一种预测校正电力系统电压稳定L指标的方法及系统

一种预测校正电力系统电压稳定l指标的方法及系统
技术领域
1.本发明涉及电力系统静态电压稳定在线评估和优化领域，特别是涉及一种预测校正电力系统电压稳定l指标的方法及系统。

背景技术：

2.随着我国国民经济的高速健康发展，各个行业的用电需求量显著提升，电力系统正朝着大规模、大容量、超高压和远距离输电的方向发展。规模庞大的电网虽然能够提高电力系统的运行效率，但系统的结构也变得越来越复杂，给系统带来了许多安全隐患。再加上我国近些年大力发展智能电网、新能源并网交直流混联等电网建设，这些情况对于如何保证电力系统安全稳定运行具有非常大的挑战性。
3.保障电力系统的安全稳定与运行性能，维持系统静态电压稳定性对电力系统运行至关重要。随着电网用户负荷的需求量不断增加，新能源技术的广泛应用，大规模的高渗透率可再生能源发电系统并网以及电网框架的复杂程度不断提高，电力系统的运行点越来越接近系统运行的稳定极限点，发生电压崩溃事故的概率也就相应的增加。电力系统一般先在最薄弱节点或区域开始发生电压崩溃，然后逐步影响到系统的其他节点和区域，最后导致整个电力系统发生电压崩溃。在当前系统负载的负荷功率不断增加的时代下，解决如何保证电力系统的电压稳定性问题的方法，使得整个系统电压处于一个相对安全稳定的运行水平，对于维持系统在相对安全稳定的范围内运行意义非凡。
4.由于电力系统一般先在最薄弱节点或局部开始发生电压崩溃，故关于电压稳定的问题一般被作为局部问题来考虑，而且系统发生电压崩溃的过程较为迅速和突然。目前为止，对静态电压稳定性研究的过程中提出了许多不同的分析方法，例如奇异值分解法、连续潮流法、灵敏度法、非线性规划法、直接法等等。然而这些方法一般需要构建复杂的数学模型且计算量较大，难以实现对电力系统的电压稳定状态进行在线监测，并且电网在越来越接近电压稳定的极限点处运行，而监测设备难以在极短的时间内提供系统实时情况，无法为工作人员留出充足的时间来采取相应的措施对系统进行校正。

技术实现要素：

5.本发明的目的是提供一种预测校正电力系统电压稳定l指标的方法及系统，能够提高被评估的电力系统的电压稳定性，从而保证电力系统的安全稳定运行。
6.为实现上述目的，本发明提供了如下方案：
7.一种预测校正电力系统电压稳定l指标的方法，所述方法包括：
8.获取电力系统各节点的运行数据；所述运行数据包括有功功率、无功功率、电压幅值和电压相角；
9.将所述运行数据输入到训练好的机器学习bls模型，得到l指标的预测值；
10.当所述l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，提取所述运行数据中与l指标相关的运行特征，并根据所述运行特征，对电力系统的约束条
件进行校正。
11.可选地，所述机器学习bls模型的训练过程包括：
12.根据所述运行数据的历史数据，计算对应的l指标数值；
13.以所述运行数据的历史数据为输入，以所述对应的l指标数值为输出，对所述机器学习bls模型进行训练，得到训练好的机器学习bls模型。
14.可选地，所述提取所述运行数据中与l指标相关的运行特征，具体包括：
15.利用特征分析法对所述运行数据进行分析，得到初始特征；
16.从所述初始特征中筛选出与l指标的相关度满足设定要求的特征，得到与l指标相关的运行特征。
17.可选地，所述根据所述运行特征，对电力系统的约束条件进行校正，具体包括：
18.根据所述运行特征，应用特征值优化方法，通过l指标约束的潮流程序，对电力系统进行分析和求解，得到校正控制数据；
19.根据所述校正控制数据，对电力系统的约束条件进行校正；所述约束条件包括发电机的有功功率的上限、发电机的有功功率的下限、发电机的无功功率的上限、发电机的无功功率的下限、各节点电压的上限和各节点电压的下限。
20.可选地，所述方法还包括：
21.获取校正后的电力系统各节点的运行数据，得到校正后的运行数据；
22.将所述校正后的运行数据输入到训练好的机器学习bls模型，得到校正后的l指标的预测值；
23.判断所述校正后的l指标的预测值是否在电力系统电压稳定崩溃的极限点设定的阈值范围内；
24.当所述校正后的l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，对所述电力系统的约束条件进行校正直到所述校正后的l指标的预测值不在电力系统电压稳定崩溃的极限点设定的阈值范围内。
