Deep Learning Based Fast Automatic Adjustment Method for Cross-section Power of Bulk Power Grid

GONG Chengxiao; LI Yansong; LIU Jun; HUANG Yanhao; CHEN Xinglei; WEN Jing

doi:10.7500/AEPS20220111003

您当前的位置：

首页 >

文章列表页 >

Deep Learning Based Fast Automatic Adjustment Method for Cross-section Power of Bulk Power Grid

Engineering Application | 更新时间：2025-06-16

- Deep Learning Based Fast Automatic Adjustment Method for Cross-section Power of Bulk Power Grid
- Automation of Electric Power Systems Vol. 47, Issue 2, Pages: 181-190(2023)
- 作者机构：
  
  1.华北电力大学电气与电子工程学院，北京市 102206
  2.中国电力科学研究院有限公司，北京市 100192
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(U1866602)
- DOI：10.7500/AEPS20220111003
  CLC：
- Received：11 January 2022，
  
  Revised：2022-03-23，
  
  Published Online：18 July 2022，
  
  Published：25 January 2023
- 稿件说明：
移动端阅览
龚承霄,李岩松,刘君等.基于深度学习的大电网断面功率快速自动调整方法[J].电力系统自动化,2023,47(2):181-190.

GONG Chengxiao,LI Yansong,LIU Jun,et al.Deep Learning Based Fast Automatic Adjustment Method for Cross-section Power of Bulk Power Grid[J].Automation of Electric Power Systems,2023,47(2):181-190.
龚承霄,李岩松,刘君等.基于深度学习的大电网断面功率快速自动调整方法[J].电力系统自动化,2023,47(2):181-190. DOI： 10.7500/AEPS20220111003.

GONG Chengxiao,LI Yansong,LIU Jun,et al.Deep Learning Based Fast Automatic Adjustment Method for Cross-section Power of Bulk Power Grid[J].Automation of Electric Power Systems,2023,47(2):181-190. DOI： 10.7500/AEPS20220111003.

摘要

由于复杂大电网关键输电断面的功率调整工作量大、重复性高，计算速度难以满足在线辅助决策需求。基于深度学习理论，提出了一种对断面功率调整数据进行特征自学习进而实现大电网断面功率快速自动调整的方法。首先，采用反向等量配对法模拟人工调整操作，构建深度学习所需的海量数据集。然后，在机组灵敏度、调整量等约束条件下筛选出复杂大电网中参与功率调整的有效机组集合。在此基础上，以决定系数为指标构建最优回归模型准确预测出机组出力调整值，从而实现了断面功率的快速自动调整。最后，以中国某实际区域大电网的省间断面功率调整为例对所提方法进行验证。仿真结果表明，最优模型的决定系数和断面功率调整成功率均较为理想，大大缩短了断面功率调整时间，且调整效率不受系统运行方式和断面实际功率与目标功率差值的影响。

Abstract

Due to the heavy workload and high repeatability of power adjustment for key transmission cross-sections of complex bulk power grids

the computational speed is difficult to meet the requirements of online assistant decision-making. Based on the deep learning theory

a method is proposed to perform feature self-learning on the cross-section power adjustment data to realize the fast automatic adjustment of the cross-section power of bulk power grids. First

the reverse equivalent matching method is used to simulate the manual adjustment operation

and the massive data set required by deep learning is constructed. Then

under the constraints of unit sensitivity and adjustment amount

the effective set of units participating in the power adjustment in the complex bulk power grid is selected. On this basis

an optimal regression model is built with the determination coefficient as the index to accurately predict the output value of the adjusting unit

thereby realizing the fast automatic adjustment of the cross-section power. Finally

the proposed method is validated by taking the inter-provincial cross-section power adjustment in a practical regional bulk power grid in China an example. Simulation results show that the determination coefficient of the optimal model and the success rate of the cross-section power adjustment are both relatively ideal

which greatly shortens the cross-section power adjustment time

and the adjustment efficiency is not affected by the system operation mode and the difference between the actual cross-section power and the target power.

关键词

Keywords

references

DU E ， ZHANG N ， HODGE B M ， et al . The role of concentrating solar power toward high renewable energy penetrated power systems ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 6 ）： 6630 - 6641 .

