CN112003272B - 一种基于卷积神经网络的电力系统频率安全控制方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的电力系统频率安全控制方法，包括：在广域量测数据中自主挖掘电力系统频率的时序特征量作为输入数据，并对数据作预处理操作，并定义三种频率指标作为输出数据；采用深层学习架构建立时序特征量与频率安全性之间的非线性映射关系，实现端到端的频率安全评估；优化电力系统频率安全评估模型的关键参数来提高评估精度，借助广域量测数据的量测误差和风电渗透率分析，探讨所提频率安全评估方法的抗干扰性能。本发明实现了功率扰动下电力系统频率安全的快速评估，有效弥补传统方法受限于数据处理能力和泛化能力的不足。

Description

一种基于卷积神经网络的电力系统频率安全控制方法

技术领域

本发明涉及电力系统领域，尤其涉及一种基于卷积神经网络的电力系统频率安全控制方法。

背景技术

随着我国大规模可再生能源、直流输电系统等电力电子设备的接入^[1-2]，使电力系统频率、电压和功角的动态特性更加复杂多变^[3]，严重威胁我国电力系统的安全稳定运行，而频率安全性是评估电力系统抗干扰能力的重要依据，可根据有功功率扰动时的频率最大值、准稳态频率和最大频率变化率指标来综合评判系统频率的安全性^[4]，由于电力电子设备接入会进一步加剧电力系统的高维非线性特性，很难获得扰动后系统频率的准确表达式，因此构建准确的电力系统频率安全评估方法具有重要意义^[5]。

目前，电力系统频率安全评估方法主要分为时域仿真^[6-7]和机器学习^[8-9]方法两种。时域仿真法是通过求解有功功率扰动后的高维非线性代数微分方程得到电力系统频率的变化曲线，进而计算表征系统频率安全的评价指标来判断系统频率安全性，但受电力系统强非线性(新能源出力波动、柔性直流系统动态特性、多类型扰动等)的影响，时域仿真法难以满足多重不确定性时产生的数据组合爆炸问题。而机器学习方法具有免模型、精度高等优势，以广泛用于风电功率预测、信息网络安全态势预测和电力系统暂态稳定评估等领域，在进行电力系统频率安全评估时，可见机器学习方法在电力系统频率安全评估方面具有较高的准确率和在线应用前景。

现有机器学习方法虽然可以有效评估电力系统频率的安全性，但依然存在电力系统频率安全评估的特征构建^[10]和模型构建^[11]难题需要解决。在电力系统特征构建方面，一般采用“三段式”特征构建方法，包含了部分时间维度信息(稳态时刻、故障初始时刻和故障结束时刻)，但难以捕捉电力系统运行的整体时间维度信息，限制了电力系统频率安全评估性能的提高。在评估模型构建方面，当系统规模较大时易出现严重的维数灾、准确率低等问题。而机器学习的重要分支卷积神经网络(convolutional neural network，CNN)是以海量广域量测数据作为驱动力，自主学习扰动全过程广域量测数据的特征内涵，并通过模型训练来构建含有多隐含层的深度学习框架，CNN已在风电场功率预测^[12]、小干扰稳定评估^[13]、电力变压器故障诊断^[14]等方面得到广泛应用，而在电力系统频率安全评估方面的研究还很缺乏。鉴于卷积神经网络在特征自主学习和多层学习结构的优势，为电力系统频率安全评估提供了一种新思路。

发明内容

本发明提供了一种基于卷积神经网络的电力系统频率安全控制方法，本发明实现了功率扰动下电力系统频率安全的快速评估，有效弥补传统方法受限于数据处理能力和泛化能力的不足，详见下文描述：

