论文部分内容阅读
随着计算机技术、通讯技术、控制技术以及电力电子技术的飞速发展及其在电力系统中的应用，有关电力系统的平安稳定性分析方面出现了许多亟待探索的新问题。通过分析电力系统平安稳定性方面存在的新问题，提出提高电力系统运行的平安稳定性的相关策略。
1电力系统平安稳定性成因剖析
1.1评价控制成因
由于电力系统的扰动类型极其复杂多样，无法完全猜测，调度人员需要更多的专家、更有价值的信息来猜测及采取必要的控制办法来保证电力系统的平安稳定运行。这就对平安稳定评估算法的实时性、准确性及智能性提出了挑战。
1.2数据利用成因
电力系统的数据包括数字仿真数据及系统中各种装置所采集的实测数据，例如管理信息系统、地理信息系统以及各种仿真软件仿真生成的数据。然而工程技术人员通过这些数据所获取的信息量仅仅是全体数据所包含信息量的极少一部分，隐藏在这些数据之后的极有价值的信息是电力系统各种失稳模式、发展规律及内在的联系，对电网调度人员来说，这些信息具有极其重要的参考价值。
1.3定量显示成因
随着电力市场的形成和发展，系统将运行在其临界状态四周，此时平安裕度变小，调度人员也面临着越来越严重的挑战。为此，我们要深入了解在新的市场环境下电力系统全局平安稳定性的本质，找出电力系统各种失稳模式、内在本质及对其发展趋向的猜测，同时，我们还需要使用浅显易懂的信息来定量估计系统动态平安水平，估计各种参变量的稳定极限，同时使用更多的高维可视化技术，对电力系统平安稳定的演化过程进行可视化和动态分析、模拟。为调度人员创造一个动态的、可视化的、交互的环境来处理、分析电力系统的平安稳定新问题。
2提高电力系统运行的平安稳定性的对策论
为解决上述新问题，工程技术人员需要把握系统可能运行空间所蕴含的规律，并使用不断积累的实测数据直接对系统的平安稳定性进行分析，在这种情况下，单凭人力已无法完成这种数据分析任务，为此，探究新的智能数据分析方法，更多地用计算机代替人去完成繁琐的计算及推导工作，对提高系统运行的平安稳定性具有重要的意义。
2.1 运用基于风险的暂态稳定评估方法增强对电力系统平安稳定性的评价及控制
基于风险的暂态稳定评估方法首先对评估系统的暂态平安风险逐个元件进行分析，然后综合给出相应的风险值。这种评估方法不仅可以分析稳定概率性，也可以定量地分析失稳事件的严重性，即事故对系统所造成的后果。它能有效地把稳定性和经济性很好地联系在一起，给出系统暂态稳定风险的指标，并在一定程度上提高输电线路的传输极限，这将有利于增加社会效益。
2.2运用数据仓库技术有效利用电力系统中的大量数据
数据仓库是一种面向主题的、集成的、不可更新的、随时间不断变化的数据集合。它就像信息工厂的心脏，为数据集市提供输入数据，数据挖掘等探索。
数据仓库具有如下四个重要的特征：
（1）面向主题。主题是在一个较高层次上将数据进行综合、归类并进行分析利用的抽象。面向主题的数据组织方式，就是在较高层次上对分析对象的数据的完整、一致的描述，能统一地刻画各个分析对象所涉及的各项数据，以及数据之间的关系。
（2）集成。由于各种原因，数据仓库的每个主题所对应的数据源在原有的分散数据库中通常会有许多重复和不一致的地方，而且不同联机系统的数据都和不同的应用逻辑绑定，所以数据在进入数据仓库之前必须统一和综合，这一步是数据仓库建设中最关键、最复杂的一步。
（3）不可更新。和面向应用的事务数据库需要对数据作频繁的插入、更新操作不同，数据仓库中的数据所涉及的操作主要是查询和新数据的导入，一般不进行修改操作。
（4）随时间不断变化。数据仓库系统必须不断捕捉数据库中变化的数据，并在经过统一集成后装载到数据仓库中。同时，数据仓库中的数据也有存储期限，会随时间变化不断删去旧的数据，只是其数据时限远比操作型环境的要长，操作型系统的时间期限一般是60－90天，而数据仓库中数据的时间期限通常是5-10年。
2.3运用数据挖掘技术挖掘电力系统中潜在的有用信息
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
数据挖掘的功能和目标是从数据库中发现隐含的、有意义的知识，它主要具备以下四大功能：
（1）关联分析。数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。
（2）聚类。数据库中的记录可被化分为一系列有意义的子集，即聚类。聚类增强了人们对客观现实的熟悉，是概念描述和偏差分析的先决条件。聚类技术的要点是，在划分对象时不仅考虑对象之间的距离，还要求划分出的类具有某种内涵描述，从而避免了传统技术的某些片面性。
（3）自动猜测趋向和行为。数据挖掘技术能够自动在大型数据库中寻找猜测性信息，以往需要进行大量手工分析的新问题如今可以迅速直接地由数据本身得出结论。
