一种电力系统动态安全分区评估方法及系统

技术领域

本发明涉及电力系统安全评估技术领域，尤其涉及一种电力系统动态安全分区评估方法及系统。

背景技术

本部分的陈述仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前，电力系统动态安全评估（Dynamic Security Assessment, DSA）需考虑的预想事故位置逐渐增多。面对未来场景和预想事故的海量组合，传统基于时域仿真的DSA计算量大，难以实现每种组合事故前的快速动态安全扫描。随着人工智能技术的发展，数据驱动的DSA通过机器学习技术获取输入特征与系统动态安全间的映射关系，能够快速完成未来场景与事故海量组合的动态安全评估。

故障位置对系统动态安全的影响具有强非线性。对于拓扑结构复杂的大规模电网，预想事故位置集进一步扩大对统一计及故障位置的DSA模型非线性拟合能力提出了更高要求。通常，增加机器学习模型结构复杂度可以提升模型非线性拟合能力，然而模型高复杂度易导致过拟合风险，使得DSA模型的泛化能力下降。

目前数据驱动的DSA研究多集中于统一评估模型的构建及优化，鲜有针对预想事故位置的动态安全分区评估探索。基于分区评估思想，将高维、强非线性的全局评估问题分解为多个低维、弱非线性的区域评估问题，能够降低评估模型结构复杂度，提高大规模电网DSA精度。现有电网分区研究多集中于DSA关键特征选择及无功电压控制领域。传统的电网分区主要依据地理位置和行政区域确定分区方案，部分研究则依据关键输电断面和节点暂态电压响应划分电网区域，进而在各区域内选择DSA关键特征。也有研究以电气耦合强度矩阵为输入，经稀疏自编码器降维后，基于K-means聚类算法和欧氏距离度量实现无功电压分区。

电气连接紧密的两位置点分别发生故障对系统动态安全的影响具有相似性，而联系较弱两点发生故障产生的影响则差异显著，因此面向DSA的电网分区应使电气联系紧密的节点位于同一分区，联系较弱的节点位于不同分区。上述分区方法中，传统分区方案和面向DSA特征选择的电网分区方法未能考虑节点间的电气联系紧密程度。以电气耦合强度矩阵为输入的分区方法虽考虑了节点间电气联系紧密度，但经稀疏自编码器降维后的特征间欧式距离与电气耦合强度并不完全等价，分区效果仍有进一步提升空间。综上所述，现有分区方法未能进一步应用在大规模电网动态安全智能评估中，限制了统一计及故障位置的大规模电网动态安全智能评估精度的进一步提升。

发明内容

本发明为了解决上述问题，提出了一种电力系统动态安全分区评估方法及系统，计及节点间的电气联系紧密程度，以切比雪夫距离作为距离度量方式，基于电气坐标特征和均值漂移聚类（Mean shift）算法对电网进行分区，实现了“区域内电气连接紧密、区域间电气连接疏松”电网分区效果，进而针对各分区分别构建动态安全评估模型，提高了大规模电力系统动态安全评估的准确性。

为实现上述目的，本发明采用如下技术方案：

第一方面，提出了一种电力系统动态安全分区评估方法，包括：

获取电网全部节点的全维电气坐标；

根据各节点的全维电气坐标，采用Mean shift算法对节点进行区域划分，确定所有节点的电网分区；

获取故障前电网的稳态潮流特征和各分区中训练用故障点在分区中的全维电气坐标，作为各分区的训练数据；

通过各分区的训练数据和多通道卷积神经网络，获得电网各分区的电网动态安全评估模型；

对电网进行动态安全评估时，获取故障点在分区中的全维电气坐标和故障前电网的稳态潮流特征；

从各分区的电网动态安全评估模型中选取故障点所在分区的电网动态安全评估模型；

根据故障点在分区中的全维电气坐标、故障前电网的稳态潮流特征和选取出的电网动态安全评估模型，获得电网的安全评估结果。

第二方面，提出了一种电力系统动态安全分区评估系统，包括：

节点的全维电气坐标获取模块，用于获取电网全部节点的全维电气坐标；

电网分区获取模块，用于根据各节点的全维电气坐标，采用Mean shift算法对节点进行区域划分，确定所有节点的电网分区；

训练数据获取模块，用于获取故障前电网的稳态潮流特征和各分区中训练用故障点在分区中的全维电气坐标，作为各分区的训练数据；

电网动态安全评估模型获取模块，用于通过各分区的训练数据和多通道卷积神经网络，获得电网各分区的电网动态安全评估模型；

电网安全评估模块，用于对电网进行动态安全评估时，获取故障点在分区中的全维电气坐标和故障前电网的稳态潮流特征；从各分区的电网动态安全评估模型中选取故障点所在分区的电网动态安全评估模型；根据故障点在分区中的全维电气坐标、故障前电网的稳态潮流特征和选取出的电网动态安全评估模型，获得电网的安全评估结果。

