基于特征量和卷积神经网络的暂态电压稳定评估

论文摘要

针对目前传统方法无法准确快速判断系统暂态电压稳定性的问题,提出一种基于特征量和卷积神经网络(convolutional neural networks,CNN)的暂态电压稳定评估方法.首先基于传统电压稳定指标分解及响应数据,从原始电气量中进行36维电压稳定构建特征量,将特征量输入卷积神经网络中进行有监督学习,最后将训练所得到的模型应用于电力系统暂态稳定评估中.利用新英格兰10机39节点标准算例对电网进行了仿真,结果表明该方法具有错误率低、精确率高、测试时间短的特点,能够准确快速判断出系统的暂态电压失稳,提高了电力系统的稳定性.

论文目录

• 1 基于传统指标分解及响应数据的电压稳定特征量构建
•   1) 特征量1:故障前发电机无功之和为
•   2) 特征量2、3:故障前节点的有功和无功之和为
•   3) 特征量4、5:故障前各支路有功和无功之和为
•   4) 特征量6～8:故障前节点电压最大值、最小值和均值为
•   5) 特征量9～11:故障前支路电流的最大值、最小值、方差为
•   6) 特征量12～14:t0故障发生时刻支路电流变化率的最大值、最小值、方差为
•   7) 特征量15～17:t0故障发生时刻节点电压变化率的最大值、最小值、方差为
•   8) 特征量18～20:t1故障切除时刻发电机无功加速的最大值、均值和方差为
•   9) 特征量21～23:t1故障切除时刻支路电流最大值、最小值、方差为
•   10) 特征量24～26:t1故障切除时刻节点电压变化率的最大值、最小值、方差为
•   11)特征量27～29：从t0到t1时刻系统各发电机无功变化的最大值、均值及方差为
•   12)特征量30～31：从t0到t1时刻各节点电压相角变化量的最大值、均值与方差为
•   13) 特征量33～34:从t0到t1时刻支路有功和无功变化量之和为
•   14) 特征量35～36:从t0到t1时刻节点有功和无功之和变化量为
• 2 卷积神经网络
•   2.1 卷积层
•   2.2 采样层
•   2.3 全连接层
•   2.4 输出层
• 3 基于特征量和卷积神经网络的暂态电压稳定评估流程
•   3.1 构建输入特征集合
•   3.2 在线构建特征量
•   3.3 基于特征量和CNN的暂态电压稳定评估
•   3.4 评价指标计算
• 4 仿真分析
•   4.1 CNN训练网络参数
•   4.2 CNN仿真分析
• 5 结论

文章来源

类型: 期刊论文

作者: 来文青,龚庆武,高春辉,刘会斌,刘卫明,吴留闯,刘旭,王波,乔卉

关键词: 暂态电压稳定,电力系统暂态稳定评估,特征量,卷积神经网络,错误率

来源: 武汉大学学报(工学版) 2019年09期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业,自动化技术

单位: 国网内蒙古东部电力有限公司,武汉大学电气与自动化学院,国网内蒙古东部电力有限公司电力科学研究院

基金: 国家电网公司科技项目(编号:SGMDDK00DJJS1700073)

分类号: TM712;TP183

DOI: 10.14188/j.1671-8844.2019-09-010

页码: 815-823+835

总页数: 10

文件大小: 2115K

下载量: 291