一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及系统

一种基于xgboost的asfr模型中动态阻尼因子、多维频率指标的预测方法及系统
技术领域
1.本发明属于电力系统技术领域，具体涉及一种基于xgboost的asfr模型中动态阻尼因子、多维频率指标的预测方法及系统。


背景技术：

2.频率衡量了有功出力和负荷平衡程度，是反映电能质量和系统安全稳定运行的重要指标。若扰动事故后系统频率无法维持在电网容许范围，将触发低频减载、高周切机等装置动作，使得系统面临大范围切机、切负荷风险，严重时甚至会引起频率崩溃，造成巨大社会和经济损失。
3.系统频率响应(system frequency response，sfr)模型是目前频率稳定分析的主要方法之一，在忽略高阶非线性环节以及限幅环节的基础上，将全网发电机/负荷模型等值成单机带集中负荷模型，与全模型时域仿真法相比，极大减轻了计算量，模型求解速度快。然而，当前研究往往分析将同类型机组聚合成一台机组，而实际电力系统由多种不同类型机组组成，如水电机组和火电机组，两者并不完全匹配。为构建适用于实际电网的频率响应模型，仍需研究将电网中多台不同类型机组分别高精度地聚合为单台同类型机组的聚合多机系统频率响应模型(asfr)。
4.同时，为准确预测扰动事故后的频率指标，需要精确asfr模型的参数。然而，对于阻尼系数，由于其影响因素复杂多样，且阻尼系数随频率偏差变化而变化，精确设置asfr模型中的阻尼系数较为困难。为简化起见，通常仅考虑负载频率特性对阻尼因子的影响，并基于人工经验将其设定为恒定值，例如d＝1～2pu。但是，在电力系统中，除了负荷阻尼因子之外，电力系统的阻尼还包括其它元素，例如，由于涡轮发电机转速特性而引起的阻尼，由于励磁系统而引起的阻尼以及由于调速系统而引起的阻尼。忽略电力系统运行状态、励磁系统及调速系统对动态阻尼因子的影响，采用固定的阻尼因子，导致了利用asfr模型计算电力系统受扰后的频率指标时出现相当大的误差，尤其是应用于实际大电网。
5.因此，构建精确的asfr模型并实时校正asfr模型的动态阻尼因子是实现asfr模型计算精度与效率的提高的关键性因素，也是亟待研究的。


技术实现要素：

6.本发明的目的是提供一种基于xgboost的asfr模型中动态阻尼因子、多维频率指标的预测方法及系统，所述预测方法能够准确获得asfr模型的动态阻尼因子，使得asfr模型能准确预测扰动事故后的多维频率指标。。
7.一方面，本发明提供一种基于xgboost的asfr模型中动态阻尼因子预测方法，包括如下步骤：
8.步骤1：计算多机系统的等效参数，进而构建聚合多机系统频率响应模型asfr；
9.步骤2：基于海量预想故障场景的模拟结果获取动态阻尼因子数据集，所述动态阻
尼因子数据集包括系统运行数据及动态阻尼因子数据；
10.步骤3：利用所述动态阻尼因子数据集对xgboost模型进行迭代训练建立系统运行数据与动态阻尼因子之间的非线性映射关系，进而得到动态阻尼因子预测模型；
11.其中，所述动态阻尼因子预测模型的输入特征变量为系统运行数据，输出特征量为动态阻尼因子；
12.步骤4：获取故障消除时刻的系统运行数据，并输入至步骤3确定的所述动态阻尼因子预测模型，预测所述故障对应的动态阻尼因子。
13.本发明利用xgboost建立动态阻尼因子预测模型，进而实现对asfr模型中的动态阻尼因子的实时校正，为asfr模型能准确预测扰动事故后的多维频率指标奠定了基础。其中，系统运行数据为：发电机电磁功率/无功功率、母线电压幅值/电压相角、系统有功负荷/无功负荷、线路有功功率、备用容量、扰动后功率缺额值。
14.第二方面，本发明提供一种融合asfr和xgboost的多维频率指标预测方法，包括如下步骤：
15.s1：获取前述基于xgboost的asfr模型中动态阻尼因子的预测方法所构建的asfr模型及基于xgboost的动态阻尼因子预测模型；
16.s2：获取故障消除时刻的系统运行数据，并输入至步骤s1确定的所述动态阻尼因子预测模型，得到所述故障对应的动态阻尼因子，并将所述动态阻尼因子输入步骤s1构建的asfr模型；
17.s3：利用所述asfr模型预测扰动故障后的极值频率和/或准稳态频率。
