摘要
电力系统向高比例可再生能源、高比例电力电子设备、多能互补综合能源利用和物理信息深度融合等方向发展，低惯量可再生能源的发展及大电网复杂互联导致现代电力系统呈现出强时变性、强非线性、强不确定性和数据多样性等特征，扰动后系统频率动态行为愈加复杂。在电力系统频率运行与控制中，需要对频率安全稳定状态、频率动态行为特征和各测量点记录的扰动响应信息综合分析，评估系统频率安全稳定程度，为电网运行调度的综合决策以及优化控制提供辅助。如何依据观测到的系统状态快速、准确地获知系统宏观属性和局部相关信息，是频率问题的关键。单纯用数学模型描述来反映新形态下电力系统频率的问题特性，存在诸多局限。深度学习(DeepLeaming，DL)作为一项新兴的人工智能(Anificialintelligence，AI)技术路径，其强大的数据分析、预测、分类能力在电力系统频率分析与控制等复杂问题中具有独特优势。因此，为了应对电网形态变化所带来的挑战，丰富频率动态分析理论体系和方法手段，保障系统频率稳定，研究人工智能辅助的电力系统频率动态分析理论具有重要意义。 本文以提升对大规模可再生能源和特高压直流持续接入下系统频率响应特征的认知为出发点，对频率响应模式量化描述，频率特性与功角振荡的耦合机理，深度学习等智能方法与频率响应特征评估问题结合开展研究，主要工作如下: (1)针对频率动态行为特征量化分析需求，提出一种频率响应模式的定义及其量化描述和计算方法。系统剖析频率响应的分散性、统一性、独立性和耦合性的内在联系和外在表现的辩证关系，明确频率响应模式量化描述的需求;基于扰动后频率动态行为特征，从分散性指标、统一性指标和系统性指标三方面计算并提取频率响应的特征量;提出分散性指标矩阵和统一性指标矩阵计算方法，定义并构建频率响应模式，提出其定量化描述方法。最后，基于所提出的频率响应模式量化描述方法，通过大电网算例仿真分析可再生能源渗透率和特高压直流输电对频率响应模式分散性和统一性指标的影响，验证其有效性。频率响应模式量化信息可为深度学习等人工智能方法应用于频率问题建立理论基础和量化分析依据，对智能方法如何选择提取特征量提供系统的理论和方法支撑。 (2)针对频率响应与其他物理量的耦合性受其分散性影响现象，提出一种分析频率时空分布响应特性与功角振荡耦合特性及机理的方法。基于两机系统模型理论推导扰动后系统功角与两机频率的变化规律，分析扰动后系统稳定和不稳定两种情况下的频率响应特性与功角特性的耦合机理:构建频率.功角动态响应耦合特性分析框架，提出功角振荡特性量化指标，用以定量描述频率响应模式与功角振荡模式的耦合特性，并提出耦合强度量化评估指标:最后，通过算例仿真分析功角振荡时频率响应模式的变化过程，揭示功角振荡特征对频率响应模式的影响规律，定量评估不同频率响应指标与功角指标的耦合强度。理论分析和仿真表明，所述特征指标使得功角振荡和频率响应模式的耦合特性和耦合强度具有可量化性，为后续频率响应时空分布特性的深度研究和优化控制措施提供参考。 (3)将频率响应的时空分布特征与深度学习方法相结合，提出一种人工智能辅助的频率响应模式特征评估方法，实现大扰动后系统频率响应模式特征的快速准确评估。 深度讨论卷积长短时记忆神经网络(ConvolutionalLongShort-TernlMemow，ConvLSTM)与频率响应模式评估问题的适配性，构建考虑频率时空分布特性的深层模型;以频率响应分析理论及频率响应模式量化描述为基础，选取关键特征变量作为所提模型的输入特征和输出特征，并通过智能方法实现输入特征类别的筛选;提出一种计及时间与空间分布特性适用于ConvLSTM深层模型的三维特征张量构建方法，基于PSS/E进行扰动后频率响应模式数据库的批量生成;系统研究所提智能评估模型的网络结构和参数调优方法，确立适用于频率响应模式评估问题的深度网络架构和参数配置，提高模型的评估性能、泛化能力和鲁棒性。通过实际大电网算例分析结果表明，所提模型能够更加快速准确评估频率响应特征指标，与其他深度学习模型相比，具有更优越的功能，更好的评估性能，更强的泛化能力和鲁棒性。
NETL