CN109494781A - 一种高压直流输电换相重叠角实时估值的方法 - Google Patents

Abstract

一种高压直流输电换相重叠角实时估值的方法，利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真，标定仿真数据中触发脉冲对应的时刻，并针对每个时刻，构建特征向量，同时采集换相实际触发之后的实测换相重叠角与准稳态模型推导的换相重叠角之差作为标记，构建数据集，同时分割训练集与测试集，完成全连接BP神经网络的训练工作；在实际运行现场，训练好的BP神经网络基于换相触发时刻之前1ms时间窗的信息快速估算换相重叠角的准稳态模型误差修正值，并叠加在准稳态模型的输出值之上作为换相重叠角的估计值；本发明克服了高压直流输电重叠角只能实测获得而难以实时计算的问题，在直流系统控制领域具有广泛的工程应用前景。

Description

一种高压直流输电换相重叠角实时估值的方法

技术领域

本发明属于电气工程电力电子技术领域，特别涉及一种高压直流输电换相重叠角实时估值的方法。

背景技术

高压直流输电(LCC-HVDC)系统具有输送距离远、输送容量大、输送损耗低、功率调节灵活、不受同步稳定限制等特点，其在远距离大容量输电、电力系统互联等领域得到了十分广泛的运用，是实现我国能源资源优化配置的有效途径。

直流系统的稳定控制对于交直流混联系统的暂态稳定性具有重要的意义，但是，由于在运行过程中换流器不断地变换阀的通断状态，因此换流器对应的电路是典型的时变电路，导致了交直流混联系统运行特性很强的非线性；特别是在运行系统受到扰动之下，直流系统与交流系统的电气量难以解析表达，无法直接计算得出，包括换相重叠角以及关断角等重要电气量。

直流系统的定关断角控制是抑制直流系统发生换相失败的重要防线，由于换相重叠角不能直接解析求解，与换相重叠角等价的关断角同样也不能直接求解，造成了逆变侧的定关断角控制对于关断角的获取只能够现场实测获得。工程现场中，本开关周期内与关断角给定值所进行比较的实际关断角数值是上个开关周期的关断角测量值的最小值，故关断角控制过程天然存在一个开关周期的时滞，不利于交直流系统发生小扰动乃至于大扰动之下的直流系统控制与稳定运行的要求。倘若能够在每个换相触发之前估算出对应的换相重叠角，便可以通过该换相重叠角直接推导该次换相过程的关断角，从而将该关断角作为定关断角的测量值以消除原有基于测量环节获取关断角所带来的控制时滞，可以提高交直流混联系统的暂态稳定性。

近年来，人工智能技术蓬勃发展，学界上提出了不少拟合能力很强的拟合器，使得基于仿真数据拟合交直流特征量与换相重叠角之间的非线性关系成为可能。但是，虽然各拟合器理论上具有非常强的学习能力，但是如何针对于工程实际设计并且训练一个拟合器，使其具有最好的回归性能同时符合现场工程实践要求，该问题仍然没有解决。

发明内容

为了克服现有技术的缺陷，解决直流系统换相角及关断角难以直接解析求解带来的定关断角控制时滞问题，本发明的目的是提出基于反向传播(BP)神经网络的一种高压直流输电换相重叠角实时估值的方法，该方法充分利用大量仿真数据在1ms时间窗内的交直流电气特征，以实现换相重叠角以及关断角的快速实时估算。

为了达到上述目的，本发明的技术方案为：

一种高压直流输电换相重叠角实时估值的方法，包括以下步骤：

(1)利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真，获取太字节(TB)级别的运行数据，数据应尽可能地涵盖该系统的所有可能运行方式，为了保证换相角实时估计方法的可靠性，原始数据应包括故障数据及非故障数据；

所述的原始数据是指在网格状仿真中，网格状的仿真场景中含有直流输电系统正常运行状态下即逆变侧受端电网没有发生任何故障的运行数据，同时也包含了直流输电系统在受端电网发生故障的场景下的运行数据；

(2)标定仿真数据中触发脉冲对应的时刻，并针对每个时刻，构建特征向量，具体而言，为整流侧和逆变侧的直流电流I_dr/i、直流电压v_dr/r和交流电流I_acr/i、交流电压U_acr/i，

特征向量构建如下：

x＝[I_dr/i,v_dr/i,I_acr/i,U_acr/i]；

(3)对于标定的仿真数据中的触发脉冲的时刻，获取其对应的换相过程中的真实换相重叠角μ，并且与基于准稳态模型推导的换相重叠角作差，获得在准稳态解之上的修正值Δμ，以此作为标记，具体计算方法如下：

