本發(fā)明涉及一種預(yù)防低頻減載的源荷相關(guān)性調(diào)頻信號(hào)預(yù)測(cè)方法，屬于電力系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代電力系統(tǒng)中，隨著大規(guī)?？稍偕茉吹慕尤?，電力系統(tǒng)頻率的穩(wěn)定性面臨更大的挑戰(zhàn)。由于可再生能源(如風(fēng)能和太陽能)的波動(dòng)性，頻率偏差問題變得更加頻繁且難以預(yù)測(cè)。當(dāng)電網(wǎng)頻率因電力供需不平衡而顯著下降時(shí)，系統(tǒng)會(huì)啟動(dòng)低頻減載(loadshedding,ls)機(jī)制，通過自動(dòng)切除部分負(fù)荷來恢復(fù)系統(tǒng)頻率，防止電網(wǎng)崩潰。傳統(tǒng)的低頻減載策略通?；陬A(yù)設(shè)的頻率閾值，當(dāng)電網(wǎng)頻率跌破某一臨界值時(shí)自動(dòng)觸發(fā)。當(dāng)負(fù)荷波動(dòng)劇烈或可再生能源接入比例較高時(shí)，單純依賴此類措施難以適應(yīng)動(dòng)態(tài)變化的電網(wǎng)環(huán)境，導(dǎo)致減載操作過于頻繁，造成經(jīng)濟(jì)損失和用戶體驗(yàn)惡化。

2、為解決這一問題，現(xiàn)代電力系統(tǒng)迫切需要更加智能和靈活的頻率調(diào)節(jié)方法，以減少低頻減載的觸發(fā)頻次。在這種背景下，調(diào)頻信號(hào)的準(zhǔn)確預(yù)測(cè)成為減少低頻減載動(dòng)作的重要手段。調(diào)頻信號(hào)能夠反映電網(wǎng)中的頻率波動(dòng)趨勢(shì)，通過對(duì)調(diào)頻需求的提前預(yù)測(cè)，系統(tǒng)可以在頻率下降之前進(jìn)行主動(dòng)調(diào)節(jié)，從而避免頻率達(dá)到低頻減載的觸發(fā)點(diǎn)。

3、當(dāng)前的多數(shù)研究?jī)H從預(yù)測(cè)對(duì)象本身著手進(jìn)行預(yù)測(cè)，而忽略了不同因素之間的相關(guān)性，比如源荷功率變化對(duì)調(diào)頻信號(hào)的影響。

4、專利文獻(xiàn)《基于機(jī)理和數(shù)據(jù)混合驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)電功率的方法》(專利申請(qǐng)?zhí)?02410718571.2)提出一種混合驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò)模型，該模型有效的結(jié)合了機(jī)理模型和gru神經(jīng)網(wǎng)絡(luò)，克服了數(shù)據(jù)異常的問題，提高了電力系統(tǒng)的安全性和經(jīng)濟(jì)性。

5、專利文獻(xiàn)《一種電力區(qū)域負(fù)荷的圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法》(專利申請(qǐng)?zhí)?02110976490.9)提出一種采用圖神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)區(qū)域內(nèi)電力負(fù)荷的方法，提高了預(yù)測(cè)精度。

6、專利文獻(xiàn)《基于ema-relman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)方法》(專利申請(qǐng)?zhí)?02410285011.2)提出一種將ema和relman神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合的預(yù)測(cè)方法，利用前者對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，大幅提高了光伏預(yù)測(cè)準(zhǔn)確性。

