基于特征匹配的暫態(tài)穩(wěn)定緊急控制策略快速生成

孫仲卿，劉福鎖，李 威，薛 峰

（國網電力科學研究院有限公司，江蘇省 南京市 211106）

0 引言

緊急控制是保持故障下電網安全穩(wěn)定運行的重要措施［1］。傳統(tǒng)緊急控制通常采用“離線計算、實時匹配”的控制模式，根據電網典型方式，采取保守原則，事先制定好緊急控制策略［2-3］，檢測到故障后，根據潮流特征，查詢離線制定的策略表，執(zhí)行緊急控制措施。但是一旦出現方式失配，將是電網安全穩(wěn)定運行的潛在隱患［4-5］。

“在線計算、實時匹配”的緊急控制模式又稱在線閉環(huán)緊急控制，通過實時運行方式，在線計算緊急控制策略，下發(fā)裝置執(zhí)行［6］，在降低工況失配的風險的同時實現最優(yōu)控制，降低運行成本［7-8］，是大電網緊急控制技術和裝備的發(fā)展方向。現有技術已實現了5 min 內完成一次緊急控制策略在線計算和下發(fā)。但隨著新能源以及電力市場的快速發(fā)展，分鐘級時間尺度上新能源機組出力變化可達到裝機容量的1%左右，疊加故障開斷等引起的網架結構變化，帶來了運行方式的短時突變導致上個時間斷面的方式的控制策略可能無法適用的新問題。

受限于電力系統(tǒng)暫態(tài)安全時域仿真的耗時，學者從機器學習和方式匹配兩個方向研究提高策略計算方法的快速性。前者主要建立一些系統(tǒng)關鍵參量（如發(fā)電機功角、有功功率等）與暫態(tài)穩(wěn)定裕度的映射關系［9］，采用機器學習技術進行暫態(tài)穩(wěn)定性評估，制定緊急控制策略。相關技術包括網格搜索及粒子群算法［10］、決策樹［11］、輕梯度提升機［12］、支持向量機［13-14］等。但機器學習方法缺乏穩(wěn)定機理上的保障，在強非線性、強時變性電力系統(tǒng)中的泛化能力極其有限［15］，“黑盒子”運行模式的不可解釋性造成了無法對其進行糾錯，無法保證其在實際應用的絕對可靠［16］。基于方式匹配的方法根據電網運行方式的關鍵特征量，對當前方式與歷史方式（包括預設的方式）進行特征匹配，選擇最接近的歷史方式下的控制策略，作為當前方式的緊急控制策略。但現有技術僅通過方式平衡點（潮流解）的電氣量特征進行匹配，無法考慮故障下暫態(tài)演化過程中非同調等因素的影響，限制了該方法應用的可行性。不考慮可以表征暫態(tài)穩(wěn)定性的軌跡信息，僅通過電網潮流特征量進行匹配的方法，難以適應對電網緊急控制的需求。

擴展等面積準則（extended equal-area criterion，EEAC）基于時域軌跡實現了暫態(tài)穩(wěn)定性的量化分析。靜態(tài)EEAC（static EEAC，SEEAC）［17］、動態(tài)EEAC（dynamic EEAC，DEEAC）［18］以及集成EEAC（integrating EEAC，IEEAC）［19］為計及3 種不同程度時變因素的量化分析方法。文獻［20］利用SEEAC 和DEEAC 量化分析結果，定義了運行方式的時變度指標來表征時變因素對暫態(tài)穩(wěn)定性的影響，為從暫態(tài)穩(wěn)定性軌跡信息的角度來進行方式匹配奠定了基礎。電力系統(tǒng)安全穩(wěn)定分析軟件FASTEST 具有暫態(tài)安全定量分析功能，以EEAC為核心算法，為量化暫態(tài)安全穩(wěn)定分析提供了有力的支撐［21］。