18.本发明利用xgboost建立动态阻尼因子预测模型，进而实现对asfr模型中的动态阻尼因子的实时校正，最终使得asfr模型能准确预测扰动事故后的多维频率指标。
19.可选地，所述asfr模型的构建过程为：
20.通过加权动态等值法计算多机系统和机组的等效参数；
21.基于所述等效参数将多机系统中每个类型的多台机组分别等值为单台同类型机组；再组合为所述聚合多机系统频率响应模型(asfr)；
22.可选地，若多机系统中机组的类型包括火电机组和水电机组，分别将多台火电机组和多台水电机组等值为一台火电机组和一台水电机组，再构建asfr模型，对应的所述等效参数包括：等效惯性时间常数、等效调差系数、机组标准化增益、水电机组原动机
‑
调速器的等效参数以及火电机组原动机
‑
调速器的等效参数；
23.其中，多机系统的等效惯性时间常数h
sys
的计算如下：
[0024][0025]
式中，h
i,sys
为第i台机组的等效惯性时间常数，h
i
表示第i台机组的惯性时间常数；n为机组的总数；s
i
表示第i台机组的额定功率；s
sys
表示系统的额定功率；
[0026]
多机系统的等效调差系数r的计算如下：
[0027][0028]
式中，r
i
为第i台机组的等效调差系数，k
mi
为第i台机组的增益，k
i
为第i台机组的等效增益；
[0029]
所述机组标准化增益的计算如下：
[0030][0031]
式中：k
′
i
为机组i的标准化增益；
[0032]
所述火电机组原动机
‑
调速器的等效参数的计算如下：
[0033][0034]
式中，x
′
1,j
为火电机组中第j个参数对应的等效参数，表示第i个火电机组的第j个参数，n1为火电机组的机组个数，n3为火电机组的参数个数；
[0035]
所述水电机组原动机
‑
调速器的等效参数的计算如下：
[0036][0037]
式中，x
′
2,j
为水电机组中第j个参数对应的等效参数，表示第i个水电机组的第j个参数，n2为水电机组的机组个数，n4为水电机组的参数个数。
[0038]
现有技术中往往是将多台火电机组聚合成一台火电机组，而实际电力系统由多种不同类型机组组成，如水电机组和火电机组，两者并不完全匹配。为构建适用于实际电网的频率响应模型，本发明将电网的多台不同类型机组分别高精度地聚合为单台同类型机组，进而构建asfr模型。
[0039]
可选地，所述动态阻尼因子预测模型如下所示：
[0040][0041]
式中：为第i个样本对应的动态阻尼因子预测值，f
k
(x
i
)代表第k棵树对第i个样本的动态阻尼因子预测值，x
i
为第i个样本对应的系统运行数据，k为所建立的回归树数目。
[0042]
可选地，在所述xgboost模型的迭代训练过程中采用贝叶斯优化方法确定所述xgboost模型的最佳超参数，并再次训练确定最佳超参数下的xgboost模型，得到所述动态阻尼因子预测模型。
[0043]
可选地，所述动态阻尼因子数据集中的动态阻尼因子按照如下方式获取：
[0044]
通过时域仿真法模拟海量预想故障场景，并针对每一个预想故障场景执行如下过程：
[0045]
调整预测故障场景下所述asfr模型的动态阻尼因子，使得所述asfr模型得到的极值频率和/或准稳态频率与时域仿真得到的极值频率和/或准稳态频率一致；进而确定所述预想故障场景下极值频率和/或准稳态频率对应的动态阻尼因子。
[0046]
第三方面，本发明提供了一种预测系统，其包括：聚合多机系统频率响应模型构建模块，动态阻尼因子数据集构建模块、动态阻尼因子预测模型构建模块和动态阻尼因子预测模块；
[0047]
其中，所述聚合多机系统频率响应模型构建模块用于计算多机系统的等效参数，进而构建聚合多机系统频率响应模型asfr；
[0048]
所述动态阻尼因子数据集构建模块用于基于海量预想故障场景的模拟结果获取动态阻尼因子数据集，所述动态阻尼因子数据集包括系统运行数据及动态阻尼因子数据；
[0049]
所述动态阻尼因子预测模型构建模块用于利用所述动态阻尼因子数据集对xgboost模型进行迭代训练建立系统运行数据与动态阻尼因子之间的非线性映射关系，进而得到动态阻尼因子预测模型；
[0050]
其中，所述动态阻尼因子预测模型的输入特征变量为系统运行数据，输出特征量为动态阻尼因子；
[0051]
所述动态阻尼因子预测模块用于获取故障消除时刻的系统运行数据，并输入至所述动态阻尼因子预测模型，预测所述故障对应的动态阻尼因子。
[0052]
可选地，所述预测系统还包括：还包括频率指标预测模块，所述频率指标预测模块用于将所述动态阻尼因子输入asfr模型后，利用所述asfr模型预测扰动故障后的极值频率和/或准稳态频率。
[0053]
其中，所述动态阻尼因子数据集构建模块获取动态阻尼因子数据集时，获取的动态阻尼因子为故障场景下极值频率和/或准稳态频率对应的阻尼因子。
[0054]
第四方面，本发明还提供一种系统，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以实现所述动态阻尼因子预测方法或所述多维频率指标预测方法的步骤。
[0055]
第五方面，本发明提供的一种存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行所述动态阻尼因子预测方法或所述多维频率指标预测方法的步骤。
[0056]
有益效果
[0057]
1.本发明通过xgboost模型建立输入特征变量与输出动态阻尼因子之间的映射关系，从而得到动态阻尼因子预测模型，用于实时校正asfr模型的动态阻尼因子，避免asfr模型采用固定动态阻尼因子而牺牲频率指标预测精度；在相同测试样本的情况下，本发明所述方法与采用固定阻尼的asfr模型及xgboost模型相比，具有更高的预测精度。
[0058]
2.本发明考虑到浅层神经网络难以精确预测动态阻尼因子；深度学习具有较强的复杂函数表征能力，但需要海量样本进行迭代学习，且存在训练耗时长缺陷；而xgboost为集成学习算法，采用串行集成多棵回归树的高效集成学习方式，对离线训练样本量和特征数据类型要求低，泛化能力强，且能够自动采用多线程并行计算，运算速度极快。因此本发明基于xgboost构建动态阻尼因子预测模型。
[0059]
3.在本发明的进一步优选方案中，本发明还提供了xgboost模型中超参数的自动调优的技术手段。这是考虑到xgboost实现动态阻尼因子预测的基础是设置好树的数目、树的最大深度、正则化系数、学习率等超参数。正则化系数衡量了抑制模型过拟合的程度，树的数目、最大深度和学习率影响模型训练速度和预测精度。为了避免人工调参的低效性和非最优性，提高动态阻尼因子预测的精度，引入贝叶斯优化算法，实现xgboost模型中超参数的自动调优。
附图说明
[0060]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1为聚合多机系统频率响应模型(asfr)。
[0062]
图2为基于xgboost的asfr模型中动态阻尼因子、多维频率指标的预测框架。
[0063]
图3为改进的新英格兰10机39节点系统图。
[0064]
图4为不同扰动故障下极值频率以及准稳态频率对应的动态阻尼因子。
[0065]
图5为本发明所提方法预测极值频率的误差分布。
[0066]
图6为本发明所提方法预测准稳态频率的误差分布。
具体实施方式
[0067]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
实施例1：
[0069]
本发明提供一种融合asfr和xgboost的多维频率指标预测方法，如下步骤：
[0070]
step1：计算多机系统的等效参数，进而构建聚合多机系统频率响应模型(asfr)。
[0071]
如图1所示，本实施例将多机系统中的多台火电机组和水电机组分别等值为一台火电机组和水电机组。即基于等效参数进行等值替换，本实施例中涉及的等效参数具体包括：多机系统的等效惯性时间常数、等效调差系数、机组标准化增益、水电机组原动机
‑
调速器的等效参数以及火电机组原动机
‑
调速器的等效参数。其他可行的实施例中也不局限于上述等效参数以及不局限于上述等效参数组合。
[0072]
本实施例中构建聚合多机系统频率响应模型的过程如下：
[0073]
s11：通过加权动态等值法计算多机系统的等效参数；s12：基于等效参数将系统中每个类型下的多机组分别等值为单台同类型机组；再组合为所述聚合多机系统频率响应模型(asfr)。
[0074]
其中，多机系统的等效惯性时间常数h
sys
：
[0075]
按照如下公式计算出于多机系统中每一台机组的等效惯性时间常数；再进行求和得到多机系统的等效惯性时间常数h
sys
；
[0076][0077][0078]
式中，h
i，sys
为第i台机组的等效惯性时间常数，h
i
表示第i台机组的惯性时间常数；n为机组的总数；s
i
、s
j
分别表示第i台、第j台机组的额定功率；s
sys
表示多机系统的额定功率。
[0079]
进一步地，利用等效惯性时间常数，可以求解多机系统的惯性中心频率f
coi
；
[0080][0081]
式中，f
i
为发电机节点i的频率。
[0082]
多机系统的等效调差系数：
[0083]
多台涡轮机调速器的总增益为各台机组增益k
mi
之和(k
mi
＝s
i
/s
sys
)，则整个多机系
统的等效调差系数r可以表示为：
[0084][0085]
式中：r
i
为第i台机组的等效调差系数，κ
i
为第i台机组的等效增益。
[0086]
对于火电机组，其火电机组的等效调差系数r1可以表示为：
[0087][0088]
对于水电机组，其水电机组的等效调差系数r2可以表示为：
[0089][0090]
其中，n1为火电机组的机组个数，n2为水电机组的机组个数。
[0091]
机组标准化增益
[0092]
每一台机组的标准化增益：
[0093][0094]
式中：κ
′
i
为机组i的标准化增益。
[0095]
由于较大的κ
′
i
值意味着第i台发电机具有较大的额定功率和更敏感的频率下降，该机组对asfr模型等效参数x的影响较大。因此，用每台发电机的参数的加权平均值表示asfr模型等效参数x。
[0096]
对于火电机组，其火电机组的等效参数表示为：
[0097][0098]
式中，x
′
1,j
为火电机组中第j个参数对应的等效参数，表示第i个火电机组的第j个参数，n3为火电机组的参数个数；
[0099]
其中，火电机组的参数包括：伺服机时间常数t3，蒸汽容积时间常数t
ch
，再热器时间常数t
rh
，高压涡轮级功率占比f
hp
。
[0100]
对于水电机组，其等效参数x
′
2,j
可以表示为：
[0101][0102]
式中，x
′
2,j
为水电机组中第j个参数对应的等效参数，表示第i个水电机组的第j个参数，n4为水电机组的参数个数。
[0103]
水电机组的参数包括：调速器响应时间t
g
，引导阀门时间常数t
p
，软反馈时间常数t
d
，水锤效应时间常数t
w
，软反馈环节系数d
d
。
[0104]
利用等值参数构建火电机组的聚合模型，其调速器传递函数h1可以表示为:
[0105][0106]
利用等值参数构建水电机组的聚合模型，其调速器传递函数h2可以表示为:
[0107][0108]
其中，s为复频率。
[0109]
如图1所示为聚合多机系统频率响应模型的示意图，从图中可知，将等值后的火电机组和水电机组进行聚合得到聚合多机系统频率响应模型(asfr)。
[0110]
聚合多机系统频率响应模型(asfr)中调速器和原动机的等值参数可通过上述公式获取，然而，对于阻尼系数，由于其影响因素复杂多样，精确设置asfr模型中的动态阻尼因子较为困难。为了实现聚合多机系统频率响应模型(asfr)中动态阻尼因子的校正，本发明构建基于xgboost的动态阻尼因子预测模型。那么，首选需要获取动态阻尼因子数据集。
[0111]
step2：基于海量预想故障场景的模拟结果获取动态阻尼因子数据集，所述动态阻尼因子数据集包括系统运行数据及动态阻尼因子数据。
[0112]
本实施例中为了得到更加可靠的极值频率和准稳态频率，选择以这两个频率指标对应的动态阻尼因子为标准。
[0113]
具体方式为：
[0114]
通过时域仿真法模拟海量预想故障场景，获取每个扰动故障下的系统运行数据；此外还采用二分法调整预测故障场景下asfr模型的动态阻尼因子，使得asfr模型得到的极值频率和准稳态频率与时域仿真的极值频率和/或准稳态频率一致，进而确定所述故障场景下极值频率和准稳态频率对应的动态阻尼因子d1和d2。进而将一个故障场景得到的系统运行数据以及动态阻尼因子d1和d2作为样本，参与xgboost模型训练。其他可行的实施例中，其获取动态阻尼因子的标准可以根据实际需求进行设定，本发明对此不进行具体的限定。
