CN118427782A - 基于wrarmax和lstm的惯量提取与修正方法 - Google Patents
基于wrarmax和lstm的惯量提取与修正方法 Download PDFInfo
- Publication number
- CN118427782A CN118427782A CN202410656425.1A CN202410656425A CN118427782A CN 118427782 A CN118427782 A CN 118427782A CN 202410656425 A CN202410656425 A CN 202410656425A CN 118427782 A CN118427782 A CN 118427782A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- active power
- step response
- lstm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000012937 correction Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 230000004044 response Effects 0.000 claims abstract description 66
- 238000012546 transfer Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于WRARMAX和LSTM的惯量提取与修正方法，具体包括：获取电力系统在不同时刻的有功功率数据和频率数据，对有功功率数据和频率数据进行预处理，得到有功功率和频率偏移值序列；构建ARMAX模型，基于递归最小二乘法对有功功率和频率偏移值序列进行辨识，得到ARMAX模型的离散传递函数；将ARMAX模型的离散传递函数通过双线性变化法转化为连续传递函数；根据连续传递函数获取不同时刻的阶跃响应曲线，根据不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列；构建LSTM模型，对所述惯性时间常数序列进行修正。以此方式，解决了ARMAX模型无法反映时间序列之间的相关性和因输入数据多且计算次数多产生的算力大、耗时长的问题。
Description
技术领域
本发明涉及新能源电力系统惯量提取技术领域，尤其涉及一种基于WRARMAX和LSTM的惯量提取与修正方法。
背景技术
随着全球能源结构日益趋向低碳化、无碳化，电力系统对传统燃煤等高碳能源的依赖程度将逐渐减少，而新能源，如风能、太阳能等清洁能源的比例将大幅增加。新能源发电装置(光伏、风电等)通过电力电子装置间接取代传统同步发电机,导致现代电力系统总体惯量显著降低,引发了一系列频率稳定性问题。此外，日内新能源出力有较强的间歇性和波动性，使得系统中净负荷曲线的峰谷差较大，常规调峰备用机组等启停频繁，系统惯性波动性增强。因此,准确辨识和有效支撑电力系统的总体惯量对于频率风险分析预警、新能源装机规划及开机方式安排等调控决策具有重要意义。
在传统的惯量辨识问题中，通常使用ARMAX进行频率和功率进行建模并且使用传统的最小二乘进行模型辨识，因此无法反映时间序列之间的相关性，并且在模型的在线辨识中消耗较大算力，无法做到低延迟。同时考虑模型辨识本身只适用于线性问题而且存在误差且在电力系统发生扰动时误差会短时间增大，导致计算不准确。
发明内容
本发明的目的在于提供一种基于WRARMAX和LSTM的惯量提取与修正方法，旨在解决现有ARMAX模型在线辨识无法反映时间序列之间的相关性和因输入数据多且计算次数多产生的算力大，耗时长的问题。
根据本公开的一方面，提供了一种基于WRARMAX和LSTM的惯量提取与修正方法，包括：
在第一方面的一些可实现方式中，所述对所述有功功率数据和频率数据进行预处理，得到有功功率偏移值序列和频率偏移值序列，包括：
将所述有功功率数据和频率数据分别除以额定容量和基准频率，得到有功功率标幺值序列和频率标幺值序列；
将所述有功功率标幺值序列和频率标幺值序列分别减去所述有功功率和频率数据初始值，得到有功功率偏移值序列和频率偏移值序列。
在第一方面的一些可实现方式中，所述构建ARMAX模型，基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到所述ARMAX模型的离散传递函数，包括：
基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到各时刻ARMAX模型的系数；
