[发明专利]融合预估-校正深度学习的暂态频率稳定评估方法及系统

说明书

本发明公开了一种融合预估‑校正深度学习的暂态频率稳定评估方法及系统，方法包括：获取扰动事故后电力系统的输入特征变量数据和输出特征变量数据；用输入特征变量数据和输出特征变量数据对深度神经网络进行训练；根据输入特征变量和训练好的深度神经网络获取频率指标预估值，用频率指标预估值和输出特征变量数据对堆栈极限学习机网络进行学习；获取扰动事故后的输入特征变量数据A；根据输入特征变量数据A、训练好的深度神经网络以及堆栈极限学习机网络对扰动事故后的频率稳定性进行评估。本发明的目的在于提供一种融合预估‑校正深度学习的暂态频率稳定评估方法及系统，以实现扰动事故后多维频率指标预测以及暂态频率稳定的快速评估。

技术领域

本发明涉及电力系统安全技术领域，尤其涉及一种融合预估-校正深度学习的暂态频率稳定评估方法及系统。

背景技术

随着可再生能源的渗透率逐步提高，相当一部分传统的同步发电机(煤炭，水力等)已被可再生能源发电机组所取代。然而，可再生能源发电机组通常由于其通常采用电力电子变流器作为并网接口，惯性响应极低。因此，可再生发电的日益增长大大减少了电网惯性，当系统发生有功功率扰动事故时，对弱惯量电力系统的频率稳定性提出挑战。

时域仿真可以准确地模拟有功功率扰动后的电力系统瞬态频率特性。然而，由于需要对实际电力系统进行详细建模，时域仿真方法存在模型复杂性高和计算时间长等固有缺陷。此外，在弱惯量电网中，受风电/光伏出力不确定性以及负荷波动等因素的影响，电网不确定性以及复杂性显著增长。将时域仿真应用于在线暂态频率稳定评估时，难以考虑多不确定因素全组合场景。由于缺乏在线暂态频率稳定评估工具，调度人员无法及时、准确获取扰动事故后的频率稳定性，可能会因控制措施准备不及时而导致频率失稳。因此，迫切需要开发一种快速、准确的暂态频率稳定智能化评估方法。

随着机器学习技术理论的日渐成熟，相关专家学者开始探索将机器学习应用于电力系统暂态频率稳定评估，其中包括BP神经网络、支持向量机(SVM)、极限学习机(ELM)等。然而， BP算法存在许多缺点，如锯齿现象，效率低，收敛速度慢，泛化能力差。SVM通过使用内积核函数有效的避免维数灾难，但由于SVM具有收敛速度慢、预测精度相对较低，很难将SVM 应用于大规模数据训练。虽然单层ELM具有快速的离线训练速度，但是，由于随机生成输入层和隐藏层之间的参数的机制，可能导致一些神经元的权重不合理，降低ELM的预测精度。

发明内容

本发明的目的在于提供一种融合预估-校正深度学习的暂态频率稳定评估方法及系统，以实现扰动事故后多维频率指标预测以及暂态频率稳定的快速评估。

本发明通过下述技术方案实现：

一种融合预估-校正深度学习的暂态频率稳定评估方法，包括以下步骤：

S1：获取扰动事故后电力系统的暂态频率稳定数据集；其中，所述暂态频率稳定数据集包括输入特征变量数据和输出特征变量数据；

S2：用所述输入特征变量数据和所述输出特征变量数据对深度神经网络进行迭代训练，得到训练好的深度神经网络；

S3：根据所述输入特征变量和训练好的所述深度神经网络获取频率指标预估值，用所述频率指标预估值和所述输出特征变量数据对堆栈极限学习机网络进行迭代学习，得到训练好的堆栈极限学习机网络；

S4：在线获取扰动事故后所述暂态频率稳定数据集中的输入特征变量数据A；

S5：根据所述输入特征变量数据A、训练好的所述深度神经网络以及训练好的所述堆栈极限学习机网络对扰动事故后的频率稳定性进行评估。

优选地，所述输入特征变量数据包括有功不平衡量、发电机组的单位调节功率、旋转备用水平、机组开关状态、机组惯性水平、阻尼系数、调速器响应时间以及涡轮机参数；所述输出特征变量数据包括极值频率、极值频率对应时间、频率变化率以及准稳态频率。

优选地，所述S2包括以下子步骤：