CN117937521B - 电力系统暂态频率稳定性预测方法、系统、介质及设备 - Google Patents
电力系统暂态频率稳定性预测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN117937521B CN117937521B CN202410338553.1A CN202410338553A CN117937521B CN 117937521 B CN117937521 B CN 117937521B CN 202410338553 A CN202410338553 A CN 202410338553A CN 117937521 B CN117937521 B CN 117937521B
- Authority
- CN
- China
- Prior art keywords
- power system
- attribute
- features
- space
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000001052 transient effect Effects 0.000 title claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012512 characterization method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于分布式电网协同控制领域,为解决现有技术未能深入挖掘电力系统的时空特征及各电气属性特征之间的交互作用而影响预测准确率的问题,提供了一种电力系统暂态频率稳定性预测方法、系统、介质及设备。其中,电力系统暂态频率稳定性预测方法包括将每种电气属性序列独立处理,多路并行提取电力系统扰动前后的电气属性序列的时空特征,得到原始时空特征,并分成直接相关属性特征和间接相关属性特征这两组,对两组时空特征分别与系统惯性中心频率进行融合来分组增强,再与原始时空特征进行拼接融合,得到电力系统表征得到电力系统暂态频率稳定性预测结果,有效提取电力系统的空间特征以实现正确预测电力系统稳定性。
Description
技术领域
本发明属于分布式电网协同控制领域,尤其涉及一种电力系统暂态频率稳定性预测方法、系统、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
当面对大量新能源发电机接入电网时,根据电力系统中的电气属性,精确预测电力系统暂态频率稳定性,及时发现潜在风险,对于保证系统的稳定性显得尤为重要。目前电力系统暂态频率稳定性预测方法主要分为:时域仿真法、等值模型法和人工智能法。时域仿真法通过求解高阶非线性微分的系统动态方程计算扰动后的频率曲线,精度高但计算效率低,难以满足在线预测的需求。等值模型法对系统进行单机等值,提升了计算效率,但计算精度低。相比于以上方法,人工智能法,特别是机器学习和深度学习技术,兼顾了计算效率和预测性能。例如,支持向量机、随机森林算法等传统机器学习方法已较好地预测电力系统受扰动后的频率响应。现有的基于深度学习的暂态频率稳定性预测方法取得显著成果,但仍存在以下局限:
1)现有方法在提取空间特征时,通常将电力系统中发电机的属性(例如,电磁功率、机械功率等)拼接作为电机的特征,并使用电力系统中发电机间的实际物理拓扑关系来构建邻接矩阵。随后,采用神经网络模型建模电力系统中所有发电机之间的关联关系。然而,在不同属性参照下的各发电机之间的潜在关联关系通常是不同的。
2)现有方法在选取暂态频率预测模型输入特征时,忽略了系统惯性中心(centerof inertia,COI)频率在暂态频率稳定性预测中的重要潜能。但历史时刻的系统COI频率在一定程度上,反映了系统扰动后的暂态频率稳定性。
3)现有方法在特征增强时,未考虑先验物理知识进行分组特征增强。
以上问题使得模型未能深入挖掘电力系统的时空特征及各电气属性特征之间的交互作用,从而影响其预测准确率。
发明内容
为了解决上述现有技术未能深入挖掘电力系统的时空特征及各电气属性特征之间的交互作用而影响预测准确率的问题,本发明提供一种电力系统暂态频率稳定性预测方法、系统、介质及设备,其能够在处理具有复杂空间依赖性的数据时,有效提取电力系统的空间特征以实现正确预测电力系统稳定性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供了一种电力系统暂态频率稳定性预测方法。
在一个或多个实施例中,提供了一种电力系统暂态频率稳定性预测方法,包括:
获取电力系统扰动前后的电气属性序列;
将每种电气属性序列独立处理,多路并行提取电力系统扰动前后的电气属性序列的时空特征,得到原始时空特征;