李建，庞晓艳，李旻，等 . 省级电网在线安全稳定预警及决策支持系统研究与应用［J］. 电力系统自动化， 2008 ， 32 （ 22 ）： 97 - 102 .

LI Jian ， PANG Xiaoyan ， LI Min ， et al . Research and application of online security pre-warning and decision-making support system for provincial power grid ［J］. Automation of Electric Power Systems ， 2008 ， 32 （ 22 ）： 97 - 102 .

WANG Y ， ZHANG N ， KANG C Q ， et al . An efficient approach to power system uncertainty analysis with high-dimensional dependencies ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 3 ）： 2984 - 2994 .

莫琦，程哲，赵旋宇，等 . 网省间输电断面的实时协调监控［J］. 南方电网技术， 2015 ， 9 （ 1 ）： 78 - 82 .

MO Qi ， CHENG Zhe ， ZHAO Xuanyu ， et al . Real-time coordination control of transmission sections between provincial and regional dispatching areas ［J］. Southern Power System Technology ， 2015 ， 9 （ 1 ）： 78 - 82 .

石正，许寅，吴翔宇，等 . 交直流混联电网系统保护策略校核与辅助决策方法［J］. 电力自动化设备， 2020 ， 40 （ 4 ）： 25 - 31 .

SHI Zheng ， XU Yin ， WU Xiangyu ， et al . Assessment of system protection strategy and aided decision scheme for AC/DC hybrid power systems ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 4 ）： 25 - 31 .

BHASKAR M A ， JIMOH A A . Available transfer capability calculation using PTDF and implementation of optimal power flow in power markets ［C］// 2016 IEEE International Conference on Renewable Energy Research and Applications ， November 20-23 ， 2016 ， Birmingham， UK ： 219 - 223 .

刘阳，夏添，汪旸 . 区域电网内多输电断面有功协同控制策略在线生成方法［J］. 电力自动化设备， 2020 ， 40 （ 7 ）： 204 - 210 .

LIU Yang ， XIA Tian ， WANG Yang . On-line generation method of active power coordinated control strategy for multiple transmission sections in regional power grid ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 7 ）： 204 - 210 .

颜文丽 . 电力网络输电断面线路辨识及有功潮流越限消除方法研究［D］. 长春：吉林大学， 2021 .

YAN Wenli . Research on line identification and elimination methods of active power flow over-limit of transmission sections in power network ［D］. Changchun ： Jilin University ， 2021 .

杨松浩，苏福，张保会 . 计及暂态稳定约束的断面功率调整方法研究［J］. 中国电机工程学报， 2018 ， 38 （ 9 ）： 2531 - 2539 .

YANG Songhao ， SU Fu ， ZHANG Baohui . Study on transient stability constrained transmission section active power flow adjustment method ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 9 ）： 2531 - 2539 .

刘阳，鄢发齐，汪旸，等 . 热稳定薄弱断面搜索及限额制定的在线算法［J］. 电力系统自动化， 2020 ， 44 （ 21 ）： 156 - 164 .

LIU Yang ， YAN Faqi ， WANG Yang ， et al . Online algorithm for searching and limit setting of thermal-stability weak section ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 21 ）： 156 - 164 .

甘德树，冯伯庚，蒋芳玉，等 . 基于功率灵敏度分析的断面潮流安全控制方法［J］. 陕西电力， 2017 ， 45 （ 1 ）： 82 - 85 .

GAN Deshu ， FENG Bogeng ， JIANG Fangyu ， et al . Security control method for interface power flow based on power sensitivity analysis ［J］. Shaanxi Electric Power ， 2017 ， 45 （ 1 ）： 82 - 85 .

张虹，景欣，阮梦宇，等 . 基于知识图谱的交直流大电网断面越限处置策略快速生成方法［J］. 现代电力， 2021 ， 38 （ 4 ）： 455 - 464 .

ZHANG Hong ， JING Xin ， RUAN Mengyu ， et al . A method of fast eliminating transmission section overload based on knowledge graph in large-scale AC-DC power grids ［J］. Modern Electric Power ， 2021 ， 38 （ 4 ）： 455 - 464 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 191 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 191 .

