CN113449968A - 一种基于深度学习的新能源电网频率风险评估方法及装置 - Google Patents

Abstract

本发明适用于人工智能电网风险评估技术领域，提供了一种基于深度学习的新能源电网频率风险评估方法及装置，方法包括：获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成二维网格数据；将二维网格数据输入训练好的CNN神经网络，得到输出结果；判断输出结果是否大于阈值，若大于阈值，则判断对应发电站的系统频域异常；输出判断结果。本发明实施例基于深度学习的神经网络能够很好的学习历史数据的特性，从而通过发电站的地理坐标、风速情况、光照情况这三个维度来综合评估电网的频率越线风险，实现对整个区域的快速风险评估，保证电网系统的安全运行。

Description

一种基于深度学习的新能源电网频率风险评估方法及装置

技术领域

本发明属于人工智能电网风险评估技术领域，具体涉及一种基于深度学习的新能源电网频率风险评估方法及装置。

背景技术

新能源正在逐步代替传统发电厂为用户提供电能，但同时也为电网的安全运行带来了潜在的风险。新能源波动的随机性导致了不稳定的发电功率，增加电网供电系统的不确定性，对电网的安全带来了风险，而频率的变化就是电网供需不平衡最直接的表现，当频率超过电网规定的范围时，会有发电机退出或者引发低频减载来保证系统的安全运行，因此，合理地评估新能源发电厂接入电网后的频率越线风险具有重要意义。

对于一个大型互联电网，系统局部频率的变化以及相应的越线风险无法被准确地评估，但针对每一台发电机都进行频率评估又不切实际，因此，评估一个区域的频率越线风险更具有现实意义。不同类型的新能源具有不同的发电时段，光伏电站白天发电，风电场可以在任何时刻发电，如何利用发电站空间坐标信息、光照强度、风速等历史数据，进行频率风险预测，是目前需要迫切解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种基于深度学习的新能源电网频率风险评估方法及装置，充分利用发电站的地理位置、风速、光照信息等数据，快速预测发电站系统频率越线风险。

本发明实施例的第一方面提供了一种基于深度学习的新能源电网频率风险评估方法，包括：

获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据、风速对应的第二二维网格数据和光照强度对应的第三二维网格数据；

将所述第一二维网格数据、第二二维网格数据和第三二维网格数据输入训练好的CNN神经网络，得到输出结果，所述输出结果为各发电站的系统频率与标准频率偏差；

判断所述系统频率与标准频率偏差是否大于阈值，若所述系统频率与标准频率偏差大于阈值，则判断对应发电站的系统频域异常；

输出判断结果。

本发明实施例的第二方面提供了一种基于深度学习的新能源电网频率风险评估装置，包括：

数据采集与处理模块，用于获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据、风速对应的第二二维网格数据和光照强度对应的第三二维网格数据；

数据输入模块，用于将所述第一二维网格数据、第二二维网格数据和第三二维网格数据输入训练好的CNN神经网络，得到输出结果，所述输出结果为各发电站的系统频率与标准频率偏差；

评估模块，用于判断所述系统频率与标准频率偏差是否大于阈值，若所述系统频率与标准频率偏差大于阈值，则判断对应发电站的系统频域异常；

输出模块，用于输出判断结果。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明实施例与现有技术相比存在的有益效果至少在于：

本发明实施例基于深度学习的神经网络能够很好的学习历史数据的特性，从而通过发电站的地理坐标、风速情况、光照情况这三个维度来综合评估电网的频率越线风险，实现对整个区域的快速风险评估，保证电网系统的安全运行。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它的附图。

图1是本发明实施例提供的一种基于深度学习的新能源电网频率风险评估方法的流程示意图；

图2是本发明实施例提供的一种基于深度学习的新能源电网频率风险评估装置的示意图；

图3是本发明实施例提供的终端设备的示意图。

具体实施方式

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

本发明实施例采用了如下技术方案：

实施例一：

参见图1，本实施例提供了一种基于深度学习的新能源电网频率风险评估方法，包括：

步骤S100：获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据M₁、风速对应的第二二维网格数据M₂和光照强度对应的第三二维网格数据M₃；

步骤S200：将第一二维网格数据M₁、第二二维网格数据M₂和第三二维网格数据M₃输入训练好的CNN神经网络，得到输出结果，输出结果为各发电站的系统频率与标准频率偏差；

本实施例中，发电站的标准频率优选为50Hz；

步骤S300：判断系统频率与标准频率偏差是否大于阈值，若系统频率与标准频率偏差大于阈值，则判断对应发电站的系统频域异常；

步骤S400：输出判断结果。

通过发电站的环境因素来建立与发电站系统频率的关联，从而在采集当前环境数据后，就能直接预测出精确的系统频率，从而评估电网的频率是否有越线风险，及时排查风险以保证电网系统的安全运行。