其中，X_c为换相漏抗，I_d为直流电流平均值，U_xy为x相与y相换相对应的交流线电压，α为延迟触发角；

(4)根据步骤(2)与步骤(3)得到的特征向量与标记，构建测试集与训练集，结合利用Adam梯度下降法，训练一个n层BP神经网络,n默认取值为3；

所述的步骤(4)具体为：根据步骤(1)获得在网格状设置仿真场景之下的交直流系统原始仿真数据，其中包括各场景之下交直流系统的直流电气量即整流侧和逆变侧的电压与电流、交流电气量即整流侧与逆变侧交流母线的交流电压与交流电流、控制系统的触发脉冲以及测量参数α角，μ角；根据步骤(2)-(3)将原始数据处理成了“特征-标记”对，比如说故障场景一共有m个，对于第i个故障场景，根据步骤(2)构建的特征向量x_i，并且根据步骤(3)得到了该场景之下μ_i准稳态解的修正值Δμ_i作为标记，于是获得了一个故障场景之下的“特征-标记”对(x_i，Δμ_i)；对每一个故障场景都相同操作，就能获得所有仿真数据之下的“特征-标记”对，即数据集全集X_all＝{(x₁，Δμ₁),(x₂，Δμ₂),…,(x_m，Δμ_m)}，对于这个全集，进行随机打乱之后，将前80％的数据取出作为训练集，即X_train＝{(x_i1，Δμ_i1),(x_i2，Δμ_i2),…,(x_i0.8m，Δμ_i0.8m)}，后20％的数据取出作为训练集,即X_test＝{(x_i0.8m，Δμ_i0.8m),(x_i(0.8m+1)，Δμ_i(0.8m+1)),…,(x_im，Δμ_im)}，其中(i1,i2,...,im)为(1,2,...,m)的一种随机打乱，至此，就构建了训练集与测试集；

(5)当测试集上的BP神经网络的拟合误差满足现场工程运行要求时，固化神经网络的参数值，模型转移到现场实际运用场景；

(6)现场运行过程中，在触发脉冲1ms之前得到实时测量交直流特征量，构建现场实测的特征向量，特征向量的构建与步骤(2)相同，将实测特征向量输入至提前训练好的BP神经网络中，得到换相重叠角的估计修正量

所述的步骤(6)具体为：根据训练并且得到了一个n层BP神经网络，该网络在既定的训练集上接受输入特征向量x，在最小误差意义之下，训练其输出尽可能接近预先设定的标记Δμ，也就是准稳态解之上的修正值，经过训练集的训练以及测试集的校验之后，如果该网络的回归误差满足工程实践要求，就在误差允许范围内得到了一个能够接受输入特征向量x并且输出标记Δμ的神经网络，在现场中，实测数据并且实时地构建特征向量x，并且输入至预先训练的神经网络中，就能够得到依据实测数据构建的x的换相重叠角准稳态解的估计修正量

(7)根据实测值实时计算准稳态解μ_{quasi_steady}，并与神经网络的输出的换相重叠角的估计修正量相加，得到换相重叠角的估计值

本发明主要包括模型的训练及模型的应用两部分；步骤1-5为训练部分，是在不同的仿真场景之下，采集晶闸管换相触发时刻之前1ms至换相触发时刻的逆变侧直流换流站、逆变侧交流母线的电气信息构建换相重叠角实时估计的特征量，并且采集换相实际触发之后的实测换相重叠角与准稳态模型推导的换相重叠角之差作为标记，构建数据集，同时分割训练集与测试集，完成全连接BP神经网络的训练工作；步骤6-7为应用部分：在实际运行现场，训练好的BP神经网络基于换相触发时刻之前1ms时间窗的信息快速估算换相重叠角的准稳态模型误差修正值，并叠加在准稳态模型的输出值之上作为换相重叠角的估计值。

本发明的优点：BP神经网络的结构简单，前馈计算量小，现场实际运行速度快；在数据集足够大并且充分描述函数映射关系的情况下，本方法基于现场实测数据输出的重叠角修正量误差一般在2～4度，计算精度高，可以满足直流系统控制的实际需求，从而为解决原有直流输电系统定关断角控制存在一个开关周期时滞的问题提供了一个实际可行的方案。

附图说明

图1是本发明基于BP神经网络的换相重叠角实时估计方法的训练以及应用流程图。

图2是BP神经网络的实时输出示意图。

图3是准稳态解、准稳态解加BP修正及实际值示意图。

具体实施方式

下面结合附图对本发明做详细叙述。

参照图1，本发明提出的一种高压直流输电换相重叠角实时估值的方法，包括以下步骤：

步骤1：利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真，获取TB级别的运行数据，数据应尽可能地涵盖该系统的所有可能运行方式，为了保证换相角实时估计方法的可靠性，设计的故障场景变量，具体参数如表1所示：

