CN110994673B - 一种微电网自适应反孤岛扰动负载阻抗值的预测方法 - Google Patents

Abstract

本发明涉及一种微电网自适应反孤岛扰动负载阻抗值的预测方法，包括以下步骤：1)根据微电网内反孤岛装置在不同应用场景下的状态判断是否进行扰动负载阻抗值的预测；2)当反孤岛装置在投入前微电网运行正常，则通过LSTM进行扰动负载阻抗值的预测；3)当反孤岛装置在投入前微电网出现故障，则采集保护动作信息，基于Petri网络建立微电网故障信息提取模型后，通过LSTM进行扰动负载阻抗值的预测。与现有技术相比，本发明具有考虑多场景下阻抗特征、增强微电网运行的灵活性和可靠性等优点。

Description

一种微电网自适应反孤岛扰动负载阻抗值的预测方法

技术领域

本发明涉及微电网运行维护领域，尤其是涉及一种微电网自适应反孤岛扰动负载阻抗值的预测方法。

背景技术

目前针对反孤岛装置的研究多从零盲区检测、盲区预测、电网自愈能力、自适应切除等方面展开，针对反孤岛等效扰动负载阻抗值的确定问题研究较少，现有的定阻抗值不能根据微电网内供求变化实时进行调整，降低了电网运行的灵活性与可靠性。因此研究投入自适应反孤岛扰动负载以及变阻值的预测方法具有重要意义。

正常运行状况下，扰动负载阻抗值受时序影响较大，且微电网内分布式电源出力与外界天气环境变化、上一时刻电源输出状态均有关，故在进行阻抗值选定过程中应充分考虑时间序列特征，实现时间序列上的记忆信息可控。一旦发生故障，微电网系统总阻抗值将受到故障线路阻抗值的影响离散、并行的发生变化，投入的扰动负载阻抗值通过动态变化，实现对微电网内供求关系的实时响应。目前针对扰动负载阻抗的研究方法主要从自适应阻抗角、基于小波基选择的阻抗特征提取以及相对波阻抗预测精度上考虑，预测过程中对于扰动负载阻抗值不同场景下的特征分析，以及自适应预测方法的设计均需进一步研究。

随着反孤岛装置随着分布式电源渗透率逐渐增多，对于限制新能源可接入最大容量、保障检修人员安全、保证电网自动装置正常工作以及构建清洁低碳能源供应体系等影响日益突出，由于目前投入过程中缺乏不同场景下的阻抗特征分析，降低系统运行的可靠性和灵活性，故提出一种结合LSTM神经网络和Petri网的微电网自适应反孤岛扰动负载阻抗值预测方法具有重要意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种微电网自适应反孤岛扰动负载阻抗值的预测方法。

