CN115983507B - 送端源电网断面宽频振荡风险预测方法及系统 - Google Patents
送端源电网断面宽频振荡风险预测方法及系统 Download PDFInfo
- Publication number
- CN115983507B CN115983507B CN202310269990.8A CN202310269990A CN115983507B CN 115983507 B CN115983507 B CN 115983507B CN 202310269990 A CN202310269990 A CN 202310269990A CN 115983507 B CN115983507 B CN 115983507B
- Authority
- CN
- China
- Prior art keywords
- oscillation
- frequency
- pmu
- broadband
- disturbance
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Abstract
公开了一种送端源电网断面宽频振荡风险预测方法及系统,通过循环采样制对单一的PMU量测采样进行宽频分析,并制定相应日宽频振荡四档时间序列数据结构,以极大压缩宽频振荡源分析的数据量,提高分析效率;通过动态典型PMU监测点选点算法,以进一步压缩源端电网的宽频振荡分析数据量,尤其是在保证一定宽频振荡分析质量的基础上,将分散在各个PMU上的同时标海量宽频数据传输至区域电网中央控制分析器;通过模糊处理,较为客观的表达区域源端电网在评估方面的量化难度,提高了风险评估的表达能力;通过LSTM网络能够实现对模糊时间序列的有效预测。
Description
技术领域
本发明涉及电网领域,尤其是涉及一种自适应多时间序列LSTM的送端源电网断面宽频振荡风险评估与预测方法及系统。
背景技术
电网的振荡问题是电力系统稳定研究的重要领域。目前对于电网发生在0.2-2.5Hz的低频振荡,行业内已有广泛的研究和成熟的应用。对于次/超同步振荡,行业内针对火电机组本身产生的振荡也已开展了较多工作,并部署了继电保护装置来保障机组的安全。这一类低频振荡、次/超同步振荡其共性特征是都有大型同步发电机组参与,可以统一归纳为传统振荡。
随着新能源大规模并网,尤其是“源-网-荷”环节电力电子设备的大量接入,使得电力电子设备之间、电力电子设备与电网之间出现了一类新型振荡,这类振荡的突出特点是不涉及发电机组的机械元件。随着风电、光伏等新能源的大规模接入及高压直流输电技术的推广应用,新型振荡发生愈加频繁。与传统电力系统振荡机理不同,新型振荡主要是由电力电子控制引发的电磁振荡,频率范围涉及10-1-103Hz,因此其被称为宽频振荡。
由于宽频振荡源本身处于电网中,造成宽频振荡源之间也存在潜在的交互耦合关系。单一振荡源并不能引起较大规模的电网风险,而多振荡源集群性的振荡会对电网造成较大的危害,成为了各界关注点的焦点。
总体来看,电网逐步向电力电子化方向发展的同时,电网宽频振荡也日益频发,宽频振荡不仅影响电网的运行安全,也严重制约了风电、光伏等可再生能源的有效消纳,因此,迫切需要对宽频振荡进行监测、分析和控制。从物理学角度,直接建立电力电子化电力系统的解析模型,系统且全面地分析宽频振荡的内在规律,能够为振荡的预防和抑制提出根本性解决方案,但是考虑到电力系统运行机理与结构的复杂性,尤其是从电力电子化电网精细化建模以及大量风电机组及逆变器控制参数的准确获取来看,现阶段尚存在较大困难。
现有的宽频振荡分析方法主要是基于数学模型的方法,常用的包括基于特征值分析法、阻抗法、开环谐振法等。这些方法能够较好地在线性化的前提下针对特定问题分别建立状态空间模型、阻抗模型等进行分析,揭示振荡的内在机理。然而,由于电力系统宽频振荡是由多类型设备、多时间尺度控制交互引发的复杂系统问题,其精确参数难以获取,电磁暂态等模型难以构建,且具有显著的随机性和强非线性,因此现有方法难以全面分析实际系统中的宽频振荡问题。
发明内容
本发明提供一种送端源电网断面宽频振荡风险预测方法及系统,不需要建立电力系统的解析模型,就能够对振荡风险进行准确预测。
