[发明专利]一种物理-数据联合驱动的电力系统频率预测方法

权利要求书

1.一种物理-数据联合驱动的电力系统频率预测方法，其特征在于，包括以下步骤：

步骤1：采用仿真软件对电力系统进行机电暂态仿真，生成电力系统扰动数据；

所述步骤1中，生成扰动数据的具体操作为：使用Python编程循环调用PSS/E仿真软件以批量生成扰动数据，每次仿真中设置的仿真时间为30s，仿真步长为0.1s；

步骤2：从已生成的扰动数据中获取所需第一部分输入特征量和输出量；

所述步骤2中，获取的第一部分输入特征量包括发电机惯性常数、发电机机械功率、发电机电磁功率、发电机阻尼系数、负荷功率；获取的输出量为系统频率曲线数据；

步骤3：利用选取的电力系统频率相关物理知识和第一部分输入特征量来计算第二部分输入特征量；

步骤4：将两部分输入特征量以及输出量进行归一化处理；

步骤5：将归一化处理后的数据划分为训练样本和测试样本，构建基于物理-数据驱动门控循环单元神经网络的电力系统频率预测模型，并将训练样本输入至模型中进行训练；

所述步骤5中，构建基于物理-数据驱动门控循环单元神经网络的电力系统频率预测模型，并将训练样本输入至模型中进行训练，具体过程为：假设t时刻的训练样本输入为x_t，则当前时刻输出h_t的计算公式为：

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r)

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z)

h_t＝tanh(W_hxx_t+W_hh(r_t⊙h_t-1)+b_h)

h_t＝(1-z_t)⊙h_t-1+z_th_t

其中，W和b分别为训练GRU所获得的权重参数和偏置参数；W_rx、W_rh和b_r为计算重置门输出所需参数，W_zx、W_zh和b_z为计算更新门输出所需参数，W_hx、W_hh和b_h为计算过程量所需参数；σ和tanh分别代表sigmoid和双曲正切激活函数；⊙表示矩阵对应位置元素相乘；然后将输出量和两部分特征量输入模型中进行训练，设置训练迭代次数为1500，当训练迭代次数达到1500次时，训练过程结束；

步骤6：将测试样本输入至训练好的频率预测模型中，实现电力系统频率曲线的快速、准确预测。

2.根据权利要求1所述一种物理-数据联合驱动的电力系统频率预测方法，其特征在于，所述步骤3中，选取各发电机转子运动方程作为电力系统频率相关物理知识，具体公式为：

其中，H和ω分别为发电机惯性常数和转子角速度，P_m和P_e分别为发电机的机械功率和电磁功率，D为发电机阻尼系数；而后将第一部分输入特征量中的发电机机械功率、发电机电磁功率、发电机阻尼系数这三种特征量数据输入相应发电机的转子运动方程，计算得到各发电机转子角速度，即第二部分输入特征量。

3.根据权利要求1所述一种物理-数据联合驱动的电力系统频率预测方法，其特征在于，所述步骤4中，使用如下公式对第一、第二部分输入特征量以及输出量进行归一化处理：

式中，x'为归一化处理后的扰动数据，x为扰动数据，x_max和x_min分别为扰动数据的最大值和最小值；根据上式使用Python编写函数，将第一、第二部分输入特征量以及输出量归一化至[0,1]区间内。

4.根据权利要求1所述一种物理-数据联合驱动的电力系统频率预测方法，其特征在于，所述步骤6将测试样本的两部分特征量输入至训练好的频率预测模型中，得到预测输出频率曲线，并将预测输出频率曲线与测试样本输出准确频率曲线进行对比；为了综合评估模型的频率预测准确性，选取了绝对误差AE、均方根误差RMSE、平均绝对误差MAE、平均相对误差MRE作为评估指标；其中AE能够直接反映预测值与真实值之间的绝对误差大小；RMSE能够反映预测值相对于真实值的离散程度，同时也能体现预测误差值的集中程度；MAE能够反映预测值与真实值之间的平均误差大小；MRE能够反映预测值相对于真实值的偏离程度；然后根据各类误差评估指标对预测曲线进行评估，若模型对测试样本的预测结果符合各类误差评估指标的要求，则训练模型预测性能良好，若不符合，则需要重复进行步骤5和步骤6，直至预测结果符合指标要求，此时即可保存训练好的模型，并用于频率预测问题。