堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法

doi:10.12096/j.2096-4528.pgt.22165

发电技术 ›› 2023, Vol. 44 ›› Issue (6): 865-874.DOI: 10.12096/j.2096-4528.pgt.22165

堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法

潘晓杰¹, 徐友平¹, 解治军², 王玉坤¹, 张慕婕¹, 石梦璇¹, 马坤², 胡伟²

^1.国家电网公司华中分部公司，湖北省武汉市 430077
^2.电力系统及发电设备控制和仿真国家重点实验室(清华大学电机工程与应用电子技术系)，北京市海淀区 100084

收稿日期:2023-10-05 出版日期:2023-12-31 发布日期:2023-12-28
通讯作者: 胡伟
作者简介:潘晓杰(1976)，男，博士后，研究方向为电力系统稳定与控制，pxj76@163.com；
胡伟(1976)，博士，研究员，主要研究方向为综合能源系统运行、电力系统建模与安全分析中的深度学习、智能控制等，本文通信作者，huwei@mail.tsinghua.edu.cn。
基金资助:
国家电网公司华中分部科技项目(5214DK210014)

Power System Transient Stability Preventive Control Optimization Method Driven by Stacking Ensemble Learning

Xiaojie PAN¹, Youping XU¹, Zhijun XIE², Yukun WANG¹, Mujie ZHANG¹, Mengxuan SHI¹, Kun MA², Wei HU²

^1.Central China Branch of State Grid Corporation of China, Wuhan 430077, Hubei Province, China
^2.State Key Lab of Control and Simulation of Power Systems and Generation Equipments (Department of Electrical Engineering and Applied Electronic Technology, Tsinghua University), Haidian District, Beijing 100084, China

Received:2023-10-05 Published:2023-12-31 Online:2023-12-28
Contact: Wei HU
Supported by:
Science and Technology of Central China Branch of State Grid Corporation of China(5214DK210014)

摘要/Abstract

摘要：

针对暂态稳定预防控制在线计算的快速性要求和时域方程计算复杂性之间的矛盾，提出一种堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法。首先，构建了基于堆栈式集成深度置信网络的暂态稳定评估器，用以代替暂态稳定判定所需的非线性微分代数方程求解过程；其次，将训练好的暂态稳定评估器作为暂态稳定约束判别器，嵌入帝企鹅启发式优化算法的迭代寻优过程中；最后，以预防控制代价最小为目标，建立集成学习驱动的电力系统暂态稳定预防控制启发式优化算法，该算法实现了预防控制中暂态稳定约束的高效判断，提高了发电再调度预防控制决策水平。基于IEEE39节点系统对所提预防控制优化方法进行实验验证，结果表明，该方法在评估准确率和计算效率上都具有良好的效果。

关键词: 电力系统, 堆栈式集成学习, 帝企鹅启发式优化算法, 暂态稳定, 预防控制

Abstract:

Aiming at the contradiction between the rapidity requirement of online calculation of transient stability preventive control and the computational complexity of time-domain equations, a stacking ensemable learning driven optimization method for power system transient stability preventive control was proposed. Firstly, a transient stability estimator based on a stacking ensemble deep belief network was constructed to replace the nonlinear differential algebraic equation solution process required for transient stability determination. Secondly, the trained transient stability estimator was used as a transient stability constraint discriminator, which was embedded in the iterative optimization process of the Aptenodytes Forsteri optimization algorithm. Finally, with the goal of minimizing the cost of preventive control, a stacking ensemble learning driven power system transient stability preventive control optimization algorithm was established. The algorithm realized the efficient judgment of transient stability constraints in preventive control, and improved the decision-making level of preventive control for power generation rescheduling. Based on the IEEE39 bus system, the proposed preventive control method was verified by experiments. The results show that the method has achieved good results in both evaluation accuracy and calculation efficiency.

Key words: power system, stacking ensemble learning, Aptenodytes Forsteri optimization algorithm, transient stability, preventive control

中图分类号:

TM 712

潘晓杰, 徐友平, 解治军, 王玉坤, 张慕婕, 石梦璇, 马坤, 胡伟. 堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法[J]. 发电技术, 2023, 44(6): 865-874.

