基于蟻群算法的電力系統干擾穩定評估研究

劉怡, 王爽, 高靜, 褚智潔, 劉海洋

(國網天津市電力公司信息通信公司, 天津 300140)

0 引言

電力系統是由發電廠、送變電線路、供配電站、用電設備等構成的電力生產和消費體系,其作用是把自然界中的一次能量通過發電站轉換為電力,再經輸電、變電、分配等環節向用戶提供電能。為了達到這種目的,在電力系統的各個環節和各層級都設有相應的監控、調節、控制、保護等手段,確保用戶能夠獲得安全、優質的電能。電力系統中的各個供電節點可以相互連接,以達到區域間的交流和調整,保證電力供應的安全。電力系統的建設要確保以先進的技術設備和較高的經濟效益為前提,使電能的生產和消費達到合理協調。

電力系統的運行穩定性直接決定了用戶終端的用電質量,因此有必要對電力系統的實時穩定情況進行評估。電力系統穩定性是指電網在受到干擾后能夠快速恢復穩定的性能。當電力系統不穩定時,系統中一些母線的電壓降低或上升,引發系統中傳輸線路跳閘、級聯停電、發電機不能同步等事故。由此可見,干擾是導致電力系統不穩定的直接影響因素,為此提出了電力系統干擾穩定評估方法。周書宇等[1]提出基于隨機數據驅動的電力系統小干擾穩定在線評估方法,基于正交投影的矩陣線性變換得到其奇異子陣,利用共軛梯度算法迭代求解最佳低維正交空間。吳小珊等[2]提出基于矩陣束的電力系統小干擾穩定性分析模型及其特征分析方法,建立在新模型上的特征值求解的位移逆變換稀疏實現方法、靈敏度求解、能控能觀性分析等多個特征分析技術。然而上述評估方法在實際應用過程中由于設置評估指標不全面,導致最終的穩定性評估結果的可信度降低,最終導致評估方法的應用性能下降。為了解決上述傳統評估方法存在的問題,引入蟻群算法優化神經網絡算法。

神經網絡存在許多不足之處,例如算法收斂速度慢、易陷入局部極小值等。因此在此次電力系統干擾穩定評估方法的優化設計工作中,在傳統神經網絡的基礎上,利用蟻群算法優化神經網絡的工作參數,最終利用優化的神經網絡在干擾環境下提取電力系統的工作特征參數,以期能夠提高電力系統干擾穩定評估方法的應用價值,為電力系統穩定性控制提供輔助工具。

1 電力系統干擾穩定評估方法設計

電力系統的實時干擾穩定評價既受其自身工作狀況的影響,也與其外在因素有關。其自身工作狀況是指電網各組成部分的健康狀況,包括桿塔變形、絕緣老化等,會引起線路失效。外部環境是指電力系統所處的周邊地理環境,它主要是指電網運行時所經過的地區的天氣情況。因此,電力系統穩定評估需要綜合當前氣象狀況和電力系統健康狀態兩種情況。圖1表示電力系統干擾穩定評估方法的基本流程。按照圖1流程,利用蟻群算法優化神經網絡可以分析出電力系統受環境干擾而產生的變化,從而得出較為精準的綜合評估結果。

圖1 電力系統干擾穩定評估流程圖

1.1 設置電力系統穩定分級標準

在綜合考慮內部因素與外界環境的情況下,依據《電力系統安全穩定導則》[3],設置穩定分級標準,如表1所示。根據電力系統的實時工作數據,計算對應的干擾穩定評估數據,將計算結果與表1中的分級標準進行比對,便可得出當前電力系統的干擾穩定等級。

表1 電力系統穩定分級標準

1.2 構建電力系統干擾模型

從結構方面來看,電力系統由發電機、原動機、調速器、勵磁模塊等部分組成。電力系統具體的結構組成如圖2所示。

圖2 電力系統組成結構圖

電力系統的動力學行為可以用微分-代數方程來描述,具體可以表示為

(1)

