基于长短期记忆神经网络的检修态电网低频振荡风险预测方法

doi:10.12096/j.2096-4528.pgt.22152

基于长短期记忆神经网络的检修态电网低频振荡风险预测方法

付红军¹, 朱劭璇², 王步华¹, 谢岩², 熊浩清¹, 唐晓骏², 杜晓勇¹, 李程昊³, 李晓萌³

1.国网河南省电力公司，河南省郑州市 450052

2.中国电力科学研究院有限公司，北京市海淀区 100192

3.国网河南省电力公司电力科学研究院，河南省郑州市 450052

Risk Prediction Method of Low Frequency Oscillation in Maintenance Power Network Based on Long Short Term Memory Neural Network

FU Hongjun¹, ZHU Shaoxuan², WANG Buhua¹, XIE Yan², XIONG Haoqing¹, TANG Xiaojun², DU Xiaoyong¹, LI Chenghao³, LI Xiaomeng³

1.State Grid Henan Electric Power Company, Zhengzhou 450052, Henan Province, China

2.China Electric Power Research Institute, Haidian District, Beijing 100192, China

3.Electric Power Research Institute of State Grid Henan Electric Power Company, Zhengzhou 450052, Henan Province, China

收稿日期: 2023-05-05

基金资助:

国网河南省电力公司科技项目. 5217022000A8

Received: 2023-05-05

作者简介 About authors

付红军(1968)，男，教授级高工，研究方向为电力系统运行与控制，新能源发电及并网，电力储能应用；

朱劭璇(1989)，男，博士，工程师，研究方向为电力系统稳定分析与控制，本文通信作者，1024792840@qq.com。

摘要

随着电网规模扩大和电力元件不断增加，电力系统检修方式变得日趋复杂，仅依靠传统方法难以对海量检修方式下电网的低频振荡风险进行评估。针对此问题，提出了一种基于长短期记忆(long short term memory，LSTM)神经网络的检修态电网低频振荡风险预测方法。首先，提出了电力系统检修方式的统一编码方法，使计算机能够快速、准确识别电网在各种检修方式下的运行状态；然后，基于同步相量测量单元(phasor measurement unit，PMU)实时测量的电网历史运行数据，利用LSTM神经网络对不同检修方式下电网的低频振荡次数进行预测，从而评估检修态电网发生低频振荡的风险；最后，以华中地区某省级电网为算例，验证了所提方法的准确性和快速性。

关键词： 电力系统 ; 检修方式 ; 计算机编码 ; 低频振荡 ; 风险预测 ; 长短期记忆(LSTM)

Abstract

With the expansion of power grid scale and the increase of power components, the maintenance methods of power system become more and more complex. It is difficult to evaluate the low-frequency oscillation risk of power grid under massive maintenance only by traditional methods. To solve this problem, a risk prediction method of low-frequency oscillation in maintenance power network based on long short term memory (LSTM) neural network was proposed. Firstly, the unified coding method of power system maintenance mode was proposed, so that the computer can quickly and accurately identify the operation state of power grid under various maintenance modes. Then, based on the historical data measured in real time by phasor measurement unit (PMU), the number of low-frequency oscillation of power grid under different maintenance modes was predicted by using LSTM neural network, so as to evaluate the risk of low-frequency oscillation of power grid under maintenance. Finally, a regional power grid in central China was taken as an example to verify the accuracy and rapidity of the proposed method.

Keywords： power system ; maintenance method ; computer coding ; low frequency oscillation ; risk prediction ; long short term memory (LSTM)

PDF (1114KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

付红军, 朱劭璇, 王步华, 谢岩, 熊浩清, 唐晓骏, 杜晓勇, 李程昊, 李晓萌. 基于长短期记忆神经网络的检修态电网低频振荡风险预测方法. 发电技术[J], 2024, 45(2): 353-362 DOI:10.12096/j.2096-4528.pgt.22152

FU Hongjun, ZHU Shaoxuan, WANG Buhua, XIE Yan, XIONG Haoqing, TANG Xiaojun, DU Xiaoyong, LI Chenghao, LI Xiaomeng. Risk Prediction Method of Low Frequency Oscillation in Maintenance Power Network Based on Long Short Term Memory Neural Network. Power Generation Technology[J], 2024, 45(2): 353-362 DOI:10.12096/j.2096-4528.pgt.22152

