基于模糊推理和神经网络的预想事故自动选择研究

电力系统静态安全分析对于电力系统的运行和规划具有重要意义,其主要目的就是通过预想事故分析的方法来预先知道系统是否存在隐患,传统的预想事故分析是对预想事故集里的每一个预想事故进行完全的交流潮流计算,其结果虽然精确但计算量大,不能满足系统在线的要求,因此预想事故自动选择成为了首要任务。 所谓预想事故自动选择是在系统实时的条件下,自动选出那些可能会引起支路潮流越限或电压违限等危及系统安全运行的预想事故,并按行为指标的大小进行排序,然后只针对排序靠前的事故进行进一步的完全潮流分析,从而大大的节省机时,加快了安全分析的速度。 本文将模糊推理系统和径向基函数神经网络应用于预想事故自动选择研究,主要工作如下: ①定义了一种新的有功功率行为指标,该行为指标能反应预想事故发生后支路潮流越限的严重程度,而其中模糊补偿系数的引入可以在不采用高阶指数的情况下改善遮蔽现象的产生。 ②将模糊理论与电力系统预想事故选择实际问题相结合,通过建立一个Mamdani型模糊推理系统来计算行为指标中的模糊补偿系数。而模糊推理系统建立主要包括了输入输出量的确定,隶属函数的选择,模糊规则的制定,以及模糊推理算法的确定等主要内容。 ③针对电力系统预想事故选择实际问题,构建了一个三层的RBF神经网络,该神经网络以发电机功率,负荷功率和网络拓扑结构作为输入,以有功功率行为指标作为输出,并通过离线的完全潮流计算获得足够的样本集,最后采用合适算法对神经网络模型进行训练和测试。 ④将本文算法应用于IEEE-30节点系统和IEEE-118节点系统,计算系统支路开断预想事故的有功功率行为指标,给出排序结果,并且与其它几种算法结果进行比较,最后对该算法进行了有效性评定。 算例结果表明本文提出的算法具有较高的俘获率,并且计算的精度和速度都令人满意,能够满足系统快速在线的要求。