电力系统潮流确定策略的研究李卫东 孙辉 王永刚 靳宪林 马昭彦 宋家骅摘 要：提出了一种新的电力系统潮流确定策略。该策略不依赖于任何数学解析方法，而是完全基于潮流历史数据，因此可避免在常规的解析法潮流计算中由于模型及参数的不准确所造成的计算误差，提高了潮流确定的准确度。该方法中灵敏度分析的应用可提高结果的精度，利用最小二乘法可消除随机干扰的影响，而人工神经网络的应用可保证算法的快速性。
关键词：潮流；模式识别：人工神经网络；历史数据；最小二乘法
分类号：TM744 文献标识码：A
文章编号：0258-8013(2000)01-0023-06AHISTORICALDATAbaseDSTRATEGY
TODETERMINEPOWERSYSTEMLOADFLOWLIWei-Dong SUNHui JinXian-Lin MAZhao-Yan SONGJia-Hua
(NortheastChinaInstituteofElectricPowerEngineering,Jilin132012，China)
WANGYong-Gang
(XuchangRelayResearchInstitute,Xuchang461000，China)ABSTRACT：Anovelstrategytodeterminepowersystemloadflowisproposed.Inthismethodwhichbasedonoperatingpatterntheory,thepatternrecognitiontechniqueisusedtodeterminetheloadflowandthesensitivityanalysistechniqueisusedtomodifytheloadflowresults,bothusingthehistoricalloadflowdata.Becausethemathematicalmodelofeachcomponentinpowersystemisnotusedintheproposedmethod,thecalculatingerrors,causedbytheinaccuracyofthemodelsandtheparametersofthesemodels,canbeaverted.Theleastsquaremethodisusedtoeliminatetheeffectoftherandomdisturbance.Testsystems''simulationdemonstratetheprocedureoftheproposedmethodandtheresultsshowthehighaccuracy.
KEYWORDS：loadflow；patternrecognition；sensitivityanalysis；historicaldata；leastsquaremethod▲1 引言运行部门在使用常规的潮流计算程序进行潮流分析时，常发现计算结果与实际情况有很大的出入，其数学模型与实际情况不符合是造成计算出入大的主要原因之一，而这种不符合主要体现在以下两个方面：
(1)潮流算法中对各元件(如：变压器、线路、负荷等)所采用的数学模型与实际不甚符合；
(2)解算过程中采用的元件参数与实际不甚符合。
在现有的数学和计算机背景下，利用解析方法欲从根本上解决上述两点是有困难的。
鉴于此，本文提出了一种非解析电力系统潮流确定方法。该方法基于电力系统运行模式理论［1］，根据历史数据，利用灵敏度分析技术等手段确定电力系统的潮流分布。该方法不使用常规潮流计算中所采用的各元件的数学模型，从而可避免由于模型及参数的不准确所造成的计算误差，提高潮流确定的准确度。2 策略的思想和总体思路在电力系统运行方式变化时，经验丰富的电力系统运行调度人员可以粗略地预测出某些状态量：如母线的电压、线路中的功率潮流等。这是因为那些点和线路是系统中的关键部位，它们的状态代表了系统运行的安全水平，系统运行调度人员通过长时间的运行掌握了这些关键部位的状态量和系统中其它一些量的对应关系。当系统运行状态变化时，系统运行调度人员就可以根据系统中控制量(如：发电机的有功输出功率、发电机母线电压等)和扰动量(如：有功和无功功率负荷)的变化趋势，预测出这些关键部位的状态量。
