CN104333005B - 基于支持向量回归的电力系统扰动后频率动态预测方法 - Google Patents

Abstract

本发明提供一种基于支持向量回归的电力系统扰动后频率动态预测方法，扰动后电力系统最低频率的预测是电力系统频率动态安全稳定评估和制定自动切负荷等紧急控制措施的重要内容，本发明的基于支持向量回归的电力系统扰动后频率动态预测方法考虑了发电机的最大出力限制、旋转备用的水平及分配方式、原动机-调速器系统和负荷等对电力系统频率动态的影响。通过与PSS/E仿真结果进行比较，使用ν-SVR方法可以快速准确预测扰动后电力系统频率动态及最低频率，具有良好的泛化能力和推广性。进一步，可将使用ν-SVR方法所训练出的模型应用于电力系统频率的在线安全稳定评估和根据评估情况制定相应的紧急控制措施，防止系统频率崩溃。

Description

基于支持向量回归的电力系统扰动后频率动态预测方法

技术领域

本发明属于电力技术领域，具体涉及电力系统扰动后最低频率预测方法。

背景技术

频率是电能质量的三大指标之一，是反映电力系统安全稳定运行和电能质量的重要指标，是电力系统运行重要的控制参数，频率稳定从根本上是由系统发电有功功率和负荷有功功率之间的平衡关系所决定的。当系统出现有功缺额时，系统频率将下降低于额定值；反之，当系统的有功功率有盈余时，系统频率将上升超过额定值。近年来，世界范围内一系列电网事故的发生中都有频率崩溃的因素，充分说明频率崩溃的可能性仍然存在；同时随着大规模风电接入电网，风电的随机性、间歇性和严重的爬坡事件使得系统频率稳定性面临更大的挑战。低频减载是国内外广泛采用的电力系统频率稳定的主要控制措施，但是当系统中出现较大功率缺额时，系统频率将急剧下降，低频减载装置可能来不及动作切除相应负荷以使系统频率回升，导致系统频率崩溃。因此，快速准确地预测扰动后系统的最低频率，对系统频率稳定性进行评估，进一步根据预测的最低频率制定自动切负荷和低频减载策略等紧急控制措施，防止系统频率崩溃，具有十分重要的意义。

由于电力系统呈高维非线性的特点，系统的状态空间由一组微分代数方程组来描述，故其动态行为只能通过数值方法来求解计算，计算量比较大，故在线预测扰动后系统的最低频率相对困难。为了减小计算量，提高运算速度，有关专家对系统模型进行简化，分别提出了系统频率响应模型(SystemFrequencyResponseModel，SFR)和平均系统频率模型(AverageSystemFrequencyModel，ASF)，其均是对系统进行单机带集中负荷等值处理，模型结构简单，但无法考虑系统的网络及和复杂负荷模型的影响，对大扰动分析精度较低。文献“李常刚，刘玉田，张恒旭等.基于直流潮流的电力系统频率响应分析方法[J].中国电机工程学报，2009，29(34)：36-41”对发电机组模型进行适当的简化，利用直流潮流对网络进行简化模拟，大大降低了计算量，提高了计算速度且具有较高的精度，但由于直流潮流法自身的特性，其无法考虑负荷的影响。

近年来在文献“LarssonM.Anadaptivepredictiveapproachtoemergencyfrequencycontrolinelectricpowersystems[C]//Proceedingsofthe44thIEEEConferenceonDecisionandControlandtheEuropeanControlConference2005，Seville，Spain，2005：4434-4439”的基础上，相关学者进一步对利用广域量测系统对扰动后系统稳态频率的预测研究不断的深入和改进，进行了大量的工作，扰动后稳态频率预测技术相对比较成熟，但是对系统扰动后的频率动态尤其是频率最低值的在线预测的工作则相对较少。文献“RudezU，MihalicR.Forecastofthesystemfrequencyresponseforunderfrequencyloadshedding[C]//2011IEEEPowerTech，Trondheim，Norway，IEEE，2011：1-6”通过拟合实测频率数据拟合其二阶导数曲线预测系统最低频率，但其计算精度较低，仅在频率临近最低值时才能取得较高的精度。