将提取的原始时空特征分成直接相关属性特征和间接相关属性特征这两组,对两组时空特征分别与系统惯性中心频率进行融合来分组增强,对应得到直接相关属性增强特征和间接相关属性增强特征;
将直接相关属性增强特征和间接相关属性增强特征与原始时空特征进行拼接融合,得到电力系统表征;
根据电力系统表征与电力系统暂态频率稳定性的关联关系,得到电力系统暂态频率稳定性预测结果。
本发明的第二个方面提供了一种电力系统暂态频率稳定性预测系统。
在一个或多个实施例中,一种电力系统暂态频率稳定性预测系统,包括:
电气属性序列获取模块,其用于获取电力系统扰动前后的电气属性序列;
时空特征并行提取模块,其用于将每种电气属性序列独立处理,多路并行提取电力系统扰动前后的电气属性序列的时空特征,得到原始时空特征;
属性增强特征生成模块,其用于将提取的原始时空特征分成直接相关属性特征和间接相关属性特征这两组,对两组时空特征分别与系统惯性中心频率进行融合来分组增强,对应得到直接相关属性增强特征和间接相关属性增强特征;
电力系统表征模块,其用于将直接相关属性增强特征和间接相关属性增强特征与原始时空特征进行拼接融合,得到电力系统表征;
稳定性预测模块,其用于根据电力系统表征与电力系统暂态频率稳定性的关联关系,得到电力系统暂态频率稳定性预测结果。
本发明的第三个方面提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的电力系统暂态频率稳定性预测方法中的步骤。
本发明的第四个方面提供了一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的电力系统暂态频率稳定性预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明按照电气属性序列的种类,对电力系统扰动前后的每一种电气属性序列进行独立处理,多路并行提取电力系统扰动前后的电气属性序列的时空特征,学习到各发电机之间不同的相互影响关系,使得本发明在处理具有复杂空间依赖性的数据时,能够有效提取电力系统的空间特征以实现正确预测电力系统稳定性。
(2)本发明将提取的原始时空特征进行分组,还引入了系统惯性中心频率这一全局量,充分挖掘了电力系统中各电机在不同属性参照下的潜在关联关系,来增强电力系统的动态表征,实现了更加精细地理解系统惯性中心频率与电力系统暂态频率稳定性特征之间的关联关系,并结合时空特征实现了暂态频率稳定性预测。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的一种电子设备的示意图;
图2是本发明实施例的电力系统暂态频率稳定性预测方法的流程图;
图3是本发明实施例的电力系统暂态频率稳定性预测模型结构图
图4是本发明实施例的电力系统暂态频率稳定性预测模型训练流程图;
图5(a)是功角在电力系统暂态频率稳定性预测模型中对应的注意力系数矩阵;
图5(b)是转子角速度在电力系统暂态频率稳定性预测模型中对应的注意力系数矩阵;
图5(c)是机械功率在电力系统暂态频率稳定性预测模型中对应的注意力系数矩阵;
图5(d)是电磁功率在电力系统暂态频率稳定性预测模型中对应的注意力系数矩阵;
图5(e)是无功功率在电力系统暂态频率稳定性预测模型中对应的注意力系数矩阵;
图6(a)是时空图注意力网路模型(STGAT)测试结果混淆矩阵;
图6(b)是多层感知机模型(MLP)测试结果混淆矩阵;
图6(c)是卷积神经网络模型(CNN)测试结果混淆矩阵;
图6(d)是ResNet模型测试结果混淆矩阵;
图6(e)是本发明实施例的电力系统暂态频率稳定性预测模型测试结果混淆矩阵;
图7是噪声条件下各模型预测性能比较图;
图8是本发明实施例的电力系统暂态频率稳定性预测系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
新能源大规模并网后,电力系统的总转动惯量减少、抗扰动能力下降、频率调节能力减弱。在负荷或发电量发生变化等扰动时,系统频率响应加快,导致频率波动加剧,从而影响电力系统的稳定性。
为了解决背景技术中,目前技术方案未能深入挖掘电力系统的时空特征及各电气属性特征之间的交互作用而影响预测准确率的问题,本发明提供一种电力系统暂态频率稳定性预测方法、系统、介质及设备,其在处理具有复杂空间依赖性的数据时,有效提取电力系统的空间特征以实现正确预测电力系统稳定性。
参照图1,给出一种电子设备的示意图。需要说明的是,图1示出的电子设备100仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图1所示,电子设备100包括中央处理单元(CPU)101,其可以根据存储在只读存储器(ROM)102中的程序或者从存储部分108加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM 103中,还存储有系统操作所需的各种程序和数据。中央处理单元101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
