(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211232757.4 (22)申请日 2022.10.10 (71)申请人 国网辽宁省电力有限公司营口供电 公司 地址 115000 辽宁省营口市站前区渤海大 街东40号 申请人 大连理工大 学 (72)发明人 李卫东　王祥旭　丁奇力　葛延峰　 吴宏章　高永俊　封国鹏　赵晓龙　 马宸　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/06(2012.01) H02J 3/00(2006.01) H02J 3/24(2006.01) H02J 3/48(2006.01) (54)发明名称 一种基于FNP-BPNN融合驱动的电力系统频 率最低点预测方法 (57)摘要 本发明提供一种基于FNP ‑BPNN融合驱动的 电力系统频率最低点预测方法， 属于电力系统频 率稳定分析与控制领域。 作为物理驱动环节， 频 率最低点预测(Frequency  Nadir Prediciton, FNP)模型可以求解频率最低点的解析解， 并在高 速下获得初始预测结果。 作为数据驱动环节， 反 向传播神经网络(Back  Propagation  Neural  Network,BPNN)可以在线 修正初始预测结果的误 差， 提高预测精度。 使用串行模式将两者融合使 用， 可以高效、 准确地获取最终预测结果。 与现有 的融合驱动方法相比， FNP模型可以保留更多的 关键影响 因素， 极大程度上降低了BPNN对样本 数 据和特征维度的依赖， 因此本发 明可以为电力系 统频率稳定分析和控制提供更可靠的指标和依 据。 权利要求书2页 说明书6页 附图2页 CN 115545310 A 2022.12.30 CN 115545310 A 1.一种基于FNP ‑BPNN融合驱动的电力系 统频率最低点预测方法， 其特征在于， 包括以 下步骤： S1： FNP物理模型的建模和频率 最低点求解； S2： BPNN数据模型的离线训练； S3： FNP‑BPNN融合模型的在线应用， 对电力系统频率 最低点进行 预测。 2.根据权利要求1所述的一种基于FNP ‑BPNN融合驱动的电力系统频率最低点预测方 法， 其特征在于， 包括以下步骤： S1： FNP物理模型的建模和频率 最低点求解： S1‑1： 由于大功率缺失下系统频率响应功率PFR,sys随时间t近似线性增加， 当频率跌落 至最低点时达到最大值 并完全弥补系统有功功率缺额Pd； 可近似认为系统受扰后调速器以 一恒定斜 率进行响应， 即： 式中， tnadir为频率最低点时间， 即达 到最大频率偏移量的时刻； S1‑2： 根据转子运动方程， 从频率开始跌落直至最低点的过程中， 其动态变化Δf可近 似表示为时间t的抛物线函数ΔfFNP： S1‑3： 通过将ASF模型的频率反馈解环， 并输入抛物线频差， 实现系统频率ΔfFNP与各机 组频率响应功率PFR,i的解耦： 式中， Gi(s)为第i台发电机组在频域下的调速器动态特性， i＝1,2, …,n， n为电力系统 内的发电机组数量； S1‑4： 对式(3)进行拉普拉斯逆变换， 可 得PFR,i在时域下的表达式： 式中， Cstep,i(t)和Cramp,i(t)分别为第i台发电机组的调速器单位 阶跃响应 曲线和调速 器单位斜坡响应曲线： 式中， [ai,bi,ci]T为二项式拟合系数； [0,tfit]为时域拟合区间； S1‑5： 通过发电机调门扰动 实验获得系统内所有发电机组的Cstep,i(t)和Cramp,i(t)， 对 Cramp,i(t)进行二项式拟合得到 则可构建FNP模型； S1‑6： 由于系统在频率 最低点时刻的频率响应总功率PFR,sys与Pd相等， 即：权　利　要　求　书 1/2 页 2 CN 115545310 A 2式中， λi为从机组标幺值 转化为系统容 量标幺值的转换系数： 则可根据二元一次方程的求 根公式， 求 解频率最低点的解析表达式： 式中， Δfmax为最大频率偏移量， A和B分别为二元一次方程的二次项系数和一次项系 数： S2： BPNN数据模型的离线训练： S2‑1： 根据不同运行场景下的历史数据， 将FNP模型计算所得频率最低点的初步结果作 为BPNN的输入 特征， 将频率最低点的实际结果作为BPNN的输出标签； 如果历史数据不充足， 使用平均系统频率ASF模型计算所得频率最低点的结果来代替实际结果； 上述数据 组成样 本数据集； S2‑3： 初始化BPN N的网络权值和神经元偏置； 从样本数据集中选取第一个样本； S2‑4： 将输入特征代入到BPNN 中， 通过前向传播求出各个隐含层和输入层的输出， 求输 出层与输出标签的误差； 判断输出误差是否小于可以接受的范围， 是则跳至S2 ‑6， 否则跳至 S2‑5； S2‑5： 通过反向传播求出所有隐含层的误差， 对网络权值和神经元偏置进行调整； 跳至 S2‑4； S2‑6： 判断是否为最后一个样本， 是则离线训练过程结束， 否则选择下一个样本 并跳至 S2‑4； S3： FNP‑BPNN融合模型的在线应用： S3‑1： 当实际扰动发生时， 通过广域测量系统WAMS在线收集和实时计算扰动幅值Pd， 通 过事前机组组合和出力情 况获得S1 ‑4中所述各发电机的二项式拟合系数[ai,bi,ci]T， 将其 输入FNP模型中， 获得 频率最低点的初始预测结果； S3‑2： 将初始预测结果输入到离线训练完毕的BPNN模型中， 即可获得频率最低点的实 际预测结果； 据此， 可以明确电网频率态 势， 并制定频率控制措施。权　利　要　求　书 2/2 页 3 CN 115545310 A 3