基于人工智能方法的電力系統動態等值的應用研究

宋才華 鄧乾

摘 要： 電力系統中，動態等值分析方法越來越得到重視，它具有簡化系統的運算過程、提高運算能力等特點。介紹幾種等值方法并簡要的分析了各自特點，闡述了電力系統建模的原理和建立模型的主要類別，提出了A模型的設計方案并對其建立和測試過程作了論述。

關鍵詞： 電力系統; 動態等值; 人工智能

中圖分類號： TP311 ? ? ?文獻標志碼： A

Analyss of Dynamc Equvalence of Power System Based on Artfcal ntellgence

SONG Cahua， DENG Qan

（Foshan Power Supply Bureau， Foshan 528000）

Abstract： n the power system， the dynamc equvalence analyss method s gettng more and more attenton. t has the characterstcs of smplfyng the operaton process and mprovng the computng power of the system. n ths paper， several equvalent methods are ntroduced and ther characterstcs are brefly analyzed. The prncples of the modelng of power system and the man categores of the model are expounded. The desgn scheme of the A model s put forward and the process of ts establshment and testng s dscussed.

Key words： Power system; Dynamc equvalence; Artfcal ntellgence

0 引言

隨著經濟的迅速發展，電力系統也正迅速向多機、大電網、交直流混合輸電及大區域電網互聯運行的趨勢發展，這樣使得電力系統離線分析在仿真計算的維度和復雜度上都面臨著很大的困難，對于在線分析如EMS（Energy Management System）等在速度和精度上更是提出了更高的要求[1]。因此對系統進行必要的簡化，是十分必要也是十分迫切的。

隨著針對目前電力系統的規模不斷擴大，動態等值作為一種系統簡化的方法，具有可以大大降低計算量、降低方程的維數并能保持系統主要特征等優點，對于實時在線分析十分重要，受到了越來越多的重視[2]。

1 等值方法分類

1.1 同調等值法

同調（coherency-based）等值法是一種基于發電機同調概念的等值方法，將滿足同調條件的發電機等值成一臺發電機。同調等值法主要適用于電力系統離線大擾動下的暫態穩定分析[3]。

同調等值法的優點：物理透明度大，可直接用于暫態穩定分析，適應系統的非線性和大擾動，且可以適用于大規模系統等值，速度很快，動態等值精度控制較方便等[4]。

同調等值法存在的缺點：同調機群的劃分和擾動的地點、類型等因素有關;網絡化簡、移相變壓器的消去會對動態過程帶來一定誤差;另外，同調發電機聚合較復雜，且有一定擬合誤差等[5]。

同調等值法己在電力系統中廣泛應用，發展已經比較成熟，很多仿真軟件中均有同調等值的功能[l]。

1.2 模式等值法

模式等值法是一種基于外部系統線性化模型和特征值性質進行降階的等值簡化方法，是將外部系統線性化后，根據特征值分析，將頻率較高、衰減較快那些特征根對應的模式忽略不計，保留對研究系統影響較大的特征根對應的模式，從而可以對系統進行降階簡化處理。主要用于離線的小干擾穩定分析，有時也可用于離線的大擾動暫態分析，要求等值前后研究系統在小干擾下的主要動態特性（主特征根及相應的主特征向量）基本保持一致[6]。

模式等值法的優點：物理概念明確，可對外部系統作高度簡化并保留其主要特征值;一旦獲得了有關外部系統的動態等值，就可用同一等值模型對研究系統內的大量故障進行計算分析，只要故障不發生在太靠近等值的邊界即可[7]。

模式等值法的缺點：主要在等值過程中要形成外部系統的線性化模型，通過系數矩陣作特征根分析，當外部系統極大時，求特征根會有“維數災”問題，等值計算工作量較大。可以將外部系統分為若干外部區域，對每個外部區域采用上述方法，則“維數災”的問題基本可解決。另外，等值后的外部系統用線性化方程表示，若用于暫態穩定分析，則要對常規程序作修改[8]。

1.3 估計等值法

估計等值法實際上根據量測量（或者外部系統的動態響應）來估計和辨識外部系統及其等值模型參數的方法。目前在線用的估計等值法根據擾動的不同可分為兩大類：一類利用人為的確定性擾動，記錄系統響應，由此估計外部系統的等值參數;另一類是利用隨機擾動，記錄系統的響應，經過濾波及信息處理，獲得等值系統的參數估計[7]。

前者抗干擾性能好，人為擾動有一定強度，但不太實用，因為要施加確定性擾動，影響系統運行，一般采用最小二乘估計方法。后者要求作必要的濾波及相關分析，以防止噪聲干擾，數學處理較復雜，但較適應于實際應用要求，它一般采用極大似然函數和卡爾曼濾波的估計方法[9]，即把在線量測值減去預估量的殘差的似然函數重復地進行最小化，直至最優。

