基于特征匹配的暂态稳定紧急控制策略快速生成孙仲卿 ✉刘福锁 ✉李威 ✉薛峰

国网电力科学研究院有限公司，江苏省南京市 211106

最近更新：2023-11-20

DOI：10.7500/AEPS20230519003

摘要

“在线计算、实时匹配”的紧急控制模式是降低控制策略失配风险的有效途径和技术发展趋势。为进一步提高在线紧急控制策略生成的快速性，提出了一种基于特征匹配的暂态稳定紧急控制策略快速生成方法。借助扩展等面积准则对暂态稳定性以及电网故障下轨迹时变程度的量化分析能力，综合利用电网暂态稳定轨迹特征和稳态潮流关键特征量，建立运行方式特征量匹配指标，在历史方式中匹配最接近方式，实现紧急控制策略的快速生成，通过校核验证后下发装置执行。最后，基于实际电网验证了所提方法的有效性。

关键词

不确定性; 方式匹配; 扩展等面积准则; 时变度; 紧急控制

0 引言

紧急控制是保持故障下电网安全稳定运行的重要措施［1］。传统紧急控制通常采用“离线计算、实时匹配”的控制模式，根据电网典型方式，采取保守原则，事先制定好紧急控制策略［2-3］，检测到故障后，根据潮流特征，查询离线制定的策略表，执行紧急控制措施。但是一旦出现方式失配，将对电网安全稳定运行产生较大隐患［4-5］。

“在线计算、实时匹配”的紧急控制模式又称在线闭环紧急控制，通过实时运行方式，在线计算紧急控制策略，下发装置执行［6］，在降低工况失配的风险的同时实现最优控制，降低运行成本［7-8］，是大电网紧急控制技术和装备的发展方向。现有技术已实现了5 min内完成一次紧急控制策略在线计算和下发。但随着新能源以及电力市场的快速发展，分钟级时间尺度上新能源机组出力变化可达到装机容量的1%左右，叠加故障开断等引起的网架结构变化。随着电网运行特性的变化，带来了运行方式的短时突变导致上个时间断面的方式的控制策略可能无法适用的新问题。

受限于电力系统暂态安全时域仿真的耗时，学者从机器学习和方式匹配两个方向研究提高快速性的策略计算方法。前者主要建立一些系统关键参量（如发电机功角、有功功率等）与暂态稳定裕度的映射关系［9］，采用机器学习技术进行暂态稳定性评估，制定紧急控制策略。相关技术包括网格搜索及粒子群算法［10］、决策树［11］、轻梯度提升机［12］、支持向量机［13-14］等。但机器学习方法缺乏稳定机理上的保障，在强非线性、强时变性电力系统中的泛化能力极其有限［15］，“黑盒子”运行模式的不可解释性造成了无法对其进行纠错，无法保证其在实际应用的绝对可靠［16］。基于方式匹配的方法根据电网运行方式的关键特征量，对当前方式与历史方式（包括预设的方式）进行特征匹配，选择最接近的历史方式下的控制策略，作为当前方式的紧急控制策略。但现有技术仅通过方式平衡点（潮流解）的电气量特征进行匹配，无法考虑故障下暂态演化过程中非同调等因素的影响，限制了该方法应用的可行性。不考虑可以表征暂态稳定性的轨迹信息，仅通过电网潮流特征量进行匹配的方法，难以适应对电网紧急控制的需求。

扩展等面积准则（extended equal area criterion，EEAC）基于时域轨迹实现了暂态稳定性的量化分析。静态EEAC（static EEAC，SEEAC）［17］、动态EEAC（dynamic EEAC，DEEAC）［18］以及集成EEAC（integrating EEAC，IEEAC）［19］为计及3种不同程度时变因素的量化分析方法，文献［20］利用SEEAC和DEEAC量化分析结果，定义了运行方式的时变度指标来表征时变因素对暂态稳定性的影响，为从暂态稳定性轨迹信息的角度来进行方式匹配奠定了基础。电力系统安全稳定分析软件FASTEST具有暂态安全定量分析功能，以EEAC为核心算法，为量化暂态安全稳定分析提供了有力的支撑［21］。

本文针对暂态稳定紧急控制策略快速生成需求，基于量化技术确定电网潮流特征的关键特征量，利用时变度指标反映暂态轨迹时变性的影响，进而提出综合潮流关键特征和轨迹时变度指标的紧急控制策略快速生成方法，为突变后方式的紧急控制策略的在线快速生成及预决策提供技术支撑。

