基于深度学习的新能源电力系统频率在线预测与紧急控制

基于深度学习的新能源电力系统频率在线预测与紧急控制

吴炅

内蒙古华电辉腾锡勒风力发电有限公司, 内蒙古 呼和浩特 010010

摘要：目前，我国电力系统已安装了大批以同步相量测量装置（PMU）为代表的高精度量测装置，可实现对电网运行状态的精确实时感知。同时，PMU主站存储了电网大量历史运行数据，为基于数据驱动的人工智能方法提供了数据支撑。人工智能技术中的深度学习是完全的数据驱动模型，以神经网络为代表的深度学习技术大幅提升了对数据的理解和学习能力，能够充分利用海量系统运行数据进行模型训练，避免了传统解析模型构建的局限。已有学者将深度学习应用于电力系统扰动后的频率预测与稳定控制，本论文从新能源电力系统频率特性、新能源电力系统扰动后频率预测与新能源电力系统频率控制三个方面展开综述。

关键词：深度学习；新能源电力系统；频率在线预测；紧急控制

1研究中仍存在诸多问题

针对扰动后新能源电力系统的频率稳定问题，研究手段可分为模型驱动与数据驱动两类。模型驱动方法主要包括基于数值分析的时域仿真法、基于数学解析的等值模型法。时域仿真法详细刻画各类型机组复杂的控制特性与负荷模型，此方法计算量大、运算耗时长，适用于离线分析场景，不适用于大规模系统的在线应用。等值模型法可解析求解频率特征，但求解精度低，难以反映机组间功率摇摆，且存在等值参数获取困难等问题。此外，新能源系统中逆变型电源参与系统调频控制方式多样、受控对象数量多且控制参数黑箱化，进一步增大了建模难度。伴随人工智能技术的发展及计算机硬件性能的提升，基于人工智能的建模、分析与决策方法在电力行业应用广泛。目前研究中仍存在诸多问题：（1）未区别传统系统与新能源电力系统的等值特性建模，新能源电力系统中，频率时空分布特性显著，且大规模通过电力电子设备接入的新能源机组改变了系统的动态特性，基于全网频率统一假设的频率响应模型适用场景有待商榷。（2）现阶段基于深度学习的频率在线预测研宄中，在选择模型训练的特征量时，主要集中于同步发电机的参数，未涉及新能源电源的相关特征量。同时，考虑到新能源电源控制方式组合的多样化，无法参照同步发电机特性选取对应特征量。（3）现有频率态势预测算法多以处理静态数据为主，输入数据多为扰动后瞬间的单时间断面数据，无法实现频率态势多时间断面的滚动预测，且模型对样本数量与数据质量的依赖性较强，模型泛化、抗噪能力不足。（4）常规紧急控制策略如紧急切负荷、高频切机、低频减载等不利于系统经济运行。新能源电力系统中紧急调频资源如风电、光伏等发电技术具有波动性和间歇性，控制调节较为困难，而储能具有精确控制、快速响应的特性，适用于大功率支撑及快速调频控制。但现有研究中，储能出力控制多由虚拟惯性或虚拟下垂构成，不利于发挥储能的灵活控制的优势。

