基於隨機森林法的電力系統靜態電壓穩定臨界點預測方法與流程

2023-06-14 20:21:03 2

1.本發明屬於電力系統分析技術領域，涉及一種靜態電壓穩定臨界點預測方法，具體涉及一種基於隨機森林法的電力系統靜態電壓穩定臨界點預測方法。


背景技術：

2.電力系統是當今社會最重要的基礎設施之一，其安全穩定運行與人類的日常生產生活息息相關，具有重要的意義。根據電力系統穩定特性的物理機理不同，可將電力系統的穩定性分為電壓穩定、功角穩定與頻率穩定。其中，電壓穩定性主要關注的是電力系統經歷擾動後維持節點電壓幅值在要求範圍內的能力。靜態電壓穩定從穩態潮流方程出發，通過判斷潮流方程是否有可行解來評價系統的電壓穩定性，並將系統的最大傳輸功率作為靜態電壓穩定運行的臨界。
3.隨著電網規模的不斷擴大，風電等間歇性可再生能源發電的大量併網，電力系統的運行狀態更加複雜多變，使得電力系統靜態電壓失穩風險顯著增加，因此如何快速的分析電力系統靜態電壓穩定裕度對於保障電網的安全穩定運行意義重大。


技術實現要素：

4.本發明的目的，是要提供一種基於隨機森林法的電力系統靜態電壓穩定臨界點預測方法，通過將電力系統當前運行點的有功發電和有功負荷節點、發電機節點和負荷節點的功率增長方向輸入到基於隨機森林方法訓練好的模型當中，可以快速計算系統靜態電壓穩定裕度。
5.本發明為實現上述目的，所採用的技術方案如下：
6.一種基於隨機森林法的電力系統靜態電壓穩定臨界點預測方法，包括以下步驟：
7.s1、對於電力系統的發電機節點和負荷節點，分別基於蒙特卡羅法生成隨機數，計算發電機節點和負荷節點的功率增長方式；沿發電機節點和負荷節點功率增長方向，通過連續潮流方法生成不同預測點的特徵數據；
8.s2、以電力系統當前運行點的有功發電和有功負荷節點、發電機節點和負荷節點的功率增長方向作為樣本特徵數據，對樣本特徵數據中初始運行點的發電機節點和負荷節點進行線性歸一化處理，得到處理後的特徵數據；
9.s3、從處理後的特徵數據中抽取訓練集輸入隨機森林進行訓練，將其餘處理後的特徵數據作為測試集進行測試，確定最大的預測誤差及最大預測誤差對應的樣本，在最大預測誤差對應的樣本上通過微調訓練法獲得新樣本，更新訓練集，重新輸入隨機森林，不斷重複，直到最大的預測誤差平穩不在變化，得到訓練好的模型；
10.s4、將電力系統當前運行點的有功發電和有功負荷節點、發電機節點和負荷節點的功率增長方向輸入到訓練好的模型當中，計算系統靜態電壓穩定裕度。
11.作為限定，步驟s1的具體過程為：
12.s11、對於電力系統的發電機節點，在其有功出力範圍隨機抽樣，獲得發
電機節點的初始發電功率得到用所有發電機節點的初始發電功率構成的向量
13.對於電力系統的負荷節點，在其有功出力範圍隨機抽樣，獲得負荷節點的初始負荷節點功率得到用所有負荷節點功率構成的向量
14.s12、對於電力系統的發電機節點，通過蒙特卡羅法在[0，1]間隨機生成ng個隨機數εj,j＝1,2,
…
k1…
,ng，ng為電力系統中發電機節點的總數，計算發電機節點的功率增長方式；
[0015]
對於電力系統的負荷節點，通過蒙特卡羅法在[0，1]間隨機生成n
l
個隨機數δj,j＝1,2,
…
k2…
,n
l
，n
l
為負荷節點的總數，計算負荷節點的功率增長方式；
[0016]
s13、以和作為初始運行點，沿發電機節點和負荷節點功率增長方向，通過連續潮流方法生成不同預測點的特徵數據。
[0017]
作為進一步限定，步驟s12中，發電機節點的功率增長方式的計算公式為：
[0018][0019]
其中，為第k1個發電機節點生成的隨機數；
[0020]
負荷節點的功率增長方式的計算公式為：
[0021][0022]
其中，δ
k2
為第k2個負荷節點生成的隨機數。
[0023]
作為第二種限定，步驟s2中，對樣本特徵數據中初始運行點的發電機節點和負荷節點線性歸一化處理的計算公式為：
[0024][0025][0026]
其中，為初始運行點的第i個發電機節點的有功功率，為初始運行點的第i個發電機節點的最小有功功率，為初始運行點的第i個發電機節點的最大有功功率，為初始運行點的第i個負荷節點的有功功率，為初始運行點的第i個負荷節點的最小有功功率，為初始運行點的第i個負荷節點的最大有功功率。
[0027]