基于所述各时刻ARMAX模型的系数，对所述ARMAX模型进行变换，得到所述ARMAX模型的离散传递函数。
在第一方面的一些可实现方式中，所述根据所述不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列，包括：
分别确定不同时刻的阶跃响应曲线在接近0点处的斜率；
根据不同时刻的阶跃响应曲线在接近0点处的斜率，确定不同时刻的惯性时间常数，得到惯性时间常数序列。
在第一方面的一些可实现方式中，所述分别确定不同时刻的阶跃响应曲线在接近0点处的斜率，包括：
对不同时刻的阶跃响应曲线均选取其接近0点处的单位阶跃响应曲线；
以预设采样率分别从所述各单位阶跃响应曲线中采集对应的阶跃响应信号样本点；
基于滑动窗口法和最小二乘法，分别确定各单位阶跃响应曲线对应的阶跃响应信号样本点的最大概率；
将所述各单位阶跃响应曲线对应的阶跃响应信号样本点的最大概率作为各阶跃响应曲线在接近0点处的斜率。
在第一方面的一些可实现方式中，所述构建LSTM模型，并根据所述LSTM模型对所述惯性时间常数序列进行修正，包括：
S61、数据准备，将获取的不同时刻的有功功率数据和频率数据以及惯性时间常数序列与真实值之间的残差序列作为LSTM模型的输入数据；
S62、数据划分，将所述输入数据按预设比例划分为训练样本集和验证样本集；
S63、数据预处理，对所述训练样本集和验证样本集进行归一化处理；
S64、初始化模型参数，初始化输入层时间步长、输入层维数、隐藏层数目、隐藏层单元数、输出层维数、训练批量大小以及训练轮次数；
S65、构建LSTM模型，基于所述初始化模型参数，构建LSTM序列模型；
S66、LSTM模型训练，将预处理后的训练样本集，对LSTM模型进行训练，利用验证集数据评估训练后的LSTM模型；
S67、惯性修正，根据训练好的LSTM模型预测残差修正值序列，将所述残差修正值序列与所述惯性时间常数序列相加，得到修正后的惯性时间常数序列。
在第一方面的一些可实现方式中，所述方法还包括：
基于LSTM模型在验证集上的评估表现,对LSTM模型的超参数进行调整。
根据本公开的第二方面，提供一种基于WRARMAX和LSTM的惯量提取与修正装置，该装置包括：
数据获取模块，用于获取电力系统在不同时刻的有功功率数据和频率数据，对所述有功功率数据和频率数据进行预处理，得到有功功率偏移值序列和频率偏移值序列；
数据辨识模块，用于构建ARMAX模型，基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到所述ARMAX模型的离散传递函数；
函数转化模块，用于将所述ARMAX模型的离散传递函数通过双线性变化法转化为连续传递函数；
数据提取模块，用于根据所述连续传递函数获取不同时刻的阶跃响应曲线，根据所述不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列；
数据修正模块，用于构建LSTM模型，并根据所述LSTM模型对所述惯性时间常数序列进行修正。
根据本公开的第三方面，提供一种电子设备，包括处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，执行如上述所述的基于WRARMAX和LSTM的惯量提取与修正方法。
根据本公开的第四方面，提供一种存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上所述的基于WRARMAX和LSTM的惯量提取与修正方法。
根据本公开提供的基于WRARMAX和LSTM的惯量提取与修正方法，基于加权递归最小二乘法在线辨识ARMAX惯性时间常数，在使用最小二乘法辨识时对过去的时刻施加权重，并且进行推导，使得每次添加一个数据时都能在原有的参数上做修正，避免重复使用过去的数据进行辨识和高阶矩阵的计算。并根据惯性变化具有不可突变性和历史关联性强的特性使用长短期记忆神经网络LSTM对惯性时间常数提取值进行的残差进行修正，以实现对电力系统惯性时间常数高效辨识和准确修正的效果。
附图说明
图1示出了根据本发明的实施例的一种基于WRARMAX和LSTM的惯量提取与修正方法流程图；
图2示出了根据本发明的实施例的基于WRARMAX和LSTM的惯量提取与修正方法示意图；
图3示出了根据本发明的实施例的长短期记忆循环神经网络（LSTM）示意图；
图4示出了根据本发明的实施例的IEEE39节点惯性时间常数提取值与真实值比较图；
图5示出了本发明的实施例的一种基于WRARMAX和LSTM的惯量提取与修正装置的框图；
