【技术实现步骤摘要】
本申请涉及电力，尤其涉及一种电力系统频率自适应估计方法及系统。
技术介绍
1、电力系统频率反映了电力系统有功功率和负荷之间的平衡关系，是电力系统运行的重要控制参数，电力系统频率是衡量电能质量的重要指标之一，保证电力系统频率合乎标准是电力系统运行调整的一项基本任务。电力系统在正常运行条件下，系统频率的实际值与标称值之差称为系统的频率偏差（我国系统标称频率为50hz，国外有60hz的）。
2、电力系统频率估计是通过求解有功功率扰动后的高维非线性代数微分方程得到电力系统频率的变化曲线，进而计算表征系统频率安全的评价指标来判断系统频率安全性，但受电力系统强非线性(新能源出力波动、柔性直流系统动态特性、多类型扰动等)的影响，难以满足多重不确定性时产生的数据组合爆炸，而由此导致的电力系统频率估计不准确。
技术实现思路
1、本申请实施例提供一种电力系统频率自适应估计方法及系统，用于电力系统频率估计的准确度。
2、本专利技术实施例提供一种电力系统频率自适应估计方法，所述方法应用于电力系统频率自适应估计系统，所述方法包括：
3、对采集的时域仿真数据或真实历史数据进行特征提取得到电力运行关键数据以及电力运行扰动数据；
4、确定所述电力运行关键数据以及所述电力运行扰动数据对应的数据标签，所述数据标签包括多项电力相关频率数据；
5、根据所述电力运行关键数据、所述电力运行扰动数据以及对应的数据标签确定为第一训练数据集和第二训练数据集；所述第一训练数
6、根据所述第一训练数据集中的样本数据对初始网络模型使用第一算法进行逐层训练，直至根据训练得到的初始网络模型的权重和阈值计算的损失值小于预置数值时，停止对所述初始网络模型的训练；
7、根据所述第二训练数据集中的样本数据对训练好的初始网络模型使用第二算法继续训练，得到电力频率预测模型；
8、通过所述电力频率预测模型对输入的电力数据进行预测得到多项电力相关频率数据。
9、在本专利技术提供的一个可选实施例中，所述对采集的时域仿真数据或真实历史数据进行特征提取得到电力运行关键数据以及电力运行扰动数据，包括：
10、根据预置算法计算电力运行数据的重要值；
11、根据所述重要值确定从所述电力运行数据中确定电力运行关键数据；
12、获取所述电力运行关键数据对应的电力运行扰动数据。
13、在本专利技术提供的一个可选实施例中，所述电力运行关键数据至少包括以下数据中的一项或多项：机组开关状态、机组单位调节功率、机组惯性时间常数、机组旋转备用、系统的等效阻尼、系统的等效惯量；所述电力运行扰动数据至少包括：有功功率扰动量、有功功率扰动位置。
14、在本专利技术提供的一个可选实施例中，所述根据所述电力运行关键数据、所述电力运行扰动数据以及对应的数据标签确定为第一训练数据集和第二训练数据集，包括：
15、将所述电力运行关键数据、所述电力运行扰动数据以及对应的数据标签进行归一化处理，并将归一化处理的电力运行关键数据、所述电力运行扰动数据以及对应的数据标签确定为第一训练数据集；
16、将所述电力运行关键数据、所述电力运行扰动数据以及对应的数据标签进行异常数据过滤处理，并将异常数据过滤处理的电力运行关键数据、所述电力运行扰动数据以及对应的数据标签确定为第二训练数据集。
17、在本专利技术提供的一个可选实施例中，所述根据所述第一训练数据集中的样本数据对初始网络模型使用第一算法进行逐层训练，直至根据训练得到的初始网络模型的权重和阈值计算的损失值小于预置数值时，停止对所述初始网络模型的训练，包括：
18、通过第一训练数据集中的样本数据对初始网络模型中的第n层网络结构进行训练得到第n层网络结构的权重和阈值，n的初始值为1；
19、当初始网络模型中的第n层网络结构的迭代次数大于预置数值时，将第n层网络结构的权重和阈值作为第n层网络结构的参数，并通过第n层网络结构获取所述样本数据对应的特征向量；
20、确定n是否小于n，n为初始网络模型的总层数；
21、若n小于n，则通过所述样本数据对应的特征向量对初始网络模型中的第n+1层网络结构进行训练得到第n+1层网络结构的权重和阈值；
22、若n等于n，停止对所述初始网络模型的训练。
23、在本专利技术提供的一个可选实施例中，所述通过第一训练数据集中的样本数据对初始网络模型中的第n层网络结构进行训练得到第n层网络结构的权重和阈值，包括：
24、将所述第一训练数据集中的样本数据划分成n组训练数据子集，对每组训练数据子集中的样本数据中增加噪声数据；
25、将第i组训练数据子集中的第j个样本数据输入到初始网络模型中的第n层网络结构，得到第n层网络结构第j次迭代对应的权重和阈值，i=n，j=j+1；j的初始值为1；
26、当初始网络模型中的第n层网络结构的迭代次数大于第i组训练数据子集中样本数据的数量时，将最后一次迭代的权重和阈值作为第n层网络结构的参数。