对表1的所有故障场景及其取值范围作出网格状划分，并且对网格划分之后的故障场景做出电磁暂态仿真，并记录下仿真全程的交直流系统的直流电气量(整流侧和逆变侧的电压与电流)、交流电气量(整流侧与逆变侧交流母线的交流电压与交流电流)、控制系统的触发脉冲以及测量参数(α角，μ角)，以得到原始数据；

所述的作出网格状划分，并且对网格划分之后的故障场景做出电磁暂态仿真，具体指的是在确定的若干仿真场景变量及其取值范围之下，在各取值范围之下对仿真场景变量做出网格状的取值，分别进行电磁暂态仿真以获取数据行为。举例：假设取定仿真场景变量为故障开始时间以及故障持续时间，其取值范围分别是0-0.2s，以及0.3-0.5s，则仿真场景可以取为(0,0.3)，(0,0.4),(0,0.5),(0.1,0.3),(0.1,0.4),(0.1,0.5),(0.2,0.3),(0.2,0.4),(0.2,0.5),其中括号中的第一个数据是故障开始时间，第二个是故障持续时间。

步骤2：对步骤1所得到的原始数据标定触发脉冲对应的时刻，并针对于每个时刻，构建特征向量，具体而言，为整流侧和逆变侧的直流电流I_dr/i、直流电压v_dr/i和交流侧电流I_acr/i、交流电压U_acr/i，特征向量构建如下：

x＝[I_dr/i,v_dr/i,I_acr/i,U_acr/i]

步骤3：针对于每一个故障场景的仿真数据的每一个触发脉冲的时刻，获取对应的换相过程中的真实换相重叠角μ，并且与基于准稳态模型推导的换相重叠角作差，获得在准稳态解之上的修正值Δμ，以得到每一个故障场景的仿真数据的每一个触发脉冲的时刻的换相角准稳态解的修正值。具体计算方法如下：

其中，X_c为换相漏抗，I_d为直流电流平均值，U_xy为x相与y相换相对应的交流线电压，α为延迟触发角。

步骤4：根据步骤(2)与步骤(3)得到的特征向量与标记，构建测试集与训练集，结合利用Adam梯度下降法，训练一个3层BP神经网络。

根据步骤(1)获得了在网格状设置仿真场景之下的交直流系统原始仿真数据，其中包括了各场景之下交直流系统的直流电气量即整流侧和逆变侧的电压与电流、交流电气量即整流侧与逆变侧交流母线的交流电压与交流电流、控制系统的触发脉冲以及测量参数α角，μ角；根据步骤(2)-(3)将原始数据处理成了“特征-标记”对，比如说故障场景一共有m个，对于第i个故障场景，根据步骤(2)构建的特征向量x_i，并且根据步骤(3)得到了该场景之下μ_i准稳态解的修正值Δμ_i作为标记，于是获得了一个故障场景之下的“特征-标记”对(x_i，Δμ_i)；对每一个故障场景都相同操作，就能获得所有仿真数据之下的“特征-标记”对，即数据集全集X_all＝{(x₁，Δμ₁),(x₂，Δμ₂),…,(x_m，Δμ_m)}，对于数据全集，进行随机打乱之后，将前80％的数据取出作为训练集，即X_train＝{(x_i1，Δμ_i1),(x_i2，Δμ_i2),…,(x_i0.8m，Δμ_i0.8m)}，后20％的数据取出作为训练集,即X_test＝{(x_i0.8m，Δμ_i0.8m),(x_i(0.8m+1)，Δμ_i(0.8m+1)),…,(x_im，Δμ_im)}，其中(i1,i2,...,im)为(1,2,...,m)的一种随机打乱。至此，构建了训练集与测试集。基于训练集与测试集，训练一个3层的BP神经网络，网络参数为:输入层为80个神经元，隐含层为10个神经元，输出层为1个神经元。对该BP神经网络采用Adam梯度下降法进行训练，并且在测试集上校验其性能。

步骤5：当测试集上的BP神经网络的拟合误差满足现场工程运行要求时，固化神经网络的参数值，模型转移到现场实际运用场景。

步骤6：假设现场运行过程中，在0.5s时刻于逆变侧交流母线处发生了一金属性三相短路故障，持续时间0.2s。对于故障全程的录波数据中，实时测量触发脉冲1ms之前的交直流特征量，构建现场实测的特征向量，并将实测特征向量输入至提前训练好的BP神经网络中，得到换相重叠角的估计修正量在该场景中，神经网络的输出如图2所示。

步骤7：根据实测值实时计算的准稳态解μ_{quasi_steady}，与神经网络的输出的换相重叠角的估计修正量相加，得到换相重叠角的估计值换相重叠角的准稳态解、准稳态解加BP修正及实际测量值情况如图3所示，在该场景下，准稳态解加BP修正与实际测量值的均方误差为2.115。