7、上述專利都僅從預(yù)測(cè)對(duì)象的本身著手，而沒有考慮不同因素之間存在的相關(guān)性，從而影響整體預(yù)測(cè)的精度以及后續(xù)經(jīng)濟(jì)調(diào)度的經(jīng)濟(jì)性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的發(fā)明目的是針對(duì)上述背景技術(shù)存在的不足，提供一種預(yù)防低頻減載的源荷相關(guān)性調(diào)頻信號(hào)預(yù)測(cè)方法，可適用于新能源高滲透率下的調(diào)頻信號(hào)預(yù)測(cè)，預(yù)防低頻減載動(dòng)作。本發(fā)明首先提煉調(diào)頻信號(hào)統(tǒng)計(jì)變量用以表征實(shí)時(shí)經(jīng)濟(jì)調(diào)度周期內(nèi)調(diào)頻信號(hào)特點(diǎn)；其次采用lstm神經(jīng)網(wǎng)絡(luò)對(duì)源荷功率進(jìn)行預(yù)測(cè)，求得未來時(shí)刻的源荷功率變化；隨后采用copula函數(shù)對(duì)歷史調(diào)頻信號(hào)統(tǒng)計(jì)變量以及源荷功率變化數(shù)據(jù)進(jìn)行建模，求得三者之間的相關(guān)性模型；然后根據(jù)概率學(xué)相關(guān)理論，求得調(diào)頻信號(hào)統(tǒng)計(jì)變量基于源荷功率變化的條件概率密度分布模型；最后將預(yù)測(cè)所得的源荷功率變化數(shù)據(jù)代入調(diào)頻信號(hào)統(tǒng)計(jì)變量條件概率密度模型中，得到未來時(shí)刻的調(diào)頻信號(hào)統(tǒng)計(jì)變量。

2、本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：

3、一種預(yù)防低頻減載的源荷相關(guān)性調(diào)頻信號(hào)預(yù)測(cè)方法，包括以下步驟：

4、步驟s1、提取調(diào)頻信號(hào)統(tǒng)計(jì)變量數(shù)據(jù)用以表征實(shí)時(shí)經(jīng)濟(jì)調(diào)度周期，即五分鐘時(shí)間尺度內(nèi)調(diào)頻信號(hào)的整體特點(diǎn)；

5、步驟s2、根據(jù)歷史新能源發(fā)電功率和負(fù)荷功率數(shù)據(jù)，采用lstm神經(jīng)網(wǎng)絡(luò)對(duì)未來時(shí)刻的新能源發(fā)電功率和負(fù)荷功率進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)數(shù)據(jù)中相鄰時(shí)刻的新能源發(fā)電功率和負(fù)荷功率分別作差，求取未來相鄰時(shí)刻的源荷功率變化；

6、步驟s3、通過copula函數(shù)建立調(diào)頻信號(hào)統(tǒng)計(jì)變量與源荷功率變化之間的相關(guān)性模型，并求得調(diào)頻信號(hào)統(tǒng)計(jì)變量基于源荷功率變化的條件概率分布；

7、步驟s4、將預(yù)測(cè)所得源荷功率變化代入調(diào)頻信號(hào)統(tǒng)計(jì)變量基于源荷功率變化的條件概率分布，求取未來時(shí)刻的調(diào)頻信號(hào)統(tǒng)計(jì)變量基于源荷功率變化的條件概率分布。

8、本發(fā)明的目的還可以通過以下技術(shù)措施來進(jìn)一步實(shí)現(xiàn)：

9、作為優(yōu)選，步驟s1中包括:

10、首先，對(duì)調(diào)頻信號(hào)歷史數(shù)據(jù)進(jìn)行處理，提取實(shí)時(shí)經(jīng)濟(jì)調(diào)度周期內(nèi)的相關(guān)統(tǒng)計(jì)變量用以表征該時(shí)間段內(nèi)配電網(wǎng)運(yùn)行的不平衡狀況，提取的統(tǒng)計(jì)變量分別為：累計(jì)調(diào)頻能量累計(jì)調(diào)頻里程mn、調(diào)頻幅度分位數(shù)以及調(diào)節(jié)率分位數(shù)具體如下：

11、累計(jì)調(diào)頻能量：

12、

13、式中，表示第n個(gè)經(jīng)濟(jì)調(diào)度周期內(nèi)累計(jì)能量；τ表示單個(gè)調(diào)頻信號(hào)的時(shí)間跨度；t表示單個(gè)實(shí)時(shí)經(jīng)濟(jì)調(diào)度周期的時(shí)間跨度；j表示一個(gè)經(jīng)濟(jì)調(diào)度周期內(nèi)第j個(gè)調(diào)頻信號(hào)；表示上行和下行的調(diào)頻信號(hào)值；

14、累計(jì)調(diào)頻里程：

15、

16、式中，mn表示第n個(gè)實(shí)時(shí)經(jīng)濟(jì)調(diào)度時(shí)間內(nèi)的累計(jì)調(diào)頻里程；agcj表示第j個(gè)調(diào)頻信號(hào)，agcj-1表示第j-1個(gè)調(diào)頻信號(hào)；

