《表2 不同工况下2种安全校正方法结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的含统一潮流控制器的电力系统快速安全校正》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

不同工况下2种安全校正方法结果对比如表2所示，由表2可知，支路L148在越限边缘（越限1%）时，可以通过模型方法正常进行安全校正有功和无功调整量计算；当越限程度增加时，由于MINLP模型无法计算系统内节点调整状态这一整数变量，因此无法进一步利用优化法确定相应有功和无功调整量。反观本文方法计算结果，离线训练的DNN识别模型可通过大量不同的越限数据判断此刻节点调整状态，确定寻优空间并完成在线计算阶段的节点调整量求取。部分支路如L64，由于传统含UPFC的安全校正策略始终无法在MINLP模型计算中求解整数变量，导致在1%，10%，20%等不同程度越限下均出现无解情况。然而，此类支路仍可由本文方法计算。可见，在DNN识别模型中对有解工况大量数据进行训练后，DNN可学习到许多相近工况的调整策略，此类运行状态相近的DNN可通过大量不同越限数据的学习判断某一无解工况下节点调整状态，确定寻优空间并完成在线计算阶段的节点调整量求取。以上对比结果证实了本文方法可用于解决MINLP模型的计算无解问题，弥补了传统基于物理模型的安全校正方法的不足，提升了系统快速安全校正的实用性，保障了系统安全稳定运行。