摘要:針對(duì)大規(guī)模交直流混聯(lián)系統(tǒng)的快速動(dòng)態(tài)安全風(fēng)險(xiǎn)防控需求，研究了系統(tǒng)動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)的架構(gòu)與關(guān)鍵技術(shù)。結(jié)合電力系統(tǒng)安全風(fēng)險(xiǎn)評(píng)估的一般流程，提出了基于機(jī)器學(xué)習(xí)的安全風(fēng)險(xiǎn)智能評(píng)估的總體框架和動(dòng)態(tài)安全風(fēng)險(xiǎn)統(tǒng)一評(píng)估模型結(jié)構(gòu);構(gòu)建了包含發(fā)電負(fù)荷運(yùn)行方式、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、故障位置特征的訓(xùn)練樣本集合，采用樣本平衡技術(shù)提高評(píng)估模型精度;基于深度學(xué)習(xí)提取動(dòng)態(tài)安全風(fēng)險(xiǎn)高級(jí)特征，采用主流機(jī)器學(xué)習(xí)框架構(gòu)建和更新動(dòng)態(tài)安全風(fēng)險(xiǎn)統(tǒng)一評(píng)估模型。以省級(jí)電網(wǎng)為例驗(yàn)證了所提動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)的可行性。

　　關(guān)鍵詞:大規(guī)模電網(wǎng);動(dòng)態(tài)安全;智能評(píng)估;機(jī)器學(xué)習(xí)

　　0引言

　　隨著大容量直流輸電的集中饋入饋出，中國電力系統(tǒng)已經(jīng)成為典型的大規(guī)模交直流混聯(lián)電網(wǎng)[1]。直流輸電線路等暴露于自然環(huán)境中，可能發(fā)生各類故障導(dǎo)致直流閉鎖，系統(tǒng)遭受嚴(yán)重功率擾動(dòng)的風(fēng)險(xiǎn)增加[2]。因此，快速感知系統(tǒng)動(dòng)態(tài)安全風(fēng)險(xiǎn)，及時(shí)預(yù)警各種高風(fēng)險(xiǎn)運(yùn)行方式，是現(xiàn)代電力系統(tǒng)安全穩(wěn)定運(yùn)行的基礎(chǔ)，也是電網(wǎng)智能調(diào)度控制系統(tǒng)的基本功能[3]。傳統(tǒng)調(diào)度系統(tǒng)的動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估方法多基于時(shí)域仿真技術(shù)[4-9]。

　　時(shí)域仿真方法計(jì)及電力系統(tǒng)各元件物理模型，通過逐步積分的方法對(duì)各元件數(shù)學(xué)模型構(gòu)成的微分—代數(shù)方程組(differentialalgebraicequations，DAE)進(jìn)行求解，計(jì)算結(jié)果準(zhǔn)確。但是，對(duì)于大規(guī)模電力系統(tǒng)，系統(tǒng)詳細(xì)DAE規(guī)模龐大，時(shí)域仿真方法計(jì)算量大、耗時(shí)嚴(yán)重[10]。隨著新能源發(fā)電的大規(guī)模接入，系統(tǒng)運(yùn)行方式的不確定性增加，動(dòng)態(tài)安全評(píng)估需構(gòu)建大量典型運(yùn)行方式[11]。在此背景下，基于時(shí)域仿真技術(shù)評(píng)估系統(tǒng)動(dòng)態(tài)安全風(fēng)險(xiǎn)耗時(shí)長，難以滿足動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估快速性的需求[12]。

　　隨著人工智能技術(shù)的快速發(fā)展，基于機(jī)器學(xué)習(xí)的動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估方法也大量涌現(xiàn)。針對(duì)暫態(tài)穩(wěn)定[13]、電壓安全[14]和頻率安全[15]等安全風(fēng)險(xiǎn)屬性，不同方法采用穩(wěn)態(tài)潮流特征[15]或綜合使用潮流特征與故障后特征[16]構(gòu)建動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估模型。根據(jù)其對(duì)故障位置的處理方式，現(xiàn)有方法針對(duì)特定故障建立專用模型[17]，基于故障編碼建立通用模型[18]或基于動(dòng)態(tài)特征隱式表達(dá)故障位置建立通用模型[19-20]。

