数据驱动建模方法改变了发电机传统的建模范式,导致传统的机电暂态时域仿真方法无法直接应用于新范式下的电力系统。为此,该文提出一种基于数据-模型混合驱动的机电暂态时域仿真(data and physics driven time domain simulation,DPD-T...数据驱动建模方法改变了发电机传统的建模范式,导致传统的机电暂态时域仿真方法无法直接应用于新范式下的电力系统。为此,该文提出一种基于数据-模型混合驱动的机电暂态时域仿真(data and physics driven time domain simulation,DPD-TDS)算法。算法中发电机状态变量与节点注入电流通过数据驱动模型推理计算,并通过网络方程完成节点电压计算,两者交替求解完成仿真。算法提出一种混合驱动范式下的网络代数方程组预处理方法,用以改善仿真的收敛性;算法设计一种中央处理器单元-神经网络处理器单元(central processing unit-neural network processing unit,CPU-NPU)异构计算框架以加速仿真,CPU进行机理模型的微分代数方程求解;NPU作协处理器完成数据驱动模型的前向推理。最后在IEEE-39和Polish-2383系统中将部分或全部发电机替换为数据驱动模型进行验证,仿真结果表明,所提出的仿真算法收敛性好,计算速度快,结果准确。展开更多
针对大规模风电场接入给电力系统安全稳定分析过程带来的方程高维性、计算效率低问题,提出了一种基于模型-数据混合驱动的风电场暂态过程等值方法。对整个风电场进行两阶段聚合,最终将含有多台风机的风电场等值为单台风机模型。第一阶...针对大规模风电场接入给电力系统安全稳定分析过程带来的方程高维性、计算效率低问题,提出了一种基于模型-数据混合驱动的风电场暂态过程等值方法。对整个风电场进行两阶段聚合,最终将含有多台风机的风电场等值为单台风机模型。第一阶段等值过程中基于物理模型驱动思想,通过获取不同风速下风机并网点有功暂态响应特性及出力特性,采用K-means方法将所有风机聚合为四台等效风机。第二阶段基于数据驱动策略,通过所建立风电场并网点有功偏差最小的多时段优化模型并结合长短期记忆网络(long short term memory,LSTM)训练,将四台等效风机聚合为单台风机模型,实现了整个风电场的暂态过程等值聚合。通过算例验证了所提等值方法能够有效地反映风电场的暂态过程特性,为电力系统安全稳定分析模型降维提供了一种实用化解决方案。展开更多
文摘针对大规模风电场接入给电力系统安全稳定分析过程带来的方程高维性、计算效率低问题,提出了一种基于模型-数据混合驱动的风电场暂态过程等值方法。对整个风电场进行两阶段聚合,最终将含有多台风机的风电场等值为单台风机模型。第一阶段等值过程中基于物理模型驱动思想,通过获取不同风速下风机并网点有功暂态响应特性及出力特性,采用K-means方法将所有风机聚合为四台等效风机。第二阶段基于数据驱动策略,通过所建立风电场并网点有功偏差最小的多时段优化模型并结合长短期记忆网络(long short term memory,LSTM)训练,将四台等效风机聚合为单台风机模型,实现了整个风电场的暂态过程等值聚合。通过算例验证了所提等值方法能够有效地反映风电场的暂态过程特性,为电力系统安全稳定分析模型降维提供了一种实用化解决方案。
