管 霖，何楚瑤，曾毅豪，黃振琳

（華南理工大學(xué) 電力學(xué)院，廣東 廣州 510640）

0 引言

暫態(tài)穩(wěn)定評估（TSA）是電力系統(tǒng)安全運行中的關(guān)鍵問題，也是學(xué)術(shù)研究的持續(xù)熱點之一。到目前為止，電力系統(tǒng)暫態(tài)穩(wěn)定評估仍然是以故障的時域仿真枚舉為主、暫態(tài)能量函數(shù)類方法為輔的技術(shù)架構(gòu)?；谌斯ぶ悄芗夹g(shù)的暫態(tài)穩(wěn)定評估方法雖然已經(jīng)有近20年的研究歷程，但并未脫出時域仿真法輔助篩選工具的定位，也未能獲得良好的工程應(yīng)用。

時域仿真法突出的優(yōu)點是分析可靠性高，因此長期以來一直作為其他分析方法的檢驗標準。但其缺點也很突出，只能給出一個個樣本的模擬，需要一次次試探性地修改擾動參數(shù)、觀察計算結(jié)果，才能由穩(wěn)定變化趨勢給出系統(tǒng)暫態(tài)穩(wěn)定水平的判斷。因此，時域仿真法不能有效地支持智能預(yù)防控制決策的實現(xiàn)。

暫態(tài)能量函數(shù)法（或稱直接法）積分時間短，計算速度快，能給出穩(wěn)定裕度的度量。但是，一方面它對系統(tǒng)模型的復(fù)雜性適應(yīng)能力較差，對多擺失穩(wěn)問題的評估精度不足；另一方面，其評估依靠的仍然是時域仿真積分到擾動切除時刻的動態(tài)信息，因此同樣無法指出運行方式變化對穩(wěn)定性的影響信息，難以用于預(yù)防控制決策。

隨著新能源發(fā)電的加入，大電網(wǎng)的不可預(yù)測性不斷增強，系統(tǒng)結(jié)構(gòu)和運行工況日益復(fù)雜，單純依靠人的經(jīng)驗進行判斷和決策已經(jīng)難以駕馭大電網(wǎng)的安全運行［1-2］。基于人工智能技術(shù)的觀點，系統(tǒng)暫態(tài)穩(wěn)定性與某些描述系統(tǒng)運行狀態(tài)的特征量之間具有某種映射關(guān)系［3-6］，若能找出這些特征量，受擾動后的系統(tǒng)暫態(tài)穩(wěn)定性評估可以歸結(jié)為模式識別問題。離線仿真可以提供反映這種內(nèi)在映射關(guān)系的樣本，一旦通過樣本學(xué)習(xí)提取出這種函數(shù)關(guān)系，就可以對新運行狀態(tài)下的系統(tǒng)暫態(tài)穩(wěn)定性進行評估［7］。所以，人工智能和模式識別技術(shù)的結(jié)合為大型電力系統(tǒng)的快速穩(wěn)定評估提供了一種新的求解方法。

國內(nèi)外學(xué)者對于基于人工智能技術(shù)的暫態(tài)穩(wěn)定評估方法已經(jīng)開展了大量的研究并形成了基本的算法框架［8］。文獻［9-10］選取系統(tǒng)受擾后的動態(tài)變量作為輸入特征，其最大局限性在于只能判斷穩(wěn)定與否，而不能指出運行方式中的哪些因素影響了穩(wěn)定水平以及如何調(diào)整潮流分布有助于改善系統(tǒng)穩(wěn)定水平。文獻［8］給出選取輸入特征的另一種方法，即用穩(wěn)態(tài)潮流信息及其組合量并計及網(wǎng)絡(luò)拓撲、網(wǎng)絡(luò)規(guī)模及擾動地點的影響構(gòu)成輸入特征集。文獻［11］提出的觀點為輸入特征的選擇提供了新思路，即以受擾嚴重機組的穩(wěn)定性決定全系統(tǒng)的穩(wěn)定為理論依據(jù)，圍繞這些機組構(gòu)造輸入特征。文獻［12］提出選擇極限切除時間作為評估輸出，將穩(wěn)定評估視為一類回歸問題，與傳統(tǒng)的穩(wěn)/失穩(wěn)的二值輸出相比能提供穩(wěn)定裕度等其他信息。

