基于人工智能的新型电力系统惯量评估方法及相关设备技术方案

本发明专利技术公开基于人工智能的新型电力系统惯量评估方法及相关设备，涉及电力系统技术领域，方法包括获取电力系统在多场景下常规发电机及虚拟同步发电机的输出功率和母线频率的时序数据并预处理；根据常规发电机及虚拟同步发电机的输出功率和母线频率的时序数据，确定系统惯量常数并构建惯量评估样本数据集；搭建新型电力系统惯量评估支持向量回归模型，根据历史运行时序数据

【技术实现步骤摘要】
基于人工智能的新型电力系统惯量评估方法及相关设备


[0001]本专利技术涉及电力系统
，具体的，涉及基于人工智能的新型电力系统惯量评估方法及相关设备
。

技术介绍

[0002]新能源发电装机容量每年都在持续增长，特别是分布式光伏装机规模增长迅猛，分布式光伏大规模接入配电网已成为必然趋势
。
惯量作为衡量电力系统频率稳定性的重要指标，其数值大小直接反映了扰动后系统频率下降的快慢
。
传统惯量主要由电网中的同步机提供，新能源电源经电力电子变换器接入电网，与交流电网异步运行，因此，在系统动态过程中体现无惯量或弱惯量的外特性
。
随着新能源大规模接入并替代系统中的常规发电机组，电力系统惯量水平正在逐渐降低
。
[0003]现有技术中，为解决电力系统的低惯量问题，虚拟同步发电控制技术
(virtual synchronous generator
，
VSG)
应运而生
。
虚拟同步发电控制技术是根据传统电力系统的控制经验，设置并网逆变器的控制算法模拟同步发电机的外特性，使得含有变流器件的新能源电站具备与传统机组类似的惯性
。
而这种方式占用的评估时间长，且仅依靠传统电力系统的控制经验进行控制，其评估的准确性低
。

