CN112183641B - 融合预估-校正深度学习的暂态频率稳定评估方法及系统 - Google Patents

融合预估-校正深度学习的暂态频率稳定评估方法及系统 Download PDF

Info

Publication number
CN112183641B
CN112183641B CN202011054479.9A CN202011054479A CN112183641B CN 112183641 B CN112183641 B CN 112183641B CN 202011054479 A CN202011054479 A CN 202011054479A CN 112183641 B CN112183641 B CN 112183641B
Authority
CN
China
Prior art keywords
frequency
variable data
characteristic variable
input characteristic
neural network
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
Application number
CN202011054479.9A
Other languages
English (en)
Other versions
CN112183641A (zh
Inventor
苟竞
刘方
杨新婷
刘莹
朱觅
汪荣华
唐权
胥威汀
李婷
王云玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Sichuan Economic Research Institute
Original Assignee
State Grid Sichuan Economic Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Sichuan Economic Research Institute filed Critical State Grid Sichuan Economic Research Institute
Priority to CN202011054479.9A priority Critical patent/CN112183641B/zh
Publication of CN112183641A publication Critical patent/CN112183641A/zh
Application granted granted Critical
Publication of CN112183641B publication Critical patent/CN112183641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)

Abstract

本发明公开了一种融合预估‑校正深度学习的暂态频率稳定评估方法及系统，方法包括：获取扰动事故后电力系统的输入特征变量数据和输出特征变量数据；用输入特征变量数据和输出特征变量数据对深度神经网络进行训练；根据输入特征变量和训练好的深度神经网络获取频率指标预估值，用频率指标预估值和输出特征变量数据对堆栈极限学习机网络进行学习；获取扰动事故后的输入特征变量数据A；根据输入特征变量数据A、训练好的深度神经网络以及堆栈极限学习机网络对扰动事故后的频率稳定性进行评估。本发明的目的在于提供一种融合预估‑校正深度学习的暂态频率稳定评估方法及系统，以实现扰动事故后多维频率指标预测以及暂态频率稳定的快速评估。

