基于机器学习的电力系统静态电压稳定裕度预测方法研究.pdf

摘要

随着电力负荷需求的增加和电网结构的复杂化，电压稳定问题日益严重，电

力系统常在接近稳定极限的状态下运行。这种情况下，电网运行需要一种高效、

精确且满足在线使用的静态电压稳定裕度评估方法。传统的静态电压稳定裕度评

估方法在大电网时代的今天，存在建模复杂程度高、计算量过大的问题，难以实

现在线应用的目标。与此同时，随着大数据技术与电气测量技术的发展，广域测

量系统开始应用在电力系统中，这让实时获取电网数据变得更加简单。这为机器

学习方法应用在电气领域构成了数据基础。本文对深度神经网络（DeepNeural

Network，DNN）和粒子群算法（ParticleSwarmOptimization，PSO）改进的支

持向量回归（SupportVectorRegression，SVR）算法在静态电压稳定裕度预测中

的应用进行了研究。主要工作包括以下3点：

1）基于DNN的静态稳定极限负荷裕度评估方法：使用深度神经网络对电

力系统的极限负荷裕度进行预测，可以实时评估当前系统负荷水平离极限负荷水

平的距离。其中深度神经网络的输入为系统节点的运行数据。输出为利用传统的

连续潮流方法得到的电力系统的极限负荷值。神经网络学习到了运行数据的关键

特征，构建了一个非线性函数模型将运行数据与系统极限负荷值关联起来。该神

经网络模型在预测精度上和计算速度上都取得了良好的效果，为后文的基于

DNN的大电网电压稳定在线评估方法深入研究奠定了基础。

2）基于DNN的大电网静态电压稳定在线评估方法：系统极限负荷裕度指

标是一种全局指标，只能对整个电力系统作出一个全局的电压稳定裕度分析。而

针对大电网的静态电压稳定裕度的分析，通常更希望使用一个局部指标用来指示

某些脆弱节点的稳定裕度，进而得到整个电力系统的静态电压稳定水平。这样更

利于电网运维人员对电网运行状态作出即时的判断，落实相应的控制策略。在该

部分中，本文采用了阻抗模裕度（LoadImpedanceModeMargin，LIMM）作为

静态电压稳定裕度指标。这是一个局部式指标，可以指示出电力系统中的薄弱节

点作为观测的先导节点。本文利用先导节点的运行数据和计算所得的阻抗模裕度

值训练深度神经网络。训练好的深度神经网络模型可以很好地预测电力系统中先

导节点当前的阻抗模裕度值。该方法在IEEE118节点系统进行了验证，且该评

估方法的预测精度和计算速度可以满足在线使用的要求。

3）基于PSO-SVR的大电网电压稳定在线评估方法：针对前文的大电网静

态电压稳定在线评估方法进行进一步的改进，将DNN模型更换成由PSO优化过

I

的SVR模型对阻抗模裕度指标进行预测。SVR模型具有学习能力强，泛化错误

率低的优点，而且在小样本的情况下也可以很好地学习到样本中的特征。但是该

模型对于参数的调节和函数的选择非常敏感。因此利用PSO算法对SVR模型的

超参数进行优化选择，可以让SVR模型更好地学习到电网运行数据和阻抗模裕

度值之间的非线性关系。该方法在IEEE118节点系统进行了验证，其精度水平

高于DNN模型。

关键词：电力系统；静态电压稳定；深度神经网络；阻抗模裕度；粒子群算法；

支持向量回归

II

Abstract

Withtheincreaseofpowerloaddemandandthecomplexityofpowergrid

structure,theproblemofvoltagestabilityisbecomingmoreandmoreserious.Power

systemsoftenoperateinastateclosetothestabilitylimit.Inthiscase,thegrid

operationneedsanefficient,accurateandonlinestaticvoltagestabilitymargin