一种GARCH模型的联络线低频振荡风险评估预测方法

摘要

本发明公开了一种GARCH模型的联络线低频振荡风险评估预测方法，包括步骤：数据预处理，收集联络线发生低频振荡功率波动次数，确定采样时间间隔N；对所采集的所有低频振荡功率波动记录逐一进行PRONY分析，提取按照幅值由大到小排列的分解波形，并取排序前3个分解波形中幅值最大者为代表幅值，取排序前3个的阻尼最低者的阻尼为代表性阻尼；设对于任意的主导频率为A

说明书

技术领域

本发明涉及电力系统动态稳定分析技术领域，尤其涉及一种GARCH模型的联络线低频振荡风险评估预测方法。

背景技术

近年来，能源互联网的蓬勃发展对电力能源领域的发展产生了深远影响，目前，广域测量系统(wide-area measurement system，WAMS)/同步相量测量装置(phasormeasurement unit，PMU)等信息量测技术已经在电力系统中广泛应用，大大推进了电力–信息从元件层面到网络层面的互联互通，为“新型电力系统”的发展奠定了良好的基础。目前我国大部分省级区域电网中，PMU量测单元布点范围已经基本涵盖了所有500千伏站点的相关电压、电流、有功功率、无功功率，为500千伏及以上电网的低频振荡实测分析奠定了较好的基础。

建立时间序列模型时，要求残差序列满足零均值、纯随机及方差齐次性。零均值和纯随机很容易实现。方差齐次性即同方差性，指残差序列都有相同的方差。如果残差的方差不满足同方差性，即残差的方差不是常数，称回归模型具有异方差性。在模型构建过程中如果忽略方差存在将导致残差的方差被严重低估，在参数显著性检验中产生“纳伪”错误，导致模型的精度受影响。为了更精确地估计异方差函数，恩格尔于1982年提出自回归条件异方差模型(auto-regressive conditional heteroscedasticity model，ARCH)，并由波勒斯勒夫发展成为广义自回归条件异方差模型(generalized ARCH，GARCH)。该模型在时间序列分析中得到广泛应用。

ARCH模型突破了传统异方差模型方式，但也存在一定的缺陷：1)为了得到更好的效果，在实际应用中ARCH(p)模型常需要比较大的阶数p，增加了计算量；2)ARCH模型常需要确保条件方差是正数，只依赖于，未能充分利用的信息；3)在ARCH(p)模型中，将表示为的线性函数，在现实中往往不能满足。

在ARCH模型的基础上，各种修改或推广模型相继出现。这些模型都是针对具体问题和数据，采用各种数学工具变换的表达式，找到尽可能精确的关于条件方差的函数形式。其中波勒斯勒夫提出的GARCH模型影响较大，他把时刻k之前的条件方差作为自变量引入条件方差函数，其表达式为：

即，GARCH模型定义为：

然而，由于随着低频振荡监测能力的提升，电网中频繁出现不明原因的低频振荡波动，而且随着负荷的增长、非传统型——旋转电气设备的逐渐接入电网系统，电网系统呈现双高特征，导致这种不明原因的低频振荡波动的频度逐年提升，这种低频振荡的阻尼时大时小，风险程度不容忽视、且规律性难以捕捉，尤其是对于大型交流系统的联络线之间所发生的难以解析的低频振荡的风险预测难以采用解析解的方式进行预判。

发明内容

为克服上述缺陷，本发明的目的在于提供一种GARCH模型的联络线低频振荡风险评估预测方法，从数据驱动的分析角度开展大区电网联络线低频振荡波动的风险评估，系统实现简单、计算速度快和预测速度大为提升。

为实现上述目的，本发明采用如下技术方案：

一种GARCH模型的联络线低频振荡风险评估预测方法，包括步骤：

数据预处理，收集联络线发生低频振荡功率波动次数，确定采样时间间隔N；同一个时间间隔之内如果存在大于1次的低频振荡功率波动次数，则取PRONY分析幅值最大者为典型时间间隔内的低频振荡记录；

对所采集的所有低频振荡功率波动记录逐一进行PRONY分析，提取按照幅值由大到小排列的分解波形，并取排序前3个分解波形中幅值最大者为代表幅值，取排序前3个的阻尼最低者的阻尼为代表性阻尼；

