一种宽频振荡风险预警方法、系统及设备与流程

本发明涉及电力系统，特别涉及一种宽频振荡风险预警方法、系统及设备。

背景技术：

1、随着大规模新能源（风电、光伏）并网、柔性直流输电等电力电子设备的广泛应用，新型电力系统呈现出低惯量、强非线性、宽频域振荡的显著特征，电网系统特性由传统的机电暂态为主导，逐渐演变为机电暂态与电磁暂态相互作用为主导，并最终向以全电磁暂态为主导发展，导致次/超同步振荡、中高频振荡等新型宽频振荡稳定性问题频发，并引发新能源脱网、火电机组跳闸等故障。

2、宽频振荡涵盖0.1hz-2500hz的全频段，包含基波波动、谐波超标、间谐波突变等多种形式，其中，电力电子设备与电网之间，以及电力电子设备之间的耦合作用易引发振荡幅值放大，若未能及时预警并防控，可能导致新能源机组脱网、电力电子设备损坏、系统功角失稳等意外。现阶段，针对宽频振荡，目前主要是被动应对为主，即在振荡发生且产生较大影响并能被监测到后再去处理，缺乏事前预警机制及应对策略。

3、当前宽频振荡风险预警技术主要分为数据驱动型与模型驱动型两类，但均存在明显局限性，难以满足新型电力系统的预警需求：

4、其一，现有数据驱动型预警方法，多仅针对单一频段（如次同步、超同步）或单一信号（如基波、谐波）进行监测，虽然宽频测量数据可以实现2500hz范围内基波、间谐波和谐波的统一监测，但是其监测往往是在振荡发生后呈现明显的振荡且出现告警后才能发现，且现有的振荡监测与辨识技术、振荡特征挖掘方法缺乏针对性，易遗漏关键振荡前兆特征，导致振荡误报或漏报。因此，在仅宽频测量数据来实现振荡告警还存在不足的情况下，仅数据来实现预警也更加难以保障，因此需要结合电网模型来改进和完善告警方法。

5、其二，当前模型驱动型预警方法，多采用固定参数模型，难以适配新型电力系统运行工况的动态变化（如新能源渗透率波动、柔性直流功率调整），建模误差大，风险量化精度不足。

6、其三，当前的振荡预警缺乏模型与数据的深度融合机制，数据驱动的异常识别与模型驱动的风险推演相互割裂，无法充分发挥两者优势，导致预警精度低、响应滞后，难以提前预判振荡风险的发展趋势。

7、此外，现有预警方法多缺乏闭环优化机制，预警参数无法根据系统运行反馈动态调整，长期运行后预警精度会逐步下降，难以适应新型电力系统长期运行的动态需求。

8、因此，如何提供一种宽频振荡风险预警方法、系统及设备，是目前亟待解决的问题。

技术实现思路

1、本发明实施例提供了一种宽频振荡风险预警方法、系统及设备，以解决现有技术中的上述技术的问题。

2、根据本发明实施例的第一方面，提供了一种宽频振荡风险预警方法。

3、在一个实施例中，所述一种宽频振荡风险预警方法，包括：

4、对获取的电力系统中预设监测节点的初始宽频量测数据进行预处理，得到宽频分析数据集；其中，所述初始宽频量测数据包括基波、间谐波和谐波；

5、对宽频分析数据集提取初始宽频量测数据的时序特征和耦合关联特征，并对时序特征和耦合关联特征进行融合，得到综合特征；利用异常检测算法对综合特征进行异常识别，得到异常特征集；

6、构建并优化宽频振荡风险评估模型，将异常特征集输入至优化后的宽频振荡风险评估模型，并结合电力系统模型信息进行风险量化和振荡发展趋势推演，得到模型驱动风险评估结果；

