CN113659565B - 一种新能源电力系统频率态势的在线预测方法 - Google Patents

Abstract

本发明公开了一种新能源电力系统频率态势的在线预测方法，首先采用离线仿真的方式对新能源电力系统进行机电暂态仿真，生成新能源电力系统的扰动数据；构建基于高斯混合聚类的风电控制方式快速识别模型，将标准化处理后的扰动数据中与瞬间风电有关的数据输入到所构建的快速识别模型中，进行风电控制策略的快速识别；构建基于长短期记忆神经网络的新能源电力系统频率预测模型，对所构建的频率预测模型进行训练；将在线获取的新能源电力系统的实测数据输入训练后的频率预测模型中，实现新能源电力系统实时频率预测与结果修正。该方法将深度学习等新型机器学习算法与电力系统运行大数据相结合，能够快速准确的对扰动后系统频率特征进行预测。

Description

一种新能源电力系统频率态势的在线预测方法

技术领域

本发明涉及新能源电力系统技术领域，尤其涉及一种新能源电力系统频率态势的在线预测方法。

背景技术

随着风电、光伏等可再生能源机组的大规模并网，源网荷侧电力电子设备的大量接入，大容量直流输电的投运，以及电网互联趋势的发展，使得电力系统系统惯性水平、出力不确定性增强、网架结构愈加复杂，在“双高”电力系统的背景下，频率稳定问题日益突出，给电力系统频率态势预测带来了巨大的挑战。

传统电力系统频率态势预测主要时域仿真法与等值模型法，时域仿真法存在建模困难、计算量大、运算耗时长等缺陷，只适用于离线仿真分析、难以实现电力系统频率在线分析与评估；等值模型法主要对系统进行单机等值建模，简化忽略某些环节，在复杂系统中存在精度不高，参数确定困难等局限。现阶段，高渗透率风电并网会降低电力系统稳定性，大部分国家和地区制定了相应的风电频率响应标准，聚焦于风电调频控制策略研究，在大区域电力系统中，频率响应并非全局统一，而是呈现时空分布。在愈发复杂的新能源电力系统背景下，仅仅依靠构建传统频率分析的物理模型将难以满足频率评估需求。

发明内容

本发明的目的是提供一种新能源电力系统频率态势的在线预测方法，该方法将深度学习等新型机器学习算法与电力系统运行大数据相结合，能够快速准确的对扰动后系统频率特征进行预测。

本发明的目的是通过以下技术方案实现的：

一种新能源电力系统频率态势的在线预测方法，所述方法包括：

步骤1：采用离线仿真的方式对新能源电力系统进行机电暂态仿真，生成新能源电力系统的扰动数据；

步骤2：再对所生成的新能源电力系统的扰动数据进行标准化处理；

步骤3：构建基于高斯混合聚类的风电控制方式快速识别模型，将步骤2标准化处理后的扰动数据中与瞬间风电有关的数据输入到所构建的快速识别模型中，进行风电控制策略的快速识别，并将识别后的结果作为后续长短期记忆神经网络的一个输入；

步骤4：构建基于长短期记忆神经网络的新能源电力系统频率预测模型，将步骤2处理后的数据与步骤3识别后的结果作为长短期记忆神经网络的输入，对所构建的频率预测模型进行训练，得到训练后的频率预测模型；

步骤5：将在线获取的新能源电力系统的实测数据输入步骤4训练后的频率预测模型中，实现新能源电力系统实时频率预测与结果修正。

由上述本发明提供的技术方案可以看出，上述方法将深度学习等新型机器学习算法与电力系统运行大数据相结合，能够快速准确的对扰动后系统频率特征进行预测，对深入研究新能源电力系统频率稳定性具有重要意义。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，对于本领域的普通技术人员来讲，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他附图。

图1为本发明实施例提供的新能源电力系统频率态势的在线预测方法流程示意图；

图2为本发明实施例所述频率态势在线预测实现过程示意图；

图3为根据本发明实施例的分区新能源系统最低频率预测结果示意图；

图4为根据本发明实施例的新能源系统频率曲线预测结果示意图

图5为根据本发明实施例的模型精度、速度性能测试对比示意图；

图6为根据本发明实施例的模型抗噪性测试示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，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，都属于本发明的保护范围。