Description

融合预估-校正深度学习的暂态频率稳定评估方法及系统
技术领域
本发明涉及电力系统安全技术领域，尤其涉及一种融合预估-校正深度学习的暂态频率稳定评估方法及系统。
背景技术
随着可再生能源的渗透率逐步提高，相当一部分传统的同步发电机(煤炭，水力等)已被可再生能源发电机组所取代。然而，可再生能源发电机组通常由于其通常采用电力电子变流器作为并网接口，惯性响应极低。因此，可再生发电的日益增长大大减少了电网惯性，当系统发生有功功率扰动事故时，对弱惯量电力系统的频率稳定性提出挑战。
时域仿真可以准确地模拟有功功率扰动后的电力系统瞬态频率特性。然而，由于需要对实际电力系统进行详细建模，时域仿真方法存在模型复杂性高和计算时间长等固有缺陷。此外，在弱惯量电网中，受风电/光伏出力不确定性以及负荷波动等因素的影响，电网不确定性以及复杂性显著增长。将时域仿真应用于在线暂态频率稳定评估时，难以考虑多不确定因素全组合场景。由于缺乏在线暂态频率稳定评估工具，调度人员无法及时、准确获取扰动事故后的频率稳定性，可能会因控制措施准备不及时而导致频率失稳。因此，迫切需要开发一种快速、准确的暂态频率稳定智能化评估方法。
随着机器学习技术理论的日渐成熟，相关专家学者开始探索将机器学习应用于电力系统暂态频率稳定评估，其中包括BP神经网络、支持向量机(SVM)、极限学习机(ELM)等。然而， BP算法存在许多缺点，如锯齿现象，效率低，收敛速度慢，泛化能力差。SVM通过使用内积核函数有效的避免维数灾难，但由于SVM具有收敛速度慢、预测精度相对较低，很难将SVM 应用于大规模数据训练。虽然单层ELM具有快速的离线训练速度，但是，由于随机生成输入层和隐藏层之间的参数的机制，可能导致一些神经元的权重不合理，降低ELM的预测精度。
发明内容
本发明的目的在于提供一种融合预估-校正深度学习的暂态频率稳定评估方法及系统，以实现扰动事故后多维频率指标预测以及暂态频率稳定的快速评估。
本发明通过下述技术方案实现：
一种融合预估-校正深度学习的暂态频率稳定评估方法，包括以下步骤：
S1：获取扰动事故后电力系统的暂态频率稳定数据集；其中，所述暂态频率稳定数据集包括输入特征变量数据和输出特征变量数据；
S2：用所述输入特征变量数据和所述输出特征变量数据对深度神经网络进行迭代训练，得到训练好的深度神经网络；
S3：根据所述输入特征变量和训练好的所述深度神经网络获取频率指标预估值，用所述频率指标预估值和所述输出特征变量数据对堆栈极限学习机网络进行迭代学习，得到训练好的堆栈极限学习机网络；
S4：在线获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据A；
S5：根据所述输入特征变量数据A、训练好的所述深度神经网络以及训练好的所述堆栈极限学习机网络对扰动事故后的频率稳定性进行评估。
优选地，所述输入特征变量数据包括有功不平衡量、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、阻尼系数、调速器响应时间以及涡轮机参数；所述输出特征变量数据包括极值频率、极值频率对应时间、频率变化率以及准稳态频率。
优选地，所述S2包括以下子步骤：
S21：对所述输入特征变量数据进行归一化处理；
S22：用所述输出特征变量数据和归一化处理后的所述输入特征变量数据对所述深度神经网络进行迭代训练，直至迭代次数到达第一预设次数或者训练精度达到第一预设精度。
优选地，所述S3包括以下子步骤：
S31：对所述输入特征变量数据进行归一化处理；
S32：将归一化处理后的所述输入特征变量数据输入训练好的所述深度神经网络中，得到所述频率指标预估值；
S33：将所述输出特征变量数据和所述频率指标预估值输入所述堆栈极限学习机网络中进行迭代训练，直至迭代次数到达第二预设次数或者训练精度达到第二预设精度。
优选地，所述S5包括以下子步骤：
S51：对所述输入特征变量数据A进行归一化处理；
S52：将归一化处理后的所述输入特征变量数据A输入训练好的所述深度神经网络中，得到频率指标预估值A；
S53：将所述频率指标预估值A输入训练好的所述堆栈极限学习机网络中进行校正，得到频率指标预测值A；
S54：根据所述频率指标预测值A对扰动事故后的频率稳定性的进行评估；
若，FNmin≤FN≤FNmax且|RoCoF|≤RoCoFmax，则认为扰动事故后的频率稳定，否则，认为频率失稳；
其中，FN为极值频率，FNmin为极值频率的最小值；FNmax为极值频率的最大值，RoCoF为频率变化率，RoCoFmax为频率变化率的最大值。
优选地，所述暂态频率稳定数据集包括以下两种获取方式：
a.采用时域仿真模拟扰动事故后电力系统的频率动态响应过程，从而获取所述暂态频率稳定数据集；
b.从电力系统控制中心采集的频率数据库中获取。
优选地，所述S3之后还包括一个测试步骤，所述测试步骤用于对训练好的所述深度神经网络和所述堆栈极限学习机网络进行测试。
优选地，所述测试步骤包括以下子步骤：
获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据B；
对所述输入特征变量数据B进行归一化处理；
将归一化处理后的所述输入特征变量数据B输入训练好的所述深度神经网络中，得到频率指标预估值B；
将所述频率指标预估值B输入训练好的所述堆栈极限学习机网络中进行校正，得到频率指标预测值B；
采用平均绝对误差MAE、平均百分比误差MAPE以及准确率AC作为评价指标，测试融合预估-校正深度学习网络的评估性能，其表达式如下：
Figure RE-GDA0002756097730000031
Figure RE-GDA0002756097730000032
Figure RE-GDA0002756097730000033
式中：S为输入特征变量数据B的个数；yt为第t个输入特征变量数据B对应的频率指标实际值，
Figure RE-GDA0002756097730000034
为第t个通过融合预估-校正的深度学习网络得到的频率指标预测值；ybase为频率指标的基准值，TP和FP分别为稳定样本被正确评估或错误评估的数量；TN和FN分别为不稳定样本被正确评估或错误评估的数量。
优选地，所述S5之后还包括一个反馈步骤，所述反馈步骤用于将所述输入特征变量数据 A和所述输入特征变量数据A对应的真实的频率指标值A反馈至S1中的所述暂态频率稳定数据集。
一种融合预估-校正深度学习的暂态频率稳定评估系统，包括获取模块、训练模块以及评估模块；
所述获取模块，用于获取扰动事故后电力系统的暂态频率稳定数据集；其中，所述暂态频率稳定数据集包括输入特征变量数据和输出特征变量数据；
