[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

说明书

本发明提出了一种基于XGBoost电力系统动态频率响应曲线预测方法及系统，其方法步骤为：首先，基于海量预想故障场景的模拟结果获取多样化数据库，并将多样化数据库随机划分为训练数据集和测试数据集，分别对两个数据集进行归一化处理；其次，基于XGBoost集成学习模型构建频率响应曲线预测器，并利用贝叶斯优化模型确定最佳超参数；最后，利用训练数据集对频率响应曲线预测器进行迭代学习，并利用训练好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。本发明XGBoost模型降低了对样本的依赖性；通过贝叶斯优化实现XGBoost模型中超参数的自动调优，实现了扰动事件下整条频率响应曲线的预测。

技术领域

本发明涉及电力系统安全技术领域，特别是指一种基于XGBoost电力系统动态频率响应曲线预测方法及系统。

背景技术

随着风电、光伏等新能源机组高比例并网和煤电机组规模化退役，具有转动惯量的常规同步电源开机容量被不断替代，电力系统惯量水平大幅降低、频率调整能力弱化。同时，大容量特高压直流输电的馈入致使单条直流闭锁后带来巨量有功冲击，造成电力系统频率安全风险进一步增大。近年来，英国电网“8·9”、澳大利亚“9·28”等大停电事故引起国内外研究机构对电力系统频率稳定问题的高度关注。

在电力系统规划和运行中往往需要对大量预想有功扰动故障(机组跳闸、直流闭锁、新能源脱网等)进行分析，根据系统在故障后的频率响应性能验证规划方案或运行方式应对大容量有功冲击的适应性，以辅助制定频率安全控制措施。目前，实际电力系统中尚无广泛应用的在线频率稳定评估工具，仍然依赖基于全模型时域仿真的离线分析方式，常用的软件包括PSASP、PSD-BPA、PSS/E等。全模型时域仿真可计及各类型机组的复杂控制特性和负荷详细模型，生成的频率曲线精度较高。然而，全模型时域仿真建模难度大、计算复杂度高、运算时间长，难以实现在线应用。等值模型法仅考虑一次调频过程，并只保留机组的“原动机-调速器”部分，将系统简化等值为单机模型，其优点是极大加快了运算速度，但结果精度低，不适用于实际电网频率响应计算。

近年来，人工智能技术的理论日渐成熟，引起了相关学者的关注，而其中的深度学习技术在研究领域被广泛运用于频率响应预测。利用深度学习方法进行动态频率响应预测的本质是建立样本输入数据与输出频率指标之间的非线性映射关系，具有极强的样本依赖性。为实现深度学习网络对频率指标的精确预测，需有丰富和充足的扰动事件下系统动态频率响应样本以训练深度学习模型。然而，电力系统实际运行中所发生有功扰动呈现出故障类型少、有功扰动大小范围窄的特点，尤其是有记录的大容量有功扰动历史事件的数目极少。因而，为了提高有功扰动故障覆盖范围、丰富样本数据库，在兼顾历史数据库的基础上仍然需要利用全模型时域仿真软件得到大量的预想有功扰动频率响应数据集，这极大地限制了深度学习的推广应用。随着电力系统规模的不断扩大，进行一次全模型时域仿真的时间骤然增加，执行一次仿真往往需要耗时几分钟，构建大量的样本数据库极为耗时。若一种智能化评估方法在少量稀疏样本下也具有较高准确性，将可以有效节省建立离线样本数据库的时间，提高总体效率。

发明内容

针对上述背景技术中存在的不足，本发明提出了一种基于XGBoost电力系统动态频率响应曲线预测方法及系统，解决了深度学习样本依赖性强、离线训练速度慢的技术问题。

本发明的技术方案是这样实现的：

一种基于XGBoost电力系统动态频率响应曲线预测方法，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；