以下部件连接至I/O接口105:包括键盘、鼠标等的输入部分106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分107;包括硬盘等的存储部分108;以及包括诸如局域网(LAN)卡、调制解调器等的网络接口卡的通信部分109。通信部分109经由诸如因特网的网络执行通信处理。驱动器110也根据需要连接至I/O接口105。可拆卸介质111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器110上,以便于从其上读出的计算机程序根据需要被安装入存储部分108。
本实施例的电子设备中的中央处理单元101执行所述程序时实现如图2所示的电力系统暂态频率稳定性预测方法中的步骤。
图2是本发明实施例中一种电力系统暂态频率稳定性预测方法的流程示意图,如图2所示的本实施例中的电力系统暂态频率稳定性预测方法可以包括:
S201,获取电力系统扰动前后的电气属性序列。
其中,根据不同的电器属性序列的类别,可采用对应传感元件来获取对应电气属性序列。
在步骤S201中,电力系统扰动前后的电气属性序列包括但不限于机械功率、电磁功率、转子角速度、无功功率和功角等。
例如,选取电力系统扰动前后H台发电机的N种电气属性l时间长度的序列来表征电力系统,记为。
下面以机械功率、电磁功率、转子A角速度、无功功率和功角这五种电气属性序列为例来详细说明本实施例中的电力系统暂态频率稳定性预测方法的具体实施过程。
S202,将每种电气属性序列独立处理,多路并行提取电力系统扰动前后的电气属性序列的时空特征,得到原始时空特征。
在一些具体实施过程中,利用基于多路时空图注意力网路(Spatial-TemporalGraph Attention Network, STGAT)的独立时空特征提取模块多路并行提取电力系统扰动前后的电气属性序列的时空特征。
利用多路并行的STGAT对整个电力系统进行时空特征提取,其中每个STGAT负责每个电气属性对电力系统的时空特征进行捕捉。
其中,所述基于多路时空图注意力网路的独立时空特征提取模块包括多个并行支路;每个支路包括图注意力网络及图卷积网络,所述图注意力网络用于提取电力系统的空间特征,所述图卷积网络用于提取电气属性序列的时序特征。
为了充分挖掘电力系统中各电机在不同属性参照下的潜在关联关系,来增强电力系统的动态表征,本实施例采用多个STGAT处理输电力系统扰动前后的电气属性序列,即每个分支负责处理所有发电机的第n种属性序列/>。每个STGAT首先利用图注意力网络提取电力系统的空间特征提取,进而采用图卷积网络提取电气属性序列的时序特征。
在具体实施过程中,图注意力网络提取电力系统的空间特征的过程为:
步骤a1:在空间维度,使用全连接矩阵作为发电机间关联关系的初始邻接矩阵。
如果仅根据电力系统的物理拓扑结构,来定义各发电机之间的邻接矩阵,则难以充分挖掘非通过直接线路连接的发电机间的潜在关联关系。为此,在空间维度,本发明使用全连接矩阵作为发电机间的初始邻接矩阵,它扩展了每个邻接结点集合,使得每个电机之间建立关联。
步骤a2:基于初始邻接矩阵及其对应电气属性序列,使用图注意力网络中的注意力机制自适应学习发电机间的关联程度,即图中边的权重系数。
发电机间的关联程度,即图中边的权重系数的公式:
(1)
式中,表示第i台与第j台发电机之间的权重数;/>为线性变换矩阵,/>为可学习的参数;/>为第i台发电机的第n种属性序列,即对应第i台发电机的图结点特征。/>为第j台发电机的第n种属性序列,即对应第j台发电机的图结点特征。||表示拼接操作,/>为激活函数。
步骤a3:对图中边的权重系数进行归一化操作后,结合预设非线性函数,得到更新后的时空特征。
对权重系数进行归一化操作,得到归一化后的权重系数/>:
(2)
式中,Q i为第i台发电机的邻居结点序号集合。
然后将结果施加非线性函数,得到更新后特征/>:
(3)
在具体实施过程中,图卷积网络提取电气属性序列的时序特征的过程包括:
步骤b1:当前时刻与其所有历史时刻的电气属性序列特征结点均建立边,并为所有时刻结点添加自环,构建各属性时间维度上的邻接矩阵。
步骤b2:采用图神经网络处理各属性时间维度上的邻接矩阵,挖掘出相应时序特征。
各结点更新后的特征如下:
(4)
式中,为第/>时刻所有发电机的第n种电气属性特征;B为/>的度矩阵,/>为激活函数,/>为线性变换矩阵;/>为第n种电气属性反映的系统时空特征。