0 引言

电力系统检修方案的制定关系到电网安全稳定运行和社会经济发展，历来受到各国电力公司的高度关注。随着特高压交直流电网的快速发展，我国电力系统资源优化配置能力显著提高，交直流混联运行局面已经形成。电网规模的增大在极大提高资源配置能力的同时，也造成电网检修方案制定日趋复杂。检修状态下，电网的拓扑结构、潮流分布、送受端电气距离等均发生变化，导致电网低频振荡特性改变^[1-2]，如何对海量检修方式下电网的低频振荡风险进行快速评估，进而指导电力系统检修方案的制定，是电网安全稳定运行亟待解决的问题。

目前，国内外对低频振荡发生机制的研究主要集中在负阻尼机制^[3-7]和强迫振荡机制^[8-10]两方面。文献[3]提出了阻尼转矩分析法，证明了低频功率振荡与发电机负阻尼密切相关，为电力系统低频振荡研究奠定了基础。文献[6-7]发现某些低频振荡形式与传统负阻尼振荡不同，进一步提出了强迫振荡机制，指出当扰动频率接近于系统固有频率时，会导致系统出现大幅度的功率振荡。针对低频振荡的分析方法主要包括以阻尼转矩分析法^[3]、特征值分析法^[9-10]为代表的理论分析法和以傅里叶算法^[11-12]、Prony算法^[13-14]等为代表的实验分析法。此外，随着广域测量系统及同步相量测量装置(phasor measurement unit，PMU)在电网的推广应用，基于电网实时测量数据的振荡参数在线辨识方法正逐步成为研究热点^[15-17]。然而，现有低频振荡分析方法主要针对电网的某一运行方式展开计算，而对于不同检修运行方式下电网低频振荡的发生规律缺乏探讨，当面对大电网海量检修方式时，难以对电网低频振荡风险进行快速、准确评估。

随着电网复杂程度增加及海量电力大数据融入，人工智能算法不依赖电网物理模型、善于挖掘数据规律的优势逐渐体现出来^[18-20]。目前基于人工智能的电力系统振荡风险分析和溯源已取得一定研究成果。在振荡参数分析方面，文献[21-22]分别将人工神经网络与传统Prony算法和傅里叶算法相结合，相较于传统算法，提高了计算稳定度且具备较好的抗噪性能。文献[23-25]分别利用朴素贝叶斯和随机森林分类器对振荡频率和衰减因子等参数进行标签分类，实现了系统功率振荡的快速准确检测。在振荡源定位方面，文献[25]将发生振荡时的量测数据转化为基于特征椭球的高维空间特征，并采用决策树来实现扰动源的定位。文献[26]在考虑系统变化和量测误差的情况下，采用集成学习方法对强迫振荡扰动源进行了准确定位。上述研究在针对某些特定运行方式下电网的振荡分析中取得了较好的效果，但当电网处于不同检修状态，拓扑结构发生较大变化时，上述方法的适应性和准确性有待进一步分析确认。

深度学习是近年来人工智能算法发展出的一条重要分支，其强大的非线性映射和特征提取能力得到了广泛的应用并且效果显著^[27-33]。目前已有研究将深度学习技术应用于电力系统振荡分析领域，并取得了一定成果。文献[34-35]利用卷积神经网络对低频振荡的振荡模式和参数进行评估，取得了一定效果，但卷积神经网络在面对长序列数据时易出现梯度爆炸或消失的问题，可能降低分析结果的准确性。文献[36]利用长短期记忆(long short term memory，LSTM)神经网络对振荡源进行定位，具有较高的定位精度且具有一定的抗噪能力。但上述研究仍只基于电网的正常运行方式进行讨论，未能对不同检修状态下电网的振荡风险进行评估。

基于上述背景，本文提出了一种基于LSTM的检修态电网振荡风险预测方法，能够快速、准确识别电网在各种检修方式下的运行状态。

1 检修方式下电力系统的统一编码方法

实际电力系统中线路、变压器等元件设备数目庞大，当不同数量设备进行检修时，其排列组合情况将是海量的，为使计算机能够理解不同检修方式下电网的拓扑结构和运行状态，需要制定检修方式下电力系统的统一编码方法。

1.1 检修态电网拓扑结构编码规则

假设待研究电网中包含n个母线节点、m条支路。首先分别对n个母线节点和m条支路进行数字编号，然后利用不同母线节点之间连接的并联线路回数，构建网络拓扑矩阵 V ：

V_{i j} = \{\begin{array}{l} w_{k}, 当母 线 i 和 j 之间 有线 路连 接时 \\ 0, 当母 线 i 和 j 之间 无线 路连 接时 \end{array}

