一种基于SFR和ELM的电网暂态频率特征预测方法与流程

本发明涉及电网安全稳定分析方法，具体涉及一种电网暂态频率特征的在线预测方法。

背景技术：

随着大规模特高压交直流输电通道建设的推进，受电比例增高间接降低了受端电网中传统电源的频率调节能力，导致大功率缺额情况下电网频率异常波动的风险增加。因此，在系统受扰后对电网频率态势进行高精度在线预测，对保证受端电网频率稳定具有重要意义。

传统的电力系统暂态频率稳定分析方法主要有通过求解包含全网模型的高阶非线性微分代数方程组的全时域仿真法、以平均系统频率模型和系统频率响应模型(systemfrequencyresponse，sfr)为代表的单机系统等值法以及以直流潮流法和系统方程线性化方法为代表的模型线性化方法。由于对频率动态过程中复杂非线性模型分析的精细化程度，决定了频率动态特征预测的精度，上述sfr方法在线应用时，对复杂非线性模型大量简化以提高速度，但也导致计算精度的大幅降低。

近年来，迅速发展的机器学习理论为电力系统频率特征预测提供了新技术支撑。机器学习方法能够快速地对数据进行处理，而且在非线性拟合方面具有非常大的优势，但其实施的效果受样本质量、数量及训练算法的影响，若能在机器学习方法中引入传统的物理模型方法作支撑，将使得电力系统暂态频率特征预测的准确性和可靠性大幅提高。

技术实现要素：

发明目的：针对以上不足，本发明提出一种基于sfr和elm(extremelearningmachine，极限学习机)的电网暂态频率特征预测方法，在保留强因果关系的sfr模型基础上，采用机器学习算法挖掘误差影响关联关系，构建基于elm的误差校正模型，从而提高电网暂态频率特征预测的精度。

技术方案：为实现上述目的，本发明提出基于频率变化率的电网不平衡功率计算方法、sfr模型建立方法、elm模型建立方法、电网暂态频率特征综合预测模型建立方法。其中，电网不平衡功率的计算方法为：其中，δpall为电网的功率不平衡量，fn为电网基准频率，hi为发电机i的惯性时间常数；可以通过对电网中发电机节点频率的量测信息进行计算而得到，当电网通信异常，存在频率量测信息缺失时，以邻近发电机节点频率量测信息作为替代。

sfr模型可根据系统惯性中心变换理论，对电网进行聚合简化得到，计算方法如下：

其中，sb为系统基准容量，ssb为系统中各发电机额定容量的和，hi、ri、pspi和pei分别为发电机i的惯性时间常数、调差系数、扰动功率和电磁功率，s为拉普拉斯算子，δω为频率相对偏差值，fh为高压缸输出功率所占比例，tr为再热时间常数，km是一个系数，受系统功率因数和系统备用容量影响。

elm模型的构建方法，可基于对sfr模型预测结果与实际结果的误差样本，以sfr模型的输出结果以及电网运行基本信息为输入，通过elm算法进行训练，建立elm模型。

电网暂态频率特征综合预测模型，包含sfr和elm模型，以电网不平衡功率为输入，以暂态频率关键特征为输出，包括：频率最低值、最低值时刻以及稳态频率值，其中，elm模型以sfr输出的暂态频率关键特征为输入，输出为校正后的暂态频率关键特征。

基于该电网暂态频率特征综合预测模型，本发明提供一种基于sfr和elm的电网暂态频率特征预测方法，该方法包含如下步骤：

(1)对电力系统运行状态进行持续的监测，并以固定的周期采集信息；

(2)监测到扰动后，记录量测的电力系统运行状态数据，更新电力系统运行状态数据库；

(3)利用发电机母线pmu对频率信息进行实时量测，计算频率变化率(df/dt)并上传至电网调控中心；

(4)电网调控中心根据所有发电机母线频率变化率和系统可观性矩阵对全网功率缺额δp进行计算；

(5)根据全网功率缺额估计值δp、惯量中心参数及电网运行信息(扰动前)，利用基于sfr和elm的电网暂态频率特征综合预测模型，预测暂态频率特征。

有益效果：与现有技术相比，本发明具有以下有益效果：

本发明在保留强因果关系的sfr模型基础上，采用机器学习算法挖掘误差影响关联关系，构建基于elm的误差校正模型，能够弥补单独依靠sfr或elm模型的电网暂态频率特征预测方法在实际应用中的不适应性，有效提高预测结果的精度和可靠性。基于此，本发明对扰动后电网暂态频率特征的预测，能够为构建基于在线量测的电网在线辅助决策系统提供实施依据，有助于运行人员快速、准确地制定电网集中控制措施，减小事故扩大的风险。

附图说明

图1为本发明提出的电网暂态频率特征综合预测模型框架图；

图2为本发明的在线应用实现流程图；

图3为本发明所测试系统的电力网络拓扑图；

图4为本发明与sfr模型的结果准确性对比图；

图5为本发明与svm、elm模型结果的rmse指标对比图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

图1为本发明提出的电网暂态频率特征在线预测模型框架图。电网中决定系统受扰后频率响应特性的主要因素为发电机组和负荷组成的系统的惯性、阻尼和调速特性，本发明中基于此建立sfr模型；而网架结构、电压无功动态特性等也对系统频率态势造成轻微影响，本发明中基于此建立基于elm的误差校正模型。扰动事件描述、电力系统拓扑/参数、状态数据等信息作为sfr模型的输入；选取电网运行状态量测信息，构建基于elm的预测误差校正模型，从而共同构成电网暂态频率特征综合预测模型。

在电网运行过程中，可能出现某节点功率发生扰动，造成电网频率发生跌落，并最终恢复至特定的水平。根据本发明的电网暂态频率特征预测方法，电网调度中心通过分析接收到的电网频率变化数据，评估系统功率缺额的大小，后将电网功率缺额与系统运行状态数据结合，利用电网暂态频率特征综合预测模型，对电网频率最低值、最低值时刻以及稳态频率这三个关键频率特征进行预测。同时考虑到实际电网中，可能因通信中断、异常等原因造成频率数据缺失，因此提出了通信故障时采用邻近机组频率量测信息代替缺失数据的方法，以计算系统的不平衡功率。参照图2，本发明的方法包括以下步骤：

(1)对电力系统运行状态进行持续的监测，并以固定的周期采集信息。

(2)监测到扰动后，记录量测的电力系统运行状态数据，更新电力系统运行状态数据库。

(3)利用发电机母线pmu对频率信息进行实时量测，计算频率变化率并上传至电网调控中心。电网频率变化率(df/dt)采用系统惯量中心频率表示dfcoi/dt，当电网通信正常时，其计算公式如下：

其中，hi为发电机i的惯性时间常数，fi为发电机节点i的频率。当电网发生通信中断、异常，导致某些节点的频率信息无法获取时，其频率值采用临近节点的频率值等效替代，则电网惯量中心的频率变化率可表示为：

其中，为等效电网惯量中心频率变化率，gn为所有发电机组的集合，hj为发电机j的惯性时间常数，为第j台发电机组的替代频率。

(4)电网调控中心根据所有发电机母线频率变化率和系统可观性矩阵对全网功率缺额进行计算，计算方法如下：

其中，δpall为电网的功率不平衡量，fn为电网基准频率，hi为发电机i的惯性时间常数

(5)根据全网功率缺额估计值、惯量中心参数及扰动前的电网运行信息，利用基于sfr和elm的电网暂态频率特征综合预测模型，预测暂态频率特征。其中，sfr模型以电网不平衡功率为输入，以暂态频率关键特征为输出，包括：频率最低值、最低值时刻以及稳态频率值。具体地，sfr模型根据系统惯性中心变换理论，对电网进行聚合简化，简化计算公式如下：

其中，sb为系统基准容量；ssb为系统中各发电机额定容量的和，hi、ri、pspi和pei分别为发电机i的惯性时间常数、调差系数、扰动功率和电磁功率；s为拉普拉斯算子，δω为频率相对偏差值，fh为高压缸输出功率所占比例，tr为再热时间常数，km是一个系数，受系统功率因数和系统备用容量影响，通过下式计算：

其中：

pm：系统中所有发电机的机械功率输出值之和；

sbi：第i个发电机的额定输出功率；

fpi：第i个发电机的功率因数；

fp：等效的系统功率因数，假设所有机组功率因数恒定，等效方法为

fsr：系统旋转备用容量比例。

elm模型基于对sfr模型预测结果与实际结果的误差样本，以sfr模型的输出结果即暂态频率关键特征以及电网运行基本信息为输入，通过elm算法进行训练，建立elm模型，输出校正后的暂态频率关键特征。

图3为本发明所测试的电力系统网络拓扑图，包含10台发电机，46条输电线路，采用monte-carlo方法生成测试所需的1080组样本，设置整体负荷水平服从某一区间均匀分布，取值为[0.8，1.2](标幺值，下同)，同时设置所有节点注入功率服从正态分布，取值为n(1,0.1)；为模拟不同扰动情况，设置系统中除平衡节点外任意节点发生不平衡功率扰动事件概率相同，扰动大小和持续时间分别服从[0.1,1.2]的均匀分布和n(0.1,0.03)的正态分布。

针对图3所示电力系统，在仿真平台上利用本发明的方法进行暂态频率预测，验证扰动后电网暂态频率特征预测性能。测试所用计算机配置为inter(r)corei5-5200u，8g，仿真软件为matlabpstv3.0。并与sfr、svm和elm三种方法对比，四种方法的输入和输出如表1所示。其中机器学习方法样本训练属于离线配置过程，不影响方法在线计算速度。

表1四种方法的输入和输出

选用平均绝对误差(meanabsoluteerror，mae)，平均绝对误差百分比(meanabsolutepercentageerror，mape)以及回归问题性能度量常用的均方根误差(root-meansquarederror，rmse)三个指标对各方法的预测精度进行评价。

其中d＝{(x1,y1),(x2,y2,…,(xm,ym)}为样本集，m为测试样本个数，yi是xi的真实值；f为预测方法函数。各项指标的分析结果如下：

(1)计算速度

通过数值仿真方法对测试样本的频率跌落幅值、最低频率时刻以及稳态频率偏差进行计算，平均值为(0.565hz，5.949s，0.233hz)。sfr、svm、elm以及本发明方法的平均计算时间为(10.84ms，3.43ms，2.50ms，6.38ms)，均满足在线预测的速度要求。

(2)mae和mape指标分析

在两个算例中各随机选取一组测试结果，sfr方法与本发明方法预测结果的绝对误差对比如图4所示。由图4可直观看出，本发明的方法针对每个测试样本的预测精度均大幅领先于sfr方法。

表2测试系统各方法预测结果误差-mae/mape

从上表中针对各种方法mae/mape指标对比看出，基于数据模型的方法(svm、elm和本发明方法)在电网频率特征预测中精度均远高于基于物理模型的sfr方法：在对系统受扰后最低频率的预测中，sfr方法误差达到了0.244hz/0.904hz(26.99％)，而数据模型方法中最差(svm)也达到了0.061hz/0.904hz(6.74％)。而从表中可以看出，本发明的方法均比svm和elm方法具备更高精度。

(3)rmse指标分析

针对测试系统，对比svm、elm和本发明方法结果的rmse指标，如图5所示。由图5可看出，相比于svm、elm方法，本发明的方法的预测结果具有更高的稳定性。

(4)通信网络故障场景分析

分析系统中因pmu设备故障导致实时频率信息无法量测的工况。该场景下，采用通信故障点临近pmu设备的频率量测信息，代替进行不平衡功率的计算。针对sfr方法与本发明的方法预测结果的精度进行比较，如表3所示。

表3通信故障时，sfr模型方法与本发明方法结果比较

结合表3可以看出，通信故障使所提方法的预测精度受到影响，预测结果的误差出现小幅增加，其中最低频率预测误差增加了0.011hz/0.565hz(1.95％)，最低频率时刻预测误差增加了0.033hz/5.949hz(0.55％)，稳态频率预测误差增加了0.004hz/0.233hz(1.72％)。而且，在预测结果的稳定性方面，通信故障仅使rmse指标发生了微小增加。因此，通信故障对本发明的方法预测性能的影响较小。