一种基于卷积神经网络的电力系统频率安全控制方法，所述方法包括以下步骤：

在广域量测数据中自主挖掘电力系统频率的时序特征量作为输入数据，并对数据作预处理操作，并定义三种频率指标作为输出数据；

采用深层学习架构建立时序特征量与频率安全性之间的非线性映射关系，实现端到端的频率安全评估；

优化电力系统频率安全评估模型的关键参数来提高评估精度，借助广域量测数据的量测误差和风电渗透率分析，探讨所提频率安全评估方法的抗干扰性能。

其中，所述三种频率指标为：频率最大值、最大频率变化率和准稳态频率。

进一步地，所述对数据作预处理操作具体为：

提取电力系统的节点电压幅值U和相角θ、支路有功P和无功功率Q，并将4种量测信息作为输入，对4种输入数据进行归一化和整合处理。

其中，所述对4种输入数据进行归一化处理具体为：

将电压幅值和相角转化为电压实部和虚部的形式，实现量测数据的归一化，如下式所示：

式中，U和θ分别为电压幅值和相角；U^R和U^I分别为电压的实部和虚部；

式中，U^R(0)、U^I(0)、P(0)和Q(0)分别为初始时刻的电压实部、电压虚部、有功功率和无功功率向量；U^R(t)、U^I(t)、P(t)和Q(t)分别为t时刻的电压实部、电压虚部、有功功率和无功功率向量；U^R_rv(t)、U^I_rv(t)、P^rv(t)和Q^rv(t)分别为转化后t时刻的电压实部、电压虚部、有功功率和无功功率向量。

进一步地，所述对4种输入数据进行整合处理具体为：

根据电力系统仿真曲线的时间分布特性，构建考虑时间分布的高维故障样本矩阵作为卷积神经网络输入数据，设在t时刻第l根母线的电压实部和虚部分别为

和

有功和无功功率分别为P_l(t)和Q_l(t)，T为数据采样的时间窗口长度，进而可得第l根母线时间序列特征：

将L根母线的特征时间序列扩展成包含全部母线信息的高维样本X，矩阵维度为 L×4T＝J；

X＝[U₁，U₂，…，U_L]^T

设

为第m种系统运行状态的第n个样本，在上式的基础上进一步扩展成包含全部母线信息的多系统运行状态高维样本G，矩阵维度为(N×M)×(L×4T)＝I×J，并令N×M＝I；

式中，M为系统运行状态总数，N为不同负荷扰动量的总数，将样本矩阵作为一个彩色图片进行输入，采用频率最大值、最大频率变化率和准稳态频率作为输出变量，进而得到输出变量矩阵Y^I×k；

式中，

为第k个输出量的m*N+n行对应的数据。

本发明提供的技术方案的有益效果是：

1、本发明所提CNN相较于现有机器学习方法，如人工神经网络(artificialneural networks，ANN)、决策树(decision tree，DT)和核岭回归(kernel ridgeregression，KRR) 等，具有较高的电力系统频率预测精度和评估准确率，可实现电力系统有功扰动下复杂动态特性的频率安全评估；

2、本发明所提CNN可实现广域量测信息的特征自提取，避免传统机器学习方法的特征构建困难，通过对CNN卷积核尺寸、卷积层数的仿真分析，可知卷积核尺寸为5×5、卷积层数为7层时具有较高的评估性能，而且不同风电渗透率下依然具有较高的预测精度和评估准确率；

3、本发明所提CNN采用深层学习架构建立时序特征与频率安全之间的非线性映射关系，进而实现端到端的频率安全评估，有效避免广域量测数据量测误差带来的干扰，较传统分类器具有更高的抗干扰性。

附图说明

图1为一种基于卷积神经网络的电力系统频率安全控制方法的流程图；

图2为修改后的16机68节点测试系统拓扑图；

图3为不同卷积核尺寸的MAPE和评估准确率结果图；

图4为电力系统频率最大值的偏差图；

图5为不同运行方式下的电力系统频率结果图；

图6为实际电网的频率安全评估综合评价结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

为了解决背景技术中电力系统安全评估方法所存在的缺陷与不足。本发明在不同负荷扰动水平、发电机出力和风电渗透率等情况下，通过电力系统仿真软件PSD-BPA进行离线故障计算，生成大量有功功率扰动时的稳定计算数据，读取能够表征电力系统频率安全性的量测信息作为输入变量，鉴于单节点量测数据易出现采样数据和信息量不足的问题，借助电力系统时空大数据特性将时间序列的节点电压幅值和相角、支路有功和无功功率作为输入变量，使故障样本数据兼具时间和空间特性进而有效提高评估准确率。