本发明的目的可以通过以下技术方案来实现：

一种微电网自适应反孤岛扰动负载阻抗值的预测方法，包括以下步骤：

1)根据微电网内反孤岛装置在不同应用场景下的状态判断是否进行扰动负载阻抗值的预测；

2)当反孤岛装置在投入前微电网运行正常，则通过LSTM进行扰动负载阻抗值的预测；

3)当反孤岛装置在投入前微电网出现故障，则采集保护动作信息，基于Petri网络建立微电网故障信息提取模型后，通过LSTM进行扰动负载阻抗值的预测。

所述的步骤1)中，微电网内反孤岛装置应用场景包括：

(1)不允许孤岛运行的检修场景，反孤岛装置状态表现为投入，投入后孤岛内所有变流器开关断开，孤岛停止运行；

(2)大电网故障情况下，允许部分孤岛运行时的场景，反孤岛装置状态表现为切除，进行计划性孤岛划分；

(3)大电网故障情况下，并且孤岛运行过程中出现异常场景，反孤岛装置状态表现为投入，投入后孤岛内所有变流器开关断开，孤岛停止运行。

所述的步骤1)中，当处于(1)和(3)场景下时，进行扰动负载阻抗值的预测。

所述的步骤2)中，通过LSTM进行扰动负载阻抗值的预测具体包括以下步骤：

21)构建基于LSTM神经网络的反孤岛扰动负载阻抗预测模型，并确定模型层数及各层神经元节点数；

22)对反孤岛扰动负载阻抗预测模型进行训练，确定最优网络参数；

23)根据训练好的反孤岛扰动负载阻抗预测模型进行扰动负载阻抗值的预测。

所述的步骤21)中，反孤岛扰动负载阻抗预测模型将光伏电流、风机电流和燃机电流数据作为输入层，输入层节点数为3，将扰动负载阻抗值作为输出层，输出层节点数为1。

所述的步骤21)中，反孤岛扰动负载阻抗预测模型中各隐含层的训练函数采用自适应学习速率动量法，各层激活函数采用对数S形函数，隐含层的节点数为7。

所述的步骤22)中，在对反孤岛扰动负载阻抗预测模型进行训练过程中，通过梯度下降法迭代使损失函数最小化，缩小目标值和偏差量，最终得到模型的最优网络参数。

所述的步骤3)中，基于Petri网络将Token定义为故障信息的置信度等级，Token的流动代表故障的传递，将描述故障模式变化的状态变量作为变迁构建微电网故障信息提取模型。

微电网故障信息提取模型具体表示为：

S＝(P,T；I,O,K,C,M,Ω,α,f,H,U)

其中，P＝{p₁,p₂,...,p_n}(n＞0)为有限非空库所节点集合，用以表示微电网内的故障模式，T＝{t₁,t₂,...,t_m}(m＞0)为有限非空变迁节点集合，t_m为表示故障状态变量的库所节点，用以反映系统故障传播过程的更替变化，I＝P×T为Petri网输入矩阵，反映库所到变迁的映射，O＝T×P为Petri网输出矩阵，反映变迁到库所的映射，K＝{k₁,k₂,...,k_n}为Token，表示故障信息的有限集合，C为颜色集合，用以通过染色库所表示不同的故障类型，M＝(m₁,m₂,...,m_n)^T为库所标识分布n维向量，元素m_i(i＝1,2,...,n)表示对应库所p_i的Token数目和颜色，Token数目表示有无故障发生、故障发生的严重程度以及引发该故障的路径数，Ω＝(ω₁,ω₂,...,ω_n)^T为库所权值n维向量，表示输入库所p对变迁规则t的影响，α＝(α₁,α₂,...,α_n)^T为故障事件置信度n维向量，f＝(f₁,f₂,...,f_n)^T为库所事件故障率的集合，其中f_i对应故障信息提取模型中的库所p_i，并表示p_i的故障率集合，H＝(λ₁,λ₂,...,λ_n)^T为变迁规则阈值m维向量，U＝diag(μ₁,μ₂,...,μ_m)为变迁规则置信度矩阵，元素μ_j为变迁规则t_j的阈值，且μ_j∈[0,1]。

与现有技术相比，本发明具有以下优点：

一、本发明通过建立微电网自适应反孤岛扰动负载阻抗值预测模型，能够系统分析反孤岛等效阻抗适用场景以及扰动负载阻抗自适应预测能力对微电网运行稳定性的影响，有利于构建清洁低碳能源供应体系。

二、本发明以实时响应微电网内实际供求关系为目标，分析多场景下阻抗特征，正常情况下通过LSTM神经网络预测投入扰动负载阻抗值，出线故障情况下首先利用Petri网建立微电网故障信息提取模型，LSTM神经网络在训练过程中经过121次迭代训练达到了均方误差0.001的要求，同时也是其所能达到的最小均方误差值。通过初始训练过程中不断调整权值和阈值，加快收敛速度，提高模型预测能力。自适应反孤岛预测模型已应用于微电网项目中，能够起到保护作用，并增强微电网运行的灵活性和可靠性。

