基于长短期记忆网络的电力系统扰动后的功率缺额预测方法

电力系统在发生发电机脱落或发电机母线断线等严重的有功不平衡扰动时,会导致频率骤降。提出一种基于长短期记忆（long short-term memory,LSTM）网络的电力系统扰动后的功率缺额预测方法。该方法无需获取实时的系统惯量,仅根据负荷侧的信息就能预测出扰动后系统的功率缺额,有效改善了现有的功率缺额计算方法。在IEEE-39节点系统上的仿真结果表明,本方法得到的功率缺额预测值与真实值的相对误差较小,预测时间较短。与深度神经网络（deep neural networks,DNN）和支持向量回归（support vector regression,SVR）算法的预测结果进行比较,本方法能快速、准确地预测出扰动后系统的功率缺额,对保障系统的频率稳定具有重要意义。     

结合长短期记忆网络的电力系统功率缺额预测方法

电力系统在发生发电机脱落或发电机母线断线等严重的有功不平衡扰动时，会导致频率骤降. 为此，提出一种基于长短期记忆（long short-term memory，LSTM）网络的电力系统扰动后的功率缺额预测方法. 该方法无需获取实时的系统惯量，仅根据负荷侧的信息就能预测出扰动后系统的功率缺额，有效改善了现有的功率缺额计算方法. 在IEEE-39节点系统上的仿真结果表明，本方法得到的功率缺额预测值与真实值的相对误差较小，预测时间较短. 与深度神经网络（deep neural networks，DNN）和支持向量回归（support vector regression，SVR）算法的预测结果进行比较，本方法能快速、准确地预测出扰动后系统的功率缺额，保障系统的频率稳定.