27、在本专利技术提供的一个可选实施例中，所述根据所述第二训练数据集中的样本数据对训练好的初始网络模型使用第二算法继续训练，得到电力频率预测模型，包括：
28、将所述第一训练数据集和所述第二训练数据集中属于同一样本数据输入到训练好的初始网络模型分别得到第一预测值和第二预测值；
29、根据所述第一预测值和所述样本数据对应的数据标签计算第一损失值；根据所述第二预测值和所述样本数据对应的数据标签计算第二损失值；
30、确定所述第二损失值是否小于所述第一损失值；
31、若所述第二损失值小于所述第一损失值，则继续通过所述第二训练数据集的样本数据对训练好的初始网络模型进行训练；
32、若所述第二损失值大于或等于所述第一损失值，则停止对训练好的初始网络模型使用第二算法继续训练，得到电力频率预测模型。
33、在本专利技术提供的一个可选实施例中，所述通过所述电力频率预测模型对输入的电力数据进行预测得到多项电力相关频率数据包括：
34、获取待检测数据，对所述待检测进行归一化；
35、将归一化的检测数据输入到电力频率预测模型得到预测数据；
36、对所述预测数据进行反归一化得到多项电力相关频率数据。
37、在本专利技术提供的一个可选实施例中，所述方法还包括：
38、根据预测得到的多项电力相关频率数据，控制电力系统。
39、本专利技术实施例提供一种电力系统频率自适应估计系统，所述系统包括：
40、提取模块，用于对采集的时域仿真数据或真实历史数据进行特征提取得到电力运行关键数据以及电力运行扰动数据；
41、确定模块，用于确定所述电力运行关键数据以及所述电力运行扰动数据对应的数据标签，所本文档来自技高网...
【技术保护点】
1.一种电力系统频率自适应估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对采集的时域仿真数据或真实历史数据进行特征提取得到电力运行关键数据以及电力运行扰动数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述电力运行关键数据至少包括以下数据中的一项或多项：机组开关状态、机组单位调节功率、机组惯性时间常数、机组旋转备用、系统的等效阻尼、系统的等效惯量；所述电力运行扰动数据至少包括：有功功率扰动量、有功功率扰动位置。
4.根据权利要求1所述的方法，其特征在于，所述根据所述电力运行关键数据、所述电力运行扰动数据以及对应的数据标签确定为第一训练数据集和第二训练数据集，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一训练数据集中的样本数据对初始网络模型使用第一算法进行逐层训练，直至根据训练得到的初始网络模型的权重和阈值计算的损失值小于预置数值时，停止对所述初始网络模型的训练，包括：
6.根据权利要求5所述的方法，其特征在于，所述通过第一训练数据集中的样本数据对初始网络模
7.根据权利要求4所述的方法，其特征在于，所述根据所述第二训练数据集中的样本数据对训练好的初始网络模型使用第二算法继续训练，得到电力频率预测模型，包括：
8.根据权利要求1所述的方法，其特征在于，所述通过所述电力频率预测模型对输入的电力数据进行预测得到多项电力相关频率数据，包括：
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
10.一种电力系统频率自适应估计系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种电力系统频率自适应估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对采集的时域仿真数据或真实历史数据进行特征提取得到电力运行关键数据以及电力运行扰动数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述电力运行关键数据至少包括以下数据中的一项或多项：机组开关状态、机组单位调节功率、机组惯性时间常数、机组旋转备用、系统的等效阻尼、系统的等效惯量；所述电力运行扰动数据至少包括：有功功率扰动量、有功功率扰动位置。
4.根据权利要求1所述的方法，其特征在于，所述根据所述电力运行关键数据、所述电力运行扰动数据以及对应的数据标签确定为第一训练数据集和第二训练数据集，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一训练数据集中的样本数据对初始网络模...
【专利技术属性】
技术研发人员：雷建勤，李吉侗，向昱瑾，刘德祺，杨雪丽，赵年年，殷小军，王琴，赵元莘，
申请(专利权)人：国网甘肃省电力公司酒泉供电公司，
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。