实施例1

一种基于卷积神经网络的电力系统频率安全控制方法，参见图1，该方法包括以下步骤：

101：在广域量测数据中自主挖掘电力系统频率的时序特征量作为输入数据，并对数据作预处理操作，并定义三种频率指标作为输出数据；

102：采用深层学习架构建立时序特征量与频率安全性之间的非线性映射关系，实现端到端的频率安全评估；

103：优化电力系统频率安全评估模型的关键参数来提高评估精度，借助广域量测数据的量测误差和风电渗透率分析，探讨所提频率安全评估方法的抗干扰性能。

其中，步骤101具体为：

(1)通过电力系统仿真软件PSD-BPA进行离线故障计算，生成大量有功功率扰动时的稳定计算数据，并鉴于单节点量测数据易出现采样数据和信息量不足的问题，读取能够表征电力系统频率安全性的节点电压幅值和相角、支路有功和无功功率作为输入变量；

(2)三种频率指标主要包括频率最大值f_nadir、最大频率变化率R_F和准稳态频率f_ss。

其中，步骤102具体为：

(1)CNN模型中的深层学习框架主要包括输入层、卷积层、池化层和全连接层；

(2)计算得到经预处理和整合操作的广域量测故障样本数据后，将其代入至输入层中，该输入层矩阵中每一行代表电力系统频率某个预测样本对应的向量，行和列分别为样本数量和采样点数。

其中，步骤103具体为：

(1)电力系统频率安全评估模型主要包括：离线电力系统频率安全评估模型训练和在线电力系统频率安全评估；

(2)关键参数主要包括：平均百分比误差(mean absolute percentage error，MAPE)、电力系统频率评估准确率、安全评估准确率和不安全评估准确率。

实施例2

下面结合具体的评估公式、图1-图6、实例对实施例1中的方案进行进一步地介绍，详见下文描述：

201：通过电力系统仿真软件PSD-BPA进行离线故障计算，提取电力系统的节点电压幅值U和相角θ、支路有功P和无功功率Q，并将4种量测信息作为输入，进一步根据暂态仿真时电力系统频率的变化情况，将频率指标f_nadir、R_F和f_ss作为输出，具体如表1所示；

表1 频率安全的输入和输出变量

202：对4种输入数据进行归一化和整合处理；

对基于广域量测的故障样本数据实施预处理操作，其中正态化和标准化都是常见的预处理方法，但不适用于以时间序列数据作为输入的预处理，因此本发明借助一种数据预处理方法将电压幅值和相角转化为电压实部和虚部的形式使其量纲和取值范围相同，可在保留系统完整数据的基础上实现量测数据的归一化，如式(1)所示：

式中，U和θ分别为电压幅值和相角；U^R和U^I分别为电压的实部和虚部。若每个时刻都对电压实部和虚部作如下转换，可避免各时间序列样本初始状态偏差对结果的影响，使输入样本具有相同分布。

式中，U^R(0)、U^I(0)、P(0)和Q(0)分别为初始时刻的电压实部、电压虚部、有功功率和无功功率向量；U^R(t)、U^I(t)、P(t)和Q(t)分别为t时刻的电压实部、电压虚部、有功功率和无功功率向量；U^R_rv(t)、U^I_rv(t)、P^rv(t)和Q^rv(t)分别为转化后t时刻的电压实部、电压虚部、有功功率和无功功率向量。

根据电力系统仿真曲线的时间分布特性，构建考虑时间分布的高维故障样本矩阵作为卷积神经网络输入数据，设在t时刻第l根母线的电压实部和虚部分别为

和

有功和无功功率分别为P_l(t)和Q_l(t)，其中t＝1,2,…,T，T为数据采样的时间窗口长度，进而可得第l根母线时间序列特征：

将L根母线的特征时间序列按式(3)扩展成包含全部母线信息的高维样本X，矩阵维度为L×4T＝J。

X＝[U₁，U₂，…，U_L]^T (4)

设

为第m种系统运行状态的第n个样本，在式(4)的基础上进一步扩展成包含全部母线信息的多系统运行状态高维样本G，矩阵维度为(N×M)×(L×4T)＝I×J，并令 N×M＝I。

