佘 東,嚴(yán) 正,王 晗,蒙 飛,李宏強(qiáng),徐瀟源,戴玉臣
(1. 電力傳輸與功率變換控制教育部重點(diǎn)實(shí)驗(yàn)室(上海交通大學(xué)),上海市 200240;2. 國(guó)網(wǎng)寧夏電力有限公司,寧夏回族自治區(qū)銀川市 750010;3. 南瑞集團(tuán)有限公司(國(guó)網(wǎng)電力科學(xué)研究院有限公司),江蘇省南京市 211106)
電力系統(tǒng)暫態(tài)分析主要研究系統(tǒng)受大干擾后的同步運(yùn)行能力與隨時(shí)間變化的動(dòng)態(tài)行為[1-2]。目前,時(shí)域仿真法(又稱(chēng)逐步積分法)是應(yīng)用最為廣泛的電力系統(tǒng)暫態(tài)分析方法,其通過(guò)建立并求解描述系統(tǒng)動(dòng)態(tài)行為的微分-代數(shù)方程組,以獲得系統(tǒng)狀態(tài)變量和代數(shù)變量隨時(shí)間變化的動(dòng)態(tài)曲線,進(jìn)而根據(jù)發(fā)電機(jī)轉(zhuǎn)子間的相對(duì)搖擺曲線判別系統(tǒng)穩(wěn)定性[3]。隨著電力系統(tǒng)中不確定性因素的增加,傳統(tǒng)確定性時(shí)域仿真計(jì)算逐漸向時(shí)域仿真不確定性分析轉(zhuǎn)變,以滿足強(qiáng)隨機(jī)性、波動(dòng)性場(chǎng)景下電力系統(tǒng)暫態(tài)分析的需要。計(jì)及不確定性因素的影響,如何快速、準(zhǔn)確地實(shí)現(xiàn)電力系統(tǒng)時(shí)域仿真也成為現(xiàn)階段研究的重點(diǎn)。
電力系統(tǒng)時(shí)域仿真不確定性分析具有時(shí)變性、非線性、隨機(jī)性的特點(diǎn),針對(duì)該問(wèn)題的主要研究方法有蒙特卡洛模擬(Monte Carlo simulation,MCS)法[4-5]、隨 機(jī) 響 應(yīng) 面 法(stochastic response surface method,SRSM)[6]、多 項(xiàng) 式 混 沌 展 開(kāi)(polynomial chaos expansion,PCE)方法[7-9]、區(qū)間算法[10]、概率配點(diǎn)法[11-12]、軌跡靈敏度法[13-14],隨機(jī)方程法[15-16]等。MCS 法旨在通過(guò)隨機(jī)變量的統(tǒng)計(jì)試驗(yàn)和隨機(jī)模擬求解不確定性因素影響下的隨機(jī)問(wèn)題,其原理簡(jiǎn)單且可保證計(jì)算結(jié)果的準(zhǔn)確性,但計(jì)算代價(jià)大。SRSM 和PCE 方法的基本原理一致,均是利用正交多項(xiàng)式的混沌展開(kāi)之和來(lái)建立代理模型,以擬合原模型的概率輸出響應(yīng)結(jié)果;相較于MCS 法,SRSM和PCE 方法避免了原模型中反復(fù)的數(shù)值積分計(jì)算,在盡可能保證計(jì)算精度的同時(shí),提高了電力系統(tǒng)時(shí)域仿真的計(jì)算效率。然而,SRSM 和PCE 方法應(yīng)用于電力系統(tǒng)時(shí)域仿真不確定性分析時(shí),無(wú)法考慮輸出變量在時(shí)間維度上的連續(xù)性,構(gòu)建代理模型的過(guò)程需依賴仿真時(shí)間內(nèi)多個(gè)獨(dú)立時(shí)間斷面的輸入-輸出樣本,樣本獲取過(guò)程復(fù)雜。同時(shí),隨著不確定性因素的增加,SRSM 和PCE 方法會(huì)遇到維數(shù)災(zāi)問(wèn)題,難以應(yīng)用于含高維隨機(jī)變量的問(wèn)題[17]。區(qū)間算法利用區(qū)間數(shù)描述模型參數(shù)的不確定性,并采用區(qū)間泰勒級(jí)數(shù)法求解區(qū)間微分方程組,用以分析模型參數(shù)不確定性對(duì)輸出結(jié)果的影響,但采用該方法所得結(jié)果往往存在著一定的保守性[10]。概率配點(diǎn)法基于廣義混沌多項(xiàng)式原理進(jìn)行采樣[18],其求解精度受配點(diǎn)方式的影響較大。軌跡靈敏度法通過(guò)在額定運(yùn)行點(diǎn)處建立表征系統(tǒng)輸入-輸出關(guān)系的一階線性近似表達(dá)式,分析參數(shù)變化對(duì)系統(tǒng)狀態(tài)變量的影響,但該方法難以應(yīng)用于非線性較強(qiáng)的系統(tǒng)[19]。隨機(jī)方程法針對(duì)系統(tǒng)中的隨機(jī)擾動(dòng),采用隨機(jī)過(guò)程對(duì)系統(tǒng)動(dòng)態(tài)過(guò)程建模,并引入Euler 或Milstein 等方法實(shí)現(xiàn)隨機(jī)微分方程的求解,但其原理較為復(fù)雜,計(jì)算也較為煩瑣。
近年來(lái),文獻(xiàn)[19-22]提出了基于Galerkin 法的多項(xiàng)式逼近方法,并將其應(yīng)用于電力系統(tǒng)時(shí)域仿真不確定性分析中,相較于SRSM 和PCE 方法,基于Galerkin 法的多項(xiàng)式逼近方法引入了時(shí)序項(xiàng),能夠通過(guò)數(shù)值積分實(shí)現(xiàn)系統(tǒng)動(dòng)態(tài)仿真軌跡的遞推計(jì)算,避免了在代理模型構(gòu)建過(guò)程中需要大量多時(shí)間斷面采樣的問(wèn)題。但該方法同樣面臨維數(shù)災(zāi)問(wèn)題,需要借助其他方法予以解決,如靈敏度分析方法等。
