一种用于区域电网宽频振荡风险的评估方法与系统技术方案

本发明专利技术公开了一种用于区域电网宽频振荡风险的评估方法及系统，属于电力系统自动化技术领域。本发明专利技术方法，包括：采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型；获取目标区域电网的异常波动数据，将所述异常波动数据作为风险预测数据输入至所述深度卷积模型，基于所述深度卷积模型识别区域电网的宽频振荡模态；对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集，获取宽频振荡集，根据所述宽频振荡集确定目标区域电网的宽频振荡风险。通过本发明专利技术识别的宽频振荡，精度较高，也避免了基于机理模型的诸多影响因素带来的不确定性。响因素带来的不确定性。响因素带来的不确定性。

【技术实现步骤摘要】
一种用于区域电网宽频振荡风险的评估方法与系统


[0001]本专利技术涉及电力系统自动化
，并且更具体地，涉及一种用于区域电网宽频振荡风险的评估方法与系统。

技术介绍

[0002]传统的电力系统振荡主要包括低频振荡以及SSR/SSO，而现代“双高”电力系统中由于电力电子设备及其与电网多种元件之间交互作用，引发了具有宽频时变特性、强非线性等特点的新型振荡。与传统电力系统振荡机理不同，新型振荡主要是由电力电子控制引发的电磁振荡，频率范围涉及10
‑1‑
103Hz，因此被称为“宽频振荡”。传统上，根据频率所处区间的不同将传统振荡与新型宽频振荡细分为低频振荡(0.1
‑
2.5Hz)、次/超同步振荡(数Hz
‑
2倍工频)和中高频振荡(百Hz至超千Hz)。传统低频振荡是由扰动系统中发电机转子间的摇摆特性主导的，形成机理包括负阻尼机理、强迫振荡机理、混沌机制以及参数谐振机制等。此外，可再生能源机组或变流器锁相环在机电尺度控制器参数不当引发的振荡也可能落入低频振荡的频率范围内，被称为“类机电”低频振荡。根据IEEE定义，传统次同步振荡总体上分为两大类，分别是汽轮发电机组与串补系统耦合产生的SSR以及汽轮发电机组与快速控制器相互作用产生的SSO。由风电等变流器式电源并网引起的新型次同步振荡与上述传统次同步振荡有着本质区别，机理上主要涉及风电机组的变流器控制与串补系统或弱交流电网的动态交互作用，通常被称为次同步控制相互作用(subsynchronous control interaction，SSCI)。在新能源电力系统中，发生次同步功率振荡时，电压、电流谐波中除了含有次同步分量，往往还包含与之互补的超同步分量。由于实际电网中各类发电机组、串补以及快速控制器等是同时存在的，因此上述多种振荡形态通常并存，它们之间相互耦合与影响，形成了复杂多样的次/超同步振荡现象。
[0003]今年来，经典的深度型的卷积神经网络模型有LeNet模型、AlexNet模型、VGG
‑
Net模型、GoogLeNet模型和ResNet模型。随着应用领域的逐渐深入，深度卷积神经网络已经取得了较大的发展，受益于计算机硬件与软件的快速发展、大规模数据集的建立以及相关
的突破，图像处理和目标识别的相关应用得到了全面的提升。卷积神经网络作为一门融合了计算机科学、统计学、脑神经学和社会学的综合学科，它促使计算机拥有如人类一般的智力。在许多危险工作、企业生产中，卷积神经网络可以代替工作人员实现识别、判定、分析等功能。在人工智能广泛普及的今天，依靠机器视觉和深度学习等前沿技术极大的提升了图像性问题的识别准确性。
[0004]在新型电力系统，区域电网将逐渐接入大量的新能源系统，即发生宽频振荡的风险程度与日俱增，由于新能源系统功率处理受天气影响因素较大，且加之传统机组开停机、检修灵活性的逐渐增加，电网发生宽频大面积振荡的风险逐渐增加，对区域电网进行季节性的宽频振荡风险评估逐渐成为电力系统运行所关注的核心问题之一。对新型电力系统特性下的区域电网进行季节性的宽频振荡风险评估预判有利于电力系统运行人员提前评估未来一定区间的电网发生宽频振荡的风险程度，并结合评估结果，对区域电网各个子区域
的开机方式、检修方式安排进行优化处理，降低大面积宽频振荡发生的概率。
[0005]由于宽频振荡系统性的发生以及电网中的传播机理尚不明确，从机理分析的角度已经由很多学者开展了相关研究，但由于大面积迅速的具有宽频振荡发生源的设备接入系统，其机理分析仍处于一个高度发展和讨论的阶段。尤其是在区域电网的整体风险评估方面，受限于现有的仿真手段，在电网运行控制上，快速地进行风险快速评估在先阶段通过仿真手段实现还尚需一定的时间。另一方面，随着深度学习计算机技术的发展及电网传感器——PMU配置的大面积推广，基于数据驱动的电网振荡分析逐渐成为电网振荡评估的解决方案之一。首先，针对任意一个给定的区域电网，由于已经具有了一定的先验知识，诸如电网拓扑结构、新能源系统接入电气节点、就地高精度PMU量测、传统火电机组的开停机等信息，使得对于一个基本拓扑结构的电网振荡特性规律有一定先验性数据积累，其次，由于卷积神经网络在深度学习
的快速发展，卷积神经网络在驱动问题上的数据结构和计算框架结构在近年来快速发展，卷积神经网络在处理相对固定拓扑电网的宽频振荡全景分析上成为一种可能。

