[发明专利]一种电力系统扰动后各发电机动态频率响应预测方法

说明书

本发明公开了一种电力系统扰动后各发电机动态频率响应预测方法，具体为：利用电力系统历史运行数据或扰动仿真数据，构建样本数据；将样本集随机划分为训练集和验证集，进行训练与测试，得到基于长短期记忆网络的电力系统扰动后各发电机动态频率响应预测模型；在线获取广域测量系统实时数据，输入特征量定义进行构建输入特征量矩阵；输入到预测模型输出预测结果，实现对电力系统扰动后的各发电机动态频率响应的在线预测。本发明能够根据扰动前和扰动后短时间的系统量测，预测各发电机节点频率动态响应，从而描述大规模电力系统扰动后频率时空分布特性，且预测精度较高。

技术领域

本发明属于机器学习领域，具体涉及一种电力系统扰动后各发电机动态频率响应预测方法。

背景技术

近几年来，由于超高压、特高压交直流输电的广泛应用，当传输容量不断提升的输电线路或者输电走廊破坏时，受端系统可能会出现比较大的功率缺额，导致系统的频率快速跌落，出现频率失稳甚至崩溃等严重事故。与此同时，随着新能源发电，如风力、光伏等在电力系统中所占的比例越来越高，由于常规控制的新能源发电不提供惯量支撑，因而电力系统的惯性降低。扰动后发电和负荷的不平衡功率增大以及系统惯量的降低使得频率稳定问题日益凸显。扰动后频率呈现时空动态，电网中任意地点的频率在允许范围外，例如低于允许的最低值，都可能引发频率失稳甚至频率崩溃。因此，快速、准确地预测电力系统扰动后各发电机动态频率响应，实现对系统频率稳定性的在线评估，是制定相应的频率稳定控制措施，防止频率失稳的重要基础。

关于扰动后系统各发电机动态频率响应的预测，基于模型的方法主要有以数值分析为基础的时域仿真法以及线性化的简化模型法。而在动态频率预测中广泛使用的SFR和ASF等单机单负荷模型法只能预测系统惯性中心频率，无法预测每台发电机的动态频率。

数值积分法通过建立电力系统中各元件的详细数学模型，采用数值方法逐步积分求解系统的非线性微分代数方程，可以获得扰动后系统的频率响应，准确性高但计算速度慢，难以满足“实时计算、实时控制”的紧急控制模式对实时性的要求。线性化方法是一种将系统微分代数方程线性化，继而用特征根方法求解系统频率响应的方法。线性化模型方法较数值积分法更快，但是用于频率稳定实时评估时仍然存在精度和速度的不足。

近些年来，深度学习算法发展迅速，为预测电力系统扰动后的动态频率，特别是为预测呈现时空分布特性的多机系统频率响应提供了新的方法。与此同时，随着基于相量测量单元(phasor measurement unit,PMU)的广域同步测量系统的广泛应用，电力系统累积了丰富的历史运行数据；同时，电力系统积累了大量离线仿真和可以真实地反映当时电网的运行状态的在线数据。为深度学习模型的训练和验证提供了重要的数据支撑。当深度学习模型训练完成后，该模型具有快速的预测速度以及准确的预测精度，可以满足频率稳定在线分析的要求。目前，基于深度学习的方法主要用于预测电力系统的惯性中心频率最低值、最高值、稳态值，或频率响应曲线，但是该惯性中心频率响应曲线无法描述呈现时空分布的多机系统的频率变化。

长短期记忆网络LSTM是一种具有记忆能力的循环神经网络，适合处理与时间序列高度相关的预测问题。本专利基于LSTM深度学习模型，利用扰动前和扰动后短时内的电力系统相关量测量，进行电力系统扰动后系统中各发电机的动态频率响应预测，具有重要的实际应用价值。

发明内容

针对上述问题，本发明提供一种电力系统扰动后各发电机动态频率响应预测方法。

本发明的一种电力系统扰动后各发电机动态频率响应预测方法，基于长短期记忆网络LSTM对电力系统扰动后各发电机动态频率响应进行预测，具体包括以下步骤：

步骤1：利用电力系统历史运行数据或扰动仿真数据，构建样本数据。