还用于获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据A；
所述训练模块，用于根据所述输入特征变量数据和所述输出特征变量数据对深度神经网络进行迭代训练，得到训练好的深度神经网络；
还用于根据训练好的所述深度神经网络的输出值以及所述输出特征变量数据对堆栈极限学习机网络进行迭代学习，得到训练好的堆栈极限学习机网络；
所述评估模块，用于根据所述输入特征变量数据A、训练好的所述深度神经网络以及训练好的所述堆栈极限学习机网络对扰动事故后的频率稳定性进行评估。
本发明与现有技术相比，具有如下的优点和有益效果：
1、基于深度神经网络的预估网络直接使用实际运行数据作为输入，通过深度神经网络可以有效的实现数据降维，同时自动获取具有代表性的重要特征信息；
2、基于堆栈极限学习机网络的校正网络以基于深度神经网络的预估网络产生的多维频率指标预估值作为输入数据，进一步提高暂态频率稳定评估的准确率；
3、基于融合预估-校正的深度学习模型可以快速准确地对扰动事故后的多维频率指标进行预测，提高电力系统暂态频率稳定评估准确率；
4、融合预估-校正的深度学习模型具有良好的泛化能力，适应能力强；
5、融合预估-校正的深度学习模型无需对复杂电力系统进行建模，通过数据驱动方式挖掘输入特征变量-输出频率指标之间的映射关系，可在新的扰动后直接评估频率稳定性，极大地节省了计算时间，有利于电力调度人员快速掌握电力系统的故障后频率动态特性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为频率的动态响应；
图2为融合预估-校正深度学习的电力系统暂态频率稳定评估方法；
图3为深度神经网络的结构图；
图4为堆栈极限学习机网络的结构图；
图5基于深度神经网络的预估模型流程图；
图6为基于堆栈极限学习机网络的校正模型流程图；
图7为改进后的IEEE RTS-79系统图；
图8为多种神经网络的平均绝对误差MAE指标比较；
图9为多种神经网络的平均百分比误差MAPE指标比较；
图10为基于融合预估-校正深度学习模型所预测频率指标的误差分布。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
一种融合预估-校正深度学习的暂态频率稳定评估方法，如图1所示，包括以下步骤：
S1：获取扰动事故后电力系统的暂态频率稳定数据集；
其中，暂态频率稳定数据集包括输入特征变量数据和输出特征变量数据；输入特征变量数据包括有功不平衡量、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、阻尼系数、调速器响应时间以及涡轮机参数；输出特征变量数据包括极值频率、极值频率对应时间、频率变化率以及准稳态频率。
在本实施例中，暂态频率稳定数据集包括以下两种获取方式：
a.采用时域仿真模拟扰动事故后电力系统的频率动态响应过程，从而获取暂态频率稳定数据集；
b.从电力系统控制中心采集的频率数据库中获取。
为了使得训练的模型的具有较高的精度，在对模型的训练过程中，需要大量的数据进行训练。考虑到有可能出现电力系统控制中心采集的频率数据库中的数据量不够，无法保证训练模型准确度的情况。因此，在本方案中，增加了通过模拟仿真获取暂态频率稳定数据集的方式，从而保证训练模型的准确度。在实际使用中，可以根据具体情况进行合理选择。
S2：用输入特征变量数据和输出特征变量数据对深度神经网络进行迭代训练，得到训练好的深度神经网络；
具体地，对深度神经网络进行训练包括以下子步骤：
S21：对输入特征变量数据进行归一化处理；
S22：设置深度神经网络的参数，并用输出特征变量数据和归一化处理后的输入特征变量数据对深度神经网络进行迭代训练，直至迭代次数到达第一预设次数或者训练精度达到第一预设精度，从而得到训练好的深度神经网络。
基于深度神经网络的预估网络不依赖于多机系统动态模型，直接面向数据，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，有效的实现数据降维和特征提取，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。
S3：根据输入特征变量和训练好的深度神经网络获取频率指标预估值，用频率指标预估值和输出特征变量数据对堆栈极限学习机网络进行迭代学习，得到训练好的堆栈极限学习机网络；
具体地，对堆栈极限学习机网络进行训练包括以下子步骤：
S31：对输入特征变量数据进行归一化处理；
S32：将归一化处理后的输入特征变量数据输入训练好的深度神经网络中，得到频率指标预估值；
S33：将输出特征变量数据和频率指标预估值输入堆栈极限学习机网络中进行迭代训练，直至迭代次数到达第二预设次数或者训练精度达到第二预设精度，从而得到训练好的堆栈极限学习机网络。
基于堆栈极限学习机网络的校正网络以频率指标预估值作为输入，直接建立预估的频率指标与真实值之间的关系，进一步提高频率指标预测精度，且堆栈极限学习机网络算法不需要迭代求解网络参数，具有离线训练速度快的优势。
S4：在线获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据A。
基于广域测量系统(wide area measurement system，WAMS)和相量测量单元(phasor measurement unit，PMU)，调度中心可以实现对电网的实时监控，从实时监控数据中选取相应的输入特征变量数据A。
S5：根据输入特征变量数据A、训练好的深度神经网络以及训练好的堆栈极限学习机网络对扰动事故后的频率稳定性进行评估。
具体地，包括以下子步骤：
S51：对输入特征变量数据A进行归一化处理；
S52：将归一化处理后的输入特征变量数据A输入训练好的深度神经网络中，得到频率指标预估值A；
S53：将频率指标预估值A输入训练好的堆栈极限学习机网络中进行校正，得到频率指标预测值A；
S54：根据频率指标预测值A对扰动事故后的频率稳定性的进行评估；
若，FNmin≤FN≤FNmax且|RoCoF|≤RoCoFmax，则认为扰动事故后的频率稳定，否则，认为频率失稳；
其中，FN为极值频率，FNmin为极值频率的最小值；FNmax为极值频率的最大值，RoCoF为频率变化率，RoCoFmax为频率变化率的最大值。
