CN110634082A - 一种基于深度学习的低频减载系统运行阶段预测方法 - Google Patents
一种基于深度学习的低频减载系统运行阶段预测方法 Download PDFInfo
- Publication number
- CN110634082A CN110634082A CN201910905422.6A CN201910905422A CN110634082A CN 110634082 A CN110634082 A CN 110634082A CN 201910905422 A CN201910905422 A CN 201910905422A CN 110634082 A CN110634082 A CN 110634082A
- Authority
- CN
- China
- Prior art keywords
- layer
- frequency
- deep learning
- data
- matrix
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 19
- 230000001960 triggered effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000004088 simulation Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 230000003449 preventive effect Effects 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 10
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于深度学习的低频减载系统运行阶段预测方法，考虑了多种参数对电力系统频率动态的影响，基于深度学习网络实现多维特征变量输出，利用扰动后电力系统频率最低点和低频减载系统触发的潜在运行阶段为电力系统控制中心的操作员准确地掌握故障后动态电力系统的频率特性，及时采取预防措施提供依据。基于堆栈降噪自动编码器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，解决动态频率安全评估准确性差、时效性差的技术问题。
Description
技术领域
本申请涉及电力系统安全技术领域，尤其涉及一种基于深度学习的低频减载系统运行阶段预测方法。
背景技术
动态频率安全评估是衡量电力系统承受有功扰动事故能力的重要方面。近年来，由于大规模可再生能源并网，其随机性、间歇性和低惯性特性对电力系统频率安全造成了严重影响。一般利用频率最低点指标和触发低频减载系统的潜在运行阶段指标实现对有功功率扰动事故的严重性进行评估。如果有功功率扰动事故导致系统频率下降到低频减载系统动作范围，低频减载系统将会自动切除一定量的负荷，从而使得系统频率恢复到可接受的允许偏差范围内。
目前，最常用于有功功率扰动之后的电力系统运行模拟计算的方法是时域仿真，时域仿真通过动态模拟计算得到扰动后数十秒内的频率曲线，从而确定频率最低值。当扰动事故后频率在低频减载保护动作阈值以下并在一定时间延迟后(通常为0.2秒)频率仍在低频减载保护动作阈值以下，一部分规定比例的负载将被切除。
但是，时域仿真存在模型复杂、运算量大、计算时间过长等固有缺陷，时域仿真仅适用于离线分析，不能应用于多重不确定性因素干扰下频率最低点的在线预测。在时域仿真框架中全面考虑低频减载保护系统的动作，具有准确性差、时效性差，使得电力系统控制中心的操作员不能快速、准确地了解故障后电力系统动态频率特性，难以及时制定预防措施，无法提前做好准备。
发明内容
本申请提供了一种基于深度学习的低频减载系统运行阶段预测方法，以解决动态频率安全评估准确性差、时效性差的技术问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
本申请实施例公开了一种基于深度学习的低频减载系统运行阶段预测方法，包括：
根据历史数据和离线时域仿真数据构建深度学习网络，并对所述深度学习网络进行离线训练；
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中的数据分类选取输入特征变量；
对所述输入特征变量进行归一化处理，得到输入数据；
将所述输入数据输入所述深度学习网络中，得到输出数据；
对所述输出数据进行反归一化处理，得到预想扰动事故的多维频率指标。
可选的，所述构建深度学习网络，并对所述深度学习网络进行离线训练包括：
根据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，每个样本的样本数据包括样本的电力特征参数和多维频率指标；
对所述大数据样本集中的数据进行归一化预处理；
将预处理后的样本数据集进行随机划分，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；