图6示出了根据本公开实施例的计算设备的示意图。
具体实施方式
下面将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。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明提供了一种基于WRARMAX和LSTM的惯量提取与修正方法，具体包括：获取电力系统在不同时刻的有功功率数据和频率数据，对所述有功功率数据和频率数据进行预处理，得到有功功率偏移值序列和频率偏移值序列；构建ARMAX模型，基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到所述ARMAX模型的离散传递函数；将所述ARMAX模型的离散传递函数通过双线性变化法转化为连续传递函数；根据所述连续传递函数获取不同时刻的阶跃响应曲线，根据所述不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列；构建LSTM模型，并根据所述LSTM模型对所述惯性时间常数序列进行修正。以此方式，解决了ARMAX模型在线辨识无法反映时间序列之间的相关性和因输入数据多且计算次数多产生的算力大，耗时长的问题。
下面结合附图及具体实施例对本公开所提供的基于WRARMAX和LSTM的惯量提取与修正方法进行更加具体的说明。
实施例一
图1示出了本公开实施例提供的基于WRARMAX和LSTM的惯量提取与修正方法流程图，如图1所示，方法100可以包括以下步骤：
S110，获取电力系统在不同时刻的有功功率数据和频率数据，对所述有功功率数据和频率数据进行预处理，得到有功功率偏移值序列和频率偏移值序列；
在一些实施例中，对所述有功功率数据和频率数据进行预处理包括以下步骤：
将不同时刻的有功功率数据和频率数据分别除以其额定容量和基准频率得到有功功率标幺值和频率标幺值；
将所述有功功率标幺值序列和频率标幺值序列分别减去所述有功功率和频率数据初始值，得到有功功率偏移值序列和频率偏移值序列。
进一步地，为了将频域图像中的高频部分滤除 ,可以采用低通滤波器对得到的有功功率偏移值序列和频率偏移值序列进行滤波，达到平滑去噪的目的。
S120，构建ARMAX模型，基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到所述ARMAX模型的离散传递函数；
在一些实施例中，可以基于递归最小二乘法对有功功率偏移值序列和频率偏移值序列进行辨识，得到各时刻ARMAX模型的系数；
基于所述各时刻ARMAX模型的系数，对ARMAX模型进行变换，得到所述ARMAX模型的离散传递函数。
具体地，使用ARMAX模型对发电装置进行动态建模，其结构可以表示如下：
上式中，、、为自回归、外来变量和平均移动模型的阶数；为k时刻频率标幺值的偏移量；为k-1时刻功率标幺值的偏移量；为k时刻的噪声，分别表示发电装置输出项、输入项和噪声项的系数。
为了简化模型给出以下变量：
为权重矩阵。
根据最小二乘，给出准则函数如下
，对上面的准则函数进行一阶求导，令其等于0，并检查其二阶导数是否大于0，可以求得
但是上式是矩阵运算，如果需要对电力系统的时间惯性常数进行实时的监测，的阶数会非常大，在运算过程中十分费时，难以做到实时。所以对上面的式子进一步做简化。
定义
同时可得
对上面最后一个式子根据Sherman-Morrison公式进行展开得到
对上面的第二个式子变换，得
定义增益矩阵:
再对根据矩阵和的逆公式可得
将该式代入增益矩阵，得
结合上面式子可以得到
综上所述，加权递归最小二乘的公式如下
上式中需要给定和的初值。为参数的估计值，在计算开始前，它的初值应该为0向量，一般设为一个很大的矩阵，比如。
得到系数后将ARMAX模型进行变换得到
其中多项式，，分别为：
式中为后向移位算子。就是有功功率-频率的离散传递函数。
S130，将所述ARMAX模型的离散传递函数通过双线性变化法转化为连续传递函数。
在一些实施例中，为了得到连续传递函数，可以在MATLAB中使用d2c函数，将通过双线性变化法转化为连续传递函数。
S140，根据所述连续传递函数获取不同时刻的阶跃响应曲线，根据所述不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列。
在一些实施例中，可以将转子运动方程写成关于稳态运行点的增量形式，如下：
将其表示为到的动态模型传递函数：
式中s是拉普拉斯算子。
对上式施加单位跃迁信号，并作逆拉普拉斯变换，可以得到其时域响应并求导可得：
