CN109787236A - 一种基于深度学习的电力系统频率态势预测方法 - Google Patents

Abstract

本发明提供一种基于深度学习的电力系统频率态势预测方法，以机组单位调节功率、有功功率扰动量、机组惯性水平、机组开关状态、旋转备用水平和阻尼系数作为输入变量，以频率极值、最大频率变化率和准稳态频率作为输出变量，综合评判扰动事件后的频率稳定性。基于堆栈极限学习机的深度学习方法通过深层架构建立输入与输出之间的非线性映射关系，并在自下而上的逐层无监督训练过程中，引入自动编码器算法和正则化系数，逐层优化输入层与隐含层之间的权重矩阵，以使深度学习网络有效表征复杂函数、提高预测精度和泛化能力。本发明用于电力系统频率态势的在线预测，可根据预测情况制定相应的紧急控制措施，防止系统频率崩溃。

Description

一种基于深度学习的电力系统频率态势预测方法

技术领域

本发明涉及电力系统安全领域，尤其涉及一种基于深度学习的电力系统频率态势预测方法。

背景技术

电力系统受到有功扰动后，对系统的频率态势进行高精度的在线预测对于保证低频减载、高周切机等保护装置的快速启动以及电网频率稳定具有重要意义。根据极值频率、最大频率变化率和准稳态频率等频率态势指标可对扰动事故下的暂态频率稳定性进行综合评判。由于电力系统具有高维非线性特性，其状态空间由大量微分方程组组成，难以得到事故后频率态势指标的精确解析表达式。

目前，为得到频率态势指标的精确值，一般采用时域仿真方法，根据大量数值计算得到频率变化曲线和频率态势指标来综合评判扰动发生后是否会触发低频减载/高频切机等保护装置动作，并评判系统暂态频率稳定性。然而，时域仿真需模拟有功扰动发生后数十秒内的频率动态变化过程(需计及机组的惯性响应和一次调频控制)，存在着计算量大、运算耗时长等固有缺陷，只适用于离线仿真分析。

随着风电/光伏等随机性、间歇性、低惯性电源的持续并网，电力系统运行方式的多样性和复杂性剧增，时域仿真已难以满足多重不确定性因素(可再生能源出力波动、多类型扰动事故等)“组合数爆炸”下的频率态势在线预测需求。基于系统频率响应模型的单机等值法虽可在线大致预测系统受扰后的频率轨迹，但该方法忽略了高阶非线性环节以及限幅环节，频率态势指标预测误差较大，难以适应实际应用中高精度的要求。

发明内容

本发明提供一种基于深度学习的电力系统频率态势预测方法，以解决现有电力系统频率态势预测方法误差较大的问题。

本发明提供的基于深度学习的电力系统频率态势预测方法，包括：深度学习网络的离线训练和扰动后电力系统频率态势在线预测；

所述深度学习的离线训练包括：

兼顾历史数据库和离线时域仿真数据，得到具有多样性的大数据样本集；

归一化预处理所述大数据样本集；

将处理后的所述大数据样本集分为训练样本数据集和测试样本数据集；

设定隐含层层数以及每层隐含层神经元的个数；

利用所述训练样本数据集进行离线训练，逐层求解深度学习网络参数；

利用所述测试样本数据集测试训练之后的深度学习网络；

所述扰动后电力系统频率态势在线预测包括：

制定需进行电力系统频率态势在线预测的扰动事件集；

根据所述扰动事件集形成输入数据；

归一化处理所述输入数据；

将处理后的所述输入数据输入已离线训练好的所述深度学习网络中，得到输出数据；

反归一化处理所述输出数据，得到各预想扰动事故的多维频率态势指标，所述多维频率态势指标包括频率极值、频率变化率和准稳态频率；

利用所述多维频率态势指标综合评估各扰动事件的暂态频率稳定性。

在本发明的一个实施例中，还包括：将在线评估得到的输入和输出数据反馈至训练样本数据中，丰富历史数据库。

在本发明的一个实施例中，所述电力系统受到有功功率扰动后，系统频率的动态变化过程由下式表示：

式中，Δf(t)为系统频率偏差，H为系统总的惯性水平，D为负荷的阻尼系数，ΔPL为扰动事件导致的有功不平衡量，ΔPG_i(t)为同步发电机组参与频率调整所产生的有功功率变化量。

