[发明专利]一种新能源电力系统频率态势的在线预测方法

权利要求书

1.一种新能源电力系统频率态势的在线预测方法，其特征在于，所述方法包括：

步骤1：采用离线仿真的方式对新能源电力系统进行机电暂态仿真，生成新能源电力系统的扰动数据；

步骤2：再对所生成的新能源电力系统的扰动数据进行标准化处理；

步骤3：构建基于高斯混合聚类的风电控制方式快速识别模型，将步骤2标准化处理后的扰动数据中与瞬间风电有关的数据输入到所构建的快速识别模型中，进行风电控制策略的快速识别，并将识别后的结果作为后续长短期记忆神经网络的一个输入；

其中，与瞬间风电有关的数据包括：扰动后瞬间的风电机组电磁功率、扰动后瞬间的系统频率偏差；

将与瞬间风电有关的数据输入如下模型：

式中，x＝(x¹,x²,…,x^d)^T为长度为d的输入数据；ρ(x)为高斯混合模型的概率密度函数；N(x|μ_k,Σ_k)为单一高斯分布；ω_k、μ_k、Σ_k分别为混合模型中聚类生成的第k个分组的权重、均值、协方差矩阵；

进行风电控制策略的快速识别过程具体为：

由于输入数据在基于GMM算法的风电控制策略聚类模型后的输出是一系列的概率值，选取概率值最大的类别作为判决对象，GMM算法中k个分组实际上对应k个聚类群集，因此根据输入的数据计算GMM算法的概率分布即可了解各数据点被分配的群集，实现过程分为两步：

首先在k个分组中随机选择一个，每个分组被选中的概率即为该分组的权重参数；

再从所选中的分组中选出与输入的数据样本值一致的点；

最终输出的控制策略类别K定义为0或1，0表示风机采取最大功率跟踪控制，即不参与调频；1表示风机采取附加惯量控制，即参与系统频率调频；

根据输出的值实现风电控制策略的快速识别；

步骤4：构建基于长短期记忆神经网络的新能源电力系统频率预测模型，将步骤2处理后的数据与步骤3识别后的结果作为长短期记忆神经网络的输入，对所构建的频率预测模型进行训练，得到训练后的频率预测模型；

步骤5：将在线获取的新能源电力系统的实测数据输入步骤4训练后的频率预测模型中，实现新能源电力系统实时频率预测与结果修正。

2.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，在步骤1中，所生成的扰动数据包括：

同步机组开机状态、同步机组惯性时间常数、同步机组旋转备用容量、扰动后同步机组电磁功率变化、扰动后同步机组机械功率变化、扰动后负荷有功功率变化、扰动后风电机组电磁功率变化、扰动后实时采集的系统频率数据。

3.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，在步骤1中，离线仿真所采用的仿真软件为Digsilent/Powerfactory；

并设置仿真时间为30s，仿真步长为0.01s。

4.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，在步骤2中，进行标准化处理所采用的公式为：

其中，v_i和v′_i分别为归一化前、后数据；min_A和max_A为原始数据的最大、最小值；

在线性化归一操作后，将电力系统的原始数据映射到[min′_A,max′_A]区间。