基于BP网络的电网频率预测

韦昌福，李 滨

（广西大学电气工程学院，广西 南宁 530004）

1 引言

电网频率是整个电力系统安全运行的重要参数，同时也是衡量电能质量的重要指标。电网频率反映电力系统内发电出力与负荷的平衡关系，当二者不平衡时，反应在电网频率上将使其偏离额定值发生波动。

现代电网及其控制手段的快速发展，使得电网频率较过去有很大的改善，基本上能够稳定在较小的范围之内，例如广西电网的频率波动基本上在±0.1Hz之内。但由于现代电网规模迅速增大，各种分布式电源的加入，以及智能电网的建设等，这些因素将对现行电网控制提出更高的要求，必须沿着精细化控制、智能化控制的方向发展，其中就必须要对未来电网运行状态有准确的预测，包括了对电网频率的预测。

目前国内各大电网已逐步执行CPS考核标准，在此标准下的AGC控制策略研究也取得了较大进步［1，2］。但目前控制策略中缺少未来电网频率的波动信息，加入电网频率预测将使其具有更强的前瞻性，达到更好的控制效果。

因此，无论是当前CPS标准下的AGC电网控制的研究需求，还是着眼于未来智能电网的发展，都对电网频率预测有着迫切的需求。

目前国内外电网频率预测的相关文献很少，可查的预测方法有三个:①在工程中预测频率采取简单的处理方法［3］，直接对历史频率求平均值来预测下一时刻电网频率，这种方法简单，但预测精度难以保证。②提出一种频率预测器模型［4］，模型的阶数用最小二乘法确定。频率预测器的效果主要取决于预测间隔的长度。该模型在一个仿真电力系统中做的实验，在预测间隔较短时，模型预测结果误差较小，预测间隔增大时，误差也随之变大。③人工神经网络模型预测短期电网频率［5］，预测对象为印度电网的频率，由于电网频率波动较大，预测结果偏差较大。

总的来说，已有方法的电网频率预测结果精度不高，本文提出基于BP网络的电网频率预测，利用BP网络输入输出的高度非线性映射能力对电网频率进行预测。大量仿真实验表明该方法能够达到较高的预测精度，可以为电网控制提供实用的参考依据。

2 电网频率分析

电网频率的波动主要取决于系统内发电机出力和负荷两个变量的相互作用，由于负荷的变化含有随机分量，而AGC控制的调频发电机出力不能及时跟上负荷的变化，这就导致电网频率波动的随机性更加明显。此外，气象条件也会影响电网频率，如温度、降雨量等。与负荷预测能够充分利用往日历史数据不同，前一天的电网频率与当天同一时刻的电网频率关系非常微弱，因此对电网进行频率预测是一项非常困难的任务。

虽然电网频率存在较大的随机分量，但频率有其自身的特性和规律［6－9］，通过对现有的大量的数据分析，可以总结出电网频率具有以下特点:

（1）电网频率波动范围较小，通过数据统计分析，电网频率分布近似为正态分布，绝大部分频率偏差在±0.1Hz之内；

（2）电网频率正负偏差交替波动，其正负偏差翻转时间平均约为1min左右；

（3）由于频率和负荷数据直接从电网调度自动化SCADA中取出，存在少量数据不准确、错误等现象，为了增加频率预测准确性，必须将这些数据处理掉。

3 BP网络结构

BP网络是一种基于误差反向传播的多层前向神经网络［9］，网络通过对简单的非线性函数进行数次复合，可以近似任何复杂的函数。由于其输入输出的高度非线性映射能力，BP网络已经成为应用最广泛的神经网络，在电力系统预测方面也有大量应用［10，11］。

BP算法的基本思想是，学习过程由正向传播与误差的反向传播两个过程组成。正向传播时，输入样本经网络处理后输出，若与期望输出不符，则转入误差的反向传播阶段。误差反向传播是将输出误差以某种形式分摊给各层单元，获得各层单元的误差信号。正向传播与误差反向传播的各层权值调整过程周而复始地进行。此过程一直进行到网络输出误差减少到设定的误差范围之内，或到达设定的学习次数为止。

图1 BP网络结构图

（1）隐含层节点输出:

（2）输出层节点输出:

（3）输出层节点误差:

（4）按梯度下降法调整网络连接权值调整

4 BP网络频率预测实现

4.1 数据处理

本文所用数据直接来自电网调度部门SCADA系统。由于电力系统中设备运行状态改变或者数据通信受干扰等原因，数据信息包含随机波动部分，表现为曲线上存在很多毛刺，这将影响电网频率预测的准确性，因此在使用这些数据之前有必要将其做一定处理。

本文采用指数平滑法进行处理，实用的处理公式如下:

其中，fnew（i）是平滑处理后的数据；f（i）是处理前数据；e是平滑系数，在0～1之间，通过分析比较，算例中选取平滑系数e=0.6。

本文采用的BP网络变换函数是S型函数，过大大或过小的输入量会使神经元节点进入饱和区，因此在进行计算之前必须对数据进行归一化，本文中将数据归一化至0，1之间。所用公式如图2所示。

对电网频率数据进行归一化:

对电网负荷数据进行归一化:

由于对电网频率预测的时间较短，气象数据如温度，湿度降雨量等几乎没有变化，预测中可以将其忽略。

4.2 BP网络电网频率预测

BP网络采用三层结构，主要内容如下:

（1）首先对电网频率、负荷数据进行平滑、归一化处理，初始化输入层到隐层和隐层到输出层权值wij、Tij；

（2）依次输入P个样本，计算误差并将误差分配到各层神经元，根据各层误差利用带动量和自适应学习速率的梯度下降算法traingdx调整权值；

（3）当计算精度达到设定值或到达最大迭代次数之后，算法结束，输出电网频率预测值。

基于BP网络的电网频率预测流程如图2所示。

图2 BP网络频率预测流程图

5 模型仿真

本文数据样本采用广西电网2007年3月9日的实时运行数据，输入数据为广西电网总负荷和电网频率，处理之后的数据为10s一个点。BP网络采用的训练算法为带动量和自适应学习速率的梯度下降算法traingdx。

由于电网频率预测主要着眼于CPS标准的AGC控制中对下一时段频率的需求，因CPS标准考核时间为10min，故本文将预测时间定为10min。而10min预测时间内电网频率波动较大，一次性预测误差较大，为了提高最近时段的预测精度，本文在预测中采用分段预测的方法，将10min内的60个点分为3段进行预测，前一段的预测值当作后一段的历史值。

选取某一时段，预测结果见图3，误差统计见图4。

图3 5:10～5:20频率预测结果

图4 5:10～5:20预测时段频率偏差

由图4和图5可以看到基于BP网络的电网频率预测结果较准确，预测频率变化趋势与实际基本上相符。由于采用分段预测的方法，保证时间靠前的部分预测精度较高，预测值与实际值偏差较小，而靠后的部分偏差稍大，在实际应用中可以利用新数据不断更新、修正预测，提高时间靠后部分的预测精度。

以下是1小时内6个预测时段的电网频率预测误差统计:

从表1可以看到，基于BP网络的电网频率预测在各时段内预测结果的最大、最小误差，平均绝对、相对误差指标都较小，能够达到较高的预测精度。

6 结论

随着CPS标准下AGC控制策略研究的发展，以及现代电网控制技术的快速发展，对未来一段时间内电网频率预知产生了迫切的需求。本文通过分析电网频率的特性及其影响因素，利用BP网络输入输出的高度非线性映射能力，提出基于BP网络的电网频率预测。预测前先对原始数据进行平滑处理，去掉原始曲线上的毛刺，BP网络训练采用带动量和自适应学习速率的梯度下降算法。大量的数据仿真实验表明，所提出的基于BP网络的电网频率预测能够达到较高的预测精度，可以为CPS标准下的AGC控制策略提供未来电网频率的波动信息，从而提高AGC控制的性能；同时也为现代电网控制、智能电网提供实用的电网频率预测信息。

表1 1小时内电网频率预测结果

［1］李滨，韦化.基于现代内点理论的互联电网控制性能评价标准下的 AGC 控制策略［J］.中国电机工程学报，2008，28（25）:56－61.

［2］唐跃中，张王俊，张健，等.基于CPS的AGC控制策略研究［J］.电网技术，2004，28（21）:75 －79.

［3］徐兴伟，林伟.互联电网控制性能标准下自动发电控制策略的选择［J］.电网术，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］王合桢，李向荣.电网频率特性和负荷频率反馈df_dt的研究［J］.华北电力，1994，7（1）:6 －16.

［7］郭钰锋，于达仁.电网频率的非正态概率分布特性［J］.中国电机工程学报，2008，28（7）:26 －31.

［8］童光毅，马镇威，蒋德斌.广东_香港_南方电网的频率特性［J］.广东电力，2001，14（3）:12 －14.

［9］韩力群.人工神经网络教程.北京邮电大学出版社，2006.

［10］何飞，张国忠，刘亚.基于BP网络的改进负荷预测方法［J］.华东电力，2004，28（3）.

［11］吕婵.基于BP神经网络的短期负荷预测［D］.华中科技大学，2007.