17、調(diào)頻幅度分位數(shù)：

18、

19、式中，是一個(gè)判斷函數(shù)，其具體含義為若其后括號(hào)內(nèi)所接式子成立，則其值為1，反之則為0，即是上行或者下行調(diào)頻幅度分位數(shù)；為第n個(gè)實(shí)時(shí)經(jīng)濟(jì)調(diào)度周期內(nèi)調(diào)頻信號(hào)序列中上行或者下行信號(hào)個(gè)數(shù)；αma為選擇調(diào)頻幅度分位數(shù)對(duì)應(yīng)的比例值；

20、調(diào)節(jié)率分位數(shù)：

21、

22、式中，表示調(diào)節(jié)率上行和下行分位數(shù)；αrr為選擇的調(diào)節(jié)率分位數(shù)對(duì)應(yīng)的比例值；agcj/j-1為調(diào)頻信號(hào)第j個(gè)到第j-1個(gè)的調(diào)節(jié)速率；agcj-1/j為調(diào)頻信號(hào)第j-1個(gè)到第j個(gè)的調(diào)節(jié)速率；用表示第n個(gè)時(shí)間段內(nèi)調(diào)頻信號(hào)統(tǒng)計(jì)變量構(gòu)成的向量，其具體表達(dá)如下：

23、

24、作為優(yōu)選，步驟s2中包括：

25、首先，用以源荷功率預(yù)測(cè)的lstm神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層以及輸出層構(gòu)成，其中隱含層層數(shù)為1層，隱含層神經(jīng)元個(gè)數(shù)為200；

26、所述lstm神經(jīng)網(wǎng)絡(luò)的門結(jié)構(gòu)分別為遺忘門，輸入門和輸出門，門結(jié)構(gòu)實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)進(jìn)行有選擇的遺忘和繼承，從而避免因數(shù)據(jù)過多而可能引起的梯度爆炸問題；其具體工作流程表示如下：

27、遺忘門會(huì)有選擇的丟棄部分狀態(tài)信息，其具體原理表達(dá)如下：

28、ft＝σ(wf·[ht-1,xt]+bf)

29、式中，ft表示t時(shí)刻遺忘門的輸出；σ表示sigmoid函數(shù)；wf表示遺忘門的權(quán)值；[ht-1,xt]表示前一時(shí)刻的輸出數(shù)據(jù)ht-1和t時(shí)刻的輸出數(shù)據(jù)xt連接起來形成的向量；bf表示遺忘門的偏置數(shù)值；

30、輸入門負(fù)責(zé)對(duì)輸入數(shù)據(jù)進(jìn)行篩選，決定需要更新的細(xì)胞狀態(tài)信息，其具體原理表達(dá)如下：

31、it＝σ(wi·[ht-1,xt]+bi)

32、

33、式中，it表示sigmoid模塊的輸出；表示tanh模塊的輸出；wc和wi表示該輸入門的權(quán)值；bi和bc表示該輸入門的偏置；tanh表示tanh函數(shù)；

34、神經(jīng)元細(xì)胞狀態(tài)首先經(jīng)過遺忘門會(huì)選擇性的遺忘部分信息，隨后經(jīng)過輸入門之后則會(huì)更新部分細(xì)胞狀態(tài)信息，最后得到當(dāng)前時(shí)刻的細(xì)胞狀態(tài)ct，其具體表達(dá)如下：

35、

36、式中，ct為t時(shí)刻的神經(jīng)元細(xì)胞狀態(tài)；ct-1表示t-1時(shí)刻的神經(jīng)元細(xì)胞狀態(tài)；

37、輸出門決定輸出的細(xì)胞狀態(tài)信息，其具體原理表達(dá)如下：

38、ot＝σ(wo·[ht-1,xt]+bo)

39、ht＝ot·tanh(ct)

40、式中，ot表示sigmoid模塊的輸出；ht表示t時(shí)刻神經(jīng)元的輸出；wo表示輸出門的權(quán)值；bo表示輸出門的偏置；wo表示輸出門的權(quán)值；

41、最后，利用所搭建的lstm神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)未來時(shí)刻的源荷功率變化數(shù)據(jù)。

42、作為優(yōu)選，步驟s3具體包括：

43、首先，利用copula函數(shù)對(duì)調(diào)頻信號(hào)統(tǒng)計(jì)變量和源荷功率變化之間的相關(guān)性進(jìn)行建模，其具體表達(dá)式如下：

