CN114139809A - 基于XGBoost电力***动态频率响应曲线预测方法及*** - Google Patents
基于XGBoost电力***动态频率响应曲线预测方法及*** Download PDFInfo
- Publication number
- CN114139809A CN114139809A CN202111464332.1A CN202111464332A CN114139809A CN 114139809 A CN114139809 A CN 114139809A CN 202111464332 A CN202111464332 A CN 202111464332A CN 114139809 A CN114139809 A CN 114139809A
- Authority
- CN
- China
- Prior art keywords
- frequency response
- response curve
- xgboost
- predictor
- module
- 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
- 230000004044 response Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computational Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种基于XGBoost电力***动态频率响应曲线预测方法及***,其方法步骤为:首先,基于海量预想故障场景的模拟结果获取多样化数据库,并将多样化数据库随机划分为训练数据集和测试数据集,分别对两个数据集进行归一化处理;其次,基于XGBoost集成学习模型构建频率响应曲线预测器,并利用贝叶斯优化模型确定最佳超参数;最后,利用训练数据集对频率响应曲线预测器进行迭代学习,并利用训练好的频率响应曲线预测器对给定预想故障或当前运行状态下的***动态频率响应进行在线评估。本发明XGBoost模型降低了对样本的依赖性;通过贝叶斯优化实现XGBoost模型中超参数的自动调优,实现了扰动事件下整条频率响应曲线的预测。
Description
技术领域
本发明涉及电力***安全技术领域,特别是指一种基于XGBoost电力***动态频率响应曲线预测方法及***。
背景技术
随着风电、光伏等新能源机组高比例并网和煤电机组规模化退役,具有转动惯量的常规同步电源开机容量被不断替代,电力***惯量水平大幅降低、频率调整能力弱化。同时,大容量特高压直流输电的馈入致使单条直流闭锁后带来巨量有功冲击,造成电力***频率安全风险进一步增大。近年来,英国电网“8·9”、澳大利亚“9·28”等大停电事故引起国内外研究机构对电力***频率稳定问题的高度关注。
在电力***规划和运行中往往需要对大量预想有功扰动故障(机组跳闸、直流闭锁、新能源脱网等)进行分析,根据***在故障后的频率响应性能验证规划方案或运行方式应对大容量有功冲击的适应性,以辅助制定频率安全控制措施。目前,实际电力***中尚无广泛应用的在线频率稳定评估工具,仍然依赖基于全模型时域仿真的离线分析方式,常用的软件包括PSASP、PSD-BPA、PSS/E等。全模型时域仿真可计及各类型机组的复杂控制特性和负荷详细模型,生成的频率曲线精度较高。然而,全模型时域仿真建模难度大、计算复杂度高、运算时间长,难以实现在线应用。等值模型法仅考虑一次调频过程,并只保留机组的“原动机-调速器”部分,将***简化等值为单机模型,其优点是极大加快了运算速度,但结果精度低,不适用于实际电网频率响应计算。
近年来,人工智能技术的理论日渐成熟,引起了相关学者的关注,而其中的深度学习技术在研究领域被广泛运用于频率响应预测。利用深度学习方法进行动态频率响应预测的本质是建立样本输入数据与输出频率指标之间的非线性映射关系,具有极强的样本依赖性。为实现深度学习网络对频率指标的精确预测,需有丰富和充足的扰动事件下***动态频率响应样本以训练深度学习模型。然而,电力***实际运行中所发生有功扰动呈现出故障类型少、有功扰动大小范围窄的特点,尤其是有记录的大容量有功扰动历史事件的数目极少。因而,为了提高有功扰动故障覆盖范围、丰富样本数据库,在兼顾历史数据库的基础上仍然需要利用全模型时域仿真软件得到大量的预想有功扰动频率响应数据集,这极大地限制了深度学习的推广应用。随着电力***规模的不断扩大,进行一次全模型时域仿真的时间骤然增加,执行一次仿真往往需要耗时几分钟,构建大量的样本数据库极为耗时。若一种智能化评估方法在少量稀疏样本下也具有较高准确性,将可以有效节省建立离线样本数据库的时间,提高总体效率。
发明内容
针对上述背景技术中存在的不足,本发明提出了一种基于XGBoost电力***动态频率响应曲线预测方法及***,解决了深度学习样本依赖性强、离线训练速度慢的技术问题。
本发明的技术方案是这样实现的:
一种基于XGBoost电力***动态频率响应曲线预测方法,其步骤如下:
S1,基于海量预想故障场景的模拟结果获取离线训练的多样化数据库;
S2,基于XGBoost集成学习模型构建频率响应曲线预测器;