1 基于量化理论的匹配关键特征量选取1.1　暂态稳定性与EEAC理论概述

电力系统暂态稳定性指的是电力系统受到扰动后各发电机之间保持同步运行的能力，描述了电力系统在一定的初值条件下，各发电机转子角相对位置对指定扰动的时间响应的有界性。

EEAC理论通过互补群惯量中心-相对运动变换将多机受扰轨迹逐个时间断面映射到一系列聚合单机平面上，形成各单机映象系统的功率-转子角(P−δ)�-�曲线，然后用适当的面积严格量化各映象系统的稳定裕度，证明了多机系统失稳的充要条件是至少有一对互补群的群间相对动能超过了相应势能壁垒，即对应的单机映象达到其P−δ�-�平面上的动态鞍点（dynamic saddle point，DSP）。

1.2　描述静态潮流特征的关键电气量选取

1.2.1　定性分析方法难以准确选取关键特征量

电力系统本质是一个非线性非自治系统，某一参数的微小变化可导致电网暂态稳定性发生本质变化，甚至会出现主导失稳模式的改变［22］。也就是说，表征系统暂态稳定性的关键特征量存在时变性。在没有量化分析手段时，难以保证电网关键特征量的精准选取。

1.2.2　基于功角稳定参与因子的关键特征量选取

电力系统特定故障下的暂态稳定性由状态量决定。本文利用EEAC的量化分析能力，针对每个预想故障量化分析各状态量在暂态稳定中的参与程度，选择关键的电气量作为特征量。

1）同步发电机

EEAC方法根据互补群内各机组的能量分布，给出了暂态功角稳定性的机组参与因子，明确了各机组对某一功角稳定模式的影响程度，如式（1）所示。

λn=EDSP,nEDSP,max��=�DSP,��DSP,max

（1）

式中：λn��为发电机n�的暂态功角稳定参与因子；EDSP,n�DSP,�为发电机n�在DSP的加速动能；EDSP,max�DSP,max为DSP所有机组的最大加速动能。

2）非同步电源及负荷

非同步电源及负荷自身不参与同步机群的摇摆，主要通过故障后的功率波动影响同步机群间的功角差和系统的暂态稳定性。主要影响因素是非同步电源及负荷与同步机群的电气距离，距离领前群越近，其出力将越恶化电网安全稳定性。反之，其出力将越有利于电网安全稳定性。因此，可根据振荡中心对非同步电源及负荷进行分群，利用非同步电源及负荷与群内同步机组的电气距离计算其暂态稳定参与因子，如式（2）所示。

λk=∑n=1Lλnxi,nL��=∑�=1�����,��

（2）

式中：λk��为非同步电源或负荷k�的暂态稳定参与因子；L�为非同步机组或负荷所在群（领前群或余下群）中的同步机组数量；xi,n��,�为非同步机组i�并网点母线或负荷注入节点i�与常规机组n�母线之间的等值电抗。

1.3　描述暂态轨迹特征的特征量选取

1.3.1　潮流特征无法反应非线性非同调等因素的影响

对于理想哈密顿映象系统，故障下的轨迹不依赖于数值积分，等值单机映象的轨迹仅与系统拓扑和潮流初值有关，电磁功率均仅为功角的单值函数［21］。考虑时变因素，等值单机映象的轨迹Pe(δ)�e(�)的表达式如式（3）所示。电磁功率和功角为非单值函数，与时间t�相关，只能通过逐步积分求取，无法直接推导暂态过程。

Pe(δ)=E2(t)Y11(t)cos(θ11(t))+E(t)V(t)Y12(t)cos(θ12(t)−δ)�e(�)=�2(�)�11�cos(�11�)+�����12�cos(�12�-�)

（3）

式中：E�为等值单机的内电势；Y11∠θ11�11∠�11为等值单机的自导纳；Y12∠θ12�12∠�12为等值单机与无穷大系统的互导纳；V�为无穷大母线电压。

由于轨迹与参数t�密切相关，即使关键特征参数选取已不是问题，仅基于潮流参数特征进行方式匹配，理论上也存在较大误差的风险。本质原因在于传统从平衡点电气量特征来刻画运行潮流特征的方法，难以反映故障下暂态过程中非线性非同调等因素的影响。

1.3.2　采用时变度指标反应电网轨迹特征

SEEAC、DEEAC以及IEEAC是EEAC算法发展中的3个阶段，也是EEAC算法框架中相辅相成的3个步骤［23］。SEEAC将电网假设为经典模型多机系统，忽略了整个动态过程中的非两群因素，此时可以将系统退化为经典的单机无穷大（OMIB）系统，完全忽略映象的时变因素。DEEAC在暂态过程中松弛SEEAC中忽略的非两群因素，采用逐段修正的方法，将电网在故障中及故障清除后的多时段划分为多个经典OMIB系统，因此，DEEAC可以部分反映出时变因素。IEEAC严格考虑了电网多机空间中的所有动态方程，并在每个步长进行完整积分，逐个时刻的映射到单机相平面上，形成时变的OMIB系统。SEEAC和DEEAC的计算均可以在百毫秒级完成，IEEAC的仿真时长约增加2个数量级。