針對(duì)現(xiàn)有方法中存在的不足,本文提出了一種基于含時(shí)序項(xiàng)代理模型的電力系統(tǒng)時(shí)域仿真不確定性分析方法。該方法利用非線性有源自回歸多項(xiàng)式混沌展開(kāi)(nonlinear autoregressive with exogenous input-polynomial chaos expansion,NARX-PCE)方法構(gòu)建了含時(shí)序項(xiàng)的代理模型,兼顧了不確定性因素的影響和時(shí)域仿真過(guò)程的動(dòng)態(tài)特性。其中,時(shí)序項(xiàng)是指由系統(tǒng)不同時(shí)刻點(diǎn)的輸出變量所組成的代理模型基函數(shù)項(xiàng),以此反映系統(tǒng)輸出隨時(shí)間動(dòng)態(tài)變化的情況。此外,在代理模型的構(gòu)建中,本文引入了最小角回歸(least angle regression,LAR)策略,以克服高維隨機(jī)變量所引起的維數(shù)災(zāi)問(wèn)題。
考慮不確定性因素的影響,建立刻畫(huà)電力系統(tǒng)動(dòng)態(tài)過(guò)程的隨機(jī)微分-代數(shù)方程,如式(1)所示[18]。
式中:x為表征系統(tǒng)動(dòng)態(tài)特性的狀態(tài)變量,如發(fā)電機(jī)轉(zhuǎn)子角等;y為表征系統(tǒng)運(yùn)行狀態(tài)的代數(shù)變量,如電壓幅值等;ξ為輸入隨機(jī)變量,包含發(fā)電機(jī)端的隨機(jī)出力、系統(tǒng)負(fù)荷水平等;f(?)和g(?)分別為描述系統(tǒng)運(yùn)行特性的微分方程組與代數(shù)方程組。
在確定性場(chǎng)景下,基于數(shù)值積分算法的時(shí)域仿真方法是一種求解微分-代數(shù)方程組的有效方法。針對(duì)式(1)所示的隨機(jī)微分-代數(shù)方程,在時(shí)域仿真方法的基礎(chǔ)上,可結(jié)合不確定性分析手段,獲得不確定性因素影響下的電力系統(tǒng)狀態(tài)變量和代數(shù)變量隨時(shí)間變化的情況,以評(píng)估不確定性場(chǎng)景下系統(tǒng)運(yùn)行的穩(wěn)定性與安全性。
目前,常用的電力系統(tǒng)時(shí)域仿真不確定性分析方法主要包括MCS 法和代理模型方法。
1.2.1 MCS 法
MCS 法是一種常用的不確定性分析方法,其通過(guò)采集大量的輸入隨機(jī)變量樣本,將隨機(jī)問(wèn)題轉(zhuǎn)化為一系列的確定性問(wèn)題求解,最終獲得系統(tǒng)輸出響應(yīng)的分布結(jié)果[23]。MCS 法原理簡(jiǎn)單且易于實(shí)現(xiàn),但大量的重復(fù)計(jì)算在提高計(jì)算精度的同時(shí)也極大降低了計(jì)算效率?;贛CS 法的電力系統(tǒng)時(shí)域仿真不確定分析方法在獲得系統(tǒng)輸出變量動(dòng)態(tài)軌跡分布的同時(shí),將耗費(fèi)大量計(jì)算成本用于反復(fù)的數(shù)值積分計(jì)算,難以實(shí)現(xiàn)電力系統(tǒng)動(dòng)態(tài)過(guò)程的快速分析。因此,基于MCS 法的時(shí)域仿真不確定性分析方法常作為驗(yàn)證其他方法準(zhǔn)確性的基準(zhǔn)方法使用[17]。
1.2.2 代理模型方法
基于代理模型的不確定性分析方法是指通過(guò)構(gòu)建表示原系統(tǒng)輸入-輸出關(guān)系的代理模型進(jìn)行計(jì)算,在盡可能保證計(jì)算精度的條件下,降低原系統(tǒng)模型不確定性分析過(guò)程的計(jì)算負(fù)擔(dān)。常用于電力系統(tǒng)時(shí)域仿真不確定性分析的代理模型方法包括PCE 方法和基于Galerkin 法的多項(xiàng)式逼近方法。
1)PCE 方法
PCE 方法利用含獨(dú)立隨機(jī)變量的正交多項(xiàng)式之和建立原系統(tǒng)的代理模型,并通過(guò)配點(diǎn)法或最小二乘法求解多項(xiàng)式系數(shù),以獲得表征原系統(tǒng)輸入-輸出關(guān)系的表達(dá)式。基于PCE 方法,系統(tǒng)輸出變量Y的代理模型可表示為:
式中:?i(ξ)為含隨機(jī)變量ξ的正交多項(xiàng)式;αi為對(duì)應(yīng)于第i個(gè)多項(xiàng)式的系數(shù)。