考虑到不同类型属性均属于同一电力系统,当系统发生故障时,各属性之间可能相互影响。基于多路时空图注意力网路的独立时空特征提取模块共享每个支路的图注意力网络及图卷积网络的参数。共享参数有助于模型学习不同属性之间隐含的关系,从而提供更丰富的数据表示。同时,共享参数/>和/>可降低模型参数量,使得模型更容易学习到数据的通用模式,进而增强模型的泛化能力。因此,采用多个参数共享的STGAT级联成一个多路M-STGAT网络,即多个STGAT共享参数矩阵/>、/>和/>。
此处可以理解的是,在其他实施例中,也可采用其他现有多路并行神经网络或是机器学习模型来多路并行提取电力系统扰动前后的电气属性序列的时空特征。
S203,将提取的原始时空特征分成直接相关属性特征和间接相关属性特征这两组,对两组时空特征分别与系统惯性中心频率进行融合来分组增强,对应得到直接相关属性增强特征和间接相关属性增强特征。
在一些具体实施过程中,基于注意力机制的分组特征增强策略得到直接相关属性增强特征和间接相关属性增强特征。
基于注意力机制的分组特征增强策略嵌入在基于分组特征增强的暂态频率稳定性预测模块中,基于分组特征增强的暂态频率稳定性预测模块旨在对不同电气属性的时空特征进行分组增强,并实现全局电力系统特征的有效融合。
具体地,基于多路时空图注意力网路的独立时空特征提取模块和基于分组特征增强的暂态频率稳定性预测模块共同构成电力系统暂态频率稳定性预测模型M-STGAT-FE,如图3所示,以用来提取电力系统的关键特征以实现暂态频率稳定性预测。
本实施例基于注意力机制的分组特征增强策略,实现更加精细地理解系统惯性中心(center of inertia,COI)频率与M-STGAT输出特征之间的关联关系,并结合时空特征实现暂态频率稳定性预测。
在本实施例中,根据电力系统COI频率动态方程(公式(5))将输入的电气属性归为两类:影响电力系统COI频率的直接相关属性和间接相关属性。其中,参与公式(5)的电气属性为直接相关属性,其余输入属性为间接相关属性。
直接相关属性有:机械功率、电磁功率/>和转子角速度/>;
间接相关属性有:无功功率和功角/>。
本实施例将分别融合COI频率与直接相关特征,以及COI频率与间接相关特征,来增强不同特征的交互。
(5)
式中:
为电力系统各发电机惯性常数和;
、/>、/>分别为第i台发电机的机械功率、电磁功率和转子角速度;
D为发电机阻尼系数。
在一个或多个实施例中,基于注意力机制的分组特征增强策略得到直接相关属性增强特征和间接相关属性增强特征的过程为:
将各组时空特征分别与系统惯性中心频率进行拼接成多通道暂态特征;
对多通道暂态特征进行特征压缩,得到中间特征;
将中间特征与参数矩阵进行张量乘法运算,获得每个通道注意力系数;
将通道注意力系数与相应时空特征对应元素相乘得到对应增强特征。
下面以增强直接相关特征为例,给出其具体过程:
(1)将直接时空特征,/>,/>与COI频率/>拼接成多通道暂态特征。为了计算各通道注意力系数,使用多个卷积层对多通道暂态特征进行特征压缩,得到中间特征,其计算公式如下:
(6)
式中,表示沿着通道维度的拼接操作,/>为激活函数,/>表示含有s层一维卷积的卷积神经网络。
(2)将与参数矩阵/>、/>、/>、/>进行张量乘法运算,获得每个通道注意力系数。将通道注意力系数与输入特征对应元素相乘得到增强特征/>。以下是对直接相关属性的时空特征进行特征增强的计算公式:
(7)
式中,为激活函数;/>、/>、/>、/>是注意力系数;/>表示包含了COI频率与其直接相关属性信息的增强特征。
在增强间接相关特征时,对间接特征和COI频率进行同样的增强处理,获取增强特征。
本实施例根据频率动态方程,对相关属性特征进行分组,如直接相关和间接相关,进而对各类属性特征进行自适应分组增强,从而促进了模型充分挖掘各电气属性特征,提高了预测准确率。
此处可以理解的是,在其他实施例中,也可采用其他现有神经网络或是机器学习模型来增强的时空特征。
S204,将直接相关属性增强特征和间接相关属性增强特征与原始时空特征进行拼接融合,得到电力系统表征。
为防止信息损失,将增强特征与原始特征再次级联,得到中间特征:
(8)
综合学习COI频率和各属性时空特征的潜在关联关系,利用Inception-time模型对中间特征C做进一步处理。Inception-time融合层使用多尺度卷积核对中间特征C进行多次卷积得到多尺度时序特征,并对其进行全局平均池化以获取最终的电力系统表征/>。对特征C的处理过程如下:
(9)
式中,表示最大池化,/>表示第j次一维卷积操作,h为对中间特征C进行最大池化得到的特征;c j为对中间特征C进行第j次一维卷积得到的特征;表示全局平均池化。
S205,根据电力系统表征与电力系统暂态频率稳定性的关联关系,得到电力系统暂态频率稳定性预测结果。
使用全连接层及函数对/>进行特征压缩及归一化处理,以输出电力系统的暂态频率失稳概率/>:
(10)
式中,W为全连接层权重矩阵,b为偏置量。
图3所示的电力系统暂态频率稳定性预测模型M-STGAT-FE的训练过程,可采用如下步骤:
(1)数据生成:使用PSD-BPA软件,设定不同的运行方式和故障场景,进行时长为40s的时域仿真,其中采样时间间隔为0.01s,生成模型训练、验证与测试所需的样本;通过Python对电气属性数据文件进行特征筛选,得到模型输入变量。
(2)数据集构建:从生成的数据文件中加载输入电气属性集合,对加载的时序数据进行截取,以构建模型训练与测试数据。为保证在实际电力系统中可用,截取的数据需要在整体样本失稳发生时刻之前;为消除电气属性不同的量纲对模型训练的影响,对仿真数据进行最大-最小归一化预处理;并根据仿真数据中的COI频率值与其安全阈值范围,设置每个样本的标签值。
(3)数据集划分:将截取后的数据按照6:2:2的比例随机划分为训练集、验证集和测试集。并保证在数据划分时,失稳样本在各集合中的占比相近,防止样本类型分布不均匀导致模型无法充分学习到各类样本的潜在模式。
(4)模型训练:构建M-STGAT-FE模型,在训练集上应用梯度下降法来更新M-STGAT层、注意力机制分组特征增强层和Inception-time层的参数;设定初始学习率、正则化惩罚项系数等超参数。模型在训练集上进行多轮迭代训练,直到达到最大迭代次数,模型终止训练。模型训练过程中,保存模型在训练集上表现性能最优的一组模型参数。
(5)超参数调优:定义一组超参数的界限和调整幅度,遍历这些参数所有可能组合,并在每种组合上进行模型训练,以在验证集上评估模型的预测性能。通过对比不同超参数组合下的模型预测准确度,以选择最佳超参数设定。
(6)模型测试:模拟电力系统中的实际应用场景,将测试集中的样本输入至前述步骤优化的最佳模型中,以测试其性能。测试指标包括:准确率、漏报率、误报率、F1分数,如图4所示。
本实施例将M-STGAT作为时空特征提取模块,各STGAT分支分别学习到各发电机之间不同的相互影响关系,不同的电气属性(功角、转子角速度、机械功率、电磁功率和无功功率)在M-STGAT层中对应的注意力系数矩阵,如图5(a)-图5(e)所示。根据图6(a)-图6(e)模型测试结果混淆矩阵可得,相较于STGAT模型,该方法的准确率从98.68%提升至99.21%,漏报率降低至1.62%。实验结果表明,该方法在处理具有复杂空间依赖性的数据时,有效提取电力系统的空间特征以实现正确预测电力系统稳定性。
本实施例通过在模型输入中引入COI频率这一全局量,并采用一种参数共享的多路时空特征提取模块和分组特征增强策略,来充分分析电力系统的时空特性以及不同类型的电气属性之间的关联关系。实验结果表明,该方法在准确率、漏报率、误报率、F1分数方面优于其他传统深度学习方法,对比结果如图6(a)-图6(e)所示,显示了该方法在捕捉电力系统关键信息进行暂态频率稳定性预测方面的可靠性。
本实施例在测试数据中分别加入35dB、30dB、25dB、20dB不同信噪比水平的噪声,随后进行模型测试。从无噪声情况到信噪比为35dB,模型的准确率和F1得分分别下降0.06%和0.08%。随着信噪比增加到20dB,准确率下降到0.43%,F1分数降至0.92%,准确率和F1分数都保持在95%以上,其测试结果仍保持在较高水平。图7展示了该方法与其他模型在信噪比达到20dB的情况下的性能对比情况,该方法的准确率和F1分数指标仍高于其他模型,展现了其良好的鲁棒性。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行图2所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分109从网络上被下载和安装,和/或从可拆卸介质111被安装。在该计算机程序被中央处理单元101执行时,执行本申请的装置中限定的各种功能。
其中,图2所示的方法所对应的计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
图8是本发明实施例中一种电力系统暂态频率稳定性预测系统结构示意图,本实施例与图2的电力系统暂态频率稳定性预测方法相对应,如图8所示,本实施例中的电力系统暂态频率稳定性预测系统可以包括:
电气属性序列获取模块301,其用于获取电力系统扰动前后的电气属性序列;
时空特征并行提取模块302,其用于将每种电气属性序列独立处理,多路并行提取电力系统扰动前后的电气属性序列的时空特征,得到原始时空特征;
属性增强特征生成模块303,其用于将提取的原始时空特征分成直接相关属性特征和间接相关属性特征这两组,对两组时空特征分别与系统惯性中心频率进行融合来分组增强,对应得到直接相关属性增强特征和间接相关属性增强特征;
