一种基于Elman神经网络的电力系统稳定器实现方法技术方案

本发明专利技术涉及电力系统功率预测技术领域,特别是涉及一种基于Elman神经网络的电力系统稳定器实现方法；首先通过预测日上一年同一季度经过修正的历史风功率对Elman神经网络进行训练，将预测风功率值乘以季节指数后的积值反馈到电力系统稳定器，建立基于Elman神经网络。对修正后的风功率历史数据以及对应的历史风速数据进行归一化处理,对建立的Elman神经网络进行训练,将预测误差控制在预设范围内，采用训练后的Elman神经网络根据预测日前一周风功率对预测日风功率进行预测，将风功率预测值反馈到电力系统稳定器。本发明专利技术具有适应时变特性和风功率波动性的能力，能直接预测风功率的动态特性,预测精度较高,可广泛应用于电力系统稳定器的设计领域中。

A Realization Method of Power System Stabilizer Based on Elman Neural Network

【技术实现步骤摘要】
一种基于Elman神经网络的电力系统稳定器实现方法
本专利技术涉及电力系统功率预测
,特别是涉及一种基于Elman神经网络的电力系统稳定器实现方法。
技术介绍
风电大规模接入电网，电网的安全问题越来越突出。随机性、间歇性和可控性差的风电场接入混联电网使得区域电网的潮流、稳定性发生变化引起的电力系统故障。电力系统出现故障时，对电网产生振荡，从而减弱了系统的稳定性。因此，引入风功率预测修正值的电力系统稳定是非常必要的。风电功率预测是有助于调度人员提前组织管理电力系统，提高供电质量，降低电网运行成本。基于风功率预测的电力系统稳定器的设计在风电的经济并网方面有着举足轻重的地位，幵发风功率预测的电力系统稳定器技术的研究对于我国实现大规模风电并网是必要并且迫切的。
技术实现思路
针对现有技术的不足和上述问题，本专利技术提供了一种基于Elman神经网络的电力系统稳定器实现方法，其特征在于，包括以下步骤：S1、获取上一年度同一季度的风功率历史数据和历史风速数据,同时对该年度的有效天数日期类型按照休息日和工作日两种类型进行分类；S2、根据获取的风功率历史数据,计算每个月份的风功率的同期平均数,从而获得月份总平均值,将每个同期平均数除以总平均值获得季节指数；S3、采用季节指数对风功率历史数据进行修正,将风功率历史数据与对应的季节指数做比值后,获得修正后的风功率历史数据；S4、确定Elman神经网络的输入、输出数据,和最优的隐含层神经元个数,建立Elman神经网络；S5、对修正后的风功率历史数据和对应的历史风速参数数据进行归一化处理,并根据归一化处理后的数据对Elman神经网络进行训练,将Elman神经网络的预测误差范围内；S6、获取预测日前一周的风功率历史数据、预测日的风速参数数据和日期类型作为神经网络的输入,采用训练后的Elman神经网络对预测日的风功率进行预测,进而获得的预测数据乘以季节指数后得到风功率预测数据。所述S1～S7中所述的风功率历史数据包括每个小时的风功率数据。所述步骤S4还包括以下步骤：S401、获取风功率历史数据、历史风速数据和日期类型,将任一日的风功率数据作为Elman神经网络的输出数据,将预测日前一周内的每个小时的风功率数据以及该日的风速数据和日期类型作为Elman神经网络的输入数据；S402、对Elman神经网络进行初始化,建立起基于的Elman神经网络。所述步骤S5中所述的误差范围为1％～5％。所述步骤S5还包括以下步骤：S501、根据下式对修正后的风功率历史数据以及对应的历史风速参数数据进行归一化处理：其中,ck为风功率历史数据中的第k个参数值,cmin表示所在风功率数据中的最小值，cmax表示所在风功率数据中的最大值；S502、根据归一化处理后的数据将基于的Elman神经网络的预测误差控制在预设误差范围内。所述步骤S6还包括以下步骤：S601、获取预测日前一周的风功率历史数据、风速数据和日期类型，作为Elman神经网络的输入,采用训练后的Elman神经网络对预测日的风功率预测,获得预测日当天每小时的风功率预测数据；S602、将获得的风功率预测数据乘以季节指数后,获得每小时的风功率数据；S603获取预测日当天的实际风功率数据后,计算风功率预测数据与实际风功率数据之间的误差值,并将误差值反馈至Elman神经网络。