模型-数据融合驱动的频率稳定智能增强判别方法

吕昊; 陈锦辉; 杜友田; 徐式蕴; 李宗翰; 傅太国屹; 刘俊

doi:10.13335/j.1000-3673.pst.2024.0173

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

模型-数据融合驱动的频率稳定智能增强判别方法

支撑碳达峰、碳中和的能源电力关键技术 | 更新时间：2025-12-18

- 模型-数据融合驱动的频率稳定智能增强判别方法
- 模型-数据融合驱动的频率稳定智能增强判别方法
- 电网技术 2025年49卷第8期页码：3314-3323
- 作者机构：
  
  1. 智能网络与网络安全教育部重点实验室(西安交通大学)
  2. 电网安全全国重点实验室(中国电力科学研究院有限公司)
  3. 西安交通大学电气工程学院
- 作者简介：
- 基金信息：
  
  国家重点研发计划项目“响应驱动的大电网稳定性智能增强分析与控制技术”(2021YFB2400800)~~
- DOI：10.13335/j.1000-3673.pst.2024.0173
  中图分类号： M712;TP18
- 纸质出版：2025
- 稿件说明：
移动端阅览
吕昊, 陈锦辉, 杜友田, 等. 模型-数据融合驱动的频率稳定智能增强判别方法[J]. 电网技术, 2025,49(8):3314-3323.

吕昊, 陈锦辉, 杜友田, et al. 模型-数据融合驱动的频率稳定智能增强判别方法[J]. 2025, 49(8): 3314-3323.
吕昊, 陈锦辉, 杜友田, 等. 模型-数据融合驱动的频率稳定智能增强判别方法[J]. 电网技术, 2025,49(8):3314-3323. DOI： 10.13335/j.1000-3673.pst.2024.0173.

吕昊, 陈锦辉, 杜友田, et al. 模型-数据融合驱动的频率稳定智能增强判别方法[J]. 2025, 49(8): 3314-3323. DOI： 10.13335/j.1000-3673.pst.2024.0173.

摘要

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。

Abstract

关键词

Keywords

references

Bellizio Federica,Cremer Jochen L.,Sun Mingyang,Strbac Goran.A causality based feature selection approach for data-driven dynamic security assessment[J].Electric Power Systems Research,2021.

Wang Qi,Li Feng,Tang Yi,Xu Yan.Integrating Model-Driven and Data-Driven Methods for Power System Frequency Stability Assessment and Control[J].IEEE Transactions on Power Systems,2019.

Yan Ziming,Xu Yan.Data-Driven Load Frequency Control for Stochastic Power Systems: A Deep Reinforcement Learning Method With Continuous Action Search[J].IEEE Transactions on Power Systems,2019.

Fei Teng,Yunfei Mu,Hongjie Jia,Jianzhong Wu,Pingliang Zeng,Goran Strbac.Challenges on primary frequency control and potential solution from EVs in the future GB electricity system[J].Applied Energy,2016.

Robert C. Green II,Lingfeng Wang,Mansoor Alam.Applications and Trends of High Performance Computing for Electric Power Systems: Focusing on Smart Grid.[J].IEEE Trans. Smart Grid,2013.

I.M Sobol′.Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates[J].Mathematics and Computers in Simulation,2001.

Anderson P.M.,Mirheydar M..A low-order system frequency response model[J].IEEE Transactions on Power Systems: A Publication of the Power Engineering Society,1990(3).

电能质量　电力系统频率偏差[S].2008.

邓贤哲,姚伟,黄伟,翟苏巍,郑超,李文云,文劲宇.基于自适应时间窗的数据-模型融合驱动暂态频率预测[J].电网技术,2024(04).

杜东来,韩松,荣娜.基于时空图卷积网络和自注意机制的频率稳定性预测[J].电工技术学报,2024(16).

吴萍,赵兵,程奕,孙华东.新型电力系统标准算例(二)：频率稳定CSEE-FS[J].中国电机工程学报,2024(19).

裴铭,李奕霖,叶林,李晖,戴斌华,陈启超,蒋维勇,陈玮.考虑惯量时空特性的系统频率响应组合预测[J].中国电机工程学报,2023(S1).

张英敏,彭泽峰,彭乔,李保宏,张敏,王腾鑫.预测新能源接入电网受扰后频率最低点的通用ASF模型[J].电网技术,2023(05).

张涵,王程,毕天姝.融合物理与数据知识的电力系统扰动后频率在线快速计算方法[J].电网技术,2022(11).

张子扬,张宁,杜尔顺,康重庆,王智冬.双高电力系统频率安全问题评述及其应对措施[J].中国电机工程学报,2022(01).

龚浩岳,周勤勇,郭强,秦晓辉,赵珊珊,苏丽宁,贺海磊.高比例新能源接入场景电力系统频率分析模型改进与应用[J].电网技术,2021(12).

李峰,王琦,胡健雄,汤奕.数据与知识联合驱动方法研究进展及其在电力系统中应用展望[J].中国电机工程学报,2021(13).

孙华东,王宝财,李文锋,杨超,魏巍,赵兵.高比例电力电子电力系统频率响应的惯量体系研究[J].中国电机工程学报,2020(16).

孙华东,许涛,郭强,李亚楼,林伟芳,易俊,李文锋.英国“8·9”大停电事故分析及对中国电网的启示[J].中国电机工程学报,2019(21).

薛禹胜,赖业宁.大能源思维与大数据思维的融合(一)大数据与电力大数据[J].电力系统自动化,2016(01).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

共享电动汽车可调度容量时空预测

基于相似日聚类及模态分解的短期光伏发电功率组合预测研究

基于Koopman时序延拓和CNN-Transformer模型的频率稳定指标预测

基于日盲紫外开关的局部放电检测与诊断技术研究

基于故障及其恢复特征的光伏逆变器电流环控制参数辨识方法