大电网动态安全风险智能评估系统

　　摘要:针对大规模交直流混联系统的快速动态安全风险防控需求，研究了系统动态安全风险智能评估系统的架构与关键技术。结合电力系统安全风险评估的一般流程，提出了基于机器学习的安全风险智能评估的总体框架和动态安全风险统一评估模型结构;构建了包含发电负荷运行方式、网络拓扑结构、故障位置特征的训练样本集合，采用样本平衡技术提高评估模型精度;基于深度学习提取动态安全风险高级特征，采用主流机器学习框架构建和更新动态安全风险统一评估模型。以省级电网为例验证了所提动态安全风险智能评估系统的可行性。

　　关键词:大规模电网;动态安全;智能评估;机器学习

　　0引言

　　随着大容量直流输电的集中馈入馈出，中国电力系统已经成为典型的大规模交直流混联电网[1]。直流输电线路等暴露于自然环境中，可能发生各类故障导致直流闭锁，系统遭受严重功率扰动的风险增加[2]。因此，快速感知系统动态安全风险，及时预警各种高风险运行方式，是现代电力系统安全稳定运行的基础，也是电网智能调度控制系统的基本功能[3]。传统调度系统的动态安全风险评估方法多基于时域仿真技术[4-9]。

　　时域仿真方法计及电力系统各元件物理模型，通过逐步积分的方法对各元件数学模型构成的微分—代数方程组(differentialalgebraicequations，DAE)进行求解，计算结果准确。但是，对于大规模电力系统，系统详细DAE规模庞大，时域仿真方法计算量大、耗时严重[10]。随着新能源发电的大规模接入，系统运行方式的不确定性增加，动态安全评估需构建大量典型运行方式[11]。在此背景下，基于时域仿真技术评估系统动态安全风险耗时长，难以满足动态安全风险评估快速性的需求[12]。

　　随着人工智能技术的快速发展，基于机器学习的动态安全风险智能评估方法也大量涌现。针对暂态稳定[13]、电压安全[14]和频率安全[15]等安全风险属性，不同方法采用稳态潮流特征[15]或综合使用潮流特征与故障后特征[16]构建动态安全风险评估模型。根据其对故障位置的处理方式，现有方法针对特定故障建立专用模型[17]，基于故障编码建立通用模型[18]或基于动态特征隐式表达故障位置建立通用模型[19-20]。

　　与基于物理模型的时域仿真方法不同，基于机器学习的动态安全风险评估方法是数据驱动的。此类方法首先通过离线训练建立动态安全风险评估模型，然后针对需要进行评估的未来场景，使用提前训练好的模型进行在线评估。与时域仿真方法相比，基于机器学习的动态安全评估方法无须进行逐步积分，具有速度快的优点，是未来电网智能调度系统实现动态安全风险快速感知的重要途径[21]。

　　现有基于机器学习的方法多针对单一安全风险属性或指标，且主要针对发电负荷运行方式等特征开展研究，缺乏故障位置和网络拓扑结构特征的准确表达方法，无法提取故障位置和网络拓扑结构的关键特征，动态安全评估输入特征集不完备。这导致系统动态安全风险评估的模型集合规模庞大，模型训练、更新和维护困难。

　　针对上述问题，本文在现有研究基础上构建了基于机器学习的大规模交直流混联系统动态安全评估系统框架，并提出了能够适应故障位置和网络拓扑结构变化的动态安全评估统一模型;充分考虑未来待评估样本与训练样本之间的联系，生成符合历史运行规律且能充分反映未来待评估样本可能分布的训练样本;采用复杂深度学习与简单顶层模型相结合的方法构建动态安全风险评估模型，并以某省级电网为算例，对所提动态安全风险智能评估系统的有效性进行验证。

　　1动态安全风险智能评估系统架构

　　1.1动态安全风险智能评估系统总体框架

　　动态安全风险智能评估系统包括模型学习、模型更新和在线应用3个基本模块。动态安全风险智能评估模型的构建是实现动态安全风险智能评估系统的核心。基于历史运行数据构建模型训练样本和原始特征集，并通过离线训练提取样本高级特征，构建分安全风险属性的智能评估模型，形成动态安全风险智能评估模型库。

　　在线应用时，考虑到未来运行方式的源荷不确定性，使用蒙特卡洛方法对不确定场景进行抽样，并基于K均值方法进行场景缩减[22]，得到待评估场景;进而生成待评估场景特征，使用安全风险智能评估模型对其进行快速评估，并以可视化方式将相应结果呈现给调度人员。对于低置信度场景，进一步通过全时域仿真进行快速并行校验，并评估模型适应性，对模型进行训练更新。