式中，M为系统运行状态总数，N为不同负荷扰动量的总数，为了统一输入数据格式，重构卷积神经网络的高维时间样本矩阵，将样本矩阵作为一个彩色图片进行输入，本发明采用频率最大值、最大频率变化率和准稳态频率作为输出变量，进而得到输出变量矩阵Y^I×k。

式中，k＝3为输出变量的数量，表示具有3个输出变量其通道数为3；

为第k个输出量的m*N+n行对应的数据。

203：采用深层学习架构建立输入数据和输出变量间的关系，训练基于CNN的系统频率安全性评估模型；

卷积神经网络是一种以卷积运算为主的深度学习网络，其“端到端”特性是与传统机器学习方法的主要区别，用户只需输入电力系统的量测数据进行频率安全性预测，无需用户参与特征提取、升降维等中间数据处理过程，比较适合于分析数据深层信息多、数据结构复杂和无法人工提取数据特征的问题，该方法由输入层、卷积层、池化层和全连接层组成。

其中，输入层为电力系统频率安全性预测样本对应的矩阵，矩阵的每一行代表电力系统频率某个预测样本对应的向量，行和列分别为样本数量和采样点数，并将其作为卷积神经网络的输入层，通道数表征输出变量个数。

卷积层使用卷积运算来提取输入特征，常根据实际情况选取多个卷积核，每个卷积核与上层的输入层数据进行卷积运算之后得到相应特征并作为下一层的输入。卷积是图像处理中的常见处理方式，卷积核为二维输入数据的线性运算，加入激活函数后如式(7)所示：

式中，h_ij为输出矩阵第i行、第j列的元素，矩阵维度为II×JJ，i＝1,2,…,II，j＝1,2,…,JJ；

为卷积核第c行、第d列的元素，矩阵维度为C×D；G_i+c,j+d为输入矩阵中第i+c行、第j+d列的元素；b和f分别为偏置变量和激活函数。

由于卷积层对原始输入数据进行卷积计算后，包含的特征数目较多，直接将其作为下一层输入会有较大的计算负担，而池化层可对特征进行聚合统计，实现数据降维。池化是一种下采样方法，将输入划分为几个不重叠区域，然后对每块区域取平均值(平均池化)，可表示为：

式中，S₁和S₂分别为池化区域行和列的维数；E_ab为池化后输出矩阵的第a行、第b列元素，矩阵维度为(II/S₁)×(JJ/S₂)，其中a＝0,1,…,II/S₁-1，b＝0,1,…,JJ/S₂-1；

为输出矩阵的第aS₁+i行和第bS₂+j列元素。卷积运算所得输出数据经过池化运算以后，矩阵维度降低为原来的1/(S₁S₂)，可大幅降低矩阵维度、减少计算量，进而提升模型鲁棒性。

经过若干卷积层和池化层后，全连接层将上一层的二维输出数据展开为一维数据，可将已学习特征映射到输出，全连接层可表示为：

式中，e＝[e₁,e₂,…,e_i,…,e_n]为n维输入变量；ω＝[ω₁,ω₂,…,ω_i,…,ω_n]为连接权重；g和o分别为偏置变量和输出。

204：优化电力系统频率安全评估模型的关键参数来提高所提安全评估方法的评估精度；

其中，电力系统频率安全评估模型由离线电力系统频率安全评估模型训练和在线电力系统频率安全评估两部分组成。

其中，离线训练由电力系统的历史数据库数据和离线暂态仿真数据构建大数据样本集，并将其随机分成训练集和测试集，用于模型训练和有效性验证，设置合理的卷积核参数和卷积层数后，借助训练集进行电力系统频率安全评估模型构建，并采用测试集验证评估模型的预测精度。

在线评估则根据电网运行方式制定电力系统频率安全评估或预测的功率扰动事件集，将扰动后的量测数据作为输入量并进行归一化处理，采用离线训练好的CNN模型进行电力系统频率安全评估，并将输出数据进行反归一化获得各扰动事件的频率指标值，综合评判各扰动事件的频率安全性，进而判断频率保护装置是否启动。

本发明进一步采用MAPE来评价电力系统频率的预测精度，平均百分比误差为电力系统频率实际值与预测值的平均百分比误差。

式中，y_i为第i个样本的频率指标实际值；

为第i个样本的频率指标预测值；N为测试样本总数。

采用电力系统频率评估准确率、安全评估准确率和不安全评估准确率来评价电力系统频率的评估性能。

式中，E_AC分别为电力系统频率评估准确率；E_AC1和E_AC2分别为电力系统频率安全和不安全评估准确率；N_TP和N_FP分别为电力系统频率安全样本被评估为电力系统频率安全和不安全的样本数目；N_TN和N_FN分别为电力系统频率不安全样本被评估为电力系统频率不安全和安全的样本数目。

实施例3

下面结合具体的实验数据、表2-表8对实施例1和2中的方案进行可行性验证，详见下文描述：

本发明通过修改后的16机68节点系统和南方电网实际系统的算例分析，验证所提电力系统频率安全评估方法的准确性和有效性。

1、修改后的16机68节点系统

(1)样本构造

修改后的16机68节点系统为新英格兰—纽约互联系统，如图2所示。该测试系统由5个区域组成，其中区域1、2和3均为等值系统，区域4和5分别为纽约和新英格兰系统，修改后系统总共有18台发电机(包含同步发电机16台和风电机组2台)，将节点68所连发电机G16和节点66所连发电机G14的部分出力替换为等容量风电机组用以模拟风电不同渗透率对电力系统频率的影响，线路41-42替换为柔性直流线路用于区域间功率传输。发电机采用6阶模型，励磁系统模型为IEEE-DC1，负荷模型采用WECC且负荷总量为 18233MW。

采用电力系统仿真软件PSD-BPA在不同负荷扰动水平、不同发电机出力和不同风电渗透率等情况下进行故障计算(暂态仿真的时间尺度设定为60s)，共生成12600个样本来组成样本集(其中有6820个系统频率安全样本、5737个系统频率不安全样本和43个临界样本)，并随机选取8400个样本用于电力系统频率安全评估模型训练，其余样本用于验证频率安全评估模型的有效性。电力系统频率保护装置启动判据：f＞f_max、f＜f_min、|R_F|＞R_F,max和|R_F|＜R_F,max，反之则电力系统频率保护装置不启动，其中f_max＝50Hz、f_min＝49Hz和R_F,max＝1Hz/s。

(2)电力系统频率安全评估的准确性分析

通过基于卷积神经网络的电力系统频率安全评估所得电力系统频率预测误差及MAPE 值来验证所提方法的准确性，计算过程中CNN的卷积层数为7层，风电渗透率为5％，频率预测误差分布情况如表2所示。

表2 基于CNN的电力系统频率评估误差分布

由表2可知本发明所提电力系统频率评估方法具有较高的预测精度，频率最大值、准确态频率和最大频率变化率在0.05Hz以下的误差分布为92.76％、95.63％和99.57％，电力系统频率的平均百分比误差MAPE值分别为0.0356％、0.0392％和0.9946％，可见本发明方法的准确性较高，贴近真实值。

为了进一步验证CNN的准确性，采用ANN、DT和KRR方法对相同电力系统频率样本集进行模型训练和测试，并将计算所得电力系统频率平均百分比误差和评估准确率与本发明方法进行对比分析，如表3所示。

表3 4种人工智能算法的MAPE与评估准确率

由表3可知，卷积神经网络方法的平均百分比误差MAPE值最小，相较于其他预测方法具有较高的预测精度：在频率最大值时ANN、DT和KRR的MAPE值是CNN的9.32 倍、8.17倍和1.33倍；频率稳态值时ANN、DT和KRR的MAPE值是CNN的9.33倍、 22.24倍和10.31倍；最大频率变化率时ANN、DT和KRR的MAPE值是CNN的1.65倍、 4.68倍和1.82倍。同时频率最大值时CNN的电力系统频率安全和不安全评估准确率分别为100％和99.79％高于其他3种方法，频率评估准确率为99.91％较ANN、DT和KRR高出2.91％、1.77％和0.38％，同理可知频率稳态值和最大频率变化率下依然具有较高的评估准确率。可见本发明所提CNN具有较高的电力系统频率预测精度和评估准确率。

