CN108075470A - 一种基于sfr和elm的电网暂态频率特征预测方法 - Google Patents
一种基于sfr和elm的电网暂态频率特征预测方法 Download PDFInfo
- Publication number
- CN108075470A CN108075470A CN201711421134.0A CN201711421134A CN108075470A CN 108075470 A CN108075470 A CN 108075470A CN 201711421134 A CN201711421134 A CN 201711421134A CN 108075470 A CN108075470 A CN 108075470A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mfrac
- frequency
- power grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于SFR和ELM的电网暂态频率特征预测方法，属于电网安全稳定分析技术领域。该方法以***频率响应模型和极限学习机理论为支撑，建立了电网暂态频率特征预测模型，并考虑了通信异常场景的影响，可依靠***在线量测数据，实现对电网暂态过程中频率变化特征的预测。本发明能够在满足在线计算速度要求的前提下，保证电网暂态预测特征结果的准确性和可靠性，从而为电力***状态评估与运行控制提供决策依据。
Description
技术领域
本发明涉及电网安全稳定分析方法，具体涉及一种电网暂态频率特征的在线预测方 法。
背景技术
随着大规模特高压交直流输电通道建设的推进，受电比例增高间接降低了受端电网 中传统电源的频率调节能力，导致大功率缺额情况下电网频率异常波动的风险增加。因此，在***受扰后对电网频率态势进行高精度在线预测，对保证受端电网频率稳定具有 重要意义。
传统的电力***暂态频率稳定分析方法主要有通过求解包含全网模型的高阶非线 性微分代数方程组的全时域仿真法、以平均***频率模型和***频率响应模型(SystemFrequency Response，SFR)为代表的单机***等值法以及以直流潮流法和***方程线性化方法为代表的模型线性化方法。由于对频率动态过程中复杂非线性模型分析的精细化程度，决定了频率动态特征预测的精度，上述SFR方法在线应用时，对复杂非线性模型 大量简化以提高速度，但也导致计算精度的大幅降低。
近年来，迅速发展的机器学习理论为电力***频率特征预测提供了新技术支撑。机 器学习方法能够快速地对数据进行处理，而且在非线性拟合方面具有非常大的优势，但其实施的效果受样本质量、数量及训练算法的影响，若能在机器学习方法中引入传统的 物理模型方法作支撑，将使得电力***暂态频率特征预测的准确性和可靠性大幅提高。
发明内容
发明目的：针对以上不足，本发明提出一种基于SFR和ELM(Extreme LearningMachine，极限学习机)的电网暂态频率特征预测方法，在保留强因果关系的SFR模型 基础上，采用机器学习算法挖掘误差影响关联关系，构建基于ELM的误差校正模型， 从而提高电网暂态频率特征预测的精度。
技术方案：为实现上述目的，本发明提出基于频率变化率的电网不平衡功率计算方 法、SFR模型建立方法、ELM模型建立方法、电网暂态频率特征综合预测模型建立方 法。其中，电网不平衡功率的计算方法为：其中，ΔPall为电网的功 率不平衡量，fN为电网基准频率，Hi为发电机i的惯性时间常数；可以通过对电网 中发电机节点频率的量测信息进行计算而得到，当电网通信异常，存在频率量测信息缺 失时，以邻近发电机节点频率量测信息作为替代。
SFR模型可根据***惯性中心变换理论，对电网进行聚合简化得到，计算方法如下：
其中，SB为***基准容量，SSB为***中各发电机额定容量的和，Hi、Ri、PSPi和Pei分别为发电机i的惯性时间常数、调差系数、扰动功率和电磁功率，s为拉普拉斯算子， Δω为频率相对偏差值，FH为高压缸输出功率所占比例，TR为再热时间常数，Km是一个 系数，受***功率因数和***备用容量影响。
ELM模型的构建方法，可基于对SFR模型预测结果与实际结果的误差样本，以SFR模型的输出结果以及电网运行基本信息为输入，通过ELM算法进行训练，建立ELM模 型。
电网暂态频率特征综合预测模型，包含SFR和ELM模型，以电网不平衡功率为输入，以暂态频率关键特征为输出，包括：频率最低值、最低值时刻以及稳态频率值，其 中，ELM模型以SFR输出的暂态频率关键特征为输入，输出为校正后的暂态频率关键 特征。
基于该电网暂态频率特征综合预测模型，本发明提供一种基于SFR和ELM的电网暂态频率特征预测方法，该方法包含如下步骤：
(1)对电力***运行状态进行持续的监测，并以固定的周期采集信息；
(2)监测到扰动后，记录量测的电力***运行状态数据，更新电力***运行状态数据库；
(3)利用发电机母线PMU对频率信息进行实时量测，计算频率变化率(df/dt)并 上传至电网调控中心；
