本发明涉及新能源电力系统惯量评估领域，具体涉及一种基于1d-se-resnet的含风电电力系统动态分区惯量评估方法。
背景技术：
1、随着新能源机组装机容量进一步增长，新能源机组经过电力电子变换器接入电网，在系统动态过程中表现出无惯量或者弱惯量的外特性，电力系统惯量水平正在逐渐下降。欧洲输电系统运营商(transmission system operators，tsos)将由系统惯性减小导致的电力系统稳定性问题排在五大电力系统稳定性问题之首，并且全世界范围内多起事故都与之有关，如英国8·9大停电、巴西8·15大停电等。鉴于此，电力系统惯性评估引起了电力行业和学术界的广泛关注。风电机组通过虚拟惯量控制接入电网，为系统提供虚拟惯量，但其响应特性不同于传统旋转惯量。另外，现有分区方法大多是考虑各发电机间的频率响应特性相关程度，将频率响应相近的机组分为一区。缺乏对新能源接入后系统分区情况的分析，随着系统内新能源机组的增多，这些基于发电机机同调性的分区方法使用受限。并且这些分区方法都只能得到固定的分区方案，没有考虑到扰动后系统潮流重新分配过程、系统运行情况和扰动发生地点对分区的影响。实际上系统分区结果在时间尺度上并非一成不变，新能源电力系统频率响应时空分布特性受系统参数、扰动类型和位置的综合影响，固定的分区方案不能用于所有时段。因此，动态分区评估含风电系统等效惯量对系统安全稳定运行与构建新型电力系统等方面有重要意义。
2、随着风电机组渗透率的提高，电力系统惯量水平逐年下降导致系统易发生稳定性问题。同时，频率响应存在分区特性，以区域为单位评估电力系统惯量更加灵活和准确，但现有分区方法只能实现固定分区。
技术实现思路
1、为解决上述技术问题，本发明提供一种基于一维压缩激励残差神经网络(1-dimensional squeezeandexcitationresidual network，1d-se-resnet)的系统动态分区惯量评估方法。首先采用频率曲线趋势和数值近似(trend and value approximation offrequency，tva-f)距离和k-means聚类方法对系统进行动态分区，并由轮廓系数(silhouette coefficient，s-c)指标确定分区数目。然后通过增加通道注意力se模块对1d-resnet进行改进，使之能够为每个通道提供权重提升网络性能。采集系统不同惯量水平和负荷扰动下的区域簇中心节点频率和频率变化率数据作为一维特征输入，区域有效惯量为输出，训练网络实现区域惯量评估。最后，在含风电的ieee39和ieee118节点系统上进行仿真，结果表明，在动态分区的基础上，训练好的1d-se-resnet可实现区域惯量的准确评估。
2、本发明采取的技术方案为：
3、基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，包括以下步骤：
4、步骤一：引入频率曲线趋势和数值近似距离，度量频率曲线之间的相似性，采用k-means聚类方法对系统进行动态分区，并由轮廓系数指标确定分区数目；
5、步骤二：增加通道注意力se模块对1d-resnet网络进行改进，得到1d-se-resnet网络；
6、步骤三：在步骤一动态分区的基础上，基于1d-se-resnet网络，对含风电电力系统动态分区有效惯量进行评估。
7、步骤四：并将1d-se-resnet与多层感知机(multi-layer perceptron，mlp)、一维卷积神经网络(1-dimensional convolutional neural network，1d-cnn)和1d-resnet对比，结果表明本发明提出的基于1d-se-resnet区域惯量评估精度最高，泛化性更好。
8、所述步骤一中，引入频率曲线趋势和数值近似(trend and value approximationof frequency，tva-f)距离度量频率曲线之间的相似性，具体如下：
9、两个频率曲线fp和fq之间tva-f距离能够用其对应的符号序列的距离表示，计算公式如下式(9)；用于计算距离的两个符号序列和具有相同的长度；
10、
11、式(9)中，disttva-f(·)表示tva-f距离；fp和fq分别表示两条频率曲线；i表示fp和fq分段后的片段索引；s表示分段后的频率片段总个数；表示频率曲线fp的第i个片段的趋势特征对应的字母表示；表示频率曲线fq的第i个片段的趋势特征对应的字母表示；表示频率曲线fp的第i个片段的数值特征对应的字母表示；表示频率曲线fq的第i个片段的数值特征对应的字母表示；∑表示求和符号；l(·,·)表示字母距离矩阵中二者字母之间的距离。
12、所述步骤一中，采用k-means聚类算法对系统进行动态分区，具体如下：
13、tva-f距离将各节点频率曲线之间的相似性进行了量化表示，之后可利用k-means聚类，将频率响应相似性较高的节点分为同一区域，同时将相似性差的节点尽可能的分开，以实现对系统节点的聚类分区，
14、k-means聚类算法主要步骤如下：
15、s2.1:.在样本集合c＝{c1,c2,...cn}内，随机选取k个样本作为初始簇中心；
16、s2.2:.计算每个样本到簇中心的距离，将每个样本分配到离他们最近的簇中心，生成k个簇；
17、s2.3:.将每个簇内距离其他样本距离和最小的样本视为新的簇中心，重复步骤2直至簇中心不再发生变化，聚类完成。
18、但系统分区结果并非一成不变，本发明考虑不同扰动工况对分区结果进行动态更改，确保任何工况下同一区域内频率响应的相似性，最终实现动态分区。
19、所述步骤一中，由轮廓系数(silhouette coefficient，s-c)指标确定分区数目。
