[发明专利]基于XGBoost电力系统动态频率响应曲线预测方法及系统

权利要求书

1.一种基于XGBoost电力系统动态频率响应曲线预测方法，其特征在于，其步骤如下：

S1，基于海量预想故障场景的模拟结果获取离线训练的多样化数据库；

S2，基于XGBoost集成学习模型构建频率响应曲线预测器；

S3，将离线训练的多样化数据库随机划分为训练数据集和测试数据集，并分别对训练数据集和测试数据集进行归一化处理；

S4，利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数；

S5，将最佳超参数传递给频率响应曲线预测器，并利用归一化处理后的训练数据集对频率响应曲线预测器进行迭代学习，得到训练完成的频率响应曲线预测器；

S6，利用训练完成的频率响应曲线预测器对给定预想故障或当前运行状态下的系统动态频率响应进行在线评估。

2.根据权利要求1所述的基于XGBoost电力系统动态频率响应曲线预测方法，其特征在于，所述海量预想故障场景包括新能源脱网故障、大容量机组跳闸故障和直流闭锁故障。

3.根据权利要求1或2所述的基于XGBoost电力系统动态频率响应曲线预测方法，其特征在于，所述多样化数据库中的数据包括输入特征和对应的输出动态频率响应值，其中，输入特征为机组惯性时间常数、机组开停机状态、有功功率扰动量、故障位置、机组单位调节功率以及旋转备用水平。

4.根据权利要求3所述的基于XGBoost电力系统动态频率响应曲线预测方法，其特征在于，所述对应的输出动态频率响应值是采用惯性中心频率表征全局状态下的系统频率动态响应，具体公式为：

式中，f_COI表示惯性中心频率；f_i为发电机节点i的频率；H_i为第i台机组的惯性时间常数；n为正在运行的同步机组个数。

5.根据权利要求1所述的基于XGBoost电力系统动态频率响应曲线预测方法，其特征在于，所述利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数的方法为：

S41，设置XGBoost算法中超参数的寻优范围；其中，超参数包括树的数目、正则化系数和学习率；

S42，设置贝叶斯优化的目标函数及迭代次数；

S43，输出预设迭代次数范围内的目标函数最优值及其对应的超参数的数值。

6.根据权利要求5所述的基于XGBoost电力系统动态频率响应曲线预测方法，其特征在于，所述贝叶斯优化的目标函数为：

式中：α为输入超参数向量，χ表示决策空间，f(α)为目标函数。

7.根据权利要求6所述的基于XGBoost电力系统动态频率响应曲线预测方法，其特征在于，在步骤S43中，贝叶斯优化算法的具体计算过程如下：

S43.1：给定观测值α，使用GP模型更新f(α)的后验期望值；

S43.2：利用最大化采集函数选取下一个采集点α_t+1；

S43.3：计算点α_t+1的f(α)值；

S43.4：重复上述步骤直至达到设置的迭代次数，或者直到收敛为止。

8.根据权利要求6或7所述的基于XGBoost电力系统动态频率响应曲线预测方法，其特征在于，目标函数f(α)为不同参数XGBoost测试的预测精度，将XGBoost的超参数作为目标函数f(α)的输入数据，并选择MAPE函数的最小值作为优化目标；

式中，yⁱ'为第i个样本频率的实际值，为第i个样本频率的频率响应曲线预测器得到的预测值，y^base为频率基准值，i'＝1,2,…,N，N为样本大小。