实时应急筛查在以转换器为主导的电力系统中：一种基于Graphical-DeepONet的方法

《IEEE Transactions on Industrial Informatics》：Real-Time Contingency Screening for Converter-Dominated Power Systems: A Graphical-DeepONet Approach

针对传统时间域仿真方法在可再生能源渗透下计算效率低的问题，提出基于图神经网络与DeepONet的混合模型，实现同步发电机与变流器动态轨迹的高效预测与实时故障筛查，并通过IEEE系统验证有效性。

　　

摘要：

现有的应急筛查（CS）方法主要关注同步发电机（SGs）的瞬态动态，但忽略了电力电子转换器的瞬态行为，这使得全面评估SGs和转换器的瞬态稳定性变得困难。此外，从传统以同步发电机为主的电力系统向以转换器为主的电力系统的转变导致了更高阶系统模型的出现，对实时应急筛查（CS）的计算要求也更高。为了解决上述问题，开发了一种名为Graphical-DeepONet的模型，用于预测SGs和转换器的瞬态动态轨迹。与需要迭代计算微分-代数方程的传统时域仿真（TDS）或基于深度学习（DL）的方法不同，该模型不依赖于TDS，而是学习如何将故障前的测量数据映射到瞬态动态轨迹上，从而显著提高了计算效率。为了学习与N?种应急情况相关的时空特征（这些应急情况会导致系统拓扑结构的多样性），设计了一种基于图神经网络的分支网络来提升学习能力。在IEEE 39节点系统和IEEE 118节点系统上进行了对比实验，以验证该方法的有效性和效率。

引言

应急筛查（CS）是一种安全评估方法，用于识别威胁电网稳定性的关键故障，对保障电力系统的安全起着至关重要的作用。通过进行应急分析，可以识别出可能导致瞬态不稳定的关键故障集[1]。然而，传统的基于模型的方法（如时域仿真（TDS）计算量非常大。此外，随着可再生能源（RESs）的日益普及，问题变得更加复杂：1）从传统的以同步发电机为主的电力系统向以转换器为主的电力系统的转变导致了更高阶系统模型的出现，给功率流计算带来了更大的计算挑战[2]；2）由于可再生能源的不确定性，功率流计算量显著增加。以一个包含风力发电厂的电力系统为例，每个风力发电厂都存在不确定性情景，因此需要进行多次功率流计算以进行应急筛查[3]。因此，传统的TDS方法（需要迭代计算微分-代数方程（DAEs）[4]）对于实时应急筛查来说计算强度过高。实时应急筛查可以在新的运行条件出现时立即进行，相比定期进行的离线筛查，具有更高的紧迫性和即时性。