式(1)中,x和y分別表示狀態變量和運行變量構成的向量,f(x,y)和g(x,y)分別表示電力系統的微分函數和代數函數。

假設在初始狀態電力系統處于無干擾狀態,電力系統的初始向量記為x0和y0,此時電力系統存在運行平衡穩定點,可以表示為

(2)

在上述穩定電力系統的基礎上,加入干擾變量,此時電力系統的狀態與運行變量向量可以表示為

(3)

式(3)中,Δx和Δy表示電力系統中添加干擾變量造成的狀態波動量和運行波動量,在Δx和Δy取值不為0的情況下,將式(3)的計算結果代入式(1)中,得出當前電力系統的狀態與運行向量均不為0,即當前電力系統在干擾影響下不處于平衡穩定狀態[4]。

按照上述方法,在電力系統結構模型的基礎上,融合實時運行數據得出電力系統干擾模型的構建結果。

1.3 采集電力系統實時運行數據

根據電力系統的工作原理設置測點,并在測點位置上安裝傳感器設備,通過設置采樣間隔時間和連續采樣時間,獲取電力系統實時電壓、頻率的運行數據[5]。為保證電力系統實時運行數據的采集質量,利用數字濾波技術對初始數據進行降噪處理,處理過程可以表示為

(4)

式(4)中,N表示運行數據的采樣數量,Ui表示第i次采樣得出的電力系統電壓數據采集結果。

由此完成電力系統實時運行數據的采集與處理。

1.4 提取電力系統工作特征

電力系統工作特征的提取大體分為3個步驟,分別為構建神經網絡、利用蟻群算法優化神經網絡的工作參數,最終利用優化的神經網絡在干擾環境下提取電力系統的工作特征參數[6]。在此次電力系統干擾穩定評估過程中采用多層前向型、誤差反向傳播學習算法的神經網絡。圖3為神經網絡結構圖。

圖3 神經網絡結構圖

圖3中輸入層能夠將神經網絡的輸入值變量送入隱含層,在整個神經網絡算法中不參與計算。隱含層內各個層次的神經元沒有反饋,但神經元的狀態值對輸入和輸出兩個層次的關系都有一定的影響。在該模型中,同一層次的神經元沒有連接,而在鄰近的層次上則完全連接[7]。由于同一層面的神經元沒有耦合,每個層面的神經元僅受到上一層神經元的作用。定義初始神經網絡中輸入層、隱含層和輸出層的神經元節點數量分別為m、p和q,則隱含層各節點的輸出結果可以表示為

(5)

式(5)中,ωij和xij分別表示隱含層權值以及輸入層導入的初始數據。

同理可以得出輸出層的輸出結果為

(6)

式(6)中,ωjk表示輸出層的權值。

通過式(5)的計算可以得出zij的實際取值[8]。f()為激勵函數,其表達式為

(7)

神經網絡算法在迭代過程中需要對其實時權重進行調整更新,并判斷當前神經網絡輸出結果是否滿足精度要求,判斷過程可以表示為

(8)

式(8)中,yideal表示設置的理想輸出,將式(6)的計算結果代入式(8)中,若計算得出的網絡誤差低于設置閾值,則證明當前神經網絡學習完成,否則需返回到輸入層,重新執行一次學習任務[9]。

為了提高神經網絡對電力系統工作特征的提取效果,利用蟻群算法對神經網絡進行優化。當一只螞蟻在尋找一條新的路線的時候,它會隨機地選擇一條路線,然后釋放出與這條路線相關的信息素[10]。在一定的時間間隔內,短路徑上的信息素累計加強,被后續螞蟻選擇概率增大,經過一段時間間隔后,最短的路徑被選擇出來,螞蟻可以通過協作得到蟻巢和食物之間的最短路徑。根據上述原理,利用式(9)可以計算出t時刻螞蟻k由i轉移到元素j的狀態轉移概率。

(9)

式(9)中,τij和ηik表示t時刻鏈路(i,j)上含有的信息量和啟發函數,變量α和β對應的是信息啟發式因子和期望啟發式因子。在每個螞蟻選定了一個元素之后,或者對全部n個元素進行了一次遍歷之后,就必須對路徑上的剩余信息進行更新。在t+n時刻,路徑(i,j)的信息量可按式(10)進行更新調整。

