基于深度残差收缩网络的电力系统暂态频率安全集成评估_王彦博.pdf

第 47 卷 第 2 期 电 网 技 术 Vol.47 No.2 2023 年 2 月 Power System Technology Feb.2023 文章编号：1000-3673（2023）02-0482-11 中图分类号：TM 721 文献标志码：A 学科代码：47040 基于深度残差收缩网络的电力系统暂态频率安全集成评估王彦博，吴俊勇，季佳伸，李栌苏，李宝琴（北京交通大学电气工程学院，北京市 海淀区 100044）Integrated Assessment of Power System Transient Frequency Security Based on Deep Residual Shrinkage Network WANG Yanbo,WU Junyong,JI Jiashen,LI Lusu,LI Baoqin(School of Electrical Engineering,Beijing Jiaotong University,Haidian District,Beijing 100044,China)1ABSTRACT:Under the background of accelerating transfor-mation of Chinas energy structure and striving to achieve the goal of dual carbon,the traditional power system will also usher in structural transformation.Due to the randomness,uncertainty and low inertia of renewable energy,a series of influences brought by large-scale new energy grid make the frequency safety problem of power system increasingly prominent.However,the traditional time domain simulation method has some disadvantages such as large amount of computation and long calculation time,so it is difficult to realize the rapid evaluation of the actual power system under the flexible and changeable operation mode and a large amount of measured data.In order to quickly assess the frequency security of power systems,a power system transient frequency security integrated assessment method based on deep residual shrinkage network(DRSN)is proposed.Deep residual shrinkage network introduces attention mechanism based on deep residual network,which can enhance useful information and suppress redundant information.On this basis,the samples were divided according to the maximum frequency change rate,and DRSN network was used for training respectively.Simulation results on the IEEE 39-bus system and IEEE 118-bus system added with wind power machines show that the proposed method has higher accuracy and excellent generalization、robustness and applicability.KEY WORDS:deep learning;power system;frequency security;maximum rate of change of frequency;deep residual shrinkage network;attention mechanism 摘要：在我国能源结构加速转型、力争实现“双碳”目标的 基金项目：国家重点研发计划项目(2018YFB0904500)；国家电网有限公司科技项目(SGLNDK00KJJS1800236)。Project Supported by National Key Research&Development Program of China(2018YFB0904500);Science and Technology Projects of State Grid Corporation of China(SGLNDK00KJJS1800236).背景下，传统电力系统也将迎来结构性的转变。其中由于可再生能源的随机性、不确定性和低惯量等特性，大规模新能源并网带来的一系列影响使得电力系统的频率安全问题日益突出。而传统的时域仿真方法在进行评估时有运算量大、计算时间长等缺点，故难以实现实际电力系统灵活多变的运行方式和大量量测数据下的快速评估。