[发明专利]基于交叉熵集成学习的电力系统故障后最低频率预测方法

说明书

本发明公开了一种基于交叉熵集成学习的电力系统故障后最低频率预测方法，该方法包括以下步骤：(1)通过仿真设置不同类型的暂态故障；(2)根据数据样本进行算法离线训练；(3)通过多个基学习器的交叉熵计算得到集成学习模型进行在线故障后频率预测。本发明的集成学习算法具有较强扩展性，可以根据实际需求改变基学习器数量实现精度和计算资源的平衡；能够快速准确预测电力系统故障后最低频率，具有较好的稳定性，且能够适应实际电网中故障数据不足的场景，相比其他算法样本数量依赖性弱；在实际应用本发明能够尽量减少因个体基学习器随机误差导致的预测误差，实现可靠预判。

技术领域

本发明涉及电力技术领域，具体涉及一种基于交叉熵集成学习的电力系统故障后最低频率预测方法。

背景技术

随着特高压交直流混联电网建设的推进，电网运行特性发生了根本变化。特高压交直流输电线路故障可能造成输送功率大幅波动，使送受端电网发生严重频率稳定问题的风险增加。因此需要及时对电网受扰后的频率动态特性进行研究，准确预测其态势，为后续安全稳定控制提供依据。电网频率动态过程时间跨度较长，涉及多个时间尺度的电网控制问题。

影响电网受扰后频率动态特性的因素主要有故障类型、故障地点、电网当前运行状态、发电机组/负荷参数、网络拓扑结构等，现有的电网频率动态分析方法主要有全时域仿真法、单机等值模型法和机器学习方法。全时域仿真法通过求解高阶非线性微分方程组以获得电网各节点的频率动态变化过程，该方法计算精度高，但计算速度过慢使得其不适合用于系统受扰后的频率快速预测；以平均系统频率模型(Average System Frequency，ASF)和系统频率响应模型(System Frequency Response，SFR)为代表的等值模型法通过对系统的大量简化大幅提高计算速度，是目前在线应用的主流方法，但精度有限。

上述两类由物理模型出发的方法面临计算速度和计算精度之间难以调和的矛盾，因此，利用机器学习算法进行快速频率预测对于防止系统频率暂态问题具有辅助作用。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种基于交叉熵集成学习的电力系统故障后最低频率预测方法，该方法可以解决预测电力系统故障后最低频率速度和精度之间的平衡以及对数据样本依赖性大的问题。

技术方案：本发明所述的基于交叉熵集成学习的电力系统故障后最低频率预测方法，该方法包括以下步骤：

(1)通过仿真设置不同类型的暂态故障；

(2)根据数据样本进行算法离线训练；

(3)通过多个基学习器的交叉熵计算得到集成学习模型进行在线故障后频率预测。

优选的，步骤(1)中，所述仿真设置包括：

(11)设置仿真参数，所述仿真参数包括故障类型、故障地点和故障严重程度；

(12)读取仿真后频率态势数据，记录暂态过程的最低频率。

优选的，步骤(2)中，所述算法离线训练包括：

(21)将所述仿真数据随机分为训练集和测试集，并分别对所述训练集和测试集进行数据预处理；

(22)对所述训练集合测试集进行特征筛选，得到可用于算法训练的样本；

(23)对所述多个基学习器进行算法训练，完成测试结果和仿真结果分布的交叉熵计算；

(24)根据各个基学习器交叉熵的结果进行集成学习算法权重确定，得到频率预测的集成学习模型。

优选的，步骤(22)中，所述特征筛选采用的方法为物理原理和数据分析相结合，具体为选取与电力系统频率问题存在强物理关联和强数据关联的特征。

优选的，步骤(23)中，所述对基学习器的交叉熵计算的公式为：