本文針對暫態(tài)穩(wěn)定緊急控制策略快速生成需求，基于量化技術確定電網潮流特征的關鍵特征量，利用時變度指標反映暫態(tài)軌跡時變性的影響，進而提出綜合潮流關鍵特征和軌跡時變度指標的緊急控制策略快速生成方法，為方式突變后的緊急控制策略的在線快速生成及預決策提供技術支撐。

1 基于量化理論的匹配關鍵特征量選取

1.1 暫態(tài)穩(wěn)定性與EEAC 理論概述

電力系統(tǒng)暫態(tài)穩(wěn)定性指的是電力系統(tǒng)受到擾動后各發(fā)電機之間保持同步運行的能力，描述了電力系統(tǒng)在一定的初值條件下，各發(fā)電機轉子角相對位置對指定擾動的時間響應的有界性。

EEAC 理論通過互補群慣量中心-相對運動變換，將多機受擾軌跡逐個時間斷面映射到一系列聚合單機平面上，形成各單機映象系統(tǒng)的功率-轉子角(P-δ)曲線，然后用適當的面積嚴格量化各映象系統(tǒng)的穩(wěn)定裕度，證明了多機系統(tǒng)失穩(wěn)的充要條件是至少有一對互補群的群間相對動能超過了相應勢能壁壘，即對應的單機映象達到其P-δ平面上的動態(tài)鞍點（dynamic saddle point，DSP）。

1.2 描述靜態(tài)潮流特征的關鍵電氣量選取

電力系統(tǒng)本質上是一個非線性非自治系統(tǒng)，某一參數的微小變化可導致電網暫態(tài)穩(wěn)定性發(fā)生本質變化，甚至會出現主導失穩(wěn)模式的改變［22］。也就是說，表征系統(tǒng)暫態(tài)穩(wěn)定性的關鍵特征量存在時變性。在沒有量化分析手段時，難以保證電網關鍵特征量的精準選取。

電力系統(tǒng)特定故障下的暫態(tài)穩(wěn)定性由狀態(tài)量決定。本文利用EEAC 的量化分析能力，針對每個預想故障，量化分析各狀態(tài)量在暫態(tài)穩(wěn)定中的參與程度，選擇關鍵的電氣量作為特征量。

1）同步發(fā)電機

EEAC 方法根據互補群內各機組的能量分布，給出了暫態(tài)功角穩(wěn)定性的機組參與因子，明確了各機組對某一功角穩(wěn)定模式的影響程度，如式（1）所示。

式中：λn為發(fā)電機n的暫態(tài)功角穩(wěn)定參與因子；EDSP，n為發(fā)電機n在DSP 的加速動能；EDSP，max為DSP 所有機組的最大加速動能。

2）非同步電源及負荷

非同步電源及負荷自身不參與同步機群的搖擺，主要通過故障后的功率波動影響同步機群間的功角差和系統(tǒng)的暫態(tài)穩(wěn)定性。主要影響因素是非同步電源及負荷與同步機群的電氣距離，距離領前群越近，其出力將越惡化電網安全穩(wěn)定性。反之，其出力將越有利于電網安全穩(wěn)定性。因此，可根據振蕩中心對非同步電源及負荷進行分群，利用非同步電源及負荷與群內同步機組的電氣距離計算其暫態(tài)穩(wěn)定參與因子，如式（2）所示。

式中：λk為非同步電源或負荷k的暫態(tài)穩(wěn)定參與因子；L為非同步機組或負荷所在群（領前群或余下群）中的同步機組數量；xi，n為非同步機組i并網點母線或負荷注入節(jié)點i與常規(guī)機組n母線之間的等值電抗。

1.3 采用時變度指標反應電網軌跡特征

對于理想哈密頓映象系統(tǒng)，故障下的軌跡不依賴于數值積分，等值單機映象的軌跡僅與系統(tǒng)拓撲和潮流初值有關，電磁功率均僅為功角的單值函數［21］。考慮時變因素，等值單機映象的軌跡Pe(δ)的表達式如式（3）所示。電磁功率和功角為非單值函數，與時間t相關，只能通過逐步積分求取，無法直接推導暫態(tài)過程。

