張紅穎，賈一超，汪江志，張巍

（1.中國電力科學(xué)研究院有限公司，江蘇 南京 210037；2.上海理工大學(xué)機(jī)械工程學(xué)院，上海 200093）

0 引言

在低碳綠色發(fā)展的背景下，風(fēng)能作為一種清潔能源，其資源量和環(huán)境友好的特性具有化石能源無法比擬的優(yōu)勢。風(fēng)能必將逐步成為化石能源的替代品，為實現(xiàn)“雙碳”目標(biāo)和促進(jìn)國民經(jīng)濟(jì)低碳綠色發(fā)展提供堅實的保障[1]。風(fēng)電的裝機(jī)容量在電力系統(tǒng)中的占比不斷提高，風(fēng)能的間斷性和隨機(jī)性，以及不同風(fēng)電機(jī)組間的強(qiáng)耦合和非線性特性，使得風(fēng)電并網(wǎng)系統(tǒng)的運(yùn)行條件和特性較傳統(tǒng)火電并網(wǎng)系統(tǒng)更加復(fù)雜，對電力系統(tǒng)暫態(tài)電壓穩(wěn)定性帶來了嚴(yán)重挑戰(zhàn)[2]。

20世紀(jì)80年代末，機(jī)器學(xué)習(xí)方法逐步在電力系統(tǒng)暫態(tài)穩(wěn)定評估問題中得到推廣使用。隨著廣域測量技術(shù)的發(fā)展和人工智能技術(shù)的成熟，基于人工智能的方法為大電網(wǎng)數(shù)據(jù)的智能分析提供了新的途徑。已有相關(guān)研究采用神經(jīng)網(wǎng)絡(luò)進(jìn)行暫態(tài)穩(wěn)定評估，導(dǎo)致大量信息浪費(fèi)。研究人員針對如何最大限度地發(fā)揮單一神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，提高人工智能暫態(tài)穩(wěn)定評估方法的實用性展開了大量研究。文獻(xiàn)[3]基于BP神經(jīng)網(wǎng)絡(luò)模型，利用故障前后采集的傳統(tǒng)物理量和與風(fēng)電場相關(guān)的物理量，作為輸入特征量進(jìn)行監(jiān)督學(xué)習(xí)，該模型最終可應(yīng)用于評估風(fēng)電并網(wǎng)系統(tǒng)的暫態(tài)電壓穩(wěn)定性。文獻(xiàn)[4]提出了一種基于grcForest模型的方法，用于風(fēng)電并網(wǎng)系統(tǒng)的暫態(tài)電壓穩(wěn)定性評估。盡管這種方法在提高評估準(zhǔn)確性和速度方面有一定改進(jìn)，但仍須要進(jìn)一步優(yōu)化。文獻(xiàn)[5]提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的暫態(tài)電壓穩(wěn)定性評估方法，該方法利用卷積神經(jīng)網(wǎng)絡(luò)提取特征，通過輸入特征和評估結(jié)果之間的映射關(guān)系來建立評估模型。文獻(xiàn)[6]提出了一種基于時間卷積網(wǎng)絡(luò)和圖注意力網(wǎng)絡(luò)的方法用于暫態(tài)穩(wěn)定性評估，該方法利用圖注意力網(wǎng)絡(luò)處理圖數(shù)據(jù)，并建立電網(wǎng)拓?fù)溥B接關(guān)系，以提取空間特征和時間特征，在不完全配置條件下，圖注意力網(wǎng)絡(luò)的泛化能力較弱。已有研究大多關(guān)注系統(tǒng)暫態(tài)功角穩(wěn)定性評估，對于暫態(tài)電壓穩(wěn)定性評估研究還不夠充分，涉及到高比例風(fēng)電接入的暫態(tài)電壓穩(wěn)定性評估的研究更加匱乏，同時大多數(shù)研究都只停留于暫態(tài)穩(wěn)定性評估，并未提出相應(yīng)的改進(jìn)措施[7，8]。