25.一种预测校正电力系统电压稳定l指标的系统，应用于上述的预测校正电力系统电压稳定l指标的方法，所述系统包括：
26.数据采集模块，用于获取电力系统各节点的运行数据；所述运行数据包括有功功率、无功功率、电压幅值和电压相角；
27.电压稳定指标预测模块，用于将所述运行数据输入到训练好的机器学习bls模型，得到l指标的预测值；
28.校正模块，用于当所述l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，提取所述运行数据中与l指标相关的运行特征，并根据所述运行特征，对电力系统的约束条件进行校正。
29.可选地，所述系统还包括训练模块；所述训练模块包括：
30.计算执行模块，用于根据所述运行数据的历史数据，计算对应的l指标数值；
31.训练子模块，用于以所述运行数据的历史数据为输入，以所述对应的l指标数值为输出，对所述机器学习bls模型进行训练，得到训练好的机器学习bls模型。
32.可选地，所述校正模块包括：
33.分析子模块，用于利用特征分析法对所述运行数据进行分析，得到初始特征；
34.筛选子模块，用于从所述初始特征中筛选出与l指标的相关度满足设定要求的特征，得到运行特征。
35.可选地，所述校正模块还包括：
36.数据特征分析模块，用于根据所述运行特征，应用特征值优化方法，通过l指标约束的潮流程序，对电力系统进行分析和求解，得到校正控制数据；
37.校正控制模块，用于根据所述校正控制数据，对电力系统的约束条件进行校正；所述约束条件包括发电机的有功功率的上限、发电机的有功功率的下限、发电机的无功功率的上限、发电机的无功功率的下限、各节点电压的上限和各节点电压的下限。
38.可选地，所述系统还包括：
39.校正后的数据采集模块，用于获取校正后的电力系统各节点的运行数据，得到校正后的运行数据；
40.校正后的电压稳定指标预测模块，用于将所述校正后的运行数据输入到训练好的机器学习bls模型，得到校正后的l指标的预测值；
41.校正后的判断模块，用于判断所述校正后的l指标的预测值是否在电力系统电压稳定崩溃的极限点设定的阈值范围内；
42.监测模块，用于当所述校正后的l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，对所述电力系统的约束条件进行校正直到所述校正后的l指标的预测值不在电力系统电压稳定崩溃的极限点设定的阈值范围内。
43.根据本发明提供的具体实施例，本发明公开了以下技术效果：
44.本发明提供的一种预测校正电力系统电压稳定l指标的方法，包括：获取电力系统各节点的运行数据；运行数据包括有功功率、无功功率、电压幅值和电压相角；将运行数据输入到训练好的机器学习bls模型，得到l指标的预测值；当l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，提取运行数据中与l指标相关的运行特征，并根据运行特征，对电力系统的约束条件进行校正。本发明通过使用机器学习模型对当前电力系统的实时运行数据进行预测，分析当前系统的电压是否处于稳定状态，若系统接近电压稳定崩溃的极限点时，则优化被评估电力系统的控制变量或约束条件，对被评估电力系统的机组有功出力、机组无功出力、pv节点电压进行协调控制，提出保证被评估电力系统安全稳定运行的优化运行配置策略，有效预防被评估电力系统发生电压崩溃，进而提高被评估电力系统安全稳定运行水平，确保被评估电力系统的电网安全稳定可靠运行。
附图说明
45.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
46.图1为本发明的预测校正电力系统电压稳定l指标的方法的流程图；
47.图2是本发明的预测校正电力系统电压稳定l指标的方法的工作流程图；
48.图3是本发明的数据处理过程示意图；
49.图4是本发明的预测校正电力系统电压稳定l指标的系统的模块图；
50.图5是本发明的预测校正电力系统电压稳定l指标的系统的结构框图。
51.附图符号说明：1-数据采集模块，2-电压稳定指标预测模块，3-校正模块。
具体实施方式
52.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.本发明的目的是提供一种预测校正电力系统电压稳定l指标的方法及系统，能够提高被评估的电力系统的电压稳定性，从而保证电力系统的安全稳定运行。
