基于神经网络电力系统负载能力预测.docVIP

基于神经网络电力系统负载能力预测 　　1.基于神经网络的电力系统负载能力预测的研究综述 　　在电力系统运行中，维持系统在安全运行区内对系统运行人员来说是首要的。考虑各种安全边界的负载能力极限是运行人员感兴趣的主要工具。 　　1990s以来，应用神经网络于电力系统问题的广泛的研究工作已经展开。NN是一种高效计算工具，可以用于负载能力在线估计。一些NN应用于电压安全估计和监控的研究工作已经开始。多层前馈神经网络已经用于潮流极限估计关联于静态电压稳定性，用不同的训练标准和算法。负荷和发电机母线上的有功和无功常常用于MFNN的输入；有些研究工作中母线电压和相角也作为部分输入；一些选定线路上的有功和无功潮流也用作输入。也有的，有功极限基于SNB和HB点探测进行预测。有的提出一种由Kohonen网络和MFNN组成的混合神经网络，Kohonen网络作为首末两端用相似的特征给输入模式分类以改善MFNN的概括能力。这些基于NN的逼近方法的主要缺点是他们预测任意运行点的负载能力极限只在特殊的LD上，这是由固定负荷分支系数定义的。一些研究者提出NN应用于特征值估计的小信号稳定估计或稳定性分类，但用于负载能力极限预测的NN没有被设计出来。 　　本课题主要研究考虑静态电压稳定性的约束时电力系统负载能力的预测。本课题采用连续潮流方法分析，基于神经网络进行预测。 　　本文的主要工作如下： 　　1.以IEEE 4机2区域系统为对象，用BP神经网络对给定的负荷参数空间内的静态电压稳定边界进行拟合测试。 　　2.基于Matlab编制调用UWPFLOW的静态电压稳定边界的生成程序。生成不同拓扑条件下的系统电压稳定边界数据。 　　3.用BP网络进行拟合，对神经网络的应用结果进行分析。通过各种扩展，以期使这种方法获得更广泛的应用。 　　2问题描述 　　2.1 IEEE两区基准系统及其电压稳定边界 　　IEEE两区基准系统示于图2-1，发电机用精确暂态模型建模，简单励磁系统和调速器模型用于所有发电机。电力系统稳定器（PSS）安装在发电机G4以抑制可能的低频振荡。有两条负荷母线，叫母线7（负荷1）和母线9（负荷2），基础条件下它们的负荷功率分别为9+j1.0和17+j1.0，取以100MVA为基准值的标幺值。每台发电机的发出有功界限为9.5。 　　 　　 　　 　　图2-1 IEEE两区基准系统 　　正常拓扑、线路7-8断线、线路8-9断线和线路7-8与8-9都断线时，定义平均分配的41个LD以构建各种拓扑情况下的电压稳定边界，示于图2-2。参数Ld1和Ld2分别表示负荷1和负荷2的负荷增长率。 　　 　　图2-2 两区基准系统的电压稳定边界 　　2.2输入/输出向量设计 　　一个电力系统可以描述为以下的微分代数等式： 　　 (2.1) 　　这里x是状态变量向量，如发电机转速和转角； y是代数变量向量，如负荷端电压； p是可控参数向量，如发电机端电压设置；#61548;是一组不可控参数，如有功和无功负荷。当#61548;变时，运行条件改变，系统可能因此变得不安全。 　　在电力系统运行中，系统负荷经常呈现不同的变化模式。当系统负荷沿一特定的LD增加时，运行点可能达到系统安全边界。因此，负载能力极限定义为从当前运行点到安全边界的有功负荷极限。式（2.1）中令 = [ 12…n]T，描述负荷增长率相应的负荷参数设置。这种情况下，电力系统负荷变化如下： 　　 (2.2) 　　这里Pi0 和Qi0为基础运行情况下第i(i=1,2,…,n)条负荷母线的有功和无功功率。参数 可以描述为： 　　 (2.3) 　　这里 是一个标量因子代表增负荷因子（LF）。参量 定义了LD如下： 　　 (2.4) 　　这里 ，满足下列等式： 　　 (2.5) 　　一旦LD定义，系统负荷可以通过增长LF 增长到电压稳定性边界。 　　电压稳定性边界，在两区例子中 参数空间中从基础点（0，0）沿特定方向Dr增长LF，将会达到稳定边界。第i个负荷从基础点到稳定边界的负载能力极限可通过下式给出： 　　 (2.6) 　　这里 是临界LF， 是第i个负荷Dr方向下的临界负荷增长率。 　　不同LD下的临界LF全部获得之后，在#61548;参数空间中可以确定稳定边界。边界点k通过式 =[ ]T确定，这里： 　　(2.7) 　　 是沿 从基础运行点到边界点k的临界LF。通过以给定速度从纯#61548;1方向[1，0]到纯#61548;2方向[0，1]“旋转”D0k，可以得到由 和D0k（k=1,2,…,m）定义的一组边界点。这些边界点可用来训练BPNN逼近稳定边界，用D0k为输入，用#61474;k时的 为期望输出。 　　为了区分四种不同的拓扑情况