第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种电力系统动态安全分区评估方法所述的步骤。

第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种电力系统动态安全分区评估方法所述的步骤。

与现有技术相比，本发明的有益效果为：

1、本发明计及节点电气连接紧密度对电网进行分区，针对各区域分别进行动态安全评估，提高了大规模电网动态安全评估的准确性。

2、本发明以电网中节点的全维电气坐标作为输入特征，基于Mean shift算法进行电网分区，并以切比雪夫距离作为距离度量方式，使得电网分区过程严格按照电气距离进行区域划分，能够实现“区域内电气连接紧密，区域间电气连接疏松”的最优电网分区效果。

3、本发明针对局部密集性的电网节点电气分布特点，选择距节点

4、本发明将1度节点与同线路的节点归于同一区域，不再对1度节点进行偏移聚类计算，避免1度节点成为孤立节点，保证电网准确分区的基础上，缩短节点偏移聚类耗时。

5、本发明针对各电网分区基于多通道卷积神经网络构建并训练获得了相应的动态安全评估模型，缩短了模型训练耗时，在保证评估精度的前提下提高了模型训练效率。在进行电网动态安全评估时，根据故障点所在分区选取相应的动态安全评估模型，进行电网动态安全评估，提高了电网动态安全评估的准确性。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为实施例1公开的基于电气坐标特征的大电网动态安全分区评估框架；

图2为实施例1公开的密度中心更新示意图；

图3为实施例1公开的基于Mean shift算法的电网分区流程图；

图4为实施例1公开的偏远节点与非偏远节点的高维球区域；

图5为实施例1公开的不同范围的高维球区域；

图6为实施例1公开的基于多通道卷积神经网络的DSA模型结构；

图7为实施例1公开的

图8为实施例1公开的

图9为实施例1公开的

图10为实施例1公开的

图11为实施例1公开的

图12为实施例1公开的三维特征空间下的聚类结果；

图13为实施例1公开的不同距离度量下的电网分区评价指标对比；

图14为实施例1公开的所用Mean shift算法与K-means算法分区评价指标对比。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

实施例1

在该实施例中，公开了一种电力系统动态安全分区评估方法，如图1所示，包括：

获取电网全部节点的全维电气坐标；

根据各节点的全维电气坐标，采用Mean shift算法对节点进行区域划分，确定所有节点的电网分区；

获取故障前电网的稳态潮流特征和各分区中训练用故障点在分区中的全维电气坐标，作为各分区的训练数据；

通过各分区的训练数据和多通道卷积神经网络，获得电网各分区的电网动态安全评估模型；

对电网进行动态安全评估时，获取故障点在分区中的全维电气坐标和故障前电网的稳态潮流特征；

从各分区的电网动态安全评估模型中选取故障点所在分区的电网动态安全评估模型；

根据故障点在分区中的全维电气坐标、故障前电网的稳态潮流特征和选取出的电网动态安全评估模型，获得电网的安全评估结果。

本实施例采用均值偏移聚类算法（Mean shift算法）确定所有节点的电网分区时，在均值偏移聚类算法中采用切比雪夫距离作为节点间距离度量方式，使任意两个节点间切比雪夫距离等于该两点间的实际电气距离。

采用均值偏移聚类算法（Mean shift算法）确定所有节点的电网分区的过程为：

将电网中每个节点均作为初始密度中心，以距离初始密度中心最近的

计算所有聚类中心点间的距离；

将距离小于聚合阈值时的聚类中心点合为一类，对应的节点即分为同一电网分区。

对电网中所有节点的全维电气坐标特征的获取过程进行详细说明。

首先获取电网节点导纳矩阵，对导纳矩阵进行求逆得到节点阻抗矩阵，根据阻抗电气距离公式

对采用Mean shift算法确定所有的电网分区进行详细说明。

按照电气连接紧密度对电网各母线节点进行区域划分属于数据聚类问题。经典的K-means聚类算法需提前确定聚类个数，由于电网分区问题通常无法提前获知合适的分区个数，且节点电气分布存在明显密度差异特点，本实施例采用基于密度且无需提前确定分区个数的Mean shift算法进行电网分区。