54.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
55.在介绍本方案之前，先对所涉及到的技术名词进行解释：
56.电压稳定：电力系统在遭受小的或大的干扰后，系统的电压可以维持或恢复到能够承受的范围内，而不会出现系统电压崩溃的情况。
57.潮流计算：是指电力系统在某一确定的运行方式和接线方式下，计算电力系统从电源到负荷各处的电压、电流的大小和方向以及功率的分布情况。
58.机器学习：利用算法从海量的数据中进行学习，出其中的规则，并通过数据预测未来一段时间的发展趋势。
59.潮流约束：是指在潮流的约束条件以静态稳定作为约束的潮流。
60.如图1和图2所示，本发明提供的一种预测校正电力系统电压稳定l指标的方法，所述方法包括：
61.步骤s1：获取电力系统各节点的运行数据；所述运行数据包括有功功率、无功功率、电压幅值和电压相角；在实际应用中，获取系统在多种运行方式下的运行数据，其中包括系统各个节点的有功功率、无功功率、电压幅值和电压相角：多种运行方式包括电力系统在稳定状态下运行和电力系统在电压稳定崩溃的极限点设定的阈值范围内运行。
62.具体地，电力系统节点的运行数据的特征变量集合表示为：
63.其中，p为系统节点有功功率的集合；q为系统节点无功功率的集合；θ为系统节点电压相角的集合；v为系统节点电压幅值的集合。
64.步骤s2：将所述运行数据输入到训练好的机器学习bls模型，得到l指标的预测值；
65.步骤s3：当所述l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，提取所述运行数据中与l指标相关的运行特征，并根据所述运行特征，对电力系统的约束条件进行校正。在实际应用中，查看由训练好的机器学习bls模型所预测的实时电压稳定指标(即l指标)的预测值，判断l指标的预测数值是否接近于电压稳定崩溃的极限点，若接近极限点，则认定该系统的静态电压不稳定；若不接近极限点，则认定该系统的静态电压稳定，启动校正控制的程序。其中，l＝1是崩溃点，l不会超过1，当0《l《0.5时，该系统的静
态电压稳定；当0.5《l《1时，该系统的静态电压稳定性不足。
66.此外，所述提取所述运行数据中与l指标相关的运行特征，具体包括：
67.步骤s31：利用特征分析法对所述运行数据进行分析，得到初始特征。
68.步骤s32：从所述初始特征中筛选出与l指标的相关度满足设定要求的特征，得到与l指标相关的运行特征。在实际应用中，利用特征分析法对模型的输入特征进行分析，筛选出与l指标相关程度较大的特征作为校正控制的输入特征。
69.此外，所述根据所述运行特征，对电力系统的约束条件进行校正，具体包括：
70.步骤s33：根据所述运行特征，应用特征值优化方法，通过l指标约束的潮流程序，对电力系统进行分析和求解，得到校正控制数据。
71.步骤s34：根据所述校正控制数据，对电力系统的约束条件进行校正；所述约束条件包括发电机的有功功率的上限、发电机的有功功率的下限、发电机的无功功率的上限、发电机的无功功率的下限、各节点电压的上限和各节点电压的下限。
72.在实际应用中，与l指标相关程度较大的特征作为校正控制的输入特征，并对被计算电力系统的控制变量或约束条件进行校正设置，采用含l指标约束的潮流及特征值优化方法对电力系统进行分析和求解，获得校正控制数据；其中，控制变量为校正控制的输入特征，约束条件包括发电机的有功功率的上限和下限、无功功率的上限和下限以及节点电压的上限和下限。
73.具体地，电压稳定l指标关于各节点的灵敏度近似数值如下所示：
74.其中，δpi为节点i处有功功率的微小变量；δqi为节点i处无功功率的微小变量；δθi为电压相角的微小变量；δvi为电压幅值的微小变量；且上述所有微小变量的值都趋近于0且都大于0。
75.其中，对电力系统的约束条件进行校正采用的静态稳定最优校正控制模型如下：
[0076][0077]
待优化的目标函数为：校正控制优化过程中对特征的总调节变化量最小。其中，a,b,c,d为校正控制优化的目标函数系数值；δvk为所选发电机机组sg的第k台发电机机端电压变化量；δpk为所选发电机机组sg的第k台发电机有功出力；δpj为所选第j个负荷节点的有功功率的变化；δqj为所选第j个负荷节点的无功功率的变化。
[0078]
此外，约束条件包括等式约束条件和不等式约束条件。
[0079]
针对等式约束条件，网络中各节点潮流方程为：
[0080]
