基于时间序列LSTM预测频率偏差,搭建了两区域火储,同步机储能二次调频系统,考虑了风电风速或者外界负荷扰动引起的功率波动〔长短期记忆方法LSTM适用于时间序列频率预测〕
深度学习电力系统频率预测,强化学习,人工智能辅助频率预测,半模型半数据驱动
1基于两区域模型获得训练数据29000多个,将样本按照7:3的比例划分为训练集和测试集。图片显示了测试集的精度。
2在这里我们以同步机出力,储能出力,扰动作为输入,频率作为预测结果,忽略了系统内部各个机组参数的描述。类似于黑箱模型,只需要知道机组出力,就可以在扰动发生瞬间预测频率偏差大小,在不需要知道模型参数的情况下,进行最大频率预测。
频率预测结果(模型+数据驱动联合)
(经典两区域模型)
两区域模型(用来获取数据)