作為第三種限定，步驟s3中，訓練集和測試集的比例分別為8：2。
[0028]
作為進一步限定，步驟s3中，從處理後的特徵數據中抽取訓練集輸入隨機森林進行訓練，將其餘處理後的特徵數據作為測試集進行測試，確定最大的預測誤差及最大預測
誤差對應的樣本，在最大預測誤差對應的樣本上通過微調訓練法獲得新樣本的過程包括：
[0029]
s31、模型訓練及調參，選用機器學習算法中的隨機森林模型，以訓練集中的向量作為特徵x＝{x1,x2,
…
,xn}，以系統靜態電壓穩定裕度作為預測值y＝{y1,y2,
…
,yn}，其中，xn為第n個樣本的特徵，yn為第n個樣本的預測值，n為樣本數量。
[0030]
s32、模型評估，通過對抽取的訓練集為d＝{(x1,y1),(x2,y2),
…
(xn,yn)}做五折交叉驗證，並在測試集上輸出預測值的方式對初步模型進行評估。
[0031]
s33、模型輸出，若結果符合預設標準，即模型輸出的預測值與真實值的誤差變化平穩，則將該初步模型作為預測模型，導出並存儲，若結果不符合預設標準則返s31，對初步模型進行再次訓練及調參。
[0032]
作為第四種限定，步驟s4中，靜態電壓穩定裕度的計算公式為：
[0033][0034][0035][0036]
其中，λc為電力系統的靜態電壓穩定裕度，為電壓崩潰點的第i個負荷節點的有功功率，d
l,i
為第i個發電機節點的功率增長量；為電壓崩潰點的第i個發電機節點的有功功率，d
g,i
為第i個負荷節點的功率增長量。
[0037]
本發明由於採用了上述的技術方案，其與現有技術相比，所取得的技術進步在於：
[0038]
(1)與現有技術相比，本發明將隨機森林方法應用於電力系統的靜態電壓穩定裕度預測，實現了給定當前運行方式和未來的功率增長模式的條件下，系統靜態電壓穩定裕度的快速計算；
[0039]
(2)本發明具有計算時間短，準確度、可靠性較高的優勢。
[0040]
綜上所述，本發明在計算時間上有明顯的優勢且可獲得較高的計算精度，適用於快速尋找電力系統的靜態電壓穩定臨界點。
附圖說明
[0041]
圖1所示為本發明實施例的方法流程圖；
[0042]
圖2所示為本發明實施例的電網接線圖；
[0043]
圖3所示為本發明實施例的最大的預測誤差的百分數；
[0044]
圖4所示為本發明實施例的預測值與實際值的靜態電壓穩定裕度折線圖。
具體實施方式
[0045]
為了更好的解釋本發明，以便於理解，下面結合附圖，通過具體實施方式，對本發明作詳細描述。
[0046]
實施例 一種基於隨機森林法的電力系統靜態電壓穩定臨界點預測方法
[0047]
如圖1所示，本實施例包括以下步驟：
[0048]
s1、對於電力系統的發電機節點和負荷節點，分別基於蒙特卡羅法生成隨機數，計算發電機節點和負荷節點的功率增長方式；沿發電機節點和負荷節點功率增長方向，通過連續潮流方法生成不同預測點的特徵數據；
[0049]
本步驟的具體過程為：
[0050]
s11、對於電力系統的發電機節點，在其有功出力範圍隨機抽樣，獲得發電機節點的初始發電功率得到用所有發電機節點的初始發電功率構成的向量
[0051]
對於電力系統的負荷節點，在其有功出力範圍隨機抽樣，獲得負荷節點的初始負荷節點功率得到用所有負荷節點功率構成的向量
[0052]
s12、對於電力系統的發電機節點，通過蒙特卡羅法在[0，1]間隨機生成ng個隨機數εj,j＝1,2,
…
k1…
,ng，ng為電力系統中發電機節點的總數，計算發電機節點的功率增長方式；
[0053]
對於電力系統的負荷節點，通過蒙特卡羅法在[0，1]間隨機生成n
l
個隨機數δj,j＝1,2,
…
k2…
,n
l
，n
l
為負荷節點的總數，計算負荷節點的功率增長方式；
[0054]
發電機節點的功率增長方式的計算公式為：
[0055][0056]
其中，為第k1個發電機節點生成的隨機數；
[0057]
負荷節點的功率增長方式的計算公式為：
[0058][0059]
其中，δ
k2
為第k2個負荷節點生成的隨機數；
[0060]
s13、以和作為初始運行點，沿發電機節點和負荷節點功率增長方向，通過連續潮流方法生成不同預測點的特徵數據。
[0061]
