论文部分内容阅读
广域监测系统(WAMS)如今已被广泛应用于电力系统中,而基于WAMS的电力系统暂态稳定分析的研究进行的如火如荼。目前研究方法主要包括时域仿真法、直接法和人工智能法等。由于电力系统大数据的快速发展,基于人工智能的暂态稳定分析方法被看作是最具有前景的方法之一,国内外研究学者提出了多种应用于暂态稳定分析的智能算法(包括人工神经网络、支持向量机、决策树等)以提高预测精度,然而上述算法仍然存在准确率低、可解释性差等问题。针对这些问题,本文主要研究内容包括:1)通过分析电力系统暂态稳定的机理,研究影响暂态稳定性的物理因素,利用电力系统分析综合程序(PSASP)模拟真实电网中相量测量单元(PMU),设置电网中常见的扰动(如短路、断路等),采集电网中发电机的角度、角速度、有功功率、母线电压、电流等数据。2)提出一种基于XGBoost的电力系统暂态稳定预测方法,基于PMU数据构建暂稳特征,并分析特征之间的皮尔逊相关系数以进行特征选择。将上述得到的特征作为模型输入,在电力系统故障切除后及时预测该故障是否会导致系统失稳。基于模型得到特征重要度排序,挖掘出对暂态稳定性影响较大的特征,同时又可以剔除不重要的特征,加快模型训练速度且可以防止过拟合。然后针对电网中发生的某一具体故障,利用XGBoost模型进行预测,结果表明可以达到暂态稳定实时预测的要求,并使用LIME算法对预测结果进行解释,提高了模型的可解释性。3)由于传统的机器学习算法应用于暂态分析中需要基于PMU信息进行人工构建暂稳特征,特征构建的好坏直接影响到预测结果,并且构建特征的过程费时费力。为了解决该问题,提出了基于深度学习的暂态稳定评估,由于深度学习较于传统机器学习有两个优点:一是面对大数据量时,深度学习的拟合能力更强,二是可以自动提取特征。因此分别将卷积神经网络(CNN)和长短期记忆网络(LSTM)应用于电力系统暂态稳定预测中。4)为了进一步解析电网受到的扰动,除了判别扰动是否会导致系统失稳外,又提出基于深度学习的电力系统故障定位。在新英格兰10机39节点系统进行算例分析,该系统中有34条交流线路。基于CNN模型的暂态稳定性预测和故障定位准确率均可达到99%以上。