SEEAC的解析解相当于无穷大积分步长的仿真结果，理论分析及大量仿真都证实，在且仅在经典模型的理想两群动态下，3种EEAC算法的稳定裕度分析结果相同，当电网时变度越强时，SEEAC和DEEAC准确性越低，采用单次或多次泰勒展开的SEEAC及DEEAC计算得出的稳定裕度在精确性上将存在差异［22］。因此，不同积分步长下计算的稳定裕度之差在一定程度上反应了电网的时变程度，可以通过两种算法稳定裕度的差别来反映时变度。时变度指标σ(τ)�(�)的计算方法如式（4）所示［20］。

σ(τ)=|ηDE(τ)−ηSE(τ)|max{|ηSE(τ)|,|ηDE(τ)|}��=|�DE�-�SE�|max{|�SE(�)|,|����|}

（4）

式中：ηDE�DE为利用SEEAC计算得出的裕度结果；ηSE�SE为利用DEEAC计算得出的裕度结果；τ�为故障清除时间。

2 综合潮流特征和时变度的运行方式匹配

结合上文提出的时变度指标和利用SEEAC计算的量化稳定裕度可以在百毫秒内对两个方式之间的轨迹特征相似性进行比较。在轨迹特征相近的基础上，若潮流特征也较为接近，则在该预想故障下的安控措施量将可能相同。因此，在进行匹配时，需优先采用聚类的方法确定待匹配方式与历史方式较为接近的时变度指标范围，在该范围中进一步匹配相接近的潮流特征，从而得出最优匹配结果。

2.1　基于轨迹特征的匹配

K-means算法是一种无监督学习，同时也是基于划分的聚类算法，根据设定的聚类中心及聚类数目，采用欧氏距离衡量聚类对象及聚类中心的相似度，将相似度高的电网方式进行聚类。欧氏距离d(x,Cl)��,��的计算方法如下：

d(x,Cl)=∑j=1m(xj−Clj)2−−−−−−−−−−−−⎷��,��=∑�=1�(��-���)2

（5）

式中：x�为电网运行方式中某聚类指标对象；Cl��为第l个聚类中心；m�为数据对象的维度；xj��和Clj���分别为x�和Cl��的第j�个电网匹配的特征值及其对应的聚类中心。

算法需要确定聚类对象并且预先指定初始聚类数目K�。欧氏距离表示在m�维空间两个点之间的真实距离，以其作为相似度指标的聚类对象，需要尽可能保证聚类对象线性化程度。

2.1.1　聚合空间维度选择

时变度指标根据不同EEAC分析方法的安全稳定裕度计算得出，由于DEEAC反映了部分受扰轨迹，可以在受扰轨迹中提取暂态稳定裕度、动能增加面积、动能减少面积等稳定性信息，并且电网定性的稳定性描述和定量的稳定裕度描述均为暂态过程中机组加速面积与减速面积的差异。因此，采用暂态稳定裕度可以较为线性化地描述电网稳定性，从而更加适用于采用欧氏距离聚类的方法。

但仅采用时变度指标进行一维K-means聚类时，由于时变度指标定义中为标幺化的SEEAC稳定裕度与DEEAC稳定裕度之差，无法反映稳定裕度的绝对大小，易将稳定裕度绝对大小相差较大的方式作为匹配结果，从而导致策略失配。因此，本文引入SEEAC的稳定裕度值作为描述稳定裕度绝对大小的参量，对历史数据进行二维聚类。

2.1.2　融合手肘法和匹配成功率的聚类数K确定方法

采用K-means算法进行聚类时，必须设定K个聚类数目。如果K值选取过大，会导致在聚合区域内没有与当前电网方式较为接近的历史方式，从而无法进行精确匹配；如果K值选取过小，会导致聚合区域内数量过多，可能会匹配到时变度指标相差较大的方式，从而导致策略失配的风险上升。因此，K值的具体明确需要根据不同稳控布防区域进行离线调整，以保证在线电网方式策略匹配的适用性。

首先，采用手肘法明确聚类数K的初值，计算每一个聚类数目下的点跟对应的聚类中心的误差平方和（sum of squared errors，SSE）。

Esse=∑l=1K∑p∈Cl|p−ml|2�sse=∑�=1�∑�∈��|�-��|2

（6）

式中：Esse�sse为SSE值；p�为Cl��中的样本点；ml��为Cl��的质心即Cl��中所有样本的均值。

随着聚类数K值的增大，所有的样本将被更加精细地划分，每个簇的聚合程度会逐渐提高，SSE将会减小。当K到达真实聚类数时，再增加K所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减并趋于平缓。SSE和K值的关系图呈现手肘的形状，K的初值将选取手肘位置。