(1)

式中：k为支路编号；i和j为支路k两端母线编号；V_ij 为矩阵 V 中第i行第j列对应的元素；w_k 为支路k的并联线路回数。

以图1所示简单系统为例，其网络拓扑矩阵 V 为

(2)

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 电网网络拓扑示意图

Fig. 1 Power grid network topology diagram

由矩阵 V 定义可知其为对称矩阵。

当电网规模较大，母线节点数量较多时，如直接将矩阵 V 作为人工智能算法的输入数据，会导致输入数据维数过大，不利于人工智能算法的训练和学习。

为提高训练效率，缩短输入数据维数，提取矩阵 V 中主对角线右上方的三角矩阵，如式(2)中红色虚线部分所示，虚线部分外其余元素均置0，此时矩阵记为 V_a，其为n-1阶矩阵。

筛选出矩阵 V_a第1行中的非零项元素，得到行向量 V_a,1，对式(2)而言， V_a.1=[2 1]。然后从第2行起重复该步骤直到得到行向量 $V_{a, 2}, \cdot \cdot \cdot, V_{a, n - 1}$ ，由式(3)最终得到表征电网网络拓扑的向量 V_m：

V_{m} = [\begin{array}{l} V_{a, 1}^{T} \\ V_{a, 2}^{T} \\ ⋮ \\ V_{a, n - 1}^{T} \end{array}]

(3)

式中 $V_{a, i}^{T}$ 是行向量 $V_{a, i}$ 的转置。

当电网中部分线路因检修断开时，只需调整 V_m中对应元素，如图1系统中母线1和2之间并联线路中有一条因检修断开，则对应元素值由2调整为1。

1.2 建立电网参数输入向量I和输出向量O

对于实际电网的常规潮流计算，涉及到的主要变量有母线节点有功、无功功率以及节点电压的幅值和相角。当母线节点数量为n时，全部变量数量为4n，为使电网潮流方程能够求解，要求已知量数量至少为2n。因此，为使人工智能算法正确理解各种检修方式下电网的运行方式，不仅需要提供电网拓扑结构数据作为算法的输入数据，还需要母线节点的有功、无功功率，以及节点电压、线路功率等数据进行学习，从而起到帮助计算机理解电网运行方式的作用。

如上文所述，常规潮流计算需要的已知变量数量至少为2n，此外还需给出详细的网络参数，如变压器电抗、线路导纳等。如将上述变量均作为人工智能算法的输入数据进行训练，会导致训练数据过于庞大，计算时间过长，甚至陷入维数灾，导致训练失败。因此，在进行人工智能算法的训练时必须从以上变量中选择部分作为输入数据，以实现降低维度、提高训练效率的目的。

本方法需要的电网参数输入向量 I 包含3部分：节点注入功率数据向量 I_s_b、节点电压数据向量 I_vb及线路功率数据向量 I_sl。

1）对于节点注入功率数据向量 I_sb，首先从电网全部母线节点中随机挑选出N_sb个节点，比例系数为k_sb。

N_{s b} = k_{s b} \cdot n

(4)

将所挑选母线节点x(x=1, 2,…, N_sb)的注入有功、无功功率 $P_{b x}$ 、 $Q_{b x}$ 按母线序号依次列入向量 I_sb。

I_{s b} = [\begin{array}{l} P_{b 1} \\ Q_{b 1} \\ ⋮ \\ P_{b N_{s b}} \\ Q_{b N_{s b}} \end{array}]

(5)

2）对于节点电压数据向量 I_vb，同样从电网全部母线节点中随机挑选出N_vb个节点，比例系数为k_vb。

N_{v b} = k_{v b} \cdot n

(6)

将所挑选母线节点y(y=1, 2,…, N_vb)的电压幅值 $U_{b y}$ 、相角 $δ_{b y}$ 按母线序号依次列入向量 I_vb。

I_{v b} = [\begin{array}{l} U_{b 1} \\ δ_{b 1} \\ ⋮ \\ U_{b N_{v b}} \\ δ_{b N_{v b}} \end{array}]

(7)

3）对线路功率数据向量 I_sl，首先从电网全部线路中随机挑选出N_sl条，比例系数为k_sl。

N_{s l} = k_{s l} \cdot m

(8)

