一种电力系统受扰后频率失稳识别方法及系统

技术领域

本发明涉及电力系统数据处理技术领域，特别涉及一种电力系统受扰后频率失稳识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

在电力领域，建设以可再生能源为主体的新型电力系统已成为发展趋势。相比于传统电力系统，新型电力系统的一个显著特点就是“双高”特征，即高比例可再生能源和高比例电力电子设备大规模接入电网。然而以风电、光伏等为代表的新能源发电设备，呈弱惯性特征或无惯性特征，使得新型电力系统的惯量支撑能力和频率调节能力遭到严重削弱。

具体地，当电力系统发生扰动时，例如大规模功率缺额，系统频率会严重偏离额定值并经历动态过程，而惯量水平较低的电力系统频率调节能力较差，导致频率变化加快、偏差幅度增大。因此低惯量水平的新型电力系统受扰后更加容易发生大面积切负荷、切机甚至频率崩溃等问题。

准确预测或评估未来频率动态，是提高新型电力系统频率稳定性的重要方面，方法主要分为三种：时域仿真法、等值模型法以及人工智能方法。时域仿真法主要通过仿真软件对真实的电力系统进行完整模拟，计算精度较高，但具有计算量大、时效性较差等缺点，无法实时应用于真实电力系统。对于由多机组成的复杂电力系统而言，运行方式、扰动场景与频率响应之间的物理关系，难以等效为单一固定的模型，这使得等值模型法很难适用于大规模的新型电力系统。而基于数据驱动的人工智能方法，可以从大量数据中挖掘出与频率响应相关的潜在因素，间接地揭示频率响应过程中的物理特性。同时，以相量测量单元（Phasor Measurement Unit，PMU）为基础的广域测量系统（Wide Area MeasurementSystem，WAMS）快速发展，能够同步采集各测量节点的实时相量数据，并借助高速通信网络，为人工智能方法在电力系统中各个领域的广泛应用提供了充足的数据支撑。

发明人发现，现有的人工智能方法主要从频率响应曲线预测和频率响应指标评估这两个角度，对电力系统受扰频率响应过程展开研究。然而，现有基于机器学习或深度学习的智能方法，主要依赖于复杂的非线性模型建立系统频率响应与关键输入特征之间的直接映射，忽视了电力系统中数据普遍具有的时序特征，没有紧密结合应用场景和数据特点设计合理有效的模型结构；同时，部分方法使用人工智能模型直接预测系统受扰后的频率稳定性判别指标，其结果容易受随机噪声影响，且缺乏受扰后频率响应的具体过程，无法为现场控制人员提供完整有力的判断依据。

发明内容

为了解决现有技术的不足，本发明提供了一种电力系统受扰后频率失稳识别方法及系统，利用样本卷积交互网络（Sample Convolution and Interaction Network，SCINet），提取扰动发生前后电力系统状态数据的时序特征，并预测受扰后系统的频率响应曲线，在预测的频率响应曲线基础上实现了频率稳定性的准确评估。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种电力系统受扰后频率失稳识别方法。

一种电力系统受扰后频率失稳识别方法，包括以下过程：

获取受扰前后电力系统状态的时间序列数据；

对获取的时间序列数据，依次进行奇偶序列分解、多尺度卷积和交互学习后，得到特征变换后新的奇偶子序列；

将得到的奇偶子序列作为二叉树结构节点的输入，二叉树结构的每个节点均依次执行奇偶序列分解、多尺度卷积和交互学习的过程，将最后一层二叉树结构各节点输出的所有奇偶子序列重新排列，经合并拼接和非线性变换后，得到预测的频率响应曲线；

判断频率响应曲线的频率最低值是否小于设定安全阈值，如是，则判断电力系统受扰后频率失稳，否则，判断电力系统受扰后频率稳定。

作为本发明第一方面进一步的限定，所述奇偶序列分解，包括：

对频率时间序列数据进行下采样，将频率时间序列数据分解为奇子序列和偶子序列。

作为本发明第一方面进一步的限定，所述多尺度卷积，包括：

采用一维卷积神经网络对分解后的奇子序列和偶子序列进行特征提取，一维卷积神经网络的不同尺寸的卷积核沿着一个方向进行滑动，并与时间窗口内的区域进行卷积运算，得到特征提取结果。

作为本发明第一方面进一步的限定，所述交互学习，包括：

使用两种具有不同卷积核尺寸的第一卷积层和第二卷积层，分别对奇偶子序列进行特征变换，变换后得到的特征与原始子序列进行交互式矩阵运算，得到奇偶子序列的特征表示；

使用两种具有不同卷积核尺寸的第三卷积层和第四卷积层，分别对奇偶子序列的特征表示进行特征变换，变换后得到的特征与奇偶子序列的特征表示进行交互式融合，得到特征变换后新的奇偶子序列。

作为本发明第一方面进一步的限定，在进行非线性变换之前，将合并拼接的结果与输入的时间序列数据进行叠加，叠加后的结果经全连接层处理后，作为非线性变换的输入。

本发明第二方面提供了一种电力系统受扰后频率失稳识别系统。

一种电力系统受扰后频率失稳识别系统，包括：

数据获取单元，被配置为：获取受扰前后电力系统状态的时间序列数据；

奇偶分解单元，被配置为：对获取的时间序列数据，依次进行奇偶序列分解、多尺度卷积和交互学习后，得到特征变换后新的奇偶子序列；

二叉树分解单元，被配置为：将得到的奇偶子序列作为二叉树结构节点的输入，二叉树结构的每个节点均依次执行奇偶序列分解、多尺度卷积和交互学习的过程，将最后一层二叉树结构各节点输出的所有奇偶子序列重新排列，经合并拼接和非线性变换后，得到预测的频率响应曲线；

频率失稳判断单元，被配置为：判断频率响应曲线的频率最低值是否小于设定安全阈值，如是，则判断电力系统受扰后频率失稳，否则，判断电力系统受扰后频率稳定。

作为本发明第二方面进一步的限定，奇偶分解单元中，所述奇偶序列分解，包括：

对频率时间序列数据进行下采样，将频率时间序列数据分解为奇子序列和偶子序列。

作为本发明第二方面进一步的限定，奇偶分解单元中，所述多尺度卷积，包括：

采用一维卷积神经网络对分解后的奇子序列和偶子序列进行特征提取，一维卷积神经网络的不同尺寸的卷积核沿着一个方向进行滑动，并与时间窗口内的区域进行卷积运算，得到特征提取结果。

作为本发明第二方面进一步的限定，奇偶分解单元中，所述交互学习，包括：

使用两种具有不同卷积核尺寸的第一卷积层和第二卷积层，分别对奇偶子序列进行特征变换，变换后得到的特征与原始子序列进行交互式矩阵运算，得到奇偶子序列的特征表示；

使用两种具有不同卷积核尺寸的第三卷积层和第四卷积层，分别对奇偶子序列的特征表示进行特征变换，变换后得到的特征与奇偶子序列的特征表示进行交互式融合，得到特征变换后新的奇偶子序列。

作为本发明第二方面进一步的限定，二叉树分解单元中，在进行非线性变换之前，将合并拼接的结果与输入的时间序列数据进行叠加，叠加后的结果经全连接层处理后，作为非线性变换的输入。

与现有技术相比，本发明的有益效果是：

1、本发明创新性的提出了一种电力系统受扰后频率失稳识别方法及系统，利用样本卷积交互网络（Sample Convolution And Interaction Network，SCINet），提取扰动发生前后电力系统状态数据的时序特征，并预测受扰后系统的频率响应曲线，在预测的频率响应曲线基础上实现了频率稳定性的准确评估。

2、本发明创新性的提出了一种电力系统受扰后频率失稳识别方法及系统，引入了可高效挖掘数据特征的时序预测模型SCINet，在该模型的基础上提出电力系统受扰后的频率响应曲线预测模型C-SCINet及频率响应分析方法，实验结果表明与其他传统的深度学习方法相比，C-SCINet模型的均方根误差更低，所提方法具有准确性高、表示能力强、可靠性好等优点。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的电力系统受扰后频率失稳识别方法的流程示意图；

图2为本发明实施例1提供的SCINet模型结构示意图；

图3为本发明实施例1提供的C-SCINet模型结构示意图；

图4为本发明实施例1提供的某个样本的频率响应曲线与响应指标示意图；

图5为本发明实施例1提供的模型训练以及频率响应分析的流程示意图；

图6为本发明实施例1提供的某测试样本各模型预测结果对比示意图；

图7为本发明实施例1提供的各模型评估结果的混淆矩阵示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本发明实施例1提供了一种电力系统受扰后频率失稳识别方法，包括以下过程：

S1：获取受扰前后电力系统状态的时间序列数据；

S2：对获取的时间序列数据，依次进行奇偶序列分解、多尺度卷积和交互学习后，得到特征变换后新的奇偶子序列；

S3：将得到的奇偶子序列作为二叉树结构节点的输入，二叉树结构的每个节点均依次执行奇偶序列分解、多尺度卷积和交互学习的过程，将最后一层二叉树结构各节点输出的所有奇偶子序列重新排列，经合并拼接和非线性变换后，得到预测的COI频率响应曲线；