(4)电网调控中心根据所有发电机母线频率变化率和***可观性矩阵对全网功率缺额ΔP进行计算；
(5)根据全网功率缺额估计值ΔP、惯量中心参数及电网运行信息(扰动前)，利 用基于SFR和ELM的电网暂态频率特征综合预测模型，预测暂态频率特征。
有益效果：与现有技术相比，本发明具有以下有益效果：
本发明在保留强因果关系的SFR模型基础上，采用机器学习算法挖掘误差影响关联 关系，构建基于ELM的误差校正模型，能够弥补单独依靠SFR或ELM模型的电网暂 态频率特征预测方法在实际应用中的不适应性，有效提高预测结果的精度和可靠性。基 于此，本发明对扰动后电网暂态频率特征的预测，能够为构建基于在线量测的电网在线 辅助决策***提供实施依据，有助于运行人员快速、准确地制定电网集中控制措施，减 小事故扩大的风险。
附图说明
图1为本发明提出的电网暂态频率特征综合预测模型框架图；
图2为本发明的在线应用实现流程图；
图3为本发明所测试***的电力网络拓扑图；
图4为本发明与SFR模型的结果准确性对比图；
图5为本发明与SVM、ELM模型结果的RMSE指标对比图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
图1为本发明提出的电网暂态频率特征在线预测模型框架图。电网中决定***受扰 后频率响应特性的主要因素为发电机组和负荷组成的***的惯性、阻尼和调速特性，本发明中基于此建立SFR模型；而网架结构、电压无功动态特性等也对***频率态势造成 轻微影响，本发明中基于此建立基于ELM的误差校正模型。扰动事件描述、电力*** 拓扑/参数、状态数据等信息作为SFR模型的输入；选取电网运行状态量测信息，构建 基于ELM的预测误差校正模型，从而共同构成电网暂态频率特征综合预测模型。
在电网运行过程中，可能出现某节点功率发生扰动，造成电网频率发生跌落，并最终恢复至特定的水平。根据本发明的电网暂态频率特征预测方法，电网调度中心通过分 析接收到的电网频率变化数据，评估***功率缺额的大小，后将电网功率缺额与***运 行状态数据结合，利用电网暂态频率特征综合预测模型，对电网频率最低值、最低值时 刻以及稳态频率这三个关键频率特征进行预测。同时考虑到实际电网中，可能因通信中 断、异常等原因造成频率数据缺失，因此提出了通信故障时采用邻近机组频率量测信息 代替缺失数据的方法，以计算***的不平衡功率。参照图2，本发明的方法包括以下步 骤：
(1)对电力***运行状态进行持续的监测，并以固定的周期采集信息。
(2)监测到扰动后，记录量测的电力***运行状态数据，更新电力***运行状态数据库。
(3)利用发电机母线PMU对频率信息进行实时量测，计算频率变化率并上传至电网调控中心。电网频率变化率(df/dt)采用***惯量中心频率表示dfCOI/dt，当电网通信 正常时，其计算公式如下：
其中，Hi为发电机i的惯性时间常数，fi为发电机节点i的频率。当电网发生通信中断、异常，导致某些节点的频率信息无法获取时，其频率值采用临近节点的频率值等效 替代，则电网惯量中心的频率变化率可表示为：
其中，为等效电网惯量中心频率变化率，Gn为所有发电机组的集合，Hj为发 电机j的惯性时间常数，为第j台发电机组的替代频率。
(4)电网调控中心根据所有发电机母线频率变化率和***可观性矩阵对全网功率缺额进行计算，计算方法如下：
其中，ΔPall为电网的功率不平衡量，fN为电网基准频率，Hi为发电机i的惯性时间常数
(5)根据全网功率缺额估计值、惯量中心参数及扰动前的电网运行信息，利用基于SFR和ELM的电网暂态频率特征综合预测模型，预测暂态频率特征。其中，SFR模 型以电网不平衡功率为输入，以暂态频率关键特征为输出，包括：频率最低值、最低值 时刻以及稳态频率值。具体地，SFR模型根据***惯性中心变换理论，对电网进行聚合 简化，简化计算公式如下：
其中，SB为***基准容量；SSB为***中各发电机额定容量的和，Hi、Ri、PSPi和Pei分别为发电机i的惯性时间常数、调差系数、扰动功率和电磁功率；s为拉普拉斯算子， Δω为频率相对偏差值，FH为高压缸输出功率所占比例，TR为再热时间常数，Km是一个 系数，受***功率因数和***备用容量影响，通过下式计算：
其中：
Pm：***中所有发电机的机械功率输出值之和；
SBi：第i个发电机的额定输出功率；
Fpi：第i个发电机的功率因数；
Fp：等效的***功率因数，假设所有机组功率因数恒定，等效方法为
fSR：***旋转备用容量比例。
ELM模型基于对SFR模型预测结果与实际结果的误差样本，以SFR模型的输出结 果即暂态频率关键特征以及电网运行基本信息为输入，通过ELM算法进行训练，建立 ELM模型，输出校正后的暂态频率关键特征。
图3为本发明所测试的电力***网络拓扑图，包含10台发电机，46条输电线路， 采用Monte-Carlo方法生成测试所需的1080组样本，设置整体负荷水平服从某一区间均 匀分布，取值为[0.8，1.2](标幺值，下同)，同时设置所有节点注入功率服从正态分布， 取值为N(1,0.1)；为模拟不同扰动情况，设置***中除平衡节点外任意节点发生不平衡 功率扰动事件概率相同，扰动大小和持续时间分别服从[0.1,1.2]的均匀分布和N(0.1,0.03) 的正态分布。