與同調法和模式法不同，估計等值法不需要外部系統的詳細數據，能夠適應系統的工況多變和結構多變，適用于大規模電力系統的在線安全分析。在電力市場化的新環境下，各電力公司為了追求利益最大化，相互之間的數據具有不透明性[10]。因此，在電力市場的環境和實時在線的要求下，研究估計等值法是一個很有實際應用意義的工作，估計等值法的發展將會是電力系統仿真發展不可避免的趨勢，是實現大電網在線安全分析的前提。

2 系統模型和辨識理論

2.1 模型概述

模型就是把實際的物體中的本質部分用直觀的信息形式進行表達。常用的模型可分為物理模型和數學模型兩大類。物理模型是根據相似原理構成的一種物理模擬;數學模型是指以數學表達式來描述過程的動態特征，在時域上常用的形式有代數方程、微分方程、差分方程、狀態方程等。兩種模型的形式不同，其研究的方式也相異。物理模型通常通過模型試驗來達到動態特性的研究;而數學模型則需通過數字仿真計算來闡述動態過程[11]。

在電力系統中隨著規模的不斷擴大和計算技術的不斷發展，物理仿真已經越來越不能滿足要求，采用數學仿真進行動態計算也越來越顯示出其優越性。

2.2 辨識的基本原理

辨識實際上就是一種建模的過程，利用被控制系統的輸入和輸出，通過一定的數據處理，估計出被控制系統的數學模型[12]。隨著電力系統間的互聯，系統的規模不斷擴大，人們對于電力系統精確仿真越來越重視。

動態等值作為簡化現代大規模電力系統的一種手段，在大規模系統仿真和實時在線動態安全分析方面都有著十分重要的意義。對仿真的精確度愈來愈高，也就要求動態等值所保留的等值精度越來越高，因此對于動態等值采用的模型的精度要求更高[13]。

2.3 電力系統的元件模型

電力系統仿真是電力系統進行設計、規劃、運行等的主要工具，相應的決策無一不是以仿真計算結果為依據。如果相應的決策基于偏保守的仿真結果，則會造成不必要的浪費;如果相應的決策基于偏樂觀的仿真結果，則會給系統構成潛在的危險[14]。因此對于電力系統仿真的元件數學模型進行詳細的研究，再結合研究的需要，恰當地選取元件模型時十分重要的，同樣對于動態等值，尤其是估計等值方法，確立外部系統的元件模型是十分關鍵的。

3 人工智能及模型設計方案

3.1 人工智能方法

人工智能方法是一種借鑒和利用自然界中自然現象或生物體地各種原理和機理而開發并具有自適應環境能力的優化方法。

進化算法的發展，使得經典人工智能算法的研究再度掀起，使得人工智能算法成為當今研究的熱點，并已發展成為一種多學科、多智能交叉融會、滲透的信息與計算研究領域。經典人工智能方法與來自生命科學中的其他生物理論相結合，使得這類算法有了較大的進展，神經網絡與免疫網絡的結合成了免疫神經網絡。現代人工智能方法在經典的人工智能方法的理論及應用基礎上，已逐步發展出許多較有潛力的分支。人工智能方法已經呈現出了較多的工具，如免疫遺傳算法、混沌免疫算法、蟻群優化算法等，這些都顯示了模擬或者借鑒生物智能[15]。

目前人工智能方法呈現出三大發展趨勢：一是對經典智能算法的改進和廣泛應用，以及對其理論的深入、廣泛研究;二是現代智能算法的發展，開發新的智能工具，拓寬其應用領域，并尋求理論基礎;三是經典人工智能算法與現代人工智能算法的結合建立混合智能算法[16]。

3.2 A模型設計方案

根據原始數據構建量費領域知識圖譜，然后根據此知識圖譜基于神經網絡做一系列操作，包括知識圖譜的表示學習，卷積編碼操作學習數據的特征等，并基于這些特征輸出候選異常用戶。模型工作流程設計方案如圖1所示。

4 A模型建立及測試

根據原始數據構建量費領域知識圖譜，然后根據此知識圖譜基于神經網絡做一系列操作，包括知識圖譜的表示學習，卷積編碼操作學習數據的特征等，并基于這些特征輸出候選異常用戶。

4.1 模型的建立

模型輸入主要步驟如下。

（1） 梳理原始“量費”業務稽查相關數據，建立完整“量費”稽查業務語義體系，利用上述語義體系構建基于CA模型（Core-Attachment）的知識圖譜，接著設定需求自適應規則/參數對用戶點相連方式，生成鄰接矩陣輸入圖，保證模型的通用性。

（2） 通過構建一個多層級結構的圖模型，考慮主次級別的基礎上建立不同對象之間的關系，更加準確的度量對象之間的相關性。

（3） 采用一種基于卷積神經網絡的表示學習算法，實現針對知識圖譜的卷積神經網絡編碼器，同時結合循環神經網絡，建立一個一個混合模型以彌補卷積神經網絡的不足，同時使用動量隨機梯度下降對模型進行優化。

