【技术实现步骤摘要】
本专利技术涉及电力系统，特别是涉及一种基于深度神经网络的动态频率求解方法、系统及电子设备。
技术介绍
1、随着社会的发展，中国风电、光伏等新能源得到跨越式发展。预计到2030年，中国风电、太阳能发电总装机容量将超过12亿千瓦。电力系统正以常规同步电源为主导逐步向新能源等非同步电源为主导演变。伴随着新能源装机占比不断提高，电网惯量水平持续下降，电力系统的形态和运行特性发生显著变化，频率抗扰动能力降低。因此，在进行电网规划和运行调度时，考虑系统惯量支撑能力，满足动态频率安全要求具有重要意义。
2、为了解决低惯量电力系统的频率稳定性问题，通常会将满足动态频率安全作为约束条件嵌入电力系统规划或者运行模型当中。但频率安全约束的解析表式具有高维、非线性特点，这给电力系统规划和运行模型的求解带来挑战。
技术实现思路
1、本专利技术的目的是提供一种基于深度神经网络的动态频率求解方法、系统及电子设备，提高了动态频率计算效率。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于深度神经网络的动态频率求解方法，包括：
4、根据目标电力系统的统一频率响应模型确定动态频率的解析表达式；所述解析表达式用于计算频率响应过程中的频率最低点；
5、根据所述解析表达式生成动态频率安全域数据集；
6、采用动态频率安全域数据集训练深度神经网络，得到频率最低点预测模型；
7、通过所述最低点预测模型将频率最低点约束转化为混合整数线性
8、采用所述混合整数线性约束计算频率响应过程中频率最低点。
9、可选地，所述解析表达式表示为：
10、
11、
12、其中，δfnadir表示频率响应过程中的频率最低点，δpe表示扰动电磁功率，t表示时间常数，η、ζ、ωn、f、m、r和d均为中间变量，tm表示频率响应过程中到达频率最低点的时间，nsg表示同步发电机的数量，nibr表示电力电子设备的数量，ksg,i、fsg,i和rsg,i均为第i个同步发电机调速器的参数，表示第i个同步发电机的额定容量，msg,i表示第i个同步发电机的惯性时间常数，mibr,j表示第j个电力电子设备的惯性时间常数，表示第j个电力电子设备的额定容量，dibr,j表示第j个电力电子设备的下垂系数，dsg,i表示第i个同步发电机的下垂系数。
13、可选地，所述动态频率安全域数据集中样本数据包括输入数据和输出数据，所述输入数据包括δpe、m、d、r、f和t，所述输出数据为δfnadir；
14、所述动态频率安全域数据集中样本数据均满足
15、可选地，所述深度神经网络包括依次连接的输入层、第一层隐藏层、第二层隐藏层和输出层；所述第一层隐藏层和所述第二层隐藏层中激活函数均为relu激活函数。
16、可选地，所述深度神经网络训练过程中采用的优化器为adam优化器，损失函数为均方误差损失函数。
17、可选地，通过所述最低点预测模型将频率最低点约束转化为混合整数线性约束，具体包括：
18、提取所述最低点预测模型中权重和偏置，根据所述权重和偏置确定第m层隐藏层的输出；
19、采用二进制向量表示relu激活函数在第m层隐藏层的激活状态，通过big-m法将relu激活函数进行线性化表达，得到混合整数线性约束。
20、可选地，所述混合整数线性约束表示为：
21、
22、其中，zm[n]表示第m层隐藏层中第n个神经元的输出，表示第m层隐藏层中第n个神经元的输入，am[n]表示第m层隐藏层中第n个神经元的状态，为第一常数，hm[n]为第二常数。
23、本专利技术公开了一种基于深度神经网络的动态频率求解系统，包括：
24、动态频率的解析表达式确定模块，用于根据目标电力系统的统一频率响应模型确定动态频率的解析表达式；所述解析表达式用于计算频率响应过程中的频率最低点；
25、动态频率安全域数据集生成模块，用于根据所述解析表达式生成动态频率安全域数据集；
26、频率最低点预测模型确定模块，用于采用动态频率安全域数据集训练深度神经网络，得到频率最低点预测模型；
27、混合整数线性约束确定模块，用于通过所述最低点预测模型将频率最低点约束转化为混合整数线性约束；
28、混合整数线性约束应用模块，用于采用所述混合整数线性约束计算频率响应过程中频率最低点。
29、本专利技术公开了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于深度神经网络的动态频率求解方法。
30、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
31、本专利技术将采用动态频率安全域数据集训练深度神经网络，得到频率最低点预测模型，通过最低点预测模型将频率最低点约束转化为混合整数线性约束，实现了将动态频率安全约束中复杂的非线性约束转换为线性约束，提高了动态频率计算效率。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的动态频率求解方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的动态频率求解方法，其特征在于，所述解析表达式表示为：
3.根据权利要求2所述的基于深度神经网络的动态频率求解方法，其特征在于，所述动态频率安全域数据集中样本数据包括输入数据和输出数据，所述输入数据包括ΔPe、M、D、R、F和T，所述输出数据为Δfnadir；
4.根据权利要求3所述的基于深度神经网络的动态频率求解方法，其特征在于，所述深度神经网络包括依次连接的输入层、第一层隐藏层、第二层隐藏层和输出层；所述第一层隐藏层和所述第二层隐藏层中激活函数均为ReLU激活函数。
5.根据权利要求4所述的基于深度神经网络的动态频率求解方法，其特征在于，所述深度神经网络训练过程中采用的优化器为Adam优化器，损失函数为均方误差损失函数。
6.根据权利要求4所述的基于深度神经网络的动态频率求解方法，其特征在于，通过所述最低点预测模型将频率最低点约束转化为混合整数线性约束，具体包括：
7.根据权利要求6所述的基于深度神经网
8.一种基于深度神经网络的动态频率求解系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的基于深度神经网络的动态频率求解方法。
...【技术特征摘要】
1.一种基于深度神经网络的动态频率求解方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的动态频率求解方法，其特征在于，所述解析表达式表示为：
3.根据权利要求2所述的基于深度神经网络的动态频率求解方法，其特征在于，所述动态频率安全域数据集中样本数据包括输入数据和输出数据，所述输入数据包括δpe、m、d、r、f和t，所述输出数据为δfnadir；
4.根据权利要求3所述的基于深度神经网络的动态频率求解方法，其特征在于，所述深度神经网络包括依次连接的输入层、第一层隐藏层、第二层隐藏层和输出层；所述第一层隐藏层和所述第二层隐藏层中激活函数均为relu激活函数。
5.根据权利要求4所述的基于深度神经网络的动...
【专利技术属性】
技术研发人员：刘昞璋，周明，张智，韩晓男，吴界辰，高源，石振江，姜宇，郭昊，张立斌，杨林，王畅，夏曼曼，肖林，白坤，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。