20、所述步骤二中，1d-se-resnet网络是由多个1d-se-resnet模块搭配一维卷积层、池化层和全连接层堆叠而来，其核心部分是1d-se-resnet模块，而1d-se-resnet模块是将se模块加入1d-resnet模块改进而来。因此，下面结合1d-resnet模块图、1d-se-resnet模块图和1d-se-resnet网络整体结构图对1d-se-resnet网络解释说明如下：
21、在上述内容介绍se模块不变的情况下，新增了1d-resnet模块及其解释说明、1d-se-resnet模块和1d-se-resnet网络。
22、图21为1d-resnet模块结构图；图22为1d-se-resnet模块结构图；图23为1d-se-resnet网络详细结构结构图。
23、1d-resnet网络的核心是1d-resnet模块，其包括一维卷积层，批量归一化层、激活函数层和快捷连接，结构见图21。一维卷积层的计算是将卷积核在输入序列上滑动并计算点积，具有局部感受野和权重共享的优势，本发明选用3x1的卷积核。深度学习的训练通常以小批量进行，通过批量归一化可减少内部协变量偏移，从而提供可靠性和训练偏差。采用relu非线性激活函数使得神经网络可学习复杂非线性特征。
24、与直接拟合f(x)相比，引入快捷连接机构后，残差学习变得更加容易，并且层数增加可以改善模型，即使最差的情况下模型的表现也不会比没有这些层时更差。
25、将se模块嵌入1d-resnet模块得到1d-se-resnet模块，见图22，se模块主要包括压缩和激励两个步骤。
26、1d-se-resnet网络是由多个这样的1d-se-resnet模块搭配一维卷积层、池化层和全连接层堆叠而来，网络具体结构见图23。
27、结合上述：关于1d-se-resnet网络的具体解释说明过程，1d-se-resnet网络就是在1d-resnet中嵌入se模块，所以其包含的具体公式组成就是1d-resnet的数学计算公式(11)、(12)和se模块的压缩激励操作的数学公式(13)、(14)。
28、所述步骤四中，对比了各个模型在测试集合上的mre、rmse和me指标，并分析了各模型测试集样本相对误差的分布情况，结果都表明1d-se-resnet评价指标更加优异，相对误差更小。
29、本发明基于一维压缩激励残差神经网络(1-dimensionalsqueezeandexcitationresidual network，1d-se-resnet)的含风电电力系统动态分区惯量评估方法，技术效果如下：
30、1).本发明引入tva-f距离度量频率曲线之间的相关性，采用k-means聚类方法对系统进行动态分区，并由s-c指标自动确定分区数目。
31、2).本发明将se模块加入到1d-resnet中，为其分配了通道注意力，得到了性能更好的1d-se-resnet，采集系统不同惯量水平和负荷扰动下的区域簇中心节点频率和频率变化率数据作为一维特征输入，区域有效惯量为输出，训练1d-se-resnet实现区域有效惯量评估。
32、3).本发明所提的基于1d-se-resnet的区域有效惯量评估方法仅需获取区域簇中心点频率和频率变化率信息便可估计区域惯量，所需数据较少且易于获取，惯量评估准确度高同时可计及风电机组虚拟惯量。
33、4).将本发明所提的1d-se-resnet与mlp、1d-cnn和1d-resnet对比，结果表明1d-se-resnet拥有更高的惯量评估精度和更强的网络泛化性。
1.基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，其特征在于：所述步骤一中，引入频率曲线趋势和数值近似(trend and valueapproximation of frequency，tva-f)距离度量频率曲线之间的相似性，具体如下：两个频率曲线fp和fq之间tva-f距离能够用其对应的符号序列的距离表示，计算公式如下式(9)；用于计算距离的两个符号序列和具有相同的长度；
3.根据权利要求2所述基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，其特征在于：所述步骤一中，利用k-means聚类，将频率响应相似性较高的节点分为同一区域，同时将相似性差的节点尽可能的分开，以实现对系统节点的聚类分区。
4.根据权利要求3所述基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，其特征在于：k-means聚类算法包括如下步骤：
5.根据权利要求3所述基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，其特征在于：所述步骤一中，由轮廓系数(silhouette coefficient，s-c)指标确定分区数目,具体如下：
6.根据权利要求1所述基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，其特征在于：所述步骤二中，1d-se-resnet网络是由多个1d-se-resnet模块搭配一维卷积层、池化层和全连接层堆叠而来，1d-se-resnet模块是将se模块加入1d-resnet模块改进而来；
7.根据权利要求6所述基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，其特征在于：将se模块嵌入1d-resnet模块得到1d-se-resnet模块，se模块包括压缩和激励两个步骤：
8.根据权利要求1所述基于1d-se-resnet的含风电电力系统动态分区惯量评估方法，其特征在于：所述步骤三中，1d-se-resnet网络经过离线训练后能够在线评估系统区域惯量，
