[发明专利]一种基于深度学习的新能源电网频率风险评估方法及装置

权利要求书

1.一种基于深度学习的新能源电网频率风险评估方法，其特征在于，包括：获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据、风速对应的第二二维网格数据和光照强度对应的第三二维网格数据；

将所述第一二维网格数据、第二二维网格数据和第三二维网格数据输入训练好的CNN神经网络，得到输出结果，所述输出结果为各发电站的系统频率与标准频率偏差；

判断所述系统频率与标准频率偏差是否大于阈值，若所述系统频率与标准频率偏差大于阈值，则判断对应发电站的系统频域异常；

输出判断结果；

还包括所述CNN神经网络的训练方法：

搭建CNN网络结构，所述CNN网络结构包括卷积层、池化层和全连接层；

获取每个发电站的地理坐标、历史风速、历史光照强度以及对应的发电站历史系统频率数据，得到数据样本；

将所述数据样本分为训练样本和测试样本，并将每个样本生成输入数据和输出数据，所述输入数据包括：地理坐标对应的第一二维网格数据、历史风速对应的第二二维网格数据和历史光照强度对应的第三二维网格数据，所述输出数据包括发电站历史系统频率与标准频率的偏差数据；

将所述训练样本输入所述CNN网络结构，训练得到初步训练模型；

利用所述测试样本测试所述初步训练模型是否达标，若所述初步训练模型不达标，则重新训练所述CNN网络结构，若所述初步训练模型达标，则所述初步训练模型即为训练好的CNN神经网络；

所述CNN网络结构包括：

Y＝H(M，C，P，F，W)

其中，Y为神经网络输出，M为输入数据M₁、M₂、M₃的集合，C为卷积函数，P为池化函数，F为全连接函数，W为神经网络的权重；地理坐标对应的第一二维网格数据M1、历史风速对应的第二二维网格数据M2和历史光照强度对应的第三二维网格数据M3；

所述卷积函数包括：

其中，U为卷积层的输出数据，i和j分别表示矩阵的行和列索引，K为卷积核；

所述池化函数包括：

其中，为池化层的输出数据，N为输入数据的维度；

所述全连接函数包括激活函数：

其中，R为全连接层的输出数据；

Y为神经网络输出为各个发电站的系统频率与标准频率的偏差；

所述获取新能源电网中各风电站和光伏电站的坐标、风速和光照强度数据，生成坐标对应的第一二维网格数据、风速对应的第二二维网格数据和光照强度对应的第三二维网格数据的步骤包括：

获取每个风电站和光伏电站的地理坐标；

根据所述地理坐标的经度和纬度生成N×N维的第一二维网格，所述第一二维网格的横坐标和纵坐标范围包括所有发电站的地理坐标；

在所述第一二维网格中对应标记每个发电站，其中，风电站标记为第一标记，光伏电站标记为第二标记，得到第一二维网格数据；

根据所述第一二维网格数据生成N×N维的第二二维网格和第三二维网格；

获取每个风电站和光伏电站的风速数据；

在所述第二二维网格的对应网格上标记风速数据，得到第二二维网格数据；

获取每个风电站和光伏电站的光照强度数据；

在所述第三二维网格的对应网格上标记光照强度数据，得到第三二维网格数据。

2.根据权利要求1所述的方法，其特征在于，所述CNN网络结构的训练方案包括：

损失函数采用均方误差：

其中，为训练阶段的输出数据，Y_i为真实数据；

训练目标采用梯度下降最小化：

优化器采用自适应矩估计。

3.根据权利要求1所述的方法，其特征在于，所述CNN网络结构包括5个卷积层、2个池化层和2个全连接层。

4.根据权利要求1所述的方法，其特征在于，发电站的标准频率为50Hz。