所述S603中将风功率预测数据反馈到电力系统稳定器，稳定器将预测数据与实际值功率数据差值作为稳定器改抑制含风电电力系统振荡的修正值。所述基于Elman的神经网络的非线性状态空间表达式为：y(k)＝g(w3x(k))x(k)＝f(w1z(k)+w2u(k-1))z(k)＝x(k-1)其中,k表示时刻，y，x，u，z分别表示m维输出节点向量,m维隐含层节点单元向量,m维输入向量，m维反馈状态向量；w3、w2、w1分别为隐含层到输出层的连接权值,输入层到隐含层，承接层到隐含层的连接权值矩阵；f(*)为隐含层神经元的传递函数；g(*)为输出神经元的传递函数。9、根据权利要求1所述的一种基于Elman神经网络的电力系统稳定器实现方法，其特征在于：对基于Elman的神经网络采用BP算法进行权值修正,并采用均值函数进行指标函数学习,则指标函数公式为：式中E(x)为指标函数,为目标输入向量。本专利技术的有益效果为：本专利技术包括获取上一年同一季度的风功率历史数据以及对应的历史风速数据,并对该年有效天数进行日期类型归类，根据获取的风功率历史数据,计算各个月份的风功率同期平均数,取每个同期平均数与同期季节平均值的比值作为季节指数，采用季节指数对风功率历史数据进行修正,从而确定Elman神经网络的输入和输出数据,建立基于的Elman神经网络，并对修正后的风功率历史数据和历史风速数据进行归一化处理,根据归一化处理后的数据对建立的Elman神经网络进行训练,将Elman神经网络的预测误差控制在预设误差范围内。获取预测日前一周的风功率历史数据、风速参数数据和日期类型作为Elman神经网络的输入,采用训练后的Elman神经网络对预测日的风功率进行预测,进而将获得的预测数据乘以季节指数后得到风功率数据。将风功率预测值反馈到电力系统稳定器，稳定器将预测值与实际值的比值作为修正值，抑制含风电电力系统的振荡，从而提高含风电的电力系统的稳定性。本方法通过基于季节指数的Elman神经网络的构建,结合相关地区风功率历史数据和相对应的历史风速数据,获得预测日的风功率数据,考虑了风功率随季节变化波动影响电力系统稳定性的特点，将风功率预测值反馈到电力系统稳定器，从而抑制系统振荡，提高系统稳定性。附图说明图1是本专利技术的的流程示图；图2是本专利技术建立的Elman神经网络结构示意图；图3是本专利技术稳定器结构图；具体实施方式实施例1结合实施例、附图对本专利技术作进一步描述：图1，本专利技术提供了一种基于Elman神经网络的电力系统稳定器实现方法，包括：S1获取上一年度的风功率历史数据和历史风速数据,同时对该年的有效天数进行日期归类。S2根据枫风功率历史数据,计算各个月份的风功率的同期平均数,计算同期季节风功率平均数的值后,将月同期平均数除以季节同期平均值获得季节指数。S3采用季节指数对风功率历史数据进行修正,获得各个月份的风功率修正数据。S4确定Elman神经网络隐含层神经元个数,建立基于的Elman神经网络。S5对修正后的风功率历史数据以及对应的历史风速数据进行归一化处理,根据归一化处理后的数据对Elman神经网络进行训练,并将误差控制在预设误差范围。S6获取预测日前一周的风功率历史数据、风速数据和日期类型作为Elman神经网络的输入,采用训练后的Elman神经网络对预测日的风功率预测,将获得的预测数据乘以季节指数后得到预测的风功率数据。所述步骤S5中所述预设范围为1％～5％。所述步骤S4,包括：S401获取风功率历史数据、历史风速数据和日期类型,将任一日的风功率数据作为Elman神经网络的输出数据,将预测日前一周内的每个小时的风功率数据以及该日的风速数据和日期类型作为Elman神经网络的输入数据。S402对Elman神经网络进行初始化,建立起基于的Elman神经网络。作为优先选择的实施方式，所述基于的Elman神经网络的非线性状态空间表达式为：y(k本文档来自技高网...