式中：E為等值單機的內電勢；Y11∠θ11為等值單機的自導納；Y12∠θ12為等值單機與無窮大系統(tǒng)的互導納；V為無窮大母線電壓。

由于軌跡與參數t密切相關，即使關鍵特征參數選取已不是問題，僅基于潮流參數特征進行方式匹配，理論上也存在較大誤差的風險。本質原因在于傳統(tǒng)從平衡點電氣量特征來刻畫運行潮流特征的方法，難以反映故障下暫態(tài)過程中非線性非同調等因素的影響。

SEEAC、DEEAC 以及IEEAC 是EEAC 算法發(fā)展中的3 個階段，也是EEAC 算法框架中相輔相成的3 個步驟［23］。SEEAC 將電網假設為經典模型多機系統(tǒng)，忽略了整個動態(tài)過程中的非兩群因素，此時可以將系統(tǒng)退化為經典的單機無窮大（OMIB）系統(tǒng)，完全忽略映象的時變因素。DEEAC 在暫態(tài)過程中松弛SEEAC 中忽略的非兩群因素，采用逐段修正的方法，將電網在故障中及故障清除后的多時段劃分為多個經典OMIB 系統(tǒng)。因此，DEEAC 可以部分反映出時變因素。IEEAC 嚴格考慮了電網多機空間中的所有動態(tài)方程，并在每個步長進行完整積分，逐個時刻地映射到單機相平面上，形成時變的OMIB 系統(tǒng)。SEEAC 和DEEAC 的計算均可以在百毫秒級時間完成，IEEAC 的仿真時長約增加2個數量級。

SEEAC 的解析解相當于無窮大積分步長的仿真結果，理論分析及大量仿真都證實，在且僅在經典模型的理想兩群動態(tài)下，3 種EEAC 算法的穩(wěn)定裕度分析結果相同，當電網時變度越強時，SEEAC 和DEEAC 準確性越低，采用單次或多次泰勒展開的SEEAC 及DEEAC 計算得出的穩(wěn)定裕度在精確性上將存在差異［22］。因此，不同積分步長下計算的穩(wěn)定裕度之差在一定程度上反映了電網的時變程度，可以通過兩種算法穩(wěn)定裕度的差別來反映時變度。時變度指標σ(τ)的計算方法如式（4）所示［20］。

式中：ηSE為利用SEEAC 計算得出的裕度結果；ηDE為利用DEEAC 計算得出的裕度結果；τ為故障清除時間。

2 綜合潮流特征和時變度的運行方式匹配

結合上文提出的時變度指標和利用SEEAC 計算的量化穩(wěn)定裕度可以在百毫秒內對兩個方式之間的軌跡特征相似性進行比較。在軌跡特征相近的基礎上，若潮流特征也較為接近，則在該預想故障下的安控措施量可能相同。因此，在進行匹配時，需優(yōu)先采用聚類的方法確定待匹配方式與歷史方式較為接近的時變度指標范圍，在該范圍中進一步匹配相接近的潮流特征，從而得出最優(yōu)匹配結果。

2.1 基于軌跡特征的匹配

K-means 算法是一種無監(jiān)督學習，同時也是基于劃分的聚類算法，根據設定的聚類中心及聚類數目，采用歐氏距離衡量聚類對象及聚類中心的相似度，將相似度高的電網方式進行聚類。歐氏距離d(x，Cl)的計算方法如下：