如图1所示为本发明实施例提供的新能源电力系统频率态势的在线预测方法流程示意图，所述方法包括：

步骤1：采用离线仿真的方式对新能源电力系统进行机电暂态仿真，生成新能源电力系统的扰动数据；

在该步骤中，所生成的扰动数据包括：

同步机组开机状态、同步机组惯性时间常数、同步机组旋转备用容量、扰动后同步机组电磁功率变化、扰动后同步机组机械功率变化、扰动后负荷有功功率变化、扰动后风电机组电磁功率变化、扰动后实时采集的系统频率数据。

具体实现中，离线仿真所采用的仿真软件为Digsilent/Powerfactory；并设置仿真时间为30s，仿真步长为0.01s。

步骤2：再对所生成的新能源电力系统的扰动数据进行标准化处理；

在该步骤中，在步骤2中，进行标准化处理所采用的公式为：

其中，v_i和v_i′分别为归一化前、后数据；min_A和max_A为原始数据的最大、最小值，通常线性化归一操作后，将电力系统的原始数据映射到[min′_A,max′_A]区间。

步骤3：构建基于高斯混合聚类的风电控制方式快速识别模型，将步骤2标准化处理后的扰动数据中与瞬间风电有关的数据输入到所构建的快速识别模型中，进行风电控制策略的快速识别，并将识别后的结果作为后续长短期记忆神经网络的一个输入；

在该步骤中，与瞬间风电有关的数据包括：扰动后瞬间的风电机组电磁功率、扰动后瞬间的系统频率偏差；

将与瞬间风电有关的数据输入如下模型：

式中，x＝(x¹,x²,…,x^d)^T为长度为d的输入数据；ρ(x)为高斯混合模型的概率密度函数；N(x|μ_k,Σ_k)为单一高斯分布；ω_k、μ_k、Σ_k分别为混合模型中聚类生成的第k个分组的权重、均值、协方差矩阵；

进行风电控制策略的快速识别过程具体为：

由于输入数据在基于GMM算法的风电控制策略聚类模型后的输出是一系列的概率值，选取概率值最大的类别作为判决对象，GMM算法中k个分组实际上对应k个聚类群集，因此根据输入的数据计算GMM算法的概率分布即可了解各数据点被分配的群集，实现过程分为两步：

首先在k个分组中随机选择一个，每个分组被选中的概率即为该分组的权重参数；

再从所选中的分组中选出与输入的数据样本值一致的点；

最终输出的控制策略类别K定义为0或1，0表示风机采取最大功率跟踪控制，即不参与调频；1表示风机采取附加惯量控制，即参与系统频率调频；

根据输出的值实现风电控制策略的快速识别。

步骤4：构建基于长短期记忆神经网络的新能源电力系统频率预测模型，将步骤2处理后的数据与步骤3识别后的结果作为长短期记忆神经网络的输入，对所构建的频率预测模型进行神经网络拟合训练；

在该步骤中，构建基于长短期记忆神经网络的新能源电力系统频率预测模型，具体过程为：

以新能源电力系统频率特征集F＝[F₁,F₂,…,F₇₃]作为长短期记忆神经网络LSTM的输入，输入特征集为：同步机组开机状态、惯性时间常数、旋转备用容量、电磁功率变化、机械功率变化、负荷有功功率变化、风电机组电磁功率变化，以及基于GMM风电控制策略识别的标签，共73维电气量时间序列数据；

则t时刻，LSTM对输入的计算如下式所示：

i_t＝δ(W_i[F_t,h_t-1]+b_i)

f_t＝δ(W_f[F_t,h_t-1]+b_f)

o_t＝δ(W_o[F_t,h_t-1]+b_o)

式中，W_i,W_f,W_o和W_c分别为输入门i_t、遗忘门f_t、输出门o_t以及输入状态的权重矩阵

b_i,b_f,b_o和b_c为相应的偏置项；σ为Sigmoid激活函数；tanh为双曲正切激活函数；

表示按矩阵元素相乘。

步骤5：将在线获取的新能源电力系统的实测数据输入步骤4训练后的频率预测模型中，实现新能源电力系统实时频率预测与结果修正：

在该步骤中，首先在线获取输入电气量的实测数据，并获取风电控制策略识别结果、参数信息与量测数据；

再将经过预处理并构建的时序样本数据输入已离线训练好的频率预测模型中，实现新能源电力系统实时频率预测与结果修正。

如图2所示为本发明实施例所述频率态势在线预测实现过程示意图，在训练好的预测模型基础上，扰动发生后在线获取新能源系统特征集数据，输入数据按时序依次输入，在训练好的预测模型基础上，进行多阶段频率预测，且模型评估结果随着时间的推移而进一步预测与校正。