在本方案中，以扰动事故的有功不平衡量、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、阻尼系数、调速器响应时间以及涡轮机参数作为输入特征变量数据，以极值频率、极值频率对应时间、频率变化率以及准稳态频率作为输出特征变量数据对深度神经网络进行训练，当深度神经网络训练完成，任意输入一个输入特征变量数据(有功不平衡量、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、阻尼系数、调速器响应时间或者涡轮机参数)，可得到相应的频率指标预估值(极值频率、极值频率对应时间、频率变化率或准稳态频率)；为了使得频率指标预估值更加精确，基于堆栈极限学习机网络的校正网络中以频率指标预估值作为输入，从而输出多维频率指标(极值频率、极值频率对应时间、频率变化率、准稳态频率)，基于输出的多维频率指标从而实现对电力系统暂态频率稳定的准确评估。
在本方案中，基于深度神经网络(DNN)的预估网络直接使用实际运行数据作为输入，通过深度神经网络可以有效的实现数据降维，同时自动获取具有代表性的重要特征信息；基于堆栈极限学习机网络(SELM)的校正网络以深度神经网络的预估网络产生的多维频率指标预估值作为输入数据，进一步提高暂态频率稳定评估的准确率。基于融合预估-校正的深度学习模型可以快速准确的对扰动事故后的多维频率指标进行预测，提高电力系统暂态频率稳定评估准确率。同时，融合预估-校正的深度学习模型具有良好的泛化能力，适应能力强。融合预估- 校正的深度学习模型无需对复杂电力系统进行建模，通过数据驱动方式挖掘输入特征变量- 输出频率指标之间的映射关系，可在新的扰动后直接评估频率稳定性，极大地节省了计算时间，有利于电力调度人员快速掌握电力系统的故障后频率动态特性。
进一步地，在本实施例中，S3之后还包括一个测试步骤，测试步骤用于对训练好的深度神经网络和堆栈极限学习机网络进行测试；具体地，包括以下测试步骤：
获取扰动事故后暂态频率稳定数据集中的输入特征变量数据B；
对输入特征变量数据B进行归一化处理；
将归一化处理后的输入特征变量数据B输入训练好的深度神经网络中，得到频率指标预估值B；
将频率指标预估值B输入到训练好的堆栈极限学习机网络中进行校正，得到频率指标预测值B；
采用平均绝对误差MAE、平均百分比误差MAPE以及准确率AC作为评价指标，测试融合预估-校正深度学习网络的评估性能，其表达式如下：
Figure RE-GDA0002756097730000071
Figure RE-GDA0002756097730000072
Figure RE-GDA0002756097730000081
式中：S为输入特征变量数据B的个数；yt、为第t个输入特征变量数据B对应的频率指标实际值，
Figure RE-GDA0002756097730000082
为第t个通过融合预估-校正的深度学习网络得到的频率指标预测值；ybase为频率指标的基准值，TP和FP分别为稳定样本被正确评估或错误评估的数量；TN和FN分别为不稳定样本被正确评估或错误评估的数量。
其中，平均绝对误差MAE、平均百分比误差MAPE以及准确率AC的值可以根据实际需求进行合理设置，本实施例中不做具体限制。另外，本实施例中的极值频率、极值频率对应时间、频率变化率以及准稳态频率的基准值分别为50Hz、0s、0Hz/s、50Hz。
值得说明的是，测试步骤中用于测试的测试数据可以从暂态频率稳定数据集中获取也可以从外界获取。
当测试数据从暂态频率稳定数据集中获取时，将暂态频率稳定数据集中的数据随机分为测试数据和训练数据，训练数据用于训练深度神经网络和堆栈极限学习机网络；测试数据用于测试训练好的深度神经网络和堆栈极限学习机网络。
当测试数据从外界获取时，暂态频率稳定数据集中的所有数据全部用做训练数据，用来训练深度神经网络和堆栈极限学习机网络。
进一步地，在本实施例中，还包括反馈步骤，反馈步骤用于将输入特征变量数据A和输入特征变量数据A对应的真实的频率指标值A反馈至S1中，以丰富暂态频率稳定数据集内数据，提升融合预估-校正的深度学习网络的鲁棒性和泛化能力。
一种融合预估-校正深度学习的暂态频率稳定评估系统，包括获取模块、训练模块以及评估模块；
获取模块，用于获取扰动事故后电力系统的暂态频率稳定数据集；其中，暂态频率稳定数据集包括输入特征变量数据和输出特征变量数据；输入特征变量数据包括有功不平衡量、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、阻尼系数、调速器响应时间以及涡轮机参数；输出特征变量数据包括极值频率、极值频率对应时间、频率变化率以及准稳态频率；
还用于获取扰动事故后暂态频率稳定数据集中的输入特征变量数据A；
训练模块，用于根据输入特征变量数据和输出特征变量数据对深度神经网络进行迭代训练，得到训练好的深度神经网络；
还用于根据训练好的深度神经网络的输出值以及输出特征变量数据对堆栈极限学习机网络进行迭代学习，得到训练好的堆栈极限学习机网络；
具体地：
对输入特征变量数据进行归一化处理；
用输出特征变量数据和归一化处理后的输入特征变量数据和对深度神经网络进行迭代训练，直至迭代次数到达第一预设次数或者训练精度达到第一预设精度，从而得到训练好的深度神经网络；
将归一化处理后的输入特征变量数据输入训练好的深度神经网络中，得到频率指标预估值；
将输出特征变量数据和频率指标预估值输入堆栈极限学习机网络中进行迭代训练，直至迭代次数到达第二预设次数或者训练精度达到第二预设精度，从而得到训练好的堆栈极限学习机网络。
在训练模块中，采用基于深度神经网络预估网络对大规模数据逐层训练，求解网络参数时采用自适应学习率梯度下降算法。通过深度神经网络可实现数据降维和特征提取，得到大量具有代表性的特征信息，进而有效表征复杂函数；
基于堆栈极限学习机网络的校正网络以频率指标预估值作为输入，直接建立频率指标预估值与真实值之间的非线性映射关系，采用ELM-AE和正则化系数求解堆栈极限学习机网络参数，进一步提高频率指标预测精度和泛化能力。
评估模块，用于根据输入特征变量数据A、训练好的深度神经网络以及训练好的堆栈极限学习机网络对扰动事故后的频率稳定性进行评估。
具体地：
对输入特征变量数据A进行归一化处理；
将归一化处理后的输入特征变量数据A输入训练好的深度神经网络中，得到频率指标预估值A；
将频率指标预估值A输入训练好的堆栈极限学习机网络中，得到校正后的频率指标值A；
根据校正后的频率指标值A对扰动事故后的频率稳定性的进行评估；
若，FNmin≤FN≤FNmax且|RoCoF|≤RoCoFmax，则认为扰动事故后的频率稳定，否则，认为频率失稳；
其中，FN为极值频率，FNmin为极值频率的最小值；FNmax为极值频率的最大值，RoCoF为频率变化率，RoCoFmax为频率变化率的最大值。