手肘法确定了数学维度上的K值优解，但仍需引入电力系统中的相关指标，对K值进行修正。采用对历史数据中所有方式进行N折交叉验证的方法，将所有历史数据进行N等分，并依次作为匹配目标相互验证。以策略匹配成功率为目标值修改K值，直至第1次匹配成功率达到最高值。

在完成K-means聚类后，将电网历史方式划分为K个方式群。当电网方式发生突变后，快速计算突变后方式的SEEAC和时变度指标，从而确定其在K-means聚类中的区域归属。此时所属区域中的所有历史方式与当前电网方式具有接近的暂态稳定特性，因此，该区域中的所有方式为电网潮流特征匹配的候选方式。

2.2　电网潮流特征匹配方法

根据上述各关键电气量的参与因子，定义描述电网的特征向量如式（7）和式（8）所示。

Af=[af1,af2,⋯,afs]��=[�1�,�2�,⋯,���]

（7）

B=[b1,b2,⋯,bs]�=[�1,�2,⋯,��]

（8）

式中：Af��和B�分别为历史方式f和当前电网方式的特征向量；afs���和bs��为历史方式f�和当前电网方式中的第s个状态量。

为降低各关键电气量绝对大小对匹配结果的影响，以参与因子作为权重，统一所有状态量的量纲，特征向量改写为式（9）和式（10）。

Cf=λfAf=[λfa1af1,λfa2af2,⋯,λfasafs]��=����=[��1��1�,��2��2�,⋯,�������]

（9）

D=λB=[λ1b1,λ2b2,⋯,λsbs]�=��=[�1�1,�2�2,⋯,����]

（10）

式中：Cf��和D�分别为考虑权重后的历史方式f�和当前方式的特征向量；λf��和λ�分别为历史方式f�和当前方式中关键量的参与因子矩阵；λfas����为历史方式f�中第s个关键量的参与因子；λs��为当前方式中第s个关键量的参与因子。

因此，当前方式和历史方式的匹配转变为两个特征向量的匹配，特征向量越接近，则两个方式的稳定特性越接近，所需采取的安控措施量将类似。利用余弦相似度来比较两个向量之间的关系，如式（11）所示。

cosθ=CfD|Cf||D|cos�=���|��||�|

（11）

特征向量的余弦值越接近于1，表示电网潮流特征向量之间的夹角θ�越小，方式越接近。实际工程中，参与因子较小的状态量影响较小，可以选取参与因子较大的状态量形成状态向量以进行方式匹配。方式匹配过程中可能出现第1次匹配结果无法满足电网安全稳定运行要求的情况。因此，将所有方式的余弦相似度进行排序，当匹配不成功时，进一步选取余弦相似度次大的方式作为匹配结果，直至结果满足电网运行要求。

3 基于特征匹配的紧急控制策略快速生成

综合潮流及轨迹特征的运行方式匹配，快速制定紧急策略的流程如图1所示。

图1 电网方式匹配及校核验证流程图

Fig.1 Flow chart of grid mode matching and verification

具体步骤如下：

步骤1：构建历史运行方式数据库，针对每个场景（单一方式和单一故障为一个场景），按照式（3）计算时变度指标，并基于K-means算法对历史方式的轨迹特征进行二维聚类。再根据电网中是否存在网架结构、新能源功率突变等情况，判断当前方式是否存在方式突变。若判断为突变方式，则进入步骤2，否则将不激活该流程，按照常规在线计算流程计算当前方式的控制策略，并将当前方式及其控制策略纳入历史数据库中。

步骤2：利用单一方式和单一故障下SEEAC计算的暂态稳定裕度以及时变度指标，寻找当前方式在历史数据库中的分群，将该分群中的所有历史方式作为待匹配方式，并进入步骤3。

步骤3：根据潮流特征匹配方法，计算当前方式及所有待匹配方式的余弦相似度指标，并将所有计算结果按照从大到小的顺序排列，进入步骤4。

步骤4：将余弦相似度指标最大方式对应的控制策略代入突变后的电网方式进行校核验证，若验证通过，则下发安控装置执行该策略，若验证不通过，则选择余弦相似度指标排列顺序下一位的方式进行策略验证。如此反复，直至校核通过为止。当策略下发装置后将当前方式及其对应的安控策略纳入历史数据库。

4 匹配方法快速性及适应性分析4.1　匹配方法的快速性分析

相较于传统计划性、慢速变化的在线策略搜索，电网方式突变情况下控制策略匹配方法的快速性尤为重要，需要保证在短时间内找到突变后电网稳定控制策略的可行解，而传统在线计算存在以最优解为目标的稳定评估、策略搜索的迭代过程，因此耗费的时间较长。以省级电网3 500节点数的规模为例，单一故障的匹配验证总耗时约7.5 s，各步骤的耗时如表1所示；对比传统在线计算方法，其单故障的暂态稳定评估耗时约27 s，各步骤的耗时如表2所示。