i∈sn；其中，vi为第i节点电压的幅值；y
ij
为节点导纳矩阵的元素幅值；δ
ij
＝δ
i-δ
j-α
ij
；δi为第i节点电压的相角；δj为第j节点电压的相角；α
ij
为节点导纳矩阵的元素相角；sn为系统节点集合。p
gi
表示为各节点有功出力；p
di
表示为各节点有功负荷；q
gi
表示为各节点无功出力；q
di
表示为各节点无功负荷
[0081]
针对不等式约束条件，不等式约束条件为网络物理限制和运行限制(可组合使用)，包括有四种情况：
[0082]
第一种情况：节点电压限制，限制的取值与电压水平、节点的类型、区域或节点正常或紧急条件相关。
[0083]vi,min
≤vi≤v
i,max i∈sg；其中，v
i,max
为第i节点电压的幅值的上限；v
i,min
为第i节点电压的幅值的下限。
[0084]
第二种情况：机组输出限制，包括有功出力限制、无功出力限制。
[0085]
p
gi,min
≤p
gi
≤p
gi,max i∈sg；
[0086]
p
lj,min
≤p
lj
≤p
lj,max i∈s
l
；
[0087]qlj,min
≤q
lj
≤q
lj,max i∈s
l
；其中，p
gi,min
和p
gi,max
分别为发电机有功功率下限和上限；p
lj,min
和p
lj,max
分别为负荷节点有功功率的下限和上限；q
lj,min
和q
lj,max
分别为负荷节点无功功率的下限和上限。
[0088]
第三种情况：电力系统电压稳定运行时满足的条件：
[0089][0090]
其中，为所选第k台发电机机端电压vk关于系统当前运行方式下l指标的灵敏度近似值；为所选第k台发电机有功出力pk关于系统当前运行方式下l指标的灵敏度近似值；和分别为所选第j个负荷节点有功和无功功率与系统当前运行l值的灵敏度近似值。
[0091]
第四种情况：电压稳定l指标约束条件：l≤h；其中，h为电压能够安全稳定时系统l指标的最大值。
[0092]
作为一个具体的实施方式，本发明提供的预测校正电力系统电压稳定l指标的方法，还包括所述机器学习bls模型的训练过程；具体地，如图3所示，所述机器学习bls模型的训练过程包括：
[0093]
步骤s01：根据所述运行数据的历史数据，计算对应的l指标数值；在实际应用中，利用潮流程序和电压稳定l指标分析程序对实时数据进行计算，从而得到系统在不同运行方式下的l指标数值。
[0094]
步骤s02：以所述运行数据的历史数据为输入，以所述对应的l指标数值为输出，对所述机器学习bls模型进行训练，得到训练好的机器学习bls模型。
[0095]
作为一个具体的实施方式，本发明提供的预测校正电力系统电压稳定l指标的方法，还包括：
[0096]
步骤s4：获取校正后的电力系统各节点的运行数据，得到校正后的运行数据；
[0097]
步骤s5：将所述校正后的运行数据输入到训练好的机器学习bls模型，得到校正后的l指标的预测值。
[0098]
步骤s6：判断所述校正后的l指标的预测值是否在电力系统电压稳定崩溃的极限点设定的阈值范围内。
[0099]
步骤s7：当所述校正后的l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，对所述电力系统的约束条件进行校正直到所述校正后的l指标的预测值不在电力系统电压稳定崩溃的极限点设定的阈值范围内。
[0100]
在实际应用中，查看校正后的计算结果文件，输出计算结果报表，该结果即可保证被评估电力系统处于安全稳定的运行方式中，该电网运行方式即为被评估电力系统的安全稳定运行极限。
[0101]
以ieee-14节点系统为例，该系统有14个节点、20条线路、6台发电机和3台变压器，应用本发明提供的预测校正电力系统电压稳定l指标的方法进行实时的低频振荡运行分析及最优校正控制。分析步骤如下：
[0102]
步骤s10：获取ieee-14节点原始数据。
[0103]
步骤s20：利用潮流程序对ieee-14节点原始数据进行潮流计算，并生成大量原始数据。
[0104]
步骤s30：利用生成的大量原始数据对bls预测模型进行训练。
[0105]
步骤s40：利用特征分析法对模型的输入特征进行分析，筛选出与l指标相关程度较大的特征作为校正控制的输入特征。
[0106]
步骤s50：将电力系统实时运行数据带入bls预测模型中进行预测，查看由预测模型所预测的实时电压稳定指标l指标，判断l指标的预测数值是否接近于电压稳定崩溃的极限点，若接近极限点则认定该系统的静态电压不稳定；若不接近极限点则认定该系统的静态电压稳定，启动校正控制程序。