S4：判断COI频率响应曲线的频率最低值是否小于设定安全阈值，如是，则判断电力系统受扰后频率失稳，否则，判断电力系统受扰后频率稳定。

S1中，获取受扰前后电力系统状态的时间序列数据，包括：

一般地，时间序列预测问题可被定义为，对于包含C个变量的时间序列，受扰前后电力系统状态的时间序列数据X为：

（1）

其中，L为时间窗口的大小，

S2中，对获取的时间序列数据，依次进行奇偶序列分解、多尺度卷积和交互学习后，得到特征变换后新的奇偶子序列，包括：

SCINet模型中的基础结构是样本卷积交互（Sample Convolution andInteraction，SCI）单元，主要包括奇偶序列分解、多尺度卷积和交互学习模块。

S2.1：奇偶序列分解。

为了挖掘时间序列中的信息，在时间序列分析中，通常会将时间序列分解为若干子序列，并分别对每个部分进行建模和分析，SCI单元采用更加通用的奇偶序列分解方法，根据元素位置将原始序列F分解为奇子序列

（2）

其中：

S2.2：多尺度卷积。

SCI单元中使用一维卷积神经网络（1D-CNN）对时间序列进行特征提取，具体过程为卷积核沿着一个方向进行滑动，并与时间窗口内的区域进行卷积运算，其局部特征提取能力主要取决于卷积核的大小，使用不同尺寸的卷积核组成多尺度卷积，可以提取时间序列中不同尺度的局部依赖关系，这使得模块具有更加强大的表示能力。

S2.3：交互学习。

为了减少奇偶序列分解可能带来的潜在信息损失，SCI单元在奇偶子序列特征提取的过程中使用交互学习策略，使得子序列之间可以通过特征变换发生信息交互；具体地，首先使用两种具有不同卷积核尺寸的卷积层

（3）

其中，exp表示以自然常数为底的指数函数。

其次，进一步使用两种具有不同卷积核尺寸的卷积层

（4）

S3中，将得到的奇偶子序列作为二叉树结构节点的输入，二叉树结构的每个节点均依次执行奇偶序列分解、多尺度卷积和交互学习的过程，将最后一层二叉树结构各节点输出的所有奇偶子序列重新排列，经合并拼接和非线性变换后，得到预测的COI频率响应曲线，包括：

SCINet模型是由若干个SCI单元以二叉树结构组成的，如图2所示，具体地，SCINet模型的输入序列X经过位于“根节点”的SCI单元会得到两个特征变换后的奇偶子序列，这两个子序列

（5）

其中，X为受扰前后电力系统状态的时间序列数据，

考虑到实际应用中待预测目标变量维度可能与输入变量维度不一致，且SCINet模型没有考虑到输入变量间的依赖关系，故本发明增加一个卷积神经网络用于对输入变量经SCINet模型得到的时序特征表示进行非线性变换（具体的，采用1D-CNN提取得到融合特征后，经Linear（全连接层）得到非线性变换的结果），得到待预测的目标变量，因此本发明提出改进后的卷积-样本卷积交互网络（Convolution-Sample Convolution andInteraction Network，C-SCINet）模型，其整体结构如图3所示。

S4中，判断COI频率响应曲线的频率最低值是否小于设定安全阈值，如是，则判断电力系统受扰后频率失稳，否则，判断电力系统受扰后频率稳定，包括：

本发明在C-SCINet模型的基础上，提出电力系统受扰后频率响应分析策略，该策略主要是通过C-SCINet模型提取输入变量的时序特征，并准确预测出频率响应曲线，进而对受扰后频率响应过程和关键指标进行分析。

为了对电力系统受扰后的频率响应进行全面分析，本发明在频率响应曲线预测的基础上，计算得到频率响应指标并评估频率稳定情况，本发明选取系统COI频率曲线的最低点及其发生的时间，调节后达到准稳态时的系统频率，即频率最低值

为快速准确地计算出频率响应指标，首先对频率曲线进行降采样，消除数据噪声并保留曲线特征，其次计算出频率曲线最低点并记录其发生时间，选取频率曲线末段一段时间内的平均值作为准稳态频率。

相比于

如图5所示，为模型训练以及频率响应分析的流程，包括数据生成部分、离线训练部分和在线评估部分，更具体的，包括：

（1）数据生成部分。

设定不同的运行方式和故障场景，进行时长为100s的PSD-BPA软件时域仿真，生成模型训练与测试所需的样本，采用Python解析数据文件，得到输入变量与系统COI频率的时序数据；

进行时序预测模型数据集构建，从生成的数据文件中加载输入变量集合，并根据超参数L将数据切分为输入时序和输出时序，为保证在实际电力系统中可用，

（2）离线训练部分。

归一化处理，包括：考虑到仿真数据与实际运行数据的数值分布存在一定偏差，若采用通用归一化方法，如根据数据的最大值和最小值或均值和方差进行归一化处理，会不可避免地引入计算误差，故本发明根据物理意义预先设定特征量的阈值，针对线性特征使用最大-最小归一化；针对非线性特征，使用对数函数非线性映射后再进行最大-最小归一化；

