电力系统参数空间暂态稳定边界构建及在线快速更新方法

田园; 汪可友; 徐晋; 李国杰

doi:10.7500/AEPS20200429002

您当前的位置：

首页 >

文章列表页 >

电力系统参数空间暂态稳定边界构建及在线快速更新方法

学术研究 | 更新时间：2025-06-16

- 电力系统参数空间暂态稳定边界构建及在线快速更新方法
- Construction and Online Fast Update Method for Transient Stability Boundary in Parameter Space of Power System
- 电力系统自动化-方正平台 2021年45卷第9期页码：89-97
- 作者机构：
  
  电力传输与功率变换控制教育部重点实验室（上海交通大学），上海市 200240
- 作者简介：
  
  田园(1990—)，女，博士研究生，主要研究方向：机器学习、暂态稳定评估与控制。E-mail：ty-tina@sjtu.edu.cn
  汪可友(1979—)，男，通信作者，教授，博士生导师，主要研究方向：电力电子化电力系统稳定与控制。E-mail：wangkeyou@sjtu.edu.cn
  徐晋(1991—)，男，博士，主要研究方向：实时仿真与建模。E-mail：xujin20506@qq.com
- 基金信息：
  
  国家自然科学基金资助项目(51877133);中国博士后科学基金面上项目(2020M671122)
- DOI：10.7500/AEPS20200429002
  中图分类号：
- 收稿日期：2020-04-29，
  
  修回日期：2020-08-30，
  
  网络出版日期：2020-11-16，
  
  纸质出版日期：2021-05-10
- 稿件说明：
移动端阅览
田园,汪可友,徐晋等.电力系统参数空间暂态稳定边界构建及在线快速更新方法[J].电力系统自动化,2021,45(9):89-97.

TIAN Yuan,WANG Keyou,XU Jin,et al.Construction and Online Fast Update Method for Transient Stability Boundary in Parameter Space of Power System[J].Automation of Electric Power Systems,2021,45(9):89-97.
田园,汪可友,徐晋等.电力系统参数空间暂态稳定边界构建及在线快速更新方法[J].电力系统自动化,2021,45(9):89-97. DOI： 10.7500/AEPS20200429002.

TIAN Yuan,WANG Keyou,XU Jin,et al.Construction and Online Fast Update Method for Transient Stability Boundary in Parameter Space of Power System[J].Automation of Electric Power Systems,2021,45(9):89-97. DOI： 10.7500/AEPS20200429002.

摘要

为适应在线暂态稳定分析与控制，提出了一种电力系统参数空间中的暂态稳定边界构建及快速更新方法。对于给定的关键故障和既定故障前后的网络拓扑结构，首先，基于横向可扩展的宽度学习系统，构建了极限切除时间与电力系统参数之间的映射关系。为提高实际故障切除时间阈值附近的预测准确率，通过构建二次比例因子对临界误差进行修正。然后，结合预设故障切除时间阈值确定相应暂态稳定边界，并评估当前系统的稳定裕度。最后，在保证暂态稳定评估准确性的基础上，基于增量学习方法提出了无须重新训练全部网络的在线快速更新策略。通过对IEEE 39节点测试系统和中国南方电网实例系统仿真分析发现，所构建模型能够对系统暂态稳定性进行准确评估，并具有良好的泛化性能。同时，快速更新策略可在保证预测准确率的情况下，大幅减少模型更新时间，为在线暂态稳定评估提供了支撑。

Abstract

To adapt to online transient stability analysis and control

this paper proposes a construction and fast update method of transient stability boundary (TSB) in the parameter space of the power system. For the given critical fault and the network topology before and after the given fault

the mapping relationship between the critical clearing time and the power system parameters is constructed based on the horizontally scalable broad learning system. In order to improve the prediction accuracy near the actual fault clearing time threshold

the critical error is corrected by constructing a quadratic scaling factor. Combined with the predefined fault clearing time threshold

the corresponding transient stability boundary is determined

and the stability margin of the current system is evaluated. Finally

on the basis of ensuring the accuracy of transient stability assessment

an online fast update strategy without retraining the entire network is proposed by using the incremental learning method. Through the simulation analysis of the IEEE 39-bus test system and an actual system of China southern power grid

it is found that the constructed model can accurately assess the transient stability of the system and has good generalization performance. Meanwhile

the fast update strategy can greatly reduce the model update time while ensuring the accuracy of the prediction

which provides support for the online transient stability assessment.

关键词

Keywords

references

SAVULESCU S C . Real-time stability assessment in modern power system control centers ［M］. Hoboken ， USA： Wiley ， 2009 .