发明内容

为解决现有技术存在的上述问题，本发明提出一种基于支持向量回归的电力系统扰动后频率动态预测方法。

本发明具体的技术方案为：一种基于支持向量回归的电力系统扰动后频率动态预测方法，包括：ν-SVR模型的离线训练和扰动后最低频率的在线预测，所述ν-SVR模型的离线训练通过离线仿真样本训练得到，为扰动后最低频率的在线预测提供模型；

所述ν-SVR模型的离线训练包括以下步骤：

步骤S11：对系统事先设定的故障进行暂态时域仿真分析；

步骤S12：得到分析样本并提取第一特征变量，形成样本数据；

步骤S13：对样本数据进行归一化预处理；

步骤S14：将处理后的样本数据分为训练样本数据和测试样本数据；

步骤S15：对训练样本数据进行训练；

步骤S16：搜索ν-SVR模型参数，建立支持向量回归机模型；

所述扰动后最低频率的在线预测包括以下步骤：

步骤S21：在线获取扰动后最低频率预测所需数据；所述数据为广域量测系统提供；

步骤S22：对数据进行预处理；

步骤S23：生成第二特征变量；

步骤S24：将第二特征变量输入所训练好的ν-SVR模型；

步骤S25：对扰动后电力系统最低频率进行在线预测，并输出预测结果。

本发明的有益效果：本发明的预测方法可以快速准确的对系统频率动态及最低频率进行预测，且具有良好的泛化性和推广性。与传统的电力系统动态频率响应计算方法相比，该方法能够考虑发电机的最大出力限制、旋转备用的水平及分配方式、原动机-调速器系统和负荷等对电力系统频率动态的影响；同时，支持向量机具有良好的学习性能和泛化能力，不受维数、样本容量和非线性的限制。使用训练好的ν-SVR模型对扰动后电力系统最低频率进行预测，大大降低了计算量、提高了计算速度和精度，对系统适应能力强。可将该方法应用于频率安全稳定的在线评估，并根据评估结果，并根据评估结果制定相应的电力系统频率稳定紧急控制策略，防止系统发生频率崩溃事件。

附图说明

图1为实际系统频率动态示意图。

图2为系统频率预测模型实现框图。

图3为本实施例一提供的测试样本绝对误差。

图4为本实施例一提供的测试样本均方根误差。

图5为本实施例一提供的负荷水平60％，切除9号发电机时，系统频率曲线。

图6为本实施例二提供的测试样本绝对误差。

图7为本实施例二提供的测试样本均方根误差。

图8为本实施例二提供的某运行方式下切除5号发电机时，系统频率曲线。

具体实施例

本发明提出的基于ν-SVR的快速预测扰动后系统最低频率的方法，考虑了发电机最大出力限制、旋转备用水平及分配方式、原动机-调速器系统和负荷等对电力系统频率动态的影响，同时利用支持向量机方法计算量小、评估速度快、自学习能力强和对系统适应能力强等优点，可以较好的解决以往多种学习方法的过学习、非线性和局部极小等难以解决的问题；并且利用广域量测系统提供的相关数据，可将本发明所提方法应用于扰动后系统最低频率的在线预测。

为了使本发明的技术方案更加清楚，首先解释本发明提供的基于支持向量回归的电力系统扰动后频率动态预测方法，所用到的支持向量机的原理，所述支持向量机(SupportVectorMachine，SVM)是Vapnik提出的一种监督机器学习方法，被认为是最有效的机器学习方法之一。回归分析是依据有限的观测数据来寻求蕴含的回归函数。与分类问题输出为离散值相比，回归问题输出为连续值。支持向量机理论虽然是针对分类问题提出的，但后来应用于回归问题上，发现具有良好的效果。因此，在本发明中具体选择使用支持向量回归(SupportVectorRegression，SVR)对扰动后系统的最低频率进行预测。

给定一组训练数据(x₁,y₁),...,(x_l,y_l)，假设其服从某种概率分布P(x,y)(x∈Rⁿ,y∈R)，那么支持向量回归问题就是找到适当的实值函数来拟合这些训练数据点，使得：

R[f]＝∫c(x,y,f)dP(x,y)(1)

最小，其中，c为损失函数，可以视为现有技术，不再详细说明。

由于P(x,y)未知，不能直接最小化R[f]，因此考虑最小化：

$E\left(\mathrm{\ω}\right)=\frac{1}{2}(\mathrm{\ω}\·\mathrm{\ω})+C\·\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}|y_i-f\left(x_i\right){|}_{\mathrm{\ϵ}}---\left(2\right)$