表1 基于特征匹配的耗时

Table 1 Time-consuming based on feature matching

环节

耗时/s

备注

根据全景监视调整潮流方式并进行潮流计算

2.0

预想故障下的SEEAC、DEEAC及时变度指标计算

0.5

该方式与聚类中心的距离判断所处聚类群

K-means聚类为离线完成，在线过程不计算聚类时间

各关键电气量的参与因子计算

1.0

余弦相似度的计算及排序

1.0

安稳策略的校核验证

3.0

总计

7.5

表2 传统在线系统的耗时

Table 2 Time-consuming of traditional online system

环节

耗时/s

备注

初始化潮流、潮流计算

1

暂态功角稳定评估（失稳）

7

该稳定评估环节存在多次迭代控制措施量，以找到该方式下控制策略的最优解

暂态功角措施搜索

1

暂态功角稳定评估

17

输出结果

1

总计

27

在应对多预想故障时，本文提出的快速生成方法无须重新进行潮流计算，仅需多次进行其他步骤，而传统在线计算须针对整个流程进行多次计算，以10个预想故障为例，本文所提方法耗时约56 s，传统在线计算方法耗时约261 s。满足电网实际运行需求。

4.2　匹配方法的适应性分析

4.2.1　匹配方法对电网规模的适应性分析

目前，国内规模最大的区域级紧急控制为各分区电网的系统保护，其控制资源涉及分区电网下各省级电网中大部分直流、抽水蓄能、储能、可中断负荷等。区域电网的规模大约为13 000个节点，本文所提方法中仅关键电气量的参与因子及校核验证需要进行小步长的仿真计算，与电网规模相关，区域电网的单故障流程时间大约为15 s。最终控制策略的快速生成时间仍在分钟级以内，可以适应大电网规模的需求。

4.2.2　匹配方法对电力电子化规模的适应性分析

本文所提方法基于详细的电网物理模型分析，对电网安全稳定特性及紧急控制策略进行匹配。在进行历史数据库建立以及最终校核验证的仿真过程中，均考虑了新能源的高低穿及脱网等暂态过程的详细模型，确保在匹配时对时变度的计算方法与历史数据相同。同时在本文方法中存在最终的校核验证环节，该环节可以进一步避免最终策略不适用的情况。

当系统电力电子化程度不断提高，电网发生突变的可能性将不断增加，电网安全稳定问题将越发复杂。基于特征匹配的稳定控制策略快速生成跳过了长耗时的仿真分析过程，在突变环境下可以寻找保证电网安全稳定控制策略的可行解。

5 算例验证

以某实际区域电网中区域电网送出安稳系统为例，验证本文方式的正确性。该地区电网的地理接线图如图2所示。

图2 某区域电网地理接线图

Fig.2 Geographical wiring diagram of a regional power grid

图2中，场站A为小水电及新能源送出汇集站，当线路BC发生三永N-2故障时，电厂D及小水电厂E相对主网功角失稳，根据故障时线路BC的功率切除电厂D机组、小水电机组及新能源机组，保证电网安全稳定。

正常运行时，在线系统每5 min一个时间断面，生成一套电网运行方式数据，进行在线策略搜索。算例假设某时间断面生成数据时刻为0，1 min后，由于强风天气使得新能源基地出力增加150 MW，且出现H-I一回线路断线，若在此时仍使用0时刻的方式数据进行策略搜索，该策略无法保证突变后的电网安全稳定运行。突变前后的电网方式数据如表3所示，突变前后采用0时刻策略故障后的功角曲线如图3所示，突变前后的等值单机系统P−δ�-�曲线见附录A图A1。

表3 突变前后电网潮流数据

Table 3 Power flow data before and after sudden change

网络特征量

功率/MW

突变前

突变后

水电厂群E

445.9

446.7

火电机组D

1 200.0

1 200.0

新能源基地

269.5

419.2

火电机组F

214.0

214.0

负荷群1

494.0

488.0

负荷群2

1 285.0

1 282.0

火电机组G

598.0

599.0

线路BC

1 055.1

1 198.7

图3 突变前后采用0时刻策略的水电机组功角曲线

Fig.3 Power angle curves of hydropower with zero-time strategy before and after sudden change