本文主要研究基于最短路的主導(dǎo)失穩(wěn)機群辨識方法，無需穩(wěn)定仿真直接基于電網(wǎng)結(jié)構(gòu)和運行信息識別電網(wǎng)暫態(tài)失穩(wěn)模式和機群劃分，在此基礎(chǔ)上研究功角穩(wěn)定評估關(guān)鍵特征與拓撲的關(guān)系，提出基于拓撲的功角穩(wěn)定評估算法。通過本文研究有助于建立電網(wǎng)運行方式、拓撲結(jié)構(gòu)與穩(wěn)定水平的關(guān)聯(lián)關(guān)系，并為構(gòu)建電網(wǎng)智能預(yù)防控制決策支持模型打下基礎(chǔ)。

1 主導(dǎo)失穩(wěn)機群辨識方法

1.1 方法思路

本文提出的基于最短路的主導(dǎo)失穩(wěn)機群辨識方法，無需穩(wěn)定仿真，直接基于電網(wǎng)結(jié)構(gòu)和運行信息識別電網(wǎng)暫態(tài)失穩(wěn)模式和機群劃分。首先計算主導(dǎo)失穩(wěn)發(fā)電機辨識指標對發(fā)電機進行排序，通過二分類聚類方法篩選出受擾嚴重的發(fā)電機集合；然后對圖形式的電力網(wǎng)絡(luò)，利用最短路搜索算法得到發(fā)電機間最短路長度構(gòu)成的無故障最短路矩陣W和考慮故障點的最短路矩陣WF，利用最短路長度對受擾嚴重發(fā)電機集合進行拓撲分群；最后辨識主導(dǎo)失穩(wěn)機群。該方法可為多種需要失穩(wěn)分群信息的電力系統(tǒng)暫態(tài)穩(wěn)定評估和穩(wěn)定控制方法提供支持。方法的具體流程圖如圖1所示。

圖1 主導(dǎo)失穩(wěn)機群辨識方法流程圖Fig.1 Flowchart of dominant instability generator group recognition

1.2 主導(dǎo)失穩(wěn)辨識指標

1.2.1 短路電壓與主導(dǎo)失穩(wěn)機群的關(guān)系

以單機-無窮大系統(tǒng)模型為例分析短路電壓與不平衡功率的關(guān)系，并對短路電壓與主導(dǎo)失穩(wěn)機群的關(guān)系進行機理分析。對簡單的發(fā)電廠模型，即發(fā)電機經(jīng)過升壓變壓器、2條輸電線路與無窮大母線相連，忽略發(fā)電機、變壓器及輸電線路的電阻。

假設(shè)單回輸電線路上某點發(fā)生帶小電抗三相短路故障，改變故障點所在位置，使故障點沿單回線路移動，計算故障瞬間發(fā)電機的輸出功率與穩(wěn)態(tài)功率之比機端電壓 幅值并得到兩者的關(guān)系。

仿真結(jié)果顯示，發(fā)電機功率與機端電壓幅值是單調(diào)遞增關(guān)系，機端電壓越低，輸出功率越低。機端電壓幅值大小可以反映發(fā)電機短路瞬時功率大小。由于調(diào)速器動作速度較慢，可以認為故障持續(xù)期間機械功率PT維持不變，等于穩(wěn)態(tài)時的電磁功率Pe，即由此，故障期間發(fā)電機轉(zhuǎn)子上的不平衡功率與短路電壓有單調(diào)遞增關(guān)系，則不平衡功率與短路電壓有單調(diào)遞減關(guān)系。