将所挑选线路z(z=1, 2,…, N_sl)的有功 $P_{l z}$ 、无功 $Q_{l z}$ 输送功率按线路序号依次列入向量 I_sl。

I_{s l} = [\begin{array}{l} P_{l 1} \\ Q_{l 1} \\ ⋮ \\ P_{l N_{s l}} \\ Q_{l N_{s l}} \end{array}]

(9)

由上述向量 I_sb、 I_vb及 I_sl，结合电网拓扑结构向量 V_m，最终得到电网参数输入向量 I ：

I = [\begin{array}{l} V_{m} \\ I_{s b} \\ I_{v b} \\ I_{s l} \end{array}]

(10)

电网参数输出向量 O 的设置情况应视具体研究目的而定，本文中向量 O 为电网参数输入向量 I 对应的电网日低频振荡次数，是一个1维向量。

2 基于LSTM的电网低频振荡风险预测方法

2.1 LSTM方法原理

LSTM神经网络是在传统卷积神经网络基础上进行改进得到的一种新的训练方法，其最大的优点是通过增加记忆单元，使训练网络具备了对之前数据的记忆和传承能力，从而解决了卷积神经网络无法学习到长序列的长期依赖关系的问题。

LSTM神经网络的内部单元结构如图2所示，该单元负责对t时刻的输入数据进行处理。t时刻的输入变量共有3个，其中 $x_{t}$ 为t时刻的输入向量， $h_{t - 1}$ 为t-1时刻产生的隐含状态向量， $c_{t - 1}$ 为t-1时刻的记忆信息向量。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 LSTM内部单元结构图

Fig. 2 Internal unit structure diagram of LSTM

LSTM神经网络的主要特征是：除传统的输入门和输出门外，还增加了一个遗忘门，负责控制先前时刻学习数据的有效传递。该功能是通过对表征前一时刻记忆信息的向量 $c_{t - 1}$ 进行数据处理实现的。

遗忘门变量 $f_{t}$ 的表达式为

f_{t} = δ (W_{f} \cdot [x_{t} h_{t - 1}] + b_{f})

(11)

式中： $[x_{t} h_{t - 1}]$ 代表向量 $x_{t}$ 和 $h_{t - 1}$ 的直接拼接；向量 $W_{f}$ 和 $b_{f}$ 分别为变量 $f_{t}$ 的权重矩阵和偏置向量； $δ$ (· $)$ 为sigmoid函数，其输出数据的变化范围为(0,1)，表达式为

δ (x) = \frac{1}{1 + e^{- x}}

(12)

令记忆信息向量 $c_{t - 1}$ 与变量 $f_{t}$ 中的元素进行逐位相乘，此时 $f_{t}$ 中相应元素越接近1，向量 $c_{t - 1}$ 中对应元素保留的值就越大，反之， $c_{t - 1}$ 中对应元素越接近于0，从而实现了对记忆信息的保留或遗忘。

在对t-1时刻记忆信息向量 $c_{t - 1}$ 进行保留和遗忘处理后，通过式(13)在记忆信息中进一步添加包含输入向量 $x_{t}$ 和隐含状态向量 $h_{t - 1}$ 信息在内的输入门信息 $i_{t} \otimes {\tilde{c}}_{t - 1}$ ，并最终得到t时刻记忆信息向量 $c_{t}$ ：

\{\begin{array}{l} c_{t} = c_{t - 1} \otimes f_{t} + i_{t} \otimes {\tilde{c}}_{t - 1} \\ i_{t} = δ (W_{i} \cdot [x_{t} h_{t - 1}] + b_{i}) \\ {\tilde{c}}_{t} = t a n h (W_{c} \cdot [x_{t} h_{t - 1}] + b_{c}) \end{array}

(13)

式中： $i_{t}$ 、 ${\tilde{c}}_{t}$ 分别为向量 $x_{t}$ 和 $h_{t - 1}$ 通过sigmoid函数、tanh函数计算得到的中间变量； $W_{i}$ 和 $W_{c}$ 分别为变量 $i_{t}$ 和 ${\tilde{c}}_{t}$ 的权重矩阵； $b_{i}$ 和 $b_{c}$ 分别为变量 $i_{t}$ 和 ${\tilde{c}}_{t}$ 的偏置向量。tanh函数表达式如式(14)所示，其功能为将输出向量中元素的值控制在开区间(-1,1)内，以便于算法的训练和学习。

t a n h (x) = \frac{e^{x} - e^{- x}}{e^{x} + e^{- x}}

(14)

