一种基于卷积神经网络的电力系统频率安全控制方法与流程

技术特征：

1.一种基于卷积神经网络的电力系统频率安全控制方法，其特征在于，所述方法包括以下步骤：

在广域量测数据中自主挖掘电力系统频率的时序特征量作为输入数据，并对数据作预处理操作，并定义三种频率指标作为输出数据；

采用深层学习架构建立时序特征量与频率安全性之间的非线性映射关系，实现端到端的频率安全评估；

优化电力系统频率安全评估模型的关键参数来提高评估精度，借助广域量测数据的量测误差和风电渗透率分析，探讨所提频率安全评估方法的抗干扰性能。

2.根据权利要求1所述的一种基于卷积神经网络的电力系统频率安全控制方法，其特征在于，所述三种频率指标为：频率最大值、最大频率变化率和准稳态频率。

3.根据权利要求1所述的一种基于卷积神经网络的电力系统频率安全控制方法，其特征在于，所述对数据作预处理操作具体为：

提取电力系统的节点电压幅值u和相角θ、支路有功p和无功功率q，并将4种量测信息作为输入，对4种输入数据进行归一化和整合处理。

4.根据权利要求3所述的一种基于卷积神经网络的电力系统频率安全控制方法，其特征在于，所述对4种输入数据进行归一化处理具体为：

将电压幅值和相角转化为电压实部和虚部的形式，实现量测数据的归一化，如下式所示：

式中，u和θ分别为电压幅值和相角；u^r和uⁱ分别为电压的实部和虚部；

式中，u^r(0)、uⁱ(0)、p(0)和q(0)分别为初始时刻的电压实部、电压虚部、有功功率和无功功率向量；u^r(t)、uⁱ(t)、p(t)和q(t)分别为t时刻的电压实部、电压虚部、有功功率和无功功率向量；u^r_rv(t)、u^i_rv(t)、p^rv(t)和q^rv(t)分别为转化后t时刻的电压实部、电压虚部、有功功率和无功功率向量。

5.根据权利要求3所述的一种基于卷积神经网络的电力系统频率安全控制方法，其特征在于，所述对4种输入数据进行整合处理具体为：

根据电力系统仿真曲线的时间分布特性，构建考虑时间分布的高维故障样本矩阵作为卷积神经网络输入数据，设在t时刻第l根母线的电压实部和虚部分别为和有功和无功功率分别为pl(t)和ql(t)，t为数据采样的时间窗口长度，进而可得第l根母线时间序列特征：

将l根母线的特征时间序列扩展成包含全部母线信息的高维样本x，矩阵维度为l×4t＝j；

x＝[u1,u2,…,ul]^t

设为第m种系统运行状态的第n个样本，在上式的基础上进一步扩展成包含全部母线信息的多系统运行状态高维样本g，矩阵维度为(n×m)×(l×4t)＝i×j，并令n×m＝i；

式中，m为系统运行状态总数，n为不同负荷扰动量的总数，将样本矩阵作为一个彩色图片进行输入，采用频率最大值、最大频率变化率和准稳态频率作为输出变量，进而得到输出变量矩阵y^i×k；

式中，为第k个输出量的m*n+n行对应的数据。

技术总结
本发明公开了一种基于卷积神经网络的电力系统频率安全控制方法，包括：在广域量测数据中自主挖掘电力系统频率的时序特征量作为输入数据，并对数据作预处理操作，并定义三种频率指标作为输出数据；采用深层学习架构建立时序特征量与频率安全性之间的非线性映射关系，实现端到端的频率安全评估；优化电力系统频率安全评估模型的关键参数来提高评估精度，借助广域量测数据的量测误差和风电渗透率分析，探讨所提频率安全评估方法的抗干扰性能。本发明实现了功率扰动下电力系统频率安全的快速评估，有效弥补传统方法受限于数据处理能力和泛化能力的不足。

技术研发人员：王长江;姜涛;刘福锁;陈厚合;李雪;于洋;吕亚洲;郄朝辉;李兆伟;石渠
受保护的技术使用者：东北电力大学;南瑞集团有限公司
技术研发日：2020.08.11
技术公布日：2020.11.27