为了使本申请的技术方案更加清楚，首先对本申请所用到深度神经网络和堆栈极限学习机网络的原理进行解释。
深度神经网络的结构图如图3所示，深度神经网络可以分为三层，分别为输入层(第一层)，隐藏层(中间层)和输出层(最后一层)，深度神经网络训练分为前向传播和反向传播两部分。
在前向传播过程中，隐藏层的权重矩阵W和阈值矩阵b是随机生成的。每层的特征向量计算如下：
al＝sf(zl)＝sf(Wlal-1+bl)
式中：Wl为第l层隐藏层的权重矩阵，bl为第l层隐藏层的阈值矩阵，al是第l层隐藏层的特征向量，sf是激活函数；
sf(z)＝1/(1+exp(-z))
式中：z为特征向量。
在获得输出层的预测值之后，通过损失函数计算预测值和真实值之间的误差。损失函数如下所示：
Figure RE-GDA0002756097730000101
式中：an是预测的输出向量，y是实际的输出向量，
Figure RE-GDA0002756097730000102
是s的L2范数。
为了进一步提高网络预测精度，避免参数陷入局部最优，采取自适应学习率的梯度下降方法优化网络参数：
利用损失函数计算输出层特征向量的偏导数δi,n，公式如下：
Figure RE-GDA0002756097730000103
式中：⊙代表Hadamard积。
逐层求解隐藏层特征向量的偏导数δi,l，公式如下：
Figure RE-GDA0002756097730000104
计算累积梯度：
Figure RE-GDA0002756097730000111
Figure RE-GDA0002756097730000112
式中：r1、r2为累计变量，初始化的累计变量r1＝0、r2＝0，ρ为衰减速率，一般设置为0.9。
基于自适应学习率的进行参数更新：
Figure RE-GDA0002756097730000113
Figure RE-GDA0002756097730000114
式中：α为学习率，ΔWl、Δbl为第l层隐藏层权重矩阵W、阈值矩阵b的更新量。
深度神经网络的网络权重矩阵W、阈值矩阵b的更新：
Wl＝Wl+ΔWl
bl＝bl+Δbl
根据更新后的网络权重矩阵W、阈值矩阵b，实现多维频率指标的预估，基于深度神经网络的预估流程图如图5所示。
堆栈极限学习机网络的结构图如图4所示，为解决传统ELM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的问题，采用ELM自动编码器(ELM auto-encoder，ELM-AE)算法和正则化系数求解网络参数。
自动编码器(auto-encoder，AE)通过编码器将输入向量映射为隐藏层中的特征向量，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
WTW＝I,BTB＝1
将输入数据
Figure RE-GDA0002756097730000115
映射到隐藏层的特征空间，然后通过求解重构矩阵Wp+1将特征相量重构为原来的输入向量，即
Figure RE-GDA0002756097730000121
将重构矩阵Wp+1的转秩矩阵作为原网络结构输入层与隐藏层的权重矩阵。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：
Figure RE-GDA0002756097730000122
式中：λ为正则化系数；通过构造拉格朗日方程，可求得输出权重矩阵：
Figure RE-GDA0002756097730000123
在基于堆栈极限学习机网络的框架中，以深度神经网络的预估模型产生的多维频率指标作为输入，采用ELM-AE以及正则化系数计算第一层隐藏层的权重矩阵，并获得第一层隐藏层神经元的特征向量。依此类推，以第p层隐藏层的特征向量作为输入，求解p+1层的权重矩阵以及特征向量，根据训练完成的堆栈极限学习机网络，实现频率指标的校正，校正流程图如图6所示。
一种融合预估-校正深度学习的电力系统暂态频率稳定评估方法主要分为两个模块：离线训练模块和扰动事故后电力系统暂态频率稳定在线评估模块。
其中，离线训练模块的主要功能是根据训练样本训练融合预估-校正的深度学习网络，进而获取训练好的练融合预估-校正的深度学习模型，以便在线应用。采用基于深度神经网络预估网络对大规模数据逐层训练，求解网络参数时采用自适应学习率梯度下降算法。通过深度神经网络可实现数据降维和特征提取，得到大量具有代表性的特征信息，进而有效表征复杂函数；基于堆栈极限学习机网络的校正网络以频率指标预估值作为输入，直接建立频率指标预估值与真实值之间的非线性映射关系，采用ELM-AE和正则化系数求解堆栈极限学习机网络参数，进一步提高频率指标预测精度和泛化能力。
扰动事故后电力系统暂态频率稳定在线评估模块的主要功能是在线获取扰动事故后电力系统暂态频率稳定评估所需数据，并对数据进行预处理，输入已经离线训练好的融合预估- 校正深度学习模型中，得到扰动后电力系统多维频率指标。基于输出的多维频率指标，可评估暂态频率稳定性。为了进一步提升融合预估-校正的深度学习模型的泛化能力，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。
下面以具体实施例进一步对本发明的内容进行说明：
为了验证本发明所提供的一种融合预估-校正深度学习的暂态频率稳定评估方法的可行性，在改进的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。
以改进的IEEE RTS-79为测试系统，如图7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，在设置扰动故障时还考虑系统不同旋转备用水平对结果的影响。最后，共生成37392组样本数据。随机选取其中30000组数据作为训练样本集，另外7392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：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。基于深度神经网络预估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150，120，90，30，10。基于堆栈极限学习机网络校正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700，700，700。
