基于模式识别的电力系统暂态稳定评估综述

引言

暂态稳定评估(TSA）是指评估当电力系统发生大的扰动后,系统中的各个发电机能否保持同步运行的能力,该问题一直是关乎电力系统安全运行的关键问题。目前研究方法可大致分为三类:时域仿真法、直接法和基于模式识别的TSA(PRTSA）法。仿真法的优点是数学模型详尽,能提供状态变量随时间的响应,准确可靠:但其计算结果依赖于系统模型、参数的准确性,且计算量大,难以满足大系统在线应用的速度要求。直接法计算速度较快,可提供稳定裕度:但缺点是能量函数构造困难,计算结果保守、可靠性较差。与前两种方法不同,PRTSA通过对大量具有代表性的训练样本进行训练学习,获得反映系统稳定特性的稳定评估知识,然后基于所获知识对系统稳定水平进行在线判别。PRTSA方法的学习能力强、评估效率高,因而有着良好的应用前景。

1基于模式识别的暂态稳定评估

1.1特征选择

特征选择是PRTSA的首要工作,该问题属于典型的组合优化问题。文献提出了一种基于神经网络的暂态稳定评估方法,并且采用FiSher判别法对输入特征进行了选择。文献提出了一种基于支持向量机的两阶段特征选择方法。文献提出了一种基于改进最大相关最小冗余判据的TSA特征选择方法。文献提出了一种基于核模糊粗糙集和Memetic算法的TSA特征选择方法,并在实际系统进行了仿真验证。

1.2模型构建

在分类问题中,合理的评估模型是确保复杂性与推广性二者间恰当平衡的关键,可避免"欠学习"或"过学习"等问题,提升模型的分类性能。文献提出了一种基于决策树的TSA模型。文献首次将人工神经网络用于构建暂态稳定评估模型。文献提出了一种基于细菌群体趋药性(BCC）算法优化局部学习机的评估模型。文献利用同步相量数据,提出了一种基于贝叶斯多核学习的TSA评估方法。文献提出了一种基于极限学习机(ELM）的评估模型。文献基于支持向量机理论,提出了一种适用于大规模电力系统的TSA模型。文献提出了一种多特征融合的TSA方法。文献提出了一种基于优化极限学习机的TSA方法,并采用改进粒子群算法优化评估模型的参数。

1.3在线学习

考虑到在实际应用中训练样本无法覆盖系统的所有运行工况,加之运行方式的时变性,因此借助离线仿真训练所得到的评估模型对于在线评估不具备良好的适用性。为此,研究评估模型的在线学习能力具有重要意义。文献的研究表明,在线SVR是一种有效的求解电力系统超短期负荷预测的在线学习算法:进而文献提出了一种基于SVM增量学习的TSA方法。文献提出了一种基于在线序贯极限学习机(oS-ELM）的TSA模型,增强了模型的在线学习能力。文献提出了一种基于集成oS-ELM的评估模型,该模型采用oS-ELM作为弱分类器,并用在线BooSting算法提升模型的分类性能,从而实现模型的在线更新。文献采用集成oS-ELM构建TSA评估模型,并采用二进制Jaya算法选取最优特征子集。

1.4规则提取

规则提取是"黑箱型"机器学习系统的重要问题,目的是将学习机中所学到的知识以一种易于理解的方式表达出来。文献提出了一种基于线性决策树的暂态稳定规则提取方法,但评估结果对样本构成敏感,而且决策知识的外延能力和鲁棒性较差。文献提出了一种基于ELM和改进蚂蚁矿工算法的TSA规则提取方法,该研究对提升PRTSA方法的可理解性、解释性具有重要研究价值。

2待研究的问题

2.1新能源接入的影响

近年来,分布式电源在电力系统的接入比例日益增大,特别是微电网作为新能源接入的重要形式在电网中得到了大力推广。文献考虑负荷和可再生发电的不确定性,研究了含储能孤立微网的最优调度。文献提出采用实时定价来协调多利益主体场景下电动汽车换电站和微电网间的协调调度问题。文献提出了基于改进蚁群算法的微电网多目标优化调度。然而,新能源作为一种清洁能源,本身具有较强的不确定性,同时热电联产的接入又增加了问题的复杂性,这些对分析电力系统的暂态稳定性提出了新的挑战。因此,考虑大规模新能源接入的电力系统TSA是值得深入研究的新课题。

2.2含VSC-HVDC系统的稳定评估

作为新一代直流输电技术,柔性直流输电(VSC-HVDC）凭借灵活、快速的调节能力,受到了研究人员的广泛关注。文献考虑经济性和环境因素提出了含VSC-HVDC系统的多目标最优潮流(MoPF）。文献采用NSGA-II优化MoPF模型,进而采用决策分析确定最优折中解。文献提出了融合决策分析到优化过程的两阶段交直流系统MoPF方法。文献含VSC-HVDC系统的控制孤岛问题的研究,表明通过柔直线路进行孤岛间功率交换可降低源-荷不平衡。文献对于采用VSC-HVDC向无源网络供电进行了仿真研究。但迄今,含VSC-HVDC系统稳定评估的相关研究仍鲜有报道,亟待深入研究。

3结语

快速、准确的暂态稳定分析是保障电网安全运行的重要问题,因此,对这一问题进行全面、深入研究具有重要意义。本文从特征选择、模型构建、在线学习和规则提取等四个方面对基于模式识别的TSA方法进行了归纳和梳理,并对待研究的问题展开了探讨。