在具体实施时，步骤S100可以包括：

步骤S110：获取每个风电站和光伏电站的地理坐标；

步骤S120：根据地理坐标的经度和纬度生成N×N维的第一二维网格，第一二维网格的横坐标和纵坐标范围包括所有发电站的地理坐标；

步骤S130：在第一二维网格中对应标记每个发电站，其中，风电站标记为第一标记，光伏电站标记为第二标记，得到第一二维网格数据M₁；

步骤S140：根据第一二维网格数据M₁生成N×N维的第二二维网格和第三二维网格；

步骤S150：获取每个风电站和光伏电站的风速数据；

步骤S160：在第二二维网格的对应网格上标记风速数据，得到第二二维网格数据M₂；

步骤S170：获取每个风电站和光伏电站的光照强度数据；

步骤S180：在第三二维网格的对应网格上标记光照强度数据，得到第三二维网格数据M₃。

通过各个风电站、光伏电站的地理坐标，包括经度、纬度，生成二维网格数据，横坐标以及纵坐标范围包括了所有发电站的经纬度，并在相应的网格上进行标记以表示该位置为发电站的坐标，且风电站的标记数据不同于光伏电站的标记，三个二维网格的结构相近，且每个发电站对应在其中的网格位置相同，不同二维网格的数据内容有差异，以此来协同分析环境因素对发电站系统频率的影响。

在数据输入神经网络前，还需要对神经网络完成训练，因此，本实施例还包括CNN神经网络的训练方法：

步骤S001：搭建CNN网络结构，本实施例中CNN网络结构优选包括5个卷积层、2个池化层和2个全连接层；

完整的CNN网络结构可以表示为一个五元函数：

Y＝H(M，C，P，F，W)

其中，Y为神经网络输出，M为输入数据M₁、M₂、M₃的集合，C为卷积函数，P为池化函数，F为全连接函数，W为神经网络的权重；

卷积层是对输入数据进行特征提取，U＝C(M₁，M₂，M₃)

其卷积函数包括：

其中，U为卷积层的输出数据，i和j分别表示矩阵的行和列索引，K为卷积核；

在卷积之后，由于数据量太大，需要池化层压缩数据，并将每个卷积层的输出汇聚为一个最终的图像特征并去除冗余信息、减少计算量。

池化函数包括：

其中，

为池化层的输出数据，N为输入数据的维度；

数据经过池化层后，采用全连接函数

对数据进行维度变换，其中，R为全连接层的输出数据。

全连接函数的激活函数优选为：

最后，神经网络的输出为各个发电站的系统频率与标准频率的偏差。

完成以上步骤即完成了网络结构的搭建。

步骤S002：获取每个发电站的地理坐标、历史风速、历史光照强度以及对应的发电站历史系统频率数据，得到数据样本；

上述历史数据的处理方式与步骤S100中的数据处理一致，即得到地理坐标对应的第一二维网格数据M₁、历史风速对应的第二二维网格数据M₂和历史光照强度对应的第三二维网格数据M₃；

步骤S003：将数据样本分为训练样本和测试样本，并将每个样本生成输入数据和输出数据，M₁、M₂和M₃作为输入数据，发电站历史系统频率与标准频率的偏差数据作为输出数据，记为Y，如有T个发电站，则Y＝{y₁，y₂，…，y_t，…，y_T}；

在本实施例中，对2个风电站、2个光伏电站进行坐标处理，并映射为二维网格数据，同时采集整个区域的历史风速数据、历史光照强度数据以及各个发电站历史系统频率数据，得到20000个历史数据，并按照7:3的比例划分训练数据和测试数据；

步骤S004：将训练样本输入CNN网络结构，训练得到初步训练模型；

训练过程中，采用的CNN网络结构训练方案可以包括：

损失函数采用均方误差：

其中，

为训练阶段的输出数据，Y_i为真实数据；

训练目标采用梯度下降最小化：

优化器采用自适应矩估计更新权重，最后得到神经网络的权重。

将上述2个风电站和2个光伏电站的测试数据输入CNN网络中，由于有4个发电站，因此输出层有4个神经元；将测试数据输入到CNN网络后，最后输出4个发电站的系统频率与标准频率的偏差，最后验证训练是否达标。

步骤S005：利用测试样本测试初步训练模型是否达标，若初步训练模型不达标，则重新训练CNN网络结构，若初步训练模型达标，则初步训练模型即为训练好的CNN神经网络。

达标判断即为上述MSE值小于设定值，比如0.001。完成训练后就可以直接输入采集数据得到评估结果了。

实施例二：

参见图2，本实施例提供了一种基于深度学习的新能源电网频率风险评估装置，包括：数据采集与处理模块51、数据输入模块52、评估模块53和输出模块54；

其中，数据采集与处理模块51用于获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据、风速对应的第二二维网格数据和光照强度对应的第三二维网格数据；

数据输入模块52用于将所述第一二维网格数据、第二二维网格数据和第三二维网格数据输入训练好的CNN神经网络，得到输出结果，所述输出结果为各发电站的系统频率与标准频率偏差；