4.2 模型測試

（1） 充分利用半監督學習算法，對輸入圖的部分用戶進行語義標注，有效降低人工標注工作量;在神經網絡層，研發高效可按需調整、支持擴展操作的圖卷積層作為圖卷積網絡的隱藏層。

（2） 使用整流線性單位（ReLu）作為激活函數以及圖拉普拉斯正則化作為損失函數對網絡進行訓練優化。

（3） 根據實際問題是二類還是多類，采用決策向量機（SVM）或者SOFTMAX函數對輸出結果進行最終分類并打上對應標簽。

4.3 模型輸出

首先選擇合適的分類算法，用單一的算法對電力數據進行處理，選擇獲得最佳結果的前N個算法。

在選定一組基于全局準確率的最佳方法后，設計一個集成深度學習模型進行多分類器融合學習。

針對模型中特征重要性測量問題，采取傳統集成學習算法與循環神經網絡特征學習信息結合的方式進行特征重要性賦值。

結合多個重要性指標如本地正確率、多樣化正確率、局部泛化誤差界等進行每層分類器的權重計算，完成集成學習模型的構建。分類算法結構示意如圖2所示。

4.4 模型效果

模型應用，可以定向有重點地對數據進行處理，很大程度上提高了整個運算系統的效率;對數據處理進行人工干預，有效地避免過程中運算錯誤帶來的問題，能夠及時糾正問題。模型運行過程如圖3所示。

5 總結

針對目前電力系統的規模不斷擴大，對于實時在線分析的要求越來越高，本文對電力系統的動態等值方法進行了研究，提出了一種A模型的解決方法。針對電力系統動態等值過程中的研究，得到的結論如下：

（1） 對目前電力系統的三大動態等值方法：同調等值法、模式等值法和估計等值法。同調等值法和模式等值已經應用較多，估計等值法在未來將會有所突破和發展。

（2） 人工智能方法與其他優化算法相比，具有精度高、速度快、收斂性好、魯棒性強的優點，因此適合于動態等值算法。

（3） 本文提出的A模型算法可以對大數據平臺進行分析，并可以對問題數據進行再分析及人工干預、矯正分析過程，使樣本數據分結果更加精確。

參考文獻

[1] 吳敏玲.基于運行數據的風電場動態等值建模及故障預警研究[D].泉州：華僑大學，2017.

[2] 華玉婷，李生虎. 基于SMP狀態空間等值的智能變電站保護系統短期可靠性評估[J].系統工程理論與實踐，2016，36（9）：2439-2448.

[3] 晁璞璞，李衛星，金小明.關于雙饋風電場動態等值的認識和探討[J].電力系統自動化，2016，40（12）：194-199.

[4] 廖庭堅，劉光曄，雷強，等.計及電動機負荷的電力系統動態等值分析[J].電網技術，2016，40（5）：1442-1446.

[5] 張星，李龍源，胡曉波，等.基于風電機組輸出時間序列數據分群的風電場動態等值[J].電網技術，2015，39（10）：2787-2793.

[6] 崔曉丹，李威，李兆偉，等.適用于機電暫態仿真的大型光伏電站在線動態等值方法[J].電力系統自動化，2015，39（12）：21-26.

[7] 曹晏萊.基于靈敏度分析的中小水電機群動態等值方法研究[D].武漢：華中科技大學，2015.

[8] 羅堅強.基于電網等值的最優勵磁控制器設計[D].武漢：華中科技大學，2015.

[9] 周明，葛江北，李庚銀.基于云模型的DFG型風電場動態電壓等值方法[J].中國電機工程學報，2015，35（5）：1097-1105.

[10] 潘學萍，張弛，鞠平，等.風電場同調動態等值研究[J].電網技術，2015，39（3）：621-627.

[11] 高遠，金宇清，鞠平，等.考慮Crowbar動作特性的DFG風電場動態等值研究[J].電網技術，2015，39（3）：628-633.

[12] 王增平，張樂豐.考慮棄風的DFG風電場動態等值模型[J].電力系統保護與控制，2014，42（13）：1-6.

[13] 朱良合，欒會，毛承雄，等. 基于電網動態等值的PSS參數智能優化方法[J].廣東電力，2014，27（3）：28-33.

[14] 鄧桂秀.基于人工智能算法的配網重構和拓撲分析的研究[D].福州：福州大學，2014.

[15] 欒會.基于電網動態等值的PSS參數優化[D].武漢：華中科技大學，2014.

[16] 李靜.智能變電站全場景試驗系統仿真與測試軟件平臺研制[D].成都：電子科技大學，2012.

（收稿日期： 2018.11.14）

作者簡介：宋才華（1976-），男，湛江市，研究方向：供電系統客戶服務的信息化建設與應用。

鄧乾（1993-），男，佛山市，研究方向：供電系統客戶服務的信息化建設與應用。文章編號：1007-757X（2020）01-0134-04