[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在审
申请号: | 201910905422.6 | 申请日: | 2019-09-24 |
公开(公告)号: | CN110634082A | 公开(公告)日: | 2019-12-31 |
发明(设计)人: | 肖友强;赵荣臻;文云峰 | 申请(专利权)人: | 云南电网有限责任公司 |
主分类号: | G06Q50/06 | 分类号: | G06Q50/06;G06Q10/04;G06N3/04;G06N3/08 |
代理公司: | 11363 北京弘权知识产权代理事务所(普通合伙) | 代理人: | 逯长明;许伟群 |
地址: | 650011*** | 国省代码: | 云南;53 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 电力系统频率 低频减载 人工神经网络模型 非线性映射能力 电力系统控制 动态电力系统 系统运行阶段 大规模数据 自动编码器 安全评估 动态频率 多维特征 复杂函数 频率特性 特征变换 特征空间 特征信息 网络实现 系统触发 样本数据 有效表征 预防措施 原始空间 运行阶段 扰动 动态的 时效性 隐含层 预测 堆栈 多层 构建 降噪 学习 输出 申请 | ||
本申请公开了一种基于深度学习的低频减载系统运行阶段预测方法,考虑了多种参数对电力系统频率动态的影响,基于深度学习网络实现多维特征变量输出,利用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为电力系统控制中心的操作员准确地掌握故障后动态电力系统的频率特性,及时采取预防措施提供依据。基于堆栈降噪自动编码器的深度学习方法通过构建含多层隐含层的人工神经网络模型,对大规模数据逐层训练,可将样本数据从原始空间的特征变换到新的特征空间,进而得到大量具有代表性的特征信息,具有强大的非线性映射能力、能够有效表征复杂函数、提高预测精度和泛化能力,解决动态频率安全评估准确性差、时效性差的技术问题。
技术领域
本申请涉及电力系统安全技术领域,尤其涉及一种基于深度学习的低频减载系统运行阶段预测方法。
背景技术
动态频率安全评估是衡量电力系统承受有功扰动事故能力的重要方面。近年来,由于大规模可再生能源并网,其随机性、间歇性和低惯性特性对电力系统频率安全造成了严重影响。一般利用频率最低点指标和触发低频减载系统的潜在运行阶段指标实现对有功功率扰动事故的严重性进行评估。如果有功功率扰动事故导致系统频率下降到低频减载系统动作范围,低频减载系统将会自动切除一定量的负荷,从而使得系统频率恢复到可接受的允许偏差范围内。
目前,最常用于有功功率扰动之后的电力系统运行模拟计算的方法是时域仿真,时域仿真通过动态模拟计算得到扰动后数十秒内的频率曲线,从而确定频率最低值。当扰动事故后频率在低频减载保护动作阈值以下并在一定时间延迟后(通常为0.2秒)频率仍在低频减载保护动作阈值以下,一部分规定比例的负载将被切除。
但是,时域仿真存在模型复杂、运算量大、计算时间过长等固有缺陷,时域仿真仅适用于离线分析,不能应用于多重不确定性因素干扰下频率最低点的在线预测。在时域仿真框架中全面考虑低频减载保护系统的动作,具有准确性差、时效性差,使得电力系统控制中心的操作员不能快速、准确地了解故障后电力系统动态频率特性,难以及时制定预防措施,无法提前做好准备。
发明内容
本申请提供了一种基于深度学习的低频减载系统运行阶段预测方法,以解决动态频率安全评估准确性差、时效性差的技术问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
本申请实施例公开了一种基于深度学习的低频减载系统运行阶段预测方法,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。
可选的,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;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于云南电网有限责任公司,未经云南电网有限责任公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910905422.6/2.html,转载请声明来源钻瓜专利网。