其中，|y_i-f(x_i)|_ε＝max{0,|y_i-f(x_i)|-ε}为ε-不敏感损失函数。

利用结构风险最小化，将上述最小化问题等价转化为最优化问题，即

$\left\{\begin{array}{cc}\underset{\mathrm{\ω},{\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*},b}{\min }& \frac{1}{2}(\mathrm{\ω}\·\mathrm{\ω})+C\·\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*})\\ s.t.& (\mathrm{\ω}\·\mathrm{\φ}(x_i)+b)-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ & y_i-(\mathrm{\ω}\·\mathrm{\φ}(x_i)+b)\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ & {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0\end{array}\right.---\left(3\right)$

其中，C是惩罚因子，ξ_i与是松弛变量。

由于ε-SVR模型中，需根据经验确定参数ε，在实际应用中存在困难。故本文选用ν-SVR作为预测模型，引入非负参数ν，避免事先确定ε的困难，提高模型参数的精确度。式(3)转化为下面最小化问题：

$\left\{\begin{array}{cc}\underset{\mathrm{\ω},{\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*},b}{\min }& \frac{1}{2}(\mathrm{\ω}\·\mathrm{\ω})+C\·(\mathrm{\υ}\mathrm{\ϵ}+\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}))\\ s.t.& (\mathrm{\ω}\·\mathrm{\φ}(x_i)+b)-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ & y_i-(\mathrm{\ω}\·\mathrm{\φ}(x_i)+b)\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ & {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0,\mathrm{\ϵ}\≥0\end{array}\right.---\left(4\right)$

构建拉格朗日函数：

$L_{\mathrm{\υ}}(\mathrm{\ω},\mathrm{\ξ},b,\mathrm{\ρ},\mathrm{\α},\mathrm{\β},\mathrm{\δ})=\frac{1}{2}(\mathrm{\ω}\·\mathrm{\ω})-\mathrm{\υ}\mathrm{\ρ}+\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\{y_i\[(\mathrm{\ω}\·x_i)+b\]-\mathrm{\ρ}+{\mathrm{\ξ}}_i\}+\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\β}}_i{\mathrm{\ξ}}_i-\mathrm{\δ}\mathrm{\ρ}---\left(5\right)$

其中，α_i,β_i,δ≥0。

函数L在鞍点处存在最小值，因此得到：

$\begin{array}{cc}\mathrm{\ω}=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i{x}_i& {\mathrm{\α}}_i+{\mathrm{\β}}_i=\frac{1}{n}\\ \underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0& \underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\mathrm{\δ}=\mathrm{\υ}\end{array}---\left(6\right)$

考虑KKT边界条件和对偶问题，ν-SVR问题转化为下面形式：

$Q_{\mathrm{\υ}}\left(\mathrm{\α}\right)=-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_{j}k(x_i,x_j)---\left(7\right)$

且0≤α_i≤1/n， $\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0,\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\≥\mathrm{\υ}.$

估计函数变为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x_i,x)+b---\left(8\right)$

其中，ν≥0,C>0,αi,αi*为拉格朗日因子，K(x,y)为核函数。b可由KKT边界条件求得。

参数ν可控制模型的预测误差，可通过求解合适的ν来优化预测模型，提高精确度。

不同形式的核函数将形成输入空间不同类型的非线性决策面的支持向量机。目前经常使用的主要是以下四类核函数：(1)线性核函数K(x,xi)＝(x·xi)；(2)多层感知器核函数K(x,xi)＝tanh(ν(x·xi)+c)；(3)多项式核函数K(x,xi)＝[(x·xi)+1]q；(4)径向基(RadialBasisFunction，RBF)核函数K(x,xi)＝exp(-||x-xi||2/2σ2)。其中RBF核函数具有较好的插值能力和局部性，得到了广泛使用，而系统扰动后的频率动态需要较好的跟踪数据变化，故本发明用ν-SVR进行预测时，选择使用RBF核函数。

电力系统中频率具有时空分布特性，但是在动态过程中系统中各节点的频率总是围绕系统惯性中心的频率在上下波动，如图1所示。只有当系统处于稳态时，频率才是一个各节点处值都相等的全局参数，但是这个稳态几乎很难出现。因此，仅测量本地频率信息，很难得到一个代表系统全局状态的量。电力系统动态频率指动态过程中系统惯性中心的频率，通常使用系统惯性中心的频率来表示系统的频率，系统惯性中心频率定义如下