数据集划分，包括：将切分后的数据按照6：2：2的比例随机划分为训练集、验证集和测试集，不同数据集分布的差异性能够在一定程度上保障模型的泛化能力；

模型训练，包括：构建C-SCINet模型，设定其中SCI单元的层数、初始学习率等超参数，模型在训练集上进行多轮迭代训练，在每轮迭代训练结束时，基于验证集计算模型的验证误差，若验证误差一直持续减小则继续进行迭代训练，直至达到最大迭代轮次或验证误差不再减小，退出训练并保存当前的模型参数；

超参数调节，包括：设置所有可调节超参数的阈值与调节步长，遍历所有参数组合，分别进行模型训练，最终在验证集上对比误差大小，挑选出相对最优的参数组合，用于进行模型测试。

（3）在线评估部分。

模拟在电力系统中实际应用的场景，将测试集中的每个样本输入上述步骤得到的最优的C-SCINeT模型进行测试，得到受扰后模型预测的系统频率响应曲线（即COI频率曲线），并与仿真结果进行对比并评估误差大小；

根据模型预测得到的系统COI频率曲线计算三种频率响应指标，即频率最低值、频率最低值发生时间和准稳态频率，进行受扰后频率响应分析，具体的根据频率最低值进行频率稳定性的判断。

本发明引入了可高效挖掘数据特征的时序预测模型SCINet，在该模型的基础上提出电力系统受扰后的频率响应曲线预测模型C-SCINet及频率响应分析方法，实验结果表明与其他传统的深度学习方法（ResNet方法、CNN-LSTM方法和1D-CNN方法）相比，C-SCINet模型的均方根误差低至0.4482HZ，所提方法具有准确性高、表示能力强、可靠性好等优点，频率响应曲线预测对比如图6所示。

本发明所提方法使用扰动发生前后短暂时间内的系统状态数据，不仅可准确预测出受扰后100s内的频率响应曲线，还可以同时给出频率稳定判别结果和三种频率响应指标，为全面分析频率响应过程提供多层次信息支撑。实验结果表明该方法的失稳判别准确率高达99.7%，稳定误判为失稳比例低至3.5%，频率稳定判别结果与其他传统的深度学习方法（ResNet方法、CNN-LSTM方法和1D-CNN方法）的对比如图7所示。

实施例2：

本发明实施例2提供了一种电力系统受扰后频率失稳识别系统，包括：

数据获取单元，被配置为：获取受扰前后电力系统状态的时间序列数据；

奇偶分解单元，被配置为：对获取的时间序列数据，依次进行奇偶序列分解、多尺度卷积和交互学习后，得到特征变换后新的奇偶子序列；

二叉树分解单元，被配置为：将得到的奇偶子序列作为二叉树结构节点的输入，二叉树结构的每个节点均依次执行奇偶序列分解、多尺度卷积和交互学习的过程，将最后一层二叉树结构各节点输出的所有奇偶子序列重新排列，经合并拼接和非线性变换后，得到预测的频率响应曲线；

频率失稳判断单元，被配置为：判断频率响应曲线的频率最低值是否小于设定安全阈值，如是，则判断电力系统受扰后频率失稳，否则，判断电力系统受扰后频率稳定。

具体的，奇偶分解单元中，所述奇偶序列分解，包括：

对频率时间序列数据进行下采样，将频率时间序列数据分解为奇子序列和偶子序列。

具体的，奇偶分解单元中，所述多尺度卷积，包括：

采用一维卷积神经网络对分解后的奇子序列和偶子序列进行特征提取，一维卷积神经网络的不同尺寸的卷积核沿着一个方向进行滑动，并与时间窗口内的区域进行卷积运算，得到特征提取结果。

具体的，奇偶分解单元中，所述交互学习，包括：

使用两种具有不同卷积核尺寸的第一卷积层和第二卷积层和，分别对奇偶子序列进行特征变换，变换后得到的特征与原始子序列进行交互式矩阵运算，得到奇偶子序列的特征表示；

使用两种具有不同卷积核尺寸的第三卷积层和第四卷积层，分别对奇偶子序列的特征表示进行特征变换，变换后得到的特征与奇偶子序列的特征表示进行交互式融合，得到特征变换后新的奇偶子序列。

具体的，二叉树分解单元中，在进行非线性变换之前，将合并拼接的结果与输入的时间序列数据进行叠加，叠加后的结果经全连接层处理后，作为非线性变换的输入。

上述各个单元的具体工作方法与实施例1提供的电力系统受扰后频率失稳识别方法中的过程相同，这里不再赘述。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。