针对图3所示电力***，在仿真平台上利用本发明的方法进行暂态频率预测，验证扰动后电网暂态频率特征预测性能。测试所用计算机配置为Inter(R)Core i5-5200U，8G，仿真软件为Matlab PST v3.0。并与SFR、SVM和ELM三种方法对比，四种方法的输入 和输出如表1所示。其中机器学习方法样本训练属于离线配置过程，不影响方法在线计 算速度。
表1四种方法的输入和输出
选用平均绝对误差(Mean Absolute Error，MAE)，平均绝对误差百分比(MeanAbsolute Percentage Error，MAPE)以及回归问题性能度量常用的均方根误差(Root-MeanSquared Error，RMSE)三个指标对各方法的预测精度进行评价。
其中D＝{(x1,y1),(x2,y2,…,(xm,ym)}为样本集，m为测试样本个数，yi是xi的真实值； f为预测方法函数。各项指标的分析结果如下：
(1)计算速度
通过数值仿真方法对测试样本的频率跌落幅值、最低频率时刻以及稳态频率偏差进 行计算，平均值为(0.565Hz，5.949s，0.233Hz)。SFR、SVM、ELM以及本发明方法的 平均计算时间为(10.84ms，3.43ms，2.50ms，6.38ms)，均满足在线预测的速度要求。
(2)MAE和MAPE指标分析
在两个算例中各随机选取一组测试结果，SFR方法与本发明方法预测结果的绝对误 差对比如图4所示。由图4可直观看出，本发明的方法针对每个测试样本的预测精度均大幅领先于SFR方法。
表2测试***各方法预测结果误差-MAE/MAPE
从上表中针对各种方法MAE/MAPE指标对比看出，基于数据模型的方法(SVM、 ELM和本发明方法)在电网频率特征预测中精度均远高于基于物理模型的SFR方法： 在对***受扰后最低频率的预测中，SFR方法误差达到了0.244Hz/0.904Hz(26.99％)， 而数据模型方法中最差(SVM)也达到了0.061Hz/0.904Hz(6.74％)。而从表中可以看 出，本发明的方法均比SVM和ELM方法具备更高精度。
(3)RMSE指标分析
针对测试***，对比SVM、ELM和本发明方法结果的RMSE指标，如图5所示。 由图5可看出，相比于SVM、ELM方法，本发明的方法的预测结果具有更高的稳定性。
(4)通信网络故障场景分析
分析***中因PMU设备故障导致实时频率信息无法量测的工况。该场景下，采用通信故障点临近PMU设备的频率量测信息，代替进行不平衡功率的计算。针对SFR方 法与本发明的方法预测结果的精度进行比较，如表3所示。
表3通信故障时，SFR模型方法与本发明方法结果比较
结合表3可以看出，通信故障使所提方法的预测精度受到影响，预测结果的误差出现小幅增加，其中最低频率预测误差增加了0.011Hz/0.565Hz(1.95％)，最低频率时刻 预测误差增加了0.033Hz/5.949Hz(0.55％)，稳态频率预测误差增加了0.004Hz/0.233Hz(1.72％)。而且，在预测结果的稳定性方面，通信故障仅使RMSE指标发生了微小增 加。因此，通信故障对本发明的方法预测性能的影响较小。
Claims (7)
1.一种基于SFR和ELM的电网暂态频率特征预测方法，其特征在于，包括如下步骤：
(1)对电力***运行状态进行持续的监测，并以固定的周期采集信息；
(2)监测到扰动后，记录量测的电力***运行状态数据，更新电力***运行状态数据库；
(3)利用发电机母线PMU对频率信息进行实时量测，计算频率变化率并上传至电网调控中心；
(4)电网调控中心根据所有发电机母线频率变化率和***可观性矩阵对全网功率缺额进行计算；
(5)根据全网功率缺额估计值、惯量中心参数及电网运行信息，利用基于SFR和ELM的电网暂态频率特征综合预测模型，预测暂态频率特征。
2.根据权利要求1所述的基于SFR和ELM的电网暂态频率特征预测方法，其特征在于，所述步骤(3)中电网频率变化率采用***惯量中心频率表示dfCOI/dt，其计算公式如下：
<mrow>
<mfrac>
<mrow>
<msub>
<mi>df</mi>
<mrow>
<mi>C</mi>
<mi>O</mi>
<mi>I</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mfrac>
<mrow>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<msub>
<mi>df</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&Sigma;H</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中，Hi为发电机i的惯性时间常数，fi为发电机节点i的频率。