在本发明的一个实施例中，所述深度学习的离线训练还包括：选取基于深度学习网络的输入特征变量，所述输入特征变量包括扰动事故的有功不平衡量ΔPL、发电机组的单位调节功率R、旋转备用水平L、机组开关状态U、机组惯性水平H和阻尼系数D。

在本发明的一个实施例中，所述深度学习的离线训练还包括：基于深度学习网络实现多维频率态势特征变量输出，为电力系统暂态频率稳定评估的综合评判提供依据，所述多维频率态势特征变量包括频率极值f^nadir、最大频率变化率RoCoF和准稳态频率f^ss。

在本发明的一个实施例中，根据多维频率态势特征变量是否会触发频率保护装置动作、导致切机/切负荷作为暂态频率稳定评估的判据，判据如下：

有功扰动发生后，若系统极值频率高于高频切机装置的启动频率，即f＞f^max，或低于低频减载装置的启动频率，即f＜f^min，则判定为系统频率不稳定；

若RoCoF的绝对值大于频率变化率保护装置的启动频率，即|RoCoF|＞RoCoF^max，判定为系统频率不稳定；

扰动事故后，若极值频率介于f^min和f^max之间且RoCoF的绝对值小于RoCoF^max，将不会触发频率保护控制装置动作，则判定系统频率稳定。

在本发明的一个实施例中，所述深度学习的离线训练基于堆栈极限学习机(stacked extreme learning machine,SELM)方法，通过自动编码原理和正则化系数逐层求解网络的输入权重矩阵和隐含层特征向量。

在本发明的一个实施例中，利用所述测试样本数据集测试训练之后的SELM网络，采用平均百分比误差MAPE作为衡量堆栈极限学习机评估频率指标性能的标准，表达式为：

式中，yⁱ和分别为第i个样本的实际值和预测值，y^base为频率指标的事故前基准值。

在本发明的一个实施例中，还包括：采用准确率作为暂态频率稳定评估的评价指标，表达式为：

式中，TP为稳定样本被准确评估为稳定样本的数目，FP为稳定样本被误判为不稳定样本的数目，TN为不稳定样本被准确评估为不稳定样本的数目，FN为不稳定样本被误判为稳定样本的数目。

本发明提供的基于深度学习的电力系统频率态势预测方法，能够快速准确的对多重复杂不确定因素“组合数爆炸”下的多维频率态势指标进行预测，有利于实现电力系统暂态频率稳定的综合评估，同时，深度学习具有良好的泛化能力，可以提取出大量具有代表性的特征信息，有效表征复杂函数，系统适应能力强。与时域仿真相比，深度学习极大地节省了在线评估时间并具有极高的准确性，为电力系统多重不确定因素下的有功扰动频率态势在线预测提供了一个新的思路。与传统的浅层神经网络相比，本发明采用的基于堆栈极限学习机的深度学习精度更高，且不需要通过迭代求解优化参数，极大地降低了离线训练时间。将该方法应用于电力系统频率态势的在线预测，有利于电力系统调度运行人员根据频率态势预测结果快速制定相应的电力系统频率稳定紧急控制策略，防止系统频率崩溃。

附图说明

图1为本发明实施例提供的单层ELM结构图；

图2为本发明实施例提供的ELM-AE结构图；

图3为本发明实施例提供的基于SELM的深度学习网络结构图；

图4为本发明实施例提供的深度学习网络的离线训练流程图；

图5为本发明实施例提供的扰动后电力系统频率态势在线预测流程图；

图6为本发明实施例提供的改进后的IEEE RTS-79系统图；

图7为本发明实施例提供的基于SELM的深度学习网络在不同结构时的性能图；

图8为本发明实施例提供的极值频率指标的误差分布图；

图9为本发明实施例提供的准稳态频率指标的误差分布；

图10为本发明实施例提供的频率变化率指标的误差分布。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

当电力系统遭受有功功率扰动后，系统频率的动态变化过程可由如下微分方程表示：

式中，Δf(t)为系统频率偏差，H为系统总的惯性水平，D为负荷的阻尼系数，ΔPL为扰动事件导致的有功不平衡量，ΔPG_i(t)为同步发电机组参与频率调整所产生的有功功率变化量。