通过循环采样制对单一的PMU量测采样进行宽频分析,并制定相应日宽频振荡四档时间序列数据结构,以极大压缩宽频振荡源分析的数据量,提高分析效率;通过动态典型PMU监测点选点算法,以进一步压缩源端电网的宽频振荡分析数据量,尤其是在保证一定宽频振荡分析质量的基础上,将分散在各个PMU上的同时标海量宽频数据传输至区域电网中央控制分析器;通过模糊处理,较为客观的表达区域源端电网在评估方面的量化难度,提高了风险评估的表达能力;通过LSTM网络能够实现对模糊时间序列的有效预测。
根据本发明实施例第一方面,提供一种送端源电网断面宽频振荡风险预测方法,包括:采集多个PMU站点的送端源电网断面宽频振荡数据,以此建立PMU宽频振荡扰动数量时间序列;将采集的多PMU多频段扰动数量时间序列输入神经网络识别器,神经网络识别器以扰动风险程度时间序列为输出,对振荡类型按高中低三个风险级别进行分类;将采集的多PMU多频段扰动数量时间序列以及神经网络识别器的输出的扰动风险程度时间序列输入LSTM网络模型,LSTM网络模型输出未来所设定时间的振荡风险程度。
根据本发明实施例第二方面,提供一种送端源电网断面宽频振荡风险预测系统,包括:扰动数量时间序列获取模块,其被配置为采集多个PMU站点的送端源电网断面宽频振荡数据,以此建立PMU宽频振荡扰动数量时间序列;神经网络识别器,其以多PMU多频段扰动数量时间序列为输入,以扰动风险程度时间序列为输出,对振荡类型按高中低三个风险级别进行分类;LSTM网络模型,其以多PMU多频段扰动数量时间序列以及神经网络识别器的输出的扰动风险程度时间序列输入,输出未来所设定时间的振荡风险程度。
根据本发明实施例第三方面,提供一种计算机,其特征在于,包括:处理器;存储器,包括一个或多个程序模块;其中,所述一个或多个程序模块被存储在所述存储器中并被配置为由所述处理器执行,所述一个或多个程序模块包括用于实现所述的送端源电网断面宽频振荡风险预测方法的指令。
根据本发明实施例第四方面,提供一种存储介质,用于存储非暂时性指令,当所述非暂时性指令由处理器执行时能够实现所述的送端源电网断面宽频振荡风险预测方法。
在上述四个方面,将送端区域断面功率P之和作为一个PMU监站点。
在上述四个方面,PMU站点的监测数据包含低频振荡、次同步振荡、超同步振荡和高频振荡四种时间序列数据,每个给定的t时间,从PMU的监测数据中进行一次时间窗口为t_win长度的采样取值,然后对采样数据进行给定长度PRONY、给定频率划分,以分解出低频振荡、次同步振荡、超同步振荡和高频振荡的波形,划分低频振荡、次同步振荡、超同步振荡和高频振荡的幅值阈值分别设置为,/>,/>,/>。
在上述四个方面,采用动态典型选取方法从备选站点中选取N个PMU站点:统计日扰动中次同步和超同步叠加次数超过给定阈值L的备选站点,并依据日扰动中次同步和超同步叠加次数对备选站点进行排序,选取前N个站点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单的介绍。
图1是本发明一实施例提供的源端电网示意图。
图2是本发明一实施例提供的送端源电网断面宽频振荡风险预测方法流程图。
具体实施方式
图1展示了源端电网示示意图,图中大圈表达的是整个送端电网,里面的小黑点表示安装PMU(电力系统同步相量测量装置)的监测点,外面连接的3回线表示该送端区域对外联络线一共有三回,分别量测其功率,然后求和sigma(P1/P2/P3)能够得到送端区域断面对外的整体功率P。
本实施例提出一种基于多时间序列LSTM的送端源电网断面宽频振荡风险预测方法,其主要是建立送端源电网的宽频振荡扰动数量多维时间序列与宽频振荡风险程度之间的基于多时间序列LSTM的映射关系。
图2示出了基于多时间序列LSTM的送端源电网断面宽频振荡风险预测方法流程图。下面结合图2对送端源电网断面宽频振荡风险预测方法进行详细说明。
第一步:PMU采样。
近年来,各区域电网逐渐对PMU进行升级改造,PMU采样精度达到6.4k。中国国家电力调度控制中心在2017年对PMU规范进行修订,要求在PMU基础上新增次同步振荡在线监测功能。这样在技术上具备了通过调取PMU监测数据进行宽频分析的能力。