${\mathrm{\ω}}_{sys}=\frac{\underset{i=1}{\overset{n}{\Σ}}\left(H_i{\mathrm{\ω}}_i\right)}{\underset{i=1}{\overset{n}{\Σ}}{H}_i}---\left(9\right)$

式中：ω_sys为系统惯性中心频率；Hi、wi分别为第i台发电机的惯性时间常数和角频率；n为系统中并网发电机的数量。

目前国内外低频减载和自动切负荷技术的整定方案及我国《电力系统自动低频减载减负荷技术规定》中，通常都使用以系统惯性中心频率来表示系统频率。本发明所提方法主要是用离线仿真所产生样本训练ν-SVR模型，基于ν-SVR模型和广域量测系统获取的扰动前后瞬间相关数据对扰动后电力系统惯性中心频率进行预测，以期在线预测扰动后系统频率动态，用于指导低频减载和自动切负荷等措施的制定。

影响扰动后系统最低频率的因素很多，为了提高基于ν-SVR模型预测系统扰动后最低频率的效率与准确性，需要综合考虑影响系统最低频率的因素，进行模型输入特征的选择。

发电机转子运动方程可表示为

$2H\stackrel{\·}{\mathrm{\ω}}=P_m-P_e-D\mathrm{\ω}---\left(10\right)$

由式(9)和式(10)，可以得到多机系统频率动态方程为

$2H_{sys}{\stackrel{\·}{\mathrm{\ω}}}_{COI}=\underset{i=1}{\overset{n}{\Σ}}{P}_{mi}-\underset{i=1}{\overset{n}{\Σ}}{P}_{ei}-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{D\ω}}_i---\left(11\right)$

式中：Hsys为系统中各发电机惯性之和；为系统惯性中心频率；Pmi、Pei分别为第i台发电机的机械功率和电磁功率；D表示发电机的阻尼，n为系统中并网发电机的数量。

由多机系统的频率动态方程式(11)可以看出，在系统中影响系统频率动态的变量主要有各发电机的有功出力PGi及扰动后瞬间系统的功率缺额△P。

在进行频率动态的分析中，需要考虑发电机最大出力限制和有效旋转备用的容量及备用的不同分配方式对电力系统频率动态的影响，增加输入特征变量

P_ri＝P_maxi-P_Gi,i＝1,2,…,n(12)

为了考虑扰动在系统中各台发电机上的响应情况，及其对系统惯性中心的影响，故增加输入特征变量

$f_i=\frac{P_{mi}\left(0^{+}\right)-P_{ei}\left(0^{+}\right)}{2H_i}-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{mi}\left(0^{+}\right)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{ei}\left(0^{+}\right)}{2H_{sys}}(i=1~n)---\left(13\right)$

其中，P_ei(0⁺)表示扰动后各发电机的电磁功率初值，由于扰动后各发电机的机械功率初值Pmi(0+)不能通过广域量测系统获取，故使用扰动前瞬间各发电机的电磁功率Pei(0-)作为扰动后各发电机的机械功率初值。即fi表达式变为

$f_i=\frac{P_{ei}\left(0^{-}\right)-P_{ei}\left(0^{+}\right)}{2H_i}-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{ei}\left(0^{-}\right)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{ei}\left(0^{+}\right)}{2H_{sys}}(i=1~n)---\left(14\right)$

综上，考虑对扰动后系统频率动态的各种影响的变量，选取基于ν-SVR模型的特征变量如下：扰动后瞬间各发电机的有功出力PGi、各发电机的旋转备用容量Pri、功率缺额△P、和各发电机响应对系统惯性中心的影响fi。

基于ν-SVR的扰动后电力系统最低频率预测模型主要分为两大模块：ν-SVR模型的离线训练模块和扰动后最低频率的在线预测模块。

其中，离线训练模块的主要功能是离线获取训练好的ν-SVR模型，以便为在线应用提供模型。其主要是通过对系统事先设定的各种故障进行暂态时域仿真分析，得到所需样本并提取ν-SVR预测所需特征变量；并且，对数据进行归一化预处理，以便使用ν-SVR模型对其进行训练及测试使用；然后将处理后的样本数据分为训练样本数据和测试样本数据，并对训练样本数据使用ν-SVR模型进行训练，采用基于粒子迁徙和变异的粒子群优化(MVPSO)算法搜索最佳的ν-SVR模型参数，以提高ν-SVR的预测精度和推广泛化性，建立扰动后系统动态频率预测的支持向量回归机模型。

