[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

说明书

本发明公开了属于电力系统频率预测领域的一种物理‑数据联合驱动的电力系统频率预测方法。该方法包括：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；选取第一部分输入特征量与输出量；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；将两部分输入特征量以及输出量进行归一化处理；将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，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。本发明所提供的方法更准确地对频率曲线进行预测，同时具备更强的预测泛化能力、抗噪能力和结果的可解释性。

技术领域

本发明属于电力系统频率预测领域，尤其涉及一种物理-数据联合驱动的电力系统频率预测方法。

背景技术

近年来，随着风电、光伏等新能源机组的大规模并网，传统同步机组的装机比例逐渐降低。新能源机组由于通过电力电子变流器并入电网，难以为系统提供转动惯量，进而导致系统惯量响应和一次调频能力显著降低，增加系统扰动后频率异常波动和失稳的风险。因此，电力系统扰动后频率快速预测对于系统安全稳定运行起着至关重要的作用。

传统电力系统频率预测方法主要分为物理驱动法和数据驱动法两个大类。物理驱动法通常根据现有物理知识和规则来描述研究对象的特性，例如全时域仿真法、等值模型法、线性化分析法。全时域仿真法计算量大、耗时长，难以满足系统扰动后快速预测频率的需求。等值模型法假定全网频率统一，计算精度较低，且计算结果无法反映系统频率的时空分布特性。线性化分析法的计算精度随简化程度的提高而降低。总体来看，基于物理驱动的电力系统频率响应计算方法往往存在着计算速度与精度之间的矛盾。数据驱动法多为“黑箱模型”，即无需对复杂的物理问题进行建模，而是从数据中挖掘输入输出之间的关联关系。数据驱动法对数据的数量和质量依赖度较高，当数据量较少时，数据驱动法的泛化能力难以保证，且计算结果的可解释性较差。目前，对基于物理驱动法和数据驱动法的频率预测方法的研究较多，但有关基于物理-数据联合驱动法的频率预测方法的研究较少。

发明内容

本发明的目的是提出一种物理-数据联合驱动的电力系统频率预测方法。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；从已生成的扰动数据中选取第一部分输入特征量与输出量；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；将两部分输入特征量以及输出量进行归一化处理；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；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；具体包括以下步骤：

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；

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；

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；

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。

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。

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。