虽然系统中负荷的分布与变化是有规律的，但由于发电分布与设备的检修等原因，使得系统中潮流的分布千变万化，因此，运行调度人员不可能将所有的潮流状态全部准确地记忆下来。计算机的普及为解决上述困难提供了有效途径。
从本质上讲，利用潮流历史数据确定系统的潮流分布属于模式识别范畴，而利用模式识别技术粗略地确定电力系统的潮流分布进而进行安全分析，已有研究者对此进行了探索［2］。该类方法的实现可分为离线训练和在线应用两部分。离线训练部分是：利用潮流计算程序对各种可能的运行方式进行分析，以获得在这些运行方式下系统中的状态量与控制量和扰动量之间的对应关系。将这些对应关系组成样本集对辨识网络进行训练，使辨识网络“记住”这些对应关系。训练完毕后，辨识网络构成。在线应用部分是：对任意待求的运行方式，利用被训练好的辨识网络找到其模式归属，然后利用状态量与控制量和扰动量之间的对应关系确定待求运行方式的状态。
这类方法的不足是：由于训练样本集是利用常规的潮流计算程序进行分析获得，因而不可避免地存在由于前述的元件模型与参数的不准确所造成的误差。另外，由于样本状态空间大，采用一般的模式识别技术难以满足实时要求，因此，有的作者在提高模式搜索速度方面进行了研究［3］。再有，由于样本状态空间大，为限制样本集规模和提高训练速度等原因，训练样本不可能过密地覆盖整个运行模式空间，这样就不可避免地带来计算误差。
文［4］在提高潮流确定精度和速度方面进行了探索。在所提出的方法中，利用灵敏度分析对辨识的结果进行修正以提高潮流计算精度，借助人工神经网络的大规模并行处理功能提高辨识和修正速度，在提高潮流确定精度和速度方面收到良好效果。但其灵敏度矩阵是通过解析方法，即潮流修正方程雅可比矩阵求逆的方法获得，因此，本质上该方法属于解析法，仍无法避免由于前述的元件模型与参数的不准确所带来的误差。
避免由于元件模型与参数的不准确所带来误差的方法之一是：不使用解析的方法，而是利用历史数据通过模式识别的方法直接确定系统的潮流分布。
早先，各种运行方式潮流状态的收集是由系统运行人员完成的，这些数据是靠运行人员抄表，然后整理、汇总后上报上一级调度而获得。由于读表的误差、表计的误差或其它的一些客观与人为的因素，使收集到的数据与实际情况不可避免地存在一定的差异。
另一方面，电力系统潮流数据是大量的，不仅在这些浩如烟海的数据中发现规律很不容易，而且仅将这些数据整理、汇总后输入计算机也是一项艰巨而细致的工作。
SCADA系统的逐步完善及计算机的普及，为直接利用历史数据通过模式识别的方法确定系统的潮流分布提供了物质基础。每个运行方式的潮流数据可通过SCADA系统采集与汇总后，传送到计算机网络，这样不仅可以消除收集到的数据由于读表所造成的误差，也可避免将这些数据输入计算机这一繁琐的工作。然后可利用模式识别与聚类方法对潮流数据进行处理，总结出典型类别模式，以作为以后进行潮流确定的依据。
利用历史数据通过模式识别的方法确定系统的潮流分布带来另一个问题即结果的精度问题。文［4］中利用解析灵敏度分析对所辨识的潮流分布结果进行修正，虽然修正可以提高潮流确定的精度，但不能避免由于元件模型与参数的不准确所带来的误差。所以，如何利用潮流历史数据找出状态量与控制量和扰动量之间的灵敏度关系，从而避免解析灵敏度矩阵的使用，也是一个重要问题。该问题在本文第3节中将被详细论述。
总之，本文提出的方法是利用历史数据通过模式识别的方法直接确定系统的潮流分布。其实现过程可分为离线训练和在线应用两部分，如图1、2所示。
从理论上讲，只要在图1的第2框中设置足够多的典型模式，并使这些典型模式均匀且足够密地覆盖于潮流状态空间，那么在线应用过程中对状态量的修正、即图2中的第2框可以被省略。但设置足够多的典型模式会带来两个问题(1)保存典型模式需要较多的存储空间；(2)过多的典型模式会增加模式搜寻的时间。而典型模式设置得少会带来辨识精度不足的问题。为解决这一矛盾，本文采用了设置一定数量的典型模式，辨识后再用灵敏度分析进行修正的方法。图1 离线训练流程
Fig.1 Flowchartofoff-linetraining图2 在线应用过程
Fig.2 Processingofon-lineapplication由于本文提出的方法是完全基于潮流历史数据的，所以如何利用潮流历史数据求取对应每个典型模式的灵敏度矩阵是本文的一个关键问题。3 灵敏度关系的求取[1][2][3][4]下一页
