1、基于静态信息的在线暂态稳定评估及预防控制 何楚瑶 管霖 莫维科 陈亦平 广州供电局有限公司 华南理工大学电力学院 中国南方电网电力调度控制中心 摘 要： 针对目前暂态稳定评估与预防控制的在线实用性和快速性不足等问题, 提出了一种基于静态信息的在线暂态稳定评估及预防控制方法。首先, 利用大量的预想事故时域仿真样本建立电网运行方式、拓扑结构等静态信息与暂态稳定水平的关系, 采用最短路的主导失稳机群辨识方法来识别电网暂态失稳模式和划分机群, 并基于主导失稳机群和网络拓扑选取暂态稳定评估特征量;然后, 推证出临界切除时间 (critical cut time, CCT) 与主导失稳机群有功出力的近似线
2、性关系, 通过调整在 CCT 的主导失稳机群有功出力至足够大, 从而规避电网失稳风险;最后, 通过 IEEE 10 机 39 节点系统和南方电网系统仿真, 验证了该方法的合理性和有效性。关键词： 暂态稳定评估; 预防控制; 模式匹配; 主导失稳机群; 电网拓扑; 作者简介：何楚瑶 (1992) , 女, 广东佛山人。工学硕士, 研究方向为电力系统稳定与控制。作者简介：管霖 (1970) , 女, 湖北孝感人。教授, 工学博士, 研究方向为电力系统可靠性、电力系统安全稳定分析、人工智能技术及其在电力系统中的应用。作者简介：莫维科 (1992) , 男, 广东广州人。在读博士研究生, 主要研究方向
3、为电力系统稳定与控制。收稿日期：2016-06-05基金：国家高技术研究发展计划资助项目 (2012AA050209) nline Transient Stability Assessment and Prevention Control Based on Static InformationHE Chuyao GUAN Lin MO Weike CHEN Yiping Guangzhou Power Supply Bureau Co., Ltd.; School of Electric Power, South China University of Technology; CSG Powe
4、r Dispatching and Control Center; Abstract： In allusion to insufficiencies of online practicability and rapidity of current transient stability assessment ( TSA) and prevention control, this paper presents a method for online TSA and prevention control based on static information.This method firstly
5、 uses a great deal of contingency time domain simulation samples to establish relationship between static information such as power grid operation mode and topology structure and transient stability level. It adopts the shortest path dominant instability generator group ( DIGG) identification method
6、 to recognize transient instability mode of the pow-er grid and divide generator group as well as select characteristic quantity of transient stability evaluation based on DIGG and network topology. Then it deduces approximate linear relationship between critical cut time ( CCT) and active output of
7、 DIGG, and by adjusting the active output of DIGG at CCT point to be large enough, it can avoid instability risk of the power grid. Finally, by simulation on IEEE 10-generator and 39-node system and CSG system, it verifies reasonability and effectiveness of this method.Keyword： transient stability a
