王宵雅, 杨士伟, 杨毅乐, 孙正龙, 姜超, 陈威翰
摘要 (
)
PDF全文 (
)
可视化
收藏
随着互联电力系统规模的增长和可再生能源并网发电比例的提高,电力系统频率扰动时有发生,快速准确判定频率扰动类型对于后续合理采取抑制措施、提高电网稳定性具有重要意义,文中提出一种考虑相量测量单元(Phasor Measurement Unit,PMU)优化布点的频率扰动事件识别方法。首先通过Python和仿真软件DIgSILENT的互联,完成用于频率扰动事件(Frequency Disturbance Events,FDEs)判别特征数据集的构建;其次,建立卷积神经网络模型对FDEs分类;然后,针对PMU优化布点问题,提出嵌入卷积神经网络模型训练的贪婪算法,在部分可观测性下得到最合适的PMU布点位置,最终准确、快速、经济地实现FDEs判别,在EEE39节点系统验证所提方法的有效性;最后,针对深度学习网络模型的“黑盒”问题,提出基于SHAP(SHapley Additive exPlanations)理论的归因分析框架,通过计算Shapley值得到电力系统FDEs特征量重要度关系,提高模型输出结果的可解释性和可信度。