当t=0时，，所以得到频率偏移量在0时刻的导数后可以进一步得到时间惯性常数。
具体地，对于不同时刻的阶跃响应曲线，可以分别确定其在接近0点处的斜率，根据其在接近0点处的斜率，确定不同时刻的惯性时间常数，得到惯性时间常数序列。
在一些实施例中，对于不同时刻的阶跃响应曲线，可以分别确定其在接近0点处的斜率，包括：
可以对不同时刻的阶跃响应曲线均选取其接近0点处的单位阶跃响应曲线；
以预设采样率分别从所述各单位阶跃响应曲线中采集对应的阶跃响应信号样本点；
基于滑动窗口法和最小二乘法，分别确定各单位阶跃响应曲线对应的阶跃响应信号样本点的最大概率；
将所述各单位阶跃响应曲线对应的阶跃响应信号样本点的最大概率作为各阶跃响应曲线在接近0点处的斜率。
在一些实施例中，基于滑动窗口法和最小二乘法确定单位阶跃响应曲线对应的阶跃响应信号样本点的最大概率，包括：
选取预设长度的数据窗，对数据窗内的样本点进行最小二乘拟合，得到其斜率。再将数据窗向前移动一个样本点，然后进行最小二乘拟合，得到其斜率。重复上面的步骤，直到取尽单位阶跃响应曲线的每一个样本点。取最小二乘拟合得到的最大斜率作为单位阶跃响应曲线对应的阶跃响应信号样本点的最大概率，即，阶跃响应曲线在接近0点处的斜率。
S150，构建LSTM模型，并根据所述LSTM模型对所述惯性时间常数序列进行修正。
在一些实施例中，根据所述LSTM模型对所述惯性时间常数序列进行修正包括以下步骤：
S61、数据准备，将获取的不同时刻的有功功率数据和频率数据以及惯性时间常数序列与真实值之间的残差序列作为LSTM模型的输入数据；
S62、数据划分，将所述输入数据按预设比例划分为训练样本集和验证样本集；
S63、数据预处理，对所述训练样本集和验证样本集进行归一化处理；
S64、初始化模型参数，初始化输入层时间步长、输入层维数、隐藏层数目、隐藏层单元数、输出层维数、训练批量大小以及训练轮次数；
S65、构建LSTM模型，基于所述初始化模型参数，构建LSTM序列模型；
S66、LSTM模型训练，将预处理后的训练样本集，对LSTM模型进行训练，利用验证集数据评估训练后的LSTM模型；
S67、惯性修正，根据训练好的LSTM模型预测残差修正值序列，将所述残差修正值序列与所述惯性时间常数序列相加，得到修正后的惯性时间常数序列。
进一步地，为了评估LSTM模型在验证集上的评估表现，还包括以下步骤：
S68、惯性修正，根据训练好的LSTM模型预测残差修正值序列，将所述残差修正值序列与所述惯性时间常数序列相加，得到修正后的惯性时间常数序列。
S69、模型保存，将调整后的LSTM模型参数保存,以便后续的模型加载和预测使用。
根据本发明的实施例，实现了以下技术效果：
1、本公开提出的一种基于WRARMAX和LSTM的惯量提取与修正方法，基于加权递归最小二乘法对ARMAX模型在线辨识惯性时间常数，在使用最小二乘法辨识时对过去的时刻施加权重，并且进行推导，使得每次添加一个数据时都能在原有的参数上做修正，避免重复使用过去的数据进行辨识和高阶矩阵的计算
2、根据惯性变化具有不可突变性和历史关联性强的特性，使用长短期记忆神经网络LSTM对惯性时间常数提取值进行残差修正，实现了对电力系统惯性时间常数高效辨识和准确修正的效果。
实施例二
请参照图2-图4，示出了本实施例的一种具体实施方式，本实施例通过利用加权递归最小二乘改进ARMAX求解的方法，并使用长短期记忆循环神经网络对WRARMAX辨识结果进行修正，以实现对电网惯性时间常数高效、准确的预测效果，同时有效修正了模型在辨识阶段存在的误差。
在本实例中，所选的目标电网为IEEE39节点，仿真软件采用的是DigsilentPowerfactory，整个电网的额定功率为60Hz，各同步发电机的数据汇总如表1。随后在电网共计19个负荷中注入功率为负荷有功功率3到5％的高斯噪声，并经截止频率为5Hz的低通滤波器获取类噪声信号。
表1
具体过程包括以下步骤：
S11、获取电力系统的有功功率和频率P(t)和(t)，采样频率为100Hz，t为获取样本点的时间，分别除以额定容量和基准频率得到其标幺值和。
S12、将有功功率和频率的标幺值减去其初值，得到有功功率的偏移值和频率的偏移值。
S13、用MATLAB对数据进行fir低通滤波。
S2、构建ARMAX模型，使用递归最小二乘对数据进行辨识，得到ARMAX模型的参数和ARMAX模型的响应部分。
具体过程包括以下步骤：
令，根据上面的公式和实际数据和，可以计算出各个时刻ARMAX模型的参数。在通过变换可以的到离散传递函数。
S3、将ARMAX模型的响应部分通过双线性变化法由离散转连续得到。
具体步骤如下：