利用上述的样本获取以及确定的融合预估-校正深度学习网络结构，利用图2中的离线训练模块，建立扰动事故后电力系统暂态频率稳定评估的预估-校正深度学习模型。
利用训练完成的融合预估-校正深度学习模型对测试样本进行暂态频率稳定评估。从离线训练时间、在线评估时间、平均绝对误差MAE、平均百分比误差MAPE以及准确率AC这几个方面对预估-校正深度学习模型的效果进行分析。
为了验证本发明方法的有效性，通过与时域仿真方法、深度学习方法，如DNN1、DNN2、 SDAE和传统的浅层神经网络方法，如BP和ELM进行比较。DNN1采用传统的反向传播算法调整网络参数，DNN2采用自适应学习速率算法调整网络参数，SDAE使用“预训练-参数微调”两阶段学习算法来优化网络参数。
相比于时域仿真，本发明所用的融合预估-校正深度学习方法极大的减少评估时间，融合预估-校正深度学习网络的在线评估时间仅为0.36s(仅为时域仿真的0.045％)，可实现多重复杂不确定因素下的频率稳定的在线评估。各种神经网络算法的在线评估时间差异极小，都可以在极短的时间内实现大规模扰动事故的在线评估。但是，离线训练时间和准确性存在明显差异。由于传统浅层神经网络的隐藏层只有一层，相比于其他深度学习算法，离线训练时间短，但暂态频率稳定性评估的准确率很低，难以满足精度要求。通过比较DNN1与DNN2，验证了自适应学习率算法有利于提高预测精度，从96.68％提高到97.87％，增加了1.19％。通过比较SDAE和DNN2，可以看出，利用预训练方法初始化参数极大地增加了离线训练时间，增加426.76s，增幅达57.04％。然而暂态频率稳定性评估的准确率仅从97.87％增加到 98.03％，增长0.16％。本发明提出的预估-校正深度学习网络方法与DNN2相比，离线训练时间仅增加了8.34s，但准确率提高了1.93％，达到99.8％，与SDAE相比，计算速度和精度更优，具体结果如表1所示。
表1多神经网络与时域仿真的时间比较
Figure RE-GDA0002756097730000141
平均绝对误差MAE和平均百分比误差MAPE是用于比较预测值和实际值之间误差的两个不同指标。将本发明提出的预估-校正深度学习网络方法与DNN1，DNN2，SDAE，BP，ELM进行比较，结果如图8和图9所示。本发明提出的预估-校正深度学习网络方法的平均绝对误差MAE 和平均百分比误差MAPE最低。从图8和图9可以看出，基于深度学习方法的平均绝对误差 MAE和平均百分比误差MAPE值明显低于浅层神经网络，表明深度学习可以有效地表征复杂函数。采用预训练和自适应学习速率参数微调的SDAE算法，与DNN1和DNN2相比，平均绝对误差MAE和平均百分比误差MAPE指标的误差得到了改善，但与本发明所提出的方法相比仍存在差距。通过SDAE算法获得的FN，QssF，RoCoF和TFN的平均百分比误差MAPE值分别是本发明所提出方法的4.1倍，3.69倍，2.77倍和4.5倍。
图10展示的是通过本发明提出的预估-校正深度学习网络方法获得的扰动事故频率指标的误差分布以及平均绝对误差MAE、平均百分比误差MAPE值。所提出方法获得的频率指标具有极高的精度。FN，QssF，RoCoF和TFN在0.03Hz，0.03Hz，0.01Hz/s，0.03s的误差范围内的比例分别高达99.36％，98.43％，99.92％，95.98％。FN，QssF，RoCoF和TFN的平均绝对误差MAE值仅为0.0045Hz，0.0060Hz，0.00148Hz/s，0.0082s，FN，QssF，RoCoF和TFN 的平均百分比误差MAPE值仅为0.61％，1.12％，0.364％和1.63％。
为了比较上述算法的泛化能力，通过改变系统运行方式(如改变机组开关状态、有功扰动变化等)，重新生成1 000组新的测试样本，并将测试数据输入到训练完成的算法中，结果如表2所示。深度神经网络的泛化能力明显优于浅层神经网络，本发明提出的融合预估-校正深度学习方法指标误差最小，准确度最高，达到98.1％，与SDAE和DNN2相比，准确率分别提高了2.3％和2.9％。结果表明，融合预估-校正深度学习方法在不同的运行方式下具有较好的泛化能力和适应性。
表2多种神经网络算法的泛化能力比较
Figure RE-GDA0002756097730000151
在本申请提供的融合预估-校正深度学习的暂态频率稳定评估方法即系统中，基于深度神经网络的预估网络直接使用实际运行数据作为输入，通过深度神经网络可以有效的实现数据降维，同时自动获取具有代表性的重要特征信息；基于堆栈极限学习机网络的校正网络以深度神经网络的预估网络产生的多维频率指标预估值作为输入数据，进一步提高暂态频率稳定评估的准确率。基于融合预估-校正的深度学习模型可以快速准确的对扰动事故后的多维频率指标进行预测，提高电力系统暂态频率稳定评估准确率。同时，融合预估-校正的深度学习模型具有良好的泛化能力，适应能力强。融合预估-校正的深度学习模型无需对复杂电力系统进行建模，通过数据驱动方式挖掘输入特征变量-输出频率指标之间的映射关系，可在新的扰动后直接评估频率稳定性，极大地节省了计算时间，有利于电力调度人员快速掌握电力系统的故障后频率动态特性。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，包括以下步骤：
S1：获取扰动事故后电力系统的暂态频率稳定数据集；其中，所述暂态频率稳定数据集包括输入特征变量数据和输出特征变量数据；
S2：用所述输入特征变量数据和所述输出特征变量数据对深度神经网络进行迭代训练，得到训练好的深度神经网络；
S3：根据所述输入特征变量和训练好的所述深度神经网络获取频率指标预估值，用所述频率指标预估值和所述输出特征变量数据对堆栈极限学习机网络进行迭代学习，得到训练好的堆栈极限学习机网络；
S4：在线获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据A；
S5：根据所述输入特征变量数据A、训练好的所述深度神经网络以及训练好的所述堆栈极限学习机网络对扰动事故后的频率稳定性进行评估；
所述S3包括以下子步骤：
S31：对所述输入特征变量数据进行归一化处理；
S32：将归一化处理后的所述输入特征变量数据输入训练好的所述深度神经网络中，得到所述频率指标预估值；
S33：将所述输出特征变量数据和所述频率指标预估值输入所述堆栈极限学习机网络中进行迭代训练，直至迭代次数到达第二预设次数或者训练精度达到第二预设精度；
所述S5包括以下子步骤：
S51：对所述输入特征变量数据A进行归一化处理；
S52：将归一化处理后的所述输入特征变量数据A输入训练好的所述深度神经网络中，得到频率指标预估值A；