站点i的PMU的监测数据包含低频振荡(Low)、次同步振荡(SSR)、超同步振荡(SupSO)和高频振荡(Hig)四种时间序列数据。在一种实施例中,频率0Hz-0.25Hz为低频振荡,0.25Hz-49Hz为次同步振荡,50Hz-100Hz为超同步振荡,100Hz以上为高频振荡。那么每个给定的t时间,从PMU的监测数据中进行一次时间窗口为t_win长度的采样取值,然后对采样数据进行给定长度PRONY、给定频率划分,以分解出低频振荡、次同步振荡、超同步振荡和高频振荡的波形,从而也就得到了宽频振荡四档时间序列数据结构。低频振荡、次同步振荡、超同步振荡和高频振荡的幅值阈值分别设置为,/>,/>,。对于任意的单次循环所分解出的各频率分量进行计数,超过以上幅值阈值的则均作为一次记录。即,在提取出的一个或多个0Hz-0.25Hz低频振荡波中,只将幅值不低于的振荡视为有效的低频振荡,并进行记录。次同步振荡、超同步振荡和高频振荡的幅值阈值/>、/>、/>的作用也同此。
表1PMU_i单次采样时间序列
注释:表1为从站点i前n天的PMU采样数据中分解出的低频振荡、次同步振荡、超同步振荡和高频振荡出现的次数。day-1、day-2、day-3、……、day-n表示日期day的前面n天,Low、SSR、SupSO、Hig分别表示低频振荡、次同步振荡、超同步振荡和高频振荡。a11、a12、a13、……、a1n表示第day-1、day-2、day-3、……、day-n天出现的低频振荡次数,a21、a22、a23、……、a2n表示第day-1、day-2、day-3、……、day-n天出现的次同步振荡次数,a31、a32、a33、……、a3n表示第day-1、day-2、day-3、……、day-n天出现的超同步振荡次数,a41、a42、a43、……、a4n表示第day-1、day-2、day-3、……、day-n天出现的高频振荡次数。
第二步:选取典型监测点。
设送端区域电网内有N_whole个宽频监测PMU站点,逐个站点的进行宽频振荡波形分析是不明智的,因为并不是所有的N_whole个监测点的宽频振荡量均较大,如果将所有的PMU采样点分析出的数据通过通讯通道实时或定期传输至区域电网中央控制系统,需要有较大承载能力的通讯通道,而现有的通讯承载力往往无法满足此需求,所以对N_whole个PMU监测点中长期存在宽频振荡的站点进行监测更有意义,而对长期不出现宽频振荡的监测站点进行监测意义不大,而如果固定的选择某几个点,则又可能随着季节因素、网架结构变更出现监测盲区,本发明通过动态选取典型监测点的方法来解决此问题。
循环扫描:统计日扰动中次同步和超同步叠加次数超过给定阈值L的备选站点N_whole,根据叠加次数按由大到小的顺序对备选站点N_whole进行排序,选取前N_selected个站点作为典型监测点。该技术可在海量的PMU可观测点中选取宽频振荡相对突出的代表型站点作为被第三步和第四步所使用的备选站点。
如上所述,站点的PMU监测数据含有低频振荡、次同步振荡、超同步振荡和高频振荡四种时间序列。对于任意的第i个PMU量测站点来说,低频振荡、次同步振荡、超同步振荡和高频振荡的幅值阈值分别设置为,/>,/>,/>。
统计单次振荡时,达到设定的幅值阈值了才进行一次记录。如果当四种时间序列中的某一次振荡达到阈值时,视为发生一次宽频振荡扰动,进行一次记录。单日振荡累计次数设为N,低频振荡次数、次同步振荡次数、超同步振荡次数和高频振荡次数分别表示为,/>,/>,/>,i为站点数,i=1,2,3,…N_ selected共计N_selected个站点;t为时间,以日为单位。
此外,送端区域断面对外的整体功率P作为区域对外整体的影响,本申请将送端区域断面功率P之和同样作为一个PMU监测点。
第三步:计算送端源电网模糊评价数值。
以天为单位,将历史的多PMU多频段扰动数量时间序列N*4+1*4输入到神经网络识别器,以建立模糊分类器。“N”为动态选取的典型监测点数量,“1”为作为一个PMU监测点的送端区域断面整体功率,“4”为低频振荡、次同步振荡、超同步振荡和高频振荡4个时间序列。神经网络识别器输出三个类别,本发明将这三个类别定义为高风险(Hig)、中风险(Middle)、低风险(Hig)。即,神经网络识别器输入特征是与时间相关的扰动数量,输出为风险程度评估模糊数。即,PMU宽频振荡扰动数量时间序列矩阵输入到神经网络识别器,神经网络识别器会输出一个与PMU宽频振荡扰动数量时间序列矩阵对应的扰动风险程度时间序列。下表3展示了模糊评价过程中的一个隶属度函数矩阵。