1.2.2 主導(dǎo)失穩(wěn)發(fā)電機辨識指標

定義主導(dǎo)失穩(wěn)發(fā)電機辨識指標DI：

其中為發(fā)電機穩(wěn)態(tài)有功功率標幺值為短路瞬間機端電壓幅值標幺值；Tj為發(fā)電機轉(zhuǎn)子的慣性時間常數(shù)。不平衡功率ΔP與機端電壓存在單調(diào)遞減關(guān)系，所定義指標 DI中的因子即表征了這一關(guān)系。另一方面，發(fā)電機轉(zhuǎn)子具有慣性，一般慣性越大，穩(wěn)定性越好，指標DI以1/Tj的方式考慮了慣性。所以，指標DI充分反映了故障對發(fā)電機的沖擊，依據(jù)指標DI可以對主導(dǎo)失穩(wěn)機組進行辨識。

1.3 二分類聚類分析

對由指標DI構(gòu)成的預(yù)聚類集合L進行聚類分析。聚類分析把樣本分為幾個類別，目標是使同一類別中的樣本盡量相似，不同類別的樣本盡可能相異。本節(jié)所采用的K-means聚類分析算法流程可以參考文獻［13］，本文不再介紹。

計算指標DI，進行二分類聚類分析得到受擾嚴重發(fā)電機集合M的方法流程如下：

a.計算每臺發(fā)電機的指標DI，統(tǒng)計發(fā)電機數(shù)量N；

b.依據(jù)指標DI對發(fā)電機進行排序；

c.選取指標DI最大的n=kN臺發(fā)電機構(gòu)成預(yù)聚類集合 L，設(shè) L=｛G1，G2，…，Gn｝，且有 DI（G1）≥DI（G2）≥…≥DI（Gn）；

d.利用K-means聚類算法基于指標DI對L進行二分類聚類分析，聚類1為受擾嚴重發(fā)電機群類，聚類2為穩(wěn)定機群類。

通常主導(dǎo)失穩(wěn)機群所含發(fā)電機數(shù)量不多，對于規(guī)模較大的系統(tǒng)（發(fā)電機數(shù)量多于100臺），本文認為短路故障下系統(tǒng)的加速失穩(wěn)機群內(nèi)發(fā)電機數(shù)量不超過總數(shù)的10%，k建議取為0.1，這樣就不會遺漏可能失穩(wěn)的發(fā)電機，同時可以提高后續(xù)的聚類效率。對于小型的電力系統(tǒng)（發(fā)電機數(shù)量少于20臺），k建議取為1。

1.4 最短路識別

1.4.1 電力網(wǎng)絡(luò)規(guī)范化

進行最短路辨識，首先需要將電力網(wǎng)絡(luò)用圖論中規(guī)范的網(wǎng)絡(luò)形式進行描述，對故障前的圖形式的電力網(wǎng)絡(luò)拓撲，寫出無故障鄰接矩陣。具體包括：（1）將網(wǎng)絡(luò)中的節(jié)點轉(zhuǎn)換成圖論中的節(jié)點；（2）將多回平行線路等效成單回線路；（3）將輸電線路和變壓器用圖論中的邊來表示，邊的權(quán)值取線路電抗值或變壓器電抗值；（4）移除串聯(lián)電容補償裝置，把串聯(lián)補償容抗歸到相鄰支路中；（5）根據(jù)節(jié)點和邊信息形成鄰接矩陣。

完成圖的規(guī)范化后，為適應(yīng)電力網(wǎng)絡(luò)的研究，本文定義電力網(wǎng)絡(luò)中連接2點的距離為最短路所包含的邊的權(quán)值和，即最短路長度。網(wǎng)絡(luò)的平均距離定義為所有節(jié)點對的距離平均值。