S3,将离线训练的多样化数据库随机划分为训练数据集和测试数据集,并分别对训练数据集和测试数据集进行归一化处理;
S4,利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数;
S5,将最佳超参数传递给频率响应曲线预测器,并利用归一化处理后的训练数据集对频率响应曲线预测器进行迭代学习,得到训练完成的频率响应曲线预测器;
S6,利用训练完成的频率响应曲线预测器对给定预想故障或当前运行状态下的***动态频率响应进行在线评估。
所述海量预想故障场景包括新能源脱网故障、大容量机组跳闸故障和直流闭锁故障。
所述多样化数据库中的数据包括输入特征和对应的输出动态频率响应值,其中,输入特征为机组惯性时间常数、机组开停机状态、有功功率扰动量、故障位置、机组单位调节功率以及旋转备用水平。
所述对应的输出动态频率响应值是采用惯性中心频率表征全局状态下的***频率动态响应,具体公式为:
式中,fCOI表示惯性中心频率;fi为发电机节点i的频率;Hi为第i台机组的惯性时间常数;n为正在运行的同步机组个数。
所述利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数的方法为:
S41,设置XGBoost算法中超参数的寻优范围;其中,超参数包括树的数目、正则化系数和学习率;
S42,设置贝叶斯优化的目标函数及迭代次数;
S43,输出预设迭代次数范围内的目标函数最优值及其对应的超参数的数值。
所述贝叶斯优化的目标函数为:
式中:α为输入超参数向量,χ表示决策空间,f(α)为目标函数。
在步骤S43中,贝叶斯优化算法的具体计算过程如下:
S43.1:给定观测值α,使用GP模型更新f(α)的后验期望值;
S43.2:利用最大化采集函数选取下一个采集点αt+1;
S43.3:计算点αt+1的f(α)值;
S43.4:重复上述步骤直至达到设置的迭代次数,或者直到收敛为止。
目标函数f(α)为不同参数XGBoost测试的预测精度,将XGBoost的超参数作为目标函数f(α)的输入数据,并选择MAPE函数的最小值作为优化目标;
所述训练完成的频率响应曲线预测器为:
一种基于XGBoost电力***动态频率响应曲线预测***,包括数据库构建模块、数据归一化模块、频率响应曲线预测器建立模块、基于贝叶斯优化的调参模块、频率响应曲线预测器离线训练模块、频率响应曲线预测器在线预测模块,所述数据库构建模块与数据归一化模块相连接,数据归一化模块分别与基于贝叶斯优化的调参模块、频率响应曲线预测器离线训练模块和频率响应曲线预测器在线预测模块相连接,频率响应曲线预测器建立模块与基于贝叶斯优化的调参模块相连接,且频率响应曲线预测器离线训练模块与频率响应曲线预测器在线预测模块相连接。
与现有技术相比,本发明产生的有益效果为:本发明可实现频率响应曲线在线预测;XGBoost采用串行集成多棵回归树的高效集成学习方式,输出多样性增加,可降低对样本的依赖性;为避免传统人工调参方式的低效性和非最优性,基于贝叶斯优化实现对XGBoost模型中超参数的自动调优;除可输出最大频率变化率、频率极值、准稳态频率等典型指标外,本发明所提出方法也能实现扰动事件下整条频率响应曲线的预测,更具实用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为基于XGBoost的电力***动态频率响应曲线预测框架图。
图2为动态频率响应曲线预测流程图。
图3为XGBoost所得扰动故障频率曲线预测图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1,如图1所示,一种基于XGBoost电力***动态频率响应曲线预测方法,其步骤如下:
S1,基于海量预想故障场景的模拟结果获取离线训练的多样化数据库;其中,海量预想故障场景包括新能源脱网故障、大容量机组跳闸故障和直流闭锁故障。所述多样化数据库中的数据包括输入特征和对应的输出动态频率响应值,其中,输入特征为机组惯性时间常数、机组开停机状态、有功功率扰动量、故障位置、机组单位调节功率以及旋转备用水平。
所述对应的输出动态频率响应值是采用惯性中心频率表征全局状态下的***频率动态响应,具体公式为:
式中,fCOI表示惯性中心频率;fi为发电机节点i的频率;Hi为第i台机组的惯性时间常数;n为正在运行的同步机组个数。
S2,基于XGBoost集成学习模型构建频率响应曲线预测器;
将XGBoost与电力***动态频率响应快速智能化评估需求相结合,XGBoost算法具体的方法原理描述如下:
数据集D={(xi',yi')},数据集包含N个样本,每个样本的特征数量为m,输入特征变量和对应目标值分别为xi'、yi'。假设有K棵回归树,则XGBoost模型为:
式中:fk(xi')代表第k棵树对第i'个样本的计算结果。XGBoost的目标函数如下:
式中:γ为叶子结点的惩罚系数;λ为正则项系数;T和w分别表示第k棵树的叶子数目和叶子权重。
对上式使用二阶泰勒展开,简化该函数后去掉常数项得到下式:
式中:Ij代表叶子j的样本组。假设树的结构q固定,可以计算出叶子j的最优权重为:
然后计算出相应的最优目标值为:
S3,将离线训练的多样化数据库随机划分为训练数据集和测试数据集,并分别对训练数据集和测试数据集进行归一化处理;
