摘要:針對大規模交直流混聯系統的快速動態安全風險防控需求，研究了系統動態安全風險智能評估系統的架構與關鍵技術。結合電力系統安全風險評估的一般流程，提出了基于機器學習的安全風險智能評估的總體框架和動態安全風險統一評估模型結構;構建了包含發電負荷運行方式、網絡拓撲結構、故障位置特征的訓練樣本集合，采用樣本平衡技術提高評估模型精度;基于深度學習提取動態安全風險高級特征，采用主流機器學習框架構建和更新動態安全風險統一評估模型。以省級電網為例驗證了所提動態安全風險智能評估系統的可行性。

　　關鍵詞:大規模電網;動態安全;智能評估;機器學習

　　0引言

　　隨著大容量直流輸電的集中饋入饋出，中國電力系統已經成為典型的大規模交直流混聯電網[1]。直流輸電線路等暴露于自然環境中，可能發生各類故障導致直流閉鎖，系統遭受嚴重功率擾動的風險增加[2]。因此，快速感知系統動態安全風險，及時預警各種高風險運行方式，是現代電力系統安全穩定運行的基礎，也是電網智能調度控制系統的基本功能[3]。傳統調度系統的動態安全風險評估方法多基于時域仿真技術[4-9]。

　　時域仿真方法計及電力系統各元件物理模型，通過逐步積分的方法對各元件數學模型構成的微分—代數方程組(differentialalgebraicequations，DAE)進行求解，計算結果準確。但是，對于大規模電力系統，系統詳細DAE規模龐大，時域仿真方法計算量大、耗時嚴重[10]。隨著新能源發電的大規模接入，系統運行方式的不確定性增加，動態安全評估需構建大量典型運行方式[11]。在此背景下，基于時域仿真技術評估系統動態安全風險耗時長，難以滿足動態安全風險評估快速性的需求[12]。

　　隨著人工智能技術的快速發展，基于機器學習的動態安全風險智能評估方法也大量涌現。針對暫態穩定[13]、電壓安全[14]和頻率安全[15]等安全風險屬性，不同方法采用穩態潮流特征[15]或綜合使用潮流特征與故障后特征[16]構建動態安全風險評估模型。根據其對故障位置的處理方式，現有方法針對特定故障建立專用模型[17]，基于故障編碼建立通用模型[18]或基于動態特征隱式表達故障位置建立通用模型[19-20]。

　　與基于物理模型的時域仿真方法不同，基于機器學習的動態安全風險評估方法是數據驅動的。此類方法首先通過離線訓練建立動態安全風險評估模型，然后針對需要進行評估的未來場景，使用提前訓練好的模型進行在線評估。與時域仿真方法相比，基于機器學習的動態安全評估方法無須進行逐步積分，具有速度快的優點，是未來電網智能調度系統實現動態安全風險快速感知的重要途徑[21]。

　　現有基于機器學習的方法多針對單一安全風險屬性或指標，且主要針對發電負荷運行方式等特征開展研究，缺乏故障位置和網絡拓撲結構特征的準確表達方法，無法提取故障位置和網絡拓撲結構的關鍵特征，動態安全評估輸入特征集不完備。這導致系統動態安全風險評估的模型集合規模龐大，模型訓練、更新和維護困難。

　　針對上述問題，本文在現有研究基礎上構建了基于機器學習的大規模交直流混聯系統動態安全評估系統框架，并提出了能夠適應故障位置和網絡拓撲結構變化的動態安全評估統一模型;充分考慮未來待評估樣本與訓練樣本之間的聯系，生成符合歷史運行規律且能充分反映未來待評估樣本可能分布的訓練樣本;采用復雜深度學習與簡單頂層模型相結合的方法構建動態安全風險評估模型，并以某省級電網為算例，對所提動態安全風險智能評估系統的有效性進行驗證。

　　1動態安全風險智能評估系統架構

　　1.1動態安全風險智能評估系統總體框架

　　動態安全風險智能評估系統包括模型學習、模型更新和在線應用3個基本模塊。動態安全風險智能評估模型的構建是實現動態安全風險智能評估系統的核心。基于歷史運行數據構建模型訓練樣本和原始特征集，并通過離線訓練提取樣本高級特征，構建分安全風險屬性的智能評估模型，形成動態安全風險智能評估模型庫。

　　在線應用時，考慮到未來運行方式的源荷不確定性，使用蒙特卡洛方法對不確定場景進行抽樣，并基于K均值方法進行場景縮減[22]，得到待評估場景;進而生成待評估場景特征，使用安全風險智能評估模型對其進行快速評估，并以可視化方式將相應結果呈現給調度人員。對于低置信度場景，進一步通過全時域仿真進行快速并行校驗，并評估模型適應性，對模型進行訓練更新。