式中：x為電網運行方式中某聚類指標對象；Cl為第l個聚類中心；m為數據對象的維度；xj和Clj分別為x和Cl的第j個電網匹配的特征值及其對應的聚類中心。

算法需要確定聚類對象并且預先指定初始聚類數目K。歐氏距離表示在m維空間兩個點之間的真實距離，以其作為相似度指標的聚類對象，需要盡可能保證聚類對象線性化程度。

2.1.1 聚合空間維度選擇

時變度指標根據不同EEAC 分析方法的安全穩(wěn)定裕度計算得出，由于DEEAC 反映了部分受擾軌跡，可以在受擾軌跡中提取暫態(tài)穩(wěn)定裕度、動能增加面積、動能減少面積等穩(wěn)定性信息，并且電網定性的穩(wěn)定性描述和定量的穩(wěn)定裕度描述均為暫態(tài)過程中機組加速面積與減速面積的差異。因此，采用暫態(tài)穩(wěn)定裕度可以較為線性化地描述電網穩(wěn)定性，從而更加適用于采用歐氏距離聚類的方法。

但僅采用時變度指標進行一維K-means 聚類時，由于時變度指標定義中為標幺化的SEEAC 穩(wěn)定裕度與DEEAC 穩(wěn)定裕度之差，無法反映穩(wěn)定裕度的絕對大小，易將穩(wěn)定裕度絕對大小相差較大的方式作為匹配結果，從而導致策略失配。因此，本文引入SEEAC 的穩(wěn)定裕度值作為描述穩(wěn)定裕度絕對大小的參量，對歷史數據進行二維聚類。

2.1.2 融合手肘法和匹配成功率的聚類數K確定方法

采用K-means 算法進行聚類時，必須設定K個聚類數目。如果K值選取過大，會導致在聚合區(qū)域內沒有與當前電網方式較為接近的歷史方式，從而無法進行精確匹配；如果K值選取過小，會導致聚合區(qū)域內數量過多，可能會匹配到時變度指標相差較大的方式，從而導致策略失配的風險上升。因此，具體K值的明確需要根據不同穩(wěn)控布防區(qū)域進行離線調整，以保證在線電網方式策略匹配的適用性。

首先，采用手肘法明確聚類數K的初值，計算每一個聚類數目下的點跟對應的聚類中心的誤差平方和（sum of squared errors，SSE）。

式中：Esse為SSE 值；p為Cl中的樣本點；ml為Cl的質心，即Cl中所有樣本的均值。

隨著聚類數K值的增大，所有的樣本將被更加精細地劃分，每個簇的聚合程度會逐漸提高，SSE將會減小。當K到達真實聚類數時，再增加K所得到的聚合程度回報會迅速變小，所以SSE 的下降幅度會驟減并趨于平緩。SSE 和K值的關系圖呈現手肘的形狀，K的初值將選取手肘位置。

手肘法確定了數學維度上的K值優(yōu)解，但仍需引入電力系統(tǒng)中的相關指標，對K值進行修正。采用對歷史數據中所有方式進行N折交叉驗證的方法，將所有歷史數據進行N等分，并依次作為匹配目標相互驗證。以策略匹配成功率為目標值修改K值，直至第1 次匹配成功率達到最高值。

在完成K-means 聚類后，將電網歷史方式劃分為K個方式群。當電網方式發(fā)生突變后，快速計算突變后方式的SEEAC 和時變度指標，從而確定其在K-means 聚類中的區(qū)域歸屬。此時，所屬區(qū)域中的所有歷史方式與當前電網方式具有接近的暫態(tài)穩(wěn)定特性。因此，該區(qū)域中的所有方式為電網潮流特征匹配的候選方式。

2.2 電網潮流特征匹配方法

根據上述各關鍵電氣量的參與因子，定義描述電網的特征向量如式（7）和式（8）所示。

式中：Af和B分別為歷史方式f和當前電網方式的特征向量和bs分別為歷史方式f和當前電網方式中的第s個狀態(tài)量。

為降低各關鍵電氣量絕對大小對匹配結果的影響，以參與因子作為權重，統(tǒng)一所有狀態(tài)量的量綱，特征向量改寫為式（9）和式（10）。

式中：Cf和D分別為考慮權重后的歷史方式f和當前方式的特征向量；λf和λ分別為歷史方式f和當前方式中關鍵量的參與因子矩陣為歷史方式f中第s個關鍵量的參與因子；λs為當前方式中第s個關鍵量的參與因子。