S53：将所述频率指标预估值A输入训练好的所述堆栈极限学习机网络中进行校正，得到频率指标预测值A；
S54：根据所述频率指标预测值A对扰动事故后的频率稳定性的进行评估；
若，FNmin≤FN≤FNmax且|RoCoF|≤RoCoFmax，则认为扰动事故后的频率稳定，否则，认为频率失稳；
其中，FN为极值频率，FNmin为极值频率的最小值；FNmax为极值频率的最大值，RoCoF为频率变化率，RoCoFmax为频率变化率的最大值。
2.根据权利要求1所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述输入特征变量数据包括有功不平衡量、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、阻尼系数、调速器响应时间以及涡轮机参数；所述输出特征变量数据包括极值频率、极值频率对应时间、频率变化率以及准稳态频率。
3.根据权利要求2所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述S2包括以下子步骤：
S21：对所述输入特征变量数据进行归一化处理；
S22：用所述输出特征变量数据和归一化处理后的所述输入特征变量数据对所述深度神经网络进行迭代训练，直至迭代次数到达第一预设次数或者训练精度达到第一预设精度。
4.根据权利要求1所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述暂态频率稳定数据集包括以下两种获取方式：
a.采用时域仿真模拟扰动事故后电力系统的频率动态响应过程，从而获取所述暂态频率稳定数据集；
b.从电力系统控制中心采集的频率数据库中获取。
5.根据权利要求1-4中任意一项所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述S3之后还包括一个测试步骤，所述测试步骤用于对训练好的所述深度神经网络和所述堆栈极限学习机网络进行测试。
6.根据权利要求5所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述测试步骤包括以下子步骤：
获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据B；
对所述输入特征变量数据B进行归一化处理；
将归一化处理后的所述输入特征变量数据B输入训练好的所述深度神经网络中，得到频率指标预估值B；
将所述频率指标预估值B输入训练好的所述堆栈极限学习机网络中进行校正，得到频率指标预测值B；
采用平均绝对误差MAE、平均百分比误差MAPE以及准确率AC作为评价指标，测试融合预估-校正深度学习网络的评估性能，其表达式如下：
Figure FDA0003560866410000021
Figure FDA0003560866410000022
Figure FDA0003560866410000023
式中：S为所述输入特征变量数据B的个数；yt为第t个输入特征变量数据B对应的频率指标实际值，
Figure FDA0003560866410000031
为第t个通过融合预估-校正的深度学习网络得到的频率指标预测值；ybase为频率指标的基准值，TP和FP分别为稳定样本被正确评估或错误评估的数量；TN和FN分别为不稳定样本被正确评估或错误评估的数量。
7.根据权利要求1所述的一种融合预估-校正深度学习的暂态频率稳定评估方法，其特征在于，所述S5之后还包括一个反馈步骤，所述反馈步骤用于将所述输入特征变量数据A和所述输入特征变量数据A对应的真实的频率指标值A反馈至S1中的所述暂态频率稳定数据集。
8.一种融合预估-校正深度学习的暂态频率稳定评估系统，其特征在于，包括获取模块、训练模块以及评估模块；
所述获取模块，用于获取扰动事故后电力系统的暂态频率稳定数据集；其中，所述暂态频率稳定数据集包括输入特征变量数据和输出特征变量数据；
还用于获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据A；
所述训练模块，用于根据所述输入特征变量数据和所述输出特征变量数据对深度神经网络进行迭代训练，得到训练好的深度神经网络；
还用于根据训练好的所述深度神经网络的输出值以及所述输出特征变量数据对堆栈极限学习机网络进行迭代学习，得到训练好的堆栈极限学习机网络；
所述评估模块，用于根据所述输入特征变量数据A、训练好的所述深度神经网络以及训练好的所述堆栈极限学习机网络对扰动事故后的频率稳定性进行评估；
其中，所述训练模块包括：
第一归一化处理单元，用于对所述输入特征变量数据进行归一化处理；
第一输入单元，用于将归一化处理后的所述输入特征变量数据输入训练好的深度神经网络中，得到频率指标预估值；
第一训练单元，用于将所述输出特征变量数据和所述频率指标预估值输入堆栈极限学习机网络中进行迭代训练，直至迭代次数到达第二预设次数或者训练精度达到第二预设精度；
所述训练模块包括：
第二归一化处理单元，用于对所述输入特征变量数据A进行归一化处理；
第二输入单元，用于将归一化处理后的所述输入特征变量数据A输入训练好的深度神经网络中，得到频率指标预估值A；
第三输入单元，用于将所述频率指标预估值A输入训练好的堆栈极限学习机网络中，得到校正后的频率指标值A；
评估单元，用于根据校正后的所述频率指标值A对扰动事故后的频率稳定性的进行评估；
若，FNmin≤FN≤FNmax且|RoCoF|≤RoCoFmax，则认为扰动事故后的频率稳定，否则，认为频率失稳；
其中，FN为极值频率，FNmin为极值频率的最小值；FNmax为极值频率的最大值，RoCoF为频率变化率，RoCoFmax为频率变化率的最大值。
CN202011054479.9A 2020-09-29 2020-09-29 融合预估-校正深度学习的暂态频率稳定评估方法及系统 Active CN112183641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011054479.9A CN112183641B (zh) 2020-09-29 2020-09-29 融合预估-校正深度学习的暂态频率稳定评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011054479.9A CN112183641B (zh) 2020-09-29 2020-09-29 融合预估-校正深度学习的暂态频率稳定评估方法及系统