(10)

式(10)中,ρ表示信息素殘留系數。

在神經網絡優化過程中,利用蟻群算法搜索神經網絡權值和閾值的最優解,首先利用式(11)表示原理讓m螞蟻進行尋路。

(11)

式(11)中,κ、kt和κ0分別表示螞蟻所處區間號、t時刻所處區間號以及初始位置所處區間號,P為路徑選擇過程中的確定概率,P0為設置的概率閾值。

根據式(10)對螞蟻選擇的路徑進行信息素局部更新,每一個螞蟻選擇的初始路徑作為初始權值和閾值,訓練輸入神經網絡中的所有樣本,得到對應的路徑輸出,并利用式(8)計算全局誤差[11]。比較螞蟻完成一次構造解得到最小誤差與E之間的大小關系,若當前誤差小于E,則當前得到的最優解為神經網絡的權值和閾值,完成神經網絡的優化,否則需重復上述操作,直到達到最大迭代數。將實時采集的電力系統運行數據作為輸入項代入優化的神經網絡,從時域和頻域兩個方面得出電力系統運行特征的提取結果。

1.5 選擇電力系統干擾穩定評估指標

電力系統干擾穩定評估指標的選擇情況如圖4所示。

圖4 電力系統干擾穩定評估指標框圖

由圖4可知,電力系統干擾穩定評估指標分為外界環境指標和內部運行指標。電力系統干擾穩定評估指標大體可以分為正相關指標和負相關指標兩種類型,其中正相關指標指的是取值越大穩定性越高的指標,而負相關指標則對應的是取值越小穩定性越大的指標。電壓穩定度指標為

(12)

式(12)中,Ui(t)和Ui,ref分別表示t時刻采集的電力系統電壓運行數據和額定電壓值,ΔUi,lim為電力系統允許最大電壓偏移量,Nsampling為電壓采樣量。

另外電力系統控制參數穩定度指標為

(13)

式(13)中,CΔ和CΔ*分別表示控制參數在系統干擾發生后的變化量和維持系統穩態運行允許的最大動態調整量。

上述干擾穩定評估指標均為正相關指標,而干擾強度和干擾時間為負相關指標,將利用蟻群算法優化神經網絡提取的電力系統工作特征代入指標計算公式中,得出各個電力系統干擾穩定評估指標的具體取值。

1.6 電力系統干擾穩定評估指標權重值

在運用AHP方法對不同評估指標進行加權系數求解時,首先要運用專家的知識經驗,對各指標間的關系進行比較,并根據專家對各指標的關聯度進行排序,運用價值熵函數對各指標的熵值進行計算與分析,得到不同指標重要程度的數值表示即權重系數。權重值的計算結果可以表示為

(14)

按照上述方式,可以得出所有電力系統干擾穩定評估指標的權重值計算結果。

1.7 電力系統干擾穩定評估

在電力系統干擾模型中,利用下述公式可以得出電力系統的干擾穩定評估值。

(15)

將各穩定評估指標的取值結果以及指標權重的求解結果代入式(15)中,即可得出具體的評估值計算結果,將式(15)得出數據與表1中設置的分級標準進行比對,便可確定當前電力系統的干擾穩定等級評估結果。

2 實驗分析

為了驗證優化設計基于蟻群算法優化神經網絡的電力系統干擾穩定評估方法在實際電力系統管理與維護工作中的應用價值,選擇傳統的基于隨機數據驅動的電力系統穩定評估方法作為實驗的對比方法,體現出優化設計方法的運行與應用優勢。

2.1 電力系統概況

選擇某市電力系統作為研究對象,該電力系統主要通過500 kV交流線路和多回直流線路互聯。圖5為電力系統的基本接線結構。以300 MW和600 MW電機組作為發電裝置,線路長9895 km,覆蓋面積達到890 km2,設置了8個變電站,涉及154臺變壓器設備,其中降壓變壓器和升壓變壓器的數量分別為141臺和33臺。據不完全統計,2021年該電力系統發電的最高負荷達到了11 240 MW,最高用電負荷為10 424 MW。選擇多次實驗取平均值的方式,充分考慮電力系統不同的工作狀態,通過控制接入電力系統中用電設備的工作狀態,將電力系統分為空載和負載兩種工況,在初始狀態下保證電力系統無干擾影響,始終處于穩定運行狀態。

