[发明专利]一种电力系统受扰后频率失稳识别方法及系统

说明书

本发明提供了一种电力系统受扰后频率失稳识别方法及系统，属于电力系统数据处理技术领域。所述方法，包括：对获取的时间序列数据，依次进行奇偶序列分解、多尺度卷积和交互学习后，得到特征变换后新的奇偶子序列；将得到的奇偶子序列作为二叉树结构节点的输入，将最后一层二叉树结构各节点输出的所有奇偶子序列重新排列，经合并拼接和非线性变换后，得到预测的频率响应曲线；判断频率响应曲线的频率最低值是否小于设定安全阈值，如是，则判断电力系统受扰后频率失稳，否则，判断电力系统受扰后频率稳定；本发明在预测的频率响应曲线基础上实现了频率稳定性的准确评估。

技术领域

本发明涉及电力系统数据处理技术领域，特别涉及一种电力系统受扰后频率失稳识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

在电力领域，建设以可再生能源为主体的新型电力系统已成为发展趋势。相比于传统电力系统，新型电力系统的一个显著特点就是“双高”特征，即高比例可再生能源和高比例电力电子设备大规模接入电网。然而以风电、光伏等为代表的新能源发电设备，呈弱惯性特征或无惯性特征，使得新型电力系统的惯量支撑能力和频率调节能力遭到严重削弱。

具体地，当电力系统发生扰动时，例如大规模功率缺额，系统频率会严重偏离额定值并经历动态过程，而惯量水平较低的电力系统频率调节能力较差，导致频率变化加快、偏差幅度增大。因此低惯量水平的新型电力系统受扰后更加容易发生大面积切负荷、切机甚至频率崩溃等问题。

准确预测或评估未来频率动态，是提高新型电力系统频率稳定性的重要方面，方法主要分为三种：时域仿真法、等值模型法以及人工智能方法。时域仿真法主要通过仿真软件对真实的电力系统进行完整模拟，计算精度较高，但具有计算量大、时效性较差等缺点，无法实时应用于真实电力系统。对于由多机组成的复杂电力系统而言，运行方式、扰动场景与频率响应之间的物理关系，难以等效为单一固定的模型，这使得等值模型法很难适用于大规模的新型电力系统。而基于数据驱动的人工智能方法，可以从大量数据中挖掘出与频率响应相关的潜在因素，间接地揭示频率响应过程中的物理特性。同时，以相量测量单元（Phasor Measurement Unit，PMU）为基础的广域测量系统（Wide Area MeasurementSystem，WAMS）快速发展，能够同步采集各测量节点的实时相量数据，并借助高速通信网络，为人工智能方法在电力系统中各个领域的广泛应用提供了充足的数据支撑。

发明人发现，现有的人工智能方法主要从频率响应曲线预测和频率响应指标评估这两个角度，对电力系统受扰频率响应过程展开研究。然而，现有基于机器学习或深度学习的智能方法，主要依赖于复杂的非线性模型建立系统频率响应与关键输入特征之间的直接映射，忽视了电力系统中数据普遍具有的时序特征，没有紧密结合应用场景和数据特点设计合理有效的模型结构；同时，部分方法使用人工智能模型直接预测系统受扰后的频率稳定性判别指标，其结果容易受随机噪声影响，且缺乏受扰后频率响应的具体过程，无法为现场控制人员提供完整有力的判断依据。

发明内容

为了解决现有技术的不足，本发明提供了一种电力系统受扰后频率失稳识别方法及系统，利用样本卷积交互网络（Sample Convolution and Interaction Network，SCINet），提取扰动发生前后电力系统状态数据的时序特征，并预测受扰后系统的频率响应曲线，在预测的频率响应曲线基础上实现了频率稳定性的准确评估。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种电力系统受扰后频率失稳识别方法。

一种电力系统受扰后频率失稳识别方法，包括以下过程：

获取受扰前后电力系统状态的时间序列数据；

对获取的时间序列数据，依次进行奇偶序列分解、多尺度卷积和交互学习后，得到特征变换后新的奇偶子序列；