基于蚁群算法的电力系统干扰稳定评估研究

刘怡, 王爽, 高静, 褚智洁, 刘海洋

(国网天津市电力公司信息通信公司, 天津 300140)

0 引言

电力系统是由发电厂、送变电线路、供配电站、用电设备等构成的电力生产和消费体系,其作用是把自然界中的一次能量通过发电站转换为电力,再经输电、变电、分配等环节向用户提供电能。为了达到这种目的,在电力系统的各个环节和各层级都设有相应的监控、调节、控制、保护等手段,确保用户能够获得安全、优质的电能。电力系统中的各个供电节点可以相互连接,以达到区域间的交流和调整,保证电力供应的安全。电力系统的建设要确保以先进的技术设备和较高的经济效益为前提,使电能的生产和消费达到合理协调。

电力系统的运行稳定性直接决定了用户终端的用电质量,因此有必要对电力系统的实时稳定情况进行评估。电力系统稳定性是指电网在受到干扰后能够快速恢复稳定的性能。当电力系统不稳定时,系统中一些母线的电压降低或上升,引发系统中传输线路跳闸、级联停电、发电机不能同步等事故。由此可见,干扰是导致电力系统不稳定的直接影响因素,为此提出了电力系统干扰稳定评估方法。周书宇等[1]提出基于随机数据驱动的电力系统小干扰稳定在线评估方法,基于正交投影的矩阵线性变换得到其奇异子阵,利用共轭梯度算法迭代求解最佳低维正交空间。吴小珊等[2]提出基于矩阵束的电力系统小干扰稳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变换稀疏实现方法、灵敏度求解、能控能观性分析等多个特征分析技术。然而上述评估方法在实际应用过程中由于设置评估指标不全面,导致最终的稳定性评估结果的可信度降低,最终导致评估方法的应用性能下降。为了解决上述传统评估方法存在的问题,引入蚁群算法优化神经网络算法。

神经网络存在许多不足之处,例如算法收敛速度慢、易陷入局部极小值等。因此在此次电力系统干扰稳定评估方法的优化设计工作中,在传统神经网络的基础上,利用蚁群算法优化神经网络的工作参数,最终利用优化的神经网络在干扰环境下提取电力系统的工作特征参数,以期能够提高电力系统干扰稳定评估方法的应用价值,为电力系统稳定性控制提供辅助工具。

1 电力系统干扰稳定评估方法设计

电力系统的实时干扰稳定评价既受其自身工作状况的影响,也与其外在因素有关。其自身工作状况是指电网各组成部分的健康状况,包括杆塔变形、绝缘老化等,会引起线路失效。外部环境是指电力系统所处的周边地理环境,它主要是指电网运行时所经过的地区的天气情况。因此,电力系统稳定评估需要综合当前气象状况和电力系统健康状态两种情况。图1表示电力系统干扰稳定评估方法的基本流程。按照图1流程,利用蚁群算法优化神经网络可以分析出电力系统受环境干扰而产生的变化,从而得出较为精准的综合评估结果。

图1 电力系统干扰稳定评估流程图

1.1 设置电力系统稳定分级标准

在综合考虑内部因素与外界环境的情况下,依据《电力系统安全稳定导则》[3],设置稳定分级标准,如表1所示。根据电力系统的实时工作数据,计算对应的干扰稳定评估数据,将计算结果与表1中的分级标准进行比对,便可得出当前电力系统的干扰稳定等级。

表1 电力系统稳定分级标准

1.2 构建电力系统干扰模型

从结构方面来看,电力系统由发电机、原动机、调速器、励磁模块等部分组成。电力系统具体的结构组成如图2所示。

图2 电力系统组成结构图

电力系统的动力学行为可以用微分-代数方程来描述,具体可以表示为

(1)