设对于任意的主导频率为A

采用遗传算法对GARCH模型中的两个数组的GARCH模型参数p、q进行确定；

对于建立起的两个数组分别对应的GARCH模型建立综合评判公式。

可选的，所述采用遗传算法对GARCH模型中的两个数组的GARCH模型参数p、q进行确定包括步骤：

设p

染色体编码，设置四个参数均为1-10内的整数，因此设置染色体形式为二进制，即每个数字由一个4位二进制数表示，则染色体长度位4*4＝16位长度；

初始种群根据人工经验设定；

适应度函数设置，适应度函数如公式(1)所示，

其中，式中，L_cut依据经验人工选取，将给定1*M的数组按照L_cut的长度切片成给定训练数组；并采用给定解的GARCH模型进行拟合，A_real

采用常规交叉算子和变异算子；

设置迭代次数并终止。

可选的，所述综合评判公式为：

其中，C_A为预测的下一个时刻的最大振荡幅值，C_σ为预测的下一个时刻的最小阻尼值，C越大，说明下一时刻的风险程度越大。

本发明的积极有益效果：

本发明另辟蹊径，从数据驱动的分析角度开展大区电网联络线低频振荡波动的风险评估，将区域联络线有功功率波动的相关数据看作是时间序列曲线，由于每次发生的低频振荡的主导频率及其对应的阻尼可以通过PRONY分析得出，因此可以将其看作是两组时间序列，即主导频率幅值时间序列、主导频率阻尼时间序列，并鉴于时间序列模型——GARCH模型在处理时间序列波动性上的优势，进行两个时间序列的建模，并对未来时刻的主导频率幅值及阻尼进行预测，并通过所预测的赋值、阻尼及其对应时刻组合出对未来联络线低频振荡波形的预测。采用本发明，即数据驱动方式对大区电网联络线之间的PMU监测低频振荡进行监测，实际表明，因数据驱动方式进行预测的系统实现简单，计算速度快，与传统方法相比，预测速度大为提升。

附图说明

图1是本发明实施例1提供的一种GARCH模型的联络线低频振荡风险评估预测方法的示意框图。

具体实施方式

下面结合一些具体实施方式，对本发明做进一步说明。

实施例1

如图1所示，一种GARCH模型的联络线低频振荡风险评估预测方法，包括步骤：

S1、数据预处理，收集联络线发生低频振荡功率波动次数，确定采样时间间隔N；同一个时间间隔之内如果存在大于1次的低频振荡功率波动次数，则取PRONY分析幅值最大者为典型时间间隔内的低频振荡记录；

S2、对所采集的所有低频振荡功率波动记录逐一进行PRONY分析，提取按照幅值由大到小排列的分解波形，并取排序前3个分解波形中幅值最大者为代表幅值，取排序前3个的阻尼最低者的阻尼为代表性阻尼；

设对于任意的主导频率为A

S3、采用遗传算法对GARCH模型中的两个数组的GARCH模型参数p、q进行确定；

S4、对于建立起的两个数组分别对应的GARCH模型建立综合评判公式。

Prony方法是用一组指数项的线性组合来拟合等间距采样数据的方法，可以从中分析出信号的幅值、相位、阻尼因子、频率等信息。建立了两个时间序列数组，因这种方式进行预处理后，两个数组能够基本代表该时间间隔内出现的最大振荡水平和振荡过程中占主导振荡模式中的最弱阻尼水平。

所述采用遗传算法对GARCH模型中的两个数组的GARCH模型参数p、q进行确定包括步骤：

设p

S31、染色体编码，设置四个参数均为1-10内的整数(因常见的GARCH模型的p、q均在10以下)，因此设置染色体形式为二进制，即每个数字由一个4位二进制数表示，则染色体长度位4*4＝16位长度；

S32、初始种群根据人工经验设定；

S33、适应度函数设置，适应度函数如公式(1)所示，

其中，式中，L_cut依据经验人工选取，将给定1*M的数组按照L_cut的长度切片成给定训练数组；并采用给定解的GARCH模型进行拟合，A_real

适应度越大，说明对应染色体解的适应度越优良；

S34、采用常规交叉算子和变异算子；

S35、设置迭代次数并终止。

对于由步骤S3建立起的两个数组分别对应的GARCH模型建立综合评判公式：

其中，C_A为预测的下一个时刻的最大振荡幅值，C_σ为预测的下一个时刻的最小阻尼值，C越大，说明下一时刻的风险程度越大。

采用本发明专利，即数据驱动方式对大区电网联络线之间的PMU监测低频振荡进行监测，实际表明，因数据驱动方式进行预测的系统实现简单，计算速度快，与传统方法相比，预测速度大为提升。传统上就是仿真，而且不一定仿的出来，我们这种数据驱动实际上就是时间序列处理模式(把原因看作是黑箱)，现象-对-现象，然后进行预测，只是就现象推测未来现象，联络线我们观测的时候，在时间上比较具有一定的规律性(比如说夏季比春秋季多；午间比其它时段多)，弱点就是可解释性不强，但是很实用，最终预测的目的是风险可能发生的时刻和大小，所以这种方法当然是快(不需要在完全搞清楚原因了才给出判断预测)，即不是解析型的预测。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。