7、采用自适应加权融合算法对异常特征集和模型驱动风险评估结果进行融合，得到综合风险评估结果，并结合预设的风险分级标准确定宽频振荡风险等级；

8、基于宽频振荡风险等级生成分级预警信息，并采集生成分级预警信息后电力系统的宽频量测数据，对初始宽频量测数据的特征提取过程和宽频振荡风险评估模型进行优化。

9、在一个实施例中，所述对获取的电力系统中预设监测节点的初始宽频量测数据进行预处理，得到宽频分析数据集包括以下步骤：

10、利用预设的采样频率和宽频范围采集监测节点中基波、间谐波与谐波的幅值数据、频率数据和相位数据；

11、基于预设的振荡告警值和数据处理算法，对基波、间谐波与谐波的幅值数据、频率数据和相位数据进行异常剔除、噪声压制、冗余压缩和标准化处理，得到宽频分析数据集；其中，所述数据处理算法包括三倍标准差算法、小波包去噪算法、冗余压缩算法和z-score标准化算法。

12、在一个实施例中，所述对宽频分析数据集提取初始宽频量测数据的时序特征和耦合关联特征，并对时序特征和耦合关联特征进行融合，得到综合特征，利用异常检测算法对综合特征进行异常识别，得到异常特征集包括：

13、将宽频分析数据集输入至预设的时序特征提取网络，利用特征提取层提取初始宽频量测数据中基波、间谐波和谐波对应的时序特征；其中，所述时序特征提取网络包括特征提取层、注意力增强层和特征融合层；

14、利用注意力增强层调整间谐波时序特征的权重系数，并计算基波与间谐波的比值，得到耦合关联特征；

15、利用特征融合层，对基波、间谐波和谐波对应的时序特征和耦合关联特征进行时间对齐、归一化和向量拼接处理，得到综合特征；

16、采用孤立森林算法的异常检测算法对综合特征进行检测，并结合预设的异常判定阈值，对检测后的综合特征进行标记，得到异常类型；其中，所述异常类型包括基波波动异常、谐波超标异常或间谐波突变异常中的至少一种；

17、结合异常类型、异常发生时刻及对应的关键特征值，构建异常特征集。

18、在一个实施例中，所述构建并优化宽频振荡风险评估模型，将异常特征集输入至优化后的宽频振荡风险评估模型，并结合电力系统模型信息进行风险量化和振荡发展趋势推演，得到模型驱动风险评估结果包括以下步骤：

19、基于阻抗-模态融合模型构建宽频振荡风险评估模型，并结合预设的工况参数映射表，优化宽频振荡风险评估模型的模型参数；其中，所述模型参数包括阻抗修正系数和模态阻尼权重；

20、将异常特征集输入至优化后的宽频振荡风险评估模型，并结合电力系统模型信息计算异常特征集中每个异常特征的子风险指数；

21、基于子风险指数构建风险指数序列，并输入至预先训练好的长短时记忆网络进行预测，根据预测结果，对宽频振荡风险的发展趋势进行推演，得到模型驱动风险评估结果。

22、在一个实施例中，所述采用自适应加权融合算法对异常特征集和模型驱动风险评估结果进行融合，得到综合风险评估结果，并结合预设的风险分级标准确定宽频振荡风险等级包括以下步骤：

23、根据模型驱动风险评估结果确定模型风险指数，并根据异常特征集中的异常类型、异常发生时刻及对应的关键特征值确定数据风险指数，并利用数据风险指数和模型风险指数确定数据驱动权重和模型驱动权重；

24、基于数据驱动权重和模型驱动权重，对数据风险指数和模型风险指数进行加权融合，得到综合风险评估结果；

25、将综合风险评估结果与预设的风险分级阈值进行比较，确定宽频振荡风险等级。

26、在一个实施例中，所述将综合风险评估结果与预设的风险分级阈值进行比较，确定宽频振荡风险等级包括：

27、预设风险分级阈值包括第一阈值、第二阈值和第三阈值；当综合风险评估结果小于第一阈值时，确定为第一风险等级；当综合风险评估结果大于或等于第一阈值且小于第二阈值时，确定为第二风险等级；当综合风险评估结果大于或等于第二阈值且小于第三阈值时，确定为第三风险等级；当综合风险评估结果大于或等于第三阈值时，确定为第四风险等级。

28、在一个实施例中，所述基于宽频振荡风险等级生成分级预警信息，并采集生成分级预警信息后电力系统的宽频量测数据，利用宽频量测数据对时序特征提取网络和宽频振荡风险评估模型进行优化包括：