使用MATLAB中的d2c()函数将S2中的离散传递函数转化为连续传递函数。
S4、获取连续传递函数的阶跃响应曲线，求得其接近0点处的斜率，对斜率作变换得到该时刻的时间惯性常数。
具体步骤如下：
S41、使用MATLAB中的step()；获取0-1s阶跃响应曲线。
S42、并且以0.001s的时间间隔获取阶跃响应曲线上的样本点。设定0.5s长度的数据窗，对数据窗内的样本进行最小二乘拟合得到其斜率，然后向前移动一个样本点，重复上面步骤，直到取完1s内的所有数据。然后将这些斜率中的最大值作为该时刻的频率偏移值在0点的导数，即为该时刻算得的时间惯性常数。
进一步地，构建LSTM模型对WRARMAX模型惯性时间常数提取值残差进行修正,具体步骤如下:
T5、获取电力系统的有功功率和频率，并对数据进行预处理，使得数据能够符合模型和理论要求。
作为步骤S5的优选实施方式，具体过程包括以下步骤：
T5、获取所选电网中所有同步发电机的惯性时间常数值并与提取值作差，将电网某一时段运行的惯性时间常数预测残差、总功率标幺值和频率标幺值按照时间维度上一一对应的形式作为多特征组合集输入；
T6、数据预处理。对输入训练集和验证集数据进行标准化或归一化等预处理，以提高LSTM模型训练效果。
进一步的，数据的归一化处理包括：
其中表示第i个时刻的惯性时间常数预测残差、总功率标幺值和频率标幺值；则表示获取的数据中惯性时间常数预测残差、总功率标幺值和频率标幺值各自最大的值；则相应为数据中最小的值；为归一化处理后的数据。
T7、将归一化处理后的输入数据按照前百分之八十数据段作为训练集用于模型训练，后百分之二十数据段作为测试集用于评估模型测试效果。
T8、初始化模型参数，包括设置输入层时间步长、输入层维数、隐藏层数目、隐藏层单元数、输出层维数、训练批量大小以及训练轮次数。
进一步的，初始参数如下：
设置输入时间步长为24、输入层维数为3、隐藏层数目为1、隐藏层神经元数为32、输出层维数为1、训练批量大小为128以及训练轮次数为50。
T9、基于上述参数，构建符合要求的LSTM序列模型，包含LSTM层和全连接层。
优选的，在全连接层的设计中，输入序列经过LSTM层，产生最后一层的隐藏状态，此时通过引入激活函数ReLu进行非线性映射，映射后的特征向量经过第二个全连接层，输出模型预测的目标向量。
进一步的ReLu的计算公式为：
T10、将预处理后的训练集输入数据(频率、功率、WRARMAX残差)作为LSTM输入端,残差真实修正值作为输出端标签，以均方误差为损失函数,以Adam为优化器,对LSTM模型进行训练。
损失函数均方误的计算公式：
其中表示用于模型训练的惯性时间常数真实值，表示模型训练得到惯性时间常数的预测值。
T11、利用验证集数据评估训练后的LSTM模型性能。 具体的，将电网频率、功率、WRARMAX残差序列输入训练完成的LSTM模型，预测获得修正后的惯性时间常数残差值序列。T12、将LSTM模型预测的残差修正值序列，加到WRARMAX模型初步提取的惯性时间常数值序列上，得到最终修正后的惯性时间常数序列。 优选的构建回归评价指标体系，包括均方误(MAE)、均方根误（RMSE）、均方百分比误（MAPE）和拟合优度（R-Squared）。
T13、基于LSTM模型在验证集上的回归评价表现,对模型的超参数进行调整,以获得最佳性能，最优秀参数为：输入时间步长为5、输入层维数为3、隐藏层数目为1、隐藏层神经元数为32、输出层维数为1、训练批量大小为64以及训练轮次数为100
T14、模型保存，将调整后的LSTM模型参数保存,以便后续的模型加载和预测使用。
在本实例中，回归评价体系包括均方误、均方根误、均方百分比误和拟合优度；
回归均方误的计算公式：
；
其中表示实际值与预测值的均方误，为测试集中的惯性时间常数残差的真实值，为模型对惯性时间常数的预测值；
回归均方根误的计算公式：
；
其中表示实际值与预测值的均方根误；
；
其中表示实际值与预测值的拟合优度。
本实例采用IEEE39节点进行RMS仿真测试，使用的电力系统仿真软件为DigsilentPowerfactory。
使用电网运行后10分钟的频率和功率数据进行惯性时间常数的辨识。将样本数据的80%作为训练集，剩余20%作为测试集。通过WRARMAX可以提取出相应的时步的惯性时间常数提取值，与仿真软件中同步发电机参数设置中的惯性时间常数做差后得到惯性时间常数提取值残差，如图4所示。后启用LSTM对残差进行修正而获得较好的回归评价指标数值，如表2所示。
表2
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