(3)模型参数变化对频率安全评估的影响

由于CNN模型参数对电力系统频率预测精度和评估准确率的影响较大，本发明着重分析卷积核尺寸和卷积层数对评估性能的影响，在计算过程中风电渗透率为5％，并以频率最大值为例分析模型参数改变后预测精度和评估准确率的变化规律。首先，当卷积层数为7层，卷积核尺寸分别为3×3、5×5和7×7时电力系统频率最大值的评估和预测结果如图3所示。

由图3可知，当卷积核尺寸为5×5时频率平均百分比误差MAPE值为0.0356％，卷积核尺寸为3×3和7×7时的MAPE值是卷积核尺寸为5×5时的2.04倍和1.18倍，同时卷积核尺寸为5×5时频率评估准确率为99.91％，较卷积核尺寸为3×3和7×7时提高0.41％和0.50％，预测和评估性能改变的原因是卷积核尺寸决定输出特征数量，随着卷积核尺寸的减小，估算数据量也随之越小，通过多个小卷积核的叠加运算可提升大卷积核的估算性能，在连通性不变的情况下可降低模型参数个数和估算复杂度，但卷积核过小则难以准确反映输出特征。因此，可选择卷积核尺寸为5×5的多个小卷积核进行卷积运算，最大程度提高电力系统频率的评估和预测性能。

然后，进一步分析频率最大值时CNN卷积层数对电力系统频率预测精度和评估准确率的影响。不同卷积层数时的电力系统频率MAPE和评估准确率，如表4所示：

表4 不同卷积层数的MAPE和评估准确率

由表4可知，基于CNN的电力系统频率平均百分比误差MAPE随着卷积层数的增加而逐渐减少，当卷积层数为7时达到最小值0.0356％，单卷积层的MAPE值较7层卷积高 3.13倍。同时7层卷积时电力系统频率评估准确率、安全评估准确率和不安全评估准确率分别为99.91％、100％和99.79％，较单卷积层时的电力系统频率评估准确率、安全评估准确率和不安全评估准确率提高0.98％、0.39％和1.72％。若卷积层数继续增加至8层时MAPE 将会由降转增，而且电力系统频率评估准确率也有所降低。因此，当CNN卷积层数为7 时具有较高的预测精度和评估准确率。

卷积层为单层和7层时基于CNN的电力系统频率预测误差情况，如图4所示。由图4可知，单层卷积的电力系统频率预测误差集中分布在0～0.008p.u.范围内，其电力系统频率预测性能较差，当卷积层数增加到7层时电力系统频率预测误差则集中分布在0～0.00249p.u. 范围内，可有效改善电力系统频率的预测精度。

(4)风电渗透率对频率安全评估的影响

为了研究不同风电渗透率对电力系统频率安全评估的影响，在电力系统频率最大值情况下，对比分析风电渗透率分别为0％、5％、10％和15％时电力系统频率的MAPE和评估准确率，如表5所示。

表5 不同风电渗透率的MAPE和评估准确率

由表5可知，随着风电渗透率的增加(从0％增加到15％)，火电机组的开机量将会减少，从最大转动惯量18408MW·s降低到15468MW·s，不同风电渗透率下电力系统频率的平均百分比误差MAPE始终很小，而且电力系统频率的安全(不安全)评估准确率分别高于99.50％和99.34％。可见，本发明所提方法具有较好的适用性。

进一步分析不同运行方式下电力系统频率的变化规律，此时有功扰动情况设置为负荷突然减少1200MW，在不同风电渗透率和系统惯性下电力系统频率指标的变化情况如表6 所示。

表6 不同运行方式下电力系统频率的预测精度

由表6可知，通过对比分析时域仿真与CNN的频率指标值，风电渗透率从0％提高到15％，火力发电机组的开机比例逐步下降，系统转动惯量从18408MW·s减小到15468MW ·s，当风电渗透率达到10％及以上后，由于电力系统“低惯量”发电元件的特征凸显，导致有功扰动后频率最大值高于51Hz，将触发高频切机动作，不同电力系统频率变化曲线如图5所示。此外，在不同风电渗透率和系统惯性下基于CNN所得的频率指标与时域仿真的差值极小，频率最大值、频率稳态值和最大频率变化率的最大差值分别为0.0150Hz、 -0.0099Hz和-0.0059Hz/s，可见本发明所提方法的适应性较强。