Mean shift算法对每个节点通过密度中心迭代过程搜索得到对应的密度中心。以如图2所示的二维数据平面为例，详细说明密度中心迭代过程。随机选取节点

假设给定

（1）

式中，

（2）

式中，

（3）

节点

（4）

基于Mean shift算法的电网分区流程如图3所示。其中，

图3中分区流程可分为聚类中心点搜索和聚合两部分。其中对于聚类中心点进行搜索，即对于任一节点

Mean shift算法中特征间的距离度量规则是影响分区质量的重要因素。节点

（5）

式中，

（6）

即，在全维电气坐标下，任意两个节点间切比雪夫距离等于该两点间的实际电气距离，其中，

在使用Mean shift算法进行电网分区时，使用节点的全维电气坐标表示各节点的位置，并基于切比雪夫距离度量节点间距离，使得Mean shift算法严格按照实际电气距离进行区域划分，从而取得最佳分区效果。在Mean shift算法中使用切比雪夫距离度量，具体包括高维球区域的确定、高斯权重中的距离度量、密度中心点偏移的距离度量以及聚类中心点间的距离度量。

模块度是衡量电网分区质量高低的常用指标。考虑基于电气连接紧密度的电网分区应具有“区内强耦合，区间弱耦合”特点，本实施例将节点间的电气距离作为节点连接权重，使用加权模块度

（7）

（8）

式中，

针对各分区生成训练样本集规模与分区内节点数量密切相关，各分区间节点数量不平衡会导致个别分区用于DSA训练的样本数量过少，进而降低该区域的DSA精度。本实施例选择各分区节点数的标准差

（9）

式中，

当电网局部区域间节点电气分布密度差异过大且存在较多偏远节点时，基于Meanshift算法的电网分区就会出现大多数节点聚为一类判定为属于同一个分区、偏远节点自成一类的极端不平衡情况。为避免此种分区不平衡情况，本实施例对基于Mean shift算法的电网分区方法进行改进。

第一、改变Mean shift算法中高维球区域的定义形式。

如图4所示，通常情况下采用固定半径的高维球区域定义形式，对于多数如节点

即本实施例公开方法，通过密度中心迭代过程确定某节点的聚类中心点时，以距离该节点最近的s个节点组成高维球区域，计算偏移向量，进行密度中心迭代，确定该节点的聚类中心点。

第二、调整高维球区域

如图5所示，由于电网存在不同密集程度的密度中心，不同范围的高维球区域下，节点

（1）缩小高维球区域

（2）增大高斯权重中的带宽

第三、电网中通常存在一定数量的1度节点，即相连线路条数为1的节点。考虑到节点聚类后的区域连通性，本实施例在确定电网分区时，直接将1度节点与同线路的节点归于同一分区，不再对1度节点进行偏移聚类计算，避免1度节点成为孤立节点，同时缩短节点偏移聚类耗时。

本实施例对于每一个电网分区均构建了动态安全评估模型，该动态安全评估模型以分区中故障点在分区中的全维电气坐标和故障前全电网的稳态潮流特征为输入，以全电网的安全评估结果为输出，通过多通道卷积神经网络构建获得。

其中，故障点在分区中的全维电气坐标为故障点至故障点所在分区所有节点间的电气距离组成的电气坐标特征向量。

假设故障点所在分区内节点数量为

全电网的稳态潮流特征用以表征全电网的运行方式，包括潮流功率特征和电压特征，具体包括全网各发电机有功出力、无功出力、负荷节点有功功率、无功功率，母线节点电压幅值和相角等。

本实施例通过对多通道卷积神经网络模型进行训练，获得各电网分区的动态安全评估模型。

多通道卷积神经网络结构如图6所示。由于稳态潮流特征维数与全网节点规模成正比，故障点在分区中的全维电气坐标与该分区中节点数量一致，两类输入特征维数均较高，本实施例选择卷积神经网络(Convolutional Neural Networks, CNN)的卷积层和池化层作为电压和发电负荷功率特征提取器。为提高特征提取效率，潮流功率特征、电压特征和故障点在分区中的全维电气坐标分别经过单独的特征提取器通道进行特征提取，各特征提取器输出的高维抽象特征一同输入至最后的全连接层进行逻辑判断，得出最终的电网安全评估结果。

各特征提取器同步并行训练且互不影响，与基于单特征提取器的卷积神经网络相比，本实施例所提的多通道卷积神经网络模型兼具高训练效率与预测精度。

本实施例公开的动态安全分区评估框架，如图1所示，包括离线阶段与在线评估阶段。离线阶段可进一步分为电网分区与模型训练两部分，首先，基于Mean shift聚类算法，按照节点间的电气连接紧密程度对电网系统进行分区。然后，获取每个分区中训练用故障点在分区中的全维电气坐标和故障前电网的潮流稳态特征，作为每个分区的训练数据；

