【技术实现步骤摘要】
本专利技术属于负荷频率特性辨识领域，具体涉及一种特高压直流近区的负荷频率特性辨识方法以及装置。
技术介绍
1、频率是电力系统运行中最重要的参数之一，电力系统频率变化过大可能会对安全稳定运行造成严重影响。在特高压直流输电电网中，换流站故障可能导致交流系统频率大幅波动。负荷的频率特性对系统频率响应有很大影响。过去由于电源和网架的支持，电网频率很少发生大幅波动。然而，随着交直流混联电网格局的形成，在实际电网中多次发生了频率波动较大的事故。造成频率明显下降的原因包括特高压换流站闭锁导致的较大功率缺额以及火电机组调频能力的弱化，同时也应关注负荷的频率响应特性。因此，如何利用在线监测数据准确地识别高压直流近区负荷的频率特性参数，对于实时掌握电力系统频率支撑能力大小、确保系统频率安全稳定具有重大意义。
2、现有方法大多均基于扰动后的有功频率曲线数据对负荷频率特性参数进行辨识，无法在事前做出准确判断，而且仅基于电气量实现对负荷频率特性的辨识，忽略了温度、天气工作日或节假日等非电气量对负荷频率特性的影响，导致模型在不同时间段的准确度不一样。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供一种特高压直流近区的负荷频率特性辨识方法以及装置，能够事前对负荷频率特性进行识别，同时考虑温度、天气工作日或节假日等非电气量的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种特高压直流近区的负荷频率特性辨识方法，包括以下步骤：
3、根据特高压直流近
4、根据有功频率特征参数和所述历史频率扰动事件期间的数据，建立求解模型进行拟合，得到有功频率特性参数的最优值；
5、建立负荷频率特性神经网络模型，将所述历史频率扰动事件发生前的各项数据作为输入，将有功频率特性参数的最优值作为负荷有功频率特性实际值，对负荷频率特性神经网络模型进行训练；
6、根据特高压直流近区的当前各项数据，利用已训练的负荷频率特性神经网络模型对当前的特高压直流近区的负荷频率特性进行预测辨识，得到负荷频率特性参数。
7、本专利技术的有益效果为：本专利技术方法通过建立已训练的负荷频率特性神经网络模型对特高压直流近区变电站的当前数据进行分析，得到负荷有功频率特性参数，能够在频率扰动事件发生前预测辨识负荷的频率特性，便于提前做好防范工作，减少频率崩溃事件的发生，保证电力可靠供应，同时预测系统受扰后的动态频率，能够对时变风速和负荷波动的新能源电力系统动态频率区间、各节点最低频率进行高维度映射，提高了动态频率预测方法的可解释性，提升了动态频率预测方法对多场景运行预测的准确性。
8、进一步地：所述根据有功频率特征参数和所述历史频率扰动事件期间的数据，建立求解模型进行拟合，得到有功频率特性参数的最优值的具体步骤如下：
9、根据有功频率特征参数和所述历史频率扰动事件期间的数据，利用非线性最小二乘法进行拟合，并建立求解模型；
10、通过求解模型，计算得到拟合后的有功功率数值与实际值的误差，其中，求解模型的表达式如下：
11、
12、其中，h(pv,pf)为特高压直流近区变电站符合吸收有功真实值与拟合值的差，δp(i)为拟合后的有功功率数值与实际值的误差，u(i)为第i个历史频率扰动事件的初始电压，f(i)为第i个历史频率扰动事件的频率，p(i)为第i个历史频率扰动事件的有功数值，pv为负荷有功电压特征参数，pf为负荷有功频率特征参数，n为频率扰动事件个数，i为历史频率扰动事件的序号；
13、记录拟合后的有功功率数值与实际值的误差最小时的有功频率特征参数，并将误差最小时的有功频率特征参数作为有功频率特性参数的最优值。
14、上述进一步的有益效果为：利用非线性最小二乘法对有功频率特征参数和历史频率扰动事件期间的数据进行拟合，能够实现对有功频率特性参数的辨识。
15、进一步地：所述建立负荷频率特性神经网络模型，将所述历史频率扰动事件发生前的各项数据作为输入，将有功频率特性参数的最优值作为负荷有功频率特性实际值，对负荷频率特性神经网络模型进行训练的具体步骤如下：
16、根据历史频率扰动事件发生前的负荷接入端电压u、电网频率f、负荷从电网吸收的有功功率p、负荷从电网吸收的无功功率q以及电力电子负荷占比k，构建负荷频率特性神经网络模型的输入特征集，所述输入特征集的表达式为：
17、m＝[p,q,u,f,k]
18、选择有功频率特性参数的最优值作为负荷有功频率特性实际值；
19、对负荷频率特性神经网络模型进行训练，并计算得到负荷频率特性神经网络模型的输出值与负荷有功频率特性实际值的均方差；
20、判断均方差是否满足负荷频率特性神经网络模型的实际使用的需要，若是，则完成训练，保存当前负荷频率特性神经网络模型，否则，在负荷频率特性神经网络模型中增加一个神经元，并返回上一步对负荷频率特性神经网络模型进行训练。