附图说明

图1为本发明的预测方法逻辑关系图。

图2为实施例中的微电网仿真系统。

图3为LSTM神经网络在不同隐层节点下的结果。

图4为梯度下降法搜索最优解过程。

图5为LSTM神经网络误差迭代图。

图6为基于Petri网故障信息提取模型的图形化表示。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明提出了基于长短期记忆神经网络(LSTM,Long Short-Term Memory)的扰动负载阻抗值预测方法且可利用Petri网络建立微电网故障信息提取模型，系统分析反孤岛等效阻抗适用场景以及扰动负载阻抗自适应预测能力对微电网运行稳定性的影响。

本发明专利针对定阻值下扰动负载投入无法根据微电网内供求关系进行实时调整，降低系统运行灵活性的问题，提出扰动负载阻抗投入规则，并对投入过程进行多场景特征分析及阻抗值预测。将微电网内反孤岛装置应用场景分为以下三种：

(1)不允许孤岛运行的检修场景，反孤岛装置状态表现为：投入，投入后孤岛内所有变流器开关断开，孤岛停止运行，保证维修人员的人身安全；

(2)大电网故障情况下，允许部分孤岛运行，减少用户停电，提高发电效率。反孤岛装置状态表现为：切除，进行计划性孤岛划分；

(3)大电网故障情况下，孤岛运行过程中出现异常时，反孤岛装置状态表现为：投入，投入后孤岛内所有变流器开关断开，孤岛停止运行，保证设备和人员安全。

其中(1)、(3)场景下，反孤岛装置表现为：投入状态。若投入前微电网运行正常，无故障发生，则将利用LSTM的记忆机制，参考上一时序神经元的输出值，在逆向传播过程中采用梯度下降法不断更新权值和偏置，提高预测投入动态阻抗值的精度。若投入前微电网内存在故障出线，则利用Petri网络并行异步性强、能够进行潜在模拟的优势，搭建微电网故障信息提取模型，作为预测该场景下投入扰动负载阻抗值的数据来源，进而通过LSTM预测动态阻抗值，所搭建的预测模型为构建清洁低碳能源供应体系起积极作用。综上所述，本专利设计的一种微电网自适应反孤岛扰动负载阻抗值预测方法逻辑关系如图1所示。

长短期记忆神经网络(LSTM,Long Short-Term Memory)作为一种时间递归神经网络算法，在标准循环神经网络(Recurrent Neural Network,RNN)基础上通过权重矩阵将上一个时间序列神经元的值传递到当前神经元，使该神经元的输出不仅取决于当前时刻的输入，还取决于上一时刻该神经元的输出，实现时间序列上的记忆信息可控。通过遗忘门(Forget Gate)、输入门(Input Gate)与输出门(Output Gate)三个可控门分别控制对神经元之前信息的记忆和遗忘程度，并可根据规则判断输入信号的保留程度，遗忘无效信息，从而使神经网络具备长期记忆的功能，对于处理时间序列上的扰动负载阻抗值预测问题具有更好的适用性。

Petri网络为并行系统研究提供分析方法，结合Petri网结构和故障信息建立关联矩阵，得出Petri网的初始状态，确保系统化求解系统变迁，完善状态方程管理水平，推导出Petri网的稳态情况。同时能够完成并发、异步以及循环工作，实现元件故障处理、保护动作分析以及断路器动作故障控制的综合控制策略。故采用Petri网络建立故障信息提取模型，提升故障信息提取效率及微电网稳态恢复水平。

如图2所示，本例选取测试系统IEEE-RBTS BUS主馈线F4的一部分模拟微电网负荷组成，并添加等效光伏电源、风力发电机、微型燃气轮机三个微电源，系统接线图如图2所示。其中L1、L3为2级负荷，L2、L4为3级负荷，