　　與基于物理模型的時(shí)域仿真方法不同，基于機(jī)器學(xué)習(xí)的動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估方法是數(shù)據(jù)驅(qū)動(dòng)的。此類方法首先通過離線訓(xùn)練建立動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估模型，然后針對(duì)需要進(jìn)行評(píng)估的未來場(chǎng)景，使用提前訓(xùn)練好的模型進(jìn)行在線評(píng)估。與時(shí)域仿真方法相比，基于機(jī)器學(xué)習(xí)的動(dòng)態(tài)安全評(píng)估方法無須進(jìn)行逐步積分，具有速度快的優(yōu)點(diǎn)，是未來電網(wǎng)智能調(diào)度系統(tǒng)實(shí)現(xiàn)動(dòng)態(tài)安全風(fēng)險(xiǎn)快速感知的重要途徑[21]。

　　現(xiàn)有基于機(jī)器學(xué)習(xí)的方法多針對(duì)單一安全風(fēng)險(xiǎn)屬性或指標(biāo)，且主要針對(duì)發(fā)電負(fù)荷運(yùn)行方式等特征開展研究，缺乏故障位置和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特征的準(zhǔn)確表達(dá)方法，無法提取故障位置和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的關(guān)鍵特征，動(dòng)態(tài)安全評(píng)估輸入特征集不完備。這導(dǎo)致系統(tǒng)動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估的模型集合規(guī)模龐大，模型訓(xùn)練、更新和維護(hù)困難。

　　針對(duì)上述問題，本文在現(xiàn)有研究基礎(chǔ)上構(gòu)建了基于機(jī)器學(xué)習(xí)的大規(guī)模交直流混聯(lián)系統(tǒng)動(dòng)態(tài)安全評(píng)估系統(tǒng)框架，并提出了能夠適應(yīng)故障位置和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)變化的動(dòng)態(tài)安全評(píng)估統(tǒng)一模型;充分考慮未來待評(píng)估樣本與訓(xùn)練樣本之間的聯(lián)系，生成符合歷史運(yùn)行規(guī)律且能充分反映未來待評(píng)估樣本可能分布的訓(xùn)練樣本;采用復(fù)雜深度學(xué)習(xí)與簡單頂層模型相結(jié)合的方法構(gòu)建動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估模型，并以某省級(jí)電網(wǎng)為算例，對(duì)所提動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)的有效性進(jìn)行驗(yàn)證。

　　1動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)架構(gòu)

　　1.1動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)總體框架

　　動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)包括模型學(xué)習(xí)、模型更新和在線應(yīng)用3個(gè)基本模塊。動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估模型的構(gòu)建是實(shí)現(xiàn)動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)的核心。基于歷史運(yùn)行數(shù)據(jù)構(gòu)建模型訓(xùn)練樣本和原始特征集，并通過離線訓(xùn)練提取樣本高級(jí)特征，構(gòu)建分安全風(fēng)險(xiǎn)屬性的智能評(píng)估模型，形成動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估模型庫。

　　在線應(yīng)用時(shí)，考慮到未來運(yùn)行方式的源荷不確定性，使用蒙特卡洛方法對(duì)不確定場(chǎng)景進(jìn)行抽樣，并基于K均值方法進(jìn)行場(chǎng)景縮減[22]，得到待評(píng)估場(chǎng)景;進(jìn)而生成待評(píng)估場(chǎng)景特征，使用安全風(fēng)險(xiǎn)智能評(píng)估模型對(duì)其進(jìn)行快速評(píng)估，并以可視化方式將相應(yīng)結(jié)果呈現(xiàn)給調(diào)度人員。對(duì)于低置信度場(chǎng)景，進(jìn)一步通過全時(shí)域仿真進(jìn)行快速并行校驗(yàn)，并評(píng)估模型適應(yīng)性，對(duì)模型進(jìn)行訓(xùn)練更新。