电力系统表征模块304,其用于将直接相关属性增强特征和间接相关属性增强特征与原始时空特征进行拼接融合,得到电力系统表征;
稳定性预测模块305,其用于根据电力系统表征与电力系统暂态频率稳定性的关联关系,得到电力系统暂态频率稳定性预测结果。
图8所示的电力系统暂态频率稳定性预测系统中的模块301~305的具体实施过程与图2中的步骤S201~205的具体实施过程相同,此处不再详述。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (9)
1.一种电力系统暂态频率稳定性预测方法,其特征在于,包括:
获取电力系统扰动前后的电气属性序列;
将每种电气属性序列独立处理,多路并行提取电力系统扰动前后的电气属性序列的时空特征,得到原始时空特征;其中,电气属性包括机械功率、电磁功率、转子角速度、无功功率和功角;根据电力系统COI频率动态方程将输入的电气属性归为两类:影响电力系统COI频率的直接相关属性和间接相关属性;参与COI频率动态方程计算的输入属性归为直接相关属性,其余输入属性归为间接相关属性;直接相关属性有:机械功率、电磁功率和转子角速度;间接相关属性有:无功功率和功角;
将提取的原始时空特征分成直接相关属性特征和间接相关属性特征这两组,对两组时空特征分别与系统惯性中心频率进行融合来分组增强,对应得到直接相关属性增强特征和间接相关属性增强特征,其过程为:
将各组时空特征分别与系统惯性中心频率进行拼接成多通道暂态特征;
对多通道暂态特征进行特征压缩,得到中间特征;
将中间特征与参数矩阵进行张量乘法运算,获得每个通道注意力系数;
将通道注意力系数与相应时空特征对应元素相乘得到对应增强特征;
将直接相关属性增强特征和间接相关属性增强特征与原始时空特征进行拼接融合,得到电力系统表征;
根据电力系统表征与电力系统暂态频率稳定性的关联关系,得到电力系统暂态频率稳定性预测结果。
2.如权利要求1所述的电力系统暂态频率稳定性预测方法,其特征在于,电力系统扰动前后的电气属性序列包括机械功率、电磁功率、转子角速度、无功功率和功角这五种。
3.如权利要求1所述的电力系统暂态频率稳定性预测方法,其特征在于,利用基于多路时空图注意力网路的独立时空特征提取模块多路并行提取电力系统扰动前后的电气属性序列的时空特征。
4.如权利要求3所述的电力系统暂态频率稳定性预测方法,其特征在于,所述基于多路时空图注意力网路的独立时空特征提取模块包括多个并行支路;每个支路包括图注意力网络及图卷积网络,所述图注意力网络用于提取电力系统的空间特征,所述图卷积网络用于提取电气属性序列的时序特征;所述基于多路时空图注意力网路的独立时空特征提取模块共享每个支路的图注意力网络及图卷积网络的参数。
5.如权利要求4所述的电力系统暂态频率稳定性预测方法,其特征在于,图注意力网络提取电力系统的空间特征的过程为:
在空间维度,使用全连接矩阵作为发电机间关联关系的初始邻接矩阵;
基于初始邻接矩阵及其对应电气属性序列,使用图注意力网络中的注意力机制自适应学习发电机间的关联程度,即图中边的权重系数;
对图中边的权重系数进行归一化操作后,结合预设非线性函数,得到更新后的时空特征。
6.如权利要求4所述的电力系统暂态频率稳定性预测方法,其特征在于,图卷积网络提取电气属性序列的时序特征的过程包括:
当前时刻与其所有历史时刻的电气属性序列特征结点均建立边,并为所有时刻结点添加自环,构建各属性时间维度上的邻接矩阵;
采用图神经网络处理各属性时间维度上的邻接矩阵,挖掘出相应时序特征。
7.一种电力系统暂态频率稳定性预测系统,其特征在于,包括:
电气属性序列获取模块,其用于获取电力系统扰动前后的电气属性序列;
时空特征并行提取模块,其用于将每种电气属性序列独立处理,多路并行提取电力系统扰动前后的电气属性序列的时空特征,得到原始时空特征;其中,电气属性包括机械功率、电磁功率、转子角速度、无功功率和功角;根据电力系统COI频率动态方程将输入的电气属性归为两类:影响电力系统COI频率的直接相关属性和间接相关属性;参与COI频率动态方程计算的输入属性归为直接相关属性,其余输入属性归为间接相关属性;直接相关属性有:机械功率、电磁功率和转子角速度;间接相关属性有:无功功率和功角;
属性增强特征生成模块,其用于将提取的原始时空特征分成直接相关属性特征和间接相关属性特征这两组,对两组时空特征分别与系统惯性中心频率进行融合来分组增强,对应得到直接相关属性增强特征和间接相关属性增强特征,其过程为:
将各组时空特征分别与系统惯性中心频率进行拼接成多通道暂态特征;
对多通道暂态特征进行特征压缩,得到中间特征;
将中间特征与参数矩阵进行张量乘法运算,获得每个通道注意力系数;
将通道注意力系数与相应时空特征对应元素相乘得到对应增强特征;
电力系统表征模块,其用于将直接相关属性增强特征和间接相关属性增强特征与原始时空特征进行拼接融合,得到电力系统表征;