　　1.2動態安全風險統一評估模型結構

　　電力系統動態安全風險評估需要適應不同的發電負荷運行方式、網絡拓撲結構和預想事故。對于數小時后的未來態運行方式，受新能源出力不確定性和負荷預測誤差的影響，系統的運行方式存在較大的不確定性，發電負荷運行方式復雜多變。為提高動態安全風險評估模型對發電負荷運行方式的適應性，理論上針對具體的網絡拓撲結構和預想事故分別建立專用的評估模型具有最高的精度。

　　但是，由于系統網絡拓撲結構和預想故障數量眾多，采用這種方式構建的智能評估模型庫規模巨大，模型訓練和更新維護困難。為降低動態安全風險智能評估模型庫的規模，可通過離線研究辨識系統關鍵支路，進而利用OneHot方法或網絡電氣距離等指標對系統網絡拓撲結構進行統一編碼，形成網絡拓撲結構特征。

　　對于預想故障，不同類型的故障及其對應的主導動態安全屬性存在顯著差異，難以構造統一的故障類型特征。對于類型相同但位置不同的故障，其差異主要表現于故障在電網結構中的相對位置，可以使用故障編號或與網絡拓撲結構特征相似的構建方法形成統一的故障位置特征。

　　2動態安全風險訓練樣本生成

　　動態安全風險智能評估模型基于樣本進行訓練，模型的適應性與樣本的分布密切相關。在構造用于實際電力系統動態安全評估的訓練樣本時，可能會出現不穩定樣本比例遠高于穩定樣本比例的情況，使得不穩定樣本成為少數類。

　　而人工智能方法進行分類時存在著對于多數類的傾向性，因此會導致模型的泛化能力下降。同時，如果生成的訓練樣本不具有代表性，沒有覆蓋待評估樣本可能出現的場景，也會導致模型的泛化能力下降。因此，在生成訓練樣本時，需要考慮到訓練樣本不均衡和訓練樣本缺乏代表性等問題，對訓練樣本的分布進行調整。

　　3動態安全風險評估統一模型構建

　　3.1基于深度學習的高級輸入特征的提取

　　在動態安全風險智能評估訓練樣本原始輸入特征的基礎上，進一步利用深度學習提取系統高級特征，以提高模型泛化能力[37]。深度學習有多種方法，如受限波爾茲曼機[38]、自編碼器[39]、深層信念網絡[40]和卷積神經網絡[41]等，上述方法在電力系統動態安全評估方面都得到了一定的應用[42-43]。

　　3.2頂層模型學習

　　安全風險指標根據其可能的取值類型分為離散型和連續型2類，可利用決策樹(decisiontree，DT)、支持向量機(supportmachinevector，SVM)和人工神經網絡(artificialneuralnetwork，ANN)等機器學習方法中的分類和回歸方法分別建立相應模型。在構建頂層模型時，需要綜合比較不同人工智能方法的有效性，選擇合適方法。

　　4算例分析

　　本文針對某省級受端電網構建動態安全風險智能評估系統，以驗證其有效性。該系統總負荷58GW，共有3條直流饋入，總計直流饋入20GW，其中直流1號和直流2號輸電規模均為8GW，直流3號的輸電規模為4GW。

　　5結語

　　中國交直流混聯電網遭受嚴重功率擾動的風險增加，需要快速評估系統動態安全風險，預警高風險場景。本文提出了基于機器學習的大規模交直流電網動態安全風險智能評估系統框架，充分利用平臺歷史數據，通過離線訓練的方式得到功角穩定、電壓安全與頻率安全的統一評估模型，針對未來不確定場景和預想事故進行動態安全在線評估。

　　通過對低置信度樣本的全時域仿真，校驗模型適應性，并進行模型訓練更新。在本文基礎上進一步完善系統結構與功能，并針對具體系統優化評估模型選擇，將有助于快速評估未來高不確定性場景的動態安全風險，并為高風險運行場景的快速前瞻預警、趨勢分析和預防控制奠定基礎。

　　電力方向論文范文：電網基建工程項目中經濟性評價體系探討

　　下面文章以220kV輸變電工程基建項目為研究對象，從成本經濟性、技術經濟性、財務經濟性三個維度出發，建立了三級綜合評價指標體系。在此基礎上，構建其可研經濟性評價模型，確定各項指標的權重和評分標準，對每個項目形成評價分數。根據得分情況對項目經濟效益進行排序，評價其可研經濟性，使項目評審有據可依，從而提高了項目可研評審效率，增強了投資精準度，優化了項目投資效益，進一步前移財務管控關口。