实施例三
图5示出了本公开实施例的基于WRARMAX和LSTM的惯量提取与修正装置500的框图，如图5所示，该装置500包括：
数据获取模块510，用于获取电力系统在不同时刻的有功功率数据和频率数据，对所述有功功率数据和频率数据进行预处理，得到有功功率偏移值序列和频率偏移值序列；
数据辨识模块520，用于构建ARMAX模型，基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到所述ARMAX模型的离散传递函数；
函数转化模块530，用于将所述ARMAX模型的离散传递函数通过双线性变化法转化为连续传递函数；
数据提取模块540，用于根据所述连续传递函数获取不同时刻的阶跃响应曲线，根据所述不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列；
数据修正模块550，用于构建LSTM模型，并根据所述LSTM模型对所述惯性时间常数序列进行修正。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的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。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
实施例四
如图6所示，电子设备600包括至少一个处理器611，以及与至少一个处理器611通信连接的存储器，如只读存储器（ROM）612、随机访问存储器（RAM）613等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器611可以根据存储在只读存储器（ROM）612中的计算机程序或者从存储单元618加载到随机访问存储器（RAM）613中的计算机程序，来执行各种适当的动作和处理。在RAM 613中，还可存储电子设备600操作所需的各种程序和数据。处理器611、ROM 612以及RAM 613通过总线614彼此相连。输入/输出（I/O）接口615也连接至总线614。
电子设备600中的多个部件连接至I/O接口615，包括：输入单元616，例如键盘、鼠标等；输出单元617，例如各种类型的显示器、扬声器等；存储单元618，例如磁盘、光盘等；以及通信单元619，例如网卡、调制解调器、无线通信收发机等。通信单元619允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器611可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器611的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器611执行上文所描述的各个方法和处理，例如一种基于WRARMAX和LSTM的惯量提取与修正方法。
在一些实施例中，一种基于WRARMAX和LSTM的惯量提取与修正方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元618。在一些实施例中，计算机程序的部分或者全部可以经由ROM 612和/或通信单元619而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 613并由处理器611执行时，可以执行上文描述的一种调平油缸与变幅油缸的角度调整方法的一个或多个步骤。备选地，在其他实施例中，处理器611可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行一种基于WRARMAX和LSTM的惯量提取与修正方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。以上所述，仅为本发明的具体实施方式，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，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，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揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于WRARMAX和LSTM的惯量提取与修正方法，其特征在于，包括：
获取电力系统在不同时刻的有功功率数据和频率数据，对所述有功功率数据和频率数据进行预处理，得到有功功率偏移值序列和频率偏移值序列；