S4,利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数;利用XGBoost实现电力***频率响应性能智能化评估的基础是设置好树的数目、正则化系数、学习率等超参数。正则化系数衡量了抑制模型过拟合的程度,树的数目、最大深度和学习率影响模型训练速度和预测精度。为了避免人工调参的低效性和非最优性,提高频率指标预测的准确性,本发明引入贝叶斯优化,实现XGBoost模型中超参数的自动调优。
所述利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数的方法为:
S41,设置XGBoost算法中超参数的寻优范围;其中,超参数包括树的数目、正则化系数和学习率;
S42,设置贝叶斯优化的目标函数及迭代次数;贝叶斯优化(BayesianOptimization,BO)是一种十分有效的全局优化算法,其目标是找到下式的全局最优解:所述贝叶斯优化的目标函数为:
式中:α为输入超参数向量,χ表示决策空间,f(α)为目标函数。
S43,输出预设迭代次数范围内的目标函数最优值及其对应的超参数的数值。
贝叶斯优化框架主要包含两个核心部分—非参数高斯过程(Gaussian Process,GP)和采集函数(Acquisition Function,AF)。在步骤S43中,贝叶斯优化算法的具体计算过程如下:
S43.1:给定观测值α,使用GP模型更新f(α)的后验期望值;
S43.2:利用最大化采集函数选取下一个采集点αt+1;
S43.3:计算点αt+1的f(α)值;
S43.4:重复上述步骤直至达到设置的迭代次数,或者直到收敛为止。
目标函数f(α)为不同参数XGBoost测试的预测精度,将XGBoost的超参数(树的数目、正则化系数、学习率等超参数)作为目标函数f(α)的输入数据,并选择MAPE函数的最小值作为优化目标;
S5,将最佳超参数传递给频率响应曲线预测器,并利用归一化处理后的训练数据集对频率响应曲线预测器进行迭代学习,得到训练完成的频率响应曲线预测器;
为使XGBoost输出动态频率响应曲线,在离线训练时每隔一定周波(如20周波)获取频率样本曲线中的一个频率点d,将相应信息作为XGBoost模型的输入和输出数据,如图2所示。此外,针对每一个频率采样点都需要建立对应的XGBoost预测模型。采用并行方式训练多个XGBoost模型。对于每一个XGBoost模型,根据目标函数进行迭代学习。训练结束后,若XGBoost模型得到树的棵数为K,则训练完成的频率响应曲线预测器为:
基于所得到的电力***动态频率响应曲线,可从中提取最大频率变化率RoCoFmax、频率极值fnadir、准稳态频率fss等典型分析指标,辅助调度运行人员判断***频率稳定性。
S6,利用训练完成的频率响应曲线预测器对给定预想故障或当前运行状态下的***动态频率响应进行在线评估。
为了验证本发明的可行性以及有效性,在某省级电网上开展算例分析。
XGBoost模型的重要超参数为:树的数目、树的最大深度、正则化系数和学习率,它们对模型的预测性能有显著影响。为分析贝叶斯优化调参的优越性,与枚举法调参进行对比,结果如表1所示。可见,贝叶斯优化与枚举法确定超参数所得的MAPE值都是十分优异的。然而,贝叶斯优化调参所需时间仅为32.15s,为枚举法调参的2.05%,极大地缩减了离线训练过程中XGBoost模型超参数寻优所花的时间,有利于滚动预测频率动态曲线时模型的在线快速更新。
表1基于不同方法调参的测试结果
表2比较了不同训练样本数量对XGBoost和深度学习方法(堆栈降噪自动编码器SDAE、深度置信网络DBN)预测性能的影响。可见,随着训练样本数目的减少,预测频率指标的MAPE上升,预测精度下降。原因在于在算例中考虑的是大扰动故障,有功扰动变化范围广,扰动后频率变化差异大。随着训练数据样本的减少,样本的丰富性显著降低,基于机器学习构建优异的输入特征与频率响应的映射关系难度增大。相比于深度学习方法,稀疏样本下,基于XGBoost所得频率指标的MAPE明显低于深度学习方法,说明XGBoost方法样本依赖性低,具有更好的泛化能力,有利于降低离线样本获取时间,大幅提高频率稳定评估的效率。以频率极值为例,在1300个训练样本下,基于SDAE的准稳态频率MAPE为10.37%,而XGBoost仅需要约1000个训练样本便可达到该MAPE(9.13%),减少了300次时域仿真,节省约13.90小时的离线仿真时间。
表2不同训练样本数目下XGBoost和深度学习方法所得结果的MAPE
图3显示了某地区2500MW电源跳闸故障(3台机组跳闸)下XGBoost算法所得动态频率曲线。可知,XGBoost算法所得频率曲线十分接近真实频率曲线,进一步验证了XGBoost的预测性能。
实施例2,一种基于XGBoost电力***动态频率响应曲线预测***,包括数据库构建模块、数据归一化模块、频率响应曲线预测器建立模块、基于贝叶斯优化的调参模块、频率响应曲线预测器离线训练模块、频率响应曲线预测器在线预测模块,所述数据库构建模块与数据归一化模块相连接,数据归一化模块分别与基于贝叶斯优化的调参模块、频率响应曲线预测器离线训练模块和频率响应曲线预测器在线预测模块相连接,频率响应曲线预测器建立模块与基于贝叶斯优化的调参模块相连接,且频率响应曲线预测器离线训练模块与频率响应曲线预测器在线预测模块相连接。