Xiaojie PAN, Youping XU, Zhijun XIE, Yukun WANG, Mujie ZHANG, Mengxuan SHI, Kun MA, Wei HU. Power System Transient Stability Preventive Control Optimization Method Driven by Stacking Ensemble Learning[J]. Power Generation Technology, 2023, 44(6): 865-874.

图/表 13

图1 堆栈式集成学习原理图

Fig. 1 Schematic diagram of stacked ensemble learning

图2 基于堆栈式集成DBN的暂态稳定评估器模型

Fig. 2 Transient stability estimator model based on stacked ensemble DBN

图3 SEDBN-AFO模型结构

Fig. 3 Model structure of SEDBN-AFO

图4 暂态稳定预防控制算法计算流程图

Fig. 4 Calculation flow chart of transient stability preventive control algorithm

表1 堆栈式集成DBN模型结构参数

Tab. 1 Structure parameters of stacked ensemble DBN model

模型	隐藏层数	隐藏层单元的数目(自左到右)
DBN-1	3	64， 32， 16
DBN-2	4	128， 64， 32， 16
DBN-3	5	256， 128， 64， 32， 16
DBN-4	3	64， 32， 16
DBN-5	4	128， 64， 32， 16
DBN-6	5	256， 128， 64， 32， 16
DBN-7	3	64， 32， 16
DBN-8	4	128， 64， 32， 16
DBN-9	5	256， 128， 64， 32， 16
元学习器DBN	3	64， 32， 16

图5 暂态稳定评估器性能指标结果

Fig. 5 Performance index results of transient stability evaluator

表2 不同模型性能对比

Tab. 2 Performance comparison of different models

模型	RF	SVM	CNN	SAE	集成DBN
识别准确率/%	89.92	93.16	95.70	96.34	98.31

图6 堆栈式集成DBN暂态稳定评估器与各子评估器性能对比

Fig. 6 Performance comparison of stacked ensemble DBN transient stability estimator and each sub-estimator

图7 不同模型适应度对比结果

Fig. 7 Fitness comparison results of different models

图8 系统预防控制前后发电机出力对比

Fig. 8 Comparison of generator output before and after system preventive control

表3 暂态稳定预防控制成本

Tab. 3 Transient stability prevention and control cost

发电机编号	预防控制前出力/MW	预防控制后出力/MW	有功出力调整/MW	单位调节成本/美元	单机调节成本/美元	总调节成本/美元
1	249.57	255.03	5.46	1.0	5.46	127.52
2	687.28	668.87	-18.41	1.0	18.41
3	648.89	664.04	15.15	1.0	15.15
4	630.92	621.99	-8.93	0.5	4.47
5	507.13	497.29	-9.84	0.5	4.92
6	648.89	650.03	1.14	0.5	0.57
7	559.04	616.75	57.71	0.5	28.85
8	539.08	558.03	18.95	1.0	18.95
9	828.58	781.11	-47.47	0.5	23.74
10	998.29	984.29	-14.00	0.5	7.00

图9 BUS4与BUS3相连的线路故障采取预防控制前后发电机功角曲线对比

Fig. 9 Comparison of power angle curves of generators before and after preventive control of BUS4 and BUS3

图10 BUS28与BUS29相连的线路故障采取预防控制前后发电机功角曲线对比

Fig. 10 Comparison of power angle curves of generators before and after preventive control of BUS28 and BUS29