构建ARMAX模型，基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到所述ARMAX模型的离散传递函数；
将所述ARMAX模型的离散传递函数通过双线性变化法转化为连续传递函数；
根据所述连续传递函数获取不同时刻的阶跃响应曲线，根据所述不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列；
构建LSTM模型，并根据所述LSTM模型对所述惯性时间常数序列进行修正。
2.根据权利要求1所述的方法，其特征在于，所述对所述有功功率数据和频率数据进行预处理，得到有功功率偏移值序列和频率偏移值序列，包括：
将所述有功功率数据和频率数据分别除以额定容量和基准频率，得到有功功率标幺值序列和频率标幺值序列；
将所述有功功率标幺值序列和频率标幺值序列分别减去所述有功功率和频率数据初始值，得到有功功率偏移值序列和频率偏移值序列。
3.根据权利要求1所述的方法，其特征在于，所述构建ARMAX模型，基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到所述ARMAX模型的离散传递函数，包括：
基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到各时刻ARMAX模型的系数；
基于所述各时刻ARMAX模型的系数，对所述ARMAX模型进行变换，得到所述ARMAX模型的离散传递函数。
4.根据权利要求1所述的方法，其特征在于，所述根据所述不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列，包括：
分别确定不同时刻的阶跃响应曲线在接近0点处的斜率；
根据不同时刻的阶跃响应曲线在接近0点处的斜率，确定不同时刻的惯性时间常数，得到惯性时间常数序列。
5.根据权利要求4所述的方法，其特征在于，所述分别确定不同时刻的阶跃响应曲线在接近0点处的斜率，包括：
对不同时刻的阶跃响应曲线均选取其接近0点处的单位阶跃响应曲线；
以预设采样率分别从所述各单位阶跃响应曲线中采集对应的阶跃响应信号样本点；
基于滑动窗口法和最小二乘法，分别确定各单位阶跃响应曲线对应的阶跃响应信号样本点的最大概率；
将所述各单位阶跃响应曲线对应的阶跃响应信号样本点的最大概率作为各阶跃响应曲线在接近0点处的斜率。
6.根据权利要求1所述的方法，其特征在于， 所述构建LSTM模型，并根据所述LSTM模型对所述惯性时间常数序列进行修正，包括：
S61、数据准备，将获取的不同时刻的有功功率数据和频率数据以及惯性时间常数序列与真实值之间的残差序列作为LSTM模型的输入数据；
S62、数据划分，将所述输入数据按预设比例划分为训练样本集和验证样本集；
S63、数据预处理，对所述训练样本集和验证样本集进行归一化处理；
S64、初始化模型参数，初始化输入层时间步长、输入层维数、隐藏层数目、隐藏层单元数、输出层维数、训练批量大小以及训练轮次数；
S65、构建LSTM模型，基于所述初始化模型参数，构建LSTM序列模型；
S66、LSTM模型训练，将预处理后的训练样本集，对LSTM模型进行训练，利用验证集数据评估训练后的LSTM模型；
S67、惯性修正，根据训练好的LSTM模型预测残差修正值序列，将所述残差修正值序列与所述惯性时间常数序列相加，得到修正后的惯性时间常数序列。
7.根据权利要求6所述的方法，其特征在于， 所述方法还包括：
基于LSTM模型在验证集上的评估表现,对LSTM模型的超参数进行调整。
8.一种基于WRARMAX和LSTM的惯量提取与修正装置，其特征在于，包括：
数据获取模块，用于获取电力系统在不同时刻的有功功率数据和频率数据，对所述有功功率数据和频率数据进行预处理，得到有功功率偏移值序列和频率偏移值序列；
数据辨识模块，用于构建ARMAX模型，基于递归最小二乘法对所述有功功率偏移值序列和频率偏移值序列进行辨识，得到所述ARMAX模型的离散传递函数；
函数转化模块，用于将所述ARMAX模型的离散传递函数通过双线性变化法转化为连续传递函数；
数据提取模块，用于根据所述连续传递函数获取不同时刻的阶跃响应曲线，根据所述不同时刻的阶跃响应曲线确定电力系统在不同时刻的惯性时间常数，得到惯性时间常数序列；
数据修正模块，用于构建LSTM模型，并根据所述LSTM模型对所述惯性时间常数序列进行修正。
9.一种电子设备，其特征在于，包括处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述权利要求1-7中任意一项所述的方法。