29、基于宽频振荡风险等级生成对应的分级预警信息，当宽频振荡风险等级为第一风险等级时，生成正常运行信息；当风险等级为第二风险等级时，生成关注提示信息；当风险等级为第三风险等级时，生成预警提示信息和第一防控方案；当风险等级为第四风险等级时，生成紧急预警提示信息和第二防控方案；

30、采集分级预警信息生成后、第一防控方案执行后或第二防控方案执行后的宽频量测数据，对时序特征提取网络中注意力增强层的权重系数和宽频振荡风险评估模型的阻抗修正系数进行优化。

31、在一个实施例中，所述综合风险评估结果表达式为：

32、；

33、式中，为综合风险评估结果，为数据风险指数，为模型风险指数，为数据驱动权重，为模型驱动权重。

34、根据本发明实施例的第二方面，提供了一种宽频振荡风险预警系统。

35、在一个实施例中，所述一种宽频振荡风险预警系统，包括：

36、宽频全量数据及预处理模块，用于对获取的电力系统中预设监测节点的初始宽频量测数据进行预处理，得到宽频分析数据集；其中，所述初始宽频量测数据包括基波、间谐波和谐波；

37、数据驱动特征挖掘及风险评估模块，用于对宽频分析数据集提取初始宽频量测数据的时序特征和耦合关联特征，并对时序特征和耦合关联特征进行融合，得到综合特征；利用异常检测算法对综合特征进行异常识别，得到异常特征集；

38、模型驱动的风险评估模块，用于构建并优化宽频振荡风险评估模型，将异常特征集输入至优化后的宽频振荡风险评估模型，并结合电力系统模型信息进行风险量化和振荡发展趋势推演，得到模型驱动风险评估结果；

39、数据模型融合的风险评估模块，用于采用自适应加权融合算法对异常特征集和模型驱动风险评估结果进行融合，得到综合风险评估结果，并结合预设的风险分级标准确定宽频振荡风险等级；

40、预警信息输出与闭环优化模块，用于基于宽频振荡风险等级生成分级预警信息，并采集生成分级预警信息后电力系统的宽频量测数据，对初始宽频量测数据的特征提取过程和宽频振荡风险评估模型进行优化。

41、在一个实施例中，所述宽频全量数据及预处理模块包括：数据采集子模块和数据预处理子模块，其中，数据采集子模块，用于利用预设的采样频率和宽频范围采集监测节点中基波、间谐波与谐波的幅值数据、频率数据和相位数据；数据预处理子模块，用于基于预设的振荡告警值和数据处理算法，对基波、间谐波与谐波的幅值数据、频率数据和相位数据进行异常剔除、噪声压制、冗余压缩和标准化处理，得到宽频分析数据集；其中，所述数据处理算法包括三倍标准差算法、小波包去噪算法、冗余压缩算法和z-score标准化算法。

42、在一个实施例中，所述数据驱动特征挖掘及风险评估模块包括：特征提取子模块、注意力增强子模块、特征融合子模块、异常检测子模块和异常特征集构子模块，其中，特征提取子模块，用于将宽频分析数据集输入至预设的时序特征提取网络，利用特征提取层提取初始宽频量测数据中基波、间谐波和谐波对应的时序特征；其中，所述时序特征提取网络包括特征提取层、注意力增强层和特征融合层；注意力增强子模块，用于利用注意力增强层调整间谐波时序特征的权重系数，并计算基波与间谐波的比值，得到耦合关联特征；特征融合子模块，用于利用特征融合层，对基波、间谐波和谐波对应的时序特征和耦合关联特征进行时间对齐、归一化和向量拼接处理，得到综合特征；异常检测子模块，用于采用孤立森林算法的异常检测算法对综合特征进行检测，并结合预设的异常判定阈值，对检测后的综合特征进行标记，得到异常类型；其中，所述异常类型包括基波波动异常、谐波超标异常或间谐波突变异常中的至少一种；异常特征集构子模块，用于结合异常类型、异常发生时刻及对应的关键特征值，构建异常特征集。在一个实施例中，模型驱动的风险评估模块包括：模型构建优化子模块、风险指数计算子模块和趋势推演子模块，其中，模型构建优化子模块，用于基于阻抗-模态融合模型构建宽频振荡风险评估模型，并结合预设的工况参数映射表，优化宽频振荡风险评估模型的模型参数；其中，所述模型参数包括阻抗修正系数和模态阻尼权重；风险指数计算子模块，用于将异常特征集输入至优化后的宽频振荡风险评估模型，并结合电力系统模型信息计算异常特征集中每个异常特征的子风险指数；趋势推演子模块，用于基于子风险指数构建风险指数序列，并输入至预先训练好的长短时记忆网络进行预测，根据预测结果，对宽频振荡风险的发展趋势进行推演，得到模型驱动风险评估结果。