1.4.2 最短路矩陣

將電力網(wǎng)絡(luò)轉(zhuǎn)化為規(guī)范的圖形式后，利用Dijkstra最短路搜索算法可以得出機組間的最短路，最短路能反映擾動前發(fā)電機之間的耦合關(guān)系強度。對于一個含有g(shù)個發(fā)電機節(jié)點的電力網(wǎng)絡(luò)，可形成發(fā)電機節(jié)點間的最短路矩陣W=［wij］，其中wij為發(fā)電機節(jié)點i和發(fā)電機節(jié)點j之間的最短路長度。

矩陣W的對角元素表示節(jié)點與節(jié)點本身間的距離，規(guī)定為無窮大。

定義發(fā)電機間平均距離為發(fā)電機節(jié)點間的最短路長度的平均值，即：

由于故障的存在會使故障所在節(jié)點從原來的網(wǎng)絡(luò)拓撲中分離出來，并嚴重影響與故障節(jié)點相連支路的功率傳輸能力，為考慮這一影響，還需要計算考慮故障點影響的最短路矩陣WF=［wfij］。計算方法是：首先將與故障點相連的邊權(quán)值設(shè)為無窮大，然后再利用最短路搜索算法求解最短路。

1.5 拓撲分群

發(fā)電機節(jié)點間的最短路長度在一定程度上表征了發(fā)電機節(jié)點之間的電氣距離，可以反映2臺發(fā)電機間的耦合程度。拓撲分群的目的就是根據(jù)耦合強弱，得出在故障持續(xù)期間與受擾嚴重發(fā)電機有較強電氣耦合的機組，并根據(jù)機組間電氣聯(lián)系的強弱進行分群。

拓撲分群的實現(xiàn)步驟如下。

（1）對受擾嚴重機群 M=｛G1，G2，…，Gp｝中的發(fā)電機 Gi，取 i=1，分群號 q=1。

（2）取分群 Aq=｛Gi｝，判斷 WF第 i行的每一個元素，若 wfij<0.5，取 Aq=Aq∪｛Gj｝，并進一步判斷，若 Gj?M，則 M=M-｛Gj｝；遍歷第 i行后轉(zhuǎn)步驟（3）。

（3）判斷Gi是否為M的最后一個元素，若是，則結(jié)束分群搜索；否則，取 i=i+1，q=q+1，轉(zhuǎn)步驟（2）繼續(xù)執(zhí)行搜索。

記拓撲分群得到的機群為 GP=｛A1，A2，…，Am｝。

上述分群方式僅考慮了發(fā)電機之間的最短路長度。采用的分群原則是：若2個發(fā)電機節(jié)點間的最短路小于最短路平均距離的50%，則這2臺機組劃分為同一機群。

1.6 主導(dǎo)失穩(wěn)機群辨識

對主導(dǎo)失穩(wěn)機群的識別還需要進一步計及受擾嚴重程度和故障消失后機群之間同步能力的影響，本文方法最后一個關(guān)鍵步驟——主導(dǎo)失穩(wěn)機群辨識的步驟如下。

（1）計算 GP=｛A1，A2，…，Am｝中每一個分群 Ai中所有發(fā)電機的辨識指標DI的平均值，并按這一平均值對GP中的分群進行從大到小排序，排序后的分組集合仍記為 GP=｛A1，A2，…，Am｝。

（2）如果GP中只有一個分群，則取主導(dǎo)失穩(wěn)機群的預(yù)選機群 AI為 AI=A1；否則，判斷 DIS（A1，A2）<0.5是否成立，如果成立，取主導(dǎo)失穩(wěn)機群的預(yù)選的機群AI為AI=A1∪A2，不成立則取 AI=A1。 其中，DIS（A1，A2）為 A1分群中指標 DI最大的發(fā)電機與 A2分群中指標DI最大的發(fā)電機之間的最短路長度，可由故障前最短路矩陣W獲得。

