU装置的节点数量减少，设备配置成本大大降低，相应地，参与测试的数据减少，测试计算量降低，整体测试效率能够得到提升。并且，参与测试的数据虽有所减少，但是由于这些数据均是关键节点提供的数据，均为关键数据、有效数据，故而能够保证较高的静态电压稳定裕度的预测准确性。

进一步，在步骤1中，所述电网结构参数包括电网节点数量、电网节点性质和电网拓扑结构。

这样设置，输入的电网结构参数完善，能够为后续确定选取优化节点提供充足的信息参考。

进一步，在步骤3中，PMU优化模型获取优化节点时，依据电网结构参数配置优化目标函数和约束函数后再获取优化节点。

这样设置，对于不同类型的电网，PMU优化模型能够对应选择不同的优化目标函数和约束函数，以使得PMU优化模型选取出的优化节点能够适配于不同类型的电网结构，保证PMU优化模型每一次选出的优化节点都是对应电网的关键节点。

进一步，所述约束函数包括以下可调约束条件项：可观性约束条件、不可观测深度约束条件、N-1PMU故障和N-1线路故障约束条件、系统故障可观测性约束条件、注入节点约束条件和通信信道约束条件。

这样设置，PMU优化模型提供了多样的约束参数条件项以供配置，不同的电网结构对于系统故障可观测性、注入接点、通信信道等有不同程度的约束要求，本方案则将这些约束要求转化为PMU优化模型的可调约束条件项，让PMU优化模型根据约束要求确定约束条件项，约束条件项进而确认与约束要求相关的关键节点。本方案从电网需达到的性能出发，以约束要求为导向确认可调约束条件项，能够保证PMU优化模型与不同电网的高适配性以及优化节点确认的有效性及准确性。

进一步，所述优化目标函数包括以下类别：PMU最小目标数量函数、系统测量最大目标冗余度函数、PMU配置的最低目标成本函数和PMU测量信号通道的目标成本函数。

这样设置，PMU优化模型提供了多样的目标参数条件项以供配置，不同的电网结构，为不同场所所服务的电网系统，所要达到的目标数据量均不相同，本方案将目标数据量也转化为了PMU优化模型的优化目标函数，配合约束函数，能够进一步提升PMU优化模型的运作细致度和可靠度。

进一步，在步骤5中，所述采集训练数据为：以仿真方式采集训练数据或采集实际PMU数据作为训练数据。

这样设置，提供了两种方式以提供训练数据，其中，采用仿真方式获取训练数据的方式，其便捷性更强；采集实际PMU数据作为训练数据的方式，其真实性更高。

进一步，在步骤5中，构建最优预测模型时，将训练数据输入LightGBM预测模型进行训练，采用十折交叉法获取最优参数，以得到最优预测模型。

LightGBM是一种高效的机器学习技术，它作为一种集成策略，具有非常强大地将几种模型的性能结合起来能力。本方案采用应用LightGBM技术的LightGBM预测模型进行训练，能够保证较高的训练效率，快速形成最优预测模型。同时，十折交叉法，即十折交叉验证，能够保证最优参数确认的高准确度，进而保证得到的预测模型确实是最优解。

进一步，还包括步骤8：验证预测结果，并剔除异常预测结果。

电网实际应用中可能存在的因特殊干扰、人为影响等造成的电网节点数据伪偏差，这些伪偏差的数据在输入最优预测模型后，其对应输出的预测结果数据也会出现伪偏差，即出现异常预测结果，本方案则对预测结果均做验证，以明确异常预测结果并对异常预测结果进行了剔除处理，能够保证剩余的预测结果均为有效结果，是具备参考价值的结果。

进一步，在步骤8中，验证预测结果时，以所有预测结果的平均误差和最大相对误差作为验证评价指标；对于预测结果中的最大相对误差超过20％的预测数据，视为异常预测结果剔除，并补充与该异常预测结果运行方式相同的预测数据参与训练，并更新预测模型。

这样设置，设定了明确的验证评价指标，能够准确确认异常预测结果，进行合理剔除；同时，补充了适应的预测数据参与训练，保证模型训练充分，能够有效减小误差。

附图说明

图1为本发明基于相量测量单元优化配置的静态电压稳定裕度预测方法实施例的方法流程示意图。

图2为本发明基于相量测量单元优化配置的静态电压稳定裕度预测方法实施例的采集训练数据时的仿真方法流程示意图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例基本如附图1所示：基于相量测量单元优化配置的静态电压稳定裕度预测方法，其特征在于，包括以下步骤：

步骤1：输入电网结构参数。所述电网结构参数包括电网节点数量、电网节点性质和电网拓扑结构。

步骤2：将电网结构参数输入PMU优化模型。

步骤3：PMU优化模型选取优化节点并留存各优化节点的PMU数据；所述优化节点为电网中必需配置PMU装置的关键节点；优化节点个数小于电网节点个数。具体地，在电网中，节点可分为直接测量节点和间接测量节点，直接测量节点必需要通过安装PMU装置测量其电压及其连接支路的电流；而间接测量节点的电气量可以通过U_i＝U_j-Z_ijI_ij等计算式计算得到。因此，直接测量节点是电网中必需保留的关键节点，即优化节点。所有的优化节点均需具备以下特质：(1)优化节点需要满足电网的可观测性，即非优化节点的电气量能由优化节点电气量计算得到；(2)属于电网结构中的关键节点，如多支路汇合节点或放射状电网结构的端点即为优化节点。

PMU优化模型获取优化节点时，依据电网结构参数配置优化目标函数和约束函数后再获取优化节点。

约束函数包括以下可调约束条件项：可观性约束条件、不可观测深度约束条件、N-1PMU故障和N-1线路故障约束条件、系统故障可观测性约束条件、注入节点约束条件和通信信道约束条件。优化目标函数包括以下类别：PMU最小目标数量函数、系统测量最大目标冗余度函数、PMU配置的最低目标成本函数和PMU测量信号通道的目标成本函数。针对不同的电网类型，按照各电网的需求配置优化目标函数和约束函数，进而能够得到个性化的PMU优化模型，针对不同的电网类型均能选出准确的优化节点。

本实施例中，对于一个具有n个节点的电网，可以用整数变量X_i来表示该节点i是否需要配置PMU，即表示该节点i是否为优化节点，具体地：

其中，ψ_p表示安装了PMU的节点构成的集合，即优化节点集合。

本实施例中定义A为电网的节点关联矩阵，用于描述节点间的连接关系：

Φ_i表示节点i的相邻域。

上述二式用于后续辅助表示优化目标函数和约束函数，以便于理解。

针对优化目标函数，其中，各类别函数具体为：

(1)PMU最小目标数量函数：采用该式子可确定PMU装置的最小配置数目。

(2)系统测量最大目标冗余度函数：

其中，v_i用来测量冗余度的权重，d_i为节点连接的支路数目。d_i≥1，可知v_i∈(1，2)。J₂能够保证在PMU装置的配置数目最少的前提下，尽可能提高整体电力系统的冗余度。

(3)PMU配置的最低目标成本函数：

c_i表征PMU装置的配置成本权重。本实施例中为表示PMU装置配置成本的权重差异，可将发电机节点的配置成本设置为1.2，其余节点成本为1，以便于扩大差别性，便于区分。

(4)PMU测量信号通道的目标成本函数：

其中，ω₁和ω₂为电压和电流测量通道的价格，x_i表示需要安装电压测量信道的节点。如果节点j配置PMU，并且节点i和节点j之间的支路安装电流测量信道，则y_ij＝1。

进一步地，采用最小偏差法构造统一的目标成本函数：

其中，表示第i个优化目计算得到的最大期望值和最小期望值。通过该函数可调整控制策测量通道的目标配置成本。

针对约束函数，其中，各可调参数项具体为：

(1)可观性约束条件：该参数用于保证正常情形下系统完全可观测，即约束使得AX≥I。

(2)不可观测深度约束条件：节点的不可观测深度具体指可到达最近的可观测节点的支路数目。系统的不可观测深度λ_s为所有节点不可观测深度的最大值对于该最大值的不可观测深度约束为：/>

Bi为经过小于λ_s+1条支路并且可以与节点i建立联系的节点集合；只要集合中有1个节点配置了PMU，不可观测度就不会超过λ_s，该约束条件有效，保证满足电网测量要求。

(3)N-1PMU故障和N-1线路故障约束条件：

当PMU装置发生N-1故障时，此时整体电网系统保证任意节点可以通过两条支路观测即可，即此时的约束条件为：AX≥2。

当电网线路发生N-1故障时，该故障节点配置PMU或者与该节点相邻的节点中至少有2个节点配置PMU，即此时的约束条件为(A+I)X≥2。上述约束条件下，可保证不同故障时，电网测量满足要求。

(4)系统故障可观测性约束条件：

系统故障可观测性是指系统保护装置及故障定位装置能够正常运行的条件。本方案中利用双端电压向量来实现故障定位，具体为：

若电网中存在辐射状线路，辐射状线路末端节点必须配置PMU，这样设置，在末端支路发生故障时才能满足系统故障可观性；其对应的约束条件为：x_i＝1，i∈φ_e。

而为了实现故障定位，至少在支路的一个节点能测量到电压和电流，即每条线路至少配置1个PMU；其对应的约束条件为：x_i+x_j≥1，j∈φ_i。

(5)注入节点约束条件：

若某一节点i及其m个相邻节点中构成的集合中，有任意m个节点可观测，则集合中的所有节点可观，其具体约束条件为：

该约束条件下，可保证电网节点的可观性。

(6)通信信道约束条件：

在满足系统可观性的情况下，某一优化节点配备的电流信道数量需小于等于与它相邻的优化节点数，以保证满足测量要求，其具体约束条件为：

通过上述优化目标函数和约束条件的配置和计算，能够保证PMU优化模型选取得到的优化节点能够满足不同类型电网的测量要求，保证测量有效。

另，本实施例中PMU装置指的是常规的同步相量测量装置，用于测量电网节点数据。

步骤4：依据各优化节点的PMU数据形成优化特征矩阵。具体地，优化特征矩阵由各优化节点的PMU数据以及各优化节点对应的静态电压稳定裕度组成。

步骤5：采集训练数据，并依据训练数据构建最优预测模型。

所述采集训练数据为：以仿真方式采集训练数据或采集实际PMU数据作为训练数据。

其中，若以仿真方式采集训练数据，如附图2所示，具体的仿真方式包括以下子步骤：

子步骤1：设置仿真次数N，设置k＝1；

子步骤2：随机修改电网各节点的参数；

子步骤3：采用连续潮流计算方法进行判定；若连续潮流在功率极限附近不收敛，则返回执行子步骤2；若连续潮流在功率极限附近收敛，则执行子步骤4；

子步骤4：获取静态电压稳定裕度

子步骤5：提取电网结构参数以及子步骤4中的静态电压稳定裕度组成特征矩阵/>其中，X_k表示PMU装置的测量数据，具体为，提取电网各节点的电压、相位、有功功率、无功功率作为PMU装置的测量数据。

子步骤6：当k＜N时，重新设置k值，令k＝k+1并重新执行子步骤2-6直至k＞N时，输出N组仿真数据。

将输出的N组仿真数据分为测试集和训练集，共同作为训练数据。采用仿真方式，训练数据获取更为便捷快速。

若以采集实际PMU数据作为训练数据，则需要根据PMU优化模型确认的优化节点结果，在优化节点上安装PMU装置，在实际运行的电网的PMU装置上采集N次数据，并采用连续潮流计算法求解对应的电压稳定裕度，将PMU采集数据和对应的电压稳定裕度值作为实际采集的N组训练数据。将实际采集的N组数据分为测试集和训练集，共同作为训练数据。

采集实际PMU数据作为训练数据的方式，其真实性更高。具体地，N值可定义为3000，采用3000组训练数据即可完成训练，相比于现有技术中测试时常采用的N＝10000的数值，本方案所需的数据量大幅减少。由于本方案能够准确确认出必需配置PMU装置的关键节点即优化节点，只在优化节点上配置PMU装置进行数据采集即可提供充分有效的数据内容，PMU装置的安装点位减少，所需要的数据减少，相应地，构建最优预测模型时的计算量会减少，能够节省计算成本，提升模型构建效率。并且，普通采集一万条数据的效果与采用本方案获取三千条数据的效果等同，因为本方案中的三千条数据为优化节点提供的绝对有效数据，能够保证以较少的数据量达到足够的训练效果等。

构建最优预测模型时，将仿真训练数据和实际训练数据输入LightGBM预测模型进行训练，采用十折交叉法获取最优参数，以得到最优预测模型。

步骤6：在优化节点上配置PMU装置，PMU装置采集实际PMU数据。

步骤8：验证预测结果，并剔除异常预测结果。

验证预测结果时，以所有预测结果的平均误差和最大相对误差作为验证评价指标；对于预测结果中的最大相对误差超过20％的预测数据，视为异常预测结果剔除，并补充与该异常预测结果运行方式相同的预测数据参与训练，并更新预测模型。

本实施例提供的一种基于相量测量单元优化配置的静态电压稳定裕度预测方法，从测试的源头出发，优化了参与测试的电网节点数量，通过PMU优化模型选取电网的优化节点，仅对优化节点配置PMU装置，并且由于优化节点为电网中必需配置PMU装置的关键节点，优化节点处得到的PMU数据均为绝对有效数据，故而能够在较少的PMU装置配置条件下完成静态电压稳定裕度的准确预测，测试成本较低，预测效果较好。并且，PMU优化模型可根据不同的电网类型作出相应的调整，模型适配性较好，能够准确选取不同电网的优化节点，工作可靠。

相比于现有技术中需要使用全部电网节点，在电网的所有节点处均安装PMU装置才能完成预测的测试方法，本方案则优化了电网节点选择，克服了现有测试方法存在的应用全部节点而带来的高成本问题，发现了在实际测试中并不是所有电网节点均需配置PMU装置，并对应提出了PMU优化模型以优化电网节点选择，仅提取电网的优化节点进行PMU装置配置，有效降低了测试成本，经济性更好，能够参与实际应用。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims

1.基于相量测量单元优化配置的静态电压稳定裕度预测方法，其特征在于，包括以下步骤：

步骤1：输入电网结构参数；

步骤2：将电网结构参数输入PMU优化模型；

步骤4：依据各优化节点的PMU数据形成优化特征矩阵；

步骤6：在优化节点上配置PMU装置，PMU装置采集实际PMU数据；

步骤7：在最优预测模型中输入实际PMU数据，获得电网电压稳定裕度值的预测结果；

在步骤3中，PMU优化模型获取优化节点时，依据电网结构参数配置优化目标函数和约束函数后再获取优化节点；

所述约束函数包括以下可调约束条件项：可观性约束条件、不可观测深度约束条件、N-1 PMU故障和N-1线路故障约束条件、系统故障可观测性约束条件、注入节点约束条件和通信信道约束条件；

所述优化目标函数包括以下类别：PMU最小目标数量函数、系统测量最大目标冗余度函数、PMU配置的最低目标成本函数和PMU测量信号通道的目标成本函数；

设定电网的总节点数为n，表示节点i是否为优化节点，/>；其中，/>为优化节点集合；A为电网的节点关联矩阵，用于描述节点间的连接关系：/>，表示节点i的相邻域；

所述PMU最小目标数量函数为；所述系统测量最大目标冗余度函数为，其中，/>，/>用来测量冗余度的权重,/>为节点连接的支路数目；≥1，/>∈（1,2）；

所述PMU配置的最低目标成本函数为；其中，/>表征PMU装置的配置成本权重；

所述PMU测量信号通道的目标成本函数为；其中，/>和为电压和电流测量通道的价格，/>表示需要安装电压测量信道的节点。

2.根据权利要求1所述的基于相量测量单元优化配置的静态电压稳定裕度预测方法，其特征在于，在步骤1中，所述电网结构参数包括电网节点数量、电网节点性质和电网拓扑结构。

3.根据权利要求1所述的基于相量测量单元优化配置的静态电压稳定裕度预测方法，其特征在于，在步骤5中，所述采集训练数据为：以仿真方式采集训练数据或采集实际PMU数据作为训练数据。

4.根据权利要求1所述的基于相量测量单元优化配置的静态电压稳定裕度预测方法，其特征在于，在步骤5中，构建最优预测模型时，将训练数据输入LightGBM预测模型进行训练，采用十折交叉法获取最优参数，以得到最优预测模型。

5.根据权利要求4所述的基于相量测量单元优化配置的静态电压稳定裕度预测方法，其特征在于，还包括步骤8：验证预测结果，并剔除异常预测结果。

6.根据权利要求5所述的基于相量测量单元优化配置的静态电压稳定裕度预测方法，其特征在于，在步骤8中，验证预测结果时，以所有预测结果的平均误差和最大相对误差作为验证评价指标；对于预测结果中的最大相对误差超过20%的预测数据，视为异常预测结果剔除，并补充与该异常预测结果运行方式相同的预测数据参与训练，并更新预测模型。