　　1.2动态安全风险统一评估模型结构

　　电力系统动态安全风险评估需要适应不同的发电负荷运行方式、网络拓扑结构和预想事故。对于数小时后的未来态运行方式，受新能源出力不确定性和负荷预测误差的影响，系统的运行方式存在较大的不确定性，发电负荷运行方式复杂多变。为提高动态安全风险评估模型对发电负荷运行方式的适应性，理论上针对具体的网络拓扑结构和预想事故分别建立专用的评估模型具有最高的精度。

　　但是，由于系统网络拓扑结构和预想故障数量众多，采用这种方式构建的智能评估模型库规模巨大，模型训练和更新维护困难。为降低动态安全风险智能评估模型库的规模，可通过离线研究辨识系统关键支路，进而利用OneHot方法或网络电气距离等指标对系统网络拓扑结构进行统一编码，形成网络拓扑结构特征。

　　对于预想故障，不同类型的故障及其对应的主导动态安全属性存在显著差异，难以构造统一的故障类型特征。对于类型相同但位置不同的故障，其差异主要表现于故障在电网结构中的相对位置，可以使用故障编号或与网络拓扑结构特征相似的构建方法形成统一的故障位置特征。

　　2动态安全风险训练样本生成

　　动态安全风险智能评估模型基于样本进行训练，模型的适应性与样本的分布密切相关。在构造用于实际电力系统动态安全评估的训练样本时，可能会出现不稳定样本比例远高于稳定样本比例的情况，使得不稳定样本成为少数类。

　　而人工智能方法进行分类时存在着对于多数类的倾向性，因此会导致模型的泛化能力下降。同时，如果生成的训练样本不具有代表性，没有覆盖待评估样本可能出现的场景，也会导致模型的泛化能力下降。因此，在生成训练样本时，需要考虑到训练样本不均衡和训练样本缺乏代表性等问题，对训练样本的分布进行调整。

　　3动态安全风险评估统一模型构建

　　3.1基于深度学习的高级输入特征的提取

　　在动态安全风险智能评估训练样本原始输入特征的基础上，进一步利用深度学习提取系统高级特征，以提高模型泛化能力[37]。深度学习有多种方法，如受限波尔兹曼机[38]、自编码器[39]、深层信念网络[40]和卷积神经网络[41]等，上述方法在电力系统动态安全评估方面都得到了一定的应用[42-43]。

　　3.2顶层模型学习

　　安全风险指标根据其可能的取值类型分为离散型和连续型2类，可利用决策树(decisiontree，DT)、支持向量机(supportmachinevector，SVM)和人工神经网络(artificialneuralnetwork，ANN)等机器学习方法中的分类和回归方法分别建立相应模型。在构建顶层模型时，需要综合比较不同人工智能方法的有效性，选择合适方法。

　　4算例分析

　　本文针对某省级受端电网构建动态安全风险智能评估系统，以验证其有效性。该系统总负荷58GW，共有3条直流馈入，总计直流馈入20GW，其中直流1号和直流2号输电规模均为8GW，直流3号的输电规模为4GW。

　　5结语

　　中国交直流混联电网遭受严重功率扰动的风险增加，需要快速评估系统动态安全风险，预警高风险场景。本文提出了基于机器学习的大规模交直流电网动态安全风险智能评估系统框架，充分利用平台历史数据，通过离线训练的方式得到功角稳定、电压安全与频率安全的统一评估模型，针对未来不确定场景和预想事故进行动态安全在线评估。

　　通过对低置信度样本的全时域仿真，校验模型适应性，并进行模型训练更新。在本文基础上进一步完善系统结构与功能，并针对具体系统优化评估模型选择，将有助于快速评估未来高不确定性场景的动态安全风险，并为高风险运行场景的快速前瞻预警、趋势分析和预防控制奠定基础。

　　电力方向论文范文：电网基建工程项目中经济性评价体系探讨

　　下面文章以220kV输变电工程基建项目为研究对象，从成本经济性、技术经济性、财务经济性三个维度出发，建立了三级综合评价指标体系。在此基础上，构建其可研经济性评价模型，确定各项指标的权重和评分标准，对每个项目形成评价分数。根据得分情况对项目经济效益进行排序，评价其可研经济性，使项目评审有据可依，从而提高了项目可研评审效率，增强了投资精准度，优化了项目投资效益，进一步前移财务管控关口。