當(dāng)應(yīng)用于電力系統(tǒng)時(shí)域仿真不確定性分析時(shí),PCE 方法以系統(tǒng)輸出變量動(dòng)態(tài)過(guò)程的各個(gè)時(shí)間斷面為采樣點(diǎn)獲取輸入-輸出樣本,對(duì)各個(gè)時(shí)間斷面建立代理模型。在給定新的系統(tǒng)輸入隨機(jī)變量樣本時(shí),基于PCE 方法的代理模型可計(jì)算得到各時(shí)間斷面輸出變量的結(jié)果,并最終形成不確定性場(chǎng)景下系統(tǒng)輸出變量的動(dòng)態(tài)響應(yīng)軌跡,以作為原系統(tǒng)數(shù)值積分計(jì)算過(guò)程的近似結(jié)果。需要說(shuō)明的是,常用的SRSM[24]本質(zhì)上是PCE 方法采用標(biāo)準(zhǔn)正態(tài)分布隨機(jī)變量為輸入變量、Hermite 正交多項(xiàng)式為基函數(shù)時(shí)的一種特殊形式。
2)基于Galerkin 法的多項(xiàng)式逼近方法
基于Galerkin 法的多項(xiàng)式逼近方法通過(guò)對(duì)式(1)中的狀態(tài)變量與代數(shù)變量進(jìn)行多項(xiàng)式展開(kāi),得到對(duì)應(yīng)的代理模型[19-21]:
式中:xj(t)和yj(t)分別為t時(shí)刻x和y的第j個(gè)元素;αi,j,x(t)和αi,j,y(t)分 別 為t時(shí) 刻xj(t)和yj(t)進(jìn)行多項(xiàng)式展開(kāi)后對(duì)應(yīng)第i個(gè)多項(xiàng)式的系數(shù)。
通過(guò)構(gòu)造Galerkin 投影方程可得到含時(shí)間變量的確定性方程,進(jìn)而利用數(shù)值積分算法計(jì)算獲得不確定性場(chǎng)景下系統(tǒng)輸出變量的動(dòng)態(tài)響應(yīng)軌跡。
表1 對(duì)比了上述3 種電力系統(tǒng)時(shí)域仿真不確定性分析方法的特點(diǎn)。相較于MCS 法,PCE 方法和基于Galerkin 法的多項(xiàng)式逼近方法可通過(guò)構(gòu)建代理模型提升電力系統(tǒng)時(shí)域仿真不確定性分析過(guò)程的效率。相較于依賴多斷面樣本構(gòu)建代理模型的PCE方法,基于Galerkin 法的多項(xiàng)式逼近方法含有時(shí)間變量,可在確定多項(xiàng)式形式后進(jìn)行數(shù)值積分計(jì)算,無(wú)須進(jìn)行多斷面采樣。但PCE 方法和基于Galerkin 法的多項(xiàng)式逼近方法均存在維數(shù)災(zāi)問(wèn)題,隨著輸入隨機(jī)變量維度的增加,代理模型構(gòu)建過(guò)程的計(jì)算負(fù)擔(dān)將迅速增大,并嚴(yán)重影響代理模型方法在時(shí)域仿真不確定性分析中的應(yīng)用。
表1 電力系統(tǒng)時(shí)域仿真不確定性分析方法對(duì)比Table 1 Comparison of uncertainty analysis methods for time-domain simulation of power system
為了解決現(xiàn)有代理模型方法所遇到的維數(shù)災(zāi)問(wèn)題,并盡可能降低代理模型構(gòu)建對(duì)電力系統(tǒng)動(dòng)態(tài)過(guò)程各時(shí)間斷面采樣的依賴,本文提出了基于NARXPCE 方法的含時(shí)序項(xiàng)代理模型,并將其用于電力系統(tǒng)時(shí)域仿真不確定性分析中。
2.1.1 考慮不確定性因素的NARX 模型構(gòu)建方法
NARX 方法常用于表示系統(tǒng)某一時(shí)刻的輸出與系統(tǒng)歷史時(shí)刻輸出以及外部激勵(lì)信號(hào)之間的關(guān)系[25-26],其所構(gòu)建的模型可表示如下:
式中:Y(t)為系統(tǒng)t時(shí)刻的輸出,對(duì)于電力系統(tǒng)而言,可為相應(yīng)狀態(tài)變量以及代數(shù)變量等;u(t)=[X(t),X(t-1),…,X(t-tX),Y(t-1),Y(t-2),…,Y(t-tY)],其中X(t),X(t-1),…,X(t-tX)分別為t,t-1,…,t-tX時(shí)刻的外部輸入激勵(lì),Y(t-1),Y(t-2),…,Y(t-tY)分別為系統(tǒng)在t-1,t-2,…,t-tY時(shí)刻(t時(shí)刻之前的歷史時(shí)刻)的輸出,tX和tY分別為所考慮的外部輸入激勵(lì)、系統(tǒng)歷史時(shí)刻輸出的最大時(shí)延;θi為NARX 模型中的待求系數(shù);gi(u(t))為時(shí)序項(xiàng)基函數(shù);Ng為模型中基函數(shù)的項(xiàng)數(shù);εt為NARX 模型的殘差,一般假設(shè)其服從均值為0、方差為σ(t)的正態(tài)分布。
上述模型從系統(tǒng)動(dòng)態(tài)特性的角度表征了系統(tǒng)輸出隨時(shí)間變化的情況。進(jìn)一步考慮不確定性因素對(duì)系統(tǒng)輸出的影響,式(4)可擴(kuò)展為:
式中:Y(t,ξ)為輸入隨機(jī)變量ξ影響下系統(tǒng)t時(shí)刻的輸出;θi(ξ)為含輸入隨機(jī)變量ξ的系數(shù);εt(t,ξ)為不確定性因素影響下NARX 模型在t時(shí)刻的殘差。
2.1.2 NARX-PCE 模型
由式(5)可知,NARX 模型中的系數(shù)θi(ξ)含有輸入隨機(jī)變量ξ,可引入PCE 模型表征輸入隨機(jī)變量對(duì)待求系數(shù)的影響:
式 中:αi,j,θ為PCE 模 型 中 的 待 求 系 數(shù);i=1,2,…,Ng;φj(ξ)為關(guān)于輸入隨機(jī)變量ξ的多元正交多項(xiàng)式的基函數(shù);Nφ為正交多項(xiàng)式的項(xiàng)數(shù);εi為PCE 模型的截?cái)嗾`差。
結(jié)合式(5)和式(6),可得到基于NARX-PCE方法的含時(shí)序項(xiàng)代理模型,具體展開(kāi)式如下:
式中:ε(t,ξ)為NARX-PCE 方法所構(gòu)建代理模型的總誤差。
上述基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型具有以下2 個(gè)特點(diǎn):1)所含時(shí)序項(xiàng)可表征系統(tǒng)隨時(shí)間變化的動(dòng)態(tài)特性;2)所含隨機(jī)參數(shù)可表征系統(tǒng)受不確定性因素影響的隨機(jī)特性。以上特點(diǎn)使得基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型可用于不確定性環(huán)境下電力系統(tǒng)的時(shí)域仿真分析。
結(jié)合式(5)—式(7)可知,構(gòu)建基于NARX-PCE方法的含時(shí)序項(xiàng)代理模型需要確定NARX 模型中的時(shí)序項(xiàng)基函數(shù)gi(u(t))、PCE 模型中正交多項(xiàng)式基函數(shù)φj(ξ)以及相應(yīng)的待求系數(shù)αi,j,θ。
2.2.1 基于LAR 策略的基函數(shù)選取方法
LAR 策 略 由Efron[27]于2004 年 提 出,用 于 從 待選基函數(shù)集合中依次篩選出與目標(biāo)向量相關(guān)性最大的基函數(shù),以降低目標(biāo)向量量化表征過(guò)程中所需基函數(shù)的數(shù)量,克服該過(guò)程中可能遇到的過(guò)擬合和維數(shù)災(zāi)問(wèn)題。本文在確定NARX 模型中的時(shí)序項(xiàng)基函數(shù)gi(u(t))和PCE 模型中正交多項(xiàng)式基函數(shù)φj(ξ)時(shí)均利用了LAR 策略,具體方法如下。
1)NARX 模型中時(shí)序項(xiàng)基函數(shù)gi(u(t))的選取
首先,給定NARX 模型中待選時(shí)序項(xiàng)基函數(shù)的最大階數(shù)m、最大時(shí)延tY,生成NARX 模型時(shí)序項(xiàng)待選基函數(shù)集合。本文暫不考慮電力系統(tǒng)時(shí)域仿真過(guò)程中系統(tǒng)外部激勵(lì)的影響,因此,時(shí)序項(xiàng)待選基函數(shù)的構(gòu)建將不包含X(t)?;谳敵鲎兞縔(t)的歷史數(shù)據(jù),待選基函數(shù)個(gè)數(shù)與最大階數(shù)m、最大時(shí)延數(shù)tY的關(guān)系如附錄A 表A1 所示。在實(shí)際應(yīng)用中,待選基函數(shù)的階數(shù)m一般不超過(guò)3,以降低階數(shù)過(guò)高導(dǎo)致的過(guò)擬合現(xiàn)象[26]。以m=3、tY=3 為例,待選基函數(shù)共包含19 項(xiàng),如表2 所示。
表2 m=3、tY=3 時(shí)待選時(shí)序項(xiàng)基函數(shù)集合Table 2 Set of time-series-term basis functions to be selected with m=3,tY=3
其次,生成N個(gè)輸入隨機(jī)變量樣本ξS={ξ(1),ξ(2),…,ξ(N)}。對(duì) 于t=1,2,…,TS,其 中TS為采樣區(qū)間的時(shí)間斷面數(shù),通過(guò)電力系統(tǒng)時(shí)域仿真計(jì)算獲得第k個(gè)輸入隨機(jī)變量樣本ξ(k)所對(duì)應(yīng)的輸出變量樣本Y(t,ξ)(TS>tY)。
再次,在給定樣本ξ(k)下,將每個(gè)時(shí)間斷面tS(TS≥tS>tY)的樣本點(diǎn)代入式(5)展開(kāi),獲得如式(8)所示的矩陣形式。
進(jìn)一步,將式(8)寫(xiě)成緊湊形式為:
式中:Yk、ψk、θ(ξ(k))、ε(ξ(k))分別為代入第k個(gè)輸入隨機(jī)變量樣本ξ(k)后計(jì)算獲得的輸出變量向量、基函數(shù)信息矩陣、待求系數(shù)向量、殘差向量。
最后,給定需要選取的基函數(shù)數(shù)量Ng或擬合誤差εNARX,利用LAR 策略確定滿足數(shù)量要求或誤差要求的NARX 模型時(shí)序項(xiàng)基函數(shù),具體過(guò)程如附錄B所示。需要說(shuō)明的是,基于LAR 策略選擇基函數(shù)的過(guò)程采用了LOO(leave-one-out)誤差進(jìn)行交叉驗(yàn)證,以提高代理模型的泛化能力[28]。其中,LOO 誤差的計(jì)算公式可見(jiàn)附錄C。
2)PCE 模型正交多項(xiàng)式基函數(shù)φj(ξ)的選取
在確定NARX 模型中時(shí)序項(xiàng)基函數(shù)后,可采用最小二乘法(具體算法將在2.2.2 節(jié)給出)獲得N個(gè)輸入隨機(jī)變量樣本ξS對(duì)應(yīng)的待求系數(shù)樣本矩陣。