（3）對預(yù)選機群AI中的發(fā)電機，按辨識指標DI值從高到低進行排序，記指標DI最大的機組為GI1，根據(jù) DI大小其他機組依次標記為 GI2、GI3、…、GIp，各機組對應(yīng)的指標 DI記為 DI（GI1）、DI（GI2）、DI（GI3）、…、DI（GIp）。

（4）記為除AI的其他所有參與二分類聚類的發(fā)電機的指標DI的平均值。

（5）記主導(dǎo)失穩(wěn)機群為 I，初始化設(shè) I=｛GI1｝。 按GI2、GI3、…、GIp依次選擇發(fā)電機 GIj，并判斷是否成立。 如果成立，則 I=I∪｛GIj｝，取 j=j+1，繼續(xù)測算下一臺發(fā)電機，直至 AI內(nèi)所有發(fā)電機均測試完畢或搜索停止；否則，停止搜索，輸出主導(dǎo)失穩(wěn)群I。

經(jīng)過上述搜索過程，在以故障持續(xù)期間電氣聯(lián)系強度為依據(jù)獲得的初始分群基礎(chǔ)上，進一步考慮了故障消失后機群間電氣聯(lián)系強度和受擾程度的影響，改善了主導(dǎo)失穩(wěn)發(fā)電機群的辨識精度。

2 關(guān)鍵特征選取

系統(tǒng)的分離并不依賴于全系統(tǒng)的能量，而是趨向于從系統(tǒng)其余部分分離出來的單機或成組機組的暫態(tài)能量，這些機組的穩(wěn)定決定了全系統(tǒng)的穩(wěn)定。在本文中，這樣的機組被定義為主導(dǎo)失穩(wěn)機群。若能在線推斷或從離線分析結(jié)構(gòu)事先知道某一故障下的主導(dǎo)失穩(wěn)機群，就可以圍繞這些機群構(gòu)造反映系統(tǒng)穩(wěn)定水平的指標。本文選取的關(guān)鍵特征如下：

（1）主導(dǎo)失穩(wěn)機群是引起系統(tǒng)失穩(wěn)的關(guān)鍵機群，因此選取辨識所得的主導(dǎo)失穩(wěn)機群的穩(wěn)態(tài)有功功率作為關(guān)鍵特征量之一，記這類特征量為A；

（2）功角失穩(wěn)表現(xiàn)為主導(dǎo)失穩(wěn)機群和其余機群在功角軌跡上的分離，故把主導(dǎo)失穩(wěn)機群以外的發(fā)電機的總穩(wěn)態(tài)有功功率作為關(guān)鍵特征，記這類特征量為B；

（3）系統(tǒng)穩(wěn)定性與運行方式、網(wǎng)絡(luò)拓撲有密切聯(lián)系，故選取主導(dǎo)發(fā)電機到故障點之間k條最短路所含的支路以及與故障點相連的各條線路作為關(guān)鍵支路，并選取這些關(guān)鍵支路的穩(wěn)態(tài)有功功率作為關(guān)鍵特征，記這類特征量為C。

3 基于實例的功角穩(wěn)定評估算法

在功角穩(wěn)定評估上，基于實例的學(xué)習(xí)算法有一定的應(yīng)用［14-15］?；谥鲗?dǎo)失穩(wěn)機群的功角穩(wěn)定評估算法步驟如下。

（1）按照故障點位置和主導(dǎo)失穩(wěn)機群對數(shù)據(jù)庫中的訓(xùn)練樣本進行分類。提取關(guān)鍵特征A、B、C和極限切除時間（CCT）構(gòu)成訓(xùn)練樣本集，記故障點為F、主導(dǎo)失穩(wěn)機群為GP的訓(xùn)練樣本子集為D（F，GP），對屬于 D（F，GP）的對象 d，記 d= ［Ad，Bd，Cd］，d 對應(yīng)的極限切除時間為CCT（d）；