扰动后最低频率的在线预测模块的主要功能是在线获取广域量测系统提供的扰动后最低频率预测所需数据，并对数据进行预处理以便进行特征提取时使用；利用预处理后的广域量测数据，生成进行ν-SVR预测所需的特征量并输入已经离线训练好的ν-SVR模型(当系统因建设等出现更新时，需对其进行重新训练得到适合新系统的ν-SVR模型)，对扰动后电力系统最低频率进行在线预测，并输出预测结果。扰动后系统最低频率预测模型实现框图如图2所示。

下面以具体实施例的方式，进一步对本发明内容进行说明。

影响扰动后系统最低频率的因素很多，为了验证本发明所提供基于支持向量回归的电力系统扰动后频率动态预测方法的可行性，在新英格兰10机39母线系统进行了训练与测试。

仿真软件为PSS/E，其中发电机采用GENROU模型、励磁系统采用ESDC1A模型、汽轮机-调速器和水轮机-调速器分别采用IEEEG1模型和IEEEG3模型。

实施例新英格兰10机39母线测试系统。

测试系统概述：新英格兰10机39母线测试系统是一个简化系统，用于代表美国新英格兰州一个345kV的电力网络。该系统由10台发电机、39条母线、12台变压器和34条线路组成，其中1号发电机是代表与该电力网络相连接的加拿大部分的电网的一个等值发电机，惯性时间常数很大，为了使系统频率变化更加适用于该仿真，将其惯性时间常数设置为H＝50s，其余不变。基准功率和基准电压分别为100MVA和345kV。

样本获取及模型训练：在不同负荷水平下，相应改变系统中各台发电机的有功出力，其中发电机出力增长方式可按惯性分配旋转备用、按机组最大出力限制分配旋转备用和其他分配方式等；在同一负荷水平，同一发电机出力增长方式下，负荷模型采用动态模型与静态模型(分别设置不同比例的动态负荷与ZIP负荷)组合方式。其中负荷水平分别设置为50％，50.25％，50.5％，…，110％等25种情况。

仿真在某一工况下，分别切除一台发电机，观察系统频率响应情况。仿真生成2500个样本，随机选取1750个样本进行训练，剩余750个样本用于测试。

利用上述样本获取及模型训练所描述的样本获取方法，将仿真生成的2500个样本进行处理，按照输入特征选择中所选择的ν-SVR训练的输入及输出特征量，处理仿真数据，形成用于支持向量回归机训练与测试的样本数据。利用图2中离线训练模块中的过程进行训练与回归预测，使用MVPSO算法搜索最佳ν-SVR模型参数，建立预测扰动后系统动态频率的ν-SVR模型。其中所建立的ν-SVR模型参数如表1所示。

对测试样本中进行动态仿真得到扰动后系统最低频率及利用所训练的ν-SVR模型得到扰动后系统最低频率进行比较分析。计算分析分别切除各台发电机后，系统最低频率时域仿真值与基于ν-SVR模型进行预测所得预测值的绝对误差和扰动后60s时间内两曲线的均方根误差，分别如图3、图4所示。

其中，绝对误差e_ERROR和均方根误差e_RMSE的计算方式如下：

e_ERROR＝min(f_tr)-min(f_pr)(15)

$e_{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(f_{tr}-f_{pr})}^2}---\left(16\right)$

式中：f_tr表示系统频率时域仿真值，f_pr表示系统频率的ν-SVR模型预测值，n表示采样总数。

通过对比分析，发现两者间的绝对误差很小(在±0.014Hz之间)，均方根误差也很小(小于0.05Hz)，可以满足工程使用需要。随机抽取某扰动后系统频率时域仿真值与基于ν-SVR模型的预测值曲线进行比较如图5所示，系统频率仿真值与预测值曲线吻合度较高。上述分析表明使用该系统所训练的ν-SVR模型对扰动后系统的频率动态可以进行比较准确的预测。

