计算机科学 ›› 2019, Vol. 46 ›› Issue (11A): 23-27.
杨佳宁1, 黄向生1, 李宗翰2, 荣灿1, 刘道伟2
YANG Jia-ning1, HUANG Xiang-sheng1, LI Zong-han2 , RONG Can1, LIU Dao-wei2
摘要: 随着广域量测技术的发展,提前辨识暂态稳定性并采取预防控制措施对电力系统的安全和稳定有着重要意义,而对电力系统的时空轨迹预测则是其中的关键。传统的无系统模型电网时空轨迹预测方法虽然不依赖于系统模型,计算速度较快,但是在预测过程中并没有考虑到电网的空间拓扑关系,另外,在现代复杂电网的大数据环境下,其预测精度相比于采用深度学习的方法仍有待提高。因此,提出了基于双层栈式长短期记忆和近邻节点拓扑关系的电网时空轨迹预测模型。它采用栈式长短期记忆的神经网络结构,并将所预测发电机节点的近邻一阶节点和二阶节点特征引入到了模型中。实验数据表明,支持向量回归法、循环神经网络方法、单层长短期记忆神经网络方法、基于双层栈式长短期记忆的电网时空轨迹预测方法在测试集上的预测均方根误差逐渐递减,预测精度逐渐增加,而在一阶节点和二阶节点分别引入电网时空轨迹预测的情况下,随着引入邻近节点的增加,预测精度也逐渐增加。相比于传统的电网时空轨迹预测方法,基于双层栈式长短期记忆和近邻节点拓扑关系的电网时空轨迹预测模型能更好地表征暂态场景下电网时空轨迹的变化,更精确地实现电网时空轨迹的预测。
中图分类号:
[1]朱方,赵红光,刘增煌,等.大区电网互联对电力系统动态稳定性的影响[J].中国电机工程学报,2007,27(1):1-7. [2]张丽英,叶廷路,辛耀中,等.大规模风电接入电网的相关问题及措施[J].中国电机工程学报,2010,30(25):1-9. [3]刘道伟,张东霞,孙华东,等.时空大数据环境下的大电网稳定态势量化评估与自适应防控体系构建[J].中国电机工程学报,2015,35(2):268-276. [4]彭疆南,孙元章,王海风.基于广域量测数据和导纳参数在线辨识的受扰轨迹预测[J].电力系统自动化,2003,27(22):6-11. [5]吴为,汤涌,孙华东,等.暂态稳定受扰轨迹预测的模型参数自适应研究[J].电网技术,2013,37(3):827-834. [6]李琰,周孝信,周京阳.基于引入虚拟负荷的发电机暂态稳定预测[J].电工技术学报,2008,23(3):103-107. [7]李国庆.电力系统暂态稳定预测控制的研究[J].电力系统自动化,1994,18(3):25-31. [8]LI G Q.A new prediction and control method for improvingtransient stability of power systems[C]∥Proceedings of the International Conference on AMSE.Hefei:AMSE,1992:2783-2790. [9]李国庆,孙福军,任强.基于外部观测的电力系统暂态稳定性实时预测和控制方法[J].电网技术,1995(1):17-22. [10]孙建华.一种电力系统暂态稳定性快速实施预测方法[J].中国电机工程学报,1993,13(6):60-66. [11]毛安家,郭志忠,张学松.一种基于广域测量系统过程量测数据的快速暂态稳定预估方法[J].中国电机工程学报,2006,26(17):38-43. [12]宋方方,毕天姝,杨奇逊.基于WAMS的电力系统受扰轨迹预测[J].电力系统自动化,2006,30(23):27-32. [13]邓晖,赵晋泉,吴小辰,等.基于改进灰色Verhulst模型的受扰轨迹实时预测方法[J].电力系统保护与控制,2012,40(9):18-23. [14]刘玉田,林飞.基于相量测量技术和模糊径向基网络的暂态稳定性预测[J].中国电机工程学报,2000,20(2):19-23. [15]吴琼,杨以涵,刘文颖.基于最小二乘支持向量机的电力系统暂态稳定在线预测[J].中国电机工程学报,2007,27(25):38-43. [16]杨海民,潘志松,白玮.时间序列预测方法综述[J].计算机科学,2019,46(1):21-28. [17]RUMELHART D E,HINTON G E,WILLIAMS R J.Learning representations by back-propagating errors[J].Nature,1986,323(6088):533. [18]HOCHREITER S, SCHMIDHUBER J.Long short-term me-mory[J].Neural Computation,1997,9(8):1735-1780. [19]GRAVES A.Supervised Sequence Labelling with RecurrentNeural Networks[M].Berlin:Springer,2008. [20]HERMANS M,SCHRAUWEN B.Training and analyzing deep recurrent neural networks[C]∥International Conference on Neural Information Processing Systems.Curran Associates Inc.,2013:1-9. [21]PASCANU R,GULCEHRE C,CHO K,et al.How to Construct Deep Recurrent Neural Networks[J/OL].http://arXiv.org/abs/1312.6026. [22]GRAVES A,MOHAMED A R,HINTON G.Speech Recognition with Deep Recurrent Neural Networks[J/OL].http://adsabs.harvard.edu/abs/2013arXiv1303.5778G. |
[1] | 李伟琨,阙波,王万良,倪立洲. 基于多目标飞蛾算法的电力系统无功优化研究 Multi-objective Moth-flame Optimization Algorithm Based Optimal Reactive Power Dispatch for Power System 计算机科学, 2017, 44(Z11): 503-509. https://doi.org/10.11896/j.issn.1002-137X.2017.11A.107 |
[2] | 孟凡喜,屈鸿,侯孟书. 基于GA和SVM的电力负荷预测方法研究 Method of Short-term Load Forecasting Based on GA and SVM 计算机科学, 2014, 41(Z6): 91-93. |
[3] | 徐晖,梁承东,程俊春. 基于电力系统的信息安全综合评价体系研究 Comprehensive Evaluation Research of Information Security Based on Power System 计算机科学, 2014, 41(Z11): 482-484. |
[4] | 孙成富,周海岩,张亚红. 基于差分进化算法的动态环境经济电力系统调度优化 Dynamic Environment Economic Dispatch Based on Differential Evolution Algorithm 计算机科学, 2012, 39(11): 208-211. |
[5] | 曹磊 曹兆勇 朱美琳 谢琪. 电力系统线路损耗管理系统的设计与实现 计算机科学, 2004, 31(4): 192-194. |
|