3.根据权利要求2所述的基于SFR和ELM的电网暂态频率特征预测方法，其特征在于，所述步骤(3)中，当电网发生通信中断、异常，导致某些节点的频率信息无法获取时，其频率值采用临近节点的频率值等效替代，则电网惯量中心的频率变化率表示为：
<mrow>
<mfrac>
<mrow>
<mi>d</mi>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>C</mi>
<mi>O</mi>
<mi>I</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>G</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
</msub>
<mfrac>
<mrow>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<msub>
<mi>df</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mi>d</mi>
<msub>
<mover>
<mi>f</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&Sigma;H</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中，为等效电网惯量中心频率变化率，Gn为所有发电机组的集合，Hi为发电机i的惯性时间常数，fi为发电机i的频率；Hj为发电机j的惯性时间常数，为第j台发电机组的替代频率。
4.根据权利要求2所述的基于SFR和ELM的电网暂态频率特征预测方法，其特征在于，所述步骤(4)中电网的功率缺额可以通过电网惯量中心频率变化率计算，其计算公式如下：
<mrow>
<msub>
<mi>&Delta;P</mi>
<mrow>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>df</mi>
<mrow>
<mi>C</mi>
<mi>O</mi>
<mi>I</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>&Sigma;H</mi>
<mi>i</mi>
</msub>
</mrow>
<msub>
<mi>f</mi>
<mi>N</mi>
</msub>
</mfrac>
</mrow>
其中，ΔPall为电网的功率不平衡量，fN为电网基准频率。
5.根据权利要求1所述的基于SFR和ELM的电网暂态频率特征预测方法，其特征在于，所述步骤(5)中电网暂态频率特征综合预测模型，包含SFR和ELM模型，SFR模型以电网不平衡功率为输入，以暂态频率关键特征为输出，包括：频率最低值、最低值时刻以及稳态频率值；ELM模型以SFR模型输出的暂态频率关键特征为输入，输出校正后的暂态频率关键特征。
6.根据权利要求5所述的基于SFR和ELM的电网暂态频率特征预测方法，其特征在于，所述SFR模型根据***惯性中心变换理论，对电网进行聚合简化，简化计算公式如下：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>S</mi>
<mi>B</mi>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
</mrow>
</msub>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<mn>2</mn>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mi>s</mi>
<mi>&Delta;</mi>
<mi>&omega;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>K</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>F</mi>
<mi>H</mi>
</msub>
<msub>
<mi>T</mi>
<mi>R</mi>
</msub>
<mi>s</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mi>R</mi>
</msub>
<mi>s</mi>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mfrac>
<msub>
<mi>S</mi>
<mi>B</mi>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
</mrow>
</msub>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<msub>
<mi>P</mi>
<mrow>
<mi>S</mi>
<mi>P</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>S</mi>