表3 送端源电网模糊数值时间序列
注释:High、Middle、High分别表示高中低风险三个类别。day-1、day-2、day-3、……、day-n表示日期day的前面n天。p11、p12、p13、……、p1n表示第day-1、day-2、day-3、……、day-n天的宽频振荡属于类别Low的模糊数,p21、p22、p23、……、p2n表示第day-1、day-2、day-3、……、day-n天的宽频振荡属于类别Middle的模糊数,p31、p32、p33、……、p3n表示第day-1、day-2、day-3、……、day-n天的宽频振荡属于类别High的模糊数。
第四步:构建LSTM结构。LSTM用于处理评估类型的模糊函数的表达。以单日多PMU多频段扰动数量时间序列和第day_i天神经网络识别器输出的送端源电网模糊评价数值作为输入、以day_i+1天送端源电网宽频振荡风险程度模糊评判数值为输出建立LSTM网络模型。将单日多PMU多频段扰动数量时间序列分为训练集和测试集,用训练集和测试集数据对LSTM网络模型进行训练和测试,得到训练好的LSTM网络模型。也就是LSTM网络模型输出为分类后的三个风险程度。
第五步:LSTM的训练。
5.1 输入处理
同时采用三个LSTM架构,输入到LSTM的时间序列特征数量有N*4+1*4+1个。“N”为动态选取的典型监测点数量,第一个“1”为作为一个PMU监测点的送端区域断面的数量表达,“4”为低频振荡、次同步振荡、超同步振荡和高频振荡4个时间序列。第二个“1”为由第三步所形成的每天的风险程度评估模糊数其中一个数值。
每一个LSTM架构对应风险评估三级逻辑中的单一映射数值。在训练次日的风险评估三个隶属度数值后再重新拼接,形成次日的一次最终模糊数值。
5.2采用模糊C均值聚类对输出量进行表达处理
模糊C均值聚类(fuzzy c-means clustering,FCM)是对传统K-means 方法的一种改进。相较于K-means的硬聚类,它融合了模糊理论,不再局限于将样本分为某一固定的类别,而是根据样本与聚类中心的相似度关系,按照隶属度大小给出样本属于该类的程度,所以可以提供更加灵活的聚类结果。对于宽频振荡源端电网断面的宽频监测分析,往往会出现多种不同频率的振荡,采用单一的数值难以进行表达,如果同时采用多类型表达,计算量又较大,无法满足实际电网生产中的评估与控制对时间的要求。本发明采用隶属度表达次日评估预测的结果,所表达的风险程度能够对预测结果进行多频带隶属程度解析,即简化了数据表达,也节约了计算资源。
FCM 算法将数据样本xj( j =1,2,⋯,n) 分成C个模糊簇,并求得每个簇的聚类中心,使非相似性指标的损失函数最小。定义聚类损失函数:
式中:为第/>个样本属于第/>类聚类中心簇的隶属度;/>为隶属度矩阵;/>是聚类中心;m是隶属度因子(/>);/>是样本到聚类中心的距离。/>为“聚类损失函数”,/>为样本总数量,/>为聚类中心的个数。
模糊C均值的聚类策略是不断迭代计算U和V,使J(U,V)取最小值。具体步骤:
式中,/>为第/>步中、样本/>至本迭代中第j个聚类中心的欧氏距离,为具体到公式(3)中需要对本次即第/>步时所有的聚类中心进行扫描计算欧式距离,k=1,2,3,,,C,/>为第/>步迭代出的聚类损失函数结果,/>为第/>步的隶属度矩阵,/>为第/>步的聚类中心,/>为第/>个样本。
通过以上步骤,可以求得最优的隶属度矩阵U和聚类中心矩阵V。根据U可以确定样本所属的类别,当时,样本/>被归为第/>类。需要说明的是,本发明并没有对上述公示(1)~(4)进行改进,它们只是用于解释本发明。
综上,本发明通过第一步的循环采样制对单一的PMU量测采样进行宽频分析,并制定相应日宽频振荡四档时间序列数据结构,可以极大压缩宽频振荡源分析的数据量,提高分析效率;本发明通过第二步的动态典型PMU监测点选点算法,可以进一步压缩源端电网的宽频振荡分析数据量,尤其是在保证一定宽频振荡分析质量的基础上,将分散在各个PMU上的同时标海量宽频数据传输至区域电网中央控制分析器,对通讯负载并未显著增加;本发明通过第三步的模糊处理,能够较为客观的表达区域源端电网在评估方面的量化难度,提高了风险评估的表达能力;本发明通过第四步、第五步的LSTM网络结构搭建,能够实现对模糊时间序列的有效预测。