(5)电力系统频率安全评估的抗干扰分析

在输入数据中加入干扰信号来模拟广域量测数据的量测误差，分析CNN用于电力系统频率安全评估的抗干扰性，干扰信号的均值分别为0.0001，0.001和0.01，不同干扰信号的卷积神经网络评估准确率如表7所示：

表7 不同干扰信号的卷积神经网络评估准确率

由表7可知，当干扰信号均值为0.0001时，CNN的电力系统频率评估准确率的均值为 99.56％，较ANN的频率评估准确率高出4.74％，同时ANN的评估准确率方差较CNN高39％；当干扰信号均值分别为0.001和0.01时，CNN的评估性能依然优于ANN，进而说明本发明所提CNN在不同干扰信号时的评估准确率较传统分类器的性能优越。综上分析可知，本发明方法具有较高的抗干扰性能。

2.南方电网实际系统

(1)样本构造

为验证本发明所提基于CNN的电力系统频率安全评估方法在南方电网实际系统的有效性，采用PSD-BPA对南方电网实际系统进行批量故障计算，并将生成的13824个样本用于模型训练和有效性验证(包括9132个系统频率安全样本和4632个系统频率不安全样本和60个临界样本)，随机选取9206个样本作为训练样本集，另外4618个样本作为测试样本集，南方电网包含110kV以上变电站4933座，变压器9950台，输电线路12740条，换流站19座，换流变92台。实际系统的拓扑结构示意图如图6所示。

(2)综合评价

采用本发明所提CNN模型进行实际电网的频率安全评估，分别对频率最大值、准稳态频率和最大频率变化率进行综合评价，如图6所示。

由图6可知，频率最大值的电力系统频率评估准确率为99.16％，介于准稳态频率和最大频率变化率之间。频率最大值的频率不安全评估准确率为97.51％，较准稳态频率的高出 0.64％，而比最大频率变化率低1.5％。频率最大值的频率安全评估准确率为100％，较准稳态频率和最大频率变化率的频率安全评估准确率分别高出0.42％、0.1％。可见CNN在实际电网依然具有较高的评估准确率。

进一步对比分析频率最大值时ANN、DT、KRR和CNN的电力系统频率评估准确率，验证其在实际电网的有效性，计算过程中CNN的卷积层为7层，如表8所示：

表8 4种人工智能算法的评估准确率

由表8可知，频率最大值时CNN的电力系统频率安全评估准确率为100％与DT和KRR相同，CNN的频率不安全评估准确率为97.51％，较DT和KRR分别提高7.51％和5.31％，同时CNN的频率评估准确率为99.16％，依然高于DT和KRR分类器，由于实际电网的数据维数过大ANN无法获取预测结果，进而验证本发明方法在实际电网频率安全评估的有效性和准确性。

参考文献

[1]Zhou Li,Yan He,Ya-Zhou Li,et al.Hybrid control strategy for ACvoltage stabilization in bipolar VSC-MTDC[J].IEEE transactions on powersystems,2019,31(1):129-139.

[2]骆悦,姚骏,张田,等.大规模风电直流外送系统单极闭锁场景下送端系统协调控制策略[J].电工技术学报,2019,34(19):4108-4118.

[3]陈厚合,王长江,姜涛,等.基于端口能量的含VSC-HVDC的交直流混合系统暂态稳定评估[J].电工技术学报,2018,33(03):498-511

[4]Wen Yunfeng,Li Wenyuan,Huang Gang,et al.Frequency dynamicsconstrained unit commitment with battery energy storage[J].IEEE transactionson power systems,2016,31(6): 5115-5125.

[5]常烨骙,李卫东,巴宇,等.基于运行安全的频率控制性能评价新方法[J].电工技术学报, 2019,34(06):1218-1229.

[6]蔡泽祥,徐志勇,申洪.电力系统频率稳定分析的直接法[J].电力系统及其自动化学报, 1999(Z1):13-17.

[7]谭放.大规模风电接入的送端电网频率稳定控制研究[D].北京:华北电力大学,2016.