因此，當前方式和歷史方式的匹配轉變?yōu)閮蓚€特征向量的匹配，特征向量越接近，則兩個方式的穩(wěn)定特性越接近，所需采取的安控措施量將類似。利用余弦相似度來比較兩個向量之間的關系，如式（11）所示。

特征向量的余弦值越接近于1，表示電網潮流特征向量之間的夾角θ越小，方式越接近。實際工程中，參與因子較小的狀態(tài)量影響較小，可以選取參與因子較大的狀態(tài)量形成狀態(tài)向量以進行方式匹配。方式匹配過程中，可能出現第1 次匹配結果無法滿足電網安全穩(wěn)定運行要求的情況。因此，將所有方式的余弦相似度進行排序，當匹配不成功時，進一步選取余弦相似度次大的方式作為匹配結果，直至結果滿足電網運行要求。

3 基于特征匹配的緊急控制策略快速生成

綜合潮流及軌跡特征的運行方式匹配，快速制定緊急策略的流程如圖1 所示。

圖1 電網方式匹配及校核驗證流程圖Fig.1 Flow chart of grid mode matching,verification and validation

具體步驟如下：

步驟1：構建歷史運行方式數據庫，針對每個場景（單一方式和單一故障為一個場景），按照式（3）計算時變度指標，并基于K-means 算法對歷史方式的軌跡特征進行二維聚類。再根據電網中是否存在網架結構、新能源功率突變等情況，判斷當前方式是否存在方式突變。若判斷為突變方式，則進入步驟2。否則，將不激活該流程，按照常規(guī)在線計算流程計算當前方式的控制策略，并將當前方式及其控制策略納入歷史數據庫中。

步驟2：利用單一方式和單一故障下SEEAC 計算的暫態(tài)穩(wěn)定裕度以及時變度指標，尋找當前方式在歷史數據庫中的分群，將該分群中的所有歷史方式作為待匹配方式，并進入步驟3。

步驟3：根據潮流特征匹配方法，計算當前方式及所有待匹配方式的余弦相似度指標，并將所有計算結果按照從大到小的順序排列，進入步驟4。

步驟4：將余弦相似度指標最大方式對應的控制策略代入突變后的電網方式進行校核驗證，若驗證通過，則下發(fā)安控裝置執(zhí)行該策略，若驗證不通過，則選擇余弦相似度指標排列順序中下一位的方式進行策略驗證。如此反復，直至校核通過為止。在策略下發(fā)裝置后，將當前方式及其對應的安控策略納入歷史數據庫。

4 匹配方法快速性及適應性分析

4.1 匹配方法的快速性分析

相較于傳統(tǒng)計劃性、慢速變化的在線策略搜索，電網方式突變情況下控制策略匹配方法的快速性尤為重要，需要保證在短時間內找到突變后電網穩(wěn)定控制策略的可行解，而傳統(tǒng)在線計算存在以最優(yōu)解為目標的穩(wěn)定評估、策略搜索的迭代過程，耗費的時間較長。以省級電網3 500 節(jié)點數的規(guī)模為例，單一故障的匹配驗證總耗時約7.5 s，各步驟的耗時如表1 所示；對比傳統(tǒng)在線計算方法，其單故障的暫態(tài)穩(wěn)定評估耗時約27 s，各步驟的耗時如表2所示。

表1 基于特征匹配的耗時Table 1 Time consumption based on feature matching

表2 傳統(tǒng)在線系統(tǒng)的耗時Table 2 Time consumption of traditional online system

在應對多預想故障時，本文提出的快速生成方法無須重新進行潮流計算，僅需多次進行其他步驟，而傳統(tǒng)在線計算須針對整個流程進行多次計算。以10個預想故障為例，本文所提方法耗時約56 s，傳統(tǒng)在線計算方法耗時約261 s。滿足電網實際運行需求。

