CN110635474A - 一种基于长短期记忆网络的电网动态轨迹趋势预测方法 - Google Patents

Abstract

本发明是一种基于长短期记忆网络的电网动态轨迹趋势预测方法，其特点是，首先针对电压时序向量轨迹的几何特征，提取节点状态的时序演进规律，快速辨识系统发电机的同趋性；其次，基于长短期记忆网络快速预测等值机系统的受扰轨迹；最后依据扩展等面积准则计算切机量，实现暂态功角稳定的紧急控制。具有方法科学合理，适用性强等优点。

Description

一种基于长短期记忆网络的电网动态轨迹趋势预测方法

技术领域

本发明属于大电网暂态稳定控制的应用领域，具体涉及到一种基于长短期记忆网络的电网动态轨迹趋势预测方法。

背景技术

随着电网互联范围以及新能源发电规模的不断扩大，可再生能源高渗透率和高比例电力电子化特性日益突显，使得电网发展成为一个具有多源信息交互的高维时变非线性电力信息物理系统。现有的建模仿真和预想故障为核心的电网在线安全防御理念和稳定控制技术以难以适应电网发展要求，物理系统复杂化和多源信息化对暂态稳定分析与决策的准确性和时效性提出了更高要求，引入人工智能对满足当前暂态稳定研究提供新的思路。

近年来基于向量量测装置的广域量测系统在工程中的广泛应用极大程度地改变了暂态稳定分析的方法和手段，为暂态稳定在线紧急控制提供了技术支撑，也为提升暂态稳定紧急控制的精准度带来契机。

目前基于广域响应的暂态稳定控制方法主要依据扩展等面积准则量化评估向量量测装置实测曲线的稳定裕度。该方法的有效性很大程度依赖于同调机群划分的准确性以及等效单机无穷大系统的发电机功角等系统特征受扰轨迹的预测精度。不断壮大的长短期记忆网络凭借其强大的自学习和非线性拟合能力，可有效摆脱系统模型约束，为解决智能电网相应数据预测问题提供新的思路。

迄今未见有关基于长短期记忆网络的电网动态轨迹趋势预测方法的文献报道和实际应用。

发明内容

本发明所要解决的技术问题是：克服现有技术的不足，提供一种科学合理，适用性强的基于长短期记忆网络的电网动态轨迹趋势预测方法。这种方法仅通过短时受扰轨迹信息预测未来态系统受扰轨迹，能够有效的减少不必要的切机损耗，实现对高复杂性、多变性、随机性电网的紧急控制。

解决其技术问题采用的方案是：一种基于长短期记忆网络的电网动态轨迹趋势预测方法，其特征是，能够数据驱动摆脱物理模型约束，同时保证预测过程的时效性与精准性，它包括以下内容：

1)考虑到轨迹具有转角、长度两个表征其几何特征最重要的属性，定义轨迹偏移距离为：

式中，d_θ代表轨迹间的角度偏移；d_l代表轨迹

间的长度偏移，两轨迹间的夹角为θ_j-θ_i，

为基准向量，模值为1，方向同一致；

2)以d_l、d_θ提取复杂系统发电机特征，并通过DBSCAN(Density-Based SpatialClustering of Applications with Noise)基于密度的聚类算法判断各发电机节点电压相轨迹差异性，通过功角值划分复杂多机网络为超前机群以及滞后机群；

3)根据同调机群辨识结果，基于扩展等面积法则对复杂多机网络进行双机等值，等效转子运动方程为：

式中：S表示多机系统超前机群，A表示多机系统滞后机群；M_S为超前机群的等效惯性时间常数，M_A为滞后机群的等效惯性时间常数；P_m为发电机机械功率；P_e为发电机电磁功率；Δδ为等值机系统功角差；Δω为等值机系统转速差；ω₀为同步转速；从(3)式中能够得出等值机系统等效功率数据；

4)对等值机系统得到的等效功率以及功角数据进行预处理，受LSTM(Long Short-Term Memory)时间递归神经网络的激活函数特性影响，对输入数据进行归一化处理，以加速时间递归神经网络的训练速度以及训练效果，具体处理式为：

其中：x为输入信息；x'为经过归一化处理后的输入信息；max(x)对应待归一化变量的最大值，min(x)对应待归一化变量的最小值；

5)为通过LSTM充分挖掘时序信息的演进规律，将输入状态信息变化率一同作为输入量，以(5)式定义相邻时刻状态信息变化率：

其中：l_t为输入信息前后时刻变化率，x_t为t时刻输入轨迹信息值；

为方便信息处理，同时提升训练效率，构建三维输入信息矩阵，将状态信息预测值同其变化率排列为二维矩阵形式，纵向延展其样本数量，构建三维信息矩阵为输入数据最终样本格式；