8、ssessment; prevention control; pattern matching; dominant instability generator group; power grid topology; Received： 2016-06-05在电力系统运行中, 日运行方式编制人员根据历史数据、历史经验和仿真计算确定该运行方式下电网的极限控制要求;调度员在调度执行中根据极限控制要求执行和修改发、送、受电计划, 并认为当系统运行在极限控制要求之外则失稳。然而, 受电源非计划检修、负荷预测偏差和线路故障等不确定性因素的影响, 系统实际运行方式和电网结构跟日运行方式安排有很大的区别, 此
9、时日运行方式安排的极限控制要求将不再适应当前的极限控制要求1。目前电网调度中心每天针对运行方式的变化不断地进行在线和离线稳定评估, 这些评估结果实际上已经为研究运行方式与稳定水平的关系提供了大量的样本, 而广域相位测量单元 (phasor measurement unit, PM U) 的加入也使得电网状态的可观测性不断增强。因此, 近年来国内外对于基于人工智能技术的暂态稳定评估方法开展了大量的研究并形成基本的算法框架2, 研究主要集中在控制器的设计 (主要是输入特征的提取) 以及各种人工智能算法的应用。在输入特征量的选择方面, 为了减少输入特征的数量, 多数暂态稳定评估方法利用扰动后一段时间
10、内系统的动态响应构造输入特征, 如扰动后发电机端电压幅值、发电机绝对功角及发电机角速度等。综合来看, 现有的研究并没有脱离基于动态信息的稳定识别框架, 没有将评估输入特征前移到可观测的稳态运行信息环节, 不能体现出暂态稳定评估相对于能量函数法和时域仿真法的技术优势, 更重要的是不能为预防控制提供决策支持。本文应用模式匹配技术, 结合稳定机理分析, 研究电网运行方式和拓扑结构等静态信息与暂态稳定水平的关系, 提出一种不依靠稳定仿真直接基于电网结构和运行方式等静态信息的在线暂态稳定评估及预防控制方法。该方法首先充分利用大量预想事故的时域仿真样本建立样本库;然后采用最短路主导失稳机群辨识方法识别电网
11、暂态失稳模式和机群划分, 围绕主导失稳机群提出由稳态电气特征量构建的关键特征;再者, 基于样本类比, 依靠新的运行方式信息及扰动信息直接匹配和预测该扰动下的临界切除时间 (critical cut time, CCT) , 对造成不稳定的扰动, 研究 CCT 与主导失稳机群有功输出的关系, 提出在线预防控制方法, 修改机组出力再分配算法, 使得系统在该扰动下能保持稳定;最后, 通过 IEEE 10 机 39 节点系统和南方电网系统, 仿真验证本文算法的合理性和有效性。1 基于静态信息的在线暂态稳定评估1.1 在线暂态稳定评估方法框架一般来说, 随着时间点的后移, 信息与稳定性之间的关联性不断加
12、强, 对失稳模式的判别也更加简单和准确。然而, 选择扰动后动态特征量同时也意味着放弃了对可观测的系统稳态运行方式与稳定性之间的关系的探究, 从而失去了利用预防控制方法对电网进行稳定调控的机会。本文提出的暂态稳定评估算法希望通过电网的结构、基本参数和运行方式等稳态可观测信息实现对失稳模式的判别, 从而达到利用预防控制方法对电网进行稳定调控的目的。首先利用大电网的离线方式安排和在线稳定分析中不断产生的大量的电网离线和在线稳定仿真结果, 建立由运行方式和电网结构等静态信息、预想故障、稳定信息构成的样本库, 按扰动位置及主导失稳机群对样本库的训练样本进行存储;然后在程序运行时输入当前的运行方式, 读取
13、预想故障集中的任一故障, 利用电网拓扑和稳态运行信息辨识在该故障下的主导失稳机群, 并计算暂态稳定评估特征量;最后基于实例学习采用 k 最邻近 (k-nearest neighbor, k NN) 分类算法从样本库中匹配出该扰动下的 CCT。1.2 主导失稳机群辨识方法系统的分离并不依赖于全系统的能量, 而是趋向于从系统其余部分分离出来的单机或成组机组的暂态能量, 这些机组的稳定决定了全系统的稳定5。在本文中, 这样的机组被定义为主导失稳机群。通过在线推断或从离线分析结构事先知道某一故障下的主导失稳机群, 就可以围绕这些机群构造反映系统稳定水平的指标。主导失稳机群辨识方法的流程为:a) 定义主