[0107]
步骤s60：启动校正控制程序，与l指标相关程度较大的特征作为校正控制的输入特征，并对被计算电力系统的控制变量或约束条件进行校正设置，采用含l指标约束的潮流及特征值优化方法对电力系统进行分析和求解，获得校正控制数据；其中，控制变量为校正控制的输入特征，约束条件包括发电机的有功功率和无功功率的上限和下限以及节点电压的上限和下限。
[0108]
步骤s70：查看校正后的计算结果文件，输出计算结果报表，该结果即可保证被评估电力系统处于安全稳定的运行方式中，该电网运行方式即为被评估电力系统的安全稳定运行极限。
[0109]
在ieee-14节点系统的运行中，本方法对被计算电力系统的稳定运行分析及校正控制效果非常明显。以系统的静态稳定初始结果作为校正前的结果，利用校正控制模型对系统进行校正，其结果如表1和表2所示。表1为在其中一次l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，对系统进行校正的结果表；表2为另外一次l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，对系统进行校正的结果表。
[0110]
表1 其中一次对系统进行校正的结果表
[0111]
特征变量校正前第一次校正第二次校正第三次校正第四次校正l预测值0.7560.6010.5300.5030.499l真实值0.7530.6110.5220.5130.511v11.0661.1001.1001.1001.100v21.0591.1001.1001.1001.100v31.0351.1001.1001.1001.100v61.0841.1001.1001.1001.100v81.0931.1001.1001.1001.100p
l9
1.3871.3841.3661.3561.356p
l10
0.4210.4140.4140.4140.414p
l13
0.6320.6300.6300.6300.630p
l14
0.7070.6960.6570.6470.646q
l9
0.7810.7700.7410.7330.733q
l10
0.2700.2610.2410.2340.234q
l13
0.2730.2640.2640.2640.264q
l14
0.2360.2080.1660.1380.134
[0112]
表2 另外一次对系统进行校正的结果表
[0113][0114]
通过上述例子说明：合理调整发电机组的有功出力，负荷节点的有功、无功功率可
以控制预测模型所预测电力系统的静态电压稳定l指标数值小于一定的数值(本专利设置为0.5)，从而使得系统保持电压稳定运行。通过对系统整体的优化，发现校正后模型所预测的l指标与真实的l指标误差相差很小，且被校正的电力系统能始终保持静态稳定运行方式，使得电网可靠稳定运行。
[0115]
本发明提供的一种预测校正电力系统电压稳定l指标的方法能够使电网的静态稳定运行方式的编制变得简单易行，缩短工作流程和制定时间，减轻运行人员工作强度和压力，全面提高电网运行的电压质量和安全稳定性。
[0116]
如图4和图5所示，本发明提供的一种预测校正电力系统电压稳定l指标的系统，应用于上述的预测校正电力系统电压稳定l指标的方法，所述系统包括：
[0117]
数据采集模块1，用于获取电力系统各节点的运行数据；所述运行数据包括有功功率、无功功率、电压幅值和电压相角。
[0118]
电压稳定指标预测模块2，用于将所述运行数据输入到训练好的机器学习bls模型，得到l指标的预测值。
[0119]
校正模块3，用于当所述l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，提取所述运行数据中与l指标相关的运行特征，并根据所述运行特征，对电力系统的约束条件进行校正。
[0120]
其中，所述校正模块3包括：
[0121]
分析子模块，用于利用特征分析法对所述运行数据进行分析，得到初始特征。
[0122]
筛选子模块，用于从所述初始特征中筛选出与l指标的相关度满足设定要求的特征，得到运行特征。
[0123]
此外，所述校正模块3还包括：
[0124]
数据特征分析模块，用于根据所述运行特征，应用特征值优化方法，通过l指标约束的潮流程序，对电力系统进行分析和求解，得到校正控制数据。