此外，LSTM内部单元的输出变量除 $c_{t}$ 外，还包括t时刻隐含状态向量 $h_{t}$ ，其表达式为

\{\begin{array}{l} h_{t} = t a n h (c_{t}) \otimes o_{t} \\ o_{t} = δ (W_{o} \cdot [x_{t} h_{t - 1}] + b_{o}) \end{array}

(15)

式中： $o_{t}$ 是向量 $x_{t}$ 和 $h_{t - 1}$ 通过sigmoid函数计算得到的中间变量； $W_{o}$ 和 $b_{o}$ 分别为变量 $o_{t}$ 的权重矩阵和偏置向量。

至此，LSTM内部单元经过一系列计算得到了向量 $c_{t}$ 和 $h_{t}$ ，其中 $c_{t}$ 在整个时间序列的传递中只进行了简单的线性计算，使得 $c_{t}$ 中的信息可以长距离传递，从而可用来构建信息的长期依赖关系；而 $h_{t}$ 在传递过程中需要通过sigmoid等函数处理，信息变化较快，适合构建短期依赖关系。二者结合，可实现对时间序列信息的长短期记忆。

2.2 基于PMU量测数据的振荡风险评估

收集电网在时间段T内的PMU实测数据以及对应的检修运行方式，根据实测数据利用Prony算法计算得到电网每日发生的低频振荡次数，形成电网每日振荡数据集S：

S = {(τ_{1}, n_{1}), (τ_{2}, n_{2}), \cdot \cdot \cdot, (τ_{N}, n_{N}

)}(16)

式中： $τ_{N}$ 代表第N日电网的运行状态，包含前文所述的拓扑结构、节点注入功率、节点电压以及线路功率等量测量； $n_{N}$ 为计算得到的第N日电网低频振荡次数。

根据数据集S，按照上文方法形成LSTM的输入数据集 I，相对应的电网每日低频振荡次数构成输出数据集 O。为提高训练性能，需对输入和输出数据进行标准化处理：

x_{s . k} = (x_{k} - {\bar{x}}_{m e a n}) / d

(17)

式中：x_s.k 和x_k 分别是标准化数据集和原始数据集中的第k个元素； ${\bar{x}}_{m e a n}$ 和 $d$ 分别是原始数据集的平均值和标准差。

随机选取输入、输出数据集中的90%作为训练集，剩余10%作为测试集，利用训练集中数据对LSTM进行训练学习，通过调节网络隐含单元个数、训练轮数、梯度阈值、初始学习率等学习参数使LSTM达到最优训练效果。

为明确训练效果，需利用测试集对LSTM的训练误差进行测试。依次将测试集中的输入数据导入训练好的LSTM神经网络并进行计算求解，得到标准化的预测数据集O_pre.s，按式(18)对O_pre.s中数据进行去标准化，最终得到振荡预测数据集O_pre：

O_{p r e . k} = O_{p r e . s . k} d + {\bar{x}}_{m e a n}

(18)

为验证预测结果是否准确，需计算预测准确度和平均预测误差：

C_{p r e} = \frac{n_{t r u e}}{n_{p r e}}

(19)

F_{p r e} = \sum_{k = 1}^{n_{p r e}} |O_{p r e . k} - O_{t e . k}| / n_{p r e}

(20)

式中： $C_{p r e}$ 为预测准确度； $F_{p r e}$ 为平均预测误差； $n_{t r u e}$ 和 $n_{p r e}$ 分别为预测准确次数和预测总次数； $O_{p r e . k}$ 和 $O_{t e . k}$ 分别为预测数据集O_pre和测试输出数据集O_te中的第k个元素。

如预测误差满足准确度要求，则说明LSTM神经网络训练成功；如误差较大，则应调整输入数据的比例系数k_sb、k_vb和k_sl，直至达到满意的准确度。

方法整体流程如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 方法整体流程图

Fig. 3 Overall flow chart

3 仿真计算

以华中地区某省级电网为例，该实际电网包含500 kV节点69个、500 kV输电线路88条，算例训练所用计算机配置为Intel(R) Core(TM) i7-10710U CPU @ 1.10GHz 12核处理器。收集该区域电网处于检修期间的PMU实测数据，利用Prony算法计算得到电网每日的振荡次数，结合对应的检修运行方式及电网状态量数据形成振荡数据集S，本算例中数据集S共包含500组数据。每组数据基本内容包括500 kV母线节点的注入有功、无功功率，节点电压的幅值和相位，以及500 kV输电线路上的有功功率和无功功率，每组数据共包含452个数据。

