基于卷积神经网络的扰动后动态频率特征预测
信号处理
2019-09-23 v1 系统与控制
系统与控制
摘要
严重扰动引起的发电与负荷之间的显著不平衡可能导致电力系统无法维持稳定频率。若能预测扰动后的动态频率特征并采取适当的紧急控制措施，频率失稳的风险将大大降低。本文提出了一种基于卷积神经网络（CNN）的扰动后动态频率特征预测算法。利用扰动前及扰动后瞬间的运行数据构建CNN的输入张量数据，以扰动后电力系统的动态频率特征作为输出。电力系统的运行数据（如发电机不平衡功率）具有空间分布特性。引入电气距离来描述电力系统节点的空间相关性，并使用t-SNE降维算法将节点的高维距离信息映射到二维平面，从而构建CNN输入张量，以反映节点运行数据在二维平面上的空间分布。采用具有深层网络结构和局部连接特性的CNN，并利用反向传播-梯度下降算法训练网络参数。在改进的IEEE 39节点系统和美国某实际电网上的案例研究结果表明，所提方法能够准确、快速地预测扰动后电力系统的最低频率。
引用
@article{arxiv.1909.09323,
title = {Post-Disturbance Dynamic Frequency Features Prediction Based on Convolutional Neural Network},
author = {Jintian Lin and Yichao Zhang and Xiaoru Wang and Qingyue Chen},
journal= {arXiv preprint arXiv:1909.09323},
year = {2019}
}