对训练样本数据集进行训练，逐层求解深度学习网络参数；
对所述网络参数进行微调，采用自上而下的反向传播优化方法对初始化网络参数的权值矩阵与阈值矩阵进行微调，直到迭代次数达到设定值为止。
可选的，所述多维频率指标包括扰动后电力系统频率最低点和低频减载系统触发的潜在运行阶段。
可选的，所述输入特征变量包括：扰动事故的有功不平衡量、扰动事故位置、发电机组的单位调节功率、旋转备用水平、机组开关状态、机组惯性水平、机组有功出力、系统阻尼系数。
对所述网络参数进行微调包括：
获取学习率，记为l；
选择多个样本的样本数据，并根据误差损失函数计算隐含层与输出层之间的权值矩阵和阈值矩阵的梯度；
基于反向传播逐层计算每组权值矩阵和阈值矩阵的梯度；
更新每组权重矩阵和阈值矩阵。
可选的，所述误差损失函数为：
式(1)中，N为样本总个数，yi为第i个样本的实际值，xi为第i个样本的输入特征变量，f为激活函数，W为逐层预训练得到的网络初始化权重，B为逐层预训练得到的网络初始化阈值。
可选的，所述隐含层与输出层之间的权值矩阵和阈值矩阵的梯度公式为：
式(2)中，wn+1表示第n层隐含层与输出层之间的权值矩阵的梯度，bn+1表示第n层隐含层与输出层之间的阈值矩阵的梯度，Wn+1表示第n层隐含层与输出层之间的权重矩阵，Bn+1表示第n层隐含层与输出层之间的阈值矩阵，yi表示第i个样本的频率指标的实际值矩阵、f(W，B)(xi)表示第i个样本的堆栈降噪自动编码器的频率指标预测值矩阵。
可选的，所述每组权值矩阵和阈值矩阵的梯度的计算公式：
其中，i取值不为1时，Hi＝sf(WiHi-1+Bi)；i取值为1时，H1＝sf(W1xi+B1)xi为第i个样本的输入特征变量；
式(3)中，i介于1与n+1之间时，wi表示第i-1层隐含层与第i层隐含层之间的权值矩阵的梯度、bi表示第i-1层隐含层与第i层隐含层之间的阈值矩阵的梯度；i取值为1时，wi表示第一层隐含层与输入层之间的权值矩阵的梯度，bi表示第一层隐含层与输入层之间的阈值矩阵的梯度，Hi为第i层隐含层的特征向量，sf为神经元激活函数，激活函数为sigmoid。
可选的，所述更新每组权重矩阵和阈值矩阵的公式为：
式(4)中，wi表示第i-1层隐含层与第i层隐含层之间的权值矩阵的梯度、bi表示第i-1层隐含层与第i层隐含层之间的阈值矩阵的梯度；Wi表示第i-1层隐含层与输出层之间的权重矩阵，i表示第i-1层隐含层与输出层之间的阈值矩阵，l为学习率。
与现有技术相比，本申请的有益效果为：
本申请公开了一种基于深度学习的低频减载系统运行阶段预测方法，包括：根据历史数据和离线时域仿真数据构建深度学习网络，并对所述深度学习网络进行离线训练，得到深度学习网络参数，为扰动事故后电力系统频率最低点和低频减载系统触发的潜在运行阶段的在线评估提供网络结构。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中的数据分类选取输入特征变量；对所述输入特征变量进行归一化处理，得到输入数据；将所述输入数据输入所述深度学习网络中，得到输出数据；对所述输出数据进行反归一化处理，得到预想扰动事故的多维频率指标。通过以上步骤，可同时对扰动后电力系统频率最低点和低频减载系统触发的潜在运行阶段进行预测，基于深度学习的网络构建，极大地节省了在线评估时间并具有极高的准确性，为电力系统控制中心的操作员准确地掌握故障后动态电力系统的频率特性，及时采取预防措施提供依据。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于深度学习的低频减载系统运行阶段预测方法示意图；
图2为构建深度学习网络，并对所述深度学习网络进行离线训练的方法示意图；
图3为逐层求解深度学习网络参数的方法示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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他实施例，都应当属于本申请保护的范围。
如图1所示，为本申请实施例提供的一种基于深度学习的低频减载系统运行阶段预测方法示意图。
一种基于深度学习的低频减载系统运行阶段预测方法包括：
根据历史数据和离线时域仿真数据构建深度学习网络，并对所述深度学习网络进行离线训练。具体步骤如图2所示：
根据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，每个样本的样本数据包括样本的电力特征参数和多维频率指标，所述频率指标包括扰动后电力系统频率最低点和低频减载系统触发的潜在运行阶段。
对所述大数据样本集中的数据进行归一化预处理。将预处理后的样本数据集进行随机划分，分为训练样本数据集和测试样本数据集。
设定隐含层层数记为：nmax，以及每层隐含层神经元的个数。
对训练样本数据集进行训练，逐层求解深度学习网络参数，步骤如图3所示，具体如下：
a1、设置M为训练样本划分的组数，emax为无监督迭代训练设置次数，nmax为隐含层层数
