[发明专利]一种基于深度学习的电力系统自然频率特性系数区间预测方法

权利要求书

1.一种基于深度学习的电力系统自然频率特性系数区间预测方法，其特征在于，包括以下步骤：

1)确定自然频率特性系数β的主要影响因素；

2)利用所述DNN模型建立影响因素与自然频率特性系数β间的映射关系。

3)建立自然频率特性系数β的区间预测模型；

4)获取Bootstrap训练集，并对DNN模型进行训练；

5)估计自然频率特性系数β预测误差的方差利用区间预测模型计算自然频率特性系数β预测结果在给定置信水平下的置信区间。

2.根据权利要求1所述的一种基于深度学习的电力系统自然频率特性系数区间预测方法，其特征在于：所述自然频率特性系数β用于反映稳定状态下电力系统有功功率和频率的关系，包括负荷静态频率特性K_L和发电机静态频率特性K_G；

自然频率特性系数β如下所示：

式中，ΔP为系统功率偏差；Δf为频率偏差。

3.根据权利要求1所述的一种基于深度学习的电力系统自然频率特性系数区间预测方法，其特征在于：所述自然频率特性系数β的主要影响因素包括系统功率扰动、备用容量和机组启停方式。

4.根据权利要求1所述的一种基于深度学习的电力系统自然频率特性系数区间预测方法，其特征在于：所述DNN模型的输入数据包括自然频率特性系数β的影响因素，输出为自然频率特性系数β。

5.根据权利要求1所述的一种基于深度学习的电力系统自然频率特性系数区间预测方法，其特征在于：所述DNN模型包括输入层、若干隐藏层和输出层；层与层之间以全连接的方式连接在一起；

层与层之间的数据传递公式如下所示：

a^l＝s(W^la^l-1+b^l) (2)

式中，a^l代表第l层神经元的输出；a^l-1代表第l-1层神经元的输出；l＝1,2,…n；n为DNN的总层数；a⁰表示输入数据x；W^l为连接第l-1层和第l层神经元的权值矩阵，b^l为第l层神经元的偏置项；函数s(·)为激活函数；

所述DNN模型的预测输出如下所示：

式中，aⁿ代表第n层神经元的输出；a^n-1代表第n-1层神经元的输出；Wⁿ为连接第n-1层和第n层神经元的权值矩阵；bⁿ为第n层神经元的偏置项。

6.根据权利要求5所述的一种基于深度学习的电力系统自然频率特性系数区间预测方法，其特征在于：隐藏层的激活函数如下所示：

s(t)＝max(0.01t,t) (4)

输出层的激活函数如下所示：

s(t)＝t (5)。