6)在网络结构的设计中，设定LSTM神经网络包含2个LSTM，每层包含1024个节点，选取均方根作为损失函数对预测结果进行评价，均方根误差计算公式为：

式中：

对应样本训练过程的预测值，y_i对应样本训练过程的真实值；N为预测结果验证数据个数；i为预测点序列编号；

7)将等效功角同等效功率数据作为输入量输入到LSTM预测模型，输入信息包含从故障起始时刻至故障清除时刻后三个时刻的等效功率及等效功角数据，输出预测得到的未来时间段内的等效功率及功角信息；

8)通过等值机系统等效机械功率以及经由LSTM预测得到的状态信息确定不稳定平衡点对应时刻，继而依据扩展等面积法则计算故障清除时刻对应的相对动能即剩余加速面积，并根据状态信息预测值计算剩余减速面积，最终确定需要通过控制措施增加的减速面积大小，计算公式为：

S_c＝A-B-A₁ (7)

式中：A表示系统能量累积过程，即加速能量；B表示系统能量耗散过程，即减速能量；A₁表示根据长短期记忆网络拟合功率特性曲线所预估的剩余减速面积；S_C表示控制措施应该增加的减速面积，即暂态偏差能量；

将S_C转换为实际切机量，具体转换公式为：

式中：δ_m为通过LSTM预测得到的不稳定平衡点；δ_u为故障清除时刻对应的功角值；ΔP_m为切除发电机出力的理论值大小；

9)为保证系统可靠回稳，通过计算切机控制实施后系统加减速面积差额对系统进行循环监视，判断系统稳定性，具体通过LSTM拟合切机后系统的功率特性曲线，继而计算系统相对动能以及剩余减速面积，若相对动能值大于预估的剩余减速面积，则表示系统将继续失去稳定，此时需要重复切机控制过程；反之，如果相对动能值小于预估剩余减速面积，则表明系统将逐步过渡到新的稳定运行状态，至此循环监视过程结束。

本发明针对广域量测系统，提出了基于长短期记忆网络的电网动态轨迹预测方法，能够有效的满足大电网主动防御对算法速度与精度的要求，具体包括以下效果：

1)构建了电压向量轨迹的偏移特征平面，针对受扰系统能够有效的辨识发电机组同趋性，并以聚类算法直观展示；

2)基于LSTM提出了电网受扰轨迹的快速预测方法，仅通过短时受扰轨迹信息预测未来态系统受扰轨迹，能够有效的减少不必要的切机损耗，提升暂态稳定量化分析的精度，在保证电网安全稳定运行的同时精细化切机量；

3)提出了电力系统暂态稳定紧急控制方法，能够有效的实现对高复杂性、多变性、随机性电网的紧急控制，遏制故障蔓延，该方法不受限于运行方式、故障形态的影响，计算精度高、时效性强；

4)所提出的电网动态轨迹预测方法，同现有的暂态稳定评估判据相结合，巩固“第二道防线”紧急控制防御体系，避免发生大规模停电事故，其方法科学合理，适用性强，具有很好的工程应用价值。

附图说明

图1为电力系统暂态稳定紧急控制系统框图；

图2为轨迹偏移特征平面中角度偏移的表征示意图；

图3为轨迹偏移特征平面中长度偏移的表征示意图；

图4为IEEE-39节点系统拓扑图；

图5为电压向量轨迹图直观展示示意图；

图6为聚类结果直观展示示意图；

图7为通过LSTM预测功角数据结果图；

图8为通过LSTM预测功率数据结果图；

图9为通过LSTM预测功率特性曲线结果图。

具体实施方式

本发明的一种基于长短期记忆网络的电网动态轨迹趋势预测方法，能够数据驱动摆脱物理模型约束，同时保证预测过程的时效性与精准性，它包括以下内容：

1)考虑到轨迹具有转角、长度两个表征其几何特征最重要的属性，定义轨迹偏移距离为：

式中，d_θ代表轨迹

间的角度偏移；d_l代表轨迹

间的长度偏移，两轨迹间的夹角为θ_j-θ_i，为基准向量，模值为1，方向同

一致；

2)以d_l、d_θ提取复杂系统发电机特征，并通过DBSCAN(Density-Based SpatialClustering of Applications with Noise)基于密度的聚类算法判断各发电机节点电压相轨迹差异性，通过功角值划分复杂多机网络为超前机群以及滞后机群；