a 2、从第n层隐含层(n初始值为1)开始训练，将训练样本划分为M组小批量的数据集，取第m组训练集(m初始值为1)进行第e次迭代训练(e初始值为1)。
a 3、基于降噪自动编码器算法求解权重与阈值，实现网络参数的初始化。
a 4、如果m<M，则执行m＝m+1，返回第a 3步；如果m≥M，执行第a 5步。
a 5、如果e<emax，则执行e＝e+1，返回第a 2步；如果e≥emax，执行第a 6步。
a 6、保存训练好的第n层的权重和阈值，计算第n层特征向量并作为第n+1层的训练样本。
a 7、如果n<nmax，则执行n＝n+1，返回第a 2步；如果n≥nmax，训练结束。
对所述网络参数进行微调，即采用自上而下的反向传播优化方法对初始化网络参数的权值矩阵与阈值矩阵进行微调，直到迭代次数达到迭代设定值为止，次数的迭代设定值为根据需要提前设定。具体步骤如下：
获取学习率，所述学习率记为l，本申请中的学习率是固定的，一般选取0.5。
选择多个样本的样本数据，并根据误差损失函数计算隐含层与输出层之间的权值矩阵和阈值矩阵的梯度，其中：
所述误差损失函数为：
式(1)中，N为样本总个数，yi为第i个样本的实际值，xi为第i个样本的输入特征变量，f为激活函数，W为逐层预训练得到的网络初始化权重，B为逐层预训练得到的网络初始化阈值。
所述隐含层与输出层之间的权值矩阵和阈值矩阵的梯度公式为：
式(2)中，wn+1表示第n层隐含层与输出层之间的权值矩阵的梯度，bn+1表示第n层隐含层与输出层之间的阈值矩阵的梯度，Wn+1表示第n层隐含层与输出层之间的权重矩阵，Bn+1表示第n层隐含层与输出层之间的阈值矩阵，yi表示第i个样本的频率指标的实际值矩阵、f(W，B)(xi)表示第i个样本的堆栈降噪自动编码器的频率指标预测值矩阵。
基于反向传播逐层计算每组权值矩阵和阈值矩阵的梯度，计算公式为：
其中，i取值不为1时，Hi＝sf(WiHi-1+Bi)；i取值为1时，H1＝sf(W1xi+B1)xi为第i个样本的输入特征变量；
式(3)中，i介于1与n+1之间时，wi表示第i-1层隐含层与第i层隐含层之间的权值矩阵的梯度、bi表示第i-1层隐含层与第i层隐含层之间的阈值矩阵的梯度；i取值为1时，wi表示第一层隐含层与输入层之间的权值矩阵的梯度，bi表示第一层隐含层与输入层之间的阈值矩阵的梯度，Hi为第i层隐含层的特征向量，sf为神经元激活函数，激活函数为sigmoid。
更新每组权重矩阵和阈值矩阵，公式为：
式(4)中，wi表示第i-1层隐含层与第i层隐含层之间的权值矩阵的梯度、bi表示第i-1层隐含层与第i层隐含层之间的阈值矩阵的梯度；Wi表示第i-1层隐含层与输出层之间的权重矩阵，i表示第i-1层隐含层与输出层之间的阈值矩阵，l为学习率。
基于堆栈降噪自动编码器的深度学习方法采用自下而上地进行逐层无监督预训练，得到隐含层权重矩阵，有效避免了权重与阈值随机生成带来的问题，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。
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中的数据分类选取输入特征变量。所述输入特征变量包括：扰动事故的有功不平衡量、扰动事故位置、发电机组的单位调节功率、旋转备用水平、机组开关状态、机组惯性水平、机组有功出力、系统阻尼系数。
对所述输入特征变量进行归一化处理，得到输入数据，将所述输入数据输入所述深度学习网络中，得到输出数据；
对所述输出数据进行反归一化处理，得到预想扰动事故的多维频率指标，所述多维频率指标包括扰动后电力系统频率最低点和低频减载系统触发的潜在运行阶段。
本申请提出的一种基于深度学习的低频减载系统运行阶段预测方法，考虑了扰动事故的有功不平衡量、扰动事故位置、发电机组的单位调节功率、旋转备用水平、机组开关状态、机组惯性水平、机组有功出力、系统阻尼系数对电力系统频率动态的影响，基于深度学习网络实现多维特征变量输出，利用扰动后电力系统频率最低点和低频减载系统触发的潜在运行阶段为电力系统控制中心的操作员准确地掌握故障后动态电力系统的频率特性，及时采取预防措施提供依据。基于堆栈降噪自动编码器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。
为了进一步提升深度学习网络的鲁棒性和泛化能力，可将在线评估得到的输入与输出数据反馈到离线训练样本中去，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低频减载系统运行阶段预测方法的可行性以及有效性，在IEEE 10机39节点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 10机39节点为算例测试系统，该系统有10台发电机、39个母线节点，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30％，以考虑可再生能源渗透率对暂态频率稳定的影响，低频减载系统有五个减载阶段，每个阶段的频率阈值和减载百分比如表1所示，利用PSD-BPA平台离线仿真得到样本数据库。