（2）對待評估樣本進行主導(dǎo)失穩(wěn)機群辨識，提取關(guān)鍵特征 A、B、C，形成特征向量 z，z=［Az，Bz，Cz］；

（3）將 z 和 D（F，GP）作為輸入，使用 KNN 算法評估z的極限切除時間。

4 算例分析

以南方電網(wǎng)2014年豐大極限方式等值網(wǎng)為例，對南方電網(wǎng)“西電東送”主通道故障情況下的機群失穩(wěn)模式進行識別和暫態(tài)穩(wěn)定評估，驗證本文方法的有效性。2014年豐大極限方式等值網(wǎng)，共有89臺發(fā)電機，其中包含50臺等值機和39臺保留機組；共有380個節(jié)點，其中225個500 kV節(jié)點、19個220 kV節(jié)點；360條500 kV線路，138臺電廠升壓變壓器，13臺500 kV/230 kV主變壓器。

以故障點500 kV節(jié)點（南寧）為例。南寧發(fā)生三相瞬時性短路故障，故障地點局部網(wǎng)絡(luò)接線圖如圖2所示。

圖2 南寧故障點局部網(wǎng)絡(luò)接線圖Fig.2 Partial network around Nanning fault point

（1）計算所有發(fā)電機的主導(dǎo)失穩(wěn)辨識指標并二分類聚類分析，得到受擾嚴重發(fā)電機集合。

對2014年豐大極限方式等值網(wǎng)的89臺發(fā)電機，計算發(fā)電機的指標DI并按DI對發(fā)電機進行排序，得到指標DI最大的前10臺發(fā)電機，如表1所示。根據(jù)指標DI進行機組二分類聚類，得到受擾嚴重機組集合為 M=｛EQG111，EQG107｝。

（2）搜索發(fā)電機間最短路并計算長度，并形成無故障最短路矩陣W和故障期間最短路矩陣WF，對受擾嚴重發(fā)電機集合中的發(fā)電機進行拓撲分群。

表1 南寧故障情況下發(fā)電機的辨識指標DITable 1 DI index of generator when Nanning has a fault

對受擾嚴重發(fā)電機集合M=｛EQG111，EQG107｝中的發(fā)電機EQG111，取分群A1=｛EQG111｝。故障期間最短路矩陣WF中EQG111所在節(jié)點對應(yīng)行的每一個元素都大于0.5，因此A1=｛EQG111｝。

對 M中發(fā)電機EQG107，取分群A2=｛EQG107｝。故障期間最短路矩陣WF中EQG107所在節(jié)點對應(yīng)行的每一個元素都大于0.5，因此A2=｛EQG107｝。

拓撲分群結(jié)果為：GP=｛｛EQG111｝，｛EQG107｝｝。

（3）對拓撲群進行主導(dǎo)失穩(wěn)機群辨識。

因為即機群｛EQG111｝和機群｛EQG107｝的最短路距離大于全網(wǎng)發(fā)電機間平均距離的一半，說明在故障消失后，機群｛EQG111｝和機群｛EQG107｝電氣聯(lián)系較弱，不容易發(fā)生同調(diào)失穩(wěn)，所以最終的主導(dǎo)失穩(wěn)機群辨識結(jié)果是｛EQG111｝。

通過時域仿真，發(fā)現(xiàn)當(dāng)故障持續(xù)時間tF為15個周期時，系統(tǒng)失穩(wěn)，表現(xiàn)為EQG111相對于其他發(fā)電機加速失穩(wěn)?？梢?，南寧節(jié)點發(fā)生故障情況下，本文所提方法準確識別了主導(dǎo)失穩(wěn)發(fā)電機EQG111，辨識效果理想。

（4）功角穩(wěn)定評估。

基于以上的辨識結(jié)果，可知南寧故障情況下主導(dǎo)失穩(wěn)發(fā)電機是EQG111，利用所提特征提取規(guī)則，可以得到用于該故障暫態(tài)穩(wěn)定評估的3類關(guān)鍵特征量為：發(fā)電機EQG111的穩(wěn)態(tài)有功功率；所求指標DI最大的前10臺發(fā)電機中，除主導(dǎo)機EQG111外其余發(fā)電機的穩(wěn)態(tài)總有功功率；主導(dǎo)失穩(wěn)發(fā)電機EQG111到南寧2條最短路組成支路以及與故障點相連的支路的穩(wěn)態(tài)有功功率之和。

