论文部分内容阅读
随着能源互联网的高速发展,电网的规模、复杂程度以及不确定性与日俱增,传统基于物理建模仿真的分析方法面向新一代电力系统难免有其局限性。广域量测数据、大量的仿真数据和大数据技术、人工智能方法,为从数据驱动的视角分析电力系统的稳定性奠定了数据和方法基础。数据驱动是物理建模方法的有效补充,因此,开展数据驱动与物理建模方法相结合的电力系统静态稳定态势感知方法研究,可为电力系统提供更有价值的技术解决方案。当前,态势感知是实现大电网实时监控的核心环节,其依据电网广域运行状态信息,对能够引起电网状态发生变化的稳定信息进行获取、理解、显示,并预测未来的发展趋势,为实现电网在线安全分析和智能化主动调控奠定基础。本文基于态势感知的分析方法,对电力系统静态场景下的稳定评估、状态预测与可视化展示进行了初步性的探索和研究。论文首先对态势感知与电力系统静态稳定问题如何融合进行了研究,建立了数据驱动视角下的电网静态稳定态势感知分析框架。为了实现电网状态数据与电力系统薄弱环节的映射关系,本文提出一种基于复电压轨迹特征聚类的薄弱环节辨识方法,以节点电压的幅值与相角数据构建集合,将实际电网简化映射为复杂网络模型,并将数学模型与电网物理特征对比融合,以欧式距离作为聚类分区准则,对复电压轨迹的曲率半径进行聚类分析,实现电网薄弱环节的辨识。仿真验证了所提方法的正确性。针对传统静态电压稳定分析方法难以满足精度和速度要求,本文对数据驱动的电力系统静态电压稳定评估问题进行了研究。首先,通过仿真工具沿时间轨迹捕捉不同时间断面上的系统状态数据,筛选出与系统电压稳定性关联度较高的特征属性,采用静态负荷有功功率裕度对数据进行标签分类。然后,应用集成多个决策树的随机森林分类器将原始状态标签数据转化为稳定信息和行为模型,从数据中感知和学习静态电压稳定行为。最后,通过查询随机森林的分类结果,实现对静态电压稳定性的判断。仿真结果表明,该模型可行有效,适用于静态电压稳定态势评估。针对电力系统状态预测问题,本文对数据驱动视角下的复杂电网状态预测进行了研究。首先,介绍了高斯过程回归的预测方法,为考虑实际电网运行状况,构建一个多运行模式集成的连续潮流数据矩阵,通过在时间方向上,引入随机数排序,打乱不同运行模式下的连续潮流,使得状态数据的分布更加具有随机性,依此来模拟电网日常运行的真实状况。仿真表明,本文预测结果与其他智能算法相比,本文算法具有最优结果。针对电力系统静态稳定态势感知可视化开发与设计问题,本文利用百度Sugar环境下的数据可视化设计技术,开发了用于静态稳定态势感知的可视化图形界面,主要包括电网整体安全指标模块、关键节点与线路稳定信息模块、电网稳定曲线模块、静态电压态势评估模块、薄弱环节辨识模块。