通过每个分区的训练数据和针对每个分区构建的多通道卷积神经网络模型，获得电网各分区的电网动态安全评估模型。

具体的，将每个分区的训练数据输入针对相应分区构建的多通道卷积神经网络模型中，对多通道卷积神经网络模型进行训练，训练完成，获得各分区的电网动态安全评估模型。

在线评估阶段，获取故障点所在分区、故障点在分区中的全维电气坐标和故障前电网的稳态潮流特征；

根据故障点所在分区，从各分区的电网动态安全评估模型中选取故障点所在分区的电网动态安全评估模型；

根据故障点在分区中的全维电气坐标、故障前电网的稳态潮流特征和选取出的电网动态安全评估模型，获得电网的安全评估结果。

即：将故障点在分区中的全维电气坐标和故障前电网的稳态潮流特征，输入根据故障点所在分区选取出的电网动态安全评估模型中，获得电网的安全评估结果。

以动态安全评估范畴内的某区域电网暂态功角稳定评估(Transient StabilityAssessment, TSA)为具体应用场景，验证本发明所提的大规模电网动态安全分区评估方法有效性。

基于本实施例所提出的Mean shift分区流程，以某节点的全维电气坐标作为输入，对该算例系统进行分区。其中，Mean shift算法的输入为各节点的全维电气坐标特征，距离度量方式为切比雪夫距离，每次取距离偏移节点最近的100个节点组成高维球区域，带宽

表1不同聚类距离阈值下的指标

当

为验证切比雪夫距离度量的有效性，本实施例基于Mean shift算法，分别比较切比雪夫距离、欧式距离、曼哈顿距离度量下的分区评价指标，比较结果如图13所示，从

为验证Mean shift算法在电网分区中的有效性，进一步比较分别基于Mean shift与K-means算法的电网分区效果。K-means算法需预先设定分区数

在样本集生成过程中，系统各负荷节点的功率水平在80%~120%间随机波动，各发电机出力根据负荷水平和旋转备用容量做出相应改变，共生成7000种运行方式组成场景集。训练用的故障类型考虑为对电网稳定运行影响最大的三相短路故障，故障位置分别设为各条除发电机节点外的各母线节点，故障持续时间设为0.25s，故障清除前后电网拓扑结构保持不变。对于每个故障位置，分别从场景集中抽取50种运行方式进行时域仿真，共生成104850个案例。按照所提动态安全分区评估框架，提取训练用故障点所在区内的全维电气坐标特征，生成3组样本集。

随机选择各分区样本集中的70%样本作为对应分区的TSA模型训练集，剩余30%样本作为测试集，以CNN为机器学习器，构建各分区的TSA模型。为避免CNN过拟合现象，对部分网络参数进行正则化，在最后全连接层中添加dropout层，并采用回调函数技术，自动保存训练过程中在测试集上评估误差最小的TSA模型。表2给出了电网分区评估与统一评估两种方式下的误差比较结果，其中，统一评估即不进行电网分区，所用故障点全维电气坐标特征为故障点至全网全部节点间电气距离组成的特征，并训练得到统一的TSA模型。

表2统一TSA和分区TSA的误差比较

由表2可知，与统一评估方式相比，分区评估在各区域及电网总体上的评估误差显著减小，表明考虑电气连接紧密度的电网分区评估方法能够有效提高数据驱动的大电网动态安全评估精度。

实施例2

在该实施例中，公开了一种电力系统动态安全分区评估系统，包括：

节点的全维电气坐标获取模块，用于获取电网全部节点的全维电气坐标；

电网分区获取模块，用于根据各节点的全维电气坐标，采用Mean shift算法对节点进行区域划分，确定所有节点的电网分区；

训练数据获取模块，用于获取故障前电网的稳态潮流特征和各分区中训练用故障点在分区中的全维电气坐标，作为各分区的训练数据；

电网动态安全评估模型获取模块，用于通过各分区的训练数据和多通道卷积神经网络，获得电网各分区的电网动态安全评估模型；

电网安全评估模块，用于对电网进行动态安全评估时，获取故障点在分区中的全维电气坐标和故障前电网的稳态潮流特征；从各分区的电网动态安全评估模型中选取故障点所在分区的电网动态安全评估模型；根据故障点在分区中的全维电气坐标、故障前电网的稳态潮流特征和选取出的电网动态安全评估模型，获得电网的安全评估结果。

实施例3

在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种电力系统动态安全分区评估方法所述的步骤。

实施例4

在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种电力系统动态安全分区评估方法所述的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。