式(1)中,x和y分别表示状态变量和运行变量构成的向量,f(x,y)和g(x,y)分别表示电力系统的微分函数和代数函数。

假设在初始状态电力系统处于无干扰状态,电力系统的初始向量记为x0和y0,此时电力系统存在运行平衡稳定点,可以表示为

(2)

在上述稳定电力系统的基础上,加入干扰变量,此时电力系统的状态与运行变量向量可以表示为

(3)

式(3)中,Δx和Δy表示电力系统中添加干扰变量造成的状态波动量和运行波动量,在Δx和Δy取值不为0的情况下,将式(3)的计算结果代入式(1)中,得出当前电力系统的状态与运行向量均不为0,即当前电力系统在干扰影响下不处于平衡稳定状态[4]。

按照上述方法,在电力系统结构模型的基础上,融合实时运行数据得出电力系统干扰模型的构建结果。

1.3 采集电力系统实时运行数据

根据电力系统的工作原理设置测点,并在测点位置上安装传感器设备,通过设置采样间隔时间和连续采样时间,获取电力系统实时电压、频率的运行数据[5]。为保证电力系统实时运行数据的采集质量,利用数字滤波技术对初始数据进行降噪处理,处理过程可以表示为

(4)

式(4)中,N表示运行数据的采样数量,Ui表示第i次采样得出的电力系统电压数据采集结果。

由此完成电力系统实时运行数据的采集与处理。

1.4 提取电力系统工作特征

电力系统工作特征的提取大体分为3个步骤,分别为构建神经网络、利用蚁群算法优化神经网络的工作参数,最终利用优化的神经网络在干扰环境下提取电力系统的工作特征参数[6]。在此次电力系统干扰稳定评估过程中采用多层前向型、误差反向传播学习算法的神经网络。图3为神经网络结构图。

图3 神经网络结构图

图3中输入层能够将神经网络的输入值变量送入隐含层,在整个神经网络算法中不参与计算。隐含层内各个层次的神经元没有反馈,但神经元的状态值对输入和输出两个层次的关系都有一定的影响。在该模型中,同一层次的神经元没有连接,而在邻近的层次上则完全连接[7]。由于同一层面的神经元没有耦合,每个层面的神经元仅受到上一层神经元的作用。定义初始神经网络中输入层、隐含层和输出层的神经元节点数量分别为m、p和q,则隐含层各节点的输出结果可以表示为

(5)

式(5)中,ωij和xij分别表示隐含层权值以及输入层导入的初始数据。

同理可以得出输出层的输出结果为

(6)

式(6)中,ωjk表示输出层的权值。

通过式(5)的计算可以得出zij的实际取值[8]。f()为激励函数,其表达式为

(7)

神经网络算法在迭代过程中需要对其实时权重进行调整更新,并判断当前神经网络输出结果是否满足精度要求,判断过程可以表示为

(8)

式(8)中,yideal表示设置的理想输出,将式(6)的计算结果代入式(8)中,若计算得出的网络误差低于设置阈值,则证明当前神经网络学习完成,否则需返回到输入层,重新执行一次学习任务[9]。

为了提高神经网络对电力系统工作特征的提取效果,利用蚁群算法对神经网络进行优化。当一只蚂蚁在寻找一条新的路线的时候,它会随机地选择一条路线,然后释放出与这条路线相关的信息素[10]。在一定的时间间隔内,短路径上的信息素累计加强,被后续蚂蚁选择概率增大,经过一段时间间隔后,最短的路径被选择出来,蚂蚁可以通过协作得到蚁巢和食物之间的最短路径。根据上述原理,利用式(9)可以计算出t时刻蚂蚁k由i转移到元素j的状态转移概率。

(9)

式(9)中,τij和ηik表示t时刻链路(i,j)上含有的信息量和启发函数,变量α和β对应的是信息启发式因子和期望启发式因子。在每个蚂蚁选定了一个元素之后,或者对全部n个元素进行了一次遍历之后,就必须对路径上的剩余信息进行更新。在t+n时刻,路径(i,j)的信息量可按式(10)进行更新调整。