以上述待求系數(shù)樣本矩陣的第i列θi(ξ(N))為輸出變量樣本,在給定正交多項(xiàng)式基函數(shù)選取的數(shù)量Nφ或擬合誤差εPCE的條件下,利用LAR 策略選取如式(6)所示的PCE 模型中的正交多項(xiàng)式基函數(shù),其中,待選基函數(shù)類(lèi)型包括了Hermite 基函數(shù)、Legendre 基函 數(shù)、Laguerre 基函數(shù)等[29]。PCE 模型已在電力系統(tǒng)中有較多應(yīng)用,更為詳細(xì)的基函數(shù)選取流程可參見(jiàn)文獻(xiàn)[30-31]。
2.2.2 待求系數(shù)計(jì)算方法
1)NARX 模型待求系數(shù)θi(ξ)的計(jì)算
基于2.2.1 節(jié)中選取的NARX 模型的時(shí)序項(xiàng)基函數(shù),依次將輸入隨機(jī)變量樣本ξ(k)(k=1,2,…,N)代入計(jì)算,獲得基函數(shù)信息矩陣ψk和輸出向量Yk;進(jìn)而,利用最小二乘法計(jì)算待求系數(shù)向量θ(ξ(k))=[θ1(ξ(k)),θ2(ξ(k)),…,θNg(ξ(k))]T。
2)PCE 模型待求系數(shù)αi,j,θ的計(jì)算
基于2.2.1 節(jié)中選取的PCE 模型正交多項(xiàng)式基函數(shù),代入輸入隨機(jī)變量樣本ξ(k)(k=1,2,…,N),利用最小二乘法計(jì)算對(duì)應(yīng)θi(ξ)的待求系數(shù)向量
式中:φ為代入輸入隨機(jī)變量樣本ξ(k)(k=1,2,…,N)后正交多項(xiàng)式基函數(shù)的信息矩陣;θi(ξ)為式(10)中待求系數(shù)樣本矩陣的第i列,其中,式(10)中的各項(xiàng)元素已通過(guò)式(11)計(jì)算得到。
一方面,含時(shí)序項(xiàng)代理模型利用NARX 模型表征了原模型輸出與歷史輸出之間的時(shí)間相關(guān)性,能夠刻畫(huà)系統(tǒng)的動(dòng)態(tài)特性;另一方面,采用PCE 模型表征了不確定性因素對(duì)原模型輸出的影響。
在含時(shí)序項(xiàng)代理模型構(gòu)建過(guò)程中,LAR 策略能夠有效應(yīng)對(duì)高階基函數(shù)和高維輸入隨機(jī)變量所帶來(lái)的過(guò)擬合和維數(shù)災(zāi)問(wèn)題。
在給定新的不確定性場(chǎng)景ξ(N+1)下,首先,利用傳統(tǒng)PCE 方法獲得時(shí)延范圍內(nèi)各時(shí)間斷面所對(duì)應(yīng)的輸出變量樣本Y(t,ξ(N+1))(t=1,2,…,tY),然后,利用本文所提出的含時(shí)序項(xiàng)代理模型逐步隨時(shí)間(t=tY+1,tY+2,…)遞推計(jì)算輸出變量,從而實(shí)現(xiàn)任意給定不確定性場(chǎng)景下輸出響應(yīng)的模擬和預(yù)測(cè)。綜上,利用所提含時(shí)序項(xiàng)代理模型對(duì)系統(tǒng)時(shí)域仿真中輸出響應(yīng)進(jìn)行不確定性分析時(shí),主要計(jì)算步驟如圖1 所示。
圖1 基于含時(shí)序項(xiàng)代理模型的電力系統(tǒng)時(shí)域仿真不確定性分析流程圖Fig.1 Flow chart of uncertainty analysis of time-domain simulation of power system based on surrogate model containing time series terms
本文采用IEEE 9 節(jié)點(diǎn)和118 節(jié)點(diǎn)系統(tǒng)進(jìn)行分析,并將所提基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型計(jì)算結(jié)果與傳統(tǒng)MCS 法、PCE 方法求解結(jié)果進(jìn)行對(duì)比,以驗(yàn)證所提方法的優(yōu)越性。本文測(cè)試環(huán)境為Intel Core i5-9300H 四核CPU、8 GB 內(nèi)存,仿真程序的編譯與測(cè)試在軟件PSCAD X4(4.6)、PSS@E 及其相應(yīng)的Python API 和MATLAB R2019a 上完成。
IEEE 9 節(jié)點(diǎn)系統(tǒng)接線圖如附錄D 圖D1 所示,發(fā)電機(jī)(G1、G2 和G3)采用PSCAD 中的高階模型,部分模型參數(shù)可參見(jiàn)文獻(xiàn)[32]。在線路7-8 之間設(shè)置三相接地短路故障,故障開(kāi)始時(shí)間為t=0.5 s,故障持續(xù)時(shí)間為0.08 s,即t=0.58 s 時(shí)故障清除。系統(tǒng)穩(wěn)態(tài)運(yùn)行下,假定發(fā)電機(jī)G1(節(jié)點(diǎn)1)和發(fā)電機(jī)G3(節(jié)點(diǎn)3)的有功功率P1和P3為輸入隨機(jī)變量,其與發(fā)電機(jī)出力基準(zhǔn)值PG1和PG3之間的關(guān)系為:P1=(1+ξ1)PG1;P3=(1+ξ2)PG3,其中,ξ1和ξ2為均值為0.1、方差為0.02 的正態(tài)分布隨機(jī)變量。