3)根据同调机群辨识结果，基于扩展等面积法则对复杂多机网络进行双机等值，等效转子运动方程为：

式中：S表示多机系统超前机群，A表示多机系统滞后机群；M_S为超前机群的等效惯性时间常数，M_A为滞后机群的等效惯性时间常数；P_m为发电机机械功率；P_e为发电机电磁功率；Δδ为等值机系统功角差；Δω为等值机系统转速差；ω₀为同步转速；从(3)式中能够得出等值机系统等效功率数据；

4)对等值机系统得到的等效功率以及功角数据进行预处理，受LSTM(Long Short-Term Memory)时间递归神经网络的激活函数特性影响，对输入数据进行归一化处理，以加速时间递归神经网络的训练速度以及训练效果，具体处理式为：

其中：x为输入信息；x'为经过归一化处理后的输入信息；max(x)对应待归一化变量的最大值，min(x)对应待归一化变量的最小值；

5)为通过LSTM充分挖掘时序信息的演进规律，将输入状态信息变化率一同作为输入量，以(5)式定义相邻时刻状态信息变化率：

其中：l_t为输入信息前后时刻变化率，x_t为t时刻输入轨迹信息值；

为方便信息处理，同时提升训练效率，构建三维输入信息矩阵，将状态信息预测值同其变化率排列为二维矩阵形式，纵向延展其样本数量，构建三维信息矩阵为输入数据最终样本格式；

6)在网络结构的设计中，设定LSTM神经网络包含2个LSTM，每层包含1024个节点，选取均方根作为损失函数对预测结果进行评价，均方根误差计算公式为：

式中：对应样本训练过程的预测值，y_i对应样本训练过程的真实值；N为预测结果验证数据个数；i为预测点序列编号；

7)将等效功角同等效功率数据作为输入量输入到LSTM预测模型，输入信息包含从故障起始时刻至故障清除时刻后三个时刻的等效功率及等效功角数据，输出预测得到的未来时间段内的等效功率及功角信息；

8)通过等值机系统等效机械功率以及经由LSTM预测得到的状态信息确定不稳定平衡点对应时刻，继而依据扩展等面积法则计算故障清除时刻对应的相对动能即剩余加速面积，并根据状态信息预测值计算剩余减速面积，最终确定需要通过控制措施增加的减速面积大小，计算公式为：

S_c＝A-B-A₁ (7)

式中：A表示系统能量累积过程，即加速能量；B表示系统能量耗散过程，即减速能量；A₁表示根据长短期记忆网络拟合功率特性曲线所预估的剩余减速面积；S_C表示控制措施应该增加的减速面积，即暂态偏差能量；

将S_C转换为实际切机量，具体转换公式为：

式中：δ_m为通过LSTM预测得到的不稳定平衡点；δ_u为故障清除时刻对应的功角值；ΔP_m为切除发电机出力的理论值大小；

9)为保证系统可靠回稳，通过计算切机控制实施后系统加减速面积差额对系统进行循环监视，判断系统稳定性，具体通过LSTM拟合切机后系统的功率特性曲线，继而计算系统相对动能以及剩余减速面积，若相对动能值大于预估的剩余减速面积，则表示系统将继续失去稳定，此时需要重复切机控制过程；反之，如果相对动能值小于预估剩余减速面积，则表明系统将逐步过渡到新的稳定运行状态，至此循环监视过程结束。

为了更明确地说明本发明的实施方案，结合附图1-图9做进一步详细描述：

1)参照图1-图3，首先，当判断出系统即将失去稳定时，基于广域量测系统采集的实时响应信息快速辨识系统超前机群以及滞后机群，依据扩展等面积准则实现复杂多机系统的双机等值，并计算等值机的等效电磁功率及功角信息，继而通过长短期记忆网络预测其在未来时间断面内的轨迹变化情况，最后根据能量守恒原理计算能够确保超前机群回稳的切机控制量，此外，为保证系统稳定运行，于控制结束后对系统进行循环监视，根据系统剩余加减速面积大小判断网络稳定性，以作为二次控制的启动判据；

2)针对图4所示的IEEE-39节点系统，发电机模型采用二阶经典模型，不考虑励磁及调速器的作用，各负荷均为恒阻抗模型，系统在某种运行方式下，设定t＝0时刻线路16-21的10％处发生瞬时性三相接地短路故障，0.22s后清除。采集各发电机电压幅值相角信息并以本发明定义的轨迹偏移提取电压运动特征，如图5所示；