（4）偏差检测。数据库中的数据常有一些异常记录，从数据库中检测这些偏差意义重大。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果和模型猜测值的偏差等。
1电力系统平安稳定性成因剖析
1.1评价控制成因
由于电力系统的扰动类型极其复杂多样，无法完全猜测，调度人员需要更多的专家、更有价值的信息来猜测及采取必要的控制办法来保证电力系统的平安稳定运行。这就对平安稳定评估算法的实时性、准确性及智能性提出了挑战。
1.2数据利用成因
电力系统的数据包括数字仿真数据及系统中各种装置所采集的实测数据，例如管理信息系统、地理信息系统以及各种仿真软件仿真生成的数据。然而工程技术人员通过这些数据所获取的信息量仅仅是全体数据所包含信息量的极少一部分，隐藏在这些数据之后的极有价值的信息是电力系统各种失稳模式、发展规律及内在的联系，对电网调度人员来说，这些信息具有极其重要的参考价值。
1.3定量显示成因
随着电力市场的形成和发展，系统将运行在其临界状态四周，此时平安裕度变小，调度人员也面临着越来越严重的挑战。为此，我们要深入了解在新的市场环境下电力系统全局平安稳定性的本质，找出电力系统各种失稳模式、内在本质及对其发展趋向的猜测，同时，我们还需要使用浅显易懂的信息来定量估计系统动态平安水平，估计各种参变量的稳定极限，同时使用更多的高维可视化技术，对电力系统平安稳定的演化过程进行可视化和动态分析、模拟。为调度人员创造一个动态的、可视化的、交互的环境来处理、分析电力系统的平安稳定新问题。
2提高电力系统运行的平安稳定性的对策论
为解决上述新问题，工程技术人员需要把握系统可能运行空间所蕴含的规律，并使用不断积累的实测数据直接对系统的平安稳定性进行分析，在这种情况下，单凭人力已无法完成这种数据分析任务，为此，探究新的智能数据分析方法，更多地用计算机代替人去完成繁琐的计算及推导工作，对提高系统运行的平安稳定性具有重要的意义。
2.1 运用基于风险的暂态稳定评估方法增强对电力系统平安稳定性的评价及控制
基于风险的暂态稳定评估方法首先对评估系统的暂态平安风险逐个元件进行分析，然后综合给出相应的风险值。这种评估方法不仅可以分析稳定概率性，也可以定量地分析失稳事件的严重性，即事故对系统所造成的后果。它能有效地把稳定性和经济性很好地联系在一起，给出系统暂态稳定风险的指标，并在一定程度上提高输电线路的传输极限，这将有利于增加社会效益。
2.2运用数据仓库技术有效利用电力系统中的大量数据
数据仓库是一种面向主题的、集成的、不可更新的、随时间不断变化的数据集合。它就像信息工厂的心脏，为数据集市提供输入数据，数据挖掘等探索。
数据仓库具有如下四个重要的特征：
（1）面向主题。主题是在一个较高层次上将数据进行综合、归类并进行分析利用的抽象。面向主题的数据组织方式，就是在较高层次上对分析对象的数据的完整、一致的描述，能统一地刻画各个分析对象所涉及的各项数据，以及数据之间的关系。
（2）集成。由于各种原因，数据仓库的每个主题所对应的数据源在原有的分散数据库中通常会有许多重复和不一致的地方，而且不同联机系统的数据都和不同的应用逻辑绑定，所以数据在进入数据仓库之前必须统一和综合，这一步是数据仓库建设中最关键、最复杂的一步。
（3）不可更新。和面向应用的事务数据库需要对数据作频繁的插入、更新操作不同，数据仓库中的数据所涉及的操作主要是查询和新数据的导入，一般不进行修改操作。
（4）随时间不断变化。数据仓库系统必须不断捕捉数据库中变化的数据，并在经过统一集成后装载到数据仓库中。同时，数据仓库中的数据也有存储期限，会随时间变化不断删去旧的数据，只是其数据时限远比操作型环境的要长，操作型系统的时间期限一般是60－90天，而数据仓库中数据的时间期限通常是5-10年。
2.3运用数据挖掘技术挖掘电力系统中潜在的有用信息
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
数据挖掘的功能和目标是从数据库中发现隐含的、有意义的知识，它主要具备以下四大功能：
（1）关联分析。数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。
（2）聚类。数据库中的记录可被化分为一系列有意义的子集，即聚类。聚类增强了人们对客观现实的熟悉，是概念描述和偏差分析的先决条件。聚类技术的要点是，在划分对象时不仅考虑对象之间的距离，还要求划分出的类具有某种内涵描述，从而避免了传统技术的某些片面性。
（3）自动猜测趋向和行为。数据挖掘技术能够自动在大型数据库中寻找猜测性信息，以往需要进行大量手工分析的新问题如今可以迅速直接地由数据本身得出结论。
（4）偏差检测。数据库中的数据常有一些异常记录，从数据库中检测这些偏差意义重大。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果和模型猜测值的偏差等。