为实现对系统频率安全的快速评估，提出一种基于深度残差收缩网络(deep residual shrinkage network，DRSN)的电力系统暂态频率安全集成评估方法。深度残差收缩网络在深度残差网络的基础上引入注意力机制，能够增强有用信息并抑制冗余信息。在此基础上，将样本按最大频率变化率进行划分，并分别采用DRSN 网络进行训练构建集成模型。通过引入风电的新英格兰 39 节点和 118 节点系统上的仿真结果，表明所用方法与传统深度学习方法相比精度更高，并有着优异的泛化性、鲁棒性和适用性。关键词：深度学习；电力系统；频率安全；最大频率变化率；深度残差收缩网络；注意力机制 DOI：10.13335/j.1000-3673.pst.2022.1189 0 引言 为应对传统能源对环境带来的挑战与全球正在面临的潜在能源危机，我国提出了 2030 年前碳达峰、2060 年前碳中和的“双碳”目标，并将其纳入生态文明建设整体布局，推动构建新型电力系统是今后电力系统的发展趋势1-2。频率是衡量电力系统电能质量的重要指标。无论电力系统是处于稳定状态、紧急状态还是恢复状态，都需要对系统的频率特性进行准确把握，确保系统的安全稳定运行3-4。而在大规模可再生能源并网以及大容量直流输电投运的背景下，电力系统的运行形态发生变化，主要体现在出力不确定性增强、系统惯性水平降低以及备用容量减小等方面，频率动态行为愈加复第 47 卷 第 2 期 电 网 技 术 483 杂，系统的调频能力变差，使得频率安全问题日益突出5。英国“89”大停电事故中，霍恩风电场的意外脱网再加上频率变化率超过配电网规定的极限值导致保护装置动作，使得累计功率缺额超过了电网的频率调节能力，最终导致频率下降到 48.8Hz，约 1.5h 后才恢复供电6。早期大量的研究主要是关注功角稳定问题以及电压稳定问题，并未重视对频率的动态特性异常和频率不稳定性的研究。而在可再生能源出力占主导部分的电网中，频率安全的重要程度不言而喻7-10。目前电力系统的频率安全评估(frequency security assessment，FSA)方法主要分为 3 种：时域仿真法11、等值模型法12以及基于数据驱动的人工智能方法13。时域仿真法主要通过仿真软件对完整系统进行详细的离线仿真，虽然精度很高，但其计算量大、耗时长以及建模困难的特点使该方法并不适用于实际电力系统的在线评估；等值模型法通过对系统进行单机等值或忽略部分电气量进行简化分析，虽然评估速度较快，但精度较低，难以应用于大规模系统中；人工智能方法则是基于大量的频率数据样本进行训练并能够在线快速评估或预测的方法，同时保证了准确性与快速性，满足实际电力系统的评估需求。在现代电力系统中，得益于通信技术和相量量测单元(phasor measurement unit，PMU)的飞速发展，可以从分布广泛的 PMU 中获得大量的历史运行数据，为人工智能方法解决频率安全评估问题提供了强有力的数据支撑。文献14和文献15采用支持向量机(support vector machine，SVM)和极限学习机(extreme learning machine，ELM)预测扰动事故下电力系统的频率最低值，但是上述所采用的网络仅有一层隐含层，对特征的提取能力有限，模型无法得到充分的训练；文献16和文献17分别利用深度置信网络进行了频率安全评估和扰动后频率动态曲线的预测，并通过与其他浅层学习模型的对比证明了深度学习方法的优越性，但没有考虑到新能源的接入对电网的影响；文献18利用卷积神经网络(convolutional neural network，CNN)，对多个运行场景下的系统频率指标进行预测和评估，并通过调整基于 CNN 的评估模型中的关键参数，优化所提方法的评估精度。基于上述已有研究，综合考虑电力系统在线应用时的特点，本文提出了一种基于深度残差收缩网络的电力系统暂态频率安全集成评估方法。首先根据系统故障瞬间的最大频率变化率对输入数据进行划分，在此基础上又将直接筛选的特征与 Boruta模型选择的特征分别作为子分类器的输入，采用多个分类器集成对输出进行决策。在引入风电的新英格兰 10 机 39 节点以及 118 节点系统上的算例表明本文所提方法与未考虑到系统最大频率变化率时的深度残差收缩网络算法和其他传统算法相比精度更高，并有着优异的泛化能力和鲁棒性。1 深度残差收缩网络 1.1 网络简介 深度残差收缩网络19(deep residual shrinkage network，DRSN)是由哈尔滨工业大学的赵明航团队于 2019 年发表的一种新型深度学习算法，在机械传动系统故障诊断应用中取得了良好的效果。深度残差收缩网络通过在深度残差网络(deep residual network，ResNet)的基础上引入软阈值函数和注意力机制，将软阈值作为非线性变换层插入到深层结构中，突显出重要特征并抑制非重要特征的影响，在高噪声、高冗余信息的场景下尤为适用。1.2 基本网络结构 深度残差收缩网络 DRSN 与传统的卷积神经网络和深度残差网络都有一些相同的组成部分，包括卷积层(convolutional layer，Conv)、整流线性单元(rectifier linear unit，ReLU)激活函数、批量归一化(batch normalization，BN)、全局平均池化(global average pooling，GAP)和交叉熵损失函数等单元。卷积层是使得卷积神经网络不同于传统全连接(fully connected，FC)神经网络的关键组成部分，它可以大大地减少训练所需的参数数量，从而使训练过程更不容易发生过拟合，卷积层的运算过程可以表示为 *jjiijji Myxkb(1)式中：xi为输入特征映射的第 i 个通道；yj为输出特征映射的第 j 个通道；k 为卷积核；b 为偏置；Mj为用于计算输出特征映射第 j 个通道的集合；*代表卷积运算，卷积可以重复多次来得到输出特征。应用全连接层 FC 输出结果时，可由 softmax函数将输出的分类结果转化