3)利用DBSCAN聚类方法快速辨识系统发电机同趋性，结果如图6以及表1所示；

表1

4)基于同趋性辨识结果，等效多机系统为两机模式，并将此模式下的等效功角以及功率信息作为长短期记忆网络的输入信息，预测结果如图7-图9所示；

5)根据超前机群各发电机的出力占比分配切机控制措施量，结果见表2。

表2

6)为保证系统可靠回稳，对系统进行循环监视，结果见表3：

表3

由表3可知，故障切除时刻等值机系统相对动能大小为0.0117，此时系统剩余减速面积大小为0.0642，为保证系统可靠回稳，对系统进行循环监视，如表3所示，系统相对动能(剩余加速面积)呈递减趋势，剩余减速面积呈递增趋势，系统稳定性愈发明显，故系统将恢复稳定运行状态，循环监视过程结束。

Claims (1)

1.一种基于长短期记忆网络的电网动态轨迹趋势预测方法，其特征是，能够数据驱动摆脱物理模型约束，同时保证预测过程的时效性与精准性，它包括以下内容：

1)考虑到轨迹具有转角、长度两个表征其几何特征最重要的属性，定义轨迹偏移距离为：

式中，d_θ代表轨迹间的角度偏移；d_l代表轨迹

间的长度偏移，两轨迹间的夹角为θ_j-θ_i，

为基准向量，模值为1，方向同

一致；

2)以d_l、d_θ提取复杂系统发电机特征，并通过DBSCAN(Density-Based SpatialClustering of Applications with Noise)基于密度的聚类算法判断各发电机节点电压相轨迹差异性，通过功角值划分复杂多机网络为超前机群以及滞后机群；

3)根据同调机群辨识结果，基于扩展等面积法则对复杂多机网络进行双机等值，等效转子运动方程为：

式中：S表示多机系统超前机群，A表示多机系统滞后机群；M_S为超前机群的等效惯性时间常数，M_A为滞后机群的等效惯性时间常数；P_m为发电机机械功率；P_e为发电机电磁功率；Δδ为等值机系统功角差；Δω为等值机系统转速差；ω₀为同步转速；从(3)式中能够得出等值机系统等效功率数据；

4)对等值机系统得到的等效功率以及功角数据进行预处理，受LSTM(Long Short-TermMemory)时间递归神经网络的激活函数特性影响，对输入数据进行归一化处理，以加速时间递归神经网络的训练速度以及训练效果，具体处理式为：

其中：x为输入信息；x'为经过归一化处理后的输入信息；max(x)对应待归一化变量的最大值，min(x)对应待归一化变量的最小值；

5)为通过LSTM充分挖掘时序信息的演进规律，将输入状态信息变化率一同作为输入量，以(5)式定义相邻时刻状态信息变化率：

其中：l_t为输入信息前后时刻变化率，x_t为t时刻输入轨迹信息值；

为方便信息处理，同时提升训练效率，构建三维输入信息矩阵，将状态信息预测值同其变化率排列为二维矩阵形式，纵向延展其样本数量，构建三维信息矩阵为输入数据最终样本格式；

6)在网络结构的设计中，设定LSTM神经网络包含2个LSTM，每层包含1024个节点，选取均方根作为损失函数对预测结果进行评价，均方根误差计算公式为：

式中：

对应样本训练过程的预测值，y_i对应样本训练过程的真实值；N为预测结果验证数据个数；i为预测点序列编号；

7)将等效功角同等效功率数据作为输入量输入到LSTM预测模型，输入信息包含从故障起始时刻至故障清除时刻后三个时刻的等效功率及等效功角数据，输出预测得到的未来时间段内的等效功率及功角信息；

8)通过等值机系统等效机械功率以及经由LSTM预测得到的状态信息确定不稳定平衡点对应时刻，继而依据扩展等面积法则计算故障清除时刻对应的相对动能即剩余加速面积，并根据状态信息预测值计算剩余减速面积，最终确定需要通过控制措施增加的减速面积大小，计算公式为：

S_c＝A-B-A₁ (7)

式中：A表示系统能量累积过程，即加速能量；B表示系统能量耗散过程，即减速能量；A₁表示根据长短期记忆网络拟合功率特性曲线所预估的剩余减速面积；S_C表示控制措施应该增加的减速面积，即暂态偏差能量；

将S_C转换为实际切机量，具体转换公式为：

式中：δ_m为通过LSTM预测得到的不稳定平衡点；δ_u为故障清除时刻对应的功角值；ΔP_m为切除发电机出力的理论值大小；

9)为保证系统可靠回稳，通过计算切机控制实施后系统加减速面积差额对系统进行循环监视，判断系统稳定性，具体通过LSTM拟合切机后系统的功率特性曲线，继而计算系统相对动能以及剩余减速面积，若相对动能值大于预估的剩余减速面积，则表示系统将继续失去稳定，此时需要重复切机控制过程；反之，如果相对动能值小于预估剩余减速面积，则表明系统将逐步过渡到新的稳定运行状态，至此循环监视过程结束。

Images