本發(fā)明涉及電力系統(tǒng)穩(wěn)定控制的，尤其涉及一種電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法及系統(tǒng)。

背景技術(shù)：

1、隨著電力系統(tǒng)規(guī)模的不斷增加，新能源的大規(guī)模接入，電力系統(tǒng)的供需平衡面臨嚴(yán)峻挑戰(zhàn)，電力系統(tǒng)運(yùn)行越來越接近其穩(wěn)定極限。自上世紀(jì)70年代以來，由電壓崩潰引起的大停電事故頻繁發(fā)生，嚴(yán)重威脅電力系統(tǒng)安全穩(wěn)定運(yùn)行。電力系統(tǒng)靜態(tài)電壓穩(wěn)定分析常用方法包括靈敏度法、p-v曲線和q-v曲線法、連續(xù)潮流法、l指標(biāo)以及特征結(jié)構(gòu)分析等，基于物理模型的分析方法，其有效性受建模精度、系統(tǒng)規(guī)模的影響較大。同時隨著新能源的大規(guī)模廣泛接入，基于確定性物理模型的分析難以適應(yīng)電力系統(tǒng)運(yùn)行狀態(tài)的隨機(jī)變化。

2、當(dāng)前，大數(shù)據(jù)、人工智能技術(shù)的迅猛發(fā)展，基于深度學(xué)習(xí)方法的電力系統(tǒng)穩(wěn)定性分析受到廣泛關(guān)注。該方法不再受限于研究目標(biāo)的差異，適用于各種復(fù)雜的電力系統(tǒng)運(yùn)行場景，可表征電力系統(tǒng)復(fù)雜的時序、空間耦合規(guī)律，是研究和揭示新型電力系統(tǒng)運(yùn)行行為的重要途徑。然而由于實(shí)際電力系統(tǒng)規(guī)模龐大，節(jié)點(diǎn)數(shù)量通常是成千上萬個，導(dǎo)致歷史數(shù)據(jù)集的維度呈指數(shù)增長。處理如此大規(guī)模的數(shù)據(jù)集會增加計(jì)算和存儲的成本，并且會使深度學(xué)習(xí)模型變得異常復(fù)雜。此外，并非所有變量對電壓穩(wěn)定性的影響都是同等的，選擇重要特征變量即可節(jié)約量測成本，也可提高深度學(xué)習(xí)模型的計(jì)算效率。因此，有必要在電力系統(tǒng)的運(yùn)行變量中篩選出關(guān)鍵因素，利用關(guān)鍵因素，結(jié)合深度學(xué)習(xí)模型方法，預(yù)測電力系統(tǒng)的電壓穩(wěn)定裕度。

技術(shù)實(shí)現(xiàn)思路

1、本部分的目的在于概述本發(fā)明的實(shí)施例的一些方面以及簡要介紹一些較佳實(shí)施例。在本部分以及本技術(shù)的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

2、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

3、因此，本發(fā)明提供了一種電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法及系統(tǒng)解決現(xiàn)有的評估方法無法在海量量測數(shù)據(jù)中合理地選擇輸入信號以及充分挖掘底層數(shù)據(jù)的特征,制約了模型的評估性能的問題。

4、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

5、第一方面，本發(fā)明實(shí)施例提供了一種電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法，包括：獲取電力系統(tǒng)中新能源場站和負(fù)荷運(yùn)行區(qū)間生成的運(yùn)行場景數(shù)據(jù)，并計(jì)算各運(yùn)行場景下的最小模特征值，建立第一數(shù)據(jù)集；

6、計(jì)算新能源發(fā)電功率和負(fù)荷功率與最小模特征值的因果強(qiáng)度，根據(jù)所述因果強(qiáng)度進(jìn)行特征篩選形成關(guān)鍵特征變量；

7、以所述關(guān)鍵特征變量作為輸入，最小模特征值作為輸出，建立將注意力機(jī)制融入逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)的預(yù)測模型；

8、基于所述預(yù)測模型對電力系統(tǒng)靜態(tài)電壓穩(wěn)定性進(jìn)行預(yù)測評估。

9、作為本發(fā)明所述的電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法的一種優(yōu)選方案，其中：所述第一數(shù)據(jù)集包括：基于所述運(yùn)行場景數(shù)據(jù)建立的包含{新能源發(fā)電功率，負(fù)荷功率，最小模特征值}的數(shù)據(jù)集，所述數(shù)據(jù)集按比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。

10、作為本發(fā)明所述的電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法的一種優(yōu)選方案，其中：計(jì)算各運(yùn)行場景下的最小模特征值包括：設(shè)定新能源場站和負(fù)荷的有功出力波動范圍，在所述波動范圍內(nèi)隨機(jī)生成多組運(yùn)行工況，選取去除功率不平衡場景后若干組工況，將電力系統(tǒng)潮流方程線性化，計(jì)算最小模特征值表示為：

11、

12、其中，δps和δqs分別為節(jié)點(diǎn)有功功率和無功功率的偏差量，δv和δθ分別為節(jié)點(diǎn)電壓幅值和相角的偏差量，h、n、m和l分別為雅可比矩陣js的子矩陣；

13、設(shè)收斂潮流方程的雅可比矩陣js具有非零且相異的特征值λ1,λ2,…,λn，將模值最小的特征根作為最小模特征值λmin，選擇最小模特征值λmin作為電壓穩(wěn)定裕度指標(biāo)。

14、作為本發(fā)明所述的電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法的一種優(yōu)選方案，其中：計(jì)算新能源發(fā)電功率和負(fù)荷功率與最小模特征值的因果強(qiáng)度，根據(jù)因果強(qiáng)度進(jìn)行特征篩選形成關(guān)鍵特征變量包括：將新能源發(fā)電功率或負(fù)荷功率作為第一序列，將最小模特征值作為第二序列；