技术实现思路

[0006]针对上述问题，本专利技术提出了一种用于区域电网宽频振荡风险的评估方法，包括：
[0007]采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型；
[0008]获取目标区域电网的异常波动数据，将所述异常波动数据作为风险预测数据输入至所述深度卷积模型，基于所述深度卷积模型识别区域电网的宽频振荡模态；
[0009]对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集，获取宽频振荡集，根据所述宽频振荡集确定目标区域电网的宽频振荡风险。
[0010]可选的，采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型，包括：
[0011]采集区域电网异常波动的历史数据，并对所述历史数据进行预处理，获取同一时刻场景下的PMU两侧点多频振幅数据，将所述多频振幅数据转换为多通道彩图；
[0012]将所述多通道彩图作为预先搭建的深度卷积神经网络的输入数据，对所述深度卷积神经网络进行训练，获取深度卷积模型。
[0013]可选的，对所述历史数据进行预处理，获取同一时刻场景下的PMU两侧点多频振幅数据，包括：根据历史数据确定电网异常波动为非电网线路短路跳闸故障或机组跳闸故障所引起的大型波动，并将历史数据中单一时刻的一个振荡场景建立一个张量，并针对给定的电网区域建立一个多维矩阵，根据所述张量和多维矩阵获取同一时刻场景下的PMU两侧点多频振幅数据。
[0014]可选的，预先搭建的深度卷积神经网络，包括，激活函数；
[0015]所述激活函数，如下所示：
[0016][0017]其中，g(x)为激活函数、e为常数、当x<0时g(x)的函数值为0，且梯度为0、当x>0时输出Tanh函数。
[0018]可选的，预先搭建的卷积神经网络，还包括：神经网络架构；
[0019]所述神经网络架构卷积层的卷积核，如下所示：
[0020][0021]其中，Y
n
为第n个输出张量、x
i
为输入张量，为第i通道上的第n个卷积核，b
n
是偏置，M为总通道数的常量。
[0022]可选的，对所述深度卷积神经网络进行训练，包括：对所述深度卷积神经网络的动态超参数进行调整；
[0023]所述动态超参数，包括：Epoch及batch参数、损失函数及学习速率。
[0024]可选的，深度卷积神经网络进行训练时，以多进程多起点并行搜索交互的方式搜索最优解。
[0025]可选的，采用全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于区域电网宽频振荡风险的评估方法，其特征在于，所述方法包括：采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型；获取目标区域电网的异常波动数据，将所述异常波动数据作为风险预测数据输入至所述深度卷积模型，基于所述深度卷积模型识别区域电网的宽频振荡模态；对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集，获取宽频振荡集，根据所述宽频振荡集确定目标区域电网的宽频振荡风险。2.