[发明专利]融合预估-校正深度学习的暂态频率稳定评估方法及系统

权利要求书

1.一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，包括以下步骤：

S1：获取扰动事故后电力系统的暂态频率稳定数据集；其中，所述暂态频率稳定数据集包括输入特征变量数据和输出特征变量数据；

S2：用所述输入特征变量数据和所述输出特征变量数据对深度神经网络进行迭代训练，得到训练好的深度神经网络；

S3：根据所述输入特征变量和训练好的所述深度神经网络获取频率指标预估值，用所述频率指标预估值和所述输出特征变量数据对堆栈极限学习机网络进行迭代学习，得到训练好的堆栈极限学习机网络；

S4：在线获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据A；

S5：根据所述输入特征变量数据A、训练好的所述深度神经网络以及训练好的所述堆栈极限学习机网络对扰动事故后的频率稳定性进行评估；

所述S3包括以下子步骤：

S31：对所述输入特征变量数据进行归一化处理；

S32：将归一化处理后的所述输入特征变量数据输入训练好的所述深度神经网络中，得到所述频率指标预估值；

S33：将所述输出特征变量数据和所述频率指标预估值输入所述堆栈极限学习机网络中进行迭代训练，直至迭代次数到达第二预设次数或者训练精度达到第二预设精度；

所述S5包括以下子步骤：

S51：对所述输入特征变量数据A进行归一化处理；

S52：将归一化处理后的所述输入特征变量数据A输入训练好的所述深度神经网络中，得到频率指标预估值A；

S53：将所述频率指标预估值A输入训练好的所述堆栈极限学习机网络中进行校正，得到频率指标预测值A；

S54：根据所述频率指标预测值A对扰动事故后的频率稳定性的进行评估；

若，FN^min≤FN≤FN^max且|RoCoF|≤RoCoF^max，则认为扰动事故后的频率稳定，否则，认为频率失稳；

其中，FN为极值频率，FN^min为极值频率的最小值；FN^max为极值频率的最大值，RoCoF为频率变化率，RoCoF^max为频率变化率的最大值。

2.根据权利要求1所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述输入特征变量数据包括有功不平衡量、发电机组的单位调节功率、旋转备用水平、机组开关状态、机组惯性水平、阻尼系数、调速器响应时间以及涡轮机参数；所述输出特征变量数据包括极值频率、极值频率对应时间、频率变化率以及准稳态频率。

3.根据权利要求2所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述S2包括以下子步骤：

S21：对所述输入特征变量数据进行归一化处理；

S22：用所述输出特征变量数据和归一化处理后的所述输入特征变量数据对所述深度神经网络进行迭代训练，直至迭代次数到达第一预设次数或者训练精度达到第一预设精度。

4.根据权利要求1所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述暂态频率稳定数据集包括以下两种获取方式：

a.采用时域仿真模拟扰动事故后电力系统的频率动态响应过程，从而获取所述暂态频率稳定数据集；

b.从电力系统控制中心采集的频率数据库中获取。

5.根据权利要求1-4中任意一项所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述S3之后还包括一个测试步骤，所述测试步骤用于对训练好的所述深度神经网络和所述堆栈极限学习机网络进行测试。