基于数据驱动的TCPST紧急控制启动判据生成方法

技术领域

本申请涉及电力系统技术领域，尤其涉及基于数据驱动的TCPST紧急控制启动判据生成方法及生成装置。

背景技术

互联电力系统具有发供电可靠性高、运行灵活性强等优点。然而，大系统的传输容量经常受到暂态稳定性问题的限制，因此各种各样的控制方法被引入电力系统，用以提高电力系统的暂态稳定性，并被应用于电力系统各种不同动态元件的控制中去。由于包括晶闸管控制移相器(Thyristor Controlled Phase Shifting Transformer，TCPST)在内的柔性交流输电设备具有快速响应的特性，它们不仅可以被用于稳态潮流调控，而且可被用来抑制系统振荡和提高电力系统暂态稳定性。

当前，对TCPST的暂态控制研究较少，关于TCPST紧急控制启动判据的研究更是没有，而启动判据在动态元件的控制框架中却是不可缺少的一环，如果没有启动判据，元件的紧急控制可能在小扰动或轻微故障时就被投入运行，这将导致TCPST频繁且不必要的动作，影响TCPST相关部件的使用寿命、增加器件的故障率，且可能导致TCPST无法维持在稳态最优的控制策略下从而影响TCPST发挥最大的经济效益。

发明内容

本申请提供基于数据驱动的TCPST紧急控制启动判据生成方法及生成装置，以解决现有技术中影响TCPST相关部件的使用寿命、增加器件的故障率的问题。

为解决上述技术问题，本申请提出一种基于数据驱动的TCPST紧急控制启动判据生成方法，包括：根据TCPST的控制目标，选择对应的紧急控制启动判据指标；确定用于数据驱动的样本集的输入量与输出量；通过MATLAB和BPA的交互，自动获取不同故障位置下的故障极限清除时间；通过MATLAB和BPA的交互，自动获取不同故障位置、不同故障清除时间的样本集；通过神经网络对样本集进行学习，得到学习模型，学习模型作为TCPST的紧急控制启动判据。

可选地，根据TCPST的控制目标，选择对应的紧急控制启动判据指标，包括：BPA暂态稳定仿真输出的OUT文件包括系统内最大功角差，当最大功角差大于180度时，判断系统暂态功角失稳，并以此作为极限清除时间的判断依据；其中，M＝T

可选地，样本集的输入量包括：发电机功角、节点电压和负荷节点有功功率；样本集的输入量为紧急控制启动判据指标。

可选地，利用二分法获得极限清除时间。

可选地，还包括：将样本集导入MATLAB的神经网络工具箱中进行学习，通过调整样本数量、神经网络参数来提高机器学习的精度，以得到学习模型。

为解决上述技术问题，本申请提出一种基于数据驱动的TCPST紧急控制启动判据生成装置，包括：指标模块，用于根据TCPST的控制目标，选择对应的紧急控制启动判据指标；样本集模块，用于确定用于数据驱动的样本集的输入量与输出量；MATLAB和BPA模块，用于通过MATLAB和BPA的交互，自动获取不同故障位置下的故障极限清除时间；通过MATLAB和BPA的交互，自动获取不同故障位置、不同故障清除时间的样本集；神经网络模块，用于通过神经网络对样本集进行学习，得到学习模型，学习模型作为TCPST的紧急控制启动判据。