实施例2的工作原理为:获取离线训练的多样化数据库;基于XGBoost集成学习模型构建频率响应曲线预测器;利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数;将最佳超参数传递给频率响应曲线预测器,并利用归一化处理后的数据集对频率响应曲线预测器进行迭代学习,得到训练完成的频率响应曲线预测器;利用训练完成的频率响应曲线预测器对给定预想故障或当前运行状态下的***动态频率响应进行在线评估。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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。
Claims (10)
1.一种基于XGBoost电力***动态频率响应曲线预测方法,其特征在于,其步骤如下:
S1,基于海量预想故障场景的模拟结果获取离线训练的多样化数据库;
S2,基于XGBoost集成学习模型构建频率响应曲线预测器;
S3,将离线训练的多样化数据库随机划分为训练数据集和测试数据集,并分别对训练数据集和测试数据集进行归一化处理;
S4,利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数;
S5,将最佳超参数传递给频率响应曲线预测器,并利用归一化处理后的训练数据集对频率响应曲线预测器进行迭代学习,得到训练完成的频率响应曲线预测器;
S6,利用训练完成的频率响应曲线预测器对给定预想故障或当前运行状态下的***动态频率响应进行在线评估。
2.根据权利要求1所述的基于XGBoost电力***动态频率响应曲线预测方法,其特征在于,所述海量预想故障场景包括新能源脱网故障、大容量机组跳闸故障和直流闭锁故障。
3.根据权利要求1或2所述的基于XGBoost电力***动态频率响应曲线预测方法,其特征在于,所述多样化数据库中的数据包括输入特征和对应的输出动态频率响应值,其中,输入特征为机组惯性时间常数、机组开停机状态、有功功率扰动量、故障位置、机组单位调节功率以及旋转备用水平。
5.根据权利要求1所述的基于XGBoost电力***动态频率响应曲线预测方法,其特征在于,所述利用贝叶斯优化模型确定频率响应曲线预测器的最佳超参数的方法为:
S41,设置XGBoost算法中超参数的寻优范围;其中,超参数包括树的数目、正则化系数和学习率;
S42,设置贝叶斯优化的目标函数及迭代次数;
S43,输出预设迭代次数范围内的目标函数最优值及其对应的超参数的数值。
7.根据权利要求6所述的基于XGBoost电力***动态频率响应曲线预测方法,其特征在于,在步骤S43中,贝叶斯优化算法的具体计算过程如下:
S43.1:给定观测值α,使用GP模型更新f(α)的后验期望值;
S43.2:利用最大化采集函数选取下一个采集点αt+1;
S43.3:计算点αt+1的f(α)值;
S43.4:重复上述步骤直至达到设置的迭代次数,或者直到收敛为止。
10.一种如权利要求1-9任一项所述的基于XGBoost电力***动态频率响应曲线预测***,其特征在于,包括数据库构建模块、数据归一化模块、频率响应曲线预测器建立模块、基于贝叶斯优化的调参模块、频率响应曲线预测器离线训练模块、频率响应曲线预测器在线预测模块,所述数据库构建模块与数据归一化模块相连接,数据归一化模块分别与基于贝叶斯优化的调参模块、频率响应曲线预测器离线训练模块和频率响应曲线预测器在线预测模块相连接,频率响应曲线预测器建立模块与基于贝叶斯优化的调参模块相连接,且频率响应曲线预测器离线训练模块与频率响应曲线预测器在线预测模块相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111464332.1A CN114139809A (zh) | 2021-12-03 | 2021-12-03 | 基于XGBoost电力***动态频率响应曲线预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111464332.1A CN114139809A (zh) | 2021-12-03 | 2021-12-03 | 基于XGBoost电力***动态频率响应曲线预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139809A true CN114139809A (zh) | 2022-03-04 |
Family
ID=80387464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111464332.1A Pending CN114139809A (zh) | 2021-12-03 | 2021-12-03 | 基于XGBoost电力***动态频率响应曲线预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216846A (zh) * | 2023-09-12 | 2023-12-12 | 华南理工大学 | 钢筋混凝土构件滞回曲线预测方法、***、设备及介质 |