KAKIMOTO N ， OHNOGI Y ， MATSUDA H ， et al . Transient stability analysis of large-scale power system by Lyapunov’s direct method ［J］. IEEE Transactions on Power Apparatus and Systems ， 1984 ， 103 （ 1 ）： 160 - 167 .

朱乔木，党杰，陈金富，等 . 基于深度置信网络的电力系统暂态稳定评估方法［J］. 中国电机工程学报， 2018 ， 38 （ 3 ）： 735 - 743 .

ZHU Qiaomu ， DANG Jie ， CHEN Jinfu ， et al . A method for power system transient stability assessment based on deep belief networks ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 3 ）： 735 - 743 .

田芳，周孝信，史东宇，等 . 基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4025 - 4031 .

TIAN Fang ， ZHOU Xiaoxin ， SHI Dongyu ， et al . Power system transient stability assessment based on comprehensive convolutional neural network model and steady-state features ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4025 - 4031 .

SUN Kai ， LIKHATE S ， VITTAL V ， et al . An online dynamic security assessment scheme using phasor measurements and decision trees ［J］. IEEE Transactions on Power Systems ， 2007 ， 22 （ 4 ）： 1935 - 1943 .

周艳真，吴俊勇，冀鲁豫，等 . 基于两阶段支持向量机的电力系统暂态稳定预测及预防控制［J］. 中国电机工程学报， 2018 ， 38 （ 1 ）： 137 - 147 .

ZHOU Yanzhen ， WU Junyong ， JI Luyu ， et al . Two-stage support vector machines for transient stability prediction and preventive control of power systems ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 1 ）： 137 - 147 .

CUI H ， ZHANG C ， WANG Q ， et al . Adaptive updating of power system transient stability prediction model based on data inheritance ［C］// 2nd IEEE Conference on Energy Internet and Energy System Integration ， October 20 - 22 ， 2018 ， Beijing， China： 6p .

CHEN C L P ， LIU Z ， FENG S . Universal approximation capability of broad learning system and its structural variations ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2019 ， 30 （ 4 ）： 1191 - 1204 .

PAI M A . Energy function analysis for power system stability ［M］. Boston ， USA： Kluwer ， 1989 .

HISKENS I A ， DAVY R J . Exploring the power flow solution space boundary ［J］. IEEE Transactions on Power Systems ， 2001 ， 16 （ 3 ）： 389 - 395 .

JAYASEKARA B ， ANNAKKAGE U D . Derivation of an accurate polynomial representation of the transient stability boundary ［J］. IEEE Transactions on Power Systems ， 2006 ， 21 （ 4 ）： 1856 - 1863 .

汤奕，崔晗，李峰，等 . 人工智能在电力系统暂态问题中的应用综述［J］. 中国电机工程学报， 2019 ， 39 （ 1 ）： 2 - 13 .

TANG Yi ， CUI Han ， LI Feng ， et al . Review on artificial intelligence in power system transient stability analysis ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 1 ）： 2 - 13 .

李宝琴，吴俊勇，邵美阳，等 . 基于集成深度置信网络的精细化电力系统暂态稳定评估［J］. 电力系统自动化， 2020 ， 44 （ 6 ）： 17 - 26 .

LI Baoqin ， WU Junyong ， SHAO Meiyang ， et al . Refined transient stability evaluation for power system based on ensemble deep belief network ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 6 ）： 17 - 26 .

高昆仑，杨帅，刘思言，等 . 基于一维卷积神经网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2019 ， 43 （ 12 ）： 18 - 26 .

GAO Kunlun ， YANG Shuai ， LIU Siyan ， et al . Transient stability assessment for power system based on one-dimensional convolutional neural network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 12 ）： 18 - 26 .

KATO Y ， IWAMOTO S . Transient stability preventive control for stable operating condition with desired CCT ［J］. IEEE Transactions on Power Systems ， 2002 ， 17 （ 4 ）： 1154 - 1161 .

HUANG Guangbin ， ZHOU Hongming ， DING Xiaojian ， et al . Extreme learning machine for regression and multiclass classification ［J］. IEEE Transactions on Systems ， Man ， and Cybernetics： Part B （Cybernetics）， 2012 ， 42 （ 2 ）： 513 - 529 .

LIANG N Y ， HUANG G B ， SARATCHANDRAN P ， et al . A fast and accurate on-line sequential learning algorithm for feedforward networks ［J］. IEEE Transactions on Neural Networks ， 2006 ， 17 （ 6 ）： 1411 - 1423 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于支持向量机增量学习的电力系统暂态稳定评估

复杂模型下电力系统暂态稳定性量化分析的算例筛选

电网稳定智能判别模型可信度指标体系构建与综合评价方法

基于多尺度图注意力网络的电力系统暂态稳定评估