　　1.2動(dòng)態(tài)安全風(fēng)險(xiǎn)統(tǒng)一評(píng)估模型結(jié)構(gòu)

　　電力系統(tǒng)動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估需要適應(yīng)不同的發(fā)電負(fù)荷運(yùn)行方式、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和預(yù)想事故。對(duì)于數(shù)小時(shí)后的未來態(tài)運(yùn)行方式，受新能源出力不確定性和負(fù)荷預(yù)測(cè)誤差的影響，系統(tǒng)的運(yùn)行方式存在較大的不確定性，發(fā)電負(fù)荷運(yùn)行方式復(fù)雜多變。為提高動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估模型對(duì)發(fā)電負(fù)荷運(yùn)行方式的適應(yīng)性，理論上針對(duì)具體的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和預(yù)想事故分別建立專用的評(píng)估模型具有最高的精度。

　　但是，由于系統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和預(yù)想故障數(shù)量眾多，采用這種方式構(gòu)建的智能評(píng)估模型庫規(guī)模巨大，模型訓(xùn)練和更新維護(hù)困難。為降低動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估模型庫的規(guī)模，可通過離線研究辨識(shí)系統(tǒng)關(guān)鍵支路，進(jìn)而利用OneHot方法或網(wǎng)絡(luò)電氣距離等指標(biāo)對(duì)系統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行統(tǒng)一編碼，形成網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特征。

　　對(duì)于預(yù)想故障，不同類型的故障及其對(duì)應(yīng)的主導(dǎo)動(dòng)態(tài)安全屬性存在顯著差異，難以構(gòu)造統(tǒng)一的故障類型特征。對(duì)于類型相同但位置不同的故障，其差異主要表現(xiàn)于故障在電網(wǎng)結(jié)構(gòu)中的相對(duì)位置，可以使用故障編號(hào)或與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特征相似的構(gòu)建方法形成統(tǒng)一的故障位置特征。

　　2動(dòng)態(tài)安全風(fēng)險(xiǎn)訓(xùn)練樣本生成

　　動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估模型基于樣本進(jìn)行訓(xùn)練，模型的適應(yīng)性與樣本的分布密切相關(guān)。在構(gòu)造用于實(shí)際電力系統(tǒng)動(dòng)態(tài)安全評(píng)估的訓(xùn)練樣本時(shí)，可能會(huì)出現(xiàn)不穩(wěn)定樣本比例遠(yuǎn)高于穩(wěn)定樣本比例的情況，使得不穩(wěn)定樣本成為少數(shù)類。

　　而人工智能方法進(jìn)行分類時(shí)存在著對(duì)于多數(shù)類的傾向性，因此會(huì)導(dǎo)致模型的泛化能力下降。同時(shí)，如果生成的訓(xùn)練樣本不具有代表性，沒有覆蓋待評(píng)估樣本可能出現(xiàn)的場(chǎng)景，也會(huì)導(dǎo)致模型的泛化能力下降。因此，在生成訓(xùn)練樣本時(shí)，需要考慮到訓(xùn)練樣本不均衡和訓(xùn)練樣本缺乏代表性等問題，對(duì)訓(xùn)練樣本的分布進(jìn)行調(diào)整。

　　3動(dòng)態(tài)安全風(fēng)險(xiǎn)評(píng)估統(tǒng)一模型構(gòu)建

　　3.1基于深度學(xué)習(xí)的高級(jí)輸入特征的提取

　　在動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估訓(xùn)練樣本原始輸入特征的基礎(chǔ)上，進(jìn)一步利用深度學(xué)習(xí)提取系統(tǒng)高級(jí)特征，以提高模型泛化能力[37]。深度學(xué)習(xí)有多種方法，如受限波爾茲曼機(jī)[38]、自編碼器[39]、深層信念網(wǎng)絡(luò)[40]和卷積神經(jīng)網(wǎng)絡(luò)[41]等，上述方法在電力系統(tǒng)動(dòng)態(tài)安全評(píng)估方面都得到了一定的應(yīng)用[42-43]。