5.1　基于电网潮流特征的匹配验证

基于相同的突变后方式，若直接采用电气量匹配最接近的历史方式，仍会出现最终策略无法适用的问题。与当前电网最接近的历史数据如表4所示，对应故障后的功角曲线如图4所示，其对应的等值单机系统及匹配方式的P−δ�-�曲线见附录A图A2。由于匹配方式中火电机组D的2台发电机均不满发，电网旋备增加，使得电网失稳模式发生变化，因此，仅根据电气量匹配方式的控制策略无法适用，需要在匹配过程中添加表征暂态轨迹特征指标，从而提高匹配的精确度。

表4 根据电气量匹配得到的数据

Table 4 Data obtained by matching based on electrical quantities

网络特征量

功率/MW

突变后方式

历史方式68

水电厂群E

446.7

433.0

火电机组D

1 200.0

1 105.0

新能源基地

419.2

450.5

火电机组F

214.0

208.0

负荷群1

488.0

433.0

负荷群2

1 282.0

1 255.0

火电机组G

599.0

588.0

线路BC

1 198.7

1 154.3

图4 故障后采用匹配方式策略的功角曲线

Fig.4 Power angle curve with matching mode strategy after fault

5.2　电网方式聚类及关键特征量的参与因子计算

根据本文提出的匹配方法及流程，基于稳定裕度和时变度指标，不同K值下的SSE曲线如图5所示，对应的第1次匹配成功率如表5所示。

图5 不同K值下的SSE曲线

Fig.5 SSE curve with different K values

表5 不同K值下第1次匹配的成功率

Table 5 Success rate of first matching with different K values

聚类数K

匹配成功率/%

1

58.8

2

77.4

3

95.1

4

83.4

5

75.3

6

54.9

7

34.7

因此，可将所有历史方式聚类为3个群，具体聚类结果如图6所示，不同颜色的划分代表着不同的群组，待匹配方式所处的群组为电网潮流特征匹配的待选方式。

图6 电网历史方式聚类

Fig.6 Clustering of historical modes in power grid

计算突变后方式的SEEAC裕度值及时变度指标，明确该方式属于图6中的红色群，因此，所有红色群中的历史方式将作为备选方式进行后续潮流特征匹配。对突变后方式中的同步电源、非同步电源、负荷的参与因子进行计算分析，参与因子超过0.1则判断为关键电气量，针对该故障，将水电厂群E、火电机组D、新能源基地B、火电机组F作为关键电气量，其余参量对电网安全稳定特性影响较小。具体结果如表6所示。

表6 不同特征量的参与因子

Table 6 Participation factors of different characteristic quantities

网络特征量

参与因子

水电厂群E

0.348

火电机组D

1.000

新能源基地

0.316

火电机组F

0.674

负荷群1

0.054

负荷群2

0.018

火电机组G

0.042

5.3　综合潮流特征和时变度的匹配验证

结合参与因子计算结果进行余弦相似度匹配，突变后方式的边界条件、时变度指标计算结果、与历史数据库匹配结果如表7所示，采用匹配的控制策略后，当前方式和匹配结果的等值单机系统的P−δ�-�曲线见附录A图A3。

表7 算例匹配结果

Table 7 Case matching results

特征量

当前方式

历史方式38

时变度指标

0.006 3

0.006 5

电厂D出力

1 200 MW

1 200 MW

电厂F出力

214 MW

132 MW

水电厂E总出力

446.7 MW

460.6 MW

新能源基地总出力

419.2 MW

399.1 MW

线路B-C的功率

1 198.7 MW

1 247.1 MW

匹配结果的控制量

新能源(12×30 MW),水电(3×90 MW)

当前方式校核结果

通过

离线控制策略

切除所有新能源（419 MW）、切除所有水电机组（446 MW）、切除电厂D所有机组（1 170 MW）

相比表3中匹配的结果而言，在历史方式68中，电网主力电厂火电机组D的2台发电机均不满发，运行时存在较多的旋转备用，导致电网失稳模式发生改变，暂态安全稳定性提升，其所需控制量较小，无法满足突变后方式的需求。而历史方式38中，火电机组D为满发状态，时变度指标与突变后方式较为接近，因此，其控制策略可以满足突变后电网对安全稳定性的要求。历史方式38与68的详细数据对比见附录B表B1。

在线匹配后的控制量较离线控制量减小了约1 400 MW的切机量，在保证电网安全性的同时，大大提升了运行的经济性。

6 结语

针对由于强不确定性环境下电网方式突变，导致在线一个计算周期内来不及通过时域仿真计算紧急控制策略的新问题，本文探索了综合应用潮流和轨迹特征实施方式匹配，在线快速生成紧急控制策略的方法，主要研究结论如下：