根据权利要求1所述的方法，其特征在于，所述采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型，包括：采集区域电网异常波动的历史数据，并对所述历史数据进行预处理，获取同一时刻场景下的PMU两侧点多频振幅数据，将所述多频振幅数据转换为多通道彩图；将所述多通道彩图作为预先搭建的深度卷积神经网络的输入数据，对所述深度卷积神经网络进行训练，获取深度卷积模型。3.根据权利要求2所述的方法，其特征在于，所述对所述历史数据进行预处理，获取同一时刻场景下的PMU两侧点多频振幅数据，包括：根据历史数据确定电网异常波动为非电网线路短路跳闸故障或机组跳闸故障所引起的大型波动，并将历史数据中单一时刻的一个振荡场景建立一个张量，并针对给定的电网区域建立一个多维矩阵，根据所述张量和多维矩阵获取同一时刻场景下的PMU两侧点多频振幅数据。4.根据权利要求2所述的方法，其特征在于，所述预先搭建的深度卷积神经网络，包括，激活函数；所述激活函数，如下所示：其中，g(x)为激活函数、e为常数、当x<0时g(x)的函数值为0，且梯度为0、当x>0时输出Tanh函数。5.根据权利要求2所述的方法，其特征在于，所述预先搭建的深度卷积神经网络，包括：神经网络架构；所述神经网络架构卷积层的卷积核，如下所示：其中，Y
n
为第n个输出张量、x
i
为输入张量，为第i通道上的第n个卷积核，b
n
是偏置，M为总通道数的常量。6.根据权利要求2所述的方法，其特征在于，所述对所述深度卷积神经网络进行训练，包括：对所述深度卷积神经网络的动态超参数进行调整；所述动态超参数，包括：Epoch及batch参数、损失函数及学习速率。7.根据权利要求2所述的方法，其特征在于，所述深度卷积神经网络进行训练时，以多进程多起点并行搜索交互的方式搜索最优解，包括：使用N+1台CPU搜索最优解，且N>10，控制每台CPU从一个初始解开始迭代计算，获取计算结果，并将计算结果的适应值发送至统一服务器按照适应度排序；排序完成后，选择算子并采用选择算法根据适应值排序，若第N+1台CPU的计算结果不
优于N台CPU的计算结果，则将本次迭代计算的最忧解随机分配至N台CPU；并控制N+1台CPU在继续执行迭代计算，当loss值低于阈值时终止迭代计算。8.根据权利要求1所述的方法，其特征在于，采用全电磁仿真网络对所述宽频振荡模态数据进行收集。9.根据权利要求1所述的方法，其特征在于，所述深度卷积模型识别区域电网的宽频振荡模态时，若识别失败或识别程度不满足要求，则锁定振荡源，根据振荡源确定宽频振荡模态，将确定的宽频振荡模态作为新模式装入所述深度卷积模型的堆栈式。10.一种用于区域电网宽频振荡风险的评估系统，其特征在于，所述系统包括：训练单元，用于采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型；输出单元，用于获取目标区域电网的异常波动数据，将所述异常波动数据作为风险预测数据输入至所述深度卷积模型，基于所述深度卷积模型识别区域电网的宽频振荡...

【专利技术属性】
技术研发人员：付红军，熊浩清，朱劭璇，李岩，杜晓勇，李晓柯，谢岩，李呈昊，邵德军，石梦璇，唐晓骏，赵兵，仲悟之，徐式蕴，崔召辉，高峰，李晓萌，郭泓佐，白梁军，
申请(专利权)人：中国电力科学研究院有限公司国家电网公司华中分部国网河南省电力公司电力科学研究院，
类型：发明
国别省市：