Publications (2)

Publication Number Publication Date
CN112183641A CN112183641A (zh) 2021-01-05
CN112183641B true CN112183641B (zh) 2022-05-13

Family

ID=73946034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011054479.9A Active CN112183641B (zh) 2020-09-29 2020-09-29 融合预估-校正深度学习的暂态频率稳定评估方法及系统

Country Status (1)

Country Link
CN (1) CN112183641B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128054A (zh) * 2021-04-21 2021-07-16 重庆邮电大学 一种基于机器学习的电子设备屏蔽效能评估方法及装置
CN114123233B (zh) * 2021-08-20 2023-10-03 华北电力大学（保定） 含不同光伏占比系统的暂态频率稳定性量化评估方法
CN113627820A (zh) * 2021-08-23 2021-11-09 国网湖南省电力有限公司 高风电渗透电网频率稳定风险评估方法及处理器
CN115293244B (zh) * 2022-07-15 2023-08-15 北京航空航天大学 一种基于信号处理及数据约简的智能电网虚假数据注入攻击检测方法
CN116388232B (zh) * 2023-06-05 2023-08-25 江苏方天电力技术有限公司 风电调频综合惯性控制方法、系统、电子设备和存储介质
CN116401532B (zh) * 2023-06-07 2024-02-23 山东大学 一种电力系统受扰后频率失稳识别方法及系统
CN118501541B (zh) * 2024-07-16 2024-09-20 国网甘肃省电力公司酒泉供电公司 一种电力系统频率自适应估计方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609576B (zh) * 2012-01-19 2013-12-04 浙江大学 预估-校正数值积分的电力系统暂态稳定仿真方法
CN108075470A (zh) * 2017-12-25 2018-05-25 东南大学 一种基于sfr和elm的电网暂态频率特征预测方法
US10869610B2 (en) * 2018-12-05 2020-12-22 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
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
CN109783997A (zh) * 2019-03-12 2019-05-21 华北电力大学 一种基于深度神经网络的电力系统暂态稳定评估方法
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
CN110292377B (zh) * 2019-06-10 2022-04-01 东南大学 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法
CN110634082A (zh) * 2019-09-24 2019-12-31 云南电网有限责任公司 一种基于深度学习的低频减载系统运行阶段预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统

Also Published As

Publication number Publication date
CN112183641A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
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
Wang et al. Clustered hybrid wind power prediction model based on ARMA, PSO-SVM, and clustering methods
Wang et al. Toward the prediction level of situation awareness for electric power systems using CNN-LSTM network
CN110009529B (zh) 一种基于堆栈降噪自动编码器的暂态频率获取方法
Zheng et al. Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization
CN109242143A (zh) 一种神经网络风电功率预测方法及系统
Fang et al. Application of gray relational analysis to k-means clustering for dynamic equivalent modeling of wind farm
CN110543720B (zh) 基于sdae-elm伪量测模型的状态估计方法
CN108665112A (zh) 基于改进粒子群优化Elman网络的光伏故障检测方法
CN108345961A (zh) 风电场群出力预测与分析方法
CN108667005B (zh) 一种计及新能源影响的电网静动态结合脆弱性评估方法
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
Mao et al. A novel short-term wind speed prediction based on MFEC
CN112069727A (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
CN116169675B (zh) 考虑运行方式变化的电力系统动态稳定性在线评估方法
CN108649556A (zh) 一种电网应急场景随机优化调度方法
CN114430165A (zh) 基于深度模型预测的微网群智能协调控制方法和装置
CN112564090B (zh) 基于mblda的交直流系统暂态电压稳定监测方法
Huang et al. Data-driven modeling of power system dynamics: Challenges, state of the art, and future work
Ye et al. Composite index for comprehensive assessment of power system transient stability
Radovanović et al. Deep Learning-Based Equivalent Modelling of Hybrid RES Plant for Efficient, Repetitive Power System Transient Stability Studies
Gong et al. Transient stability assessment of electric power system based on voltage phasor and cnn-lstm
CN109861293B (zh) 光伏不确定性对电力系统小信号稳定性影响的评估方法
Zhang et al. Power system transient stability evaluation based on multilayer perceptron neural network
Papadopoulos et al. Methodology for online identification of dynamic behavior of power systems with an increased amount of power electronics interface units

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