圖5 研究電力系統接線圖

2.2 配置電力系統干擾源

在電力系統運行環境中設置一個低頻振蕩干擾裝置,在不同時段設置干擾裝置發出的干擾信號強度分別為0.2 dB、0.8 dB、1.2 dB、1.6 dB和2.5 dB,從而實現電力系統干擾源的配置,并依據干擾配置情況,確定對應電力系統的干擾穩定等級,以此作為判斷評估結果是否正確的評判標準。

2.3 設定工作參數

由于優化設計的電力系統干擾穩定評估方法應用了蟻群算法和神經網絡算法,為保證上述兩種算法能夠在實驗環境中正常運行,需要設定相應的工作參數。設置蟻群算法中信息殘留程度系數ρ的取值為0.75,初始螞蟻數量為100只,存儲單元數量為60個,而神經網絡算法中設置輸入層、隱含層的樣本數量分別為80個和40個,學習率設置為0.002,最大迭代次數為200次。

2.4 描述實驗過程

在實驗環境安裝并配置完成的基礎上,利用編碼工具將電力系統干擾穩定評估方法轉換成計算機能夠直接運行的程序代碼,利用硬件設備收集不同狀態下電力系統的運行數據。按照評估方法的設計流程,得出電力系統干擾穩定評估結果,如圖6所示。

圖6 電力系統干擾穩定評估結果

為了體現出優化設計評估方法的運行優勢,從評估精度和評估方法的應用性能兩個方面設置量化測試指標,其中評估精度的測試指標為電力系統干擾穩定等級的評估正確率,其數值結果為

(16)

式(16)中,Numcor和Numall分別表示評估正確的樣本數量和實驗設置的樣本總數。變量Numall的具體取值由干擾源的啟動次數決定,對比評估方法的輸出結果與設置干擾源對應穩定等級的一致性,確定Numcor的具體取值,最終計算得出η的值越大,證明對應評估方法的精度越高。另外,設置評估方法的執行時間以及應用評估方法后電力系統干擾損失金額作為應用性能測試指標,其中評估方法的執行時間可以通過調取主測計算機的后臺運行數據直接得出,而干擾損失金額則可以通過查詢電力系統管理數據直接得出,最終得出評估方法執行時間越短、干擾損失金額越少的結論,證明對應評估方法的應用價值越高。

2.5 實驗結果與分析

通過兩種電力系統干擾穩定評估方法的運行,得出評估精度的測試結果,如表2所示。

表2 電力系統干擾穩定評估精度測試對比結果

將表2中的數據代入式(16),得出基于隨機數據驅動的電力系統穩定評估方法穩定等級評估正確率的平均值為91.39%,優化設計方法的平均穩定等級評估正確率為98.89%,魯棒性較強。另外,電力系統干擾穩定評估方法的應用性能測試對比結果如圖7所示。

圖7 電力系統干擾穩定評估方法應用性能對比結果

從圖7可以直觀地看出,與傳統評估方法相比,優化設計方法的評估運行時間更短。將優化設計方法得出的評估結果應用到電力系統的干擾控制與運行管理工作中,能夠有效地降低因干擾引起的經濟損失,由此證明優化設計的基于蟻群算法優化神經網絡的電力系統干擾穩定評估方法具有更高的應用價值。

3 結束語

在社會用電需求不斷增長的大背景下,需要電力系統產生并處理更多的電力以滿足用電需求,這也為電力系統帶來更大的負荷和安全隱患?；谙伻核惴▋灮窠浘W絡的電力系統干擾穩定評估方法的設計與應用,準確地反映了電力系統的實時工作狀態,并為其穩定性控制提供了參考依據,具有較高的現實意義。在今后的發展中,考慮負荷波動的干擾穩定評估問題,重新訓練新的神經網絡。