3.1.1 算法對(duì)比
基于上述仿真數(shù)據(jù),選取發(fā)電機(jī)G1 和G2 之間的相對(duì)功角差δ1-2為輸出變量,分別生成暫態(tài)功角動(dòng)態(tài)特性曲線的訓(xùn)練樣本集(2 000 組)和測(cè)試樣本集(100 組)。
分 別 采 用MCS 法、PCE 方 法 和NARX-PCE 方法開(kāi)展電力系統(tǒng)時(shí)域仿真不確定性分析,以驗(yàn)證本文所提方法的準(zhǔn)確性和高效性。其中,MCS 法的計(jì)算結(jié)果作為基準(zhǔn)值;PCE 方法可利用Uqlab 軟件[33]實(shí)現(xiàn),展開(kāi)式最高階數(shù)設(shè)為5,輸出動(dòng)態(tài)響應(yīng)軌跡的時(shí)間斷面共取300 個(gè)(即需要構(gòu)建300 個(gè)PCE 代理模型);基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型中最大延時(shí)參數(shù)tY=10,最大階數(shù)m=3,采樣區(qū)間內(nèi)的時(shí)間斷面數(shù)TS=60,待選時(shí)序項(xiàng)基函數(shù)為285 個(gè)。給定2 000 個(gè)輸入隨機(jī)變量樣本,利用PCE方法和NARX-PCE 方法所構(gòu)建的代理模型進(jìn)行電力系統(tǒng)時(shí)域仿真計(jì)算,所得相對(duì)功角差δ1-2的均值和方差隨時(shí)間動(dòng)態(tài)變化的軌跡分別如圖2(a)和圖2(b)所示。
圖2 相對(duì)功角差均值和方差的動(dòng)態(tài)軌跡Fig.2 Dynamic trajectories of mean value and variance of relative power angle difference
由仿真結(jié)果可知,基于NARX-PCE 方法所構(gòu)建代理模型的時(shí)域仿真結(jié)果與MCS 法、PCE 方法的計(jì)算結(jié)果基本一致,驗(yàn)證了所提方法的準(zhǔn)確性。其中,利用LAR 策略、基于NARX-PCE 方法所構(gòu)建的含時(shí)序項(xiàng)代理模型最終確定了6 個(gè)時(shí)序項(xiàng)基函數(shù):Y(t-1)、Y(t-10)、Y(t-1)Y(t-1)、Y(t-10)·Y(t-10)、Y(t-1)Y(t-1)Y(t-1)、Y(t-9)Y(t-10)Y(t-10),其LOO 誤差值為1.732 3×10-4。需要說(shuō)明的是,為方便對(duì)比不同方法所得時(shí)域仿真不確定性分析結(jié)果,本文3.1 節(jié)中將故障清除時(shí)刻作為0 時(shí)刻(時(shí)間坐標(biāo)軸原點(diǎn))繪制時(shí)域仿真結(jié)果圖。
進(jìn)一步,圖3 對(duì)比了3 種方法在隨機(jī)選擇15 組測(cè)試樣本下所得的相對(duì)功角差曲線。由各條相對(duì)功角差動(dòng)態(tài)軌跡對(duì)比可知,在給定不確定性場(chǎng)景下,本文所提基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型能夠獲得與MCS 法基本相同的結(jié)果。同時(shí),相比于基于PCE 方法的代理模型,本文所提代理模型的構(gòu)建不需要采集仿真時(shí)間內(nèi)所有時(shí)間斷面的樣本數(shù)據(jù),僅需要仿真初始階段的時(shí)間斷面樣本數(shù)據(jù)(與建模過(guò)程中設(shè)置的TS有關(guān))。因此,在后續(xù)無(wú)樣本數(shù)據(jù)為構(gòu)建代理模型提供訓(xùn)練的條件下(如圖3 中2.0~3.5 s 的區(qū)間內(nèi)),本文所提方法依然可以通過(guò)時(shí)序項(xiàng)遞推計(jì)算獲得功角差曲線變化的軌跡,而PCE 方法則無(wú)法給出該區(qū)間內(nèi)相對(duì)功角差的動(dòng)態(tài)軌跡。
圖3 不同測(cè)試樣本下相對(duì)功角差的動(dòng)態(tài)軌跡Fig.3 Dynamic trajectories of relative power angle difference with different test samples
考慮3.5 s 的時(shí)域仿真時(shí)間,利用MCS 法、PCE方法和NARX-PCE 方法獲得2 100 組(2 000 組訓(xùn)練集、100 組測(cè)試集)暫態(tài)相對(duì)功角差曲線的仿真計(jì)算總時(shí)間如表3 所示。
表3 不同方法計(jì)算時(shí)間對(duì)比Table 3 Comparison of computation time with different methods
