CN109389253B - 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 - Google Patents

Abstract

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。

Description

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

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

2-1)假设用于频率预测的训练样本集中包含样本数量为N，样本中特征数量为M，采用自助采样法和随机子空间法进行采样，生成多个具有差异的样本子集。

2-2)利用自助采样法对样本集抽样，具体步骤为从N个样本中随机抽1个样本放入新样本集中，抽样后放回，重复执行N次，得到包含N个样本的新样本集S_i；重复上述过程，直到生成预设的样本集数量T；

利用随机子空间法对特征抽样，具体步骤为对每个生成的新样本集S_i，从M个关键特征中随机抽取m个特征，可得到T个新的样本子集S_i’。

为使采样产生的样本子集具有差异性和代表性，T值取大于10的整数；

2-3)以超限学习机为基学习器，分别利用T个样本子集训练超限学习机，共生成T个具有差异的基学习器。

3)利用可信性集成方法预测电力系统扰动后的频率特性

3-1)在测试过程中，假设T个基学习器的输出分别为{h₁,h₂,…,h_T}，统计得到T个基学习器输出的中位数h_median，定义基学习器的可信性判据为

上述可信性判据解释为：若基学习器h_i的输出在0.7×h_median-1.3×h_median时，认为该基学习器的输出结果可信，否则认为输出结果不可信。

3-2)对于某一测试样本x，统计T个基学习器输出结果的可信性，若有N_c个基学习器的输出结果可信，定义样本的预测可信度η

在此基础上，可得到基于可信性集成学习的频率预测输出值为

式中，η₀为预设的可信度阈值，为保证预测结果的可信性，η₀取80％。

若测试样本的可信度大于给定阈值，则接受集成学习结果为最终的频率预测结果，预测结果为N_c个可信基学习器预测值的平均值。否则，认为该测试样本的集成学习结果不可信，机器学习方法拒绝给出预测结果，可通过时域仿真方法进行频率分析。

本发明与现有技术相比，具有如下的优点和有益效果：

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，与现有技术相比，本发明所提方法不仅能给出受扰后频率最大偏移量的预测值，还能给出预测值对应的可信度，对于预测可信度高的样本，可采纳集成学习的预测值为频率预测结果；对于预测可信度低的样本，可启动拒绝机制，切换为基于物理模型的时域仿真法对样本进行分析。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预测方法有效融合。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

图1是本申请中超限学习机基本结构示意图；

图2是本申请中基于可信性集成学习的频率预测流程示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

请参考图1-图2，本发明提供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，包括：

1)提取刻画频率特性的关键特征量

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，用于频率预测的特征集如表1。

表1频率预测特征集

序号	特征描述
		1	各发电机的有功出力
2	各发电机的旋转备用容量
		3	系统各类型负荷比例
4	各发电机的惯性时间常数
		5	扰动瞬间各发电机的电磁功率

2)构建频率预测样本集

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。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。

3)利用自助采样法和随机子空间法训练生成多个基学习器

3-1)假设用于频率预测的训练样本集中包含样本数量为N，样本中特征数量为M，采用自助采样法和随机子空间法进行采样，生成多个具有差异的样本子集。

3-2)利用自助采样法对样本集抽样，具体步骤为从N个样本中随机抽1个样本放入新样本集中，抽样后放回，重复执行N次，得到包含N个样本的新样本集S_i；重复上述过程，直到生成预设的样本集数量T；

利用随机子空间法对特征抽样，具体步骤为对每个生成的新样本集S_i，从M个关键特征中随机抽取m个特征，可得到T个新的样本子集S_i’。

为使采样产生的样本子集具有差异性和代表性，T值取大于10的整数；

3-3)以超限学习机为基学习器，分别利用T个样本子集训练超限学习机，共生成T个具有差异的基学习器。超限学习机的基本结构如图1所示。

4)利用可信性集成方法预测电力系统扰动后的频率特性

4-1)在测试过程中，T个基学习器的输出分别为{h₁,h₂,…,h_T}，统计得到T个基学习器输出的中位数为h_median，定义基学习器可信性判据为

上述可信性判据解释为：若基学习h_i的输出在0.7×h_median-1.3×h_median时，认为该基学习器的输出结果可信，否则认为输出结果不可信。

4-2)对于某一测试样本x，统计T个基学习器输出结果的可信性，若有N_c个基学习器的输出结果可信，定义样本的预测可信度η

在此基础上，可得到基于可信性集成学习的频率预测输出值为

式中，η₀为预设的可信度阈值，为保证预测结果的可信性，η₀取80％。

若测试样本的可信度大于给定阈值，则认为可接受集成学习结果为最终的频率预测结果，预测结果为N_c个可信基学习器预测值的平均值。否则，认为该测试样本的集成学习结果不可信，机器学习方法拒绝给出预测结果，可通过时域仿真方法进行频率分析。

结合步骤3)和步骤4)，图2给出了基于可信性集成学习的电力系统频率预测流程图。

总之，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。与现有技术相比，本发明所提方法不仅能给出受扰后频率最大偏移量的预测值，还能给出预测值对应的可信度，对于预测可信度高的样本，可采纳集成学习的预测值为频率预测结果；对于预测可信度低的样本，可启动拒绝机制，切换为基于物理模型的时域仿真法对样本进行分析。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预测方法有效融合。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种基于可信性集成学习的电力系统扰动后频率预测方法，其特征在于，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；

所述步骤2具体包括：

假设用于频率预测的训练样本集中包含样本数量为N，样本中关键特征数量为M，采用自助采样法和随机子空间法进行采样，生成T个新的样本子集；

以超限学习机为基学习器，分别利用T个样本子集训练超限学习机，共生成T个具有差异的基学习器；

利用自助采样法对样本集抽样，具体步骤为从N个样本中随机抽1个样本放入新样本集中，抽样后放回，重复执行N次，得到包含N个样本的新样本集S_i；重复获取新样本集S_i的过程，直到生成预设的样本集数量T；

利用随机子空间法对特征抽样，具体步骤为对每个生成的新样本集S_i，从M个关键特征中随机抽取m个特征，可得到T个新的样本子集S_i’；

所述步骤3具体包括：

在测试过程中，假设T个基学习器的输出分别为{h₁,h₂,…,h_T}，h_i为第i个基学习器的输出，统计得到T个基学习器输出的中位数h_median，定义基学习器可信性判据为：

对于某一测试样本x，统计T个基学习器输出结果的可信性，若有N_c个基学习器的输出结果可信，定义样本的预测可信度η：

在此基础上，可得到基于可信性集成学习的频率预测输出值为：

式中，η₀为预设的可信度阈值；

若测试样本的可信度大于给定阈值，则接受集成学习结果为最终的频率预测结果，预测结果为N_c个可信基学习器预测值的平均值；否则，认为该测试样本的集成学习结果不可信，机器学习方法拒绝给出预测结果，可通过时域仿真方法进行频率特性分析。

2.根据权利要求1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，其特征在于，所述步骤1具体包括：

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；

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；生成频率响应模式的样本集；

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。

3.根据权利要求2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，其特征在于，设置多种稳态运行方式和多种故障场景，分别通过时域仿真方法生成频率响应模式，并提取频率特性关键特征和预测目标值构成样本集。

Images