在一实施例中,还提供一种基于多时间序列LSTM的送端源电网断面宽频振荡风险预测系统,包括:扰动数量时间序列获取模块、神经网络识别器、LSTM网络模型。
扰动数量时间序列获取模块被配置为采集多个PMU站点的送端源电网断面宽频振荡数据,以此建立PMU宽频振荡扰动数量时间序列矩阵。扰动数量时间序列获取模块的具体实现方法参考上述第一步、第二步。
神经网络识别器以单日多PMU多频段扰动数量时间序列为输入,以单日扰动风险程度时间序列为输出,对单日振荡类型按高中低三个风险级别进行分类。神经网络识别器参考上述第三步。
LSTM网络模型以单日多PMU多频段扰动数量时间序列以及神经网络识别器的输出结果(单日扰动风险程度时间序列)作为输入,以次日扰动风险程度为输出,对次日可能出现的振荡风险进行预测。LSTM网络模型参考上述第四步、第五步。
在一些实施例中,还提供一种计算机。该计算机包括处理器和存储器。存储器用于存储非暂时性计算机可读指令(例如一个或多个计算机程序模块)。处理器用于运行非暂时性计算机可读指令,非暂时性计算机可读指令被处理器运行时可以执行上文所述的基于多时间序列LSTM的送端源电网断面宽频振荡风险预测方法中的一个或多个步骤。存储器和处理器可以通过总线系统和/或其它形式的连接机构互连。
例如,处理器可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如,中央处理单元(CPU)可以为X86或ARM架构等。处理器可以为通用处理器或专用处理器,可以控制计算机中的其它组件以执行期望的功能。
例如,存储器可以包括一个或多个计算机程序产品的任意组合,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、紧凑型光盘只读储存器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序模块,处理器可以运行一个或多个计算机程序模块,以实现计算机的各种功能。
在一些实施例中,还提供一种计算机可读存储介质,该计算机可读存储介质用于存储非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时可以实现上述的基于多时间序列LSTM的送端源电网断面宽频振荡风险预测方法中的一个或多个步骤。也就是本申请实施例提供的基于多时间序列LSTM的送端源电网断面宽频振荡风险预测方法、系统以软件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。关于存储介质的相关说明可以参考上文计算机中的存储器的相应描述,此处不再赘述。
Claims (6)
1.一种送端源电网断面宽频振荡风险预测方法,其特征在于,包括:
采集多个PMU站点的送端源电网断面宽频振荡数据,以此建立PMU宽频振荡扰动数量时间序列,其中将送端区域断面功率P之和作为一个PMU站点,PMU站点的监测数据包含低频振荡、次同步振荡、超同步振荡和高频振荡四种时间序列数据,从多个PMU站点中统计日扰动中次同步和超同步叠加次数超过给定阈值L的备选站点,并依据日扰动中次同步和超同步叠加次数对备选站点进行由大到小的排序,从中选取前N个站点;
将选取的N个站点多频段扰动数量时间序列输入神经网络识别器,神经网络识别器以扰动风险程度时间序列为输出,对振荡类型按高中低三个风险级别进行分类;
建立LSTM网络模型,该LSTM网络模型以第i天选取的N个站点多频段扰动数量时间序列和第i天神经网络识别器输出的送端源电网扰动风险程度作为输入、以i+1天送端源电网宽频振荡风险程度为输出;
将选取的N个站点多频段扰动数量时间序列以及神经网络识别器的输出的扰动风险程度时间序列输入LSTM网络模型,LSTM网络模型输出未来所设定时间的振荡风险程度。
3.一种送端源电网断面宽频振荡风险预测系统,其特征在于,包括:
扰动数量时间序列获取模块,其被配置为采集多个PMU站点的送端源电网断面宽频振荡数据,以此建立PMU宽频振荡扰动数量时间序列,其中将送端区域断面功率P之和作为一个PMU站点,PMU站点的监测数据包含低频振荡、次同步振荡、超同步振荡和高频振荡四种时间序列数据,从多个PMU站点中统计日扰动中次同步和超同步叠加次数超过给定阈值L的备选站点,并依据日扰动中次同步和超同步叠加次数对备选站点进行由大到小的排序,从中选取前N个站点;
神经网络识别器,其以选取的N个站点多频段扰动数量时间序列为输入,以扰动风险程度时间序列为输出,对振荡类型按高中低三个风险级别进行分类;
LSTM网络模型,该LSTM网络模型以第i天选取的N个站点多频段扰动数量时间序列和第i天神经网络识别器输出的送端源电网扰动风险程度作为输入、以i+1天送端源电网宽频振荡风险程度为输出,将选取的N个站点多频段扰动数量时间序列以及神经网络识别器的输出的扰动风险程度时间序列输入LSTM网络模型,LSTM网络模型输出未来所设定时间的振荡风险程度。
5.一种计算机,其特征在于,包括:
处理器;
存储器,包括一个或多个程序模块;
其中,所述一个或多个程序模块被存储在所述存储器中并被配置为由所述处理器执行,所述一个或多个程序模块包括用于实现权利要求1-2任一项所述的送端源电网断面宽频振荡风险预测方法的指令。
6.一种存储介质,用于存储非暂时性指令,其特征在于,当所述非暂时性指令由处理器执行时能够实现权利要求1-2任一项所述的送端源电网断面宽频振荡风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310269990.8A CN115983507B (zh) | 2023-03-20 | 2023-03-20 | 送端源电网断面宽频振荡风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310269990.8A CN115983507B (zh) | 2023-03-20 | 2023-03-20 | 送端源电网断面宽频振荡风险预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983507A CN115983507A (zh) | 2023-04-18 |
CN115983507B true CN115983507B (zh) | 2023-06-16 |
Family
ID=85966884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310269990.8A Active CN115983507B (zh) | 2023-03-20 | 2023-03-20 | 送端源电网断面宽频振荡风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983507B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976682B (zh) * | 2023-09-22 | 2023-12-26 | 安徽融兆智能有限公司 | 一种基于模糊算法的用电信息采集系统运行状态评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965415A (zh) * | 2020-10-20 | 2020-11-20 | 中国电力科学研究院有限公司 | 一种电网宽频振荡广域实时监测系统及方法 |
CN114861969A (zh) * | 2022-03-18 | 2022-08-05 | 国网河南省电力公司 | 一种基于lstm的电力系统振荡风险预测方法 |
CN115187154A (zh) * | 2022-09-14 | 2022-10-14 | 华中科技大学 | 一种基于神经网络的区域电网振荡源风险预测方法及系统 |
CN115640748A (zh) * | 2022-10-24 | 2023-01-24 | 西南交通大学 | 一种电力系统扰动后各发电机动态频率响应预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685966B (zh) * | 2008-09-27 | 2012-07-04 | 国家电力调度通信中心 | 一种低频振荡综合分析的方法及其系统 |
