基于人工神经网络的水电站暂态稳定性评估与增强研究

为解决埃塞俄比亚Tana Beles水电站因三相接地故障、负荷突变和线路停运引发的暂态失稳问题，研究人员开展基于人工神经网络（ANN）的暂态稳定性评估（TSA）及ANN控制的跨线功率流控制器（IPFC）增强（TSE）研究。结果表明，ANN控制的IPFC较无控系统和PI控制IPFC显著降低调节时间和超调量，提升系统可靠性，对保障电网安全运行具有重要意义。

　　

在电力系统领域，暂态稳定性是确保可靠供电的核心挑战。当电网遭遇突发故障、负荷剧烈波动或输电线路意外中断时，发电机转子可能失去同步，引发大规模停电甚至系统崩溃。埃塞俄比亚作为以水电为主导能源的国家，其基荷电站Tana Beles水电站（TBHPP）在2019年至2023年间就因三相短路、负荷突变和线路故障经历了8次全境停电，累计停电时间超过19小时，严重影响了社会经济运行。更严峻的是，该电站现有系统中缺乏灵活的输电控制设备（如FACTS装置），无法对功率流动进行有效补偿和调节。这一背景凸显了对TBHPP进行精确暂态稳定性分析和增强的迫切需求。

传统暂态稳定评估方法如泰勒级数法虽能计算临界切除角，但高阶方程复杂、计算成本高；而基于随机森林等机器学习方法虽准确率高，但在处理大规模数据时计算效率低下。在稳定增强方面，采用统一功率流控制器（UPFC）虽有效，但在多线路系统中性能下降，而采用制动电阻则成本高昂且难以实施。为此，研究人员尝试将人工智能与电力电子控制相结合，探索更高效、可靠的解决方案。

在此背景下，Yosef Birara Wubet等研究人员在《Scientific African》上发表了一项研究，他们利用人工神经网络（ANN）对TBHPP进行暂态稳定性评估（TSA），并设计了ANN控制的跨线功率流控制器（IPFC）以增强暂态稳定性（TSE）。该研究通过构建包含输入层、12神经元隐藏层和输出层的ANN网络，使用线性、Softmax和Sigmoid激活函数处理从转子角、转速、有功功率等参数中提取的960个输入特征，实现对稳定性状态和稳定性指数（TSI）的高精度预测。同时，通过MATLAB/Simulink仿真和脚本开发，对比了无控制系统、PI控制IPFC和ANN控制IPFC在三种扰动（三相接地故障、负荷突变、线路停运）下的性能。

研究主要采用了几项关键技术方法：一是基于小波分解（Db4）和六种统计量（均值、方差、峰度等）的特征提取方法，处理非均匀振荡数据；二是使用K近邻（KNN）算法进行稳定性状态分类，以及三层神经网络进行TSI回归预测；三是建立了IPFC的数学模型和控制系统，包括主从转换器的动态方程和基于ANN的电压、电流调节器；四是通过粒子群优化（PSO）算法整定PI参数，并最终用ANN控制器替代；五是基于MATLAB/Simulink搭建了TBHPP的现有系统模型和IPFC增强系统模型，并在不同故障场景下进行测试。

模型构建与特征处理

研究人员首先在MATLAB/Simulink中构建了TBHPP的现有系统模型，包括四台机组、升压变压器及双回输电线路。从发电机参数中提取转子角、转速、有功功率、无功功率和电磁转矩，通过小波分解和统计处理生成960个输入特征，目标特征为稳定性状态（稳定/不稳定）和稳定性指数（TSI）。TSI计算公式为：

TSI = (360° - |Δδ|_max) / (360° + |Δδ|_max)

其中|Δδ|_max为任意两发电机间角度分离的最大绝对值。TSI介于-1到1之间，正值表示稳定，负值表示不稳定，越接近1稳定性越高。

ANN训练与性能评估

ANN使用80%的9828样本数据集进行训练，20%用于测试。对于稳定性分类，KNN算法准确率达99.9%（训练）和99.8%（测试），误分类率仅0.025%和0.15%。对于TSI回归，均方误差（MSE）低至3.46×10^-5（训练）和0.00035（测试），确定系数（R2）接近1，表明模型预测精度极高。

IPFC控制设计与比较

IPFC由主从两个电压源转换器（VSC）组成，主VSC通过调节串联注入电压控制有功和无功功率，从VSC管理直流链路电压和无功注入。研究人员对比了无控制器、PI控制IPFC和ANN控制IPFC在三相接地故障、+45%负荷突变、线路停运和单相接地故障下的性能。结果表明，ANN控制IPFC在所有场景中均最优。例如，在三相接地故障下，较无控系统，转子角、转速、有功功率和电磁转矩的调节时间降低65.251%、65.190%、59.542%和61.377%，超调量降低17.264%、41.667%、50.090%和85.099%；较PI控制IPFC，调节时间降低59.358%、57.729%、51.382%和54.771%，超调量降低7.914%、64.646%、42.798%和36.885%。

故障持续时间的影响

研究还测试了故障持续时间对稳定性的影响。当故障持续0.3秒时，无控系统失稳，PI和ANN控制IPFC可恢复稳定，但ANN控制调节时间和超调量更低（转子角调节时间减少35.225%）。当故障持续0.37秒时，无控和PI控制系统均失稳，仅ANN控制IPFC能维持稳定，突显其优越性。

研究结论强调，ANN在暂态稳定性评估中表现出高精度和高效性，而ANN控制的IPFC能显著提升系统抗扰动能力，降低调节时间和超调量，且优于传统PI控制。这一成果为TBHPP提供了可靠的稳定性增强方案，对保障埃塞俄比亚电网安全、避免大规模停电具有重要实践意义。未来工作可扩展至多区域网络稳定性同步，并探索深度学习模型（如CNN、LSTM）的应用潜力。