基于数据挖掘的静态电压稳定在线评估

随着社会经济的发展和环境因素的制约,电力系统运行越来越接近稳定极限,高渗透率可再生能源的大规模接入,增加了电力系统运行的复杂性和不确定性,也对电力系统电压稳定评估提出了新的要求。传统的静态电压稳定评估方法因计算耗时、建模困难,难以满足在线评估的应用要求。随着向量测量单元(phasor measurement unit,PMU)的广泛使用,海量的电网实时数据为电压稳定的在线分析提供了可能性。本文提出一种基于数据挖掘的静态电压稳定在线监测算法,核心思想是通过离线仿真分析产生大量的原始数据,并应用机器学习的方式,从大量数据中提取出有价值的信息,再通过PMU实现在线监控的目的。首先利用电力系统静态电压稳定的分析方法,通过PV曲线计算不同网架下基于电压稳定约束的最大传输功率和电压稳定储备系数。并在PV曲线极限点处求出各母线节点对主导电压失稳模式的参与因子,以及各母线的电压-无功灵敏度。基于此,引入模糊聚类分析的方法对电压稳定指标进行综合判断,从而更准确地识别电压薄弱区域,并应用中国某地区电网数据进行算例分析及验证。在对整个电网的静态电压稳定评估的基础之上,展开数据挖掘。针对较多的输入特征变量使得模型训练时间长以及分类准确率低的问题,本文从电压失稳的实质出发,在充分考虑导致电压失稳原因的基础上来选择输入变量。首先依靠模态分析确定电力系统电压稳定问题的主要影响因素,完成初步筛选,其次根据Relief特征选择算法进一步优化,最终得到最佳的特征变量集合,从而降低电力系统的特征维度。最后选择决策树模型作为静态电压稳定评估的分类器,并引入代价敏感机制,提出了基于代价敏感决策树的静态电压稳定在线评估算法。该算法以误分代价最小为目标,可在一定程度上避免电压失稳漏诊为电压稳定的情形,有效降低了漏警率。电网调度人员可利用PMU实时采集需要监测的变量数据,依据决策树中提取的判定规则,对电力系统的静态电压稳定性进行快速评估,实现在线监测的目的,并应用某地区电网数据进行算例分析及验证。