CN111247565B (zh) * | 2017-09-06 | 2022-06-03 | 瑞士再保险有限公司 | 用于移动远程信息处理装置的电子日志记录和跟踪检测系统及其对应方法 |
CN110674604B (zh) * | 2019-09-20 | 2022-07-08 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
CN112986735A (zh) * | 2021-02-20 | 2021-06-18 | 国网重庆市电力公司电力科学研究院 | 一种超低频次同步振荡在线监测系统 |
-
2023
- 2023-03-20 CN CN202310269990.8A patent/CN115983507B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965415A (zh) * | 2020-10-20 | 2020-11-20 | 中国电力科学研究院有限公司 | 一种电网宽频振荡广域实时监测系统及方法 |
CN114861969A (zh) * | 2022-03-18 | 2022-08-05 | 国网河南省电力公司 | 一种基于lstm的电力系统振荡风险预测方法 |
CN115187154A (zh) * | 2022-09-14 | 2022-10-14 | 华中科技大学 | 一种基于神经网络的区域电网振荡源风险预测方法及系统 |
CN115640748A (zh) * | 2022-10-24 | 2023-01-24 | 西南交通大学 | 一种电力系统扰动后各发电机动态频率响应预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115983507A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354636B (zh) | 一种基于非参数核密度估计的风功率波动性概率密度建模方法 | |
Lin et al. | An investigation on the active power variations of wind farms | |
CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
CN112633427B (zh) | 一种基于离群点检测的超高次谐波发射信号检测方法 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN115983507B (zh) | 送端源电网断面宽频振荡风险预测方法及系统 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
Zhang et al. | A multistep wind speed forecasting system considering double time series features | |
CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
Gong et al. | Short-term power prediction of a wind farm based on empirical mode decomposition and mayfly algorithm–back propagation neural network | |
CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN114298131A (zh) | 一种基于水电设备状态指标特征值进行状态监测的方法 | |
CN114417918A (zh) | 一种风电场信号特征提取及去噪优化数据的方法 |
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 |