具体实现中，为了进一步提升高斯混合模型和长短期记忆神经网络的鲁棒性与泛化能力，还可以将在线评估的输入数据与对应的输出频率指标反馈到所述频率预测模型的离线样本中，用于更新历史数据库。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

为了更加清晰地展现出本发明所提供的技术方案及所产生的技术效果，下面通过实例对其进行验证：

在本实例中，接入的IEEE 10机39节点分区系统，该系统由10台发电机、39条母线、32条交流线路、19台负荷组成。增加联络线长度距离，构建分区系统，设定区域I与区域II联络线16-17线路长度为200km，区域II与区域III联络线14-15线路长度为200km，区域III与区域IV联络线1-39线路长度为300km，系统基准容量为100MVA，基准电压为345kV，同时新能源渗透率可随接入风机台数波动，35号母线与30号母线处接入风机。发电机均使用4阶模型，31号母线所连接的发电机G2为等值机，除G2外，其它发电机的励磁系统均采用IEEE DC1型励磁系统模型，所有负荷均采用恒阻抗模型。风机采用双馈风力发电机模型DFIG_5MW，通过添加附加惯量控制环节，可实现传统最大功率跟踪控制与附加惯量控制两种控制方式。

1、LSTM模型的结构及参数设置

将预处理后的数据作为LSTM输入数据，逐层设置隐层神经元的数目；先确定第一层的最佳神经元数目，然后固定第一层神经元的数目，以确定第二层的最佳神经元数目；此过程继续进行，直到重构误差MSE不再减小。对于构建的风电接入的IEEE 10机39节点系统，LSTM神经网络隐含层最佳为5层，每层神经元的最优个数为2170、1600、1000、400、60。

表1.最佳LSTM网络结构

2、模型预测结果展示

在风电接入的分区电力系统中，利用训练好的频率预测模型对四个区域的最低频率进行预测，如图3所示为根据本发明实施例的分区新能源系统最低频率预测结果示意图；在一个区内，对频率态势曲线进行预测，如图4所示为根据本发明实施例的新能源系统频率曲线预测结果示意图。

3、模型频率预测模型性能对比评估

这里采用不同的机器学习模型算法进行性能对比评估突出本发明实施例所述方法的优越性，选择的特征提取方法包括多层感知机(MLP)、误差逆向传播神经网络(BPNN)、支持向量机(SVM)，从整体频率曲线预测精度指标MAE、频率最低值精度指标MAE、MAPE、RMSE以及单次耗时，五个方面进行对比评，如图5所示为根据本发明实施例的模型精度、速度性能测试对比示意图，由图5可以得到以下结果：

LSTM相较于其他神经网络，虽然耗时较长，而完整的频率动态响应过程为几秒至几十秒，LSTM的预测速度完全满足在线预测的速度。从准确度衡量指标评价机器学习模型在频率最低点与曲线预测的精度，LSTM相比较于其他方法有较为明显的提升。

4、模型泛化性测试

在扰动样本中抽取不同数量级样本，利用训练好的模型对同一数量样本集进行测试，选取反映预测值偏离真实值的程度MAPE作为评估指标，记录不同机器学习模型的预测误差随训练样本变化的结果见下表2所示：

表2不同样本数量最低频率预测各模型对比MAPE/10^-3％

结果表明：随着精度逐渐提高，MLP与BP预测精度相对较低，SVM样本数量较少的情况下容易过拟合，泛化能力较差。LSTM具有较强的泛化能力，无论大小样本，均取得更高数量级的精度，尤其适合小样本预测场景的应用。

5、模型抗噪性测试

分析样本的输入信息，输入特征值中部分电气量为参数信息，如惯性时间常数，此类特征为定值，无法添加噪声；部分电气量为量测数据，如同步发电机扰动后的电磁功率，在此类量测电气量中加入高斯白噪声，信噪比(SNR)是通过10log10(基准值/标准差)计算的，考虑添加30dB～70dB的5种噪声等级，如图6所示为根据本发明实施例的模型抗噪性测试示意图，由图可知：本文所提模型相较其他机器学习算法预测误差更小，在噪声下具备更强的鲁棒性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (7)