[0125]
校正控制模块，用于根据所述校正控制数据，对电力系统的约束条件进行校正；所述约束条件包括发电机的有功功率的上限、发电机的有功功率的下限、发电机的无功功率的上限、发电机的无功功率的下限、各节点电压的上限和各节点电压的下限。
[0126]
作为一个具体的实施方式，本发明提供的预测校正电力系统电压稳定l指标的系统，还包括训练模块；所述训练模块包括：
[0127]
计算执行模块，用于根据所述运行数据的历史数据，计算对应的l指标数值。
[0128]
训练子模块，用于以所述运行数据的历史数据为输入，以所述对应的l指标数值为输出，对所述机器学习bls模型进行训练，得到训练好的机器学习bls模型。
[0129]
作为一个具体的实施方式，本发明提供的预测校正电力系统电压稳定l指标的系统，还包括：
[0130]
校正后的数据采集模块，用于获取校正后的电力系统各节点的运行数据，得到校正后的运行数据。
[0131]
校正后的电压稳定指标预测模块，用于将所述校正后的运行数据输入到训练好的机器学习bls模型，得到校正后的l指标的预测值。
[0132]
校正后的判断模块，用于判断所述校正后的l指标的预测值是否在电力系统电压稳定崩溃的极限点设定的阈值范围内。
[0133]
监测模块，用于当所述校正后的l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，对所述电力系统的约束条件进行校正直到所述校正后的l指标的预测值不在电力系统电压稳定崩溃的极限点设定的阈值范围内。
[0134]
此外，作为一个具体的实施方式，本发明提供的预测校正电力系统电压稳定l指标的系统，还包括：系统管理模块；所述系统管理模块用于根据校正后的稳定运行的电力系统的约束条件对电力系统的相关参数进行设置。
[0135]
本方案通过使用机器学习bls模型对当前电力系统的实时运行数据进行预测，分析当前系统的电压是否处于稳定状态，若系统接近电压稳定崩溃的极限点时，则优化被评估电力系统的控制变量或约束条件，对被评估电力系统的机组有功出力、机组无功出力、pv节点电压进行协调控制，提出保证被评估电力系统安全稳定运行的优化运行配置策略，有效预防被评估电力系统发生电压崩溃，进而提高被评估电力系统安全稳定运行水平，确保被评估电力系统的电网安全稳定可靠运行。
[0136]
与现有技术相比，本发明具备以下有益效果：
[0137]
1、能够预防被评估电力系统在运行过程中可能发生的电压失稳情况，并能对被评估电力系统的电网进行稳定优化计算，实现被评估电力系统的电网在任何的运行方式下，能通过阻尼比约束最优潮流校正计算程序获得被评估电力系统静态安全稳定运行所需的电网运行方式优化数据，并能用电网运行方式优化数据进行自动计算和验证，其验证结果可以直接用于指导编制被评估电力系统静态安全稳定的电网运行方式，以确保电网安全稳定可靠运行。
[0138]
2、能够使电网的静态电压稳定运行方式的制定变得简单易行，缩短了工作流程和制定时间，减轻运行人员工作强度和压力，全面提高电网运行的电压质量和安全稳定性。
[0139]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0140]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种预测校正电力系统电压稳定l指标的方法，其特征在于，所述方法包括：获取电力系统各节点的运行数据；所述运行数据包括有功功率、无功功率、电压幅值和电压相角；将所述运行数据输入到训练好的机器学习bls模型，得到l指标的预测值；当所述l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，提取所述运行数据中与l指标相关的运行特征，并根据所述运行特征，对电力系统的约束条件进行校正。2.根据权利要求1所述的预测校正电力系统电压稳定l指标的方法，其特征在于，所述机器学习bls模型的训练过程包括：根据所述运行数据的历史数据，计算对应的l指标数值；以所述运行数据的历史数据为输入，以所述对应的l指标数值为输出，对所述机器学习bls模型进行训练，得到训练好的机器学习bls模型。3.根据权利要求1所述的预测校正电力系统电压稳定l指标的方法，其特征在于，所述提取所述运行数据中与l指标相关的运行特征，具体包括：利用特征分析法对所述运行数据进行分析，得到初始特征；从所述初始特征中筛选出与l指标的相关度满足设定要求的特征，得到与l指标相关的运行特征。