2新能源电力系统频率特性

新能源电力系统频率特性的研究方法主要分为五种，基于时域仿真的分析方法、基于等值模型的分析方法、基于广域测量数据的分析方法、基于机电波理论的分析方法、以及基于人工智能的分析方法。基于时域仿真的分析方法通过构建各元件详细的数学模型及系统网络方程，建立系统非线性微分－代数方程，对方程进行迭代和数值求解，从而得到电力系统的频率响应曲线。该方法的实现通常基于时域仿真软件，现国内外电力时域仿真商用软件主要有BPA、PSS／E、DIgSILENT、PSASP等。基于等值模型的分析方法最常采用平均系统频率模型（ASF）和系统频率响应模型（SFR）。ASF模型将所有机组的机械功率施加于一个等值转子上，保留各发电机原动机－调速器环节，负载表示为等值负荷。SFR模型在ASF模型的基础ｔ进一步简化，将全系统等值一个单机带负荷模型。目前等值模型法的应用极为广泛，研究集中于等值模型的改进及多种调频资源的等值建模。基于广域测量数据的分析方法可以通过广域测量系统（WAMS）获取大量系统功率、电压、相角等运行数据，结合相关评价指标分析实际电网的频率响应特性。基于机电波理论的分析方法通常用于大规模电力系统的机电动态特性分析。在电网规模足够大时，系统中离散分布的发电机、负荷以及输电线路均可以用空间连续的密度函数进行连续化处理建模。机电波理论侧重于通过波动理论进行机电扰动的动态传播特性分析，经连续化处理后的系统特性可能与实际系统有所差异，因此有待进一步完善，此分析方法作为传统频率分析法的一种补充。基于人工智能的分析方法可以脱离复杂的物理模型，基于海量数据挖掘内在关联。随着系统规模的扩大，扰动发生的随机性，以及交直流大跨区电网的频率时刻分布特性显著，使得新能源电力系统的频率机理难以建模描述。人工智能技术可通过分类、聚类、降维、回归等算法，基于海量数据拟合系统的频率态势变化，实现新能源电力系统频率的在线预测、实时评估、稳定控制等应用。

3基于DPGMM-LSTM新能源系统频率在线预测

常规电源逐步被以风光为代表的新能源电源替代，系统的惯量水平与频率稳定性日益降低。当系统遭受扰动或故障后，面临频率失稳的风险增大，若能在扰动初期实现系统频率的在线预测，可为后续频率预防／紧急控制争取时间。现阶段新能源电力系统为超大规模、强非线性的动态系统，传统模型驱动方法存在计算速度与精度的矛盾，难以满足新能源电力系统复杂多变运行方式与扰动条件下的频率在线预测的需求。数据驱动方法计算速度快且精度高，其中以深度学习为代表的人工智能技术为频率在线预测提供了可行性。当前基于深度学习的频率预测方法偏向于算法的应用，未深入考虑频率特性和影响机理，且适用场景局限于传统以同步机为主的电力系统，未泛化于高比例新能源电力系统。此外，深度学习框架处理的频率数据类型仅以单时间断面为主，难以实现连续时序的滚动预测。鉴于以上分析，本章提出了基于DPGMM-LSTM新能源电力系统频率在线预测方法，创新点在于模型训练特征量的精准选取与频率态势滚动预测的实现。

3.1在线滚动预测框架

提出基于DPGMM—LSTM的新能源电力系统频率态势在线预测方法。此框架包括两部分，即离线训练部分与在线应用部分，分别如下：（1）离线训练部分包括DPGMM风电控制方式聚类过程、案例样本生成及数据预处理、以及LSTM神经网络模型训练过程；（2）在线应用部分利用已离线训练好的频率预测模型，实现在线快速预测。为了进一步提升模型的鲁棒性与泛化能力，可将在线评估的输入数据与输出频率指标反馈到离线训练部分的样本中，丰富历史数据库。

3.2模型训练过程

频率态势在线预测模型，其训练过程的具体步骤如下：（1）案例样本生成及特征量数据提取。获取电力系统扰动后实测电气量，或利用DIgSILENT／PowerFactory等时域仿真软件模拟电力系统扰动并数据采样，形成扰动样本库。提取扰动样本输入特征量的时序数据，形成训练数据集，供后续模型训练与测试使用。（2）样本初始数据预处理。构建LSTM神经网络输入的时序数据样本结构，进行归一化处理。（3）LSTM模型训练。LSTM神经网络结构包含特征输入层、LSTM层、Drop-out层和Dense输出层，设定LSTM神经网络的层数、每层神经元的个数与初始学习速率。训练过程应用Adam优化器，通过MAE、MAPE、RMSE等评价指标反馈调整网络超参数，不断优化直至满足要求，从而得到高精度的LSTM频率态势预测模型。（4）模型测试。利用测试样本集校验训练模型频率态势预测效果，当模型的准确率与可信度均较高时，终止测试过程，得到最终的频率态势在线预测模型。（5）在线应用。扰动发生后，在线获取新能源电力系统频率态势预测特征量时序量测数据。利用训练好的LSTM模型实现频率态势在线滚动预测。同时，在线更新训练数据集，以提升LSTM模型的鲁棒性与泛化能力。此外，本章中神经网络的训练过程为避免模型学习过拟合，采取提前终止策略。为提高模型性能，所有模型在训练时均己通过程序设计采用五折交叉验证对模型进行参数寻优。