1.一种新能源电力系统频率态势的在线预测方法，其特征在于，所述方法包括：

步骤1：采用离线仿真的方式对新能源电力系统进行机电暂态仿真，生成新能源电力系统的扰动数据；

步骤2：再对所生成的新能源电力系统的扰动数据进行标准化处理；

步骤3：构建基于高斯混合聚类的风电控制方式快速识别模型，将步骤2标准化处理后的扰动数据中与瞬间风电有关的数据输入到所构建的快速识别模型中，进行风电控制策略的快速识别，并将识别后的结果作为后续长短期记忆神经网络的一个输入；

其中，与瞬间风电有关的数据包括：扰动后瞬间的风电机组电磁功率、扰动后瞬间的系统频率偏差；

将与瞬间风电有关的数据输入如下模型：

式中，x＝(x¹,x²,…,x^d)^T为长度为d的输入数据；ρ(x)为高斯混合模型的概率密度函数；N(x|μ_k,Σ_k)为单一高斯分布；ω_k、μ_k、Σ_k分别为混合模型中聚类生成的第k个分组的权重、均值、协方差矩阵；

进行风电控制策略的快速识别过程具体为：

由于输入数据在基于GMM算法的风电控制策略聚类模型后的输出是一系列的概率值，选取概率值最大的类别作为判决对象，GMM算法中k个分组实际上对应k个聚类群集，因此根据输入的数据计算GMM算法的概率分布即可了解各数据点被分配的群集，实现过程分为两步：

首先在k个分组中随机选择一个，每个分组被选中的概率即为该分组的权重参数；

再从所选中的分组中选出与输入的数据样本值一致的点；

最终输出的控制策略类别K定义为0或1，0表示风机采取最大功率跟踪控制，即不参与调频；1表示风机采取附加惯量控制，即参与系统频率调频；

根据输出的值实现风电控制策略的快速识别；

步骤4：构建基于长短期记忆神经网络的新能源电力系统频率预测模型，将步骤2处理后的数据与步骤3识别后的结果作为长短期记忆神经网络的输入，对所构建的频率预测模型进行训练，得到训练后的频率预测模型；

步骤5：将在线获取的新能源电力系统的实测数据输入步骤4训练后的频率预测模型中，实现新能源电力系统实时频率预测与结果修正。

2.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，在步骤1中，所生成的扰动数据包括：

同步机组开机状态、同步机组惯性时间常数、同步机组旋转备用容量、扰动后同步机组电磁功率变化、扰动后同步机组机械功率变化、扰动后负荷有功功率变化、扰动后风电机组电磁功率变化、扰动后实时采集的系统频率数据。

3.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，在步骤1中，离线仿真所采用的仿真软件为Digsilent/Powerfactory；

并设置仿真时间为30s，仿真步长为0.01s。

4.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，在步骤2中，进行标准化处理所采用的公式为：

其中，v_i和v′_i分别为归一化前、后数据；min_A和max_A为原始数据的最大、最小值；

在线性化归一操作后，将电力系统的原始数据映射到[min′_A,max′_A]区间。

5.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，在步骤4中，构建基于长短期记忆神经网络的新能源电力系统频率预测模型，具体过程为：

以新能源电力系统频率特征集F＝[F₁,F₂,…,F₇₃]作为长短期记忆神经网络LSTM的输入，输入特征集为：同步机组开机状态、惯性时间常数、旋转备用容量、电磁功率变化、机械功率变化、负荷有功功率变化、风电机组电磁功率变化，以及基于GMM风电控制策略识别的标签，共73维电气量时间序列数据；

则t时刻，LSTM对输入的计算如下式所示：

i_t＝δ(W_i[F_t,h_t-1]+b_i)

f_t＝δ(W_f[F_t,h_t-1]+b_f)

o_t＝δ(W_o[F_t,h_t-1]+b_o)

式中，W_i,W_f,W_o和W_c分别为输入门i_t、遗忘门f_t、输出门o_t以及输入状态的权重矩阵

b_i,b_f,b_o和b_c为相应的偏置项；σ为Sigmoid激活函数；tanh为双曲正切激活函数；

表示按矩阵元素相乘。

6.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，所述步骤5的过程具体为：

首先在线获取输入电气量的实测数据，并获取风电控制策略识别结果、参数信息与量测数据；

再将经过预处理并构建的时序样本数据输入已离线训练好的频率预测模型中，实现新能源电力系统实时频率预测与结果修正。

7.根据权利要求1所述的新能源电力系统频率态势的在线预测方法，其特征在于，所述方法还包括：

将在线评估的输入数据与对应的输出频率指标反馈到所述频率预测模型的离线样本中，用于更新历史数据库。

Images