14、导失稳发电机辨识指标式中:P e, 0为发电机稳态有功功率标幺值, U G, sc为短路瞬间机端电压幅值的标幺值, T j为发电机的惯性时间常数。D I充分反映了故障对发电机的冲击, 依据该指标可以对主导失稳机组进行初步辨识。b) 根据主导失稳发电机辨识指标 DI进行二分类聚类分析, 得到受扰严重发电机群 L。该方法的步骤为:计算每台发电机的 DI并统计发电机数量 N依据 DI对发电机进行排序选取 DI较大的 n 台发电机并按 DI由大到小构成预聚类集合利用 k-means 聚类算法基于 DI对预聚类集合进行二分类聚类分析, 聚类 1 为受扰严重发电机群 L, 聚类 2 为稳定机群。c) 将电
15、力网络转化为规范的图形式后, 利用 Dijkstra 最短路搜索算法得出机组间的最短路, 最短路能反映扰动前发电机之间耦合关系的强度。对于一个含有 N 个发电机节点的电力网络, 可形成发电机节点间的无故障最短路径矩阵 W及故障期间的最短路矩阵 WF。d) 根据 W、W F和 L 进行拓扑分群。第一步得出故障持续期间与受扰严重发电机有较强电气耦合的机组, 并根据机组间电气联系的强弱进行分群。第二步根据矩阵 WF, 若 L 中的发电机与其他发电机节点间的最短路小于最短路平均距离 的 50%, 则该 2 台机组划分为同一机群, 得到初始主导失稳机群GP=A1, A2, , Am, GP中的排列顺序按
16、分群 Ai中所有发电机的 DI平均值进行从大到小的排序。e) 拓扑分群还需要进一步计及受扰严重程度和故障消失后机群之间同步能力的影响。取 GP中的 A1为预选机群, 根据矩阵 W, 若 GP中 A2至 Am分群中 DI最大的发电机与预选机群 A1中 DI最大的发电机节点间的最短路小于最短路平均距离 的 50%, 则将该分群归并入预选机群, 最终得到主导失稳机群。1.3 暂态稳定评估特征量的选取与基于数据驱动的特征选取方法不同, 本文基于主导失稳机组和网络拓扑选取的关键特征, 不依赖训练样本, 物理概念清晰, 选取方法简单易于理解。更重要的是, 本文选用的暂态稳定评估特征均为稳态特征量, 将输入
17、特征评估前移到可观测的稳态运行信息环节, 有利于预防控制。本文选取的关键特征如下:a) 特征 A主导失稳机群的稳态有功功率。稳态参数中的发电机有功功率是与系统稳定性强相关的电气量, 根据等面积法则, 稳态输出功率大时发电机更容易失去稳定。主导失稳机群是引起系统失稳的关键机群, 其稳态有功功率应选为关键特征, 且其特征权重 K1应为最大, 可取 K1=1。b) 特征 B主导失稳机群以外的发电机总稳态有功功率。功角失稳表现为主导失稳机群和其余机群在功角轨迹上的分离, 故把主导失稳机群以外的发电机的总稳态有功功率作为关键特征之一, 其特征权重 K2略小, 可取 K2=0.125。c) 特征 C关键支
18、路的稳态有功功率。系统稳定性与运行方式、网络拓扑有密切的联系, 故选取主导发电机到故障点之间最次短路径所含的支路以及与故障点相连的各条线路作为关键支路, 这些支路的有功功率反映了故障对主导失稳发电机与系统其余部分功率交换的冲击大小。这些关键支路的稳态有功功率的特征权重 K3略小, 可取 K3=0.125。2 在线预防控制算法2.1 CCT 与主导失稳机群有功输出的关系在单机无穷大系统中, 通过公式推导并结合仿真验证, 得出故障的 CCT 与发电机有功出力呈近似线性关系6, 下面用仿真方法在多机系统上加以验证。在 IEEE 10 机 39 节点系统 (如图 1 所示) 中, 假设母线 19 发生
19、三相短路故障, 通过 1.2 节辨识方法得到主导失稳机群为 4 号和 5 号发电机, 按 2%的比例分别逐步改变主导失稳机群和非主导失稳机群的有功出力 (为保持整个系统的有功输出不变, 变化的有功出力由平衡节点平衡) , 并通过在线暂态稳定评估方法得到该故障线路的 CCT, 可得发电机有功出力-CCT 的关系曲线 (如图 2 所示) 。图 1 IEEE 10 机 39 节点系统 下载原图图 2 母线 19 故障下发电机有功出力-CCT 关系曲线 下载原图图 2 表明:故障的 CCT 与其主导失稳机群的有功出力存在近似线性关系。增加或减少主导失稳机群的有功出力, 可以降低或增加故障的 CCT,
20、而且改变非主导失稳机群的有功出力对故障的 CCT 没有影响。在南方电网 2014 年的“丰大”运行方式中, 对“西电东送”通道上的南宁节点 (如图 3 所示) 设置三相短路故障, 通过 1.2 节辨识方法得到主导失稳机群为EQG111。采用上述方法作类似仿真, 结果如图 4 所示。图 3 南宁故障点局部网络接线 下载原图图 4 南宁节点故障下发电机有功出力CCT 关系曲线 下载原图根据 IEEE 10 机 39 节点系统和南方电网系统的仿真结果可以得到以下规律:故障的 CCT 和其主导失稳机群的有功出力在一定范围内呈近似线性关系。2.2 机组功率调整算法本文提出的机组功率调整算法的计算过程如图