Claims (4)

1.一种高压直流输电换相重叠角实时估值的方法，其特征在于，包括以下步骤：

(1)利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真，获取太字节级别的运行数据，数据应尽可能地涵盖该系统的所有可能运行方式，为了保证换相角实时估计方法的可靠性，原始数据应包括故障数据及非故障数据；

(2)标定仿真数据中触发脉冲对应的时刻，并针对每个时刻，构建特征向量，具体而言，为整流侧和逆变侧的直流电流I_dr/i、直流电压u_dr/i和交流侧电流I_acr/i、交流电压U_acr/i，

特征向量构建如下：

x＝[I_dr/i,v_dr/i,I_acr/i,U_acr/i]；

(3)对于标定的仿真数据中的触发脉冲的时刻，获取其对应的换相过程中的真实换相重叠角μ，并且与基于准稳态模型推导的换相重叠角作差，获得在准稳态解之上的修正值Δμ，以此作为标记，具体计算方法如下：

其中，X_c为换相漏抗，I_d为直流电流平均值，U_xy为x相与y相换相对应的交流线电压，α为延迟触发角；

(4)根据步骤(2)与步骤(3)得到的特征向量与标记，构建测试集与训练集，结合利用Adam梯度下降法，训练一个n层BP神经网络，n默认取值为3；

(5)当测试集上的BP神经网络的拟合误差满足现场工程运行要求时，固化神经网络的参数值，模型转移到现场实际运用场景；

(6)现场运行过程中，在触发脉冲1ms之前得到实时测量交直流特征量，构建现场实测的特征向量，特征向量的构建与步骤(2)相同，将实测特征向量输入至提前训练好的BP神经网络中，得到换相重叠角的估计修正量

(7)根据实测值实时计算准稳态解μ_{quasi_steady}，并与神经网络的输出的换相重叠角的估计修正量相加，得到换相重叠角的估计值

2.根据权利要求1所述的一种高压直流输电换相重叠角实时估值的方法，其特征在于，步骤(1)所述的原始数据是指在网格状仿真中，网格状的仿真场景中含有直流输电系统正常运行状态下即逆变侧受端电网没有发生任何故障的运行数据，同时也包含了直流输电系统在受端电网发生故障的场景下的运行数据。

3.根据权利要求1所述的一种高压直流输电换相重叠角实时估值的方法，其特征在于，所述的步骤(4)具体为：根据步骤(1)获得了在网格状设置仿真场景之下的交直流系统原始仿真数据，其中包括了各场景之下交直流系统的直流电气量即整流侧和逆变侧的电压与电流、交流电气量即整流侧与逆变侧交流母线的交流电压与交流电流、控制系统的触发脉冲以及测量参数α角，μ角；根据步骤(2)-(3)将原始数据处理成了“特征-标记”对，比如说故障场景一共有m个，对于第i个故障场景，根据步骤(2)构建的特征向量x_i，并且根据步骤(3)得到了该场景之下μ_i准稳态解的修正值Δμ_i作为标记，于是获得了一个故障场景之下的“特征-标记”对(x_i，Δμ_i)；对每一个故障场景都相同操作，就能获得所有仿真数据之下的“特征-标记”对，即数据集全集X_all＝{(x₁，Δμ₁),(x₂，Δμ₂),…,(x_m，Δμ_m)}，对于这个全集，进行随机打乱之后，将前80％的数据取出作为训练集，即X_train＝{(x_i1，Δμ_i1),(x_i2，Δμ_i2),…,(x_i0.8m，Δμ_i0.8m)}，后20％的数据取出作为训练集,即X_test＝{(x_i0.8m，Δμ_i0.8m),(x_i(0.8m+1)，Δμ_i(0.8m+1)),…,(x_im，Δμ_im)}，其中(i1,i2,...,im)为(1,2,...,m)的一种随机打乱，至此，就构建了训练集与测试集。

4.根据权利要求1所述的一种高压直流输电换相重叠角实时估值的方法，其特征在于，所述的步骤(6)具体为：根据训练并且得到了一个n层BP神经网络，该网络在既定的训练集上接受输入特征向量x，在最小误差意义之下，训练其输出尽可能接近预先设定的标记Δμ，也就是准稳态解之上的修正值，经过训练集的训练以及测试集的校验之后，如果该网络的回归误差满足工程实践要求，就在误差允许范围内得到了一个能够接受输入特征向量x并且输出标记Δμ的神经网络，在现场中，实测数据并且实时地构建特征向量x，并且输入至预先训练的神经网络中，就能够得到依据实测数据构建的x的换相重叠角准稳态解的估计修正量