[发明专利]一种基于深度学习的电力系统频率态势预测方法

说明书

本发明提供一种基于深度学习的电力系统频率态势预测方法，以机组单位调节功率、有功功率扰动量、机组惯性水平、机组开关状态、旋转备用水平和阻尼系数作为输入变量，以频率极值、最大频率变化率和准稳态频率作为输出变量，综合评判扰动事件后的频率稳定性。基于堆栈极限学习机的深度学习方法通过深层架构建立输入与输出之间的非线性映射关系，并在自下而上的逐层无监督训练过程中，引入自动编码器算法和正则化系数，逐层优化输入层与隐含层之间的权重矩阵，以使深度学习网络有效表征复杂函数、提高预测精度和泛化能力。本发明用于电力系统频率态势的在线预测，可根据预测情况制定相应的紧急控制措施，防止系统频率崩溃。

技术领域

本发明涉及电力系统安全领域，尤其涉及一种基于深度学习的电力系统频率态势预测方法。

背景技术

电力系统受到有功扰动后，对系统的频率态势进行高精度的在线预测对于保证低频减载、高周切机等保护装置的快速启动以及电网频率稳定具有重要意义。根据极值频率、最大频率变化率和准稳态频率等频率态势指标可对扰动事故下的暂态频率稳定性进行综合评判。由于电力系统具有高维非线性特性，其状态空间由大量微分方程组组成，难以得到事故后频率态势指标的精确解析表达式。

目前，为得到频率态势指标的精确值，一般采用时域仿真方法，根据大量数值计算得到频率变化曲线和频率态势指标来综合评判扰动发生后是否会触发低频减载/高频切机等保护装置动作，并评判系统暂态频率稳定性。然而，时域仿真需模拟有功扰动发生后数十秒内的频率动态变化过程(需计及机组的惯性响应和一次调频控制)，存在着计算量大、运算耗时长等固有缺陷，只适用于离线仿真分析。

随着风电/光伏等随机性、间歇性、低惯性电源的持续并网，电力系统运行方式的多样性和复杂性剧增，时域仿真已难以满足多重不确定性因素(可再生能源出力波动、多类型扰动事故等)“组合数爆炸”下的频率态势在线预测需求。基于系统频率响应模型的单机等值法虽可在线大致预测系统受扰后的频率轨迹，但该方法忽略了高阶非线性环节以及限幅环节，频率态势指标预测误差较大，难以适应实际应用中高精度的要求。

发明内容

本发明提供一种基于深度学习的电力系统频率态势预测方法，以解决现有电力系统频率态势预测方法误差较大的问题。

本发明提供的基于深度学习的电力系统频率态势预测方法，包括：深度学习网络的离线训练和扰动后电力系统频率态势在线预测；

所述深度学习的离线训练包括：

兼顾历史数据库和离线时域仿真数据，得到具有多样性的大数据样本集；

归一化预处理所述大数据样本集；

将处理后的所述大数据样本集分为训练样本数据集和测试样本数据集；

设定隐含层层数以及每层隐含层神经元的个数；

利用所述训练样本数据集进行离线训练，逐层求解深度学习网络参数；

利用所述测试样本数据集测试训练之后的深度学习网络；

所述扰动后电力系统频率态势在线预测包括：

制定需进行电力系统频率态势在线预测的扰动事件集；

根据所述扰动事件集形成输入数据；

归一化处理所述输入数据；

将处理后的所述输入数据输入已离线训练好的所述深度学习网络中，得到输出数据；

反归一化处理所述输出数据，得到各预想扰动事故的多维频率态势指标，所述多维频率态势指标包括频率极值、频率变化率和准稳态频率；

利用所述多维频率态势指标综合评估各扰动事件的暂态频率稳定性。