为了使本发明的技术方案更加清楚，对本发明所用到的基于堆栈极限学习机(stacked extreme learning machine，SELM)的深度学习方法进行解释。

极限学习机(extreme learning machine，ELM)是一种单隐含层前馈神经网络，参见图1，为本申请实施例提供的单层ELM结构图，如图1所示，给定输入数据样本集合X＝{x_i|1≤i≤N}，输出数据样本集合Y＝{y_i|1≤i≤N}，其中，N为样本总个数，x_i为样本集中的第i个训练样本，y_i为样本集中的第i个输出样本。H＝{h_i|1≤i≤N}为隐含层特征向量集合，h_i为第i个样本对应的特征向量。将输入数据从输入空间映射到隐含层特征空间，则X与H的关系为：

H＝s_f(WX+B) (2)

式中，W为输入层节点到隐含层神经元的权重矩阵，B为隐含层神经元的阈值矩阵，权重和阈值可随机生成，且对结果不会产生恶化影响，s_f为激活函数，通常使用sigmord函数，其具有良好的特征辨识度。

隐含层的输出为极限学习机：

式中，β为隐含层节点到输出层节点的权重矩阵，ELM算法的核心是求解输出权重矩阵使得误差函数最小：

min||Hβ-Y|| (4)

权重矩阵β可由下式近似求得：

式中，是矩阵H的Moore-Penrose广义逆矩阵。

ELM不需要通过迭代算法优化参数，因而极大程度上减少了网络的训练时间，但随机产生权重和阈值容易导致部分神经元成为无效神经元，降低代表性特征信息的学习效率。为避免上述问题，可采用ELM自动编码器(ELM auto-encoder，ELM-AE)算法得到网络参数。

参见图2，为本发明实施例提供的ELM-AE结构图，如图2所示，自动编码器(auto-encoder，AE)通过编码器将输入向量映射为隐含层中的特征向量，然后通过解码器将特征相量重构为原来的输入向量。在ELM-AE中，首先利用ELM算法产生正交随机权重和阈值，即：v

W^TW＝I,B^TB＝1 (6)

将输入数据样本集合X映射到隐含层的特征空间，然后通过求解重构矩阵β将特征相量重构为原来的输入向量，即：

X＝Hβ (7)

最后将重构矩阵β的转秩矩阵作为原网络结构输入层与隐含层的权重矩阵。相比于随机生成输入权重，ELM-AE对输入权重的选取进行优化，参数更加合理，提高了网络的预测精度和泛化能力。

为进一步避免过拟合、增强ELM的泛化能力，引入正则化系数，目标函数变为：

式中，λ为正则化系数，ε＝βH-Y为训练误差，通过构造拉格朗日方程，可求得输出权重矩阵：

基于SELM的深度学习方法构建了含多层隐含层的深度神经网络，参见图3，为本发明实施例提供的基于SELM的深度学习网络结构图，如图3所示，首先，利用输入数据样本X根据ELM-AE原理计算第一层隐含层的输入权重矩阵β¹，根据式(3)得到第一层隐含层神经元的特征向量H¹；依此类推，ELM-AE以第p层隐含层的特征向量H^p为输入，求得p+1隐含层的输入权重矩阵β^p+1，并得到第p+1层隐含层的特征向量H^p+1。最后利用式(9)求得最后一层隐含层特征向量H^k与输出样本的权重矩阵。

基于SELM的深度学习方法采用ELM-AE训练算法，自下而上地进行逐层无监督训练，得到隐含层权重矩阵，有效避免了单隐含层ELM随机产生权重与阈值带来的问题，并且通过对大规模数据逐层训练，将样本在原始空间的特征变换到新的特征空间，进而得到大量具有代表性的特征信息，可以有效表征复杂函数，具有强大的非线性映射能力，提高预测精度和泛化能力。