4个负荷的年最大负荷分别为P_max1＝40.771kW,P_max2＝33kW，P_max3＝54kW,P_max4＝30kW。风机(WT)出力上限20kW，光伏(PV)系统出力上限15kW，下限5kW，微型燃气轮机(MT)出力上限60kW。

本发明基于LSTM神经网络的反孤岛扰动负载阻抗预测模型主要由神经网络输入层、隐含层及输出层构成。

神经网络模型层数及各层神经元节点数确定方式如下：

(1)输入层节点数的确定：

本专利通过采集光伏电流、风机电流、燃机电流动态反应微电网内的实时运行状态，即确定输入层节点个数为3。

(2)输出层节点数的确定：

本专利旨在对扰动负载阻抗值进行预测，故输出层为1个节点。

(3)隐含层节点数及网络拓扑的确定：

隐含层节点个数通过输入节点个数、输出节点个数及调节系数决定，即具有良好的网络泛化能力，回归分析相关系数较大，训练次数较少，且均方根误差较小，则认为找到较满意的网络结构；反之，调整隐含层神经元数，通过反复调试，直到找到满意的网络结构。由于LSTM神经网络初始化具有随机性，所以对每一种网络结构仿真30次并求平均值，以减小初始化带来的误差影响。各层网络的训练函数采用自适应学习速率动量法，各层激活函数采用对数S形函数(logsig)，其输出介于0～1之间，有利于收敛。

按照上述训练规则，训练结果如图3所示。在十次训练过程中，初始阶段由于隐层节点数目设置较少，收敛步数波动比较大，在7节点逐步下降到极值，此时训练时间为0.7秒左右，再改变节点数目，收敛步数有所增加。故本专利中针对LSTM神经网络，7个节点设置为隐含层的最佳选择。

根据损失函数值判断扰动负载阻抗预测值与目标值的偏差量是否在容许范围内，若是则固定神经网络中各神经元的权值和偏置，确定最优网络结构，结束训练。否则，进入逆向传播过程。运算阻抗预测结果与真实值间的误差，并将该误差反向传播至神经网络的隐含层中，将运算出的各层误差作为采用梯度下降法更新权值与偏置的依据。整个训练过程中误差不断逆向传递，并校正各神经元的权值与偏置，使神经网络达到更优的阻抗预测效果，并且满足《微电网能量管理系统技术规范》中电压、频率容许的偏差范围。

在LSTM神经网络训练过程中通过梯度下降法不断迭代求解使损失函数最小化，从而将目标值和偏差量不断缩小。在此状态下可得模型的最优参数，并固定对应的权值w与偏置b为神经元参数。本专利在进行LSTM神经网络运算过程中，梯度下降法搜索最优解过程如图4所示。红色曲线为梯度下降法最优化扰动负载阻抗值时的逼近过程。当求解至最小值点时，该点所对应的权值w与偏置b即为该神经元参数的最优解。图5所示为LSTM神经网络在训练过程中经过121次迭代训练后满足均方误差0.001的要求，同时由于初始训练过程中不断调整权值和阈值，加快收敛速度，能够达到较好的扰动负载阻抗值预测水平。

若投入前微电网内存在故障，则利用Petri网络优先搭建微电网故障信息提取模型，提高多模态预测效率。Petri网的基本元素是“库所(place)”、“变迁(transition)”和“Token”，其中库所和变迁之间用有向弧(arc)连接。库所能够通过内部存储的Token描述系统局部状态，通过库所内部Token的动态变化表示系统的不同状态；变迁是指系统变化致因的动态节点，描述修改系统状态的事件；有向弧是系统各元素间内在关系的集中体现，能够将Petri中信息动态的演变过程通过指向清晰展现出来。

如图6所示，本例中将Token定义为故障信息的置信度等级，Token的流动代表故障的传递，在Petri图中用不同颜色的标识符表示不同等级；库所描述系统的故障模式，在Petri图中用圆圈表示，其中◎表示库所中含有Token，且发生故障、○表示库所中未含有Token，且未发生故障、●表示库所处于故障的结果状态；变迁是描述故障模式变化的状态变量，在Petri中用矩形表示。