21、 5 所示。在计算调整功率值过程中, 可依据在线暂态稳定评估方法快速匹配样本, 得到该扰动下的 CCT, 然后计算调整功率。计算公式为式中:P 为调整功率;k 为图 2、图 4 中的曲线斜率, 可利用 2.1 节的试验方法, 针对每个扰动及运行方式, 在需调整的发电机有功出力附近按一定步长增减出力, 通过暂态稳定评估得到 CCT, 再通过插值求得; 是为了使调整后的 CCT 大于系统的保护装置动作时间而设定的系数, 1, 可取 =1.1;t CCT为该扰动调整前的 CCT;tact为实际故障切除时间。图 5 的流程还包括非主导失稳机群的有功出力再分配。在计算越限线路的有功功率对非主导失稳机群的
22、灵敏度时, 利用了成熟的电力系统分析软件BPA软件, 使计算的速度、准确性和稳定性得到可靠的保证。图 5 机组功率调整算法流程 下载原图3 算例发电机模型采用经典模型, 选取故障为三相短路, 故障清除后系统拓扑结构不变。在 80%、90%、100%、110%、120%基准负荷下, 对每个负荷条件随机设置 5种不同的发电机出力, 考虑负荷随机波动, 共得到 300 个运行方式, 通过 BPA软件仿真得到实际的 CCT 值。随机抽取 280 个样本用于训练, 其余的 20 个用于测试。3.1 IEEE 10 机 39 节点系统应用分析按照本文 1.2 节的算法, 得到主导失稳机群是 6 号和 7
23、号发电机, 计算出暂态稳定评估特征量, 通过 k NN 算法进行样本匹配, 并对得到的 CCT 预测值与仿真得到的 CCT 实际值进行比较, 结果见表 1。在 20 次样本测试中, CCT 预测值与实际值的绝对误差控制在 0.020 s 以内 (含0.020 s) 的有 19 次, 占总测试次数的 95%;绝对误差平均值为 0.008 9 s。整体来看, 本文提出的基于稳态信息的稳定预测方法在 IEEE 10 机 39 节点系统具有较高的预测精度。选定一个运行方式, 在母线 16 设置故障, 辨识出其主导失稳机群为 6 号和 7 号发电机, 其有功出力分别为 705 MW 和 614 MW,
24、通过暂态稳定评估方法得到的CCT 预测值为 0.22 s。若实际故障切除时间为 0.3 s, 此故障属于危害故障将危及到系统稳定, 需启用 2.2 节所述的机组功率调整算法调整机组出力。6、7号发电机在调整后的有功出力为 577 MW 和 644 MW, 利用本文所提出的基于静态信息的暂态稳定评估方法计算出该故障 CCT 为 0.32 s, 由此可见, 经过机组功率调整算法调整机组出力, 系统的稳定程度有所提高, 达到了预期目的。表 1 母线 16 故障 CCT 预测值与实际值对比 下载原表 3.2 南方电网系统应用分析以南方电网 2014 年“丰大”极限方式等值网为算例, 其有 89 台发电
25、机, 其中包含 50 台等值机和 39 台保留机组;共有 380 个节点, 其中 225 个为 500 k V 节点、19 个为 220 k V 节点;360 条 500 k V 线路;138 台电厂升压变压器, 13 台500 k V 主变压器。以 500 k V 南宁节点 (如图 3 所示) 发生故障为例, 验证所提在线稳态稳定评估方法的有效性。故障设置和样本构造方法与上述一致。南宁节点发生故障, 通过辨识得到的主导失稳机是等值机 EQG111, 计算出暂态稳定评估特征量, 通过 k NN 算法进行样本匹配, 对所得到的 CCT 预测值与仿真得到的 CCT 实际值进行比较, 结果见表 2。
26、在 20 次样本测试中, 其 CCT 预测值与实际值的绝对误差控制在 0.020 s 以内 (含 0.020 s) 的有 18 次, 占总测试次数的 90%;绝对误差平均值为 0.005 2 s。整体来看, 本文所提出的基于静态信息的暂态稳定评估方法在该电网系统具有较高的预测精度。表 2 南宁故障节点 CCT 预测值与实际值对比 下载原表 选定一个运行方式, 在南宁节点设置故障, 辨识出其主导失稳机为 EQG111, 其有功出力为 4.580 GW, 通过暂态稳定评估方法得到的 CCT 预测值为 0.22 s。假设实际故障切除时间为 0.3 s, 此故障属于危害故障将危及到系统稳定, 需启用
