CN109768541B - 一种广域电网阻尼的控制方法及装置 - Google Patents
一种广域电网阻尼的控制方法及装置 Download PDFInfo
- Publication number
- CN109768541B CN109768541B CN201811453275.5A CN201811453275A CN109768541B CN 109768541 B CN109768541 B CN 109768541B CN 201811453275 A CN201811453275 A CN 201811453275A CN 109768541 B CN109768541 B CN 109768541B
- Authority
- CN
- China
- Prior art keywords
- power grid
- area power
- low
- neural network
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种广域电网阻尼的控制方法及装置,所述方法包括:采集广域电网中的电磁信号;利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号;利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号;向广域电网中各组件施加的所述阻尼信号。本发明提供的技术方案,可以确定网络延时对惯量控制性能的影响,同时能够真实反映信息系统的随机行为,有效抑制电力系统低频振荡。
Description
技术领域
本发明涉及电力系统信息物理融合技术领域,具体涉及一种广域电网阻尼的控制方法及装置。
背景技术
电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能,再经输电、变电和配电将电能供应到各用户。为实现这一功能,电力系统在各个环节和不同层次还具有相应的信息与控制系统,对电能的生产过程进行测量、调节、控制、保护、通信和调度,以保证用户获得安全、优质的电能。电力系统的主体结构有电源(水电站、火电厂、核电站等发电厂)、变电所(升压变电所、负荷中心变电所等)、输电、配电线路和负荷中心。各电源点还互相联接以实现不同地区之间的电能交换和调节,从而提高供电的安全性和经济性。输电线路与变电所构成的网络通常称电力网络。电力系统的信息与控制系统由各种检测设备、通信设备、安全保护装置、自动控制装置以及监控自动化、调度自动化系统组成。电力系统的结构应保证在先进的技术装备和高经济效益的基础上,实现电能生产与消费的合理协调。
随着大型互联电力系统的发展,电力系统低频振荡问题对系统稳定性的影响越来越显著。在系统缺乏有效阻尼的情况下,低频振荡会长时间存在,并有可能扩散,甚至有时会造成大规模停电,对系统稳定运行的影响很大。区间低频振荡已成为限制跨区电力输送的瓶颈之一,设计有效的阻尼控制系统是抑制低频振荡、提高输电能力的重要手段。
目前的阻尼控制系统已形成以就地为主的控制手段目前的电网阻尼控制方法主要存在如下的问题:
1)对于非平稳环境下的突变和时变信号的跟踪能力不够,常常无法检测到信号特征参数的问题;
2)能够确定网络延时对控制性能的影响,无法真实反映信息系统的随机行为。
发明内容
针对现有技术的不足,本发明的目的是通过利用预先建立的深度神经网络模型和预先建立的递归神经网络模型获取向广域电网中各组件施加的所述阻尼信号,有效抑制电力系统低频振荡。
本发明的目的是采用下述技术方案实现的:
一种广域电网阻尼的控制方法,其改进之处在于,所述方法包括:
采集广域电网中的电磁信号;
利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号;
利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号;
向广域电网中各组件施加的所述阻尼信号。
优选的,所述预先建立的深度神经网络模型的建立过程,包括:
以历史导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输入层训练样本,以该电磁信号导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型。
优选的,所述利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号,包括:
以采集的广域电网中的电磁信号为所述预先建立的深度神经网络模型的输入,获取该电磁信号对应的低频震荡信号。
优选的,所述预先建立的递归神经网络模型的建立过程,包括:
以历史的广域电网的低频震荡信号为初始递归神经网络模型的输入层训练样本,以历史针对所述低频震荡信号向广域电网中各组件施加的阻尼信号为输出层训练样本,获取所述预先建立的递归神经网络模型。
优选的,所述利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号,包括:
以采集的广域电网中的电磁信号导致广域电网低频震荡的低频震荡信号为所述预先建立的递归神经网络模型的输入,获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号。
优选的,所述利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号之后,包括:
若未获取向广域电网中各组件施加的阻尼信号,则已获取的最新阻尼信号作为向广域电网中各组件施加的阻尼信号。
一种广域电网阻尼的控制装置,其改进之处在于,所述装置包括:
采集单元,用于采集广域电网中的电磁信号;
第一获取单元,用于利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号;
第二获取单元,用于利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号;
第一操作单元,用于向广域电网中各组件施加的所述阻尼信号。
优选的,所述预先建立的深度神经网络模型的建立过程,包括:
以历史导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输入层训练样本,以该电磁信号导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型。
优选的,所述第一获取单元,用于:
以采集的广域电网中的电磁信号为所述预先建立的深度神经网络模型的输入,获取该电磁信号对应的低频震荡信号。
优选的,所述预先建立的递归神经网络模型的建立过程,包括:
以历史的广域电网的低频震荡信号为初始递归神经网络模型的输入层训练样本,以历史针对所述低频震荡信号向广域电网中各组件施加的阻尼信号为输出层训练样本,获取所述预先建立的递归神经网络模型。
优选的,所述第二获取单元,用于:
以采集的广域电网中的电磁信号导致广域电网低频震荡的低频震荡信号为所述预先建立的递归神经网络模型的输入,获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号。
优选的,所述装置还包括:
第二操作单元,用于若未获取向广域电网中各组件施加的阻尼信号,则已获取的最新阻尼信号作为向广域电网中各组件施加的阻尼信号。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的技术方案,通过利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号,利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号,向广域电网中各组件施加的所述阻尼信号,可以确定网络延时对惯量控制性能的影响,同时能够真实反映信息系统的随机行为,有效抑制电力系统低频振荡。
附图说明
图1是本实施例中一种广域电网阻尼的控制方法的流程图;
图2是本实施例中一种广域电网阻尼的控制装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供了一种广域电网阻尼的控制方法,如图1所示,所述方法包括:
101.采集广域电网中的电磁信号;
102.利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号;
103.利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号;
104.向广域电网中各组件施加的所述阻尼信号。
进一步的,所述预先建立的深度神经网络模型的建立过程,包括:
以历史导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输入层训练样本,以该电磁信号导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型。
具体的,按下式确定深度神经网络模型:
上式中,t∈[1,T],T为时刻总数;θ为深度神经网络的权重参数,y(t)为该电磁信号导致广域电网低频震荡的低频震荡信号,为历史导致广域电网低频震荡的电磁信号,f(θ)为深度神经网络的表达函数,v(t)为随机噪声。
进一步的,所述步骤102,包括:
以采集的广域电网中的电磁信号为所述预先建立的深度神经网络模型的输入,获取该电磁信号对应的低频震荡信号。
进一步的,所述预先建立的递归神经网络模型的建立过程,包括:
以历史的广域电网的低频震荡信号为初始递归神经网络模型的输入层训练样本,以历史针对所述低频震荡信号向广域电网中各组件施加的阻尼信号为输出层训练样本,获取所述预先建立的递归神经网络模型。
进一步的,所述步骤103,包括:
以采集的广域电网中的电磁信号导致广域电网低频震荡的低频震荡信号为所述预先建立的递归神经网络模型的输入,获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号。
进一步的,所述步骤103之后,包括:
若未获取向广域电网中各组件施加的阻尼信号,则已获取的最新阻尼信号作为向广域电网中各组件施加的阻尼信号。
本发明还提供一种广域电网阻尼的控制装置,如图2所示,所述装置包括:
采集单元,用于采集广域电网中的电磁信号;
第一获取单元,用于利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号;
第二获取单元,用于利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号;
第一操作单元,用于向广域电网中各组件施加的所述阻尼信号。
进一步的,所述预先建立的深度神经网络模型的建立过程,包括:
以历史导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输入层训练样本,以该电磁信号导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型。
具体的,按下式确定深度神经网络模型:
上式中,t∈[1,T],T为时刻总数;θ为深度神经网络的权重参数,y(t)为该电磁信号导致广域电网低频震荡的低频震荡信号,为历史导致广域电网低频震荡的电磁信号,f(θ)为深度神经网络的表达函数,v(t)为随机噪声。
进一步的,所述第一获取单元,用于:
以采集的广域电网中的电磁信号为所述预先建立的深度神经网络模型的输入,获取该电磁信号对应的低频震荡信号。
进一步的,所述预先建立的递归神经网络模型的建立过程,包括:
以历史的广域电网的低频震荡信号为初始递归神经网络模型的输入层训练样本,以历史针对所述低频震荡信号向广域电网中各组件施加的阻尼信号为输出层训练样本,获取所述预先建立的递归神经网络模型。
进一步的,所述第二获取单元,用于:
以采集的广域电网中的电磁信号导致广域电网低频震荡的低频震荡信号为所述预先建立的递归神经网络模型的输入,获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号。
进一步的,所述装置还包括:
第二操作单元,用于若未获取向广域电网中各组件施加的阻尼信号,则已获取的最新阻尼信号作为向广域电网中各组件施加的阻尼信号。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种广域电网阻尼的控制方法,其特征在于,所述方法包括:
采集广域电网中的电磁信号;
利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号;
利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号;
向广域电网中各组件施加的所述阻尼信号;
所述预先建立的深度神经网络模型的建立过程,包括:
以历史导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输入层训练样本,以该电磁信号导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型;
所述预先建立的递归神经网络模型的建立过程,包括:
以历史的广域电网的低频震荡信号为初始递归神经网络模型的输入层训练样本,以历史针对所述低频震荡信号向广域电网中各组件施加的阻尼信号为输出层训练样本,获取所述预先建立的递归神经网络模型。
2.如权利要求1所述的方法,其特征在于,所述利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号,包括:
以采集的广域电网中的电磁信号为所述预先建立的深度神经网络模型的输入,获取该电磁信号对应的低频震荡信号。
3.如权利要求1所述的方法,其特征在于,所述利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号,包括:
以采集的广域电网中的电磁信号导致广域电网低频震荡的低频震荡信号为所述预先建立的递归神经网络模型的输入,获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号。
4.如权利要求1所述的方法,其特征在于,所述利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号之后,包括:
若未获取向广域电网中各组件施加的阻尼信号,则已获取的最新阻尼信号作为向广域电网中各组件施加的阻尼信号。
5.一种广域电网阻尼的控制装置,其特征在于,所述装置包括:
采集单元,用于采集广域电网中的电磁信号;
第一获取单元,用于利用预先建立的深度神经网络模型获取所述电磁信号导致广域电网低频震荡的低频震荡信号;
第二获取单元,用于利用预先建立的递归神经网络模型获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号;
第一操作单元,用于向广域电网中各组件施加的所述阻尼信号;
所述预先建立的深度神经网络模型的建立过程,包括:
以历史导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输入层训练样本,以该电磁信号导致广域电网低频震荡的电磁信号为初始深度神经网络模型的输出层训练样本进行训练,获取所述预先建立的深度神经网络模型;
所述预先建立的递归神经网络模型的建立过程,包括:
以历史的广域电网的低频震荡信号为初始递归神经网络模型的输入层训练样本,以历史针对所述低频震荡信号向广域电网中各组件施加的阻尼信号为输出层训练样本,获取所述预先建立的递归神经网络模型。
6.如权利要求5所述的装置,其特征在于,所述第一获取单元,用于:
以采集的广域电网中的电磁信号为所述预先建立的深度神经网络模型的输入,获取该电磁信号对应的低频震荡信号。
7.如权利要求5所述的装置,其特征在于,所述第二获取单元,用于:
以采集的广域电网中的电磁信号导致广域电网低频震荡的低频震荡信号为所述预先建立的递归神经网络模型的输入,获取针对所述低频震荡信号向广域电网中各组件施加的阻尼信号。
8.如权利要求5所述的装置,其特征在于,所述装置还包括:
第二操作单元,用于若未获取向广域电网中各组件施加的阻尼信号,则已获取的最新阻尼信号作为向广域电网中各组件施加的阻尼信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811453275.5A CN109768541B (zh) | 2018-11-30 | 2018-11-30 | 一种广域电网阻尼的控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811453275.5A CN109768541B (zh) | 2018-11-30 | 2018-11-30 | 一种广域电网阻尼的控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109768541A CN109768541A (zh) | 2019-05-17 |
CN109768541B true CN109768541B (zh) | 2022-10-04 |
Family
ID=66451110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811453275.5A Active CN109768541B (zh) | 2018-11-30 | 2018-11-30 | 一种广域电网阻尼的控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109768541B (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2325968A1 (en) * | 2009-11-18 | 2011-05-25 | ABB Research Ltd. | Tuning a power oscillation damping unit |
CN103838234B (zh) * | 2014-03-24 | 2016-04-27 | 国家电网公司 | 基于adpss的发电机广域阻尼控制系统闭环测试方法 |
-
2018
- 2018-11-30 CN CN201811453275.5A patent/CN109768541B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109768541A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017071230A1 (zh) | 一种多Agent的水电站群短期优化调度方法 | |
CN104333005B (zh) | 基于支持向量回归的电力系统扰动后频率动态预测方法 | |
Xu et al. | Robust real-time distributed optimal control based energy management in a smart grid | |
CN111092429B (zh) | 一种柔性互联配电网的优化调度方法、存储介质及处理器 | |
CN103474986B (zh) | 一种长时间尺度电力系统频率波动仿真方法 | |
CN103700041A (zh) | 基于云计算的智能电网负荷预测管理平台 | |
CN102930734A (zh) | 分布式交通信号相位差控制结构和调整方法 | |
CN104463465B (zh) | 一种基于分布式模型的实时监控集群处理方法 | |
CN103971173A (zh) | 主动配电网变电站容量控制方法与系统 | |
CN104377826A (zh) | 一种主动配电网控制策略及方法 | |
CN104600755A (zh) | 风电、水电和火电机组优化协调的方法和系统 | |
CN107862438A (zh) | 一种基于专家系统的多客户端智慧水务管理平台 | |
KR20220012935A (ko) | 도메인 간 데이터 상호작용 방법 및 장치 | |
CN103475003A (zh) | 基于区域策略寻优的地区电网自动电压无功控制方法 | |
CN106026178B (zh) | 一种区域多分布式电源自律发电控制方法和装置 | |
CN109768541B (zh) | 一种广域电网阻尼的控制方法及装置 | |
CN105703375B (zh) | 一种自适应孤立电网规模的第三道防线配置方法 | |
CN108985593B (zh) | 一种基于区块链技术的海上风电工程施工智能化管控系统 | |
CN110412864A (zh) | 水轮机调速系统分段变速率测试方法及可读存储介质 | |
CN108108888B (zh) | 风力发电及光伏发电的有功指令协同控制方法及装置 | |
CN113904378B (zh) | 一种虚拟电厂资源调控方法、系统及资源调控终端 | |
CN113178945A (zh) | 一种基于云边协同的分布式光伏发电控制系统和方法 | |
CN108011366A (zh) | 一种配电网可控资源协调优化控制方法和装置 | |
CN104578175B (zh) | 一种用于电网备用调节的agc控制方法 | |
CN110500232A (zh) | 风力发电机组的控制方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |