基于BP網絡的電網頻率預測

韋昌福，李 濱

（廣西大學電氣工程學院，廣西 南寧 530004）

1 引言

電網頻率是整個電力系統安全運行的重要參數，同時也是衡量電能質量的重要指標。電網頻率反映電力系統內發電出力與負荷的平衡關系，當二者不平衡時，反應在電網頻率上將使其偏離額定值發生波動。

現代電網及其控制手段的快速發展，使得電網頻率較過去有很大的改善，基本上能夠穩定在較小的范圍之內，例如廣西電網的頻率波動基本上在±0.1Hz之內。但由于現代電網規模迅速增大，各種分布式電源的加入，以及智能電網的建設等，這些因素將對現行電網控制提出更高的要求，必須沿著精細化控制、智能化控制的方向發展，其中就必須要對未來電網運行狀態有準確的預測，包括了對電網頻率的預測。

目前國內各大電網已逐步執行CPS考核標準，在此標準下的AGC控制策略研究也取得了較大進步［1，2］。但目前控制策略中缺少未來電網頻率的波動信息，加入電網頻率預測將使其具有更強的前瞻性，達到更好的控制效果。

因此，無論是當前CPS標準下的AGC電網控制的研究需求，還是著眼于未來智能電網的發展，都對電網頻率預測有著迫切的需求。

目前國內外電網頻率預測的相關文獻很少，可查的預測方法有三個:①在工程中預測頻率采取簡單的處理方法［3］，直接對歷史頻率求平均值來預測下一時刻電網頻率，這種方法簡單，但預測精度難以保證。②提出一種頻率預測器模型［4］，模型的階數用最小二乘法確定。頻率預測器的效果主要取決于預測間隔的長度。該模型在一個仿真電力系統中做的實驗，在預測間隔較短時，模型預測結果誤差較小，預測間隔增大時，誤差也隨之變大。③人工神經網絡模型預測短期電網頻率［5］，預測對象為印度電網的頻率，由于電網頻率波動較大，預測結果偏差較大。

總的來說，已有方法的電網頻率預測結果精度不高，本文提出基于BP網絡的電網頻率預測，利用BP網絡輸入輸出的高度非線性映射能力對電網頻率進行預測。大量仿真實驗表明該方法能夠達到較高的預測精度，可以為電網控制提供實用的參考依據。

2 電網頻率分析

電網頻率的波動主要取決于系統內發電機出力和負荷兩個變量的相互作用，由于負荷的變化含有隨機分量，而AGC控制的調頻發電機出力不能及時跟上負荷的變化，這就導致電網頻率波動的隨機性更加明顯。此外，氣象條件也會影響電網頻率，如溫度、降雨量等。與負荷預測能夠充分利用往日歷史數據不同，前一天的電網頻率與當天同一時刻的電網頻率關系非常微弱，因此對電網進行頻率預測是一項非常困難的任務。

雖然電網頻率存在較大的隨機分量，但頻率有其自身的特性和規律［6－9］，通過對現有的大量的數據分析，可以總結出電網頻率具有以下特點:

（1）電網頻率波動范圍較小，通過數據統計分析，電網頻率分布近似為正態分布，絕大部分頻率偏差在±0.1Hz之內；

（2）電網頻率正負偏差交替波動，其正負偏差翻轉時間平均約為1min左右；

（3）由于頻率和負荷數據直接從電網調度自動化SCADA中取出，存在少量數據不準確、錯誤等現象，為了增加頻率預測準確性，必須將這些數據處理掉。

3 BP網絡結構

BP網絡是一種基于誤差反向傳播的多層前向神經網絡［9］，網絡通過對簡單的非線性函數進行數次復合，可以近似任何復雜的函數。由于其輸入輸出的高度非線性映射能力，BP網絡已經成為應用最廣泛的神經網絡，在電力系統預測方面也有大量應用［10，11］。

BP算法的基本思想是，學習過程由正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本經網絡處理后輸出，若與期望輸出不符，則轉入誤差的反向傳播階段。誤差反向傳播是將輸出誤差以某種形式分攤給各層單元，獲得各層單元的誤差信號。正向傳播與誤差反向傳播的各層權值調整過程周而復始地進行。此過程一直進行到網絡輸出誤差減少到設定的誤差范圍之內，或到達設定的學習次數為止。

圖1 BP網絡結構圖

（1）隱含層節點輸出:

（2）輸出層節點輸出:

（3）輸出層節點誤差:

（4）按梯度下降法調整網絡連接權值調整

4 BP網絡頻率預測實現

4.1 數據處理

本文所用數據直接來自電網調度部門SCADA系統。由于電力系統中設備運行狀態改變或者數據通信受干擾等原因，數據信息包含隨機波動部分，表現為曲線上存在很多毛刺，這將影響電網頻率預測的準確性，因此在使用這些數據之前有必要將其做一定處理。

本文采用指數平滑法進行處理，實用的處理公式如下:

其中，fnew（i）是平滑處理后的數據；f（i）是處理前數據；e是平滑系數，在0～1之間，通過分析比較，算例中選取平滑系數e=0.6。

本文采用的BP網絡變換函數是S型函數，過大大或過小的輸入量會使神經元節點進入飽和區，因此在進行計算之前必須對數據進行歸一化，本文中將數據歸一化至0，1之間。所用公式如圖2所示。

對電網頻率數據進行歸一化:

對電網負荷數據進行歸一化:

由于對電網頻率預測的時間較短，氣象數據如溫度，濕度降雨量等幾乎沒有變化，預測中可以將其忽略。

4.2 BP網絡電網頻率預測

BP網絡采用三層結構，主要內容如下:

（1）首先對電網頻率、負荷數據進行平滑、歸一化處理，初始化輸入層到隱層和隱層到輸出層權值wij、Tij；

（2）依次輸入P個樣本，計算誤差并將誤差分配到各層神經元，根據各層誤差利用帶動量和自適應學習速率的梯度下降算法traingdx調整權值；

（3）當計算精度達到設定值或到達最大迭代次數之后，算法結束，輸出電網頻率預測值。

基于BP網絡的電網頻率預測流程如圖2所示。

圖2 BP網絡頻率預測流程圖

5 模型仿真

本文數據樣本采用廣西電網2007年3月9日的實時運行數據，輸入數據為廣西電網總負荷和電網頻率，處理之后的數據為10s一個點。BP網絡采用的訓練算法為帶動量和自適應學習速率的梯度下降算法traingdx。

由于電網頻率預測主要著眼于CPS標準的AGC控制中對下一時段頻率的需求，因CPS標準考核時間為10min，故本文將預測時間定為10min。而10min預測時間內電網頻率波動較大，一次性預測誤差較大，為了提高最近時段的預測精度，本文在預測中采用分段預測的方法，將10min內的60個點分為3段進行預測，前一段的預測值當作后一段的歷史值。

選取某一時段，預測結果見圖3，誤差統計見圖4。

圖3 5:10～5:20頻率預測結果

圖4 5:10～5:20預測時段頻率偏差

由圖4和圖5可以看到基于BP網絡的電網頻率預測結果較準確，預測頻率變化趨勢與實際基本上相符。由于采用分段預測的方法，保證時間靠前的部分預測精度較高，預測值與實際值偏差較小，而靠后的部分偏差稍大，在實際應用中可以利用新數據不斷更新、修正預測，提高時間靠后部分的預測精度。

以下是1小時內6個預測時段的電網頻率預測誤差統計:

從表1可以看到，基于BP網絡的電網頻率預測在各時段內預測結果的最大、最小誤差，平均絕對、相對誤差指標都較小，能夠達到較高的預測精度。

6 結論

隨著CPS標準下AGC控制策略研究的發展，以及現代電網控制技術的快速發展，對未來一段時間內電網頻率預知產生了迫切的需求。本文通過分析電網頻率的特性及其影響因素，利用BP網絡輸入輸出的高度非線性映射能力，提出基于BP網絡的電網頻率預測。預測前先對原始數據進行平滑處理，去掉原始曲線上的毛刺，BP網絡訓練采用帶動量和自適應學習速率的梯度下降算法。大量的數據仿真實驗表明，所提出的基于BP網絡的電網頻率預測能夠達到較高的預測精度，可以為CPS標準下的AGC控制策略提供未來電網頻率的波動信息，從而提高AGC控制的性能；同時也為現代電網控制、智能電網提供實用的電網頻率預測信息。

表1 1小時內電網頻率預測結果

［1］李濱，韋化.基于現代內點理論的互聯電網控制性能評價標準下的 AGC 控制策略［J］.中國電機工程學報，2008，28（25）:56－61.

［2］唐躍中，張王俊，張健，等.基于CPS的AGC控制策略研究［J］.電網技術，2004，28（21）:75 －79.

［3］徐興偉，林偉.互聯電網控制性能標準下自動發電控制策略的選擇［J］.電網術，2003，27（10）:32 －34，77.

［4］Schlueter R，Park G.A Study of Frequency Prediction for Power Systems.Automatic Control，IEEE on，Transactions 1978，23（6）:1996 －1000.

［5］Gupta A.K，Balasubramanian R，Vaitheeswaran N.ANN －based block frequency prediction in ABT regime and optimal availability declaration.Power and Energy Society General Meeting－Conversion and Delivery of Electrical Energy in the 21st Century，2008 IEEE，2008，7（20 －24）:1 －8.

［6］王合楨，李向榮.電網頻率特性和負荷頻率反饋df_dt的研究［J］.華北電力，1994，7（1）:6 －16.

［7］郭鈺鋒，于達仁.電網頻率的非正態概率分布特性［J］.中國電機工程學報，2008，28（7）:26 －31.

［8］童光毅，馬鎮威，蔣德斌.廣東_香港_南方電網的頻率特性［J］.廣東電力，2001，14（3）:12 －14.

［9］韓力群.人工神經網絡教程.北京郵電大學出版社，2006.

［10］何飛，張國忠，劉亞.基于BP網絡的改進負荷預測方法［J］.華東電力，2004，28（3）.

［11］呂嬋.基于BP神經網絡的短期負荷預測［D］.華中科技大學，2007.