電網(wǎng)電壓發(fā)生驟降時，采用風(fēng)電暫態(tài)電壓主動支撐技術(shù)可以支撐電網(wǎng)電壓[9]，確保風(fēng)電機(jī)組及風(fēng)電場在低電壓穿越時不脫網(wǎng)。然而，改變系統(tǒng)結(jié)構(gòu)參數(shù)以限制電壓降落的成本高昂，而且會影響并網(wǎng)系統(tǒng)的穩(wěn)定運(yùn)行。此外，電抗器、高阻抗變壓器等設(shè)備接入會增加系統(tǒng)網(wǎng)損，從而對系統(tǒng)的穩(wěn)定性產(chǎn)生不利影響[10]。使用故障電流限制器是解決風(fēng)電系統(tǒng)故障電壓越限問題的有效方案，該裝置可以顯著提高風(fēng)電機(jī)組的低電壓穿越能力，并為雙饋風(fēng)電暫態(tài)電壓主動支撐技術(shù)的應(yīng)用提供有力保障[11]。

為進(jìn)一步評估系統(tǒng)受擾后的暫態(tài)穩(wěn)定性，本文基于注意力機(jī)制提出一種CNN-LSTM暫態(tài)穩(wěn)定性評估模型，針對暫態(tài)電流越限問題提出安裝超導(dǎo)短路限流器的主動支撐措施，改善風(fēng)電場系統(tǒng)無功環(huán)境，維持并網(wǎng)點電壓穩(wěn)定。最后，在PSD-BPA中搭建含風(fēng)電的IEEE39節(jié)點系統(tǒng)進(jìn)行仿真模擬和數(shù)據(jù)收集用于模型訓(xùn)練。結(jié)果表明，本文所提評估指標(biāo)具有更高的識別率，所提改進(jìn)措施對提高系統(tǒng)暫態(tài)穩(wěn)定性具有積極作用。

1 CNN-LSTM-Attention暫態(tài)穩(wěn)定性評估模型

在實際工程中，通過判斷持續(xù)時間是否超過給定值來評估暫態(tài)電壓的穩(wěn)定性，該持續(xù)時間是指暫態(tài)電壓偏移某一閾值的時間。隨著人工智能技術(shù)的迅速發(fā)展，在電力系統(tǒng)暫態(tài)穩(wěn)定性評估中廣泛采用了機(jī)器學(xué)習(xí)和模糊邏輯技術(shù)等方法。

1.1 特征選取降維

在電力系統(tǒng)暫態(tài)穩(wěn)定性評估中，樣本數(shù)據(jù)即為學(xué)習(xí)模型的輸入，樣本數(shù)據(jù)x可表示為D為樣本個數(shù)，n為特征數(shù)。

本文從時間、空間、系統(tǒng)規(guī)模的角度選取了28組原始特征，如表1所示。

表1 原始特征集Table 1 Original feature set

電力系統(tǒng)是一個復(fù)雜的非線性系統(tǒng)，高比例風(fēng)電接入電網(wǎng)進(jìn)一步增加了系統(tǒng)的復(fù)雜度，采用傳統(tǒng)線性方法進(jìn)行數(shù)據(jù)處理計算效率低下。因此，本文考慮采用非線性降維方法對輸入特征進(jìn)行降維。核主成分分析（KPCA）是一種非線性數(shù)據(jù)處理方法，其核心思想是通過非線性映射將原始空間中的數(shù)據(jù)投影到高維特征空間，然后在該特征空間中采用主成分分析（PCA）進(jìn)行數(shù)據(jù)處理[12]。

給定樣本矩陣x，x為D維列向量，共n個樣本，D×n維矩陣所在的空間稱為輸入空間，引入非線性變換φ將輸入空間映射到高維特征空間，這個高維空間稱為特征空間Γ，對Γ進(jìn)行KPCA降維，定義協(xié)方差矩陣CΓ如下：

求解協(xié)方差矩陣的特征值λ和特征向量V：

將式（2）乘以φ（x），利用主成分應(yīng)用系數(shù)αi=[α1，α2…，αn]T將V線性表示為

引入K為n×n維正半定核矩陣，高斯徑向基核函數(shù)計算方法簡單，分類效果好，因此本文采用高斯徑向基核函數(shù)作為核主成分分析的核函數(shù)[13]。

式中：i=1，2，…，n；j=1，2，…，n；σ為函數(shù)跌落到零的速度，取值0.5。

將K=φ（x）Tφ（x）代入式（3）得：

通過對式（5）進(jìn)行求解，得到特征值問題的非零特征值和矩陣K的第k個特征向量，利用式（6）求解特征空間主元方向，即特征向量。

將式（6）代入式（3）可求解出對應(yīng)的特征值λk，對特征值進(jìn)行降序排序，確定主成分個數(shù)后根據(jù)排列順序選取對應(yīng)主成分特征，形成降維特征集。采用累計方差貢獻(xiàn)率確定主成分個數(shù)：

1.2 通道注意力機(jī)制

CNN具有參數(shù)共享、局部感知的特點，能夠快速且精準(zhǔn)地提取樣本特征，獲取更多隱藏特征信息，但在處理較長時間序列時效果不佳。LSTM作為CNN的變種模型，通過遺傳門、輸入門、輸出門的結(jié)構(gòu)，能夠有效記憶長時間序列信息，通過聯(lián)系前后信息的特征得到更多數(shù)據(jù)。兩個神經(jīng)網(wǎng)絡(luò)對于時序數(shù)據(jù)的非線性問題均有較好的處理能力，處理方式與結(jié)果各有優(yōu)勢。為了提升模型的性能，本文將CNN與LSTM串聯(lián)結(jié)合，形成CNNLSTM模型，該模型能夠精準(zhǔn)提取暫態(tài)特征并且可以有效解決學(xué)習(xí)時序數(shù)據(jù)中長期依賴信息的問題。但是在訓(xùn)練該模型時，會忽略各通道信息的重要程度，造成資源分布不均，分辨效果下降[14]。因此，本文將注意力機(jī)制引入模型，通過注意力機(jī)制并根據(jù)重要程度對CNN中各輸出特征通道賦予不同的權(quán)重系數(shù)，對LSTM下各時序特征賦予不同的權(quán)重系數(shù)，保證序列長度增加時，重要特征不會丟失，以此實現(xiàn)分辨準(zhǔn)確率的提升。本文在訓(xùn)練模型時選用了通道注意力機(jī)制（Channel Attention Module，CAM）[15]，該機(jī)制主要是通過網(wǎng)絡(luò)訓(xùn)練得到的損失值（Loss）來不斷學(xué)習(xí)更新特征權(quán)重，通過了解到的每個特征面的重要程度，根據(jù)重要性依次給每個特征通道賦予權(quán)重值，重要性強(qiáng)的特征面權(quán)重大，重要性弱的特征面權(quán)重小，從而使得有限的神經(jīng)網(wǎng)絡(luò)用于計算有效特征面，減少參數(shù)與計算量。通道注意力機(jī)制的具體結(jié)構(gòu)如圖1所示。

圖1 通道注意力機(jī)制具體結(jié)構(gòu)Fig.1 The specific structure of the channel attention mechanism

由圖1可知，一個H′×W′×C′的特征圖X在經(jīng)過卷積操作后變?yōu)橐粋€H×W×C的特征圖U，特征圖U經(jīng)過Sequeeze操作后變?yōu)橐粋€1×1×C的矩陣，然后再經(jīng)過Excitation操作，根據(jù)重要度給每一個特征通道賦予相應(yīng)的權(quán)重值，最后被賦予權(quán)重的1×1×C矩陣與特征圖U經(jīng)過Sigmoid函數(shù)將權(quán)重變量進(jìn)行歸一化變換，如式（8）所示。對原始輸入特征圖賦予權(quán)重后可得到新的特征圖。