[8]Xu Yan,Dai Yuanyu,Dong Zhaoyang,et al.Extreme learning machine-based predictor for real-time frequency stability assessment of electricpower systems[J].Neural computing &applications,2013,22(3-4):501-508

[9]其滨,王晓茹,刘克天.基于v-SVR的电力系统扰动后最低频率预测[J].电力自动化设备,2015,35(7):83-88.

[10]仉怡超,闻达,王晓茹,等.基于深度置信网络的电力系统扰动后频率曲线预测[J].中国电机工程学报,2019,39(17):5095-5104+5290.

[11]Djukanovic M B,Popovic D P,Sobajic D J,et al.Prediction of powersystem frequency response after generator outages using neural nets[J].IEEProceedings C-Generation, Transmission and Distribution,1993,140(5):389-398.

[12]牛哲文,余泽远,李波,等.基于深度门控循环单元神经网络的短期风功率预测模型[J]. 电力自动化设备,2018,38(5):36-42.

[13]李洋麟,江全元,颜融,等.基于卷积神经网络的电力系统小干扰稳定评估[J].电力系统自动化,2019,43(2):50-59.

[14]黄新波,胡潇文,朱永灿,等.基于卷积神经网络算法的高压断路器故障诊断[J].电力自动化设备,2018,38(5):136-140+147.

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于卷积神经网络的电力系统频率安全控制方法，其特征在于，所述方法包括以下步骤：

在广域量测数据中自主挖掘电力系统频率的时序特征量作为输入数据，并对数据作预处理操作，并定义三种频率指标作为输出数据；

采用深层学习架构建立时序特征量与频率安全性之间的非线性映射关系，实现端到端的频率安全评估；

优化电力系统频率安全评估模型的关键参数来提高评估精度，借助广域量测数据的量测误差和风电渗透率分析，探讨所提频率安全评估方法的抗干扰性能；

其中，所述对数据作预处理操作具体为：

提取电力系统的节点电压幅值U和相角θ、支路有功P和无功功率Q，并将4种量测信息作为输入，对4种输入数据进行归一化和整合处理；

所述对4种输入数据进行归一化处理具体为：

将电压幅值和相角转化为电压实部和虚部的形式，实现量测数据的归一化，如下式所示：

式中，U和θ分别为电压幅值和相角；U^R和U^I分别为电压的实部和虚部；

式中，U^R(0)、U^I(0)、P(0)和Q(0)分别为初始时刻的电压实部、电压虚部、有功功率和无功功率向量；U^R(t)、U^I(t)、P(t)和Q(t)分别为t时刻的电压实部、电压虚部、有功功率和无功功率向量；U^R_rv(t)、U^I_rv(t)、P^rv(t)和Q^rv(t)分别为转化后t时刻的电压实部、电压虚部、有功功率和无功功率向量。

2.根据权利要求1所述的一种基于卷积神经网络的电力系统频率安全控制方法，其特征在于，所述三种频率指标为：频率最大值、最大频率变化率和准稳态频率。

3.根据权利要求1所述的一种基于卷积神经网络的电力系统频率安全控制方法，其特征在于，所述对4种输入数据进行整合处理具体为：

根据电力系统仿真曲线的时间分布特性，构建考虑时间分布的高维故障样本矩阵作为卷积神经网络输入数据，设在t时刻第l根母线的电压实部和虚部分别为

和

有功和无功功率分别为P_l(t)和Q_l(t)，T为数据采样的时间窗口长度，进而可得第l根母线时间序列特征：

将L根母线的特征时间序列扩展成包含全部母线信息的高维样本X，矩阵维度为L×4T＝J；

X＝[U₁,U₂,…,U_L]^T

设

为第m种系统运行状态的第n个样本，在上式的基础上进一步扩展成包含全部母线信息的多系统运行状态高维样本G，矩阵维度为(N×M)×(L×4T)＝I×J，并令N×M＝I；

式中，M为系统运行状态总数，N为不同负荷扰动量的总数，将样本矩阵作为一个彩色图片进行输入，采用频率最大值、最大频率变化率和准稳态频率作为输出变量，进而得到输出变量矩阵Y^I×k；

式中，

为第k个输出量的m*N+n行对应的数据。

Images