表1：低频减载系统设置表
| 阶段NO. | 频率阈值[Hz] | 延迟[s] | 切负荷比例[％] |
| 1 | 49.2 | 0.2 | 7 |
| 2 | 49.0 | 0.2 | 7 |
| 3 | 48.8 | 0.2 | 7 |
| 4 | 48.6 | 0.2 | 7 |
| 5 | 48.4 | 0.2 | 7 |
获取样本：在每种运行方式下考虑机组N-1和N-2跳闸故障，此外，负荷从基准值的80％变化到110％，每次变化5％，并相应的改变发电机的输出功率以保证系统功率平衡，以考虑系统不同旋转备用水平对最低频率指标以及低频减载系统运行阶段的影响。该数据集共有1148组样本数据。本发明随机选取其中900组数据作为训练样本集，另外248组数据作为测试样本集。
选取隐含层层数与隐含层神经元个数：所构建基于堆栈降噪自动编码器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最低频率指标以及低频减载系统运行阶段评估精度和离线训练时间有一定影响。本申请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(Mean Absolute PercentageError，MAPE)不再提高为止。所构建的电力系统最低频率指标以及低频减载系统运行阶段预测的深度学习网络隐含层最佳层数为3层，每层神经元的最优个数分别设定为130，140，80。
利用上述的样本获取以及确定的深度学习网络结构，对所述深度学习网络进行离线训练，使用“预训练-参数微调”两阶段训练方法求解网络参数，建立扰动事故后电力系统最低频率指标以及低频减载系统运行阶段在线预测的基于堆栈降噪自动编码器的深度学习网络。
表2通过评估时间、MAPE和准确率(accuracy，AC)三个指标对时域仿真、堆栈降噪自动编码器(Stacked Denoising Auto Encoder，SDAE)、反向传播神经网络(Backpropagation，BP)、极限学习机(Extreme learning machine，ELM)四种方法进行对比。
通过时域仿真方法得到248个测试样本的最低频率指标以及低频减载系统运行阶段，需要执行248次动态仿真计算，总共花费2976秒。尽管由时域仿真产生的频率度量非常准确，但是时域仿真耗时久，难以满足运营商对扰动故障后低频减载系统运行阶段的在线预测要求。本发明提出的基于堆栈降噪自动编码器的深度学习方法所需的在线评估时间为0.21秒，仅为时域仿真所需时间的0.0071％。从AC角度分析，与其他两种基于浅层神经网络的方法相比，所提出的方法具有最高的准确度(96.37％)。因此，所提出的方法可以实现最低频率指标以及低频减载系统运行阶段的快速准确预测，适用于电力系统控制中心的在线应用。通过BP和ELM对低频减载系统运行阶段预测的AC分别仅为54.44％和65.32％，这种低精度使得它们难以满足低频减载操作的精度要求。此外，由于深度学习可以有效地表征复杂函数，因此SDAE的MAPE(1.32％)远低于浅层神经网络的MAPE，即BP的37.35％和ELM的18.61％。
表2不同方法的计算时间和性能评估
| 方法 | 评估时间s | MAPE％ | AC％ |
| 时域仿真 | 2976 | — | — |
| SDAE | 0.21 | 1.32 | 96.37 |
| BP | 0.17 | 37.35 | 54.44 |
| ELM | 0.15 | 18.61 | 65.32 |
表3对比分析了不同运行情景(风电渗透，系统惯性和负载水平)下，时域仿真和SDAE对最低频率指标以及低频减载系统运行阶段的结果对比。有功功率扰动设置为母线38上的机组强制停机。当风力发电的比例从0增加到30％，系统惯性从27390MW减少到19990MW。在相同的负载水平下，随着风功率比的增加和系统惯性的减小，功率扰动后的频率最低点度量将显着降低，并且低频减载系统的更多运行阶段将被触发(即更多的负载被切除)，以保持频率稳定。采用低频减载后的准稳态频率(QssF)如表3所示。可以观察到，SDAE产生的最低频率指标以及低频减载系统运行阶段与时域仿真之间的差异在不同的操作场景下非常小，例如，频率最低点的最大差异仅为0.0235Hz，表明基于SDAE的方法具有适应性强。
表3不同操作场景下，时域仿真和SDAE方法产生的结果对比
基于堆栈降噪自动编码器的方法可应用于多重复杂不确定因素“组合数爆炸”下最低频率指标以及低频减载系统运行阶段快速、准确评估。堆栈降噪自动编码器通过多层神经网络可以有效的提取数据特征、挖掘数据隐含关系，提高最低频率指标预测精度以及低频减载系统运行阶段的正确率。与时域仿真相比，堆栈降噪自动编码器算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最低频率指标以及低频减载系统运行阶段的在线评估提供了新的思路。与传统的浅层神经网络相比，堆栈降噪自动编码器算法有效地解决了传统神经网络参数随机初始化导致的一系列问题，精度以及准确率更高。将该方法应用于电力系统最低频率指标以及低频减载系统运行阶段在线评估，为电力系统控制中心的操作员准确地掌握故障后动态电力系统的频率特性，及时采取预防措施提供依据，防止系统发生频率崩溃。