4.根据权利要求1所述的预测校正电力系统电压稳定l指标的方法，其特征在于，所述根据所述运行特征，对电力系统的约束条件进行校正，具体包括：根据所述运行特征，应用特征值优化方法，通过l指标约束的潮流程序，对电力系统进行分析和求解，得到校正控制数据；根据所述校正控制数据，对电力系统的约束条件进行校正；所述约束条件包括发电机的有功功率的上限、发电机的有功功率的下限、发电机的无功功率的上限、发电机的无功功率的下限、各节点电压的上限和各节点电压的下限。5.根据权利要求1所述的预测校正电力系统电压稳定l指标的方法，其特征在于，所述方法还包括：获取校正后的电力系统各节点的运行数据，得到校正后的运行数据；将所述校正后的运行数据输入到训练好的机器学习bls模型，得到校正后的l指标的预测值；判断所述校正后的l指标的预测值是否在电力系统电压稳定崩溃的极限点设定的阈值范围内；当所述校正后的l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，对所述电力系统的约束条件进行校正直到所述校正后的l指标的预测值不在电力系统电压稳定崩溃的极限点设定的阈值范围内。6.一种预测校正电力系统电压稳定l指标的系统，其特征在于，所述系统包括：数据采集模块，用于获取电力系统各节点的运行数据；所述运行数据包括有功功率、无功功率、电压幅值和电压相角；电压稳定指标预测模块，用于将所述运行数据输入到训练好的机器学习bls模型，得到l指标的预测值；
校正模块，用于当所述l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，提取所述运行数据中与l指标相关的运行特征，并根据所述运行特征，对电力系统的约束条件进行校正。7.根据权利要求6所述的预测校正电力系统电压稳定l指标的系统，其特征在于，所述系统还包括训练模块；所述训练模块包括：计算执行模块，用于根据所述运行数据的历史数据，计算对应的l指标数值；训练子模块，用于以所述运行数据的历史数据为输入，以所述对应的l指标数值为输出，对所述机器学习bls模型进行训练，得到训练好的机器学习bls模型。8.根据权利要求6所述的预测校正电力系统电压稳定l指标的系统，其特征在于，所述校正模块包括：分析子模块，用于利用特征分析法对所述运行数据进行分析，得到初始特征；筛选子模块，用于从所述初始特征中筛选出与l指标的相关度满足设定要求的特征，得到运行特征。9.根据权利要求6所述的预测校正电力系统电压稳定l指标的系统，其特征在于，所述校正模块还包括：数据特征分析模块，用于根据所述运行特征，应用特征值优化方法，通过l指标约束的潮流程序，对电力系统进行分析和求解，得到校正控制数据；校正控制模块，用于根据所述校正控制数据，对电力系统的约束条件进行校正；所述约束条件包括发电机的有功功率的上限、发电机的有功功率的下限、发电机的无功功率的上限、发电机的无功功率的下限、各节点电压的上限和各节点电压的下限。10.根据权利要求6所述的预测校正电力系统电压稳定l指标的系统，其特征在于，所述系统还包括：校正后的数据采集模块，用于获取校正后的电力系统各节点的运行数据，得到校正后的运行数据；校正后的电压稳定指标预测模块，用于将所述校正后的运行数据输入到训练好的机器学习bls模型，得到校正后的l指标的预测值；校正后的判断模块，用于判断所述校正后的l指标的预测值是否在电力系统电压稳定崩溃的极限点设定的阈值范围内；监测模块，用于当所述校正后的l指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，对所述电力系统的约束条件进行校正直到所述校正后的l指标的预测值不在电力系统电压稳定崩溃的极限点设定的阈值范围内。

技术总结

本发明公开了一种预测校正电力系统电压稳定L指标的方法及系统，涉及电力系统静态电压稳定在线评估和优化领域，该方法包括：获取电力系统各节点的运行数据；运行数据包括有功功率、无功功率、电压幅值和电压相角；将运行数据输入到训练好的机器学习BLS模型，得到L指标的预测值；当L指标的预测值在电力系统电压稳定崩溃的极限点设定的阈值范围内时，提取运行数据中与L指标相关的运行特征，并根据运行特征，对电力系统的约束条件进行校正。本发明能够提高被评估的电力系统的电压稳定性，从而保证电力系统的安全稳定运行。证电力系统的安全稳定运行。证电力系统的安全稳定运行。