式中：p為歸一化前的權(quán)重變量。

1.3 模型評估標(biāo)準(zhǔn)

制定模型評估標(biāo)準(zhǔn)時，須要考慮實際電力系統(tǒng)中“漏判”和“誤判”對電力系統(tǒng)的影響。因此，模型評估方法指標(biāo)除了整體的分辨準(zhǔn)確率PAC外，還須要引入漏判率PMD和誤判率PFA，PMD和PFA，分別用于評估模型對穩(wěn)定樣本和失穩(wěn)樣本的分辨能力。

①準(zhǔn)確率PAC：正確評估的樣本數(shù)占總樣本的百分比。

②漏判率PMD：真實失穩(wěn)樣本被錯誤判定為穩(wěn)定樣本的數(shù)量占真實失穩(wěn)樣本總數(shù)的百分比。

③誤判率PFA：真實穩(wěn)定樣本被錯誤判定為失穩(wěn)樣本的數(shù)量占真實穩(wěn)定樣本總數(shù)的百分比。

式中：TP表示正確預(yù)測為穩(wěn)定的真實穩(wěn)定樣本數(shù)量；FN表示錯誤預(yù)測為失穩(wěn)的真實穩(wěn)定樣本數(shù)量；FP表示錯誤預(yù)測為穩(wěn)定的真實失穩(wěn)樣本數(shù)量；TN表示正確判斷為失穩(wěn)的真實失穩(wěn)樣本數(shù)量。

1.4 暫態(tài)穩(wěn)定評估算法流程

CNN-LSTM-Attention暫態(tài)穩(wěn)定評估模型對電力系統(tǒng)暫態(tài)穩(wěn)定性進(jìn)行評估的算法流程如圖2所示。通過PSD-BPA軟件進(jìn)行時域仿真收集數(shù)據(jù)集，這些數(shù)據(jù)經(jīng)KPCA降維后的優(yōu)選特征集將作為神經(jīng)網(wǎng)絡(luò)的輸入特征。通過CNN層進(jìn)行特征提取與深度挖掘后，利用Dropout層丟棄部分無用參數(shù)，再利用池化層對輸入特征進(jìn)一步壓縮提取。將輸出特征傳入LSTM層，進(jìn)一步提煉數(shù)據(jù)與時間之間的相關(guān)性，不斷調(diào)整參數(shù)，解決時序數(shù)據(jù)中長期依賴信息的問題。在完成CNN-LSTM串聯(lián)連接后接入自注意力機(jī)制層，根據(jù)重要程度對不同的特征賦值，最終通過全連接層輸出分解結(jié)果。由于本文為二分類研究，因此采取Sigmoid作為激活函數(shù)，可將輸出結(jié)果映射為（0，1）的概率分布，用于表示暫態(tài)穩(wěn)定性評估結(jié)果。

圖2 暫態(tài)電壓穩(wěn)定評估流程Fig.2 Transient voltage stability evaluation process

2 暫態(tài)電壓穩(wěn)定性機(jī)理及控制措施

2.1 風(fēng)電并網(wǎng)影響系統(tǒng)暫態(tài)電壓穩(wěn)定性的機(jī)理

當(dāng)高比例風(fēng)電接入的送端電網(wǎng)系統(tǒng)發(fā)生故障時，暫態(tài)電壓的變化程度與系統(tǒng)的短路容量密切相關(guān)。目前的研究普遍認(rèn)為，高比例的新能源電網(wǎng)呈現(xiàn)出“弱電網(wǎng)”現(xiàn)象，因為大量的新能源電源取代了同步發(fā)電機(jī)，從而導(dǎo)致整個系統(tǒng)的短路容量降低。高比例風(fēng)電接入的送端電網(wǎng)的抗擾動能力較差，電網(wǎng)的強(qiáng)度也較弱。雙饋風(fēng)機(jī)作為目前采用的主要風(fēng)機(jī)類型，其主體是異步電機(jī)，雙饋風(fēng)機(jī)的短路容量計算式為

