[发明专利]一种基于深度学习的低频减载系统运行阶段预测方法

权利要求书

1.一种基于深度学习的低频减载系统运行阶段预测方法，其特征在于，包括：

根据历史数据和离线时域仿真数据构建深度学习网络，并对所述深度学习网络进行离线训练；

制定需进行电力系统频率态势在线预测的扰动事件集；

根据所述扰动事件集中的数据分类选取输入特征变量；

对所述输入特征变量进行归一化处理，得到输入数据；

将所述输入数据输入所述深度学习网络中，得到输出数据；

对所述输出数据进行反归一化处理，得到预想扰动事故的多维频率指标。

2.根据权利要求1所述的低频减载系统运行阶段预测方法，其特征在于，所述构建深度学习网络，并对所述深度学习网络进行离线训练包括：

根据历史数据库和离线时域仿真数据，得到具有多样性的大数据样本集，每个样本的样本数据包括样本的电力特征参数和多维频率指标；

对所述大数据样本集中的数据进行归一化预处理；

将预处理后的样本数据集进行随机划分，分为训练样本数据集和测试样本数据集；

设定隐含层层数以及每层隐含层神经元的个数；

对训练样本数据集进行训练，逐层求解深度学习网络参数；

对所述网络参数进行微调，采用自上而下的反向传播优化方法对初始化网络参数的权值矩阵与阈值矩阵进行微调，直到迭代次数达到设定值为止。

3.根据权利要求1所述的低频减载系统运行阶段预测方法，其特征在于，所述多维频率指标包括扰动后电力系统频率最低点和低频减载系统触发的潜在运行阶段。

4.根据权利要求1所述的低频减载系统运行阶段预测方法，其特征在于，所述输入特征变量包括：扰动事故的有功不平衡量、扰动事故位置、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、机组有功出力、系统阻尼系数。

5.根据权利要求2所述的低频减载系统运行阶段预测方法，其特征在于，对所述网络参数进行微调包括：

获取学习率，记为l；

选择多个样本的样本数据，并根据误差损失函数计算隐含层与输出层之间的权值矩阵和阈值矩阵的梯度；

基于反向传播逐层计算每组权值矩阵和阈值矩阵的梯度；

更新每组权重矩阵和阈值矩阵。

6.根据权利要求5所述的低频减载系统运行阶段预测方法，其特征在于，所述误差损失函数为：

式(1)中，N为样本总个数，yⁱ为第i个样本的实际值，xⁱ为第i个样本的输入特征变量，f为激活函数，W为逐层预训练得到的网络初始化权重，B为逐层预训练得到的网络初始化阈值。

7.根据权利要求5所述的低频减载系统运行阶段预测方法，其特征在于，所述隐含层与输出层之间的权值矩阵和阈值矩阵的梯度公式为：

式(2)中，w_n+1表示第n层隐含层与输出层之间的权值矩阵的梯度，b_n+1表示第n层隐含层与输出层之间的阈值矩阵的梯度，W_n+1表示第n层隐含层与输出层之间的权重矩阵，B_n+1表示第n层隐含层与输出层之间的阈值矩阵，yⁱ表示第i个样本的频率指标的实际值矩阵、f_(W，B)(xⁱ)表示第i个样本的堆栈降噪自动编码器的频率指标预测值矩阵。