基于ν-SVR的方法应用于扰动后电力系统频率动态的预测，可以快速准确的对系统频率动态及最低频率进行预测，且具有良好的泛化性和推广性。与传统的电力系统动态频率响应计算方法相比，该方法能够考虑发电机的最大出力限制、旋转备用的水平及分配方式、原动机-调速器系统和负荷等对电力系统频率动态的影响；同时，支持向量机具有良好的学习性能和泛化能力，不受维数、样本容量和非线性的限制。使用训练好的ν-SVR模型对扰动后电力系统最低频率进行预测，大大降低了计算量、提高了计算速度和精度，对系统适应能力强。进一步，可将该方法应用于频率安全稳定的在线评估，并根据评估结果，并根据评估结果制定相应的电力系统频率稳定紧急控制策略，防止系统发生频率崩溃事件。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (6)

1.基于支持向量回归的电力系统扰动后频率动态预测方法，其特征在于，包括：ν-SVR模型的离线训练和扰动后最低频率的在线预测，所述ν-SVR模型的离线训练通过离线仿真样本训练得到，为扰动后最低频率的在线预测提供模型；

所述ν-SVR模型的离线训练包括以下步骤：

步骤S11：对系统事先设定的故障进行暂态时域仿真分析；

步骤S12：得到分析样本并提取第一特征变量，形成样本数据；

步骤S13：对样本数据进行归一化预处理；

步骤S14：将处理后的样本数据分为训练样本数据和测试样本数据；

步骤S15：对训练样本数据进行训练；

步骤S16：搜索ν-SVR模型参数，建立支持向量回归机模型；

所述扰动后最低频率的在线预测包括以下步骤：

步骤S21：在线获取扰动后最低频率预测所需数据；所述数据为广域量测系统提供；

步骤S22：对数据进行预处理；

步骤S23：生成第二特征变量；

步骤S24：将第二特征变量输入所训练好的ν-SVR模型；

步骤S25：对扰动后电力系统最低频率进行在线预测，并输出预测结果。

2.根据权利要求1基于支持向量回归的电力系统扰动后频率动态预测方法，其特征在于，所述ν-SVR模型的离线训练包括计算系统惯性中心频率，公式如下：

${\mathrm{\ω}}_{sys}=\frac{\underset{i=1}{\overset{n}{\Σ}}\left(H_i{\mathrm{\ω}}_i\right)}{\underset{i=1}{\overset{n}{\Σ}}{H}_i};$

其中，ω_sys为系统惯性中心频率，H_i、ω_i分别为第i台发电机的惯性时间常数和角频率，n为系统中并网发电机的数量。

3.根据权利要求2基于支持向量回归的电力系统扰动后频率动态预测方法，其特征在于，包括选取基于ν-SVR模型的第二特征变量，所述第二特征变量为：扰动后瞬间各发电机的有功出力P_Gi、各发电机的旋转备用容量P_ri、功率缺额△P和各发电机响应对系统惯性中心的影响f_i。

4.根据权利要求3基于支持向量回归的电力系统扰动后频率动态预测方法，其特征在于，所述第二特征变量各发电机的旋转备用容量P_ri的计算公式为：

P_ri＝P_maxi-P_Gi,i＝1,2,…,n；

其中，P_maxi表示表示第i台发电机的最大有功出力，i表示第i台发电机。

5.根据权利要求3基于支持向量回归的电力系统扰动后频率动态预测方法，其特征在于，所述第二特征变量各发电机响应对系统惯性中心的影响f_i的计算公式为：

$f_i=\frac{P_{ei}\left(0^{-}\right)-P_{ei}\left(0^{+}\right)}{2H_i}-\frac{\underset{i=1}{\overset{n}{\Σ}}{P}_{ei}\left(0^{-}\right)-\underset{i=1}{\overset{n}{\Σ}}{P}_{ei}\left(0^{+}\right)}{2H_{sys}}(i=1~n);$

其中，Hsys为系统中各发电机惯性之和，P_ei(0^-)表示扰动后各发电机的机械功率初值，P_ei(0⁺)表示扰动前瞬间各发电机的电磁功率，H_i表示第i台发电机的惯性时间常数。

6.根据权利要求1至5任一权利要求所述的基于支持向量回归的电力系统扰动后频率动态预测方法，其特征在于，步骤S16具体采用基于粒子迁徙和变异的粒子群优化(MVPSO)算法搜索ν-SVR模型参数，建立支持向量回归机模型。