Petri网定义十二元组如式(1)所示。

S＝(P,T；I,O,K,C,M,Ω,α,f,H,U) (1)

式中，P＝{p₁,p₂,...,p_n}(n＞0)为有限非空库所节点集合，可用于表示微电网内的故障模式；T＝{t₁,t₂,...,t_m}(m＞0)为有限非空变迁节点集合，t为表示故障状态变量的库所节点，能够反映系统故障传播过程的更替变化；I＝P×T为Petri网输入矩阵，反映库所到变迁的映射；O＝T×P为Petri网输出矩阵，反映变迁到库所的映射；K＝{k₁,k₂,...,k_n}为Token表示故障信息的有限集合；C为颜色集合，通过染色库所表示不同的故障类型；M＝(m₁,m₂,...,m_n)^T为库所标识分布n维向量，元素m_i(i＝1,2,...,n)表示对应库所p_i的Token数目和颜色，Token数目表示有无故障发生、故障发生的严重程度以及引发该故障的路径数；Ω＝(ω₁,ω₂,...,ω_n)^T为库所权值n维向量，表示输入库所p对变迁规则t的影响；α＝(α₁,α₂,...,α_n)^T为故障事件置信度n维向量；f＝(f₁,f₂,...,f_n)^T为库所事件故障率的集合，其中f_i对应故障信息提取模型中的库所p_i，并表示p_i的故障率集合；H＝(λ₁,λ₂,...,λ_n)^T为变迁规则阈值m维向量；U＝diag(μ₁,μ₂,...,μ_m)为变迁规则置信度矩阵，元素μ_j为变迁规则t_j的阈值，μ_j∈[0,1]。

本发明结合LSTM神经网络和Petri网的微电网自适应反孤岛扰动负载阻抗值预测方法，搭建基于LSTM神经网络的阻抗预测模型，处理时间序列上的扰动负载阻抗值预测问题；存在故障出线的情况下，通过基于Petri网的微电网故障信息提取模型，提升故障信息提取效率及微电网稳态恢复水平，作为故障情况下LSTM神经网络的数据来源。

另外，本发明通过进行多场景下的阻抗特性分析，有针对性的建立不同场景下的阻抗预测模型。长短期记忆神经网络(LSTM,Long Short-Term Memory)作为一种时间递归神经网络算法，适用于微电网正常运行下进行阻抗值选定过程中需充分考虑时间序列的特征，若投入前微电网处于正常运行状态，则利用LSTM的记忆机制，参考上一时序神经元的输出值，在逆向传播过程中采用梯度下降法不断更新权值和偏置，提高预测投入动态阻抗值的精度。Petri网络为并行系统研究提供分析方法，适用于微电网内出线故障情况下，阻抗值离散并行的变化特性，若投入前微电网内存在故障出线，则利用Petri网络并行异步性强、能够进行潜在模拟的优势，搭建微电网故障信息提取模型，作为预测该场景下投入扰动负载阻抗值的数据来源，进而通过LSTM预测动态阻抗值，所搭建的预测模型为构建清洁低碳能源供应体系起积极作用。

最后，本发明能够进行多场景下的阻抗特性分析，能够根据微电网不同运行状态确定不同预测方法，不仅对于处理时间序列上的扰动负载阻抗值预测问题具有更好的适用性，实时响应供求关系变化，而且能提升故障信息提取效率及微电网稳态恢复水平。自适应阻抗值预测方法对于提高系统灵活性和可靠性、构建清洁低碳能源供应体系发挥重要作用。

Claims (4)