10.一种存储介质，其特征在于：计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410656425.1A CN118427782A (zh) | 2024-05-24 | 2024-05-24 | 基于wrarmax和lstm的惯量提取与修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410656425.1A CN118427782A (zh) | 2024-05-24 | 2024-05-24 | 基于wrarmax和lstm的惯量提取与修正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118427782A true CN118427782A (zh) | 2024-08-02 |
Family
ID=92321166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410656425.1A Pending CN118427782A (zh) | 2024-05-24 | 2024-05-24 | 基于wrarmax和lstm的惯量提取与修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118427782A (zh) |
-
2024
- 2024-05-24 CN CN202410656425.1A patent/CN118427782A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
| CN113408808A (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
| CN116777038A (zh) | 微电网用电负荷预测方法、装置及存储介质 | |
| CN116796639A (zh) | 短期电力负荷预测方法、装置及设备 | |
| CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
| WO2024108953A1 (zh) | 抽水蓄能机组甩负荷测试方法、装置、设备及介质 | |
| CN118427782A (zh) | 基于wrarmax和lstm的惯量提取与修正方法 | |
| CN116722653A (zh) | 一种电力系统动态状态检测方法及系统 | |
| CN116307511A (zh) | 一种园区电网储能配置方法、装置、设备及介质 | |
| CN118245823B (zh) | 一种绝缘子泄漏电流预测方法、装置、设备及存储介质 | |
| CN118157162B (zh) | 基于神经网络的新型电力系统等效惯量评估方法及装置 | |
| CN118100233B (zh) | 微网群储能容量配置方法、装置、电子设备和存储介质 | |
| CN117706390B (zh) | 一种电池荷电状态滚动优化估计方法及装置 | |
| CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
| CN116914737A (zh) | 配电网光伏承载力评估方法、装置、设备及存储介质 | |
| CN114626636A (zh) | 电网负荷预测方法、装置、建模方法、计算机设备及介质 | |
| CN116973668A (zh) | 一种电网线路故障诊断方法、装置、电子设备和存储介质 | |
| CN116304635A (zh) | 一种抽水蓄能设备的运行数据分析方法、装置及设备 | |
| CN117833208A (zh) | 配电网状态推演方法、装置、电子设备和存储介质 | |
| CN118822014A (zh) | 光伏场站功率预测方法、装置、电子设备及存储介质 | |
| CN117610927A (zh) | 设备风险评估方法、装置、电子设备和存储介质 | |
| CN116960957A (zh) | 车辆充电负荷预测方法、装置、电子设备及存储介质 | |
| CN118100135A (zh) | 一种新能源机组阻抗辨识方法、装置、设备及介质 | |
| CN116840588A (zh) | 避雷器的老化检测方法、装置、设备以及存储介质 |
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 |