調(diào)整故障點附近發(fā)電機的出力，生成350個互異樣本，取其中301個樣本作為訓(xùn)練樣本，余下的49個作為測試樣本。

應(yīng)用穩(wěn)定評估算法對測試樣本的極限切除時間進行預(yù)測，49個測試樣本的極限切除時間預(yù)測結(jié)果與實際極限切除時間對比如圖3所示。

圖3 南寧故障情況下測試樣本極限切除時間的預(yù)測值與實際值Fig.3 Comparison between predictive and actual CCTs when Nanning has a fault

5 結(jié)論

暫態(tài)穩(wěn)定評估是電力系統(tǒng)運行中的重要問題之一，本文針對基于模式匹配的智能穩(wěn)定評估方法進行了具體的介紹和算例分析，得到主要結(jié)論如下。

（1）提出了一種主導(dǎo)失穩(wěn)機群辨識方法，通過電網(wǎng)結(jié)構(gòu)和基本參數(shù)信息、運行方式信息，結(jié)合故障時刻的短路電壓，初步實現(xiàn)對主導(dǎo)失穩(wěn)機群的識別。通過機組間以及機組與故障點間拓撲聯(lián)接關(guān)系的描述指標來反映發(fā)電機之間通過網(wǎng)絡(luò)形成的動力學(xué)特性的關(guān)聯(lián)性和同步特性，從而指導(dǎo)主導(dǎo)失穩(wěn)發(fā)電機分群方式的辨識，進一步提高辨識的準確性。

（2）圍繞主導(dǎo)失穩(wěn)機群和網(wǎng)絡(luò)拓撲給出了智能穩(wěn)定評估，所選用的暫態(tài)穩(wěn)定評估特征均為穩(wěn)態(tài)特征量，不依賴時域仿真和訓(xùn)練樣本，物理概念清晰，可以從系統(tǒng)運行狀態(tài)直接獲得。結(jié)合關(guān)鍵特征和基于實例的學(xué)習(xí)算法實現(xiàn)了對電力系統(tǒng)故障極限切除時間的預(yù)測。

（3）與神經(jīng)網(wǎng)絡(luò)、支持向量機等人工智能方法相比，本文方法所采用的基于實例的穩(wěn)定評估方法訓(xùn)練過程簡單且計算量非常小，新加入訓(xùn)練樣本時無需對原有樣本和實例學(xué)習(xí)算法做任何修改，樣本可以動態(tài)更新并自動被下一次預(yù)測利用。

本文方法在南方電網(wǎng)的西電東送通道進行了分析，驗證了方法的有效性，為構(gòu)建電網(wǎng)智能預(yù)防控制決策支持模型打下基礎(chǔ)。

［1］OMRAN W A，KAZERANI M，SALAMA M M A.Investigation of methods for reduction of power fluctuations generated from large grid-connected photovoltaic systems［J］.IEEE Transactions on Energy Conversion，2011，26（1）：318-327.

［2］WEARE C.The California electricity crisis：causes and policy options［M］.San Francisco，California，USA：Public Policy Institute of California，2003.

［3］王同文，管霖.基于模式發(fā)現(xiàn)的電力系統(tǒng)穩(wěn)定評估和規(guī)則提?。跩］.中國電機工程學(xué)報，2007，27（19）：25-31.WANG Tongwen，GUAN Lin.Power system stability assessment and rule extraction based on pattern discovery［J］.Proceedings of the CSEE，2007，27（19）：25-31.

［4］于之虹，黃彥浩，魯廣明，等.基于時間序列關(guān)聯(lián)分析的穩(wěn)定運行規(guī)則提取方法［J］.中國電機工程學(xué)報，2015，35（3）：519-526.YU Zhihong，HUANG Yanhao，LU Guangming，etal.A time series associative classification method for the operation rule extracting of transient stability ［J］.Proceedings of the CSEE，2015，35（3）：519-526.

［5］黃天恩，孫宏斌，郭慶來，等.基于電網(wǎng)運行大數(shù)據(jù)的在線分布式安全特征選擇［J］.電力系統(tǒng)自動化，2016，40（4）：32-40.HUANG Tianen，SUN Hongbin，GUO Qinglai，et al.Online distributed security feature selection based on big data in power system operation［J］.Automation of Electric Power Systems，2016，40（4）：32-40.

［6］HE X，AI Q，QIU R C，et al.A big data architecture design for smart grids based on random matrix theory［J］.IEEE Transactions on Smart Grid，2015，32（3）：1.

［7］XU Yan，DONG Zhaoyang，GUAN Lin，et al.Preventive dynamic security control of power systems based on pattern discovery technique［J］.IEEE Transactions on Power Systems，2012，27（3）：1245-1252.

［8］王同文，管霖，張堯.人工智能技術(shù)在電網(wǎng)穩(wěn)定評估中的應(yīng)用綜述［J］.電網(wǎng)技術(shù)，2009，33（12）：60-65.WANG Tongwen，GUAN Lin，ZHANG Rao.A survey on application of artificial intelligence technology in power system stability assessment［J］.Power System Technology，2009，33（12）：60-65.

［9］RAJAPAKSE A D，GOMEZ F，NANAYAKKARA K，et al.Rotor angle instability prediction using post-disturbance voltage trajectories［J］.IEEE Transactions on Power Systems，2010，25（2）：947-956.

［10］SUN K，LEE S T.Power system security pattern recognition based on phase space visualization［C］∥Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies，2008.Nanjing，China：IEEE，2008：964-969.

［11］葉圣永，王曉茹，劉志剛，等.基于受擾嚴重機組特征及機器學(xué)習(xí)方法的電力系統(tǒng)暫態(tài)穩(wěn)定評估［J］.中國電機工程學(xué)報，2011，31（1）：46-51.YE Shengyong，WANG Xiaoru，LIU Zhigang，et al.Power system transientstability assessmentbased on severely disturbed generator attributes and machine learning method ［J］.Proceedings of the CSEE，2011，31（1）：46-51.

［12］BETTIOL A L，SOUZA A，TODESCO J L，et al.Estimation of critical clearing times using neural networks［C］∥2003 IEEE Bologna PowerTech ConferenceProceedings.Bologna，Italy：IEEE，2003：6.

［13］于之虹，郭志忠.基于數(shù)據(jù)挖掘理論的電力系統(tǒng)暫態(tài)穩(wěn)定評估［J］.電力系統(tǒng)自動化，2003，27（8）：45-48.YU Zhihong，GUO Zhizhong.A novel approach for transient stability assessment based on data mining theory［J］.Automation of Electric Power Systems，2003，27（8）：45-48.

［14］王同文，管霖，章小強，等.基于擴展 k階近鄰法的電力系統(tǒng)穩(wěn)定評估新算法［J］.電力系統(tǒng)自動化，2008，32（3）：1-5.WANG Tongwen，GUAN Lin，ZHANG Xiaoqiang，et al.A new method for power system stability assessment based on extended k-nearest neighbor classifier［J］.Automation of Electric

（continued on page 119）（continued from page 111）Power Systems，2008，32（3）：1-5.

［15］SOUAHLIA S，BACHA K，CHAARI A.SVM-based decision for power transformers fault diagnosis using Rogers and Doernenburg ratios DGA ［C］∥2013 10th International Multi-Conference on Systems，Signals&Devices（SSD）.Hammamet，Tunisia，Algeria：IEEE，2003：1-6.