【技術實現步驟摘要】
本專利技術涉及低頻強迫振蕩擾動源識別，尤其是涉及一種電力系統低頻強迫振蕩擾動源定位與預判方法。
技術介紹
1、作為目前發展前景廣闊的清潔能源，風電技術在電網中的應用受到了廣泛關注。隨著風電等可再生能源比例的不斷提升，使得系統的結構愈發復雜，其所面臨的安全穩定問題也更加突出。低頻振蕩作為影響電力系統安全穩定的重要問題，一般可分為負阻尼低頻振蕩和低頻強迫振蕩。截止目前，低頻振蕩引發的安全事故已在世界各地多次發生。持續的低頻振蕩會對電網產生嚴重威脅，甚至會造成整個電網的瓦解導致不可估量的經濟損失。上述低頻振蕩現象有一部分是由系統阻尼不足而引起的負阻尼低頻振蕩，可通過加裝電力系統穩定器等措施抑制振蕩的發生。另一部分則是由外施周期性擾動源所引起的低頻強迫振蕩，其影響范圍更廣、危害更大、發生概率也更大，且不能通過負阻尼低頻振蕩所采取的措施抑制振蕩，需通過定位擾動源位置將其切除來抑制振蕩。
2、然而，隨著高比例可再生能源和高比例電子設備新型電力系統的出現，使得低頻強迫振蕩現象發生的頻次日益增加且擾動源位置更加多元，由系統線性化模型推導判據來定位擾動源位置的傳統物理定位方法愈來愈受到限制。因此，如何設計適合實際新型電力系統的定位算法從而準確識別低頻強迫振蕩擾動源位置成為亟待解決的問題。近年來，隨著pmu在電網中的逐步普及以及人工智能技術的迅猛發展，為解決低頻強迫振蕩擾動源定位問題提供了全新思路。其中，以深度學習為代表的人工智能技術，通過建立深層神經網絡分析處理復雜問題，已在自然語言處理、圖像識別等領域取得了卓越不凡的成績，而其在電力
技術實現思路
1、本專利技術的目的就是為了針對電網低頻強迫振蕩數據的稀缺性及擾動源定位結果所需的準確性和快速性，而提供一種電力系統低頻強迫振蕩擾動源定位與預判方法，首先，通過將適用于小樣本且分類效果更加優越的svm分類器代替cnn模型中輸出層的softmax分類器構造cnn-svm定位模型，利用電網中常規機組、風電場在低頻強迫振蕩時間窗口內出口側采集的有功功率數據經處理后導入cnn-svm定位模型，通過一定數量的樣本訓練模型，從而可通過對電網中常規機組、風電場有功功率進行實時低頻強迫振蕩檢測，利用cnn-svm定位模型完成擾動源的在線定位和預判。
2、本專利技術的目的可以通過以下技術方案來實現：
3、一種電力系統低頻強迫振蕩擾動源定位方法，包括以下步驟：
4、對電網中常規機組、風電場當前時間窗口內的有功功率進行實時低頻強迫振蕩檢測，獲取發生振蕩時間窗口內的常規機組、風電場有功功率數據并構建數值矩陣；
5、將數值矩陣輸入訓練完成的cnn-svm定位模型，在線定位電網中引發低頻強迫振蕩的常規機組或風電場。
6、所述數據矩陣的獲取方法為：
7、利用動態近似熵方法對電網中常規機組、風電場出口側采集的有功功率數據進行低頻強迫振蕩檢測，若檢測到某一時間窗口發生低頻強迫振蕩，則基于該窗口內常規機組、風電場有功功率數據形成數值矩陣，表示為：
8、，
9、式中，為在低頻強迫振蕩時間窗口內電網中常規機組和風電場歸一化后的有功功率數據，即1個樣本所包含的有功功率數據；為第 m個常規機組/風電場在第 t個時刻的有功功率； m為電網中常規機組和風電場的總數量； t為時間窗口內采樣點的總個數。
10、所述cnn-svm定位模型的訓練過程為：
11、獲取不同低頻強迫振蕩時間窗口內常規機組、風電場有功功率數據形成的數值矩陣及對應擾動源標簽，形成低頻強迫振蕩擾動源訓練樣本集，其中，為樣本數值矩陣集合，為第 i個樣本的數值矩陣， n為樣本數量；為樣本標簽數據集合，為第 i個樣本的標簽，，為0/1變量，1代表第 m個常規機組/風電場為擾動源，0代表為非擾動源，即標簽數據為one-hot編碼；
12、將擾動源樣本集按預設比例劃分為訓練樣本集和測試樣本集，其中 p和 q分別為訓練樣本集和測試樣本集的樣本數量；
13、將訓練集輸入cnn-svm定位模型，通過訓練學習得到符合要求的cnn-svm定位模型：
14、，
15、式中，為由待測樣本作為cnn-svm定位模型輸入得到的輸出結果，即擾動源位置標簽，標簽數據為數值形式；為由訓練集學習訓練得到的cnn-svm定位模型。
