|
随着电网建设的快速发展建设的快速发展，大规模新能源及电力电子设备等不断接入电网，其新的运行特性以及所带来的随机、不确定因素给电网安全稳定运行带来潜在的威胁。为及时发现电网安全隐患，实现事故前预警和超前安全分析，避免局部故障酿成大面积停电事故，需对电网运行状态进行实时感知与预判。已有电网运行风险预测研究通常为选取能够代表整个系统运行状态的几类电气特征的统计量，如线路两端最大功角差、电压最大越限程度等，之后通过判断这些特征的变化趋势评判电网整体运行状态。但由于不能预测全面的运行数据信息，因此无法预辨识一些风险较大的薄弱环节并采用针对性的防控措施，存在潜在恶性故障发生的可能。电网调控系统存储了多年大量有价值的系统运行数据，其中运行断面数据代表了某一历史时刻电网的整体运行状态，包括潮流、电压、负荷量、发电量和设备状态等运行数据，以及与断面对应的检修信息，包括运行方式安排、风险分析、事故处理预案等。若能找到与未来运行断面相似的历史断面，则可为薄弱环节辨识、联锁故障分析及优化防控措施提供重要信息基础，对保障系统安全运行具有十分深远的意义。目前，电网相似历史运行断面挖掘领域取得了一定的研究成果，但参考价值较低，主要原因有：①利用电气特征量统计值（最大、最小、平均等）、相似日等匹配历史相似运行断面过于粗粒化，结果准确度不高；②仅依靠单断面间相似性进行历史断面的提取，忽略了前后运行状态在时序上的连续性、空间上分布的关联性，判别结果具有偶然性且无法反映电网运行趋势。因此，应综合考虑运行断面空间和时间特征，并从多个角度考量当前运行状态与历史运行状态的相似性，进而实现对未来态的预测。近年来，图表示学习方法飞速发展，其作为一种针对图形结构知识进行深度学习的智能算法，已成功解决多类问题，如链接预测、异常检测、行为辨识等。图的样本和聚合算法（GraphSAGE）作为图表示学习算法的一种，可通过归纳式深层次学习目标节点与周围邻居节点信息，得到新的节点表征向量。利用该算法对电网运行断面进行特征提取能够充分考虑网络拓扑信息，提取特征具有较强的代表性。针对单断面计算的偶然性、低效性等问题，滑动时间窗（STW）法可通过设置步长，实现断面连续采样，继而得到运行断面在一段时间内的特征。华北电力大学电气与电子工程学院、国网河北省电力公司的顾雪平、刘彤、李少岩、王铁强、杨晓东，在2022年第23期《电工技术学报》上撰文，提出一种用于未来态预测的电网运行断面时空相似性挖掘方法，能够有效提取最相似的历史断面，进而实现对未来状态的辅助预测。 
研究人员首先采用图表示学习算法对电网拓扑及其属性信息进行深层次无监督学习，提取表征运行断面空间特征的属性向量；然后，利用滑动时间窗算法将历史运行断面对应的空间特征向量按照不同时段划分到多个窗口；最后，从微观和宏观两角度计算不同窗口间对应样本相似性，获取与当前时段内断面最相似的一组连续断面，并将该组历史断面的后续时刻断面作为当前电网运行未来状态的参考。他们指出，与传统方法相比，该方法充分考虑了断面各节点运行信息、拓扑状态等在空间上分布关联性、时间上连续性的特点，提取的运行断面特征具有较强的代表性、容错性，提高了后续相似性匹配结果的准确度。此外，在进行匹配时，从宏观和微观角度进行综合相似性计算与排序，使得匹配的历史断面与当前运行断面在状态和趋势上具备较高的一致性，预测的未来运行状态更符合实际情况。研究人员最后表示，当面对人为误操作、极端天气等偶发事故时，该方法暂无法实现预测。当电网进行规划增减节点时，短时间内通过将节点状态变化转换为对原有节点的影响进行相似性计算；当积累一段时间的运行信息后，便与其他节点一同进行相似性匹配。本文编自2022年第23期《电工技术学报》，论文标题为“用于未来态预测的电网运行断面时空相似性挖掘”。本课题得到国家电网公司科技项目的支持。
|