由于以上实施方式均是在其他方式之上引用结合进行说明，不同实施例之间均具有相同的部分，本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种电路结构、物品或者设备所固有的要素。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (10)
1.一种基于深度学习的低频减载系统运行阶段预测方法，其特征在于，包括：
根据历史数据和离线时域仿真数据构建深度学习网络，并对所述深度学习网络进行离线训练；
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中的数据分类选取输入特征变量；
对所述输入特征变量进行归一化处理，得到输入数据；
将所述输入数据输入所述深度学习网络中，得到输出数据；
对所述输出数据进行反归一化处理，得到预想扰动事故的多维频率指标。
2.根据权利要求1所述的低频减载系统运行阶段预测方法，其特征在于，所述构建深度学习网络，并对所述深度学习网络进行离线训练包括：
根据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，每个样本的样本数据包括样本的电力特征参数和多维频率指标；
对所述大数据样本集中的数据进行归一化预处理；
将预处理后的样本数据集进行随机划分，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；
对训练样本数据集进行训练，逐层求解深度学习网络参数；
对所述网络参数进行微调，采用自上而下的反向传播优化方法对初始化网络参数的权值矩阵与阈值矩阵进行微调，直到迭代次数达到设定值为止。
3.根据权利要求1所述的低频减载系统运行阶段预测方法，其特征在于，所述多维频率指标包括扰动后电力系统频率最低点和低频减载系统触发的潜在运行阶段。
4.根据权利要求1所述的低频减载系统运行阶段预测方法，其特征在于，所述输入特征变量包括：扰动事故的有功不平衡量、扰动事故位置、发电机组的单位调节功率、旋转备用水平、机组开关状态、机组惯性水平、机组有功出力、系统阻尼系数。
5.根据权利要求2所述的低频减载系统运行阶段预测方法，其特征在于，对所述网络参数进行微调包括：
获取学习率，记为l；
选择多个样本的样本数据，并根据误差损失函数计算隐含层与输出层之间的权值矩阵和阈值矩阵的梯度；
基于反向传播逐层计算每组权值矩阵和阈值矩阵的梯度；
更新每组权重矩阵和阈值矩阵。
6.根据权利要求5所述的低频减载系统运行阶段预测方法，其特征在于，所述误差损失函数为：
式(1)中，N为样本总个数，yi为第i个样本的实际值，xi为第i个样本的输入特征变量，f为激活函数，W为逐层预训练得到的网络初始化权重，B为逐层预训练得到的网络初始化阈值。
7.根据权利要求5所述的低频减载系统运行阶段预测方法，其特征在于，所述隐含层与输出层之间的权值矩阵和阈值矩阵的梯度公式为：
式(2)中，wn+1表示第n层隐含层与输出层之间的权值矩阵的梯度，bn+1表示第n层隐含层与输出层之间的阈值矩阵的梯度，Wn+1表示第n层隐含层与输出层之间的权重矩阵，Bn+1表示第n层隐含层与输出层之间的阈值矩阵，yi表示第i个样本的频率指标的实际值矩阵、f(W，B)(xi)表示第i个样本的堆栈降噪自动编码器的频率指标预测值矩阵。
8.根据权利要求5所述的低频减载系统运行阶段预测方法，其特征在于，所述每组权值矩阵和阈值矩阵的梯度的计算公式：
其中，i取值不为1时，Hi＝sf(WiHi-1+Bi)；i取值为1时，H1＝sf(W1xi+B1)xi为第i个样本的输入特征变量；
式中，i介于1与n+1之间时，wi表示第i-1层隐含层与第i层隐含层之间的权值矩阵的梯度、bi表示第i-1层隐含层与第i层隐含层之间的阈值矩阵的梯度；i取值为1时，wi表示第一层隐含层与输入层之间的权值矩阵的梯度，bi表示第一层隐含层与输入层之间的阈值矩阵的梯度，Hi为第i层隐含层的特征向量，sf为神经元激活函数，激活函数为sigmoid。
9.根据权利要求5所述的低频减载系统运行阶段预测方法，其特征在于，所述更新每组权重矩阵和阈值矩阵的公式为：
式(4)中，wi表示第i-1层隐含层与第i层隐含层之间的权值矩阵的梯度、bi表示第i-1层隐含层与第i层隐含层之间的阈值矩阵的梯度；Wi表示第i-1层隐含层与输出层之间的权重矩阵，i表示第i-1层隐含层与输出层之间的阈值矩阵，l为学习率。