(10)

式(10)中,ρ表示信息素残留系数。

在神经网络优化过程中,利用蚁群算法搜索神经网络权值和阈值的最优解,首先利用式(11)表示原理让m蚂蚁进行寻路。

(11)

式(11)中,κ、kt和κ0分别表示蚂蚁所处区间号、t时刻所处区间号以及初始位置所处区间号,P为路径选择过程中的确定概率,P0为设置的概率阈值。

根据式(10)对蚂蚁选择的路径进行信息素局部更新,每一个蚂蚁选择的初始路径作为初始权值和阈值,训练输入神经网络中的所有样本,得到对应的路径输出,并利用式(8)计算全局误差[11]。比较蚂蚁完成一次构造解得到最小误差与E之间的大小关系,若当前误差小于E,则当前得到的最优解为神经网络的权值和阈值,完成神经网络的优化,否则需重复上述操作,直到达到最大迭代数。将实时采集的电力系统运行数据作为输入项代入优化的神经网络,从时域和频域两个方面得出电力系统运行特征的提取结果。

1.5 选择电力系统干扰稳定评估指标

电力系统干扰稳定评估指标的选择情况如图4所示。

图4 电力系统干扰稳定评估指标框图

由图4可知,电力系统干扰稳定评估指标分为外界环境指标和内部运行指标。电力系统干扰稳定评估指标大体可以分为正相关指标和负相关指标两种类型,其中正相关指标指的是取值越大稳定性越高的指标,而负相关指标则对应的是取值越小稳定性越大的指标。电压稳定度指标为

(12)

式(12)中,Ui(t)和Ui,ref分别表示t时刻采集的电力系统电压运行数据和额定电压值,ΔUi,lim为电力系统允许最大电压偏移量,Nsampling为电压采样量。

另外电力系统控制参数稳定度指标为

(13)

式(13)中,CΔ和CΔ*分别表示控制参数在系统干扰发生后的变化量和维持系统稳态运行允许的最大动态调整量。

上述干扰稳定评估指标均为正相关指标,而干扰强度和干扰时间为负相关指标,将利用蚁群算法优化神经网络提取的电力系统工作特征代入指标计算公式中,得出各个电力系统干扰稳定评估指标的具体取值。

1.6 电力系统干扰稳定评估指标权重值

在运用AHP方法对不同评估指标进行加权系数求解时,首先要运用专家的知识经验,对各指标间的关系进行比较,并根据专家对各指标的关联度进行排序,运用价值熵函数对各指标的熵值进行计算与分析,得到不同指标重要程度的数值表示即权重系数。权重值的计算结果可以表示为

(14)

按照上述方式,可以得出所有电力系统干扰稳定评估指标的权重值计算结果。

1.7 电力系统干扰稳定评估

在电力系统干扰模型中,利用下述公式可以得出电力系统的干扰稳定评估值。

(15)

将各稳定评估指标的取值结果以及指标权重的求解结果代入式(15)中,即可得出具体的评估值计算结果,将式(15)得出数据与表1中设置的分级标准进行比对,便可确定当前电力系统的干扰稳定等级评估结果。

2 实验分析

为了验证优化设计基于蚁群算法优化神经网络的电力系统干扰稳定评估方法在实际电力系统管理与维护工作中的应用价值,选择传统的基于随机数据驱动的电力系统稳定评估方法作为实验的对比方法,体现出优化设计方法的运行与应用优势。

2.1 电力系统概况

选择某市电力系统作为研究对象,该电力系统主要通过500 kV交流线路和多回直流线路互联。图5为电力系统的基本接线结构。以300 MW和600 MW电机组作为发电装置,线路长9895 km,覆盖面积达到890 km2,设置了8个变电站,涉及154台变压器设备,其中降压变压器和升压变压器的数量分别为141台和33台。据不完全统计,2021年该电力系统发电的最高负荷达到了11 240 MW,最高用电负荷为10 424 MW。选择多次实验取平均值的方式,充分考虑电力系统不同的工作状态,通过控制接入电力系统中用电设备的工作状态,将电力系统分为空载和负载两种工况,在初始状态下保证电力系统无干扰影响,始终处于稳定运行状态。

图5 研究电力系统接线图

2.2 配置电力系统干扰源

在电力系统运行环境中设置一个低频振荡干扰装置,在不同时段设置干扰装置发出的干扰信号强度分别为0.2 dB、0.8 dB、1.2 dB、1.6 dB和2.5 dB,从而实现电力系统干扰源的配置,并依据干扰配置情况,确定对应电力系统的干扰稳定等级,以此作为判断评估结果是否正确的评判标准。

2.3 设定工作参数

由于优化设计的电力系统干扰稳定评估方法应用了蚁群算法和神经网络算法,为保证上述两种算法能够在实验环境中正常运行,需要设定相应的工作参数。设置蚁群算法中信息残留程度系数ρ的取值为0.75,初始蚂蚁数量为100只,存储单元数量为60个,而神经网络算法中设置输入层、隐含层的样本数量分别为80个和40个,学习率设置为0.002,最大迭代次数为200次。

2.4 描述实验过程

在实验环境安装并配置完成的基础上,利用编码工具将电力系统干扰稳定评估方法转换成计算机能够直接运行的程序代码,利用硬件设备收集不同状态下电力系统的运行数据。按照评估方法的设计流程,得出电力系统干扰稳定评估结果,如图6所示。

图6 电力系统干扰稳定评估结果

为了体现出优化设计评估方法的运行优势,从评估精度和评估方法的应用性能两个方面设置量化测试指标,其中评估精度的测试指标为电力系统干扰稳定等级的评估正确率,其数值结果为

(16)

式(16)中,Numcor和Numall分别表示评估正确的样本数量和实验设置的样本总数。变量Numall的具体取值由干扰源的启动次数决定,对比评估方法的输出结果与设置干扰源对应稳定等级的一致性,确定Numcor的具体取值,最终计算得出η的值越大,证明对应评估方法的精度越高。另外,设置评估方法的执行时间以及应用评估方法后电力系统干扰损失金额作为应用性能测试指标,其中评估方法的执行时间可以通过调取主测计算机的后台运行数据直接得出,而干扰损失金额则可以通过查询电力系统管理数据直接得出,最终得出评估方法执行时间越短、干扰损失金额越少的结论,证明对应评估方法的应用价值越高。

2.5 实验结果与分析

通过两种电力系统干扰稳定评估方法的运行,得出评估精度的测试结果,如表2所示。

表2 电力系统干扰稳定评估精度测试对比结果

将表2中的数据代入式(16),得出基于随机数据驱动的电力系统稳定评估方法稳定等级评估正确率的平均值为91.39%,优化设计方法的平均稳定等级评估正确率为98.89%,鲁棒性较强。另外,电力系统干扰稳定评估方法的应用性能测试对比结果如图7所示。

图7 电力系统干扰稳定评估方法应用性能对比结果

从图7可以直观地看出,与传统评估方法相比,优化设计方法的评估运行时间更短。将优化设计方法得出的评估结果应用到电力系统的干扰控制与运行管理工作中,能够有效地降低因干扰引起的经济损失,由此证明优化设计的基于蚁群算法优化神经网络的电力系统干扰稳定评估方法具有更高的应用价值。

3 结束语

在社会用电需求不断增长的大背景下,需要电力系统产生并处理更多的电力以满足用电需求,这也为电力系统带来更大的负荷和安全隐患。基于蚁群算法优化神经网络的电力系统干扰稳定评估方法的设计与应用,准确地反映了电力系统的实时工作状态,并为其稳定性控制提供了参考依据,具有较高的现实意义。在今后的发展中,考虑负荷波动的干扰稳定评估问题,重新训练新的神经网络。