[发明专利]一种基于SFR和ELM的电网暂态频率特征预测方法

说明书

本发明提出一种基于SFR和ELM的电网暂态频率特征预测方法，属于电网安全稳定分析技术领域。该方法以系统频率响应模型和极限学习机理论为支撑，建立了电网暂态频率特征预测模型，并考虑了通信异常场景的影响，可依靠系统在线量测数据，实现对电网暂态过程中频率变化特征的预测。本发明能够在满足在线计算速度要求的前提下，保证电网暂态预测特征结果的准确性和可靠性，从而为电力系统状态评估与运行控制提供决策依据。

技术领域

本发明涉及电网安全稳定分析方法，具体涉及一种电网暂态频率特征的在线预测方 法。

背景技术

随着大规模特高压交直流输电通道建设的推进，受电比例增高间接降低了受端电网 中传统电源的频率调节能力，导致大功率缺额情况下电网频率异常波动的风险增加。因此，在系统受扰后对电网频率态势进行高精度在线预测，对保证受端电网频率稳定具有 重要意义。

传统的电力系统暂态频率稳定分析方法主要有通过求解包含全网模型的高阶非线 性微分代数方程组的全时域仿真法、以平均系统频率模型和系统频率响应模型(SystemFrequency Response，SFR)为代表的单机系统等值法以及以直流潮流法和系统方程线性化方法为代表的模型线性化方法。由于对频率动态过程中复杂非线性模型分析的精细化程度，决定了频率动态特征预测的精度，上述SFR方法在线应用时，对复杂非线性模型 大量简化以提高速度，但也导致计算精度的大幅降低。

近年来，迅速发展的机器学习理论为电力系统频率特征预测提供了新技术支撑。机 器学习方法能够快速地对数据进行处理，而且在非线性拟合方面具有非常大的优势，但其实施的效果受样本质量、数量及训练算法的影响，若能在机器学习方法中引入传统的 物理模型方法作支撑，将使得电力系统暂态频率特征预测的准确性和可靠性大幅提高。

发明内容

发明目的：针对以上不足，本发明提出一种基于SFR和ELM(Extreme LearningMachine，极限学习机)的电网暂态频率特征预测方法，在保留强因果关系的SFR模型 基础上，采用机器学习算法挖掘误差影响关联关系，构建基于ELM的误差校正模型， 从而提高电网暂态频率特征预测的精度。

技术方案：为实现上述目的，本发明提出基于频率变化率的电网不平衡功率计算方 法、SFR模型建立方法、ELM模型建立方法、电网暂态频率特征综合预测模型建立方 法。其中，电网不平衡功率的计算方法为：其中，ΔPall为电网的功 率不平衡量，fN为电网基准频率，Hi为发电机i的惯性时间常数；可以通过对电网 中发电机节点频率的量测信息进行计算而得到，当电网通信异常，存在频率量测信息缺 失时，以邻近发电机节点频率量测信息作为替代。

SFR模型可根据系统惯性中心变换理论，对电网进行聚合简化得到，计算方法如下：