基于模型驱动的电力系统安全稳定分析与控制策略

01 暂态过电压检测

已知RBF神经网络隐层有k个神经元，中心值和宽度分别为μ、σ，连接权重为ω，用PSO算法的粒子空间位置x，由PSO算法优化网络，生成RBF-PSO神经网络，具体流程如图1所示。

图1  RBF-PSO神经网络构建流程

Fig.1  RBF-PSO neural network construction flowchart

与此同时，实施暂态过电压检测，具体步骤如下。

1）实时监测高比例光伏接入电网的电气参数，包括电压波动等。

2）构建RBF-PSO神经网络。

3）将步骤1获取的数据输入到RBF-PSO神经网络中进行预测。

4）判断是否需要执行暂态过电压控制技术，暂态过电压的存在判定依据由系统轨迹斜率、电流实部分量、扰动能量、扰动功率和等效阻抗比等多参量组成，以避免参数过于单一造成误判。设置RBF-PSO神经网络的输出为–1或1，将参数输入至图1的RBF-PSO神经网络中。若RBF-PSO神经网络输出是“1”，说明存在暂态过电压。

5）如果检测结果显示存在暂态过电压，控制系统将自动触发预设的控制策略，以稳定系统电压并防止设备受损。

02 暂态过电压控制

暂态过电压具有突发性和瞬时性，要求预测系统具备高度的实时性，以便在过电压发生时迅速响应并采取相应的控制措施。然而，在实际操作中，由于通信延迟、设备响应速度等因素，可能无法完全满足实时性要求。暂态过电压的峰值电压与持续时间是评估电力设备压力的主要指标。峰值电压越高，对电网中设备的绝缘性能要求越高，设备承受的压力越大；持续时间越长，电网设备的热压力或机械压力越大，设备损坏的风险越高。故根据暂态过电压的峰值电压及持续时间，降序排列电网节点，制定实施控制策略的节点优先级。

风险指数R是峰值电压Vp和持续时间Td的线性组合，即

式中：Ri为第i个节点的风险指数；Vp,i为第i个节点的峰值电压；Td,i为第i个节点的持续时间；α和β分别为权重系数，反映峰值电压和持续时间对风险的影响程度。

为了确保风险指数R的值在合理的范围内，可以对峰值电压和持续时间进行归一化处理，即

式中：Vn,i为第i个节点的归一化峰值电压；Tn,i为第i个节点的归一化持续时间；Vmin和Tmin分别为所有节点中峰值电压和持续时间的最小值；ΔV和ΔT分别为峰值电压和持续时间的范围。

本文通过计算每个节点的风险指数R，可以对节点按照从大到小的顺序进行排序。R值越大的节点，表示其暂态过电压对电网设备的压力越大，应优先进行控制和保护。因此，针对优先级最靠前的节点，采用光伏逆变器，通过无功补偿和有功削减，在确保光伏能源消纳的同时，控制暂态过电压。

假设优先级最靠前的节点是j，接入光伏节点l的电压变量为ΔUl，则可得到节点j的有功功率调量

和无功功率调量

据此，光伏逆变器分别进行感性无功吸收、有功削减和容性无功吸收，以达到降压和升压的目的，实现暂态过电压控制。利用扰动法计算各接入光伏节点的有功灵敏度

和无功灵敏度

按照灵敏度值，降序排列接入光伏节点。对于高优先级的节点，先选用无功灵敏度高的接入光伏节点，按序实施控制，待其无功可调裕度使用完全且暂态过电压控制结果仍不理想时，再选用有功灵敏度低的接入光伏节点，按序继续实施控制。对所有设定了优先级的节点重复该操作，并根据实际情况调整控制策略，确保暂态过电压得到有效控制。

03 实验分析

针对某区域已接入高比例分布式光伏电站的电网展开实验测试，如图2所示。该系统的光伏电源接入容量为50 MW，接入位置为馈线末端。实验用电网的相关参数如表1所示。

图2  实验用电网

Fig.2  Experimental power grid

表1  电网参数

Table 1  Grid parameters

根据高比例光伏接入电网的运行情况，实时采集电流、电压、功率、发电量、电能品质参数、温度、辐照强度、风速共500组电网中的工作参数。将500组数据划分为训练集和测试集如图3所示，用图3 a)的样本集训练神经网络，用图3 b)的样本集测试神经网络。

图3  电网运行数据分类

Fig.3  Classification of power grid operation data

RBF-PSO神经网络的参数设置如表2所示。验证通过PSO优化RBF神经网络的关键参数，获取高比例光伏接入电网暂态过电压预测值，对最终的控制效果具有重要影响。因此对相关参数优化过程进行验证，结果如表3所示。由表3可知，经过PSO算法优化后的RBF神经网络（实验编号2）在验证集上达到了最高的准确率92%和最低的均方误差0.03。该结果表明，当RBF神经网络被配置为具有3层结构，且各层节点数量分别为5个、11个和1个时，其预测性能最优。因此，经PSO算法优化后RBF神经网络的关键参数为：网络层数3层，各层节点数量分别是5个、11个和1个。