1）对于非线性的时变复杂大电网，仅采用潮流特征量进行历史方式匹配存在失配风险，引入时变度指标描述电网暂态轨迹特征可提升方式匹配的精确性；

2）提出以电网时变度指标、SEEAC稳定裕度作为二维数据对象的K-means聚类方法，解决了时变度指标匹配误差的问题，明确了潮流特征匹配的范围；

3）以余弦相似度计算电网方式的相似性，选取最接近的电网方式作为突变后电网的匹配结果，并使用匹配结果的控制策略进行校核验证。通过实际电网的算例验证，证明该方法的有效性。

附录附录A

(a) 系统突变前发生方式

(b) 系统发生突变后方式

图A1 系统突变前后发生B-C三永N-2故障后的等值单机系统(P−δ)�-�曲线

Fig.A1 The (P−δ)�-� curve of equivalent OMIB system after B-C three-phase permanent N-2 fault before and after system mutation

(a) 基于潮流特征匹配的方式

(b) 系统发生突变后方式

图A2 基于潮流特征匹配的等值单机系统(P−δ)�-�曲线

Fig.A2 The (P−δ)�-� curve of equivalent OMIB system based on power flow characteristics matching

(a) 综合潮流特征和时变度匹配的方式

(b) 系统发生突变后方式

图A3 综合潮流特征和时变度匹配的等值单机系统(P−δ)�-�曲线

Fig.A3 The (P−δ)�-� curve of equivalent OMIB system based on power flow characteristics and time-varying degree matching

附录B

表B1 历史方式38与68详细数据对比

Table B1 The detail data comparison between the historical case 68 and 38

网络特征量

突变后方式（MW）

历史方式68（MW）

水电厂群E

446.7

433

火电机组D

1200

1105

新能源基地

419.2

450.5

火电机组F

214

208

负荷群1

488

433

负荷群2

1282

1255

火电机组G

599

588

B-C线路功率

1198.7

1154.3

参 考 文 献

1

任伟，房大中，陈家荣，等.基于最优控制原理的电力系统紧急控制及应用［J］.电网技术，2009，33（2）：8-13. [百度学术]

REN Wei， FANG Dazhong， CHEN Jiarong， et al. Optimal control theory based power system emergency control and its application［J］. Power System Technology， 2009， 33（2）： 8-13. [百度学术]

2

徐泰山，丁茂生，彭慧敏，等.交直流电力系统暂态安全稳定在线紧急控制策略并行算法［J］.电力系统自动化，2015，39（10）：174-180. [百度学术]

XU Taishan， DING Maosheng， PENG Huimin， et al. A parallel algorithm for determining an online emergency control strategy of transient security and stability for AC-DC power systems［J］. Automation of Electric Power Systems， 2015， 39（10）： 174-180. [百度学术]

3

邵伟，周晓宁，王胜明，等.一种面向对象的稳控策略建模方法［J］.电网与清洁能源，2014，30（9）：19-25. [百度学术]

SHAO Wei， ZHOU Xiaoning， WANG Shengming， et al. An object-oriented stability control strategy modeling method［J］. Power System and Clean Energy， 2014， 30（9）： 19-25. [百度学术]

4

陈兴华，陈锦昌，杨文佳，等.安全稳定控制措施与备用电源自动投入措施的协调策略［J］.广东电力，2016，29（11）：110-113. [百度学术]

CHEN Xinghua， CHEN Jinchang， YANG Wenjia， et al. Coordination strategy for security and stability control measures and automatic switching-in measures for reserve power supply［J］. Guangdong Electric Power， 2016， 29（11）： 110-113. [百度学术]

5

楼贤嗣，马光，郭创新，等.电网运行全过程风险协调控制体系与架构设计［J］.电力系统自动化，2020，44（5）：161-170. [百度学术]

LOU Xiansi， MA Guang， GUO Chuangxin， et al. System and framework design of risk coordination control for whole operation process of power system［J］. Automation of Electric Power Systems， 2020， 44（5）： 161-170. [百度学术]

6

李碧君，许剑冰，徐泰山，等.大电网安全稳定综合协调防御的工程应用［J］.电力系统自动化，2008，32（6）：25-30. [百度学术]

LI Bijun， XU Jianbing， XU Taishan， et al. Engineering application of integrated and coordinated defense technology of large power system security and stability［J］. Automation of Electric Power Systems， 2008， 32（6）： 25-30. [百度学术]

7

李碧君，方勇杰，徐泰山.关于电网运行安全风险在线评估的评述［J］.电力系统自动化，2012，36（18）：171-177. [百度学术]

LI Bijun， FANG Yongjie， XU Taishan. Review on online operational security risk assessment of power systems［J］. Automation of Electric Power Systems， 2012， 36（18）： 171-177. [百度学术]

8

DUDURYCH I M， ROGERS A， AHERNE R， et al. Safety in numbers： online security analysis of power grids with high wind penetration［J］. IEEE Power and Energy Magazine， 2012， 10（2）： 62-70. [百度学术]