44、

45、式中，f(ξagc,δpre,δpld)表示調(diào)頻信號(hào)統(tǒng)計(jì)變量和源荷功率變化的聯(lián)合概率分布函數(shù)；為copula函數(shù)；和分別為調(diào)頻信號(hào)統(tǒng)計(jì)變量、新能源發(fā)電功率變化以及負(fù)荷功率變化的邊緣分布；

46、隨后采用貝葉斯信息準(zhǔn)則(bayesian?information?criterion，bic)作為模型擬合優(yōu)度評(píng)價(jià)指標(biāo)，選取最優(yōu)的copula函數(shù)類型，其具體表達(dá)如下：

47、bic＝kln(n)-2ln(l)

48、式中，k表示模型參數(shù)個(gè)數(shù)；n表示樣本數(shù)量；l為似然函數(shù)；

49、在建立的調(diào)頻信號(hào)統(tǒng)計(jì)變量和源荷功率變化聯(lián)合概率分布的基礎(chǔ)上求導(dǎo)得到調(diào)頻信號(hào)統(tǒng)計(jì)變量和源荷功率變化聯(lián)合概率密度函數(shù)，因此調(diào)頻信號(hào)統(tǒng)計(jì)變量與新能源發(fā)電和負(fù)荷功率變化的聯(lián)合概率密度表達(dá)如下：

50、

51、式中，f(ξagc,δpre,δpld)表示調(diào)頻信號(hào)統(tǒng)計(jì)變量與新能源發(fā)電和負(fù)荷功率變化的聯(lián)合概率密度；表示copula函數(shù)的三維概率密度分布；和分別表示調(diào)頻信號(hào)統(tǒng)計(jì)變量、新能源發(fā)電功率變化和負(fù)荷功率變化的邊緣概率密度函數(shù)；

52、調(diào)頻信號(hào)統(tǒng)計(jì)變量基于源荷功率變化的條件概率密度由聯(lián)合概率密度除以新能源發(fā)電功率變化和負(fù)荷功率變化的二維聯(lián)合概率密度所得，表達(dá)如下：

53、

54、式中，f(ξagc|(δpre,δpld))表示調(diào)頻信號(hào)統(tǒng)計(jì)變量基于源荷功率變化的條件概率密度；f(δpre,δpld)表示新能源發(fā)電功率變化和負(fù)荷功率變化的二維聯(lián)合概率密度；為二維聯(lián)合概率密度對(duì)應(yīng)的copula密度函數(shù)。

55、作為優(yōu)選，步驟s4中包括:

56、將lstm神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的源荷功率變化數(shù)據(jù)代入到調(diào)頻信號(hào)統(tǒng)計(jì)變量基于源荷功率變化的條件概率密度函數(shù)中，從而得到所需要的調(diào)頻信號(hào)統(tǒng)計(jì)變量預(yù)測(cè)值，表達(dá)如下：

57、

58、式中，表示采用預(yù)測(cè)的源荷功率變化數(shù)據(jù)求得的未來時(shí)刻頻信號(hào)統(tǒng)計(jì)變量基于源荷功率變化的條件概率密度；表示采用預(yù)測(cè)的源荷功率變化數(shù)據(jù)求得的的未來時(shí)刻調(diào)頻信號(hào)統(tǒng)計(jì)變量與新能源發(fā)電和負(fù)荷功率變化的聯(lián)合概率密度；表示采用預(yù)測(cè)的源荷功率變化數(shù)據(jù)求得的的未來時(shí)刻新能源發(fā)電功率變化和負(fù)荷功率變化的二維聯(lián)合概率密度。

59、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明構(gòu)建了一種考慮源荷相關(guān)性的調(diào)頻信號(hào)統(tǒng)計(jì)變量預(yù)測(cè)方法，成功捕捉了調(diào)頻信號(hào)和源荷功率變化之間的相關(guān)性，將直接預(yù)測(cè)調(diào)頻信號(hào)轉(zhuǎn)化為當(dāng)下更成熟可靠地源荷功率預(yù)測(cè)，不僅降低了對(duì)調(diào)頻信號(hào)進(jìn)行預(yù)測(cè)的難度，也提高了預(yù)測(cè)的精準(zhǔn)度及其可靠性，降低了后續(xù)經(jīng)濟(jì)調(diào)度運(yùn)行成本。