稳定性预测模块,其用于根据电力系统表征与电力系统暂态频率稳定性的关联关系,得到电力系统暂态频率稳定性预测结果。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的电力系统暂态频率稳定性预测方法中的步骤。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-6中任一项所述的电力系统暂态频率稳定性预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410338553.1A CN117937521B (zh) | 2024-03-25 | 2024-03-25 | 电力系统暂态频率稳定性预测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410338553.1A CN117937521B (zh) | 2024-03-25 | 2024-03-25 | 电力系统暂态频率稳定性预测方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117937521A CN117937521A (zh) | 2024-04-26 |
CN117937521B true CN117937521B (zh) | 2024-06-14 |
Family
ID=90761475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410338553.1A Active CN117937521B (zh) | 2024-03-25 | 2024-03-25 | 电力系统暂态频率稳定性预测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117937521B (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107171315B (zh) * | 2017-05-18 | 2020-06-02 | 广东电网有限责任公司电力科学研究院 | 一种基于rptsvm的电力系统暂态稳定评估方法 |
CN112909939B (zh) * | 2021-03-10 | 2022-07-12 | 山东科技大学 | 一种基于故障前后潮流特征的电力系统暂态稳定评估方法 |
CN113300383B (zh) * | 2021-04-16 | 2023-06-02 | 西安热工研究院有限公司 | 一种机电暂态建模方法、系统、设备及存储介质 |
CN113837432B (zh) * | 2021-08-12 | 2023-04-25 | 华北电力大学 | 一种物理-数据联合驱动的电力系统频率预测方法 |
CN114330495A (zh) * | 2021-11-26 | 2022-04-12 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于深度学习融合模型的风电功率预测方法及设备 |
CN115639469A (zh) * | 2022-09-06 | 2023-01-24 | 北京建筑大学 | 电力系统中发电机组的稳定性检测方法、装置及电子设备 |
CN115693663A (zh) * | 2022-11-23 | 2023-02-03 | 国网上海市电力公司 | 一种计及pmu动态感知的新能源电力系统频率预测方法 |
CN116316699A (zh) * | 2023-03-31 | 2023-06-23 | 国网河北省电力有限公司电力科学研究院 | 一种大电网频率安全态势预测方法、装置及存储介质 |
CN116960943A (zh) * | 2023-06-28 | 2023-10-27 | 东北电力大学 | 基于关键特征自适应时间序列的电网暂态稳定评估方法 |
CN117078035A (zh) * | 2023-07-25 | 2023-11-17 | 华中科技大学 | 基于lstm的电力系统暂态稳定性评估方法、系统及存储介质 |
CN117349614A (zh) * | 2023-09-26 | 2024-01-05 | 贵州大学 | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 |
CN117458453A (zh) * | 2023-10-25 | 2024-01-26 | 西安交通大学 | 电力系统暂态稳定性的预测方法、系统、设备及存储介质 |
CN117668691A (zh) * | 2023-11-21 | 2024-03-08 | 国网湖北省电力有限公司 | 基于深度学习的电力系统暂态稳定性判别的方法及系统 |