10.根据权利要求2所述的低频减载系统运行阶段预测方法，其特征在于，还包括：利用测试样本对所述深度学习网络进行测试，采用平均百分比误差对所述深度学习网络进行性能评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910905422.6A CN110634082A (zh) | 2019-09-24 | 2019-09-24 | 一种基于深度学习的低频减载系统运行阶段预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910905422.6A CN110634082A (zh) | 2019-09-24 | 2019-09-24 | 一种基于深度学习的低频减载系统运行阶段预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110634082A true CN110634082A (zh) | 2019-12-31 |
Family
ID=68974032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910905422.6A Pending CN110634082A (zh) | 2019-09-24 | 2019-09-24 | 一种基于深度学习的低频减载系统运行阶段预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110634082A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183641A (zh) * | 2020-09-29 | 2021-01-05 | 国网四川省电力公司经济技术研究院 | 融合预估-校正深度学习的暂态频率稳定评估方法及系统 |
| CN113723593A (zh) * | 2021-08-26 | 2021-11-30 | 国网山东省电力公司济南供电公司 | 一种基于神经网络的切负荷预测方法及系统 |
| CN113991645A (zh) * | 2021-10-18 | 2022-01-28 | 武汉大学 | 一种基于电力系统紧急控制的混合智能关键因素辨识方法 |
| WO2022083009A1 (zh) * | 2020-10-20 | 2022-04-28 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389253A (zh) * | 2018-11-09 | 2019-02-26 | 国网四川省电力公司电力科学研究院 | 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 |
| CN109787236A (zh) * | 2019-01-28 | 2019-05-21 | 云南电网有限责任公司 | 一种基于深度学习的电力系统频率态势预测方法 |
| CN110009529A (zh) * | 2019-04-15 | 2019-07-12 | 湖南大学 | 一种基于堆栈降噪自动编码器的暂态频率获取方法 |
| CN110175707A (zh) * | 2019-05-13 | 2019-08-27 | 东南大学 | 基于数据继承思想的电力系统暂态频率预测模型更新方法 |
-
2019
- 2019-09-24 CN CN201910905422.6A patent/CN110634082A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389253A (zh) * | 2018-11-09 | 2019-02-26 | 国网四川省电力公司电力科学研究院 | 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 |
| CN109787236A (zh) * | 2019-01-28 | 2019-05-21 | 云南电网有限责任公司 | 一种基于深度学习的电力系统频率态势预测方法 |
| CN110009529A (zh) * | 2019-04-15 | 2019-07-12 | 湖南大学 | 一种基于堆栈降噪自动编码器的暂态频率获取方法 |
| CN110175707A (zh) * | 2019-05-13 | 2019-08-27 | 东南大学 | 基于数据继承思想的电力系统暂态频率预测模型更新方法 |
Non-Patent Citations (1)
| Title |
|---|
| 文云峰等: "基于多层极限学习机的电力系统频率安全评估方法", 《电力系统自动化》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183641A (zh) * | 2020-09-29 | 2021-01-05 | 国网四川省电力公司经济技术研究院 | 融合预估-校正深度学习的暂态频率稳定评估方法及系统 |
| WO2022083009A1 (zh) * | 2020-10-20 | 2022-04-28 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