本发明提出的一种基于深度学习的电力系统频率态势预测方法，考虑了扰动事故的有功不平衡量ΔPL、发电机组的单位调节功率R、旋转备用水平L、机组开关状态U、机组惯性水平H、阻尼系数D等对电力系统频率动态的影响，同时利用多维频率态势指标包括频率极值f^nadir、最大频率变化率RoCoF、准稳态频率f^ss的输出，可实现电力系统暂态频率稳定评估的综合评判以及对是否会触发低频减载/高频切机等保护装置动作的评判。基于堆栈极限学习机的深度学习方法通过构建含多层隐含层的人工神经网络模型，对大规模数据逐层训练，可将样本数据从原始空间的特征变换到新的特征空间，进而得到大量具有代表性的特征信息，具有强大的非线性映射能力，能够有效表征复杂函数，提高预测精度和泛化能力，可以较好地解决传统神经网络算法过拟合，局部最优等难以解决的问题。

本发明实施例提出的一种基于深度学习的电力系统频率态势预测方法包括：深度学习网络的离线训练和扰动后电力系统频率态势在线预测，其中，深度学习网络的离线训练为基于SELM的深度学习离线训练。

参见图4，为本发明实施例提供的深度学习网络的离线训练流程图，如图4所示，本发明实施例中，基于SELM深度学习网络的离线训练的步骤是根据训练样本，离线获取训练好的基于SELM的深度学习网络，以便在线应用，具体包括：

S100：兼顾历史数据库和离线时域仿真数据，得到具有多样性的大数据样本集，形成数据库。

通过S101输入数据和S102输出数据构建数据库，数据库兼顾历史数据库和离线时域仿真数据，得到具有多样性的大数据样本集并提取所需输入输出特征变量，输入数据为输入特征变量，包括扰动事故的有功不平衡量ΔPL、发电机组的单位调节功率R、旋转备用水平L、机组开关状态U、机组惯性水平H和阻尼系数D。输出数据为输出特征变量，包括频率极值f^nadir、最大频率变化率RoCoF和准稳态频率f^ss。

S200：归一化预处理所述大数据样本集，将数据进行归一化预处理。

S300：将处理后的所述大数据样本集分为训练样本数据和测试样本数据。

S400：设定隐含层层数以及每层隐含层神经元的个数。

S500：利用所述训练样本数据进行离线训练，逐层求解深度学习网络参数，采用基于ELM-AE原理和正则化系数求解网络参数，以提高深度学习网络的预测精度和泛化能力。

步骤S500具体包括：

S501：构建自动编码模型。

S502：生成正交随机的编码器权重与阈值。

S503：利用公式(8)求解解码器的权重矩阵。

S504：保存训练好的第n层的权重矩阵。

S505：计算第n层特征向量，并作为训练样本。

S506：判断n是否小于最大层数。

若否，则S508：利用公式(8)求解最后一层隐含层与输出样本的权重矩阵。

S509：结束网络参数训练。

S600：利用所述测试样本数据集测试训练之后的深度学习网络，利用SELM模型进行测试，采用平均百分比误差(MAPE，Mean Absolute Percent Error)作为衡量SELM评估频率指标性能的标准，表达式为：

式中，yⁱ和分别为第i个样本的实际值和预测值，y^base为频率指标的事故前基准值。

此外，利用所述多维频率态势指标综合评估各扰动事件的暂态频率稳定性,采用准确率作为暂态频率稳定评估的评价指标，表达式为：

式中，TP为稳定样本被准确评估为稳定样本的数目，FP为稳定样本被误判为不稳定样本的数目，TN为不稳定样本被准确评估为不稳定样本的数目，FN为不稳定样本被误判为稳定样本的数目。

利用多维频率指标可以实现各扰动事件的暂态频率稳定性的综合评判以及是否会触发低频减载/高频切机等保护装置动作，具体判据如下：

1)有功扰动发生后，若系统极值频率高于高频切机装置的启动频率(即f＞f^max)或低于低频减载装置的启动频率(即f＜f^min)，可判定为系统频率不稳定。

2)若RoCoF绝对值大于频率变化率保护装置的启动频率(即|RoCoF|＞RoCoF^max)，判定为系统频率不稳定。

3)扰动事故后，若极值频率介于f^min和f^max之间且RoCoF的绝对值小于RoCoF^max，将不会触发频率保护控制装置动作，系统频率稳定。

S700：测试后，对数据反归一化并计算误差。

步骤S506中，若判断n小于最大层数，则进行步骤S507：n＝n+1。即增加一层隐含层，返回步骤S501。

参见图5，为本发明实施例提供的扰动后电力系统频率态势在线预测流程图，如图5所示，本发明实施例中，扰动后电力系统频率态势在线预测包括：

S800：制定需进行电力系统频率态势在线预测的扰动事件集。

根据电力规划的水平年运行方式，以及电力调度的电网当前运行方式制定预想功率扰动事件集。

S900：根据所述扰动事件集形成输入数据。

S1000：归一化处理所述输入数据。

S1100：将处理后的所述输入数据输入已离线训练好的所述深度学习网络中，得到输出数据，将输出数据进行反归一化处理，便于对扰动后电力系统频率态势指标实现在线预测。

S1200：反归一化处理所述输出数据，得到各预想扰动事故的多维频率态势指标，所述多维频率态势指标包括频率极值、频率变化率和准稳态频率。

S1300：利用所述多维频率态势指标综合评估各扰动事件的暂态频率稳定性。

此外，为了进一步提升深度学习网络的鲁棒性和泛化能力，本发明实施例还包括：将在线评估得到的输入和输出数据反馈至训练样本数据中，丰富历史数据库。

下面以具体实施例的方式，进一步对本发明内容进行说明。

为了验证本发明所提供基于深度学习的电力系统频率态势预测方法的可行性以及有效性，在IEEE RTS-79系统上开展算例测试。

计算程序都是在个人计算机上使用MATLAB软件编写完成，电脑配置为：CPU IntelCore i5，内存4GB。

以IEEE RTS-79为算例测试系统，参见图6，为本发明实施例提供的改进后的IEEERTS-79系统图，如图6所示，该系统有32台发电机、23个母线节点，负荷基准值为2850MW，额定频率为50Hz。通过增加风电场，使可再生能源出力占比逐步增加到50％，以考虑可再生能源渗透率对暂态频率稳定的影响。利用MATLAB-SIMULINK平台离线仿真得到样本数据库。

样本获取：在每种运行方式下考虑有功扰动量大小对暂态频率态势指标的影响，使功率扰动量从0逐渐变化到负荷的±40％，每次减少10MW。此外，在每种有功扰动情况下考虑系统不同旋转备用水平对结果的影响。由于综合考虑了可再生能源机组出力波动及不同惯性与备用水平下的预想功率扰动事件，该数据集较大，共有37720组样本数据。本文随机选取其中30000组数据作为训练样本集，另外7720组数据作为测试样本集。

隐含层层数与隐含层神经元个数的选取：所构建基于SELM的深度学习网络的隐含层层数以及每层隐含层的神经元个数对频率态势指标评估精度和离线训练时间有一定影响。本发明逐层设置合理的隐含层神经元个数：首先确定第1层隐含层神经元的最优个数并固定，然后增加一层确定第2层隐含层神经元的最优个数，以此类推，直到频率指标的平均百分比误差(MAPE)不再提高为止，基于SELM的深度学习网络参见图7，为本发明实施例提供的基于SELM的深度学习网络在不同结构时的性能图，如图7所示，对于该算例系统，所构建的电力系统频率态势预测的深度学习网络隐含层最佳层数为5层，每层神经元的最优个数分别设定为2000、1500、1800、1600、1300。

利用上述的样本获取以及确定的深度学习网络结构，利用图4的离线训练，使用ELM-AE算法以及正则化系数求解网络参数，建立扰动事故后电力系统频率态势预测的基于SELM的深度学习网络。

