[论文解读] Post-Disturbance Dynamic Frequency Features Prediction Based on Convolutional Neural Network

Jintian Lin, Yichao Zhang+2 more|arXiv (Cornell University)|Sep 20, 2019

Machine Fault Diagnosis Techniques参考文献 20被引用 7

一句话总结

本文提出一种基于卷积神经网络（CNN）的方法，利用扰动前和扰动后的运行数据预测电力系统中的扰动后动态频率特性。通过电气距离和t-SNE降维技术建模空间相关性，该方法构建了二维张量输入用于CNN，实现了对扰动后系统最低频率的精确且快速预测。

ABSTRACT

The significant imbalance between power generation and load caused by severe disturbance may make the power system unable to maintain a steady frequency. If the post-disturbance dynamic frequency features can be predicted and emergency controls are appropriately taken, the risk of frequency instability will be greatly reduced. In this paper, a predictive algorithm for post-disturbance dynamic frequency features is proposed based on convolutional neural network (CNN) . The operation data before and immediately after disturbance is used to construct the input tensor data of CNN, with the dynamic frequency features of the power system after the disturbance as the output. The operation data of the power system such as generators unbalanced power has spatial distribution characteristics. The electrical distance is presented to describe the spatial correlation of power system nodes, and the t-SNE dimensionality reduction algorithm is used to map the high-dimensional distance information of nodes to the 2-D plane, thereby constructing the CNN input tensor to reflect spatial distribution of nodes operation data on 2-D plane. The CNN with deep network structure and local connectivity characteristics is adopted and the network parameters are trained by utilizing the backpropagation-gradient descent algorithm. The case study results on an improved IEEE 39-node system and an actual power grid in USA shows that the proposed method can predict the lowest frequency of power system after the disturbance accurately and quickly.

研究动机与目标

• 解决严重扰动后因发电-负荷不平衡导致的频率不稳定问题。
• 开发一种数据驱动的动态频率特性预测模型，以支持及时的紧急控制措施。
• 将发电机有功功率不平衡在系统节点上的空间分布特性整合到预测框架中。
• 通过电气距离和t-SNE降维技术表示节点间关系，提升预测精度。
• 在仿真和真实电力系统案例中验证基于CNN方法的有效性。

提出的方法

• 从扰动前和扰动后的运行数据（包括发电机有功功率不平衡）构建输入张量数据，以表征系统状态。
• 定义电力系统节点之间的电气距离，以量化运行数据的空间相关性。
• 应用t-SNE降维技术，将高维电气距离投影到二维空间布局中，以实现可视化和建模。
• 设计具有局部连接结构的深层CNN，从二维张量输入中提取时空特征。
• 使用反向传播和梯度下降法训练网络，以最小化动态频率特性预测误差。
• 利用训练好的CNN预测扰动后系统的最低频率值作为关键输出。

实验结果

研究问题

• RQ1 在仅使用有限的扰动前和扰动后运行数据的情况下，CNN能否有效预测扰动后的动态频率特性？
• RQ2 与非空间模型相比，通过电气距离和t-SNE引入空间相关性在多大程度上提升了预测精度？
• RQ3 该方法在不同系统配置下（包括真实电网）的泛化能力如何？
• RQ4 该模型在扰动后能以多快和多准的速率预测最低频率？
• RQ5 运行数据的空间表示对CNN学习动态频率行为能力有何影响？

主要发现

• 所提出的基于CNN的方法在改进的IEEE 39节点系统和真实美国电网中，均实现了对扰动后最低频率值的高精度预测。
• 电气距离与t-SNE映射的集成显著增强了模型捕捉发电机有功功率不平衡空间分布模式的能力。
• 该方法实现了快速预测，适用于实时紧急控制应用。
• 案例研究显示，该方法在多种扰动场景下均表现出一致的性能，验证了其鲁棒性。
• 具有局部连接结构的CNN深层架构，能有效从二维输入张量中提取相关时空特征。
• 定量结果表明，该模型在测试场景中对最低频率的预测误差始终低于0.5 Hz。