式中：UN為發(fā)電機(jī)平均額定電壓；IN為額定電流；Sam為電機(jī)等效容量；xk為短路電抗。

在工程設(shè)計中，異步電機(jī)的短路電抗越大，其提供的短路容量就越小。因此，在高比例的新能源電網(wǎng)中，整個系統(tǒng)的短路容量會下降，在相同程度的無功波動條件下，高比例風(fēng)電接入的系統(tǒng)母線暫態(tài)電壓波動幅度也會更大。

2.2 故障限流器模型

電力系統(tǒng)的迅猛發(fā)展導(dǎo)致其規(guī)模不斷擴(kuò)大，互聯(lián)程度越來越高，這使得短路電流水平不斷攀升，極大地影響了系統(tǒng)的安全運(yùn)行。已有研究表明，在出現(xiàn)故障時，使用超導(dǎo)故障限流器可以有效維護(hù)機(jī)組無功功率輸出能力。因此，在解決風(fēng)電系統(tǒng)過載問題方面，應(yīng)用超導(dǎo)故障限流器是一個有效的解決方案。圖3顯示了理想條件下單機(jī)無窮大系統(tǒng)超導(dǎo)故障限流器接入模型示意圖[16]。

圖3 超導(dǎo)故障限流器布置示意圖Fig.3 Superconducting fault current limiter layout diagram

當(dāng)系統(tǒng)正常運(yùn)行時，發(fā)電機(jī)通過變壓器和雙回線路將電力輸送至無限大系統(tǒng)。當(dāng)系統(tǒng)發(fā)生短路故障時，超導(dǎo)故障限流器中的超導(dǎo)體進(jìn)行“自動變阻”。為了簡化分析，忽略超導(dǎo)故障限流器的電阻，只考慮其電抗的作用。假設(shè)發(fā)生短路故障時，投入系統(tǒng)的超導(dǎo)故障限流器的電抗標(biāo)幺值為X?？紤]到故障發(fā)生時，非故障線路上的故障限流器也會被觸發(fā)，因此，超導(dǎo)故障限流器可表示為如圖4所示的等效電路。

圖4 系統(tǒng)正常運(yùn)行時超導(dǎo)故障限流器等效電路Fig.4 Equivalent circuit of superconducting fault current limiter in normal operation

經(jīng)過星-角變換后得到化簡電路，如圖5所示。

圖5 化簡等值電路Fig.5 Simplified equivalent circuit

當(dāng)系統(tǒng)發(fā)生三相短路時，XΔ≈0，系統(tǒng)的轉(zhuǎn)移阻抗可以表示為SFCL投入電抗值的函數(shù)f（X）。隨著SFCL投入系統(tǒng)電抗值的增加，系統(tǒng)的總轉(zhuǎn)移阻抗會減小，并最終趨于一個穩(wěn)定值。當(dāng)X趨近于零時，轉(zhuǎn)移阻抗將趨近于無窮大。因此，當(dāng)系統(tǒng)發(fā)生短路時，超導(dǎo)限流器投入阻抗以減小系統(tǒng)的總轉(zhuǎn)移阻抗，從而提高PII幅值，有助于提升系統(tǒng)的暫態(tài)穩(wěn)定性。