16、所述cnn-svm定位模型包括依次連接的輸入層、特征提取模塊、特征整合模塊和svm分類器，其中，特征提取模塊對輸入層中所有常規機組和風電場在某個低頻強迫振蕩時間窗口內的有功功率數值矩陣進行特征提取，特征整合模塊對特征提取模塊提取到的特征進行整合，svm分類器將全連接層整合得到的特征向量進行分類，得到低頻強迫振蕩擾動源定位標簽。
17、所述特征提取模塊包括依次連接的卷積層、池化層和dropout層，特征整合模塊采用全連接層，其中，卷積層和全連接層的激活函數采用relu函數，為防止過擬合在全連接層之后連接一層dropout層。
18、所述svm分類器采用線性svm進行數據分類；
19、對于線性可分訓練數據集，利用間隔最大化或者求解相應的凸二次規劃問題得到的超平面，其方程表達式為：
20、，
21、式中，為超平面的法向量；為超平面的截距；超平面用表示；
22、假設含噪聲的訓練數據集為，因線性不可分，即存在特異樣本點不能滿足的約束條件；
23、引入松弛變量，消除訓練數據集中的特異樣本點，使剩余的每個樣本點線性可分：本文檔來自技高網...
【技術保護點】
1.一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述風電場日間功率根據氣象外推法預測得到，通過利用風速和功率數據關系建立每臺風電機組的理論功率計算模型，通過疊加全場風電機組的理論功率得到風電場的理論功率，計算方法如下：
3.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述常規機組有功功率的日間計劃滾動調度模型滿足如下約束條件：
4.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述數據矩陣的獲取方法為：
5.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述CNN-SVM定位模型的訓練過程為：
6.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述CNN-SVM定位模型包括依次連接的輸入層、特征提取模塊、特征整合模塊和SVM分類器，其中，特征提取模塊對輸入層中所有常規機組和風電場在某
7.根據權利要求6所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述特征提取模塊包括依次連接的卷積層、池化層和Dropout層，特征整合模塊采用全連接層，其中，卷積層和全連接層的激活函數采用ReLU函數，為防止過擬合在全連接層之后連接一層Dropout層。
8.根據權利要求6所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述SVM分類器采用線性SVM進行數據分類；
9.根據權利要求8所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述凸二次規劃問題的求解過程如下：
...【技術特征摘要】
1.一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述風電場日間功率根據氣象外推法預測得到，通過利用風速和功率數據關系建立每臺風電機組的理論功率計算模型，通過疊加全場風電機組的理論功率得到風電場的理論功率，計算方法如下：
3.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述常規機組有功功率的日間計劃滾動調度模型滿足如下約束條件：
4.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述數據矩陣的獲取方法為：
5.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述cnn-svm定位模型的訓練過程為：
6.根據權利要求1所述的一種電力系統低頻強迫振蕩擾動源定位與預判方法，其特征在于，所述cnn-svm...
【專利技術屬性】
技術研發人員：雷興，杜習周，連家玉，陸佩順，姚周飛，陳琰，錢程晨，童奕賓，計杰，楊健，徐鼎，顧勁岳，
申請(專利權)人：國網上海市電力公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。