4.2 匹配方法的適應性分析

4.2.1 匹配方法對電網規(guī)模的適應性分析

目前，國內規(guī)模最大的區(qū)域級緊急控制為各分區(qū)電網的系統(tǒng)保護，其控制資源涉及分區(qū)電網下各省級電網中大部分直流、抽水蓄能、儲能、可中斷負荷等。區(qū)域電網的規(guī)模大約為13 000 個節(jié)點，本文所提方法中僅關鍵電氣量的參與因子及校核驗證需要進行小步長的仿真計算，與電網規(guī)模相關，區(qū)域電網的單故障流程時間大約為15 s。最終控制策略的快速生成時間仍在分鐘級以內，可以適應大電網規(guī)模的需求。

4.2.2 匹配方法對電力電子化規(guī)模的適應性分析

本文所提方法基于詳細的電網物理模型分析，對電網安全穩(wěn)定特性及緊急控制策略進行匹配。在進行歷史數據庫建立以及最終校核驗證的仿真過程中，均考慮了新能源的高低穿及脫網等暫態(tài)過程的詳細模型，確保在匹配時對時變度的計算方法與歷史數據相同。同時，在本文方法中存在最終的校核驗證環(huán)節(jié)，該環(huán)節(jié)可以進一步避免最終策略不適用的情況。

當系統(tǒng)電力電子化程度不斷提高時，電網發(fā)生突變的可能性將不斷增加，電網安全穩(wěn)定問題將越發(fā)復雜。基于特征匹配的穩(wěn)定控制策略快速生成跳過了長耗時的仿真分析過程，在突變環(huán)境下可以尋找保證電網安全穩(wěn)定控制策略的可行解。

5 算例驗證

以某實際區(qū)域電網中區(qū)域電網送出安全穩(wěn)定系統(tǒng)為例，驗證本文方式的正確性。該地區(qū)電網的地理接線圖如圖2 所示。圖中：場站A 為小水電及新能源送出匯集站，當線路BC 發(fā)生三永N-2 故障時，電廠D 及小水電廠E 相對主網功角失穩(wěn)，根據故障時線路BC 的功率切除電廠D 機組、小水電機組及新能源機組，保證電網安全穩(wěn)定。

圖2 某區(qū)域電網地理接線圖Fig.2 Geographical wiring diagram of a regional power grid

正常運行時，在線系統(tǒng)每5 min 一個時間斷面，生成一套電網運行方式數據，進行在線策略搜索。算例假設某時間斷面生成數據時刻為0，1 min 后，由于強風天氣使得新能源基地出力增加150 MW，且出現H-I 一回線路斷線，若在此時仍使用0 時刻的方式數據進行策略搜索，則該策略無法保證突變后的電網安全穩(wěn)定運行。突變前后的電網方式數據如表3 所示，突變前后采用0 時刻策略故障后的功角曲線如圖3 所示，突變前后的等值單機系統(tǒng)Pδ曲線見附錄A 圖A1。

表3 突變前后的電網潮流數據Table 3 Power flow data before and after sudden change

圖3 突變前后采用0 時刻策略的水電機組功角曲線Fig.3 Power angle curves of hydropower units with zero-time strategy before and after sudden change

5.1 基于電網潮流特征的匹配驗證

基于相同的突變后方式，若直接采用電氣量匹配最接近的歷史方式，仍會出現最終策略無法適用的問題。與當前電網最接近的歷史數據如表4 所示，對應故障后的功角曲線如圖4 所示，其對應的等值單機系統(tǒng)及匹配方式的P-δ曲線見附錄A 圖A2。由于匹配方式中火電機組D 的2 臺發(fā)電機均不滿發(fā)，電網旋轉備用增加，使得電網失穩(wěn)模式發(fā)生變化。因此，僅根據電氣量匹配方式的控制策略無法適用，需要在匹配過程中添加表征暫態(tài)軌跡特征指標，從而提高匹配的精確度。