4基于模型预测控制的储能紧急控制策略

电力系统在实际运行中遭受大扰动时，通常立即采取紧急控制措施介入抑制系统频率的大幅变化。常规紧急控制策略有紧急切负荷、高频切机、低频减载等措施，但此极端紧急控制措施不利于系统的经济运行。随着新能源电力系统中调频资源的日益丰富，愈多调频资源可参与系统的紧急控制，而不同调频资源的控制性能与响应速度不同。风电、光伏等发电技术具有波动性和间歇性，其控制调节较为困难。储能具有精确控制、快速响应的特性逐渐发展成为“主动调频”的新技术手段。目前关于储能参与系统频率控制的研究工作仍存在不足，储能参与系统调频的常用控制策略为虚拟惯性控制和下垂控制，统称为附加惯量控制。多数研究基于虚拟惯性控制与下垂控制的综合或改进，在调频过程的不同时间尺度赋予两种控制方式不同权重，无法发挥储能全过程灵活控制的优势。

4.1储能接入的区域系统调频模型

基于频率研究的等效模型法，本节建立了接入储能电源的区域系统调频模型。应当指出，在此区域系统的频率研究中，忽略频率时空分布的影响。重点研究储能控制策略对系统频率特性的改善效果。此区域系统包含交流系统、负荷、储能电源、双向变换器、模型预测控制器等。其中，储能电源通过双向DC／AC变换器连接于交流系统。当系统发生扰动使有功功率不平衡时，系统频率会发生波动。模型预测控制器可以通过当前系统频率及未来一段时间内预测所得系统频率，计算得出储能电源的参考功率变化量，从而控制储能电源输出功率，参与系统的频率调整。

4.2模型预测控制原理

模型预测控制（MPC）广泛应用于工业控制系统的研究，被认为是处理复杂约束系统控制问题的有效方法之一。通过求解有限时域内每个采样时刻的幵环最优控制策略，将该过程的当前状态作为初始状态，解得的最优控制序作用于下一时刻。预测模型、参考轨迹、控制算法为MPC三要素。在某一采样时刻，MPC通过测量系统当前输出量及与参考输出量的偏差，计算出系统当前的状态量，进行系统模型在时段动态行为的预防。同时，结合参考量求解性能指标，得到最优控制输入量。简单而言，模型预测控制算法分为三个步骤：（1）预测系统未来动态；（2）求解优化问题；（3）将优化解的第一个元素作用于系统。本节基于以上三个步骤推导出基于状态空间模型的预测方程，给出约束预测问题的描述及求解。在实际应用中，MPC控制方法具有较强普适性，线性状态模型、非线性状态模型，以及混杂系统模型均适用。对干扰和不确定因素均可靠处理，在实时预测、滚动优化和反馈校正机制中体现良好的控制性能。

5结束语

人工智能技术是电力系统的频率问题的有效研究手段，论文基于深度学习对新能源电力系统频率在线预测与紧急控制展开研究，但仍有许多工作不够完善，需要进一步开展的研究工作如下：（1）在实际电力系统运行中，仍存在等仿真软件批量形成的频率响应曲线难以复现真实频率变化曲线的情况。基于仿真样本训练所得神经网络模型与实际需求存在差距，需深入研究真实系统中所提方案的可行性。（2）故障后的紧急调频资源除储能外还可引入直流调制等技术，并可结合第二道防线紧急控制措施（稳控切机／切负荷）等，频率紧急控制可进一步纳入多种应对措施。

参考文献

[1]董炜茜.基于虚拟惯量控制的新能源电力系统负荷频率控制的研究[D].华北电力大学(北京),2021.

[2]高晖胜,辛焕海,黄林彬等.新能源电力系统的共模频率分析及其特征量化[J].中国电机工程学报,2021,41(03):890-900.

[3]李东东,张佳乐,徐波等.考虑频率分布特性的新能源电力系统等效惯量评估[J].电网技术,2020,44(08):2913-2921.

[4]屠聪为.考虑需求侧响应的新能源电力系统频率控制研究[D].华北电力大学(北京),2019.