[发明专利]一种基于可信性集成学习的电力系统扰动后频率预测方法

说明书

本发明公开了一种基于可信性集成学习的电力系统扰动后频率预测方法，所述方法包括：步骤1：提取刻画电力系统频率特性的关键特征量，构建电力系统频率预测样本集；对样本集归一化处理，并随机划分为训练样本集和测试样本集；步骤2：基于训练样本集及其关键特征量，通过自助采样法和随机子空间法采样生成新的样本子集，并利用超限学习机训练生成多个基学习器；步骤3：利用可信性集成方法预测电力系统扰动后的频率特性，并在测试样本集中进行性能测试；本申请中的方法兼具频率预测的快速性、准确性和可靠性，可将基于数据模型和物理模型的频率分析方法有效融合。

技术领域

本发明涉及电力系统安全稳定分析技术领域，具体地，涉及一种基于可信性集成学习的电力系统扰动后频率预测方法。

背景技术

近年来，利用柔性直流的异步联网成为区域电网互联的主要手段。异步互联后，区域电网发生故障后的暂态能量的传递因柔性直流被阻隔，整个电力系统的暂态稳定性得到改善。然而，由于异步联网导致区域电网规模减小，大大减少了系统运行的转动惯量，一旦出现大规模直流闭锁等恶劣故障，将会引起频率的大幅度波动，频率稳定风险增加。因此，频率稳定问题成为交直流混联电网的主要稳定问题。快速准确地预测电力系统扰动后的频率态势可为后续的电网频率控制提供依据和保障。

现有的电力系统频率稳定分析方法多采用基于物理模型的分析方法，由于频率稳定属于长时间尺度问题，在进行扰动后频率特性分析时，需要对诸多系统元件进行精细化或等值化建模，并通过时域仿真计算得到受扰后电网的频率动态特性。该类方法可靠性高，但时间开销大，难以实现对频率态势的在线感知与预测。

机器学习技术的飞速发展，为基于数据模型的电力系统扰动后频率预测提供了新的发展契机。基于机器学习的频率预测属于回归问题，现有用于频率预测的机器学习技术主要包括人工神经网络和支持相量机等，这些方法尽管能够快速预测系统受扰后的频率特性，但存在准确性和可靠性不足的缺点，实用性不强。

发明内容

为克服现有技术的不足，本发明提出一种基于可信性集成学习的电力系统扰动后频率预测方法，本申请中的方法兼具频率预测的快速性、准确性和可靠性，可将基于数据模型和物理模型的频率分析方法有效融合。

为实现上述发明目的，本申请提供了一种基于可信性集成学习的电力系统扰动后频率预测方法；首先，在分析电力系统扰动后频率特性的基础上，提取用于频率预测的特征量，并通过设置大量的运行方式和扰动场景生成海量的频率预测样本集；然后，以超限学习机为基学习器，在训练样本集中利用自助采样技术和随机子空间技术训练生产多个具有差异的基学习器；应用于测试时，统计多个基学习器的预测值，定义预测的可信性区间并给出样本的预测可信度，使得集成学习的输出结果不仅能给出频率预测值，还能给出预测值的可信度。对于可信度高于阈值的样本，可采纳基于数据模型的集成学习结果作为预测结果；对于可信度低于阈值的样本，可启动拒绝机制，切换为基于物理模型的时域仿真方法对样本进行分析。所提方法兼具频率预测的快速性、准确性和可靠性，可将基于数据模型和物理模型的频率分析方法有效融合。

本发明所述的基于可信性集成学习的电力系统扰动后频率预测方法包括以下步骤：

1)提取刻画频率特性的关键特征量与构建频率预测样本集

1-1)分析影响电网动态频率响应特性的主导因素，从功率扰动大小、机组转动惯量、机组旋转备用容量和负荷模型四方面提取预测频率动态特性的关键特征量；

1-2)以电力系统受扰后频率的最大偏移量作为刻画频率特性的指标，即为频率预测的目标值。设置多种稳态运行方式和多种故障场景，通过时域仿真方法包含生成大量频率响应模式的样本集。

1-3)对频率预测样本集进行归一化处理，并将其随机分为训练样本集和测试样本集，分别用于可信性集成学习的训练和测试。

2)利用自助采样法和随机子空间法训练生成多个基学习器