由表3 可知,在用于電力系統(tǒng)時(shí)域仿真不確定性分析計(jì)算時(shí),本文所提基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型相較于另外2 種方法具有較高的計(jì)算效率。盡管在代理模型構(gòu)建和給定新測(cè)試樣本計(jì)算過(guò)程中,NARX-PCE 方法相較于PCE 方法耗時(shí)較多,但由于NARX-PCE 方法不需要獲取所有時(shí)間斷面的樣本,在樣本集獲取過(guò)程中能夠節(jié)省大量仿真時(shí)間,從而算法總的計(jì)算時(shí)間顯著減少。值得說(shuō)明的是,隨著輸入隨機(jī)變量維度的增加,PCE方法所需樣本的數(shù)量會(huì)急劇增大,這將進(jìn)一步使得樣本獲取階段的耗時(shí)增加;而由于所提NARX-PCE方法利用了LAR 策略選擇代理模型中的關(guān)鍵基函數(shù),降低了代理模型待求系數(shù)求解過(guò)程對(duì)樣本數(shù)量的依賴,可有效應(yīng)對(duì)高維輸入隨機(jī)變量引起的建模過(guò)程耗時(shí)增加的問(wèn)題,從而保證電力系統(tǒng)時(shí)域仿真不確定性分析過(guò)程的高效性。
3.1.2 時(shí)域仿真不確定性分析
如圖4(a)和圖4(b)所示,利用本文所提基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型分別獲得10 000 個(gè)隨機(jī)輸入場(chǎng)景下相對(duì)功角差δ1-2和節(jié)點(diǎn)3電壓V3的動(dòng)態(tài)軌跡。
圖4 基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型計(jì)算得到的電壓和功角差的動(dòng)態(tài)軌跡Fig.4 Dynamic trajectories of voltage and power angle difference obtained by calculation with NARX-PCE method based surrogate model containing time series terms
考慮G1 和G3 注入功率的隨機(jī)波動(dòng),10 000 個(gè)隨機(jī)輸入場(chǎng)景下δ1-2保持在-10°~8°的區(qū)間內(nèi)波動(dòng),并隨著仿真時(shí)間的推移逐漸趨于穩(wěn)定。同時(shí),暫態(tài)電壓V3超過(guò)1.05 p.u.的概率為15.4%。通過(guò)上述計(jì)算結(jié)果可知,本文所提方法構(gòu)建的含時(shí)序項(xiàng)代理模型能夠代替原時(shí)域仿真計(jì)算模型,避免了大量隨機(jī)場(chǎng)景下重復(fù)的數(shù)值積分計(jì)算,顯著提升了計(jì)算效率,可用于實(shí)現(xiàn)電力系統(tǒng)時(shí)域仿真不確定性快速、準(zhǔn)確的分析。
IEEE 118 節(jié)點(diǎn)系統(tǒng)接線圖如附錄D 圖D2 所示,發(fā)電機(jī)模型采用PSS@E 中的高階模型,部分模型參數(shù)可參見(jiàn)文獻(xiàn)[32]。通過(guò)不同故障場(chǎng)景的設(shè)置,給出了暫態(tài)穩(wěn)定、暫態(tài)不穩(wěn)定和暫態(tài)臨界穩(wěn)定3 種場(chǎng)景下的分析結(jié)果。
3.2.1 場(chǎng)景1:暫態(tài)穩(wěn)定
在母線54 與母線49 之間設(shè)置三相接地故障,故障開(kāi)始時(shí)間為t=0.2 s,故障持續(xù)時(shí)間為0.1 s,即t=0.3 s 故障清除。系統(tǒng)穩(wěn)態(tài)運(yùn)行下,以母線10、12、25、26 處的發(fā)電機(jī)有功功率P10、P12、P25、P26以及母線11、45、74、103 處的負(fù)荷L11、L45、L74、L103作為輸入隨機(jī)變量,且輸入隨機(jī)變量滿足正態(tài)分布,其均值即為發(fā)電機(jī)出力或負(fù)荷的基準(zhǔn)值,方差為各輸入隨機(jī)變量均值的1%。需要說(shuō)明的是,本文3.2 節(jié)中時(shí)刻原點(diǎn)即為仿真初始時(shí)刻。
選取母線54 處發(fā)電機(jī)的轉(zhuǎn)子角δ54作為輸出變量,利用2 000 組樣本構(gòu)建基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型,并進(jìn)行不確定性場(chǎng)景下的電力系統(tǒng)時(shí)域仿真計(jì)算,所得轉(zhuǎn)子角δ54的均值和方差隨時(shí)間動(dòng)態(tài)變化的軌跡分別如附錄E 圖E1(a)和圖E1(b)所示。模型構(gòu)建過(guò)程中最大時(shí)延參數(shù)tY=10,LOO 誤差值為7.206 3×10-6。
由附錄E 圖E1 中的仿真結(jié)果可知,在當(dāng)前故障場(chǎng)景下,考慮發(fā)電機(jī)隨機(jī)出力和負(fù)荷隨機(jī)波動(dòng),轉(zhuǎn)子角δ54的均值逐步趨于穩(wěn)定,而通過(guò)功角差的計(jì)算可知系統(tǒng)處于穩(wěn)定狀態(tài)。同時(shí),本文所提方法與MCS法的結(jié)果基本一致,表明本文所提方法能夠適用于含多維隨機(jī)變量(發(fā)電機(jī)隨機(jī)出力和負(fù)荷波動(dòng))的電力系統(tǒng)時(shí)域仿真不確定性分析。
