经典低阶频率响应模型可快速计算各项频率指标,但由于高比例新能源系统扰动类型多样,运行方式复杂多变,难以准确获取系统参数和扰动功率大小,同时模型本身线性化会引起较大误差,导致频率预测值和实际值存在较大差异。为使频率响应模型...经典低阶频率响应模型可快速计算各项频率指标,但由于高比例新能源系统扰动类型多样,运行方式复杂多变,难以准确获取系统参数和扰动功率大小,同时模型本身线性化会引起较大误差,导致频率预测值和实际值存在较大差异。为使频率响应模型适应实际应用场景中高精度的要求,该文提出了模型-数据融合驱动的频率稳定智能增强判别方法(model-data driven intelligent enhanced method for frequency stability discrimination,MD-IEFSD),利用扰动初期频率响应数据对模型关键参数进行辨识,建立结合卷积神经网络和注意力机制的CNN-Attention频率参数预测模型,构建了融合参数预测误差和频率响应曲线预测误差的损失函数,引入了参数的敏感性和学习速率的分析,实现了频率稳定性的准确判别。最后以中国电科院万节点测试系统为算例,验证所提方法的可行性和有效性。展开更多
数据驱动建模方法改变了发电机传统的建模范式,导致传统的机电暂态时域仿真方法无法直接应用于新范式下的电力系统。为此,该文提出一种基于数据-模型混合驱动的机电暂态时域仿真(data and physics driven time domain simulation,DPD-T...数据驱动建模方法改变了发电机传统的建模范式,导致传统的机电暂态时域仿真方法无法直接应用于新范式下的电力系统。为此,该文提出一种基于数据-模型混合驱动的机电暂态时域仿真(data and physics driven time domain simulation,DPD-TDS)算法。算法中发电机状态变量与节点注入电流通过数据驱动模型推理计算,并通过网络方程完成节点电压计算,两者交替求解完成仿真。算法提出一种混合驱动范式下的网络代数方程组预处理方法,用以改善仿真的收敛性;算法设计一种中央处理器单元-神经网络处理器单元(central processing unit-neural network processing unit,CPU-NPU)异构计算框架以加速仿真,CPU进行机理模型的微分代数方程求解;NPU作协处理器完成数据驱动模型的前向推理。最后在IEEE-39和Polish-2383系统中将部分或全部发电机替换为数据驱动模型进行验证,仿真结果表明,所提出的仿真算法收敛性好,计算速度快,结果准确。展开更多
文摘经典低阶频率响应模型可快速计算各项频率指标,但由于高比例新能源系统扰动类型多样,运行方式复杂多变,难以准确获取系统参数和扰动功率大小,同时模型本身线性化会引起较大误差,导致频率预测值和实际值存在较大差异。为使频率响应模型适应实际应用场景中高精度的要求,该文提出了模型-数据融合驱动的频率稳定智能增强判别方法(model-data driven intelligent enhanced method for frequency stability discrimination,MD-IEFSD),利用扰动初期频率响应数据对模型关键参数进行辨识,建立结合卷积神经网络和注意力机制的CNN-Attention频率参数预测模型,构建了融合参数预测误差和频率响应曲线预测误差的损失函数,引入了参数的敏感性和学习速率的分析,实现了频率稳定性的准确判别。最后以中国电科院万节点测试系统为算例,验证所提方法的可行性和有效性。