[0115]
其中，本实施例中优选系统运行数据包括：发电机电磁功率/无功功率、母线电压幅值/电压相角、系统有功负荷/无功负荷、线路有功功率、备用容量、扰动后功率缺额值。其他可行的实施例中不局限于上述组合也不局限于上述特征量。
[0116]
step3：利用所述动态阻尼因子数据集对xgboost模型进行迭代训练建立系统运行数据与动态阻尼因子之间的非线性映射关系，进而得到动态阻尼因子预测模型。
[0117]
动态阻尼因子数据集表示为：d＝{(x
i
,d
i
)}，数据集d中包含n个样本，每个样本的特征数量为m，输入特征变量和对应动态阻尼因子真实值分别为x
i
、d
i
。假设xgboost模型有k棵回归树，则基于xgboost的动态阻尼因子预测模型可以表示为：
[0118][0119]
式中：f
k
表示第k棵回归树。从上述可知，预测值为k个回归树的动态阻尼因子预测值之和。
[0120]
其中，设置xgboost的目标函数如下：
[0121][0122]
式中：l()是误差函数，用于衡量动态阻尼因子预测值与真实值d
i
之间的差，体现了模型拟合数据的程度；为第i个样本动态阻尼因子的预测值；d
i
为第i个样本动态阻尼因子的真实值。为了防止过拟合，定义正则化项ω(f
k
)以控制模型的复杂度，第k
个回归树对应的正则化项ω(f
k
)的表达式为：
[0123][0124]
式中：γ为叶子结点的惩罚系数；ε为正则项系数；w
′
和w
″
分别表示第k棵树的叶子数目和叶子权重；
[0125]
本发明在训练过程中利用前向分步算法对目标函数训练，在第t次迭代时的预测值，目标函数可以表示为：
[0126][0127]
式中：ω(f
t
)为第t次迭代时回归树的正则化项，其应当满足第t次迭代时所有回归树的正则化项之和：f
t
(x
i
)为第t次迭代时回归树对第i个样本输入特征变量x
i
的动态阻尼因子预测值，其应当满足第t次迭代时所有回归树的动态阻尼因子预测值之和：
[0128]
使用二阶泰勒展开，简化该函数后去掉常数项得到下式：
[0129][0130][0131][0132]
式中：g
i
和h
i
分别为第i个样本损失函数的一阶和二阶导数，然后目标函数可以写为：
[0133][0134]
本实施例中基于该目标函数，在超参数确定的基础上进行模型训练可以得到用于预测动态阻尼因子的预测模型。为了提高预测模型的准确性，本发明还优选在迭代过程中利用贝叶斯优化方法进行超参数寻优得到xgboost的最佳超参数。
[0135]
贝叶斯优化(bayesian optimization，bo)是一种十分有效的全局优化算法，其目标是找到搜索空间的全局最优解，如下：
[0136][0137]
其中，λ
*
为寻优的超参数向量，λ为xgboost模型超参数向量，χ表示决策空间，f表示目标函数。
[0138]
贝叶斯优化框架主要包含两个核心部分—非参数高斯过程(gaussian process，gp)和采集函数(acquisition function，af)。
[0139]
gp被用于建立未知目标函数模型，可以将超参数向量样本的有限集合建模为多元
高斯分布。在gp中，有限超参数向量样本的组合可以表示为：
[0140]
f(λ)～gp(m(λ),b(λ,λ
′
))
[0141]
式中：m(
·
)表示均值函数；b(λ,λ
′
)为协方差函数，其定义为：
[0142][0143]
式中：θ为调参步长参数。
[0144]
新的数据点记为λ
t
，对应的函数目标值记为d
t
，利用gp特征，将与d
t
联合，表示为：
[0145][0146]
式中：b＝[b(λ1,λ
t
),b(λ2,λ
t
)...b(λ
t0
,λ
t0
)]；为量测噪声。
[0147]
当增加新的点λ
t
后，新的预测分布表示为：
[0148][0149]
预测均值与协方差如下所示：
[0150][0151][0152]
在贝叶斯优化中，选择下一个评估点的主动策略为采集函数，由已观测数据集d
1:t
得到的后验分布构造，并通过对其最大化指导选择下一个评估点λ
t+1
：
[0153]
λ
t+1
＝maxα
t
(λ；d
1:t
)
[0154]
