[发明专利]电网低频振荡预测方法及装置

权利要求书

1.一种电网低频振荡预测方法，其特征在于，包括：

获取电网潮流数据；

将所述电网潮流数据，输入至深度学习模型，输出系统的主导模式阻尼比；其中，所述深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到；

基于所述主导模式阻尼比确定电网是否出现低频振荡：若所述主导模式阻尼比大于预设的稳定阈值，则电网未出现低频振荡；若所述主导模式阻尼比小于等于所述稳定阈值，则电网出现低频振荡；

所述基于所述主导模式阻尼比确定电网是否出现低频振荡之后，还包括：

若电网出现低频振荡，以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略；

所述若电网出现低频振荡，以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略，包括：

步骤1，以发电机出力调节量最小为优化目标，基于优化目标表达式计算优化目标的值，所述优化目标表达式如下：

步骤2，计算优化目标对发电机出力P_i的偏导，用所有的偏导组成向量

步骤3，计算梯度向量的单位向量基于给定步长定义下一步的发电机出力为检查此时所有的发电机出力是否在出力范围内，如果发电机i的出力超过限值，则将该发电机出力限定在上限或下限，其他发电机出力保持P_now；

步骤4，检查电网潮流在新的运行方式下是否收敛，如果收敛，计算阻尼比，确定是否在稳定范围内；如果稳定，则输出预防控制策略；如果不稳定，则返回步骤1，继续迭代求解；

其中，为不在稳定范围内的阻尼比；ζ_th为主导模式阻尼比的稳定阈值。

2.根据权利要求1所述的电网低频振荡预测方法，其特征在于，所述深度学习模型的训练步骤如下：

构建样本库，所述样本库中包含多个样本数据，每一样本数据均包含数据特征和阻尼比标记值；

利用样本数据对深度学习模型进行训练，生成训练精度达到预设要求的深度学习模型。

3.根据权利要求1-2任一项所述的电网低频振荡预测方法，其特征在于，所述深度学习模型为卷积神经网络模型。

4.一种电网低频振荡预测装置，其特征在于，包括：

获取模块，用于获取电网潮流数据；

输出模块，用于将所述电网潮流数据，输入至深度学习模型，输出系统的主导模式阻尼比；其中，所述深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到；

判断模块，用于基于所述主导模式阻尼比确定电网是否出现低频振荡：若所述主导模式阻尼比大于预设的稳定阈值，则电网未出现低频振荡；若所述主导模式阻尼比小于等于所述稳定阈值，则电网出现低频振荡；

控制模块，若电网出现低频振荡，所述控制模块用于以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略；

所述若电网出现低频振荡，以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略，包括：

步骤1，基于所述优化目标的表达式计算优化目标的值，所述优化目标的表达式如下：

步骤2，计算优化目标对发电机出力P_i的偏导，用所有的偏导组成向量

步骤3，计算梯度向量的单位向量基于给定步长定义下一步的发电机出力为检查此时所有的发电机出力是否在出力范围内，如果发电机i的出力超过限值，则将该发电机出力限定在上限或下限，其他发电机出力保持P_now；

步骤4，检查电网潮流在新的运行方式下是否收敛，如果收敛，计算阻尼比，确定是否在稳定范围内；如果稳定，则输出预防控制策略；如果不稳定，则返回步骤1，继续迭代求解；

其中，为不在稳定范围内的阻尼比；ζ_th为主导模式阻尼比的稳定阈值。

5.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述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计算机程序时，实现如权利要求1至3任一项所述电网低频振荡预测方法的步骤。

6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至3任一所述电网低频振荡预测方法的步骤。