可选地，BPA暂态稳定仿真输出的OUT文件包括系统内最大功角差，当最大功角差大于180度时，判断系统暂态功角失稳，并以此作为极限清除时间的判断依据；其中，M＝T

可选地，样本集的输入量包括：发电机功角、节点电压和负荷节点有功功率；样本集的输入量为紧急控制启动判据指标。

可选地，MATLAB和BPA模块还用于利用二分法获得极限清除时间。

可选地，网络神经模块还用于将样本集导入MATLAB的神经网络工具箱中进行学习，通过调整样本数量、神经网络参数来提高机器学习的精度，以得到学习模型。

本申请提出基于数据驱动的TCPST紧急控制启动判据生成方法及生成装置，生成方法包括根据TCPST的控制目标，选择对应的紧急控制启动判据指标；确定用于数据驱动的样本集的输入量与输出量；通过MATLAB和BPA的交互，自动获取不同故障位置下的故障极限清除时间；通过MATLAB和BPA的交互，自动获取不同故障位置、不同故障清除时间的样本集；通过神经网络对样本集进行学习，得到学习模型，学习模型作为TCPST的紧急控制启动判据。通过上述方式，本申请方法调用速度快、有助于保证控制的响应速度，同时完善了TCPST紧急控制的流程框架，避免了启动判据缺失对TCPST使用寿命及电网效益的不利影响。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请基于数据驱动的TCPST紧急控制启动判据生成方法一实施例的流程示意图；

图2是本实施例中TCPST三机九节点的系统图；

图3是本申请步骤S130一实施例的流程示意图；

图4是本申请步骤S140一实施例的流程示意图；

图5是本申请基于数据驱动的TCPST紧急控制启动判据生成装置一实施例的结构示意图。

具体实施方式

为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供基于数据驱动的TCPST紧急控制启动判据生成方法及生成装置进一步详细描述。

针对当前移相器紧急控制启动判据相关研究的缺失问题，本申请提出一种基于数据驱动的TCPST紧急控制启动判据生成方法，完善了TCPST紧急控制的流程框架，避免了启动判据缺失对TCPST使用寿命及电网效益的不利影响。

软件方面，中国电力科学研究院开发的机电暂态仿真软件包BPA具有潮流计算、暂稳仿真计算、短路计算、小干扰稳定计算等功能,在我国的电力系统的规划、设计等相关单位和各高校中具有广泛的应用，而矩阵实验室(Matrix Laboratory，MATLAB)是MathWorks公司推出的用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境的商业数学软件，目前已在多个工程领域被广泛应用。本专利正是基于BPA与MATLAB的交互，将算法与电力系统结合起来。

请参阅图1，图1是本申请基于数据驱动的TCPST紧急控制启动判据生成方法一实施例的流程示意图，在本实施例中，具体可以包括以下步骤：

S110：根据TCPST的控制目标，选择对应的紧急控制启动判据指标。

步骤S110是作为紧急控制启动判据的指标选择与构建，具体地，由于控制的目标是系统暂态稳定性，且考虑到TCPST控制的主要是支路有功功率分布，所以应该选取与功角稳定相关的指标。考虑到BPA暂态稳定仿真输出的OUT文件包括系统内最大功角差，因此可以当最大功角差大于180度时，判断系统暂态功角失稳，并以此作为极限清除时间的判断依据；

通过极限清除时间，构建暂态稳定评估指标为：

M＝T

请参阅图2，图2是本实施例中TCPST三机九节点的系统图。在图中，1-9表示节点位置，G1-G3表示发电机。

S120：确定用于数据驱动的样本集的输入量与输出量。

可选地，样本集的输入量包括：发电机功角、节点电压和负荷节点有功功率；样本集的输入量为紧急控制启动判据指标。

S130：通过MATLAB和BPA的交互，自动获取不同故障位置下的故障极限清除时间。

可选地，利用二分法获得极限清除时间。请参阅图3，图3是本申请步骤S130一实施例的流程示意图，具体为：

固定某一故障位置。设定初始的故障清除时间下限值T

若|T

若|T

本实施例求取得到的不同故障位置的极限清除时间见表1。

表1不同故障位置的极限清除时间

若已经遍历了所有预先设定的故障位置，则结束仿真，否则，改变故障位置，并回到之前的步骤。

S140：通过MATLAB和BPA的交互，自动获取不同故障位置、不同故障清除时间的样本集。

具体地，请参阅图4，图4是本申请步骤S140一实施例的流程示意图，步骤S140可以包括：

固定某故障位置与故障清除时间。通过MATLAB代码指令读取BPA暂态模型文件(SWI文件)，并将该故障位置与故障清除时间写入SWI文件。执行新生成的SWI文件，经BPA暂态仿真计算得到结果文件(OUT文件)，并根据样本集的需求读取与保存OUT文件数据。

