基于场景聚类的配电网暂态电压稳定结构识别迁移学习方法

本发明涉及电力系统运行和控制，尤其涉及一种基于场景聚类的配电网暂态电压稳定结构识别迁移学习方法。

背景技术：

1、配电网处于电力系统末端，与工业、商业和民用负荷等终端负荷连接，直接影响用户安全可靠供电。随着新能源接入比例不断提高，传统单源供电的配电网逐渐转变为多源供电的主动配电网，电能在电网及用户之间由单向流动变为不确定的双向流动，电网结构、运行方式和稳定机理发生根本性变化，国内外学者经理论分析和仿真验证后均发现高比例新能源主动配电网存在暂态电压稳定风险。已有研究表明电网结构在维持电力系统电压稳定方面起着关键作用。很多停电事故的重要原因之一都是网架结构稳定裕度水平不高，电网结构存在薄弱环节，电网抵御故障能力不足。然而，鲜有研究关注不同故障场景下配电网网络结构暂态电压稳定性评估。

2、电力系统是一个高阶非线性动力系统，难以通过理论分析得到电网结构对系统暂态电压稳定性的影响。现有暂态电压稳定性评估方法主要包括直接法(又称李雅普诺夫能量函数法或能量函数法)、时域仿真法和机器学习方法。直接法往往面临复杂系统能量函数构造的难题，并且存在精度和可靠性有限、缺少统一评价指标等局限，仅适用于简单系统。时域仿真法能够提供较为准确的计算结果，但计算量大且耗时较长，难以满足大规模复杂网络的在线应用要求。广域测量系统、同步相量测量装置和配电网微型相量测量装置的普及为机器学习方法提供了海量的数据基础。现有机器学习方法主要包括决策树法、支持向量机法和深度学习等。现有机器学习方法的主要思路是，首先从pmu实时量测数据中提取电气物理量(如电压幅值、功率等)的时间序列，然后利用神经网络学习时间序列与系统稳定状态或稳定裕度之间的映射关系，兼具快速与准确的特点。部分学者利用电网拓扑结构信息来提高预测精度。为了适应n-1故障，现有技术中为每个故障训练一个神经网络模型，采用卷积神经网络来提高模型的适用性。

3、上述机器学习方法主要适用于电网结构固定的电力系统，一旦电网结构发生较大变化，需要重新训练模型。为了克服上述缺点，有学者采用卷积神经网络(convolutionalneural network，cnn)来学习电网结构特征矩阵与暂态电压稳定性指标之间的映射关系，并针对电网结构变化特别大的情况提出了深度迁移学习方法，但未考虑配电网运行状态变化较大的情况，不适用于高比例分布式新能源和随机负荷接入的主动配电网。同时，一些现有技术仅考虑上级电网发生故障的情况，并未考虑配电网内部发生故障的情况，在不同故障场景中的适用性有待提高。不同配电网网络结构对于同一外部故障可能具有相似的暂态电压稳定性表现，但对于同一内部故障可能具有截然不同的暂态电压稳定性表现，因此考虑配电网内部故障的情况难度更大。然而，难以训练一个适用于所有运行状态和故障情况的配电网结构暂态电压稳定性评估模型，需要提出一种基于场景聚类的配电网暂态电压稳定结构识别迁移学习方法。

技术实现思路

1、有鉴于此，本发明的目的是提供一种基于场景聚类的配电网暂态电压稳定结构识别迁移学习方法，能够对不同故障场景中配电网结构的暂态电压稳定性进行快速评估，通过优化电网结构来提高配电网暂态电压稳定性，有助于高比例新能源配电网的安全稳定运行。

2、本发明解决技术问题采用如下技术方案：

3、一种基于场景聚类的配电网暂态电压稳定结构识别迁移学习方法，包括如下步骤：

4、s1，建立配电网暂态电压稳定分析模型：采用三阶感应电动机和zip负载构成的综合负载模型对动态负载进行建模；

5、s2，暂态电压稳定性评估：采用均方根电压下降严重指数评估配电网暂态电压稳定性；

6、s3，典型故障场景生成：基于k-means聚类算法，生成典型故障场景；

7、s4，建立配电网结构暂态电压稳定性评估模型：基于cnn的配电网结构暂态电压稳定性评估模型学习电网结构特征量g与暂态电压稳定性指标rvsi之间的映射关系；

8、s5，典型电网结构选择：选择具有代表性的辐射状电网结构，来提高训练效率；

9、s6，采用基于场景聚类的迁移学习算法：设计基于场景聚类的迁移学习算法，对不同故障场景中基于cnn的配电网结构暂态电压稳定性评估模型进行训练。

10、优选的，采用三阶感应电动机和zip负载构成的综合负载模型对动态负载进行建模的方法包括：

11、节点i的三阶感应电动机模型如式(1)：

12、

13、其中，t是时间变量，是暂态电抗后电动势，ed，i、eq，i分别为暂态电抗后电动势的d轴、q轴分量，xi、x′i分别为暂态电抗、同步电抗，是端电流，id，i、iq，i分别为d轴、q轴端电流幅值；ω0，i是转子初始转速；si是电机转差率，是端电压，vd，i、vq，i分别为d轴、q轴端电压幅值，td0，i是暂态开路时间常数，tm，i、te，i分别为机械转矩、电磁转矩，h2，i是惯性时间常数，pind，i、qind，i分别为感应电动机有功功率、无功功率，j表示虚数；