【技术保护点】
1.一种基于Elman神经网络的电力系统稳定器实现方法，其特征在于，包括以下步骤：S1、获取上一年度同一季度的风功率历史数据和历史风速数据,同时对该年度的有效天数日期类型按照休息日和工作日两种类型进行分类；S2、根据获取的风功率历史数据,计算每个月份的风功率的同期平均数,从而获得月份总平均值,将每个同期平均数除以总平均值获得季节指数；S3、采用季节指数对风功率历史数据进行修正,将风功率历史数据与对应的季节指数做比值后,获得修正后的风功率历史数据；S4、确定Elman神经网络的输入、输出数据,和最优的隐含层神经元个数,建立Elman神经网络；S5、对修正后的风功率历史数据和对应的历史风速参数数据进行归一化处理,并根据归一化处理后的数据对Elman神经网络进行训练,将Elman神经网络的预测误差范围内；S6、获取预测日前一周的风功率历史数据、预测日的风速参数数据和日期类型作为神经网络的输入,采用训练后的Elman神经网络对预测日的风功率进行预测,进而获得的预测数据乘以季节指数后得到风功率预测数据。

【技术特征摘要】
1.一种基于Elman神经网络的电力系统稳定器实现方法，其特征在于，包括以下步骤：S1、获取上一年度同一季度的风功率历史数据和历史风速数据,同时对该年度的有效天数日期类型按照休息日和工作日两种类型进行分类；S2、根据获取的风功率历史数据,计算每个月份的风功率的同期平均数,从而获得月份总平均值,将每个同期平均数除以总平均值获得季节指数；S3、采用季节指数对风功率历史数据进行修正,将风功率历史数据与对应的季节指数做比值后,获得修正后的风功率历史数据；S4、确定Elman神经网络的输入、输出数据,和最优的隐含层神经元个数,建立Elman神经网络；S5、对修正后的风功率历史数据和对应的历史风速参数数据进行归一化处理,并根据归一化处理后的数据对Elman神经网络进行训练,将Elman神经网络的预测误差范围内；S6、获取预测日前一周的风功率历史数据、预测日的风速参数数据和日期类型作为神经网络的输入,采用训练后的Elman神经网络对预测日的风功率进行预测,进而获得的预测数据乘以季节指数后得到风功率预测数据。2.根据权利要求1所述的一种基于Elman神经网络的电力系统稳定器实现方法，其特征在于：所述S1～S7中所述的风功率历史数据包括每个小时的风功率数据。3.根据权利要求1所述的一种基于Elman神经网络的电力系统稳定器实现方法，其特征在于：所述步骤S4还包括以下步骤：S401、获取风功率历史数据、历史风速数据和日期类型,将任一日的风功率数据作为Elman神经网络的输出数据,将预测日前一周内的每个小时的风功率数据以及该日的风速数据和日期类型作为Elman神经网络的输入数据；S402、对Elman神经网络进行初始化,建立起基于的Elman神经网络。4.根据权利要求1所述的一种基于Elman神经网络的电力系统稳定器实现方法，其特征在于：所述步骤S5中所述的误差范围为1％～5％。5.根据权利要求1所述的一种基于Elman神经网络的电力系统稳定器实现方法，其特征在于：所述步骤S5还包括以下步骤：S501、根据下式对修正后的...

【专利技术属性】
技术研发人员：周强，陈万龙，何世恩，郝晓弘，汪宁渤，丁坤，康坚，赵龙，韩旭杉，马彦宏，周识远，张彦琪，张金平，陈钊，王明松，马明，王定美，吕清泉，张艳丽，李津，张健美，黄蓉，张珍珍，高鹏飞，沈琛云，张睿骁，沈荟云，
申请(专利权)人：国网甘肃省电力公司电力科学研究院，国网甘肃省电力公司，兰州理工大学，
类型：发明
国别省市：甘肃,62