3 算例分析

本文采用中國電科院暫態(tài)仿真軟件PSDBPA作為仿真平臺，構(gòu)建了如圖6所示的英格蘭10機(jī)39節(jié)點電力系統(tǒng)的仿真模型。仿真參數(shù)見表2?；鶞?zhǔn)功率設(shè)定為100 MW，基準(zhǔn)電壓為345 kV。為進(jìn)一步研究風(fēng)電并網(wǎng)對系統(tǒng)暫態(tài)電壓穩(wěn)定性的影響，將25臺1.5 MW的風(fēng)電機(jī)組等效成一個群體，接入到電網(wǎng)中。該風(fēng)電機(jī)組的額定電壓為0.69 kV，經(jīng)升壓變壓器升高后連接到37號節(jié)點。通過潮流計算和時域仿真，共獲得1 986個樣本，其中包括1 330個穩(wěn)定樣本和656個失穩(wěn)樣本。

圖6 風(fēng)機(jī)接入IEEE39節(jié)點系統(tǒng)拓?fù)鋱DFig.6 Topology of the fan connected to the IEEE39 nodes

表2 新英格蘭39節(jié)點系統(tǒng)仿真算例的樣本數(shù)據(jù)構(gòu)造方法Table 2 Sample data construction method of New England 39-bus system simulation example

3.1 KPCA特征降維

利用KPCA算法對采集得到的28維特征數(shù)據(jù)共計1 986個樣本進(jìn)行特征降維分析，當(dāng)累積方差貢獻(xiàn)率≥99%時，優(yōu)選特征向量即可代表所有特征向量。表3為13個主成分的特征值、累積方差貢獻(xiàn)率。

表3 主成分分析Table 3 Principal component analysis table

由表3可知，主成分累計方差貢獻(xiàn)率已經(jīng)達(dá)到99%，說明前13個主成分完全可以替代所有主成分作為暫態(tài)電壓穩(wěn)定評估的輸入特征集。通過對各個主成分與其對應(yīng)的特征值進(jìn)行排序選取前13個特征，可以得到表4中所示的優(yōu)選特征。

表4 優(yōu)選降維特征集Table 4 Preferred downwitter solicitation

3.2 失穩(wěn)判據(jù)

每一個樣本數(shù)據(jù)Xi（i=1，2，…，n）都有一個對應(yīng)的標(biāo)記Yi=[Y1，Y2，…，Yn]，當(dāng)Yi取1時標(biāo)記為穩(wěn)定，當(dāng)Yi取0時標(biāo)記為失穩(wěn)。

仿真過程中，采用符合《風(fēng)電場接入電網(wǎng)技術(shù)規(guī)定（GB/T19963-2011）》的風(fēng)電并網(wǎng)系統(tǒng)暫態(tài)電壓穩(wěn)定性評判準(zhǔn)則。該準(zhǔn)則規(guī)定，在發(fā)生大幅度擾動情況下，系統(tǒng)側(cè)母線電壓低于0.75 p.u.的時間不得超過1.0 s，且雙饋風(fēng)機(jī)的功角必須保持穩(wěn)定，否則將被判定為暫態(tài)不穩(wěn)定。

圖7所示為系統(tǒng)在0.1 s發(fā)生三相短路故障時系統(tǒng)母線電壓幅值。從圖7中可以看出，在發(fā)生故障期間，系統(tǒng)母線電壓發(fā)生了劇烈的變化。當(dāng)故障清除時間較短時，系統(tǒng)可以通過自我調(diào)節(jié)保持暫態(tài)電壓穩(wěn)定。但是，當(dāng)故障清除時間較長時，系統(tǒng)無法維持暫態(tài)電壓的穩(wěn)定，如圖8所示。

圖7 大擾動情況下暫態(tài)電壓穩(wěn)定性Fig.7 Transient voltage stability under large disturbance

圖8 大擾動情況下暫態(tài)電壓不穩(wěn)定性Fig.8 Transient voltage instability under large disturbance