43、在一个实施例中，数据模型融合的风险评估模块包括权重确定子模块、加权融合子模块和风险等级确定子模块，其中，权重确定子模块，用于根据模型驱动风险评估结果确定模型风险指数，根据异常特征集中的异常类型、异常发生时刻及对应的关键特征值确定数据风险指数，并利用数据风险指数和模型风险指数确定数据驱动权重和模型驱动权重；加权融合子模块，用于基于数据驱动权重和模型驱动权重，对数据风险指数和模型风险指数进行加权融合，得到综合风险评估结果；风险等级确定子模块，用于将综合风险评估结果与预设的风险分级阈值进行比较，确定宽频振荡风险等级。

44、在一个实施例中，所述风险等级确定子模块包括分级阈值子模块和等级判断子模块，其中，分级阈值子模块，用于预设风险分级阈值包括第一阈值、第二阈值和第三阈值；等级判断子模块，用于当综合风险评估结果小于第一阈值时，确定为第一风险等级；当综合风险评估结果大于或等于第一阈值且小于第二阈值时，确定为第二风险等级；当综合风险评估结果大于或等于第二阈值且小于第三阈值时，确定为第三风险等级；当综合风险评估结果大于或等于第三阈值时，确定为第四风险等级。

45、在一个实施例中，所述预警信息输出与闭环优化模块包括预警信息生成子模块、反馈数据采集优化子模块，其中，

46、预警信息生成子模块，用于基于宽频振荡风险等级生成对应的分级预警信息，当宽频振荡风险等级为第一风险等级时，生成正常运行信息；当风险等级为第二风险等级时，生成关注提示信息；当风险等级为第三风险等级时，生成预警提示信息和第一防控方案；当风险等级为第四风险等级时，生成紧急预警提示信息和第二防控方案；反馈数据采集优化子模块，用于采集分级预警信息生成后、第一防控方案执行后或第二防控方案执行后的宽频量测数据，对时序特征提取网络中注意力增强层的权重系数和宽频振荡风险评估模型的阻抗修正系数进行优化。

47、根据本发明实施例的第三方面，提供了一种计算机设备。

48、在一些实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

49、本发明实施例提供的技术方案可以包括以下有益效果：

50、1、宽频全量统一监测：突破现有技术单一频段、单一信号监测的局限，实现2500hz范围内基波、间谐波、谐波的一个或多个频段信号统一实时监测，完整捕捉宽频振荡的全频段特征，避免遗漏关键振荡前兆，降低预警漏报率。

51、2、模型灵活可调：构建可灵活调整的宽频振荡风险评估模型，可根据新型电力系统运行工况（新能源渗透率、柔性直流容量）动态调整模型参数，适配系统时变特性，解决固定参数模型建模误差大、适应性差的问题。

52、3、数据和模型的融合：采用自适应加权融合算法，实现数据驱动的异常识别与模型驱动的风险推演的深度融合，可根据数据质量与模型精度动态分配权重，提升风险量化与等级判定的准确性。

53、4、闭环优化能力：构建采集、挖掘、建模、融合、预警、优化的闭环预警机制，通过实时反馈数据动态调整模型参数、融合权重及预警阈值，持续优化预警性能，解决现有预警方法精度随运行时间下降的问题。

54、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。