<mi>B</mi>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
</mrow>
</msub>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>&omega;</mi>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>S</mi>
<mi>B</mi>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
</mrow>
</msub>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mi>i</mi>
</munder>
<msub>
<mi>P</mi>
<mrow>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，SB为***基准容量；SSB为***中各发电机额定容量的和，Hi、Ri、PSPi和Pei分别为发电机i的惯性时间常数、调差系数、扰动功率和电磁功率；s为拉普拉斯算子，Δω为频率相对偏差值，FH为高压缸输出功率所占比例，TR为再热时间常数，Km是一个系数，受***功率因数和***备用容量影响，通过下式计算：
<mrow>
<msub>
<mi>K</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
</mrow>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>S</mi>
<mrow>
<mi>S</mi>
<mi>B</mi>
</mrow>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>S</mi>
<mrow>
<mi>B</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mrow>
<mi>P</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>S</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中：
Pm：***中所有发电机的机械功率输出值之和；
SBi：第i个发电机的额定输出功率；
Fpi：第i个发电机的功率因数；
Fp：等效的***功率因数；
fSR：***旋转备用容量比例。
7.根据权利要求5所述的基于SFR和ELM的电网暂态频率特征预测方法，其特征在于，所述ELM模型基于对SFR模型预测结果与实际结果的误差样本，以SFR模型的输出结果以及电网运行基本信息为输入，通过ELM算法进行训练，建立ELM模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711421134.0A CN108075470A (zh) | 2017-12-25 | 2017-12-25 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711421134.0A CN108075470A (zh) | 2017-12-25 | 2017-12-25 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108075470A true CN108075470A (zh) | 2018-05-25 |
Family
ID=62155938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711421134.0A Pending CN108075470A (zh) | 2017-12-25 | 2017-12-25 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108075470A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109462233A (zh) * | 2018-11-23 | 2019-03-12 | 国网河南省电力公司电力科学研究院 | 面向大功率缺失的电网频率安全程度划分方法及装置 |
| CN109787236A (zh) * | 2019-01-28 | 2019-05-21 | 云南电网有限责任公司 | 一种基于深度学习的电力***频率态势预测方法 |
| CN110752608A (zh) * | 2019-10-18 | 2020-02-04 | 南方电网科学研究院有限责任公司 | 水电机组调速***pid参数切换方法、装置及存储介质 |
| CN111046633A (zh) * | 2019-12-05 | 2020-04-21 | 国家电网公司西北分部 | 一种基于lstm的电网一次调频数据预测方法及装置 |