| CN113723593A (zh) * | 2021-08-26 | 2021-11-30 | 国网山东省电力公司济南供电公司 | 一种基于神经网络的切负荷预测方法及系统 |
| CN113723593B (zh) * | 2021-08-26 | 2024-01-09 | 国网山东省电力公司济南供电公司 | 一种基于神经网络的切负荷预测方法及系统 |
| CN113991645A (zh) * | 2021-10-18 | 2022-01-28 | 武汉大学 | 一种基于电力系统紧急控制的混合智能关键因素辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110634082A (zh) | 一种基于深度学习的低频减载系统运行阶段预测方法 | |
| CN110009529B (zh) | 一种基于堆栈降噪自动编码器的暂态频率获取方法 | |
| EP3889855A1 (en) | Ac/dc bulk power grid dynamic security risk situation rolling prospective early warning method and system | |
| CN112183641B (zh) | 融合预估-校正深度学习的暂态频率稳定评估方法及系统 | |
| CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
| CN113659565B (zh) | 一种新能源电力系统频率态势的在线预测方法 | |
| CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
| CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
| CN110783964A (zh) | 电网静态安全的风险评估方法和装置 | |
| CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
| Chen et al. | Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform | |
| CN117349614A (zh) | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 | |
| CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
| Ma et al. | Frequency security assessment for receiving-end system based on deep learning method | |
| CN112465136A (zh) | 一种水电机组劣化预测方法和系统 | |
| Xiao et al. | Deep learning for predicting the operation of under-frequency load shedding systems | |
| CN110717623A (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
| CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
| CN116227320A (zh) | 一种基于lstm-ipso的双馈风机控制参数辨识方法 | |
| CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
| Zhao et al. | A fast and accurate transient stability assessment method based on deep learning: Wecc case study | |
| CN111814394B (zh) | 一种基于相关性和冗余性检测的电力系统安全评估方法 | |
| CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 | |
| Lu | An artificial neural network-based frequency nadir estimation approach for distributed virtual inertia control | |
| Chen et al. | A Method of Frequency Security Margin Index Prediction of Post-disturbance Power System Based on Classification and Regression Model of XGBoost Algorithm |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |