送端源电网断面宽频振荡风险预测方法及系统技术方案

公开了一种送端源电网断面宽频振荡风险预测方法及系统，通过循环采样制对单一的PMU量测采样进行宽频分析，并制定相应日宽频振荡四档时间序列数据结构，以极大压缩宽频振荡源分析的数据量，提高分析效率；通过动态典型PMU监测点选点算法，以进一步压缩源端电网的宽频振荡分析数据量，尤其是在保证一定宽频振荡分析质量的基础上，将分散在各个PMU上的同时标海量宽频数据传输至区域电网中央控制分析器；通过模糊处理，较为客观的表达区域源端电网在评估方面的量化难度，提高了风险评估的表达能力；通过LSTM网络能够实现对模糊时间序列的有效预测。效预测。效预测。

【技术实现步骤摘要】
送端源电网断面宽频振荡风险预测方法及系统


[0001]本专利技术涉及电网领域，尤其是涉及一种自适应多时间序列LSTM的送端源电网断面宽频振荡风险评估与预测方法及系统。

技术介绍

[0002]电网的振荡问题是电力系统稳定研究的重要领域。目前对于电网发生在0.2
‑
2.5Hz的低频振荡，行业内已有广泛的研究和成熟的应用。对于次/超同步振荡，行业内针对火电机组本身产生的振荡也已开展了较多工作，并部署了继电保护装置来保障机组的安全。这一类低频振荡、次/超同步振荡其共性特征是都有大型同步发电机组参与，可以统一归纳为传统振荡。
[0003]随着新能源大规模并网，尤其是“源
‑
网
‑
荷”环节电力电子设备的大量接入，使得电力电子设备之间、电力电子设备与电网之间出现了一类新型振荡，这类振荡的突出特点是不涉及发电机组的机械元件。随着风电、光伏等新能源的大规模接入及高压直流输电技术的推广应用，新型振荡发生愈加频繁。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，因此其被称为宽频振荡。
[0004]由于宽频振荡源本身处于电网中，造成宽频振荡源之间也存在潜在的交互耦合关系。单一振荡源并不能引起较大规模的电网风险，而多振荡源集群性的振荡会对电网造成较大的危害，成为了各界关注点的焦点。
[0005]总体来看，电网逐步向电力电子化方向发展的同时，电网宽频振荡也日益频发，宽频振荡不仅影响电网的运行安全，也严重制约了风电、光伏等可再生能源的有效消纳，因此，迫切需要对宽频振荡进行监测、分析和控制。从物理学角度，直接建立电力电子化电力系统的解析模型，系统且全面地分析宽频振荡的内在规律，能够为振荡的预防和抑制提出根本性解决方案，但是考虑到电力系统运行机理与结构的复杂性，尤其是从电力电子化电网精细化建模以及大量风电机组及逆变器控制参数的准确获取来看，现阶段尚存在较大困难。
[0006]现有的宽频振荡分析方法主要是基于数学模型的方法，常用的包括基于特征值分析法、阻抗法、开环谐振法等。这些方法能够较好地在线性化的前提下针对特定问题分别建立状态空间模型、阻抗模型等进行分析，揭示振荡的内在机理。然而，由于电力系统宽频振荡是由多类型设备、多时间尺度控制交互引发的复杂系统问题，其精确参数难以获取，电磁暂态等模型难以构建，且具有显著的随机性和强非线性，因此现有方法难以全面分析实际系统中的宽频振荡问题。

技术实现思路

[0007]本专利技术提供一种送端源电网断面宽频振荡风险预测方法及系统，不需要建立电力系统的解析模型，就能够对振荡风险进行准确预测。
[0008]通过循环采样制对单一的PMU量测采样进行宽频分析，并制定相应日宽频振荡四
档时间序列数据结构，以极大压缩宽频振荡源分析的数据量，提高分析效率；通过动态典型PMU监测点选点算法，以进一步压缩源端电网的宽频振荡分析数据量，尤其是在保证一定宽频振荡分析质量的基础上，将分散在各个PMU上的同时标海量宽频数据传输至区域电网中央控制分析器；通过模糊处理，较为客观的表达区域源端电网在评估方面的量化难度，提高了风险评估的表达能力；通过LSTM网络能够实现对模糊时间序列的有效预测。
[0009]根据本专利技术实施例第一方面，提供一种送端源电网断面宽频振荡风险预测方法，包括：采集多个PMU站点的送端源电网断面宽频振荡数据，以此建立PMU宽频振荡扰动数量时间序列；将采集的多PMU多频段扰动数量时间序列输入神经网络识别器，神经网络识别器以扰动风险程度时间序列为输出，对振荡类型按高中低三个风险级别进行分类；将采集的多PMU多频段扰动数量时间序列以及神经网络识别器的输出的扰动风险程度时间序列输入LSTM网络模型，LSTM网络模型输出未来所设定时间的振荡风险程度。
[0010]根据本专利技术实施例第二方面，提供一种送端源电网断面宽频振荡风险预测系统，包括：扰动数量时间序列获取模块，其被配置为采集多个PMU站点的送端源电网断面宽频振荡数据，以此建立PMU宽频振荡扰动数量时间序列；神经网络识别器，其以多PMU多频段扰动数量时间序列为输入，以扰动风险程度时间序列为输出，对振荡类型按高中低三个风险级别进行分类；LSTM网络模型，其以多PMU多频段扰动数量时间序列以及神经网络识别器的输出的扰动风险程度时间序列输入，输出未来所设定时间的振荡风险程度。
[0011]根据本专利技术实施例第三方面，提供一种计算机，其特征在于，包括：处理器；存储器，包括一个或多个程序模块；其中，所述一个或多个程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个程序模块包括用于实现所述的送端源电网断面宽频振荡风险预测方法的指令。
[0012]根据本专利技术实施例第四方面，提供一种存储介质，用于存储非暂时性指令，当所述非暂时性指令由处理器执行时能够实现所述的送端源电网断面宽频振荡风险预测方法。
[0013]在上述四个方面，将送端区域断面功率P之和作为一个PMU监站点。
[0014]在上述四个方面，PMU站点的监测数据包含低频振荡、次同步振荡、超同步振荡和高频振荡四种时间序列数据，每个给定的t时间，从PMU的监测数据中进行一次时间窗口为t_win长度的采样取值，然后对采样数据进行给定长度PRONY、给定频率划分，以分解出低频振荡、次同步振荡、超同步振荡和高频振荡的波形，划分低频振荡、次同步振荡、超同步振荡和高频振荡的幅值阈值分别设置为，,,。
[0015]在上述四个方面，采用动态典型选取方法从备选站点中选取N个PMU站点：统计日扰动中次同步和超同步叠加次数超过给定阈值L的备选站点，并依据日扰动中次同步和超同步叠加次数对备选站点进行排序，选取前N个站点。
附图说明
[0016]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单的介绍。
[0017]图1是本专利技术一实施例提供的源端电网示意图。
[0018]图2是本专利技术一实施例提供的送端源电网断面宽频振荡风险预测方法流程图。
具体实施方式
[0019]图1展示了源端电网示示意图，图中大圈表达的是整个送端电网，里面的小黑点表示安装PMU（电力系统同步相量测量装置）的监测点，外面连接的3回线表示该送端区域对外联络线一共有三回，分别量测其功率，然后求和sigma(P1/P2/P3)能够得到送端区域断面对外的整体功率P。
[0020]本实施例提出一种基于多时间序列LSTM的送端源电网断面宽频振荡风险预测方法，其主要是建立送端源电网的宽频振荡扰动数量多维时间序列与宽频振荡风险程度之间的基于多时间序列LSTM的映射关系。
[0021]图2示出了基于多时间序列LSTM的送端源电网断面宽频振荡风险预测方法流程图。下面结合图2对送端源电网断面宽频振荡风险预测方法进行详细说明。
[0022]第一步：PMU采样。
[0023]近年来，各区域电网逐渐对PMU进行升级本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种送端源电网断面宽频振荡风险预测方法，其特征在于，包括：采集多个PMU站点的送端源电网断面宽频振荡数据，以此建立PMU宽频振荡扰动数量时间序列；将采集的多PMU多频段扰动数量时间序列输入神经网络识别器，神经网络识别器以扰动风险程度时间序列为输出，对振荡类型按高中低三个风险级别进行分类；将采集的多PMU多频段扰动数量时间序列以及神经网络识别器的输出的扰动风险程度时间序列输入LSTM网络模型，LSTM网络模型输出未来所设定时间的振荡风险程度。2.根据权利要求1所述的方法，其特征在于，将送端区域断面功率P之和作为一个PMU监站点。3.根据权利要求2所述的方法，其特征在于，PMU站点的监测数据包含低频振荡、次同步振荡、超同步振荡和高频振荡四种时间序列数据，每个给定的t时间，从PMU的监测数据中进行一次时间窗口为t_win长度的采样取值，然后对采样数据进行给定长度PRONY、给定频率划分，以分解出低频振荡、次同步振荡、超同步振荡和高频振荡的波形，划分低频振荡、次同步振荡、超同步振荡和高频振荡的幅值阈值分别设置为，,,。4.根据权利要求1所述的方法，其特征在于，采用动态典型选取方法从备选站点中选取N个PMU站点：统计日扰动中次同步和超同步叠加次数超过给定阈值L的备选站点，并依据日扰动中次同步和超同步叠加次数对备选站点进行排序，选取前N个站点。5.一种送端源电网断面宽频振荡风险预测系统，其特征在于，包括：扰动数量时间序列获取模块，其被配置为采集多个PMU站点的送端源电网断面宽频振荡数据，以此建立PMU宽频振荡扰动数量时间序列；神经网络识别器，其以多PMU多频段扰动数量时间序列为输入，以扰...

【专利技术属性】
技术研发人员：付红军，熊浩清，孙海顺，唐晓骏，李岩，谢岩，镐俊杰，杜晓勇，邵德军，李程昊，石梦璇，王东泽，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：