| CN112183641A (zh) * | 2020-09-29 | 2021-01-05 | 国网四川省电力公司经济技术研究院 | 融合预估-校正深度学习的暂态频率稳定评估方法及*** |
| CN112821424A (zh) * | 2021-01-29 | 2021-05-18 | 国网辽宁省电力有限公司大连供电公司 | 一种基于数据-模型融合驱动的电力***频率响应分析方法 |
| CN113067352A (zh) * | 2021-03-31 | 2021-07-02 | 东南大学 | 一种基于eeac和elm的电网临界切除时间预测方法 |
| CN113541135A (zh) * | 2021-07-23 | 2021-10-22 | 哈尔滨工业大学 | 以暂态频率跌落基准轨迹为统一尺度的广义惯性测度方法 |
| CN113837423A (zh) * | 2020-06-24 | 2021-12-24 | 国家电网有限公司华东分部 | 基于能源互联网电力大数据的电网运行态势预测方法 |
| CN114243772A (zh) * | 2021-12-13 | 2022-03-25 | 广东电网有限责任公司 | 基于降阶模型的风机机群分析方法及装置 |
| CN114725939A (zh) * | 2022-05-31 | 2022-07-08 | 中国电力科学研究院有限公司 | 一种确定电网***可承受的最大扰动功率的方法及*** |
-
2017
- 2017-12-25 CN CN201711421134.0A patent/CN108075470A/zh active Pending
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109462233B (zh) * | 2018-11-23 | 2022-01-28 | 国网河南省电力公司电力科学研究院 | 面向大功率缺失的电网频率安全程度划分方法及装置 |
| CN109462233A (zh) * | 2018-11-23 | 2019-03-12 | 国网河南省电力公司电力科学研究院 | 面向大功率缺失的电网频率安全程度划分方法及装置 |
| CN109787236A (zh) * | 2019-01-28 | 2019-05-21 | 云南电网有限责任公司 | 一种基于深度学习的电力***频率态势预测方法 |
| CN110752608A (zh) * | 2019-10-18 | 2020-02-04 | 南方电网科学研究院有限责任公司 | 水电机组调速***pid参数切换方法、装置及存储介质 |
| CN110752608B (zh) * | 2019-10-18 | 2021-05-14 | 南方电网科学研究院有限责任公司 | 水电机组调速***pid参数切换方法、装置及存储介质 |
| CN111046633A (zh) * | 2019-12-05 | 2020-04-21 | 国家电网公司西北分部 | 一种基于lstm的电网一次调频数据预测方法及装置 |
| CN113837423A (zh) * | 2020-06-24 | 2021-12-24 | 国家电网有限公司华东分部 | 基于能源互联网电力大数据的电网运行态势预测方法 |
| CN112183641A (zh) * | 2020-09-29 | 2021-01-05 | 国网四川省电力公司经济技术研究院 | 融合预估-校正深度学习的暂态频率稳定评估方法及*** |
| CN112821424A (zh) * | 2021-01-29 | 2021-05-18 | 国网辽宁省电力有限公司大连供电公司 | 一种基于数据-模型融合驱动的电力***频率响应分析方法 |
| CN112821424B (zh) * | 2021-01-29 | 2023-07-14 | 国网辽宁省电力有限公司大连供电公司 | 一种基于数据-模型融合驱动的电力***频率响应分析方法 |
| CN113067352B (zh) * | 2021-03-31 | 2022-07-05 | 东南大学 | 一种基于eeac和elm的电网临界切除时间预测方法 |
| CN113067352A (zh) * | 2021-03-31 | 2021-07-02 | 东南大学 | 一种基于eeac和elm的电网临界切除时间预测方法 |
| CN113541135A (zh) * | 2021-07-23 | 2021-10-22 | 哈尔滨工业大学 | 以暂态频率跌落基准轨迹为统一尺度的广义惯性测度方法 |
| CN114243772A (zh) * | 2021-12-13 | 2022-03-25 | 广东电网有限责任公司 | 基于降阶模型的风机机群分析方法及装置 |
| CN114243772B (zh) * | 2021-12-13 | 2024-01-19 | 广东电网有限责任公司 | 基于降阶模型的风机机群分析方法及装置 |