3.3 結(jié)果分析

為了能更加直觀地體現(xiàn)模型對電力系統(tǒng)暫態(tài)穩(wěn)定性的評估性能，本文將同樣的優(yōu)選特征訓(xùn)練樣本分別輸入到CNN，LSTM模型中，進(jìn)行訓(xùn)練并測試模型的評估性能。其中，LSTM和CNN的結(jié)構(gòu)參數(shù)和本節(jié)提出的CNN-LSTM-Attention一致，其他模型結(jié)構(gòu)參數(shù)均通過網(wǎng)格搜索法找出最優(yōu)的超參數(shù)。各評估模型的測試結(jié)果如圖9所示。

圖9 各評估模型分辨準(zhǔn)確率測試結(jié)果Fig.9 Test results of the estimated model

由圖9可知：當(dāng)訓(xùn)練到30輪以后，CNNLSTM-Attention準(zhǔn)確率更高且趨于收斂，其余模型在訓(xùn)練40輪以后才趨于收斂并且后續(xù)準(zhǔn)確率波動較大；CNN-LSTM-Attention模型的分辨準(zhǔn)確率PAC最高，漏判率PMD最低，這與該模型能夠精準(zhǔn)提取暫態(tài)特征并且可以有效解決學(xué)習(xí)時序數(shù)據(jù)中長期依賴信息的問題密不可分。同時利用注意力機(jī)制并根據(jù)重要程度對CNN中各輸出特征通道賦予不同的權(quán)重系數(shù)，對LSTM下各時序特征賦予不同的權(quán)重系數(shù)，保證序列長度增加時，重要特征不會丟失。預(yù)測結(jié)果表明，引入注意力機(jī)制能更好地保留重要特征用于模型訓(xùn)練，更精準(zhǔn)地提取使用關(guān)鍵的特征，CNN-LSTM-Attention比CNN-LSTM的分辨準(zhǔn)確率高0.98%，漏判率降低了2%。

為了驗證本文雙饋風(fēng)機(jī)對電力系統(tǒng)暫態(tài)電壓穩(wěn)定性的影響以及構(gòu)建的附加超導(dǎo)故障限流器對電力系統(tǒng)暫態(tài)穩(wěn)定性的積極作用，設(shè)置如表5所示的不同滲透率及發(fā)生不同程度的負(fù)荷擾動共10個場景進(jìn)行仿真分析。

表5 不同滲透率仿真場景Table 5 Simulation scenarios of different permeability rates

為了驗證不同風(fēng)電滲透率對系統(tǒng)暫態(tài)電壓穩(wěn)定性的影響，在相同故障持續(xù)時間下，在25節(jié)點處引入短路故障進(jìn)行仿真分析。短路類型從金屬性故障轉(zhuǎn)化為三相非金屬性短路故障，并在故障發(fā)生后的0.6 s被完全切除。通過仿真獲得了風(fēng)電滲透率為0%，20%，30%，40%時風(fēng)電并網(wǎng)系統(tǒng)的運(yùn)行情況，分析了不同風(fēng)電滲透率下的系統(tǒng)暫態(tài)電壓穩(wěn)定性。分別提取不同風(fēng)電滲透率下的優(yōu)選特征參數(shù)，代入訓(xùn)練好的CNN-LSTM-Attention模型進(jìn)行暫態(tài)評估，結(jié)果如表6所示。

表6 不同風(fēng)電滲透率評估結(jié)果Table 6 Evaluation results of different wind power permeability

由表6可以看出，在場景1～4中，在沒有超導(dǎo)故障限流器的情況下，隨著風(fēng)電滲透率不斷增大，電網(wǎng)的無功需求隨之增多，電網(wǎng)靜態(tài)電壓穩(wěn)定裕度不足的問題凸顯。當(dāng)風(fēng)電滲透率達(dá)到40%時，系統(tǒng)并網(wǎng)母線電壓發(fā)生嚴(yán)重跌落且不具備回穩(wěn)能力，系統(tǒng)發(fā)生暫態(tài)電壓失穩(wěn)現(xiàn)象。對比場景4和場景5，在故障發(fā)生瞬間超導(dǎo)故障限流器介入工作，故障限流器會立刻投入高阻抗來抑制系統(tǒng)短路電流，提高短路容量，進(jìn)一步提高系統(tǒng)暫態(tài)穩(wěn)定能力。當(dāng)故障切除時，故障限流器不呈現(xiàn)阻抗，不會對線路的傳輸容量造成任何影響。