由于贝叶斯优化算法为现有算法，且本发明并未对其算法内容进行优化，因此，对其寻优机理过程不进行详细阐述。应当理解，本发明利用贝叶斯优化算法确定xgboost模型的最优超参数向量，再进一步训练最优超参数下的xgboost模型得到动态阻尼因子预测模型。
[0155]
step4：获取故障消除时刻的系统运行数据，并输入至step3确定的所述动态阻尼因子预测模型，预测所述故障对应的动态阻尼因子系统运行数据。
[0156]
step5：利用所述asfr模型预测扰动故障后的极值频率和/或准稳态频率。
[0157]
本实施例中利用xgboost建立动态阻尼因子预测模型，进而实现对asfr模型中的动态阻尼因子的实时校正，使得asfr模型能准确预测扰动事故后的多维频率指标。
[0158]
实施例2：
[0159]
本实施例的目的是得到实时的动态阻尼因子，因此，本实施例提供一种基于xgboost的asfr模型中阻尼因子的预测方法，包括如下步骤：
[0160]
步骤1：计算多机系统的等效参数，进而构建聚合多机系统频率响应模型(asfr)；
[0161]
步骤2：基于海量预想故障场景的模拟结果获取动态阻尼因子数据集，所述动态阻尼因子数据集包括系统运行数据及动态阻尼因子数据；
[0162]
步骤3：利用所述动态阻尼因子数据集对xgboost模型进行迭代训练建立系统运行数据与动态阻尼因子之间的非线性映射关系，进而得到动态阻尼因子预测模型；
[0163]
其中，所述动态阻尼因子预测模型的输入特征变量为系统运行数据，输出特征量为动态阻尼因子；
[0164]
步骤4：获取故障消除时刻的系统运行数据，并输入至步骤3确定的所述动态阻尼因子预测模型，预测所述故障对应的动态阻尼因子。
[0165]
其中，各个步骤的实现过程与实施例1中对应步骤是一致的，本实施例与实施例1的区别仅在于本实施例中得到动态阻尼因子后不进行频率预测。这是由于得到动态阻尼因子后，除了频率预测的相关应用，还可以应用于系统惯量水平评估、需求备用评估等。
[0166]
在另一些可行的方式中，本发明还提供一种基于上述阻尼因子预测方法或多维频率指标预测方法的预测系统，其包括：聚合多机系统频率响应模型构建模块，动态阻尼因子数据集构建模块、动态阻尼因子预测模型构建模块和动态阻尼因子预测模块；
[0167]
其中，所述聚合多机系统频率响应模型构建模块用于计算多机系统的等效参数，进而构建聚合多机系统频率响应模型(asfr)；
[0168]
所述动态阻尼因子数据集构建模块用于基于海量预想故障场景的模拟结果获取动态阻尼因子数据集，所述动态阻尼因子数据集包括系统运行数据及动态阻尼因子数据；
[0169]
所述动态阻尼因子预测模型构建模块用于利用所述动态阻尼因子数据集对xgboost模型进行迭代训练建立系统运行数据与动态阻尼因子之间的非线性映射关系，进而得到动态阻尼因子预测模型；
[0170]
所述动态阻尼因子预测模块用于获取故障消除时刻的系统运行数据，并输入至所述动态阻尼因子预测模型，预测所述故障对应的动态阻尼因子。
[0171]
在一些可行的方式中，所述预测系统还包括：频率指标预测模块，所述频率指标预测模块还用于将所述动态阻尼因子输入asfr模型后，利用所述asfr模型预测扰动故障后的极值频率和/或准稳态频率，其中，所述动态阻尼因子数据集构建模块获取动态阻尼因子数据集时，获取的动态阻尼因子为故障场景下极值频率和/或准稳态频率对应的阻尼因子。
[0172]
其中，各个模块的具体实现过程请参照上述方法内容，本发明在此不再赘述。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0173]
在一些可行的方式中，本发明还提供一种预测系统，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以实现所述基于xgboost的asfr模型中动态阻尼因子的预测方法或所述融合asfr和xgboost的多维频率指标预测方法的步骤。
[0174]
在一些可行的方式中，本发明提供的一种存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行所述基于xgboost的asfr模型中动态阻尼因子的预测方法或所述融合asfr和xgboost的多维频率指标预测方法的步骤。