若已经遍历了所有预先设定的故障位置与故障清除时间的组合，则结束仿真，否则，改变故障位置与故障清除时间，并回到上述步骤，重新将故障位置与故障清除时间写入SWI文件。

S150：通过神经网络对样本集进行学习，得到学习模型，学习模型作为TCPST的紧急控制启动判据。

可选地，还包括：将样本集导入MATLAB的神经网络工具箱中进行学习，通过调整样本数量、神经网络参数来提高机器学习的精度，以得到高精度学习模型。

神经网络的学习精度见表2，其中，MSE表示模型的均方误差，R表示模型的相关度。用于神经网络学习的样本集是在100％负荷水平下获取的，100％负荷水平对应的具体数值见表3。而后续验证是针对105％负荷水平进行的，这样做是为了说明本专利的启动判据能适应电力系统运行方式的多样性，验证的结果见表4，具体验证场景是：在105％负荷水平下，故障位置设为节点6、8，故障清除时间为0-20个周波，采样周期为0.2个周波，样本数共200个。

表2神经网络学习精度

表3系统负荷水平为100％的各负荷节点负载情况

表4以负荷水平为105％场景对神经网络模型的验证结果记录

当故障发生并经过一定时间后被清除，则采集故障清除瞬间对应于步骤S120样本集输入量的变量数据，并将这些数据输入到步骤S150的学习模型中，学习模型将快速根据输入量计算输出量，若输出量大于等于0，则不启动TCPST的紧急控制，否则，启动TCPST的紧急控制。

以上，本实施例提出的基于数据驱动的启动判据，相较传统的数值计算型的判据，调用速度快，有助于保证控制的响应速度；并且，完善了TCPST紧急控制的流程框架，避免了启动判据缺失对TCPST使用寿命及电网效益的不利影响。

基于上述的据驱动的TCPST紧急控制启动判据生成方法，本申请提出一种基于数据驱动的TCPST紧急控制启动判据生成装置，请参阅图5，图5是本申请基于数据驱动的TCPST紧急控制启动判据生成装置一实施例的结构示意图，在本实施例中，具体可以包括以下：

指标模块，用于根据TCPST的控制目标，选择对应的紧急控制启动判据指标；

样本集模块，用于确定用于数据驱动的样本集的输入量与输出量；

MATLAB和BPA模块，用于通过MATLAB和BPA的交互，自动获取不同故障位置下的故障极限清除时间；通过MATLAB和BPA的交互，自动获取不同故障位置、不同故障清除时间的样本集；

神经网络模块，用于通过神经网络对样本集进行学习，得到学习模型，学习模型作为TCPST的紧急控制启动判据。

可选地，BPA暂态稳定仿真输出的OUT文件包括系统内最大功角差，当最大功角差大于180度时，判断系统暂态功角失稳，并以此作为极限清除时间的判断依据；其中，M＝T

可选地，样本集的输入量包括：发电机功角、节点电压和负荷节点有功功率；样本集的输入量为紧急控制启动判据指标。

可选地，MATLAB和BPA模块还用于利用二分法获得极限清除时间。

可选地，网络神经模块还用于将样本集导入MATLAB的神经网络工具箱中进行学习，通过调整样本数量、神经网络参数来提高机器学习的精度，以得到学习模型。

本申请提出基于数据驱动的TCPST紧急控制启动判据生成方法及生成装置，生成方法包括根据TCPST的控制目标，选择对应的紧急控制启动判据指标；确定用于数据驱动的样本集的输入量与输出量；通过MATLAB和BPA的交互，自动获取不同故障位置下的故障极限清除时间；通过MATLAB和BPA的交互，自动获取不同故障位置、不同故障清除时间的样本集；通过神经网络对样本集进行学习，得到学习模型，学习模型作为TCPST的紧急控制启动判据。通过上述方式，本申请方法调用速度快、有助于保证控制的响应速度，同时完善了TCPST紧急控制的流程框架，避免了启动判据缺失对TCPST使用寿命及电网效益的不利影响。

可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。