本文還驗證了不同故障持續(xù)時間下系統(tǒng)的暫態(tài)電壓穩(wěn)定性。故障擾動過程：0 s時在25節(jié)點處發(fā)生三相金屬性短路，0.1 s時故障發(fā)展為三相非金屬性短路故障。在不同故障持續(xù)時間下，分別提取不同風(fēng)電滲透率下的優(yōu)選特征參數(shù)，代入訓(xùn)練好的CNN-LSTM-Attention模型進(jìn)行暫態(tài)評估，結(jié)果如表7所示。

表7 有無超導(dǎo)故障限流器評估結(jié)果Table 7 Evaluation results of current limiter with or without superconducting fault

對比場景6，7可以看出，當(dāng)系統(tǒng)故障切除時間小于0.6 s時，系統(tǒng)中樞母線電壓及風(fēng)電并網(wǎng)母線電壓波動相對較小，系統(tǒng)仍處于穩(wěn)定狀態(tài)。當(dāng)故障切除時間延長至0.6 s時，系統(tǒng)中樞母線電壓將發(fā)生嚴(yán)重跌落，系統(tǒng)由暫態(tài)穩(wěn)定狀態(tài)過渡到暫態(tài)電壓失穩(wěn)狀態(tài)。隨著故障持續(xù)時間的延長，系統(tǒng)中樞母線及風(fēng)電并網(wǎng)母線的電壓跌落程度越發(fā)嚴(yán)重。對比場景9，10可以看出，超導(dǎo)故障限流器在一定限度內(nèi)能支撐嚴(yán)重故障。

4 結(jié)論

本文基于自注意力機(jī)制提出了一種CNNLSTM暫態(tài)穩(wěn)定評估指標(biāo)，為更好地捕捉輸入數(shù)據(jù)中的空間和時間相關(guān)性，基于核主成分分析（KPCA）進(jìn)行特征降維；針對暫態(tài)電壓突出問題提出安裝超導(dǎo)故障限流器的主動支撐措施，改善風(fēng)電場系統(tǒng)無功環(huán)境，維持并網(wǎng)點電壓穩(wěn)定。在PSD-BPA中搭建含風(fēng)電的IEEE39節(jié)點系統(tǒng)進(jìn)行仿真計算和數(shù)據(jù)采集，得到如下結(jié)論。

①核主成分分析（KPCA）方法能夠有效地篩選電力系統(tǒng)暫態(tài)穩(wěn)定性評估中重要度高的特征，前13個主成分完全可以替代所有主成分，作為風(fēng)電并網(wǎng)暫態(tài)電壓穩(wěn)定性評估的輸入特征集，明顯地縮短了風(fēng)電并網(wǎng)系統(tǒng)暫態(tài)電壓穩(wěn)定性評估的計算時間。

②與目前一些淺層的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)網(wǎng)絡(luò)相比，本文所提出的CNN-LSTM-Attention網(wǎng)絡(luò)能有效提高電力系統(tǒng)暫態(tài)穩(wěn)定性評估性能。CNN-LSTM可以充分利用時間序列變量的信息，注意力機(jī)制也能夠有效地挖掘數(shù)據(jù)信息。

③隨著故障持續(xù)時間的不斷延長，系統(tǒng)中樞母線及風(fēng)電并網(wǎng)母線的電壓跌落程度越發(fā)嚴(yán)重，超導(dǎo)故障限流器在一定限度內(nèi)能支撐嚴(yán)重故障，對系統(tǒng)暫態(tài)電壓的穩(wěn)定具有積極作用。