-
2021
- 2021-12-03 CN CN202111464332.1A patent/CN114139809A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216846A (zh) * | 2023-09-12 | 2023-12-12 | 华南理工大学 | 钢筋混凝土构件滞回曲线预测方法、***、设备及介质 |
CN117216846B (zh) * | 2023-09-12 | 2024-04-19 | 华南理工大学 | 钢筋混凝土构件滞回曲线预测方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
Miranian et al. | Nonlinear power system load identification using local model networks | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN112310980B (zh) | 交直流混联电网直流闭锁频率安全稳定评估方法及*** | |
CN112785027A (zh) | 风光储联合发电***置信容量评估方法及*** | |
CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及*** | |
CN106451418A (zh) | 光伏电站的在线分群等值建模方法 | |
CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
CN114139809A (zh) | 基于XGBoost电力***动态频率响应曲线预测方法及*** | |
CN112821420B (zh) | 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及*** | |
CN116526478B (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及*** | |
CN117318018A (zh) | 一种风电出力短期预测方法及*** | |
CN116663889A (zh) | 一种基于改进高斯模型的新型电力***风险评估方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN114915030A (zh) | 一种基于配电网运行拓扑的分布式状态估计方法及*** | |
Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
He et al. | Fault Causes Identification of Transmission Lines Based on Weighted Naive Bayes Classification Algorithm Combined with Complex Algorithm | |
Guan et al. | Scenario generation of wind power based on longitudinal-horizontal clustering strategy | |
Lv et al. | An Integrated Method for Day-ahead Photovoltaic Power Prediction Considering Error Correction Strategy | |
Zheng et al. | Multi-layer double deep Q network for active distribution network equivalent modeling with internal identification for EV loads | |
Tang et al. | Power system inertia estimation based on 1-dimensional deep convolution neural network | |
Hu et al. | Short-term Wind Power Prediction Based on Whale Algorithm Optimization and Attention Mechanism of BiLSTM Neural Network | |
Mahmood et al. | Wind Energy Output Prediction Model Based on DPSO-BP Neural Network | |
Chang et al. | An Emergency Load Shedding Optimization Algorithm Based on Differential Evolution Driven by Deep Transfer Learning |
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 |