[0175]
各个步骤的具体实现过程请参照前述方法的阐述。
[0176]
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，
asic)、现成可编程门阵列(field
‑
programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
[0177]
所述存储介质为计算机存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0178]
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
onlymemory)、随机存取存储器(ram，randomaccess memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0179]
为了验证本发明的可行性以及有效性，在改进的新英格兰10机39节点系统上开展算例分析。其中，计算程序都是在计算机上使用python以及matlab编译完成的，电脑配置为：cpu intel core i5
‑
4200，内存8gb。
[0180]
应用实例1：以改进的新英格兰10机39节点系统为测试系统，如图3所示，其中，机组33、34、35、36改为水电机组。利用psd
‑
bpa和matlab平台进行离线仿真生成动态阻尼因子数据集。调节负荷水平从75％
‑
120％变化，间隔为1％。为保障潮流收敛，负荷水平变化时发电机有功出力和无功出力也做相应的改变。故障考虑单台机组跳闸故障和任意两台机组跳闸故障。通过psd
‑
bpa模拟每次有功扰动下频率响应过程，获取系统运行数据，同时，采用二分法调整在该故障场景asfr模型中的动态阻尼因子，使得asfr模型得到的极值频率和准稳态频率与psd
‑
bpa结果一致，从而得每个扰动故障下极值频率以及准稳态频率对应的动态阻尼因子d1和d2。基于系统运行数据和动态阻尼因子数据(d1、d2)，构建动态阻尼因子数据集；最后，共得到2382个样本，利用1882个样本作为训练样本，500个样本作为测试样本。
[0181]
图4展示的是利用二分法得到测试样本极值频率以及准稳态频率对应的最合适的动态阻尼因子d1和d2。在图4可知，不同扰动故障下，极值频率和准稳态频率对应的动态阻尼因子均是不同的，如极值频率对应的d1在区间[2
‑
8]变化。此外，准稳态频率对应的d2整体上比d1大。这直观展示了动态阻尼因子的动态变化特征，在asfr模型中采用固定的动态阻尼因子难以精确地预测扰动事故后的极值频率和/或准稳态频率。
[0182]
为了验证本发明所提方法的有效性，采用xgboost、固定动态阻尼因子的asfr模型作为对比算法，在相同的数据上进行测试和训练，结果如表1和表2所示。
[0183]
表1不同方法极值频率预测精度对比
[0184][0185]
表2不同方法准稳态频率预测精度对比
[0186][0187]
从表1和表2中可以看出，采用固定动态阻尼因子的asfr模型预测误差较大，预测极值频率和准稳态频率对应的误差绝对值分别为1.27hz和0.23hz，预测极值频率和准稳态频率对应的rmse分别为0.281hz和0.057hz，难以满足在线应用高精度要求。通过xgboost模型挖掘高维度中所隐藏的频率稳定信息，预测精度有所提升，但xgboost模型的训练过程为黑盒，可解释较差。通过xgboost模型对asfr模型中的动态阻尼因子进行校正，保留了电气信息间的强因果关系，同时极大提升了asfr模型的预测精度，预测极值频率和准稳态频率对应的rmse分别为xgboost的74％、12％。
[0188]
图5和图6分别显示了本发明所提方法预测极值频率和准稳态频率的误差分布。预测极值频率时，最大误差小于0.05的样本数占了90.6％，而预测准稳态频率误差小于0.01的样本数占了94.4％，预测精度较为优异。此外，尽管预测极值频率时存在误差大于0.1的情况，但这部分样本的比例仅为1.6％，对于实际电网是可以接受的。
[0189]
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。