| CN114725939A (zh) * | 2022-05-31 | 2022-07-08 | 中国电力科学研究院有限公司 | 一种确定电网***可承受的最大扰动功率的方法及*** |
| CN114725939B (zh) * | 2022-05-31 | 2022-08-16 | 中国电力科学研究院有限公司 | 一种确定电网***可承受的最大扰动功率的方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108075470A (zh) | 一种基于sfr和elm的电网暂态频率特征预测方法 | |
| CN102868161B (zh) | 一种含分布式电源配电***网络变结构优化方法 | |
| CN109993665B (zh) | 电力***在线安全稳定评估方法、装置及*** | |
| CN102510060B (zh) | 一种电力***频率特性系数的计算方法 | |
| EP3764109A1 (en) | A method for evaluating frequency regulation in an electrical grid | |
| WO2023074321A1 (ja) | 電力系統の慣性把握装置および方法 | |
| CN109559019A (zh) | 一种基于风险指数的电力***动态安全评估方法 | |
| Wang et al. | A review of power system transient stability analysis and assessment | |
| Wang et al. | A three-machine equivalent system frequency response model and its closed-form solution | |
| CN103344881A (zh) | 基于组合型交叉熵算法的电网故障诊断方法 | |
| CN105610161A (zh) | 一种基于动态阻抗的电力***稳定特性评估方法 | |
| CN103606952B (zh) | 一种基于***加速能量的切机控制措施量化方法 | |
| He et al. | Power system frequency situation prediction method based on transfer learning | |
| CN110751328A (zh) | 基于联合加权熵的高比例可再生能源电网适应性规划方法 | |
| CN115775107A (zh) | 一种考虑连锁故障的电网信息物理***风险评估方法 | |
| Chen et al. | Aggregated frequency response model of regional system considering load frequency behaviors | |
| Balasubramaniam et al. | Cellular neural network based situational awareness system for power grids | |
| CN114139812A (zh) | 一种用于次同步振荡监测的监测装置优化配置方法 | |
| CN114186756A (zh) | 一种配电网终端蓄电池储能容量预测方法 | |
| Shan et al. | Evaluation of the inertia distribution performance for multi-machine power system | |
| Du et al. | Evaluation of power system reliability based on the maintenance state | |
| Jabari et al. | Stochastic contingency analysis based on voltage stability assessment in islanded power system considering load uncertainty using MCS and k-PEM | |
| Hou et al. | A Review on Dynamic Analysis Methods of Power System Frequency | |
| Wen et al. | A TOPSIS-Based Vulnerability Assessment Method of Distribution Network Considering Network Topology and Operation Status | |
| Li et al. | Real-time monitoring of long-term voltage stability via local linear regression |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180525 |