参考文献 25

1	别朝红，林超凡，李更丰，等．能源转型下弹性电力系统的发展与展望[J]．中国电机工程学报，2020，40(9)：2735-2745．
	BIE Z H， LIN C F， LI G F，et al ．Development and prospect of resilient power system in the context of energy transition[J]．Proceedings of the CSEE，2020，40(9)：2735-2745．
2	申洪，周勤勇，刘耀，等．碳中和背景下全球能源互联网构建的关键技术及展望[J]．发电技术，2021，42(1)：8-19． doi:10.12096/j.2096-4528.pgt.20113
	SHEN H， ZHOU Q Y， LIU Y，et al ．Key technologies and prospects for the construction of global energy Internet under the background of carbon neutral[J]．Power Generation Technology，2021，42(1)：8-19． doi:10.12096/j.2096-4528.pgt.20113
3	申志鹏，熊会，朱介北，等．影响特高压直流输电工程安全高效运行评估因素集的建模与分析[J]．发电技术，2021，42(1)：48-59． doi:10.12096/j.2096-4528.pgt.20121
	SHEN Z P， XIONG H， ZHU J B，et al ．Modelling and analysis on evaluation factor sets affecting the safe and high-efficiency operation of UHVDC transmission project[J]．Power Generation Technology，2021，42(1)：48-59． doi:10.12096/j.2096-4528.pgt.20121
4	刘建锋，姚晨曦，陈乐乐．基于门控时空图神经网络的电力系统暂态稳定评估[J]．电力科学与技术学报，2023，38(2)：214-223．
	LIU J F， YAO C X， CHEN L L ．Power system transient stability assessment based on gating spatial temporal graph neural network[J]．Journal of Electric Power Science and Technology，2023，38(2)：214-223．
5	刘颂凯，胡竞哲，杨超，等．基于改进CDBN的电力系统暂态稳定评估[J]．智慧电力，2023，51(6)：8-14． doi:10.3969/j.issn.1673-7598.2023.06.002
	LIU S K， HU J Z， YANG C，et al ．Transient stability assessment of power systems based on improved CDBN[J]．Smart Power，2023，51(6)：8-14． doi:10.3969/j.issn.1673-7598.2023.06.002
6	章昊，田宏强，王磊，等．基于Seq2Seq技术的电力系统暂态稳定评估方法[J]．电网与清洁能源，2021，37(4)：23-31． doi:10.3969/j.issn.1674-3814.2021.04.004
	ZHANG H， TIAN H Q， WANG L，et al ．A power system transient stability assessment method based on Seq2Seq technology[J]．Power System and Clean Energy，2021，37(4)：23-31． doi:10.3969/j.issn.1674-3814.2021.04.004
7	胡伟，郑乐，闵勇，等．基于深度学习的电力系统故障后暂态稳定评估研究[J]．电网技术，2017，41(10)：3140-3146．
	HU W， ZHENG L， MIN Y，et al ．Research on power system transient stability assessment based on deep learning of big data technique[J]．Power System Technology，2017，41(10)：3140-3146．
8	张玮灵，胡伟，闵勇，等．稳定域概念下考虑保守性的电力系统在线暂态稳定评估方法[J]．电网技术，2016，40(4)：992-998．
	ZHANG W L， HU W， MIN Y，et al ．Conservative online transient stability assessment in power system based on concept of stability region[J]．Power System Technology，2016，40(4)：992-998．
9	周子涵，卜广全，马士聪，等．基于特征分离型神经网络的电力系统暂态稳定性评估与优化方法[J]．电网技术，2021，45(9)：3658-3667．
	ZHOU Z H， BU G Q， MA S C，et al ．Assessment and optimization of power system transient stability based on feature-separated neural networks[J]．Power System Technology，2021，45(9)：3658-3667．
10	KAMWA I， SAMANTARAY S R， JOOS G ．Development of rule-based classifiers for rapid stability assessment of wide-area post-disturbance records[J]．IEEE Transactions on Power Systems，2009，24(1)：258-270． doi:10.1109/tpwrs.2008.2009430
11	吴俊勇，张若愚，季佳伸，等．计及漏判/误判代价的两阶段电力系统暂态稳定预测方法[J]．电力系统自动化，2020，44(24)：44-52． doi:10.7500/AEPS20200521003
	WU J Y， ZHANG R Y， JI J S，et al ．Two-stage transient stability prediction method of power system considering cost of misdetection and false alarm[J]．Automation of Electric Power Systems，2020，44(24)：44-52． doi:10.7500/AEPS20200521003
12	邵美阳，吴俊勇，李宝琴，等．基于两阶段集成深度置信网络的电力系统暂态稳定评估[J]．电网技术，2020，44(5)：1776-1787．
	SHAO M Y， WU J Y， LI B Q，et al ．Transient stability assessment of power system based on two-stage ensemble deep belief network[J]．Power System Technology，2020，44(5)：1776-1787．
13	李欣，刘晨凯，郭攀锋，等．考虑拓扑变化的电力系统暂态稳定评估[J]．智慧电力，2021，49(12)：59-65． doi:10.3969/j.issn.1673-7598.2021.12.010