15、將第一序列和第二序列分解為兩組本征模態(tài)函數(shù)分量，并計(jì)算每對本征模態(tài)函數(shù)分量之間的瞬時相位相關(guān)度表示為：

16、

17、其中，為第j對本征模態(tài)函數(shù)分量在t時刻的相位差，a為第一序列，b為第二序列；

18、依次去除每個模態(tài)子分量imf并重新分解，在給定的時間序列中去除一個imf后，對其重新分解生成一組新的本征模態(tài)函數(shù)分量imfb’，并重新計(jì)算原始imfsa和重新分解的imfs?b’之間的瞬時相位相關(guān)度coh(saj,s′bj)。

19、作為本發(fā)明所述的電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法的一種優(yōu)選方案，其中：還包括：采用coh(saj,sb′j)的方差加權(quán)歐氏距離確定第一序列對第二序列的絕對因果強(qiáng)度d(saj→sbj)表示為：

20、

21、

22、

23、其中，wj為權(quán)重，varaj為第一序列第j個模態(tài)子分量的方差；

24、若則第一序列對第二序列存在正向因果效應(yīng)，當(dāng)越大時，因果越強(qiáng)；

25、若則第二序列對第一序列存在反向因果效應(yīng)，當(dāng)越大時，因果越強(qiáng)。

26、作為本發(fā)明所述的電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法的一種優(yōu)選方案，其中：建立將注意力機(jī)制融入逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)的預(yù)測模型包括：逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)包含殘差支路、逆向特征增強(qiáng)支路以及時間卷積支路，且逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)的學(xué)習(xí)器采用adam梯度下降算法；

27、逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)的輸出層前嵌入多頭注意力機(jī)制層，分配不同權(quán)重獲取輸入信息；

28、將所述關(guān)鍵特征變量作為輸入，將最小模特征值作為輸出，基于訓(xùn)練集和驗(yàn)證集數(shù)據(jù)進(jìn)行訓(xùn)練，得到權(quán)重參數(shù)配置最優(yōu)的預(yù)測模型預(yù)測最小模特征值。

29、第二方面，本發(fā)明提供了一種電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估系統(tǒng)，包括：

30、數(shù)據(jù)生成模塊，用于獲取電力系統(tǒng)中新能源場站和負(fù)荷運(yùn)行區(qū)間生成的運(yùn)行場景數(shù)據(jù)，并計(jì)算各運(yùn)行場景下的最小模特征值，建立第一數(shù)據(jù)集；

31、關(guān)鍵變量篩選模塊，用于計(jì)算新能源發(fā)電功率和負(fù)荷功率與最小模特征值的因果強(qiáng)度，根據(jù)所述因果強(qiáng)度進(jìn)行特征篩選形成關(guān)鍵特征變量；

32、建模模塊，用于以所述關(guān)鍵特征變量作為輸入，最小模特征值作為輸出，建立將注意力機(jī)制融入逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)的預(yù)測模型；

33、預(yù)測模塊，用于基于所述預(yù)測模型對電力系統(tǒng)靜態(tài)電壓穩(wěn)定性進(jìn)行預(yù)測評估。

34、作為本發(fā)明所述的電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估系統(tǒng)的一種優(yōu)選方案，其中：所述建模模塊包括：

35、逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)包含殘差支路、逆向特征增強(qiáng)支路以及時間卷積支路，且逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)的學(xué)習(xí)器采用adam梯度下降算法；

36、逆向特征增強(qiáng)時間卷積網(wǎng)絡(luò)的輸出層前嵌入多頭注意力機(jī)制層，分配不同權(quán)重獲取輸入信息；

37、將所述關(guān)鍵特征變量作為輸入，將最小模特征值作為輸出，基于訓(xùn)練集和驗(yàn)證集數(shù)據(jù)進(jìn)行訓(xùn)練，得到權(quán)重參數(shù)配置最優(yōu)的預(yù)測模型預(yù)測最小模特征值。

38、第三方面，本發(fā)明提供了一種計(jì)算設(shè)備，包括：

39、存儲器和處理器；

40、所述存儲器用于存儲計(jì)算機(jī)可執(zhí)行指令，所述處理器用于執(zhí)行所述計(jì)算機(jī)可執(zhí)行指令，該計(jì)算機(jī)可執(zhí)行指令被處理器執(zhí)行時實(shí)現(xiàn)所述電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法的步驟。

41、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其存儲有計(jì)算機(jī)可執(zhí)行指令，該計(jì)算機(jī)可執(zhí)行指令被處理器執(zhí)行時實(shí)現(xiàn)所述電力系統(tǒng)靜態(tài)電壓穩(wěn)定評估方法的步驟。

42、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：本發(fā)明在不需要掌握系統(tǒng)拓?fù)洹⒕€路參數(shù)的情況下，僅依靠有限的系統(tǒng)歷史運(yùn)行數(shù)據(jù)，就能夠有效捕捉影響電壓穩(wěn)定的關(guān)鍵因素，量化因果程度，根據(jù)因果強(qiáng)度縮減原始特征集，形成關(guān)鍵特征子集，降低模型訓(xùn)練難度，提高計(jì)算效率。通過構(gòu)建逆向特征增強(qiáng)的時間卷積模型，構(gòu)建逆向特征提取支路能夠提升數(shù)據(jù)的利用率，增加多頭注意力機(jī)制自動且有選擇性地關(guān)注高維特征中的關(guān)鍵信息，通過訓(xùn)練獲得輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的映射關(guān)系，能夠快速準(zhǔn)確地實(shí)現(xiàn)靜態(tài)電壓穩(wěn)定評估。