暂态稳定

虚拟同步机(virtual synchronous generator, VSG)技术可以使并网逆变器具有与同步发电机类似的外特性。VSG系统暂态稳定性的主要影响因素是虚拟惯量和阻尼系数，但现有的控制策略在参数调节过程中存在灵活性不足的缺点，不能有效解决系统暂态稳定性和暂态恢复时间的问题。针对这一问题，提出动态调节阻尼补偿量的概念。将阻尼系数和阻尼补偿量共同作为系统的等效阻尼系数，设计了基于径向基函数(radial basis function, RBF)的VSG虚拟惯量和动态阻尼补偿自适应控制策略，实现了参数之间的解耦，使系统的阻尼随着系统频率的变化进行动态调整。通过建立VSG数学模型，确定了参数的具体取值范围。最后，在仿真平台上搭建VSG系统，分别在出力波动和低压穿越两种工况下验证了所提控制策略相较于传统RBF控制策略的优越性。

针对传统储能VSG（虚拟同步发电机）不能较好地同时具备抗扰动能力和快速动态响应能力的问题，提出一种以RBF（径向基函数）神经网络优化动态同步器的储能VSG控制策略。首先，建立VSG的数学模型，分析转动惯量和阻尼系数配置对VSG性能的影响，得出参数配置在动态响应和系统动态稳定的矛盾关系。其次，将转子的暂态不平衡功率作为三层前向结构RBF神经网络算法的输入，通过RBF神经网络算法在线学习得出最优暂态补偿功率来动态调节VSG的输入功率，从而减少转子的不平衡转矩，提高VSG的暂态稳定性。最后，通过仿真对比实验验证了所提控制策略的有效性。

针对暂态稳定预防控制在线计算的快速性要求和时域方程计算复杂性之间的矛盾，提出一种堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法。首先，构建了基于堆栈式集成深度置信网络的暂态稳定评估器，用以代替暂态稳定判定所需的非线性微分代数方程求解过程；其次，将训练好的暂态稳定评估器作为暂态稳定约束判别器，嵌入帝企鹅启发式优化算法的迭代寻优过程中；最后，以预防控制代价最小为目标，建立集成学习驱动的电力系统暂态稳定预防控制启发式优化算法，该算法实现了预防控制中暂态稳定约束的高效判断，提高了发电再调度预防控制决策水平。基于IEEE39节点系统对所提预防控制优化方法进行实验验证，结果表明，该方法在评估准确率和计算效率上都具有良好的效果。

基于不同种类分布式新能源的暂态特性，建立各种新能源的典型模型，聚合为考虑分布式新能源的有源综合负荷模型，用于对工程实际省级电网的安全稳定分析。所提方法能有效反映新能源的低电压穿越、切机等特性对省级电网稳定性的复杂影响，其中火电机组直接退出分布式新能源消纳运行会导致大电网稳定性下降，当火电机组处于调峰状态时，对大电网暂态稳定性影响较小。

目前求取联络线暂态稳定传输功率极限的时域仿真法和基于李雅普诺夫稳定性理论的直接法计算过程复杂，针对此问题，提出基于卷积神经网络的输电断面暂态稳定极限功率计算方法。首先将系统运行的数据与实验仿真数据相结合，转化为输电断面特征属性，选择输电断面关键特征，将其作为神经网络的输入层向量，然后经过多次训练构建出系统关键特征与输电断面暂态稳定极限功率的非线性映射关系。最后以IEEE14节点进行算例分析，验证了计算方法的可靠性以及有效性。

高准确度仿真模型是进行大规模风电并网暂态稳定分析的基础，然而双馈风电机组（DFIG）控制策略与参数属于技术秘密难以获取，模型仿真准确性难以保证。针对DFIG故障暂态精确建模难题，提出了基于实测数据的DFIG建模及参数辨识方法。首先，基于电力系统综合稳定程序（PSASP）中DFIG模型及控制结构，建立低电压穿越（LVRT）控制数学模型并分析故障暂态过程，明确LVRT暂态控制核心参数。其次，基于DFIG的LVRT部分现场实测工况数据，利用混沌粒子群算法实现了DFIG故障暂态控制参数辨识。最后，基于剩余实测工况数据进行辨识参数准确性分析与校验，仿真验证了所提参数辨识方法的有效性及准确性。所提方法辨识结果泛化能力强、准确度高，具有较高的工程应用价值。

断面传输容量需预留暂态稳定极限，断面容量因此小于线路热稳极限之和。 储能削减峰荷、提高系统N-1、提高断面传输容量，从而可延缓或按照有效容量投资口采用替代原理衡量储能的价值，即使用储能降低的总投资费用评估储能的价值。

电网实时运行可视化分析预警系统（以下简称系统）根据“以调度员思维模式为框架，以可视化界面为功能模块，以互动计算为系统核心”的思路，利用电网EMS实时数据、状态估计数据、PMU数据、水调自动化系统数据、保护信息及气象数据等各种信息，实现电网运行信息从静态、二维平面、孤立数据的展示方式向动态、三维立体、虚拟现实的展示方式转变，从电网充裕度、安全性、脆弱性和可控性等方面进行理论研究、算法实现及可视化表达，在可视化互动计算、低频振荡快速检测、电网运行整体态势指标可视化、水库及发电能力可视化计算、人工智能驱动的输电断面安全状态快速评估、深度学习驱动的电力系统暂态稳定预防控制决策，以及基于图数据库的人机交互等方面达到国内领先水平，具有完全自主知识产权，整体上属国内首创。系统实现了信息融合、智能告警、动态监视、海量数据阅读、超实时仿真和高性能计算、基于人工智能的电网安全稳定分析、虚拟现实，以及基于图数据库的人机交互等功能。系统设计合理，反映了电网理论计算和计算机技术的最新成果，主要技术性能指标均满足设计要求，实用化程度高，且贴近调度生产需求，为电网调度运行提供一个准确及时掌握电网实时运行态势的分析决策平台，提高了调度人员对电网运行的监控能力，实现传统电网调度模式向智能电网调度模式转换，有效提高了电网安全生产水平。

传统的电力系统暂态电压稳定评估模型存在2方面问题：故障过程中的关键信息难以捕捉、暂态稳定样本与失稳样本不平衡导致模型对多数类样本存在倾向性。为此，提出了基于改进深度残差网络的电压稳定预警模型。首先，为了捕捉故障过程中的关键信息，在残差网络中嵌入卷积注意力模块，通过对时间通道与空间通道的双重注意力来挖掘电力系统动态轨迹中潜在的时空关系；其次，针对训练过程中模型倾向于多数类样本的问题，引入基于梯度平衡机制的损失函数来减小不平衡样本对评估结果的影响；第三，为了强化模型对数据特征的提取能力，将传统卷积核替换为非对称卷积模块。最后，通过在IEEE39节点系统上接入2种不同风电占比进行测试，进一步验证所提方法在暂态电压稳定评估中的优异性能。

针对暂态稳定预防控制在线计算的快速性要求和时域方程计算复杂性之间的矛盾，提出一种堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法。首先，构建了基于堆栈式集成深度置信网络的暂态稳定评估器，用以代替暂态稳定判定所需的非线性微分代数方程求解过程；其次，将训练好的暂态稳定评估器作为暂态稳定约束判别器，嵌入帝企鹅启发式优化算法的迭代寻优过程中；最后，以预防控制代价最小为目标，建立集成学习驱动的电力系统暂态稳定预防控制启发式优化算法，该算法实现了预防控制中暂态稳定约束的高效判断，提高了发电再调度预防控制决策水平。基于IEEE39节点系统对所提预防控制优化方法进行实验验证，结果表明，该方法在评估准确率和计算效率上都具有良好的效果。