风电外送通道极限传输能力的自适应向量机估计
四川大学电气信息学院、东北电力大学电气工程学院的研究人员邱高、刘俊勇等，在2018年第14期《电工技术学报》上撰文指出，风电随机性和间歇性导致基于典型方式计算的通道极限输电能力（TTC）有效性降低。提出一种TTC的自适应向量机估计方法，通过风电与负荷场景聚类形成代表性场景，采用重复潮流-二分法计算各场景下含暂稳约束的断面TTC值，经过最大信息系数与基于非参互信息的无监督特征筛选后，利用基于网格搜索-遗传算法寻优的自适应支持向量机对TTC进行回归估计。
算例验证表明，该方法具备较强的数据拟合能力和非线性泛化能力，在线计算结果精确，能够实现TTC快速在线估计。
关键输电断面安全状态监测是电力系统运行与调度的重要工作。可用传输容量（Available Transfer Capability, ATC）是评估输电网传输能力的一种度量标准，其值取决于极限输电能力（Total Transfer Capability, TTC），被广泛应用于输电断面安全状态评估，是判断系统安全状态的重要依据[1]。TTC值受到多方面因素影响，如电压、容量等电网约束和静态、暂态稳定等，随着系统运行方式变化而变化。
目前风能渗透率快速增长，其利用率升高，对关键输电断面TTC带来极大冲击，其强烈的不确定性导致TTC值波动加强[2]，如何实时在线监测风电外送通道TTC成为主要难题。传统TTC计算基于典型方式，难以满足实时监测要求，可能导致重要输电断面安全性判断存在风险。文献[3]使用基于直流潮流的TTC计算方法，减小计算负担，但是模型中仅考虑了通过计算断面的有功功率，不适于实际系统分析。
文献[4]尝试使用分布式等效REI模型计算各地区TTC，计算时间相较于传统集成计算有所减少，但并不明显，而且计算结果不够精确。传统计算方法计算负担沉重，结果精度较低，难以适应风电造成的TTC快速变化，不能用于实时监控。
考虑到电力系统数据量愈发庞大，数据挖掘技术提取的规则在线应用能力强大，数据挖掘技术成为解决上述问题的有力手段。通过历史数据离线提取能够反映TTC时变属性和各作用因素的规则模型，在线应用模型即可实现TTC实时估计，该方法的实时计算能力、泛化能力均优于传统方法。
文献[5]利用最小二乘拟合模拟历史数据，生成TTC精细规则。文献[6]使用状态枚举法建立不同故障的状态列表，聚类生成风电出力-负荷场景，利用OPF结合聚类场景概率及状态列表计算TTC期望值作为最终结果，不足的是计算过程中系统运行参数繁复，计算速度与实时监控要求有差距。
文献[7]利用数据挖掘技术，对样本空间进行线性回归分析，实现输电断面TTC规则提取，但是线性化的假设一般适用于短时间内细微变化的电网运行状态，在风电接入的情况下，未考虑系统非线性会造成模型精度偏低。
本文在文献[5,7]的基础上提出一种基于自适应支持向量机的TTC估计方法。利用某地区实际年风速、负荷数据，通过风电出力-负荷水平二维特征聚类生成不同场景类，模拟系统不同的运行状态，单一场景类下各样本具有相似性。选择某一场景类中心波动生成该场景内的样本集。
特征降维利用最大信息系数和基于非参数互信息的无监督特征选择方法：最大信息系数相较于皮尔逊、斯皮尔曼等相关性分析方法具有能够准确计算特征间非线性的优势；基于非参数互信息的无监督特征选择方法则能反映出特征属性对目标属性的信息贡献程度。
利用基于网格搜索-遗传算法寻优的支持向量机实现TTC规则提取，该方法具有自适应调参能力，对强烈波动样本可准确建模，能够有效避免过拟合。通过风电接入下的四机双区域系统和39节点系统验证了本文方法的有效性。
图3 四机双区域测试系统
1）算例表明本文方法能够适应单一断面和多断面系统的普通、控制样本的TTC规则提取。
2）本文采用的自适应支持向量机相较于其他机器学习方法具有更精确、拟合精度高的优点，而且针对电力系统多场景该方法可以自适应搜寻最优模型，实现不同场景模型优化；对于不属于任何场景的样本，该方法可以直接新建离线计算自适应生成新的最优模型。
3）本文的基础样本组织结构中的特征历史数据均可由WAMS/SCADA直接获取，可以直接建立TTC模型库。在线计算时首先判断当前运行状态所属场景类，直接调用相应模型，即可实现TTC在线估计，避免繁杂的传统物理计算。
4）考虑特征提取可控变量，研究基于机器学习的控制策略，实现TTC断面潮流的经济优化，是下一步的研究重点。