按照本文所提检修态电网统一编码方式，由振荡数据集S生成输入数据集 I 和输出数据集 O，其中输入数据的比例系数k_sb、k_vb和k_sl的默认值均设为0.8。随机选取数据集中的90%作为训练集，剩余10%作为测试集。

建立LSTM神经网络并利用训练集对网络进行训练，设定网络隐含单元个数为96×3，训练轮数为250轮，梯度阈值设置为1。指定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率。在本算例训练过程中，训练误差随训练轮数的变化情况如图4所示。可以发现，在初始阶段，训练误差随训练论数下降较快，当训练轮数达到150左右时，训练误差已降至0.02，说明LSTM神经网络对训练集的训练效果较好。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 LSTM训练过程中训练误差变化曲线

Fig. 4 Training error curve during LSTM training

利用训练好的LSTM神经网络对测试集中数据进行预测，同时选取卷积神经网络作为对比方法，2种方法的预测结果如图5所示，图中RNN为循环神经网络。可以发现，相较于传统卷积神经网络，LSTM神经网络可以更准确地预测检修期间电网发生低频振荡的次数，其预测曲线更贴近于真实曲线。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 预测结果对比曲线

Fig. 5 Comparison curve of prediction results

经统计，在50组测试数据中，LSTM神经网络预测正确43组，正确率为86%，较卷积神经网络提高了8%，且LSTM神经网络预测错误的数据组的预测值与真实值偏差均为1，因此其平均预测误差仅为0.14，较卷积神经网络降低了46.15%，从而验证了本文方法的准确性和有效性。表1为不同预测方法结果统计，表中CNN为卷积神经网络。

表1 不同预测方法结果统计

Tab. 1 Result statistics of different prediction methods

预测方法

预测正确组数

正确率

平均预测误差

LSTM

CNN

86%

78%

0.14

0.26

新窗口打开| 下载CSV

此外，比例系数k_sb、k_vb和k_sl的取值不同，将影响振荡风险预测结果的准确度，图6为比例系数由0.1至1变化时，本文算例中预测准确度的变化曲线。可以发现，所提方法的预测准确度随比例系数的增大呈上升趋势，说明输入LSTM神经网络的潮流数据越详细，算法的准确率越高。当比例系数到达0.8附近时，预测准确率达到最大值，此后再增大比例系数，算法准确率不再增大。其原因为，电网每日实测振荡次数具有一定随机性，因此算法的预测准确率存在上限。当比例系数增大时，LSTM神经网络的训练时间也延长，因此本算例中将比例系数设为0.8。需要说明的是，针对不同电网结构，最优比例系数的取值也将随之变化，需进行计算分析确定。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 预测准确度随比例系数变化曲线

Fig. 6 Curve of prediction accuracy with proportional coefficient

为进一步明确比例系数k_sb、k_vb和k_sl各自对所提方法预测准确率的影响程度，分别令k_sb、k_vb和k_sl由0.8逐渐减小至0，同时另外2个系数保持0.8不变，经过仿真计算得到不同比例系数变化时，方法的预测准确率变化曲线如图7所示。可见，当比例系数k_sl减小时，预测准确率下降程度最大，说明线路功率数据对本文方法准确率的影响最大；而预测准确率随比例系数k_vb减小的下降程度最小，说明节点电压数据对预测准确率的影响最小。因此，在实际应用中可适当增大比例系数k_sl、减小比例系数k_vb，从而在保证预测准确率的同时提高算法的计算效率。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 预测准确度随不同比例系数变化曲线

Fig. 7 Curve of prediction accuracy varying with different scale coefficients

4 结论

提出了一种基于LSTM的检修态电网振荡风险预测方法，通过以华中地区某省级电网为算例进行仿真计算，得到了以下结论：

1）所提方法基于LSTM对不同检修方式下电网低频振荡风险进行预测，其预测准确率较传统CNN算法提高了8%，且平均预测误差仅为0.14，较CNN算法降低了46.15%；

2）通过对不同比例系数进行计算分析，发现线路功率数据对预测准确率的影响最大，节点电压数据对预测准确率的影响最小。因此在实际应用中可适当增大比例系数k_sl、减小比例系数k_vb，从而在保证预测准确率的同时提升算法的计算效率。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

范栋琛，张宸宇，姜云龙，等．

基于PET控制特性的交直流配电网直流侧低频振荡分析

[J]．电力工程技术，2023，42(3)：36-43． doi:10.12158/j.2096-3203.2023.03.005