-
2024
- 2024-03-25 CN CN202410338553.1A patent/CN117937521B/zh active Active
Non-Patent Citations (2)
Title |
---|
Association rules analysis between power system operating states and transient stability margin;Fang Shi等;《2017 IEEE Innovative Smart Grid Technologies - Asia (ISGT-Asia)》;20180611;全文 * |
基于时序数据和深度学习的暂态稳定预测研究;李向伟;《中国优秀硕士学位论文全文库》;20210615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117937521A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408743B (zh) | 联邦模型的生成方法、装置、电子设备和存储介质 | |
CN112181666A (zh) | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
Zhang et al. | A new method for traffic forecasting in urban wireless communication network | |
CN114970886B (zh) | 一种基于聚类的自适应鲁棒协作学习方法和装置 | |
CN113904786A (zh) | 一种基于线路拓扑分析和潮流特性的虚假数据注入攻击辨识方法 | |
CN117112744B (zh) | 大语言模型的评估方法、装置及电子设备 | |
CN114519190A (zh) | 基于贝叶斯网络攻击图的多目标网络安全动态评估方法 | |
Tian et al. | Network traffic prediction method based on autoregressive integrated moving average and adaptive Volterra filter | |
CN111291138A (zh) | 更新关系网络的方法及装置 | |
CN117937521B (zh) | 电力系统暂态频率稳定性预测方法、系统、介质及设备 | |
CN111957053A (zh) | 游戏玩家匹配方法、装置、存储介质与电子设备 | |
Dharmawardena et al. | A distributed data‐driven modelling framework for power flow estimation in power distribution systems | |
Peng et al. | Hmm-lstm for proactive traffic prediction in 6g wireless networks | |
Zhu et al. | RBF Neural Network‐Based Frequency Band Prediction for Future Frequency Hopping Communications | |
CN116362894A (zh) | 多目标学习方法、装置、电子设备及计算机可读存储介质 | |
CN115640845A (zh) | 基于生成对抗网络的图神经网络少数类别样本生成方法 | |
CN115248894A (zh) | 一种信息推荐方法、装置和计算机可读存储介质 | |
Li et al. | A stacking ensemble learning model for mobile traffic prediction | |
CN114332480A (zh) | 图数据分类模型训练方法、装置、设备及存储介质 | |
CN113392100A (zh) | 基于粒子群算法优化神经网络的系统智能校验方法、装置和系统 | |
CN113688943A (zh) | 一种分布式物联网异常检测方法 | |
Lisas et al. | Sequential Learning for Modelling Video Quality of Delivery Metrics | |
CN113946758B (zh) | 一种数据识别方法、装置、设备及可读存储介质 |
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 |