27、2.2 节所述的机组功率调整算法调整机组出力。主导失稳机 EQG111 在调整后的有功出力为 4.350GW, 利用本文所提出的基于静态信息的暂态稳定评估方法计算出该故障 CCT 为 0.34 s。由此可见, 经过机组功率调整算法调整机组出力, 系统的稳定程度有所提高, 达到了预期目的。4 结束语本文提出了一种基于静态信息的在线暂态稳定评估与预防控制方法, 实现利用预防控制方法对电网进行稳定调控。提出基于拓扑和运行的主导失稳机群辨识方法并围绕主导失稳机群构建关键特征, 将暂态稳定评估算法的输入特征前移到可观测的稳态运行信息环节, 其优越性不仅仅在于提高评估的快速性, 更大的优势在于可将其关键特
28、征量和输出稳定信息作为调整发电机有功出力再分配的依据, 为大电网稳定风险的快速分析和预防控制决策提供新的技术手段。最后通过对 IEEE 10 机 39 节点系统和南方电网系统的应用分析, 验证了本文方法的有效性。项目简介:申请单位华南理工大学项目名称含大规模新能源的交直流互联大电网智能运行与柔性控制关键技术项目概述充分利用大电网的离线方式安排和在线稳定分析中不断产生的大量电网离线和在线稳定仿真结果, 建立由“运行方式信息+扰动信息+稳定信息”构成的样本库, 提出模式匹配的关键特征构建方法, 基于模式匹配算法建立依靠新运行方式 (运行监测) 信息直接匹配预测稳定状态的有效算法。主要创新点提出一种
29、基于历史仿真数据和运行信息的大电网暂态稳定模式匹配和智能评估方法, 其中特征量获取不需要时域仿真, 稳定评估方法过程简单、计算速度快, 且模式匹配样本可以动态更新。参考文献1陈亦平, 赵曼勇, 刘文涛, 等.南方电网连锁故障风险分析及防御措施研究J.南方电网技术, 2010, 4 (3) :8 11.CHEN Yiping, ZHAO Manyong, LIU Wentao, et al.The Risks Analysis and Defensive Measures Research of Cascading Failures in China Southern Power GridJ.S
30、outhern Power System Technology, 2010, 4 (3) :8-11. 2王同文, 管霖, 张尧.人工智能技术在电网稳定评估中的应用综述J.电网技术, 2009, 33 (12) :60 65.WANG Tongwen, GUAN Lin, ZHANG Yao.A Survey on Application of Artificial Intelligence Technology in Power System Stability AssessmentJ.Power System Technology, 2009, 33 (12) :60-65. 3RAJAP
31、AKSE A D, GOMEZ F, NANAYAKKARA K, et al.Rotor Angle Instability Prediction Using Post-disturbance Voltage TrajectoriesJ.IEEE Transactions on Power Systems, 2010, 25 (2) :947-956. 4叶圣永, 王晓茹, 刘志刚, 等.基于受扰严重机组特征及机器学习方法的电力系统暂态稳定评估J.中国电机工程学报, 2011, 31 (1) :46 51.YE Shengyong, WANG Xiaoru, LIU Zhigang, et
32、al.Power System Transient Stability Assessment Based on Severely Disturbed Generator Attributes and Machine Learning MethodJ.Proceedings of the CSEE, 2011, 31 (1) :46-51. 5刘笙, 汪静.电力系统暂态稳定的能量函数分析M.上海:上海交通大学出版社, 1996. 6孙景强, 房大中, 周保荣.基于轨迹灵敏度的电力系统动态安全预防控制算法研究J.电网技术, 2004, 28 (21) :26 30.SUN Jingqiang, FANG Dazhong, ZHOU Baorong.Study on Preventive Control Algorithm for Dynamic Security of Power Systems Based on Trajectory Sensitivity MethodJ.Power System Technology, 2004, 28 (21) :26-30.