技术实现思路

[0004]本专利技术的目的是针对现有技术中运用虚拟同步发电控制技术解决电力系统低惯量的这种方式存在评估时间长
、
评估准确率低的问题，提出基于人工智能的新型电力系统惯量评估方法
、
装置及相关设备
。
通过根据获取到的常规常规发电机及虚拟同步发电机的输出功率和母线频率的时序数据，计算系统惯量常数并构建惯量评估样本数据集，将惯量评估样本数据集以及历史运行时序数据作为训练样本对新型电力系统惯量评估支持向量回归模型进行训练，在训练过程中增加自适应增强学习算法，通过结合支持向量回归模型与自适应增强学习算法能够提高模型对不同运行工况电力系统惯量评估的速度和准确度
。
[0005]第一方面，本专利技术实施例中提供的一种技术方案是基于人工智能的新型电力系统惯量评估方法，包括以下步骤：获取电力系统在多场景下的运行数据并进行预处理，所述运行数据包括电力系统中常规常规发电机及虚拟同步发电机的输出功率和母线频率的时序数据；基于预处理后常规常规发电机及虚拟同步发电机的输出功率和母线频率的时序数据，确定系统惯量常数并构建惯量评估样本数据集；搭建新型电力系统惯量评估支持向量回归模型，根据历史运行时序数据
、
所述惯量评估样本数据集和自适应增强学习算法进行模型训练，得到目标惯量评估支持向量回归模型；将待评估数据输入所述目标惯量评估支持向量回归模型进行惯量评估，确定与所述待评估数据对应的惯量评估数据
。
[0006]进一步地，所述获取电力系统在多场景下的运行数据并进行预处理，包括：提取待评估电力系统所在区域的常规发电机在并网逆变器出口侧的第一输出功率及所连母线频率的第一时序数据，所述第一时序数据包括各时段常规发电机所在母线的频率值；提取虚拟同步发电机在并网侧的第二输出功率及所连母线频率的第二时序数据，所述第二时序数据包括各时段虚拟同步发电机所在母线的频率值；对所述第一时序数据以及第二时序数据进行数据清洗及数据归一化处理
。
[0007]进一步地，所述基于预处理后常规发电机及虚拟同步发电机的输出功率和母线频率的时序数据，确定系统惯量常数并构建惯量评估样本数据集，包括：根据所述常规发电机在并网逆变器出口侧的第一输出功率以及所连母线频率的第一时序数据，通过电机摇摆方程计算常规发电机对应每一时段的有功功率与频率变化率的第一比值；根据所述虚拟同步发电机在并网侧的第二输出功率及所连母线频率的第二时序数据，通过所述电机摇摆方程计算提取虚拟同步发电机对应每一时段的有功功率与频率变化率的第二比值；根据所述第一比值确定常规发电机的系统惯量常数，根据所述第二比值确定虚拟同步发电机的系统惯量常数；根据常规发电机与虚拟同步发电机的系统惯量常数构建所述惯量评估样本数据集，其中，所述惯量评估样本数据集中每一样本数据包括常规发电机在逆变器并网侧的有功功率
、
常规发电机所在母线的频率值
、
虚拟同步发电机在逆变器并网侧的有功功率
、
虚拟同步发电机所在母线的频率值以及系统惯量常数
。
[0008]进一步地，所述搭建新型电力系统惯量评估支持向量回归模型，根据历史运行时序数据
、
所述系统惯量常数数据集和自适应增强学习算法进行模型训练，得到目标惯量评估支持向量回归模型，包括：确定模型的最大绝对值偏差参数，根据所述最大绝对值偏差参数确定间隔带，构建所述新型电力系统惯量评估支持向量回归模型；向所述新型电力系统惯量评估支持向量回归模型引入松弛变量以及拉格朗日乘子，将所述新型电力系统惯量评估支持向量回归模型进行转换；对转换后的模型中输入历史运行时序数据与所述系统惯量常数数据集中的样本数据进行模型训练，并基于回归函数进行模型回归，得到决策树模型，其中，所述决策树模型如下：型如下：式中，
α
i
，
α
i*
为拉格朗日乘子，
K(x
i
，
j
i
)
表示回归函数，
y
i
表示间隔带两侧的边缘函数；结合自适应增强学习算法对所述决策树模型进行训练，得到所述目标惯量评估支持向量回归模型
。
[0009]进一步地，所述结合自适应增强学习算法对所述决策树模型进行训练，得到所述
目标惯量评估支持向量回归模型，包括：初始化所述惯量评估样本数据集中每一样本数据的权值；基于所述惯量评估样本数据集中样本数据的时序，将初始化后的样本数据输入所述决策树模型中进行模型训练，选取误差率最小的模型作为惯量评估器；根据误差公式计算所述惯量评估器在第
t
个样本数据
S
t
上的误差
e
t
，所述误差公式如下：式中，
w
ti
表示第
t
个样本数据的权重，
H
t
表示第
t
个样本数据，即系统惯量常数；
I
表示布尔运算，当内部表达式为真时返回1，反之，返回0；根据所述误差，对所述惯量评估器的权重进行更新，更新公式如下；式中，
α
t
表示第
t
个样本数据的惯量评估器的权重；将权重更新后的系统惯量常数数据集作为下一惯量评估器的训练数据进行训练，直至整个训练迭代结束，得到多个惯量评估支持向量回归子模型；基于训练得到的多个所述惯量评估支持向量回归子模型构建所述目标惯量评估支持向量回归模型
。
[0010]进一步地，所述目标惯量评估支本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于人工智能的新型电力系统惯量评估方法，其特征在于，包括以下步骤：获取电力系统在多场景下的运行数据并进行预处理，所述运行数据包括电力系统中发电机及虚拟同步发电机的输出功率和母线频率的时序数据；基于预处理后发电机及虚拟同步发电机的输出功率和母线频率的时序数据，确定系统惯量常数并构建惯量评估样本数据集；搭建新型电力系统惯量评估支持向量回归模型，根据历史运行时序数据
、
所述惯量评估样本数据集和自适应增强学习算法进行模型训练，得到目标惯量评估支持向量回归模型；将待评估数据输入所述目标惯量评估支持向量回归模型进行惯量评估，确定与所述待评估数据对应的惯量评估数据
。2.
根据权利要求1所述的基于人工智能的新型电力系统惯量评估方法，其特征在于，所述获取电力系统在多场景下的运行数据并进行预处理，包括：提取待评估电力系统所在区域的发电机在并网逆变器出口侧的第一输出功率及所连母线频率的第一时序数据，所述第一时序数据包括各时段发电机所在母线的频率值；提取虚拟同步发电机在并网侧的第二输出功率及所连母线频率的第二时序数据，所述第二时序数据包括各时段虚拟同步发电机所在母线的频率值；对所述第一时序数据以及第二时序数据进行数据清洗及数据归一化处理
。3.
根据权利要求2所述的基于人工智能的新型电力系统惯量评估方法，其特征在于，所述基于预处理后发电机及虚拟同步发电机的输出功率和母线频率的时序数据，确定系统惯量常数并构建惯量评估样本数据集，包括：根据所述发电机在并网逆变器出口侧的第一输出功率以及所连母线频率的第一时序数据，通过电机摇摆方程计算发电机对应每一时段的有功功率与频率变化率的第一比值；根据所述虚拟同步发电机在并网侧的第二输出功率及所连母线频率的第二时序数据，通过所述电机摇摆方程计算提取虚拟同步发电机对应每一时段的有功功率与频率变化率的第二比值；根据所述第一比值确定发电机的系统惯量常数，根据所述第二比值确定虚拟同步发电机的系统惯量常数；根据发电机与虚拟同步发电机的系统惯量常数构建所述惯量评估样本数据集，其中，所述惯量评估样本数据集中每一样本数据包括发电机在逆变器并网侧的有功功率
、
发电机所在母线的频率值
、
虚拟同步发电机在逆变器并网侧的有功功率
、
虚拟同步发电机所在母线的频率值以及系统惯量常数
。4.
根据权利要求1所述的基于人工智能的新型电力系统惯量评估方法，其特征在于，所述搭建新型电力系统惯量评估支持向量回归模型，根据历史运行时序数据
、
所述系统惯量常数数据集和自适应增强学习算法进行模型训练，得到目标惯量评估支持向量回归模型，包括：确定模型的最大绝对值偏差参数，根据所述最大绝对值偏差参数确定间隔带，构建所述新型电力系统惯量评估支持向量回归模型；向所述新型电力系统惯量评估支持向量回归模型引入松弛变量以及拉格朗日乘子，将所述新型电力系统惯量评估支持向量回归模型进行转换；
对转换后的模型中输入历史运行时序数据与所述系统惯量常数数据集中的样本数据进行模型训练，并基于回归函数进行模型回归，得到决策树模型，其中，所述决策树模型如下：下：式中，
α
i
，
α
i*
，为拉格朗日乘子，
K(x
i
，
j
i
)
表示回归函数，
yi
表示间隔带两侧的边缘函数；结合自适应增强学习算法对所述决策树模型进行训练，得到所述目标惯量评估支持向量回归模型
。5.
根据权利要求4所述的基于人工智能的新型电...

【专利技术属性】
技术研发人员：陈文进，祁炜雯，范强，吴洋，赵峰，罗刚，王建军，陈建国，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，
类型：发明
国别省市：