评估模块53用于判断所述系统频率与标准频率偏差是否大于阈值，若所述系统频率与标准频率偏差大于阈值，则判断对应发电站的系统频域异常；

输出模块54用于输出判断结果。

图3是本发明一实施例提供的终端设备6的示意图。如图3所示，该实施例的终端设备6包括处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62，例如基于深度学习的新能源电网频率风险评估程序。处理器60执行计算机程序62时实现上述各个方法实施例中的步骤，例如图1所示的步骤S100至S400。或者，处理器60执行计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块51至54的功能。

示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在终端设备6中的执行过程。

终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图3仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备6还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器61可以是终端设备6的内部存储单元，例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备，例如终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备6所需的其它程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。当然，上述各单元、模块也可以用包含有计算机程序的处理器来替代，以纯软件的形式完成各部分的工作。

实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的新能源电网频率风险评估方法，其特征在于，包括：

获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据、风速对应的第二二维网格数据和光照强度对应的第三二维网格数据；

将所述第一二维网格数据、第二二维网格数据和第三二维网格数据输入训练好的CNN神经网络，得到输出结果，所述输出结果为各发电站的系统频率与标准频率偏差；

判断所述系统频率与标准频率偏差是否大于阈值，若所述系统频率与标准频率偏差大于阈值，则判断对应发电站的系统频域异常；

输出判断结果。

2.根据权利要求1所述的方法，其特征在于，所述获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据、风速对应的第二二维网格数据和光照强度对应的第三二维网格数据的步骤包括：

获取每个风电站和光伏电站的地理坐标；

根据所述地理坐标的经度和纬度生成N×N维的第一二维网格，所述第一二维网格的横坐标和纵坐标范围包括所有发电站的地理坐标；

在所述第一二维网格中对应标记每个发电站，其中，风电站标记为第一标记，光伏电站标记为第二标记，得到第一二维网格数据；

根据所述第一二维网格数据生成N×N维的第二二维网格和第三二维网格；

获取每个风电站和光伏电站的风速数据；

在所述第二二维网格的对应网格上标记风速数据，得到第二二维网格数据；

获取每个风电站和光伏电站的光照强度数据；

在所述第三二维网格的对应网格上标记光照强度数据，得到第三二维网格数据。

3.根据权利要求1所述的方法，其特征在于，还包括所述CNN神经网络的训练方法：

搭建CNN网络结构，所述CNN网络结构包括卷积层、池化层和全连接层；

获取每个发电站的地理坐标、历史风速、历史光照强度以及对应的发电站历史系统频率数据，得到数据样本；

将所述数据样本分为训练样本和测试样本，并将每个样本生成输入数据和输出数据，所述输入数据包括：地理坐标对应的第一二维网格数据、历史风速对应的第二二维网格数据和历史光照强度对应的第三二维网格数据，所述输出数据包括发电站历史系统频率与标准频率的偏差数据；

将所述训练样本输入所述CNN网络结构，训练得到初步训练模型；

利用所述测试样本测试所述初步训练模型是否达标，若所述初步训练模型不达标，则重新训练所述CNN网络结构，若所述初步训练模型达标，则所述初步训练模型即为训练好的CNN神经网络。

4.根据权利要求3所述的方法，其特征在于，所述CNN网络结构包括：

Y＝H(M，C，P，F，W)

其中，Y为神经网络输出，M为输入数据M₁、M₂、M₃的集合，C为卷积函数，P为池化函数，F为全连接函数，W为神经网络的权重；

所述卷积函数包括：

其中，U为卷积层的输出数据，i和j分别表示矩阵的行和列索引，K为卷积核；

所述池化函数包括：

其中，

为池化层的输出数据，N为输入数据的维度；

所述全连接函数包括激活函数：

其中，R为全连接层的输出数据。

5.根据权利要求3所述的方法，其特征在于，所述CNN网络结构的训练方案包括：

损失函数采用均方误差：

其中，

为训练阶段的输出数据，Y_i为真实数据；

训练目标采用梯度下降最小化：

优化器采用自适应矩估计。

6.根据权利要求3所述的方法，其特征在于，所述CNN网络结构包括5个卷积层、2个池化层和2个全连接层。

7.根据权利要求1所述的方法，其特征在于，发电站的标准频率为50Hz。

8.一种基于深度学习的新能源电网频率风险评估装置，其特征在于，包括：

数据采集与处理模块，用于获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据、风速对应的第二二维网格数据和光照强度对应的第三二维网格数据；

数据输入模块，用于将所述第一二维网格数据、第二二维网格数据和第三二维网格数据输入训练好的CNN神经网络，得到输出结果，所述输出结果为各发电站的系统频率与标准频率偏差；

评估模块，用于判断所述系统频率与标准频率偏差是否大于阈值，若所述系统频率与标准频率偏差大于阈值，则判断对应发电站的系统频域异常；

输出模块，用于输出判断结果。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images