高比例新能源接入使配电网具备一定的主动电压支撑能力,可通过调节公共连接点无功功率,实现输配协同电压调控。然而,新能源出力波动及输配耦合效应加剧了电压失稳过程的复杂性,给短期电压稳定(short-term voltage stability,STVS)评估...高比例新能源接入使配电网具备一定的主动电压支撑能力,可通过调节公共连接点无功功率,实现输配协同电压调控。然而,新能源出力波动及输配耦合效应加剧了电压失稳过程的复杂性,给短期电压稳定(short-term voltage stability,STVS)评估带来挑战。为此,提出计及输配协同的STVS数据驱动评估方法,首先,区别于传统评估中将配电网简化为不可控等值负荷,构建计及配电网主动电压支撑能力的系统时域仿真拓展模型,基于优化方法量化支撑能力并嵌入时域仿真,反映其对电压稳定的影响。其次,基于该模型与历史数据,构建以系统量测量为输入、稳定性状态为输出的训练数据集,训练卷积神经网络(convolutional neural network,CNN)实现STVS在线评估。相比于现有基于深度学习的STVS评估,提出了基于关键节点电压的输入-输出变量降维提取方法,可显著减少训练数据量,提升学习效率。算例仿真结果验证了所提方法在STVS评估和电压失稳程度量化方面的有效性。展开更多
文摘高比例新能源接入使配电网具备一定的主动电压支撑能力,可通过调节公共连接点无功功率,实现输配协同电压调控。然而,新能源出力波动及输配耦合效应加剧了电压失稳过程的复杂性,给短期电压稳定(short-term voltage stability,STVS)评估带来挑战。为此,提出计及输配协同的STVS数据驱动评估方法,首先,区别于传统评估中将配电网简化为不可控等值负荷,构建计及配电网主动电压支撑能力的系统时域仿真拓展模型,基于优化方法量化支撑能力并嵌入时域仿真,反映其对电压稳定的影响。其次,基于该模型与历史数据,构建以系统量测量为输入、稳定性状态为输出的训练数据集,训练卷积神经网络(convolutional neural network,CNN)实现STVS在线评估。相比于现有基于深度学习的STVS评估,提出了基于关键节点电压的输入-输出变量降维提取方法,可显著减少训练数据量,提升学习效率。算例仿真结果验证了所提方法在STVS评估和电压失稳程度量化方面的有效性。