赵晋泉，夏雪，徐春雷，等 . 新一代人工智能技术在电力系统调度运行中的应用评述［J］. 电力系统自动化， 2020 ， 44 （ 24 ）： 1 - 10 .

ZHAO Jinquan ， XIA Xue ， XU Chunlei ， et al . Review on application of new generation artificial intelligence technology in power system dispatching and operation ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 24 ）： 1 - 10 .

徐正清，肖艳炜，李群山，等 . 基于灵敏度及粒子群算法的输电断面功率越限控制方法对比研究［J］. 电力系统保护与控制， 2020 ， 48 （ 15 ）： 177 - 186 .

XU Zhengqing ， XIAO Yanwei ， LI Qunshan ， et al . Comparative study based on sensitivity and particle swarm optimization algorithm for power flow over-limit control method of transmission section ［J］. Power System Protection and Control ， 2020 ， 48 （ 15 ）： 177 - 186 .

XU H T ， YU Z H ， ZHENG Q P ， et al . Deep reinforcement learning-based tie-line power adjustment method for power system operation state calculation ［J］. IEEE Access ， 2019 ， 7 （ 10 ）： 156160 - 156174 .

张金龙，鲍颜红，黄磊，等 . 输电断面热稳定功率极限区间在线识别方法［J］. 电力系统自动化， 2020 ， 44 （ 14 ）： 79 - 85 .

ZHANG Jinlong ， BAO Yanhong ， HUANG Lei ， et al . On-line identification method for thermally stable power limit interval of transmission section ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 14 ）： 79 - 85 .

ZHANG J L ， ZHUANG Y R ， JI H Y ， et al . Pig weight and body size estimation using a multiple output regression convolutional neural network： a fast and fully automatic method ［J］. Sensors ， 2021 ， 21 （ 9 ）： 3218 .

万灿，宋永华 . 新能源电力系统概率预测理论与方法及其应用［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 2 - 16 .

WAN Can ， SONG Yonghua . Theories， methodologies and applications of probabilistic forecasting for power systems with renewable energy sources ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 2 - 16 .

徐舒玮，邱才明，张东霞，等 . 基于深度学习的输电线路故障类型辨识［J］. 中国电机工程学报， 2019 ， 39 （ 1 ）： 65 - 74 .

XU Shuwei ， QIU Caiming ， ZHANG Dongxia ， et al . A deep learning approach for fault type identification of transmission line ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 1 ）： 65 - 74 .

陈锦鹏，胡志坚，陈纬楠，等 . 二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 13 ）： 85 - 94 .

CHEN Jinpeng ， HU Zhijian ， CHEN Weinan ， et al . Load prediction of integrated energy system based on combination of quadratic modal decomposition and deep bidirectional long short-term memory and multiple linear regression ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 13 ）： 85 - 94 .

KINDZERSKE M D ， NI D H . Composite nearest neighbor nonparametric regression to improve traffic prediction ［J］. Transportation Research Record： Journal of the Transportation Research Board ， 2007 ， 1993 （ 1 ）： 30 - 35 .

SMITH P F ， GANESH S ， LIU P . A comparison of random forest regression and multiple linear regression for prediction in neuroscience ［J］. Journal of Neuroscience Methods ， 2013 ， 220 （ 1 ）： 85 - 91 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Probabilistic Prediction Method for Interpretable Net Load Based on Kolmogorov-Arnold Network

Log Abnormity Detection for Distribution Master Station Based on Large Language Models

Fault Location for Active Distribution Network with High Penetration Rate Based on Improved Spatio-Temporal Graph Neural Network

Transient Stability Assessment of Power Systems Based on Multi-scale Graph Attention Network

Related Author

Chengxiao GONG

Yansong LI

Jun LIU

Yanhao HUANG

Xinglei CHEN

Jing WEN

LIU Dong

GUO Guodong

Related Institution

State Grid Economic and Technological Research Institute Co., Ltd.

State Grid Corporation of China

State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University)

School of Control and Computer Engineering, North China Electric Power University

Nanjing NARI Information and Communication Technology Co., Ltd.

⁰