基于长短期记忆神经网络的检修态电网暂态稳定评估方法

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (14652 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要随着电网规模不断扩大,电力元件持续增多,电力系统检修方式日趋复杂,仅依靠传统方法难以对海量检修方式下电网的暂态稳定风险进行评估。针对此问题,提出一种基于长短期记忆（LSTM）神经网络的检修态电网暂态稳定风险评估方法。首先提出电力系统检修方式的统一编码方法,使计算机能够快速、准确识别电网在各种检修方式下的运行状态,然后建立长短期记忆神经网络并基于大量检修态电网故障样本对网络进行训练,最终实现对不同检修方式下电网暂态稳定程度的准确评估。最后,以华中地区某省级电网为算例,验证了所提方法的准确性。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	王步华
	朱劭璇
	熊浩清
	谢岩
	李晓萌

关键词 ：电力系统, 检修方式, 暂态稳定, 长短期记忆（LSTM）, 神经网络

Abstract：With the expansion of power grid scale and the increase of power components, the maintenance methods of power system become more and more complex. It is difficult to evaluate the transient stability risk of power grid under massive maintenance only by traditional methods. To solve this problem, a risk assessment method of transient stability in maintenance power network based on long short term memory (LSTM) neural network is proposed. Firstly, the unified coding method of power system maintenance mode is proposed, so that the computer can quickly and accurately identify the operation state of power grid under various maintenance modes. Then, a long short term memory neural network is established and trained based on a large number of fault samples of the power grid under maintenance. After that, the accurate evaluation of the power grid transient stability under different maintenance modes is realized. Finally, a regional power grid in Central China is taken as an example to verify the accuracy of the proposed method.

Key words： power system maintenance mode transient stability long short term memory (LSTM) neural network

收稿日期: 2022-11-29

基金资助:国网河南省电力公司科技项目（5217022000A8）

作者简介: 王步华（1965—）,男,高级工程师,研究方向为电力系统运行与控制,新能源发电及并网,电力储能应用。

引用本文:

王步华, 朱劭璇, 熊浩清, 谢岩, 李晓萌. 基于长短期记忆神经网络的检修态电网暂态稳定评估方法[J]. 电气技术, 2023, 24(1): 29-35. WANG Buhua, ZHU Shaoxuan, XIONG Haoqing, XIE Yan, LI Xiaomeng. Assessment method of transient stability for maintenance power system based on long short term memory neural network. Electrical Engineering, 2023, 24(1): 29-35.

链接本文:

http://dqjs.cesmedia.cn/CN/Y2023/V24/I1/29

[1] 刘晔, 沈沉. 交直流混联系统的能量函数构造方法综述与探究[J]. 中国电机工程学报, 2022, 42(8): 2842-2854.
[2] 张晓华, 徐伟, 吴峰, 等. 交直流混联电网连锁故障特征事件智能溯源及预测方法[J]. 电力系统自动化, 2021, 45(10):17-24.
[3] 郭小颖, 唐俊杰, 舒铜, 等. 基于改进模态分析法的柔性多端交直流混联系统静态电压稳定性评估[J]. 电工技术学报, 2021, 36(17): 3741-3752.
[4] 苏福, 杨松浩, 王怀远, 等. 电力系统暂态稳定时域仿真快速终止算法研究[J]. 中国电机工程学报, 2017, 37(15): 4372-4378.
[5] 汪芳宗, 陈德树, 何仰赞. 大规模电力系统暂态稳定性实时仿真及快速判断[J]. 中国电机工程学报, 1993, 13(6): 13-19.
[6] 潘明帅, 汪芳宗, 宋墩文, 等. 基于广义向后差分方法的电力系统暂态稳定性快速数值计算方法[J]. 电力系统保护与控制, 2018, 46(1): 9-15.
[7] 吴滋坤, 张俊勃, 黄钦雄, 等. 基于非诚实牛顿法和雅可比迭代的电力系统时域计算隐式梯形积分交替求解算法[J]. 中国电机工程学报, 2022, 42(8): 2864-2873.
[8] 王长江, 姜涛, 陈厚合, 等. 基于相位校正李雅普诺夫指数的电力系统暂态电压稳定评估[J]. 电工技术学报, 2021, 36(15): 3221-3236.
[9] PAI M A, SAUER P W.Stability analysis of power systems by Lyapunov's direct method[J]. IEEE Control Systems Magazine, 1989, 9(1): 23-27.
[10] 陈厚合, 王长江, 姜涛, 等. 基于端口能量的含VSC-HVDC的交直流混合系统暂态稳定评估[J]. 电工技术学报, 2018, 33(3): 498-511.
[11] 刘志远, 王杰, 刘瑞麟. 基于Noether定理的多机系统能量函数构造方法[J]. 电网技术, 2020, 44(3): 1034-1040.
[12] 朱劭璇, 王彤, 王增平, 等. 考虑主导不稳定平衡点变化的电力系统暂态稳定切机控制策略[J]. 电力系统保护与控制, 2021, 49(5): 20-28.
[13] 杜兆斌, 黄昌树, 陈智颖, 等. 基于主导不稳定平衡点法的暂态电压稳定性研究[J]. 电测与仪表, 2022, 59(12): 64-70.
[14] 傅书逖. 势能界面法(PEBS)暂态稳定分析的综述及展望[J]. 电力系统自动化, 1998, 22(9): 16-18.
[15] 黄天罡, 薛禹胜, 林振智, 等. 动态EEAC的自适应分段映射[J]. 电力系统自动化, 2018, 42(21): 21-27.
[16] XUE Y, VAN C T, RIBBENS-PAVELLA M.Extended equal area criterion justifications, generalizations, applications[J]. IEEE Transactions on Power Systems, 1989, 4(1): 44-52.
[17] 陈轩伟. 基于BP-QR模型的负荷区间预测[J]. 电气技术, 2022, 23(4): 14-17, 24.
[18] 冯双, 崔昊, 陈佳宁, 等. 人工智能在电力系统宽频振荡中的应用与挑战[J]. 中国电机工程学报, 2021, 41(23): 7889-7905.
[19] 宓登凯, 王彤, 相禹维, 等. 基于Elastic Net的暂态稳定裕度在线评估[J]. 电网技术, 2020, 44(1): 19-26.
[20] 陈振祥, 林培杰, 程树英, 等. 基于K-means++和混合深度学习的光伏功率预测[J]. 电气技术, 2021, 22(9): 7-13, 33.
[21] AZMAN S K, ISBEIH Y, MOURSI M, et al.A unified online deep learning prediction model for small signal and transient stability[J]. IEEE Transactions on Power Systems, 2020, 35(6): 4585-4598.
[22] ZHU Lipeng, LUO Yonghong.Deep feedback learning based predictive control for power system under- voltage load shedding[J]. IEEE Transactions on Power Systems, 2021, 36(4): 3349-3361.
[23] 臧国强, 刘晓莉, 徐颖菲, 等. 深度学习在电力设备缺陷识别中的应用进展[J]. 电气技术, 2022, 23(6): 1-7.
[24] 卢锦玲, 郭鲁豫. 基于改进深度残差收缩网络的电力系统暂态稳定评估[J]. 电工技术学报, 2021, 36(11): 2233-2244.
[25] 安军, 艾士琪, 刘道伟, 等. 基于短时受扰轨迹的电力系统暂态稳定评估方法[J]. 电网技术, 2019, 43(5): 1690-1697.
[26] 李保罗, 孙华东, 张恒旭, 等. 基于两阶段迁移学习的电力系统暂态稳定评估框架[J]. 电力系统自动化, 2022, 46(17): 176-185.
[27] 时纯, 刘君, 梁卓航, 等. 基于GAN和多通道CNN的电力系统暂态稳定评估[J]. 电网技术, 2022, 46(8): 3191-3202.