9

王彤，刘九良，朱劭璇，等.基于随机森林的电力系统暂态稳定评估与紧急控制策略［J］.电网技术，2020，44（12）：4694-4701. [百度学术]

WANG Tong， LIU Jiuliang， ZHU Shaoxuan， et al. Transient stability assessment and emergency control strategy based on random forest in power system［J］. Power System Technology， 2020， 44（12）： 4694-4701. [百度学术]

10

PANNELL Z， RAMACHANDRAN B， SNIDER D. Machine learning approach to solving the transient stability assessment problem［C］// IEEE Texas Power and Energy Conference （TPEC）， February 8-9， 2018， College Station， USA. [百度学术]

11

BALTAS N G， MAZIDI P， MA J， et al. A comparative analysis of decision trees， support vector machines and artificial neural networks for on-line transient stability assessment［C］// International Conference on Smart Energy Systems and Technologies （SEST）， September 10-12， 2018， Seville， Spain. [百度学术]

12

周挺，杨军，周强明，等.基于改进LightGBM的电力系统暂态稳定评估方法［J］.电网技术，2019，43（6）：1931-1940. [百度学术]

ZHOU Ting， YANG Jun， ZHOU Qiangming， et al. Power system transient stability assessment method based on modified LightGBM［J］. Power System Technology， 2019， 43（6）： 1931-1940. [百度学术]

13

HU W， LU Z X， WU S， et al. Real-time transient stability assessment in power system based on improved SVM［J］. Journal of Modern Power Systems and Clean Energy， 2019， 7（1）： 26-37. [百度学术]

14

MOULIN L S， DA SILVA A P A， EL-SHARKAWI M A， et al. Support vector machines for transient stability analysis of large-scale power systems［J］. IEEE Transactions on Power Systems， 2004， 19（2）： 818-825. [百度学术]

15

薛禹胜，黄天罡，陈国平，等.关于暂态稳定分析算例筛选的评述［J］.电力系统自动化，2019，43（6）：1-14. [百度学术]

XUE Yusheng， HUANG Tiangang， CHEN Guoping， et al. Review on case filtering in transient stability analysis［J］. Automation of Electric Power Systems， 2019， 43（6）： 1-14. [百度学术]

16

杨博，陈义军，姚伟，等.基于新一代人工智能技术的电力系统稳定评估与决策综述［J］.电力系统自动化，2022，46（22）：200-223. [百度学术]

YANG Bo， CHEN Yijun， YAO Wei， et al. Review on stability assessment and decision for power systems based on new-generation artificial intelligence technology［J］. Automation of Electric Power Systems， 2022， 46（22）： 200-223. [百度学术]

17

XUE Y， VAN CUTSEM T， RIBBENS-PAVELLA M. A simple direct method for fast transient stability assessment of large power systems［J］. IEEE Transactions on Power Systems， 1988， 3（2）： 400-412. [百度学术]

18

XUE Y， PAVELLA M. Critical-cluster identification in transient stability studies［J］. IEE Proceedings of Generation， Transmission and Distribution， 1993， 140（6）： 481. [百度学术]

19

薛禹胜.DEEAC的理论证明——四论暂态能量函数直接法［J］.电力系统自动化，1993，17（7）：7-19. [百度学术]

XUE Yusheng. A theoretical proof of DEEAC［J］. Automation of Electric Power Systems， 1993， 17（7）： 7-19. [百度学术]

20

XUE Y S， HUANG T G， XUE F. Effective and robust case screening for transient stability assessment［C］// IREP Symposium Bulk Power System Dynamics and Control-Ⅸ Optimization， Security and Control of the Emerging Power Grid， August 25-30， 2013， Rethymno， Greece. [百度学术]

21

薛禹胜.EEAC和FASTEST［J］.电力系统自动化，1998，22（9）：25-30. [百度学术]

XUE Yusheng. EEAC and FASTEST［J］. Automation of Electric Power Systems， 1998， 22（9）： 25-30. [百度学术]

22

薛禹胜.运动稳定性量化理论：非自治非线性多刚体系统的稳定性分析［M］.南京：江苏科学技术出版社，1999. [百度学术]

XUE Yusheng. Quantitative theory of motion stability： stability analysis of nonautonomous nonlinear multi-rigid body system［M］. Nanjing： Phoenix Science Press， 1999. [百度学术]

23

黄天罡，薛禹胜，陈国平，等.暂态稳定算例的高效筛除［J］.电力系统自动化，2018，42（8）：83-91. [百度学术]

HUANG Tiangang， XUE Yusheng， CHEN Guoping， et al. An efficient stable case screening algorithm for transient stability assessment［J］. Automation of Electric Power Systems， 2018， 42（8）： 83-91. [百度学术]