利用训练完成的深度学习网络对测试样本进行频率态势预测，从离线训练时间、在线评估时间、频率态势预测精度、稳定评估准确率对深度学习网络效果进行分析。

通过与时域仿真方法相比，基于SELM的深度学习方法极大的减少评估时间，5层ELM网络的在线评估时间仅为2.462s(仅为时域在线仿真耗时的0.29％)，可实现多重复杂不确定因素“组合数爆炸”下的频率态势的在线预测。随着隐含层层数的增加，频率态势指标的误差减小、暂态频率稳定评估的准确率提高。基于5层ELM的深度学习网络预测的频率态势指标f^nadir，f^ss，RoCoF的平均百分比误差MAPE仅为1.53％，1.07％，0.86％，稳定评估准确率高达99.25％，深度学习网络所得到频率指标的精度以及稳定评估准确率明显高于单隐含层ELM网络，说明基于SELM的深度学习网络可以更好地表征复杂函数，具有很高的评估准确性，具体结果如表1所示。

表1 SELM与时域仿真所得结果的比较

通过改变系统运行方式(改变可再生能源渗透率、机组开关状态、备用水平和有功扰动量等)，重新生成1000组新的测试样本，验证基于SELM的深度学习网络的泛化能力，所得到的f^nadir，f^ss，RoCoF的频率指标误差分布如图8、图9、图10所示，分别在0.05Hz和0.03Hz/s以内，频率稳定评估准确率达97.1％，泛化能力相比于单层ELM明显提高，适应性强，满足实际应用中的精度要求。图8、图9、图10中，纵坐标均为Hz。上述分析表明使用所训练的深度学习网络对扰动后系统的频率态势可以实现准确预测。

为了进一步验证基于SELM的深度学习网络的有效性，采用浅层神经网络方法(BP、RBF)对相同的样本集进行训练和测试，并将所得结果的平均百分比误差与含五层隐含层的SELM深度学习网络进行对比分析。由表2可以看出基于SELM的深度学习网络的离线训练时间最短，分别为BP算法(505.35s)的4.6％、RBF算法(120.62s)的19.4％。SELM算法所得到的三类频率态势指标的MAPE值均最小，稳定评估准确率最高。BP和RBF算法所得到f^nadir的MAPE值分别是SELM的37倍、12倍；f^ss的MAPE值分别是SELM的56倍、27倍；RoCoF的MAPE值分别是SELM的14倍、9倍。由以上结果可以看出，基于SELM的深度学习网络的电力系统频率态势预测方法的精度远远优于其他两种浅层神经网络算法。

表2三种人工智能算法所得结果的MAPE比较

将深度学习方法应用于多重复杂不确定因素“组合数爆炸”下的电力系统频率态势预测，可以快速、准确的对多维频率指标进行预测，有利于实现电力系统暂态频率稳定的综合评估。深度学习方法通过多层神经网络可以提取出大量具有代表性的特征信息、有效表征复杂函数，同时，具有良好的泛化能力，对系统适应能力强。与时域仿真相比，基于堆栈极限学习机的深度学习方法极大地节省了在线评估时间并具有极高的准确性，为电力系统多重不确定因素下的有功扰动后频率态势在线预测提供了一个新的思路。与单层ELM相比，SELM的频率态势指标预测精度、准确率更高。与传统的浅层神经网络相比，其精度更高，且不需要通过迭代求解优化参数，极大地降低了离线训练时间。将该方法应用于电力系统频率态势预测的在线预测，以便于电力系统调度运行人员根据预测结果快速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。

以上所述的本发明的具体实施方式并不构成对本发明保护范围的限定。

Claims (9)

1.一种基于深度学习的电力系统频率态势预测方法，其特征在于，包括：深度学习网络的离线训练和扰动后电力系统频率态势在线预测；

所述深度学习的离线训练包括：

兼顾历史数据库和离线时域仿真数据，得到具有多样性的大数据样本集；

归一化预处理所述大数据样本集；

将处理后的所述大数据样本集分为训练样本数据集和测试样本数据集；

设定隐含层层数以及每层隐含层神经元的个数；

利用所述训练样本数据集进行离线训练，逐层求解深度学习网络参数；

利用所述测试样本数据集测试训练之后的深度学习网络；

所述扰动后电力系统频率态势在线预测包括：

制定需进行电力系统频率态势在线预测的扰动事件集；

根据所述扰动事件集形成输入数据；

归一化处理所述输入数据；

将处理后的所述输入数据输入已离线训练好的所述深度学习网络中，得到输出数据；

反归一化处理所述输出数据，得到各预想扰动事故的多维频率态势指标，所述多维频率态势指标包括频率极值、频率变化率和准稳态频率；

利用所述多维频率态势指标综合评估各扰动事件的暂态频率稳定性。

2.根据权利要求1所述的基于深度学习的电力系统频率态势预测方法，其特征在于，还包括：将在线评估得到的输入和输出数据反馈至训练样本数据中，丰富历史数据库。

3.根据权利要求1所述的基于深度学习的电力系统频率态势预测方法，其特征在于，所述电力系统受到有功功率扰动后，系统频率的动态变化过程由下式表示：

式中，Δf(t)为系统频率偏差，H为系统总的惯性水平，D为负荷的阻尼系数，ΔPL为扰动事件导致的有功不平衡量，ΔPG_i(t)为同步发电机组参与频率调整所产生的有功功率变化量。

4.根据权利要求3所述的基于深度学习的电力系统频率态势预测方法，其特征在于，所述深度学习的离线训练还包括：选取基于深度学习网络的输入特征变量，所述输入特征变量包括扰动事故的有功不平衡量ΔPL、发电机组的单位调节功率R、旋转备用水平L、机组开关状态U、机组惯性水平H和阻尼系数D。

5.根据权利要求1所述的基于深度学习的电力系统频率态势预测方法，其特征在于，所述深度学习的离线训练还包括：基于深度学习网络实现多维频率态势特征变量输出，为电力系统暂态频率稳定评估的综合评判提供依据，所述多维频率态势特征变量包括频率极值f^nadir、最大频率变化率RoCoF和准稳态频率f^ss。

6.根据权利要求5所述的基于深度学习的电力系统频率态势预测方法，其特征在于，根据多维频率态势特征变量是否会触发频率保护装置动作、导致切机/切负荷作为暂态频率稳定评估的判据，判据如下：

有功扰动发生后，若系统极值频率高于高频切机装置的启动频率，即f＞f^max，或低于低频减载装置的启动频率，即f＜f^min，则判定为系统频率不稳定；

若RoCoF的绝对值大于频率变化率保护装置的启动频率，即|RoCoF|＞RoCoF^max，判定为系统频率不稳定；

扰动事故后，若极值频率介于f^min和f^max之间且RoCoF的绝对值小于RoCoF^max，将不会触发频率保护控制装置动作，则判定系统频率稳定。

7.根据权利要求1所述的基于深度学习的电力系统频率态势预测方法，其特征在于，所述深度学习的离线训练基于堆栈极限学习机方法，通过自动编码原理和正则化系数逐层求解网络的输入权重矩阵和隐含层特征向量。

8.根据权利要求7所述的基于深度学习的电力系统频率态势预测方法，其特征在于，利用所述测试样本数据集测试训练之后的堆栈极限学习机网络，采用平均百分比误差MAPE作为衡量堆栈极限学习机评估频率指标性能的标准，表达式为：

式中，yⁱ和分别为第i个样本的实际值和预测值，y^base为频率指标的事故前基准值。

9.根据权利要求8所述的基于深度学习的电力系统频率态势预测方法，其特征在于，还包括：采用准确率作为暂态频率稳定评估的评价指标，表达式为：

式中，TP为稳定样本被准确评估为稳定样本的数目，FP为稳定样本被误判为不稳定样本的数目，TN为不稳定样本被准确评估为不稳定样本的数目，FN为不稳定样本被误判为稳定样本的数目。