3.2.2 場(chǎng)景2:暫態(tài)不穩(wěn)定
在母線54 與母線49 之間設(shè)置三相接地故障,故障開(kāi)始時(shí)間為t=0.2 s,且故障一直存在。輸入隨機(jī)變量的選取與3.3.1 節(jié)保持一致。以發(fā)電機(jī)54 的轉(zhuǎn)子角δ54作為輸出變量,利用2 000 組樣本構(gòu)建基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型,并進(jìn)行不確定性場(chǎng)景下的電力系統(tǒng)時(shí)域仿真計(jì)算,所得轉(zhuǎn)子角δ54的均值和方差隨時(shí)間動(dòng)態(tài)變化的軌跡分別如附錄E 圖E2(a)和圖E2(b)所示。模型構(gòu)建過(guò)程中最大時(shí)延參數(shù)tY=10,LOO 誤差值為8.315 1×10-5。由圖中結(jié)果可知,在當(dāng)前故障場(chǎng)景下,轉(zhuǎn)子角δ54的均值呈現(xiàn)逐步增大的趨勢(shì),通過(guò)計(jì)算發(fā)電機(jī)功角差可知系統(tǒng)處于不穩(wěn)定狀態(tài),此時(shí)本文所提基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型也能夠得到與MCS 法基本一致的結(jié)果(方差結(jié)果的相對(duì)誤差在0.5%以內(nèi)),進(jìn)一步驗(yàn)證了本文所提方法的有效性。
3.2.3 場(chǎng)景3:暫態(tài)臨界穩(wěn)定
在母線100 與母線103 之間設(shè)置三相接地故障,故障開(kāi)始時(shí)間為t=0.2 s,故障持續(xù)時(shí)間為0.1 s,即t=0.3 s 故障清除。以母線10、12、25、26 處的發(fā)電機(jī)有功功率P10、P12、P25、P26為輸入隨機(jī)變量,且輸入隨機(jī)變量滿足正態(tài)分布,其均值即為發(fā)電機(jī)出力的基準(zhǔn)值,方差為各輸入隨機(jī)變量均值的10%。以發(fā)電機(jī)111 的轉(zhuǎn)子角δ111作為輸出變量,利用2 000 組樣本構(gòu)建基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型,并進(jìn)行不確定性場(chǎng)景下的電力系統(tǒng)時(shí)域仿真計(jì)算。隨機(jī)選取計(jì)算結(jié)果中的20 條轉(zhuǎn)子角δ111動(dòng)態(tài)軌跡,所得結(jié)果如圖5 所示。在當(dāng)前故障場(chǎng)景下,系統(tǒng)受發(fā)電機(jī)出力影響會(huì)同時(shí)存在暫態(tài)穩(wěn)定和不穩(wěn)定的情況,利用本文所提出的基于NARX-PCE 方法的含時(shí)序項(xiàng)代理模型仍舊可獲得不確定性場(chǎng)景下準(zhǔn)確的時(shí)域仿真結(jié)果(與MCS 方法結(jié)果基本一致),表明本文所提方法能夠應(yīng)用于暫態(tài)穩(wěn)定與不穩(wěn)定情況同時(shí)存在的復(fù)雜不確定性場(chǎng)景。
圖5 不同測(cè)試樣本下轉(zhuǎn)子角的動(dòng)態(tài)軌跡Fig.5 Dynamic trajectories of rotor angle with different test samples
計(jì)及電力系統(tǒng)內(nèi)不確定性因素的影響,本文提出了一種基于含時(shí)序項(xiàng)代理模型的電力系統(tǒng)時(shí)域仿真不確定性分析方法,并將其應(yīng)用于不確定性環(huán)境下IEEE 9 節(jié)點(diǎn)和118 節(jié)點(diǎn)系統(tǒng)的暫態(tài)分析,所得結(jié)論如下:
1)利用NARX-PCE 方法所構(gòu)建的含時(shí)序項(xiàng)代理模型兼顧了系統(tǒng)隨時(shí)間變化的動(dòng)態(tài)特性和不確定性因素影響下的隨機(jī)特性,能夠適用于不確定性環(huán)境下電力系統(tǒng)時(shí)域仿真不確定性分析問(wèn)題;
2)相較于傳統(tǒng)MCS 法和PCE 方法,本文所提出的基于含時(shí)序項(xiàng)代理模型的電力系統(tǒng)時(shí)域仿真不確定性分析方法在保證計(jì)算精度的同時(shí),降低了對(duì)大量時(shí)間斷面采樣過(guò)程的依賴,提高了不確定性環(huán)境下電力系統(tǒng)暫態(tài)分析的效率。
下一步工作將研究NARX-PCE 方法在電力系統(tǒng)時(shí)域仿真靈敏度分析中的應(yīng)用,進(jìn)一步辨識(shí)影響電力系統(tǒng)暫態(tài)穩(wěn)定的關(guān)鍵不確定性因素。
附錄見(jiàn)本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx),掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。