21、上述进一步的有益效果为：利用历史频率扰动事件发生前的各项参数与有功频率特性参数的最优值对负荷频率特性神经网络模型进行训练，保证已训练的负荷频率特性神经网络模型的辨识准确率。
22、进一步地：所述负荷频率特性神经网络模型的表达式如下：
23、y＝mω1ω2+b1ω2+b2
24、其中，y为负荷频率特性神经网络模型输出的负荷频率特性参数，m为负荷频率特性神经网络模型的输入特征集，ω1为输入层到隐藏层的权重，ω2为隐藏层到输入层的权重，b1为输入层到隐藏层的偏置参数，b2为隐藏层到输出层的权重和偏置参数。
25、上述进一步的有益效果为：构建基础的负荷频率特性神经网络模型，用于后续的训练对模型进行训练和完善。
26、本专利技术还提供了一种特高压直流近区的负荷频率特性辨识装置，包括：
27、获取模块：用于获取特高压直流近区变电站历史频率扰动事件发生前和期间的各项数据和扰动事件期间的各项数据；
28、计算模块：用于根据特高压直流近区变电站历史频率扰动事件发生前和期间的各项数据和扰动事件期间的各项数据，计算得到有功频率特征参数和有功频率特性参数的最优值；
29、训练模块：用于根据特高压直流近区变电站历史频率扰动事件发生前的各项数据和有功频率特性参数的最优值对负荷频率特性神经网络模型进行训练；
30、辨识模块：用于根据已训练的负荷频率特性神经网络模型对当前特高压直流近区变电站的负荷频率特性进行辨识。
31、进一步地：所述获取模块，用于获取特高压直流近区变电站的历史频率扰动事件期间的各项数据，所述各项数据包括：负荷接入端电压u本文档来自技高网...
【技术保护点】
1.一种特高压直流近区的负荷频率特性辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的特高压直流近区的负荷频率特性辨识方法，其特征在于，所述根据有功频率特征参数和所述历史频率扰动事件期间的数据，建立求解模型进行拟合，得到有功频率特性参数的最优值的具体步骤如下：
3.根据权利要求1所述的特高压直流近区的负荷频率特性辨识方法，其特征在于，所述建立负荷频率特性神经网络模型，将所述历史频率扰动事件发生前的各项数据作为输入，将有功频率特性参数的最优值作为负荷有功频率特性实际值，对负荷频率特性神经网络模型进行训练的具体步骤如下：
4.根据权利要求3所述的特高压直流近区的负荷频率特性辨识方法，其特征在于，所述负荷频率特性神经网络模型的表达式如下：
5.一种特高压直流近区的负荷频率特性辨识装置，其特征在于，包括：
6.根据权利要求5所述的特高压直流近区的负荷频率特性辨识装置，其特征在于，所述获取模块，用于获取特高压直流近区变电站的历史频率扰动事件期间的各项数据，所述各项数据包括：负荷接入端电压U、电网频率F、负荷从电网吸收的
7.根据权利要求5所述的特高压直流近区的负荷频率特性辨识装置，其特征在于，所述计算模块包括求解模型，所述求解模型的表达式如下：
8.根据权利要求5所述的特高压直流近区的负荷频率特性辨识装置，其特征在于，所述训练模块包括负荷频率特性神经网络模型，所述负荷频率特性神经网络模型包括：输入层、隐藏层和输出层；
9.一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的特高压直流近区的负荷频率特性辨识方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的特高压直流近区的负荷频率特性辨识方法的步骤。
...【技术特征摘要】
1.一种特高压直流近区的负荷频率特性辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的特高压直流近区的负荷频率特性辨识方法，其特征在于，所述根据有功频率特征参数和所述历史频率扰动事件期间的数据，建立求解模型进行拟合，得到有功频率特性参数的最优值的具体步骤如下：
3.根据权利要求1所述的特高压直流近区的负荷频率特性辨识方法，其特征在于，所述建立负荷频率特性神经网络模型，将所述历史频率扰动事件发生前的各项数据作为输入，将有功频率特性参数的最优值作为负荷有功频率特性实际值，对负荷频率特性神经网络模型进行训练的具体步骤如下：
4.根据权利要求3所述的特高压直流近区的负荷频率特性辨识方法，其特征在于，所述负荷频率特性神经网络模型的表达式如下：
5.一种特高压直流近区的负荷频率特性辨识装置，其特征在于，包括：
6.根据权利要求5所述的特高压直流近区的负荷频率特性辨识装置，其特征在于，所述获取模块，用于获取特高压直流近...
【专利技术属性】
技术研发人员：鲁宗相，张德海，李海波，孙章岭，范辉，李晓明，于腾凯，张蕊，崔童飞，
申请(专利权)人：清华大学，
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。