表2  RBF-PSO神经网络的参数设置

Table 2  Parameter settings of RBF-PSO neural network

表3  RBF-PSO神经网络参数优化验证

Table 3  Parameter optimization validation of RBF-PSO neural network

采用基准测试函数验证网络性能，评估网络的实际性能及其对暂态过电压的判别效果。所得RBF-PSO神经网络对基准测试函数的逼近效果，如图4所示。从基准测试函数的RBF-PSO神经网络逼近结果来看，该网络表现出了良好的逼近非线性函数的状态，逼近能力较强。这说明该网络经过强搜索能力的PSO算法优化，网络精度大幅提升，能够更快、更好地逼近复杂的非线性关系，进而有效且高精度地对暂态过电压现象作出判断。

图4  基准测试函数逼近示意

Fig.4  Schematic diagram of benchmark function approximation

为验证并优化针对高比例光伏接入电网的暂态过电压控制策略。实验通过实时监测电网电压波动，评估各节点的过电压风险并设定控制优先级。随后，利用光伏逆变器的无功补偿和有功削减功能，结合扰动法计算的灵敏度值，对优先级高的节点实施精准控制。实验过程中，持续监测并记录电压变化及调整量，以评估控制策略的有效性和效率。最终，通过综合分析实验数据，验证该控制策略在保障电网设备安全、稳定光伏能源消纳方面的实际效果。

利用图3 b)的样本集，测试多个方法的暂态过电压控制效果，并使用暂态参数测量仪，实时测量并记录系统中的电压、无功功率等暂态参数。为了进一步验证该项技术在实际应用中的性能水平，分别采用文献方法、文献方法和本文所提出的高比例光伏接入电网暂态过电压控制方法作为对照组。根据母线电压、光伏逆变器电压和输出的无功功率，评估各控制策略对暂态过电压的控制效果。不同控制策略下光伏逆变器输出母线电压变化情况如图5所示。由图5可知，3种控制策略均能够对暂态过电压实现快速响应与不同程度上的有效控制，但所提方法不仅使母线电压的过渡超调量更小，全程没有锯齿现象，恢复过程也更平滑，而且令暂态过电压的峰值远小于对比方法，不到1.3 p.u.。这说明，所提方法采用光伏逆变器，通过感性无功吸收、有功削减和容性无功吸收，切实实现了对暂态过电压的高效控制，进而让电网运行更可靠，具有更高的实践价值。

图5  光伏逆变器母线电压

Fig.5  Bus voltage of photovoltaic inverter

不同控制策略下光伏逆变器输出无功功率变化情况如图6所示。由图6可知，3种控制策略均能够让光伏逆变器对暂态过电压快速作出响应，但所提方法针对以暂态过电压峰值电压与持续时间为依据的高优先级节点，根据接入光伏节点的灵敏度与待控节点的功率调量，让光伏逆变器通过充分发挥其无功动态可调能力和有功削减能力。相较于对比策略，本文方法具有更大的调节力度，且变化趋势更平滑，能够更好地为暂态过电压控制提供助力。

图6  光伏逆变器无功功率

Fig.6  Reactive power of photovoltaic inverter

不同控制策略下光伏逆变器输出暂态过电压控制响应时间变化情况如图7所示。由图7可知，在暂态过电压控制中，本文所提方法响应时间最快，响应时间保持在4 s以内，因为该方法结合了快速响应和预测控制的优点；而文献方法响应时间可能相对较快，因为无功输出是调节电压的直接手段；文献方法响应时间可能较长，因为需要先进行预测计算，然后才能做出控制决策。

图7  暂态过电压控制响应时间

Fig.7  Transient overvoltage control response time

在理想条件下，精确控制能够确保控制结果与预期目标高度一致，从而实现较高的精准度。将3种控制策略的精准度指标进行对比，实验结果如图8所示。由图8可知，本文所提方法专门针对高比例光伏接入电网时的暂态过电压问题设计，在处理这类特定问题时具有较高的精准度，随着时间的变化，精准度趋近于1。由于光伏系统的动态特性和电网的复杂性，在理想条件下，通过精确建模和高效算法，该方法能够实现较高的精准度。而文献方法通过直接调节电网中的无功功率来影响电压水平，但在处理复杂系统时可能稍显不足；文献方法具有前瞻性和适应性强的优点，但其精准度高度依赖于预测模型的准确性。

图8  光伏逆变器精准度

Fig.8  Precision of photovoltaic inverter

04 结论

暂态过电压是高比例光伏接入电网中常见的一种电气现象，它通常具有短暂而强烈的电压变化，这种变化具有瞬时性和非周期性的特点。由于暂态过电压可能对电力系统中的设备造成损害，因此，对暂态过电压的准确监测和快速响应是电力控制系统设计中的重要任务。因此，本文提出了一种基于模型驱动的电力系统安全稳定分析与控制策略，并得到以下结论。

1）当RBF神经网络被配置为3层结构，且各层节点数分别为5、11和1时，达到了92%的最高预测准确率和0.03的最低均方误差，这充分证明了PSO算法在优化神经网络参数方面的有效性。

2）经过PSO算法优化的RBF神经网络能够更快速、更准确地捕捉复杂的非线性关系，为精确预测和控制暂态过电压提供了坚实的基础。

3）所提方法在响应速度和调节力度上均表现出色，且变化趋势更为平滑，能够更有效地控制暂态过电压，保护电网设备免受损害。

4）所提方法在降低母线电压过渡超调量、减少暂态过电压峰值以及实现更平滑的电压恢复过程方面均表现出一定优势。