	LI X， LIU C K， GUO P F，et al ．Transient stability assessment of power system considering change in network topology[J]．Smart Power，2021，49(12)：59-65． doi:10.3969/j.issn.1673-7598.2021.12.010
14	李宝琴，吴俊勇，邵美阳，等．基于集成深度置信网络的精细化电力系统暂态稳定评估[J]．电力系统自动化，2020，44(6)：17-26． doi:10.7500/AEPS20190528009
	LI B Q， WU J Y， SHAO M Y，et al ．Refined transient stability evaluation for power system based on ensemble deep belief network[J]．Automation of Electric Power Systems，2020，44(6)：17-26． doi:10.7500/AEPS20190528009
15	田芳，周孝信，史东宇，等．基于卷积神经网络的电力系统暂态稳定预防控制方法[J]．电力系统保护与控制，2020，48(18)：1-8．
	TIAN F， ZHOU X X， SHI D Y，et al ．A preventive control method of power system transient stability based on a convolutional neural network[J]．Power System Protection and Control，2020，48(18)：1-8．
16	朱乔木，陈金富，李弘毅，等．基于堆叠自动编码器的电力系统暂态稳定评估[J]．中国电机工程学报，2018，38(10)：2937-2946．
	ZHU Q M， CHEN J F， LI H Y，et al ．Transient stability assessment based on stacked autoencoder[J]．Proceedings of the CSEE，2018，38(10)：2937-2946．
17	刘颂凯，袁铭洋，杨超，等．基于XGBoost和ASPSO的电力系统暂态稳定预防控制方法[J]．电网与清洁能源，2023，39(10)：9-18． doi:10.3969/j.issn.1674-3814.2023.10.002
	LIU S K， YUAN M Y， YANG C，et al ．A transient stability preventive control method of power systems based on XGBoost and ASPSO[J]．Power System and Clean Energy，2023，39(10)：9-18． doi:10.3969/j.issn.1674-3814.2023.10.002
18	孙景强，房大中，周保荣．基于轨迹灵敏度的电力系统动态安全预防控制算法研究[J]．电网技术，2004，28(21)：26-30． doi:10.3321/j.issn:1000-3673.2004.21.006
	SUN J Q， FANG D Z， ZHOU B R ．Study on preventive control algorithm for dynamic security of power systems based on trajectory sensitivity method[J]．Power System Technology，2004，28(21)：26-30． doi:10.3321/j.issn:1000-3673.2004.21.006
19	CAI H R， CHUNG C Y， WONG K P ．Application of differential evolution algorithm for transient stability constrained optimal power flow[J]．IEEE Transactions on Power Systems，2008，23(2)：719-728． doi:10.1109/tpwrs.2008.919241
20	杨跃，刘友波，刘俊勇，等．基于神经网络预测校核的暂态稳定预防控制[J]．电网技术，2018，42(12)：4076-4084．
	YANG Y， LIU Y B， LIU J Y，et al ．Preventive transient stability control based on neural network security predictor[J]．Power System Technology，2018，42(12)：4076-4084．
21	周艳真，吴俊勇，冀鲁豫，等．基于两阶段支持向量机的电力系统暂态稳定预测及预防控制[J]．中国电机工程学报，2018，38(1)：137-147．
	ZHOU Y Z， WU J Y， JI L Y，et al ．Two-stage support vector machines for transient stability prediction and preventive control of power systems[J]．Proceedings of the CSEE，2018，38(1)：137-147．
22	苏童，刘友波，沈晓东，等．深度学习驱动的电力系统暂态稳定预防控制进化算法[J]．中国电机工程学报，2020，40(12)：3813-3824． doi:10.13334/j.0258-8013.pcsee.191114
	SU T， LIU Y B， SHEN X D，et al ．Deep learning-driven evolutionary algorithm for preventive control of power system transient stability[J]．Proceedings of the CSEE，2020，40(12)：3813-3824． doi:10.13334/j.0258-8013.pcsee.191114
23	YANG Z， DENG L， WANG Y，et al ．Aptenodytes Forsteri optimization：algorithm and applications[J]．Knowledge-Based Systems，2021，232：107483． doi:10.1016/j.knosys.2021.107483
24	徐继伟，杨云．集成学习方法：研究综述[J]．云南大学学报(自然科学版)，2018，40(6)：1082-1092．
	XU J W， YANG Y ．A survey of ensemble learning approaches[J]．Journal of Yunnan University (Natural Sciences Edition)，2018，40(6)：1082-1092．
25	史佳琪，张建华．基于多模型融合Stacking集成学习方式的负荷预测方法[J]．中国电机工程学报，2019，39(14)：4032-4042． doi:10.13334/j.0258-8013.pcsee.181510
	SHI J Q， ZHANG J H ．Load forecasting based on multi-model by stacking ensemble learning[J]．Proceedings of the CSEE，2019，39(14)：4032-4042． doi:10.13334/j.0258-8013.pcsee.181510

[1]	王放放, 杨鹏威, 赵光金, 李琦, 刘晓娜, 马双忱. 新型电力系统下火电机组灵活性运行技术发展及挑战[J]. 发电技术, 2024, 45(2): 189-198.
[2]	刘林, 王大龙, 綦晓, 周振波, 林焕新, 蔡传卫. 基于双锁相环的海上风场综合惯量调频策略研究[J]. 发电技术, 2024, 45(2): 282-290.
[3]	杨捷, 孙哲, 苏辛一, 鲁刚, 元博. 考虑振荡型功率的直流微电网储能系统无互联通信网络的多目标功率分配方法[J]. 发电技术, 2024, 45(2): 341-352.
[4]	付红军, 朱劭璇, 王步华, 谢岩, 熊浩清, 唐晓骏, 杜晓勇, 李程昊, 李晓萌. 基于长短期记忆神经网络的检修态电网低频振荡风险预测方法[J]. 发电技术, 2024, 45(2): 353-362.
[5]	刘洪波, 刘珅诚, 盖雪扬, 刘永发, 阎禹同. 高比例新能源接入的主动配电网规划综述[J]. 发电技术, 2024, 45(1): 151-161.
[6]	陈皓勇, 黄宇翔, 张扬, 王斐, 周亮, 汤君博, 吴晓彬. 基于“三流分离-汇聚”的虚拟电厂架构设计[J]. 发电技术, 2023, 44(5): 616-624.
[7]	张春雁, 窦真兰, 王俊, 朱亮亮, 孙晓彤, 李根蒂. 电解水制氢-储氢-供氢在电力系统中的发展路线[J]. 发电技术, 2023, 44(3): 305-317.
[8]	吴灏, 许晓, 彭紫楠, 郭宁辉, 王淇锋. 基于电网云数据管理的电气设备大数据移动实验室及其应用研究[J]. 发电技术, 2023, 44(3): 417-424.
[9]	杜将武, 唐小强, 罗志伟, 刘敦楠, 陈积旭, 徐尔丰, 毕圣. 面向综合能源园区的丰枯电价定价方法[J]. 发电技术, 2023, 44(2): 261-269.
[10]	肖洋, 李志强, 程林, 汤磊, 夏潮, 梁英, 宋锐, 王东阳, 李贺文. 西北电网集中式调相机AVC综合协调控制策略[J]. 发电技术, 2023, 44(2): 270-279.
[11]	印欣, 张锋, 阿地利·巴拉提, 常喜强, 陈武晖, 李长军, 李雪明, 袁少伟. 新型电力系统背景下电热负荷参与实时调度研究[J]. 发电技术, 2023, 44(1): 115-124.
[12]	董宸, 吴强, 黄河, 章锐, 杨秀媛. 基于免疫算法的电网拓扑结构识别[J]. 发电技术, 2023, 44(1): 125-135.
[13]	高骞, 杨俊义, 洪宇, 孙小磊, 朱前进, 俞天, 王鑫, 王琳媛, 李泽森. 新型电力系统背景下电网发展业务数字化转型架构及路径研究[J]. 发电技术, 2022, 43(6): 851-859.
[14]	李建林, 丁子洋, 刘海涛, 杨夯. 构网型储能变流器及控制策略研究[J]. 发电技术, 2022, 43(5): 679-686.
[15]	李泽航, 周浩, 李浩秒, 王康丽, 蒋凯. 面向电力系统的液态金属电池储能技术[J]. 发电技术, 2022, 43(5): 760-774.

堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法

Power System Transient Stability Preventive Control Optimization Method Driven by Stacking Ensemble Learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 13

参考文献 25

相关文章 15

编辑推荐

Metrics