　　3.2頂層模型學(xué)習(xí)

　　安全風(fēng)險(xiǎn)指標(biāo)根據(jù)其可能的取值類型分為離散型和連續(xù)型2類，可利用決策樹(decisiontree，DT)、支持向量機(jī)(supportmachinevector，SVM)和人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork，ANN)等機(jī)器學(xué)習(xí)方法中的分類和回歸方法分別建立相應(yīng)模型。在構(gòu)建頂層模型時(shí)，需要綜合比較不同人工智能方法的有效性，選擇合適方法。

　　4算例分析

　　本文針對(duì)某省級(jí)受端電網(wǎng)構(gòu)建動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)，以驗(yàn)證其有效性。該系統(tǒng)總負(fù)荷58GW，共有3條直流饋入，總計(jì)直流饋入20GW，其中直流1號(hào)和直流2號(hào)輸電規(guī)模均為8GW，直流3號(hào)的輸電規(guī)模為4GW。

　　5結(jié)語

　　中國交直流混聯(lián)電網(wǎng)遭受嚴(yán)重功率擾動(dòng)的風(fēng)險(xiǎn)增加，需要快速評(píng)估系統(tǒng)動(dòng)態(tài)安全風(fēng)險(xiǎn)，預(yù)警高風(fēng)險(xiǎn)場(chǎng)景。本文提出了基于機(jī)器學(xué)習(xí)的大規(guī)模交直流電網(wǎng)動(dòng)態(tài)安全風(fēng)險(xiǎn)智能評(píng)估系統(tǒng)框架，充分利用平臺(tái)歷史數(shù)據(jù)，通過離線訓(xùn)練的方式得到功角穩(wěn)定、電壓安全與頻率安全的統(tǒng)一評(píng)估模型，針對(duì)未來不確定場(chǎng)景和預(yù)想事故進(jìn)行動(dòng)態(tài)安全在線評(píng)估。

　　通過對(duì)低置信度樣本的全時(shí)域仿真，校驗(yàn)?zāi)Ｐ瓦m應(yīng)性，并進(jìn)行模型訓(xùn)練更新。在本文基礎(chǔ)上進(jìn)一步完善系統(tǒng)結(jié)構(gòu)與功能，并針對(duì)具體系統(tǒng)優(yōu)化評(píng)估模型選擇，將有助于快速評(píng)估未來高不確定性場(chǎng)景的動(dòng)態(tài)安全風(fēng)險(xiǎn)，并為高風(fēng)險(xiǎn)運(yùn)行場(chǎng)景的快速前瞻預(yù)警、趨勢(shì)分析和預(yù)防控制奠定基礎(chǔ)。

　　電力方向論文范文：電網(wǎng)基建工程項(xiàng)目中經(jīng)濟(jì)性評(píng)價(jià)體系探討

　　下面文章以220kV輸變電工程基建項(xiàng)目為研究對(duì)象，從成本經(jīng)濟(jì)性、技術(shù)經(jīng)濟(jì)性、財(cái)務(wù)經(jīng)濟(jì)性三個(gè)維度出發(fā)，建立了三級(jí)綜合評(píng)價(jià)指標(biāo)體系。在此基礎(chǔ)上，構(gòu)建其可研經(jīng)濟(jì)性評(píng)價(jià)模型，確定各項(xiàng)指標(biāo)的權(quán)重和評(píng)分標(biāo)準(zhǔn)，對(duì)每個(gè)項(xiàng)目形成評(píng)價(jià)分?jǐn)?shù)。根據(jù)得分情況對(duì)項(xiàng)目經(jīng)濟(jì)效益進(jìn)行排序，評(píng)價(jià)其可研經(jīng)濟(jì)性，使項(xiàng)目評(píng)審有據(jù)可依，從而提高了項(xiàng)目可研評(píng)審效率，增強(qiáng)了投資精準(zhǔn)度，優(yōu)化了項(xiàng)目投資效益，進(jìn)一步前移財(cái)務(wù)管控關(guān)口。