14、节点i的zip负载模型如式(2)：

15、

16、其中，vi是节点电压幅值，pz，i、pi，i、pp，i分别为恒定阻抗负荷、恒定电流负载、恒定功率负载的有功负载比例系数，qz，i、qi，i、qp，i分别为恒定阻抗负载、恒定电流负载、恒定功率负载的无功负载比例系数，pzip，i、qzip，i分别为zip负载有功功率、无功功率；

17、节点i的净注入有功功率如式(3)：

18、pi＝pind，i+pzip，i    (3)

19、其中，pi是节点i的净注入有功功率；

20、节点i的净注入无功功率如式(4)：

21、qi＝qind，i+qzip，i    (4)

22、其中，qi是节点i的净注入无功功率；

23、对于节点i的有功功率平衡约束，如式(5)：

24、

25、其中，n是电力系统节点数目，vi是节点i的电压幅值，vj是节点j的电压幅值，gij、bij是支路ij的电导、电纳，θij是节点i与节点j的电压相角差；

26、对于节点i的无功功率平衡约束，如式(6)：

27、

28、优选的，采用均方根电压下降严重指数评估配电网暂态电压稳定性，方法如下：

29、

30、

31、

32、式中：n为电网节点数目；vi，0为节点i在故障发生前的稳态电压幅值；vi，t为节点i在故障发生后t时刻的电压幅值；tc为故障清除时刻；t为时间长度；μ为临界阈值；di，t为电压偏差值；vsii为t时间内的电压偏差累积值；yrvsi越小则暂态电压稳定性表现越好。

33、优选的，基于k-means聚类算法，通过以下步骤生成典型故障场景：

34、s31，采用k-means聚类算法将新能源出力和负荷需求组成向量的历史数据进行聚类，得到nw个典型运行场景，采用余弦相似性衡量不同数据之间的距离，并采用轮廓系数灵敏度分析法确定最佳聚类数目；

35、s32，在每个典型运行场景中考虑nf个关键故障，得到典型故障场景集合其中，表示第w个典型运行场景中发生第f个关键故障。

36、优选的，基于cnn的配电网结构暂态电压稳定性评估模型学习电网结构特征量g与暂态电压稳定性指标rvsi之间的映射关系，方法如下：

37、考虑一个具有n个节点和m条支路的配电网，通过改变联络开关和分段开关状态得到不同辐射状电网结构；第i个电网结构的特征量gi如式(10)所示：

38、

39、式中：i和j分别表示支路k的首节点和尾节点编号，rk和xk分别表示支路k的电阻与电抗，pk和qk表示支路k的有功和无功功率，plj和qlj分别表示节点j上的有功和无功负荷，lk为支路k的特征向量；

40、在典型故障场景中，首先采用时域仿真获得第i个电网结构的电压恢复曲线，然后根据式(7)-(9)计算得到第i个电网结构的rvsi，并将其表示为yrvsi，i，最后将不同电网结构特征量和其对应rvsi组成训练样本数据集其中，h为训练样本数目。

41、优选的，选择具有代表性的辐射状电网结构的方法如下：

42、首先，将具有n个母线节点和m条输电线路的配电网抽象为由n个顶点和m条边构成的连通图；然后，采用指标g对所有待选辐射状电网结构进行衡量，如式(11)所示：

43、

44、式中：λ、p和b分别代表无权图的代数连通度、平均最短路径长度和边中介中心度，λw、pw和bw分别代表加权图的代数连通度、平均最短路径长度和边中介中心度；λmax、pmax、bmax分别代表无权图的代数连通度、平均最短路径长度和边中介中心度的最大值，分别代表加权图的代数连通度、平均最短路径长度和边中介中心度的最大值；将有权图每条线路的权重定义为支路电抗；最后，根据指标g对所有候选辐射状电网结构进行排序，并使用随机均匀抽样法获得典型电网结构。

45、优选的，将典型故障场景中基于cnn的配电网结构暂态电压稳定性评估模型称为源模型，将其训练数据集称为源数据集；将其余典型故障场景中基于cnn的配电网结构暂态电压稳定性评估模型称为目标模型，将其训练数据集称为目标数据集；设计基于场景聚类的迁移学习算法，对不同故障场景中基于cnn的配电网结构暂态电压稳定性评估模型进行训练。

46、优选的，还包括s7，通过ieee 33节点标准测试系统算例验证有效性。

47、本发明公开的一种用基于场景聚类的配电网暂态电压稳定结构识别迁移学习方法，具有以下有益效果：

48、基于本发明所提出的基于场景聚类的配电网暂态电压稳定结构识别迁移学习算法，能够对不同故障场景中配电网结构的暂态电压稳定性进行快速评估，为配电网规划和运行提供指导，通过优化电网结构来提高配电网暂态电压稳定性，有助于高比例新能源配电网的安全稳定运行。