[发明专利]一种基于深度学习的电力系统频率态势预测方法

摘要

本发明提供一种基于深度学习的电力系统频率态势预测方法，以机组单位调节功率、有功功率扰动量、机组惯性水平、机组开关状态、旋转备用水平和阻尼系数作为输入变量，以频率极值、最大频率变化率和准稳态频率作为输出变量，综合评判扰动事件后的频率稳定性。基于堆栈极限学习机的深度学习方法通过深层架构建立输入与输出之间的非线性映射关系，并在自下而上的逐层无监督训练过程中，引入自动编码器算法和正则化系数，逐层优化输入层与隐含层之间的权重矩阵，以使深度学习网络有效表征复杂函数、提高预测精度和泛化能力。本发明用于电力系统频率态势的在线预测，可根据预测情况制定相应的紧急控制措施，防止系统频率崩溃。

主权项

1.一种基于深度学习的电力系统频率态势预测方法，其特征在于，包括：深度学习网络的离线训练和扰动后电力系统频率态势在线预测；所述深度学习的离线训练包括：兼顾历史数据库和离线时域仿真数据，得到具有多样性的大数据样本集；归一化预处理所述大数据样本集；将处理后的所述大数据样本集分为训练样本数据集和测试样本数据集；设定隐含层层数以及每层隐含层神经元的个数；利用所述训练样本数据集进行离线训练，逐层求解深度学习网络参数；利用所述测试样本数据集测试训练之后的深度学习网络；所述扰动后电力系统频率态势在线预测包括：制定需进行电力系统频率态势在线预测的扰动事件集；根据所述扰动事件集形成输入数据；归一化处理所述输入数据；将处理后的所述输入数据输入已离线训练好的所述深度学习网络中，得到输出数据；反归一化处理所述输出数据，得到各预想扰动事故的多维频率态势指标，所述多维频率态势指标包括频率极值、频率变化率和准稳态频率；利用所述多维频率态势指标综合评估各扰动事件的暂态频率稳定性。