基于混合量测的新能源电力系统动态频率预测方法

高渗透率新能源波动下系统动态频率预测是实现受端网络频率安全态势感知的基础。该文提出一种基于混合量测和物理状态方程联合驱动的新能源电力系统双向树状长短期记忆网络(combined equation-of-state-driven and data-driven bi-directional tree-struct long short term memory,CEOSD-BITREE-LSTM)动态频率预测方法。首先,引入双层多头注意力图神经网络,提出考虑同步相量测量单元(synchronous phasor measurement unit,PMU)和数据采集与监视控制系统装置(supervisory control and data acquisition,SCADA)量测差异性和时序同步性的混合量测融合策略;其次,依据PMU密集采样特性,建立计及源网荷物理联系的线性时变状态方程,刻画物理-数据空间的频率特征交互关系;然后,考虑新能源出力、负荷波动等不确定因素,结合以PMU并行搜索调频资源形成的拓扑结构,构建CEOSD-BITREE-LSTM动态频率预测模型,实现系统频率态势的高精度预测。最后,以改进新英格兰10机39节点、三区互联系统为算例,验证该文所提方法的可行性和有效性。

基于特征选择和随机森林的电力系统受扰后动态频率预测

基于机器学习的电网受扰后动态频率预测方法往往忽视系统拓扑变化,造成当电网拓扑改变后原训练模型可能不再适用。为此,提出一种基于随机森林(random forest,RF)的电网频率预测方法。考虑到随机森林算法的训练时间与特征数量成正比,提出基于斯皮尔曼相关性和层次聚类凝聚的特征去冗余方法,降低输入特征数量。在此基础上,提取反映电网动态频率的关键特征,进一步降低训练时间。对输入特征去冗余前后以及提取关键特征后的不同情况进行对比分析,结果显示所提算法在保证高预测准确率的前提下,能大幅缩短训练时间。新英格兰39节点上的仿真测试验证了所提算法的快速性、容错性和准确性。

基于深度置信网络的电力系统扰动后频率曲线预测

为快速、准确地预测扰动后电力系统的动态频率,该文基于深度置信网络(deep belief networks,DBN)提出一种预测扰动后电力系统频率曲线的方法。该方法以发电机的电磁功率、机械功率、同步发电机最大出力限制、各发电机对动态频率的影响因子等在内的22维数据作为深度置信网络的输入特征值,输出为系统的动态频率。该文采用新英格兰10机39节点系统和美国南卡罗来纳州的90机500母线系统作为仿真研究算例,通过与PSS/E中的仿真结果相对比,证明使用深度置信网络可以快速准确地对扰动后系统的动态频率进行预测。该方法适用于频率的在线稳定分析,可为后续制定频率稳定控制措施提供依据,对防止系统频率崩溃具有重要意义。