表4 根據電氣量匹配得到的數據Table 4 Data obtained based on electrical quantity matching quantity

圖4 故障后采用方式匹配策略的功角曲線Fig.4 Power angles curves with mode matching strategy after fault

5.2 電網方式聚類及關鍵特征量的參與因子計算

根據本文提出的匹配方法及流程，基于穩(wěn)定裕度和時變度指標，不同K值下的SSE 曲線如圖5 所示，對應的第1 次匹配成功率如表5 所示。

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

圖5 不同K 值下的SSE 曲線Fig.5 SSE curve with different K values

因此，可將所有歷史方式聚類為3 個群，具體聚類結果如圖6 所示。圖中：不同顏色的劃分代表著不同的群組，待匹配方式所處的群組為電網潮流特征匹配的待選方式。

圖6 電網歷史方式聚類Fig.6 Clustering of historical modes in power grid

計算突變后方式的SEEAC 裕度值及時變度指標，明確該方式屬于圖6 中的紅色群。因此，所有紅色群中的歷史方式將作為備選方式進行后續(xù)潮流特征匹配。對突變后方式中的同步電源、非同步電源、負荷的參與因子進行計算分析，參與因子超過0.1則判斷為關鍵電氣量，針對該故障，將水電廠群E、火電機組D、新能源基地B、火電機組F 作為關鍵電氣量，其余參量對電網安全穩(wěn)定特性影響較小。具體結果如表6 所示。

表6 不同特征量的參與因子Table 6 Participation factors of different characteristic quantities

5.3 綜合潮流特征和時變度的匹配驗證

結合參與因子計算結果進行余弦相似度匹配，突變后方式的邊界條件、時變度指標計算結果、與歷史數據庫匹配結果如表7 所示。采用匹配的控制策略后，當前方式和匹配結果的等值單機系統(tǒng)的P-δ曲線見附錄A 圖A3。

表7 算例匹配結果Table 7 Case matching results

相比表3 中匹配的結果而言，在歷史方式68 中，電網主力電廠火電機組D 的2 臺發(fā)電機均不滿發(fā)，運行時存在較多的旋轉備用，導致電網失穩(wěn)模式發(fā)生改變，暫態(tài)安全穩(wěn)定性提升，其所需控制量較小，無法滿足突變后方式的需求。而歷史方式38 中，火電機組D 為滿發(fā)狀態(tài)，時變度指標與突變后方式較為接近。因此，其控制策略可以滿足突變后電網對安全穩(wěn)定性的要求。歷史方式38 與68 的詳細數據對比見附錄B 表B1。

在線匹配后的控制量較離線控制量減小了約1 400 MW 的切機量，在保證電網安全性的同時，大大提升了運行的經濟性。

6 結語

針對由于強不確定性環(huán)境下電網方式突變，導致在線一個計算周期內來不及通過時域仿真計算緊急控制策略的新問題，本文探索了綜合應用潮流和軌跡特征實施方式匹配，在線快速生成緊急控制策略的方法。主要研究結論如下：

1）對于非線性的時變復雜大電網，僅采用潮流特征量進行歷史方式匹配存在失配風險，引入時變度指標描述電網暫態(tài)軌跡特征可提升方式匹配的精確性；

2）提出以電網時變度指標、SEEAC 穩(wěn)定裕度作為二維數據對象的K-means 聚類方法，解決了時變度指標匹配誤差的問題，明確了潮流特征匹配的范圍；

3）以余弦相似度計算電網方式的相似性，選取最接近的電網方式作為突變后電網的匹配結果，并使用匹配結果的控制策略進行校核驗證。通過實際電網的算例驗證，證明了該方法的有效性。

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。