s2、以電力系統當前運行點的有功發電和有功負荷節點、發電機節點和負荷節點的功率增長方向作為樣本特徵數據，對樣本特徵數據中初始運行點的發電機節點和負荷節點進行線性歸一化處理，得到處理後的特徵數據；
[0062]
本步驟對樣本特徵數據中初始運行點的發電機節點和負荷節點線性歸一化處理的計算公式為：
[0063][0064]
[0065]
其中，為初始運行點的第i個發電機節點的有功功率，為初始運行點的第i個發電機節點的最小有功功率，為初始運行點的第i個發電機節點的最大有功功率，為初始運行點的第i個負荷節點的有功功率，為初始運行點的第i個負荷節點的最小有功功率，為初始運行點的第i個負荷節點的最大有功功率率。
[0066]
s3、從處理後的特徵數據中抽取訓練集輸入隨機森林進行訓練，將其餘處理後的特徵數據作為測試集進行測試，確定最大的預測誤差及最大預測誤差對應的樣本，在最大預測誤差對應的樣本上通過微調訓練法獲得新樣本，更新訓練集，重新輸入隨機森林，不斷重複，直到最大的預測誤差平穩不在變化，得到訓練好的模型；其中，訓練集和測試集的比例分別為8：2；
[0067]
本步驟中，從處理後的特徵數據中抽取訓練集輸入隨機森林進行訓練，將其餘處理後的特徵數據作為測試集進行測試，確定最大的預測誤差及最大預測誤差對應的樣本，在最大預測誤差對應的樣本上通過微調訓練法獲得新樣本的過程包括：
[0068]
s31、模型訓練及調參，選用機器學習算法中的隨機森林模型，以訓練集中的向量作為特徵x＝{x1,x2,
…
,xn}，以系統靜態電壓穩定裕度作為預測值y＝{y1,y2,...,yn}，其中，xn為第n個樣本的特徵，yn為第n個樣本的預測值，n為樣本數量。
[0069]
s32、模型評估，通過對抽取的訓練集為d＝{(x1,y1),(x2,y2),
…
(xn,yn)}做五折交叉驗證，並在測試集上輸出預測值的方式對初步模型進行評估。
[0070]
s33、模型輸出，若結果符合預設標準，即模型輸出的預測值與真實值的誤差變化平穩，則將該初步模型作為預測模型，導出並存儲，若結果不符合預設標準則返s31，對初步模型進行再次訓練及調參。
[0071]
s4、將電力系統當前運行點的有功發電和有功負荷節點、發電機節點和負荷節點的功率增長方向輸入到訓練好的模型當中，計算系統靜態電壓穩定裕度；
[0072]
靜態電壓穩定裕度的計算公式為：
[0073][0074][0075][0076]
其中，λc為電力系統的靜態電壓穩定裕度，為電壓崩潰點的第i個負荷節點的有功功率，d
l,i
為第i個發電機節點的功率增長量；為電壓崩潰點的第i個發電機節點的有功功率，d
g,i
為第i個負荷節點的功率增長量。
[0077]
下面對本實施例進行算例分析：
[0078]
本實施例採用如圖2所示的ieee39節點配電系統驗證本發明所提方法的有效性與正確性。該算例系統中包含：21個負荷節點，10個發電機節點。考慮到不同的當前運行方式和未來的功率增長模式的條件下，系統靜態電壓崩潰點計算量巨大，通過基於matlab的
matpower生成樣本。在本算例中，對於發電機節點，在其有功出力範圍隨機抽樣，獲得發電機節點的初始發電功率同樣，對於負荷節點，在其有功出力範圍隨機抽樣，獲得負荷節點的初始負荷節點功率通過改變負荷節點以及發電機節點的輸出，仿真共得到7694個樣本，獲得的樣本80％(6155個)作為訓練集，其餘的20％(1538個)作為測試集。
[0079]
如表1所示，給出了四個樣本在不同的狀態下的靜態電壓穩定裕度。表中每兩列代表一個樣本，第一列表示當前運行狀態，第二列表示功率增長方向。其中，bus1-bus21是為負荷節點，bus30-bus39為發電機節點，最後一行為當前運行點沿著該方向的靜態電壓穩定裕度，計算結果中給出的裕度為標么值，基準值為500mva。
[0080]
表1ieee-39節點系統計算結果
[0081]
[0082][0083]
如圖3所示，為本實施例更新訓練集重新輸入隨機森林後，得到的最大的預測誤差的百分數。
[0084]
為了驗證本實施例的預測效果，隨機選取100個樣本，畫出樣本的預測值與實際值的靜態電壓穩定裕度折線圖。由圖4可看出，在開始迭代時，預測值和實際值的誤差很大，達到15.9％。隨著迭代次數的增加，最大誤差逐漸變小並且趨於穩定，到3.03％。由此可以看出用隨機森林法預測的裕度值和實際值誤差很小，表明了本實施例方法預測的準確性。