1.一种微电网自适应反孤岛扰动负载阻抗值的预测方法，其特征在于，包括以下步骤：

1)根据微电网内反孤岛装置在不同应用场景下的状态判断是否进行扰动负载阻抗值的预测，微电网内反孤岛装置应用场景包括：

(1)不允许孤岛运行的检修场景，反孤岛装置状态表现为投入，投入后孤岛内所有变流器开关断开，孤岛停止运行；

(2)大电网故障情况下，允许部分孤岛运行时的场景，反孤岛装置状态表现为切除，进行计划性孤岛划分；

(3)大电网故障情况下，并且孤岛运行过程中出现异常场景，反孤岛装置状态表现为投入，投入后孤岛内所有变流器开关断开，孤岛停止运行；

当处于(1)和(3)场景下时，进行扰动负载阻抗值的预测；

2)当反孤岛装置在投入前微电网运行正常，则通过LSTM进行扰动负载阻抗值的预测，通过LSTM进行扰动负载阻抗值的预测具体包括以下步骤：

21)构建基于LSTM神经网络的反孤岛扰动负载阻抗预测模型，并确定模型层数及各层神经元节点数；

22)对反孤岛扰动负载阻抗预测模型进行训练，确定最优网络参数；

23)根据训练好的反孤岛扰动负载阻抗预测模型进行扰动负载阻抗值的预测；

3)当反孤岛装置在投入前微电网出现故障，则基于Petri网络建立微电网故障信息提取模型，通过LSTM进行扰动负载阻抗值的预测，基于Petri网络将Token定义为故障信息的置信度等级，Token的流动代表故障的传递，将描述故障模式变化的状态变量作为变迁构建微电网故障信息提取模型，微电网故障信息提取模型具体表示为：

S＝(P,T；I,O,K,C,M,Ω,α,f,H,U)

其中，P＝{p₁,p₂,...,p_n}(n＞0)为有限非空库所节点集合，用以表示微电网内的故障模式，T＝{t₁,t₂,...,t_m}(m＞0)为有限非空变迁节点集合，t_m为表示故障状态变量的库所节点，用以反映系统故障传播过程的更替变化，I＝P×T为Petri网输入矩阵，反映库所到变迁的映射，O＝T×P为Petri网输出矩阵，反映变迁到库所的映射，K＝{k₁,k₂,...,k_n}为Token，表示故障信息的有限集合，C为颜色集合，用以通过染色库所表示不同的故障类型，M＝(m₁,m₂,...,m_n)^T为库所标识分布n维向量，元素m_i(i＝1,2,...,n)表示对应库所p_i的Token数目和颜色，Token数目表示有无故障发生、故障发生的严重程度以及引发该故障的路径数，Ω＝(ω₁,ω₂,...,ω_n)^T为库所权值n维向量，表示输入库所p对变迁规则t的影响，α＝(α₁,α₂,...,α_n)^T为故障事件置信度n维向量，f＝(f₁,f₂,...,f_n)^T为库所事件故障率的集合，其中f_i对应故障信息提取模型中的库所p_i，并表示p_i的故障率集合，H＝(λ₁,λ₂,...,λ_n)^T为变迁规则阈值m维向量，U＝diag(μ₁,μ₂,...,μ_m)为变迁规则置信度矩阵，元素μ_j为变迁规则t_j的阈值，且μ_j∈[0,1]。

2.根据权利要求1所述的一种微电网自适应反孤岛扰动负载阻抗值的预测方法，其特征在于，所述的步骤21)中，反孤岛扰动负载阻抗预测模型将光伏电流、风机电流和燃机电流数据作为输入层，输入层节点数为3，将扰动负载阻抗值作为输出层，输出层节点数为1。

3.根据权利要求1所述的一种微电网自适应反孤岛扰动负载阻抗值的预测方法，其特征在于，所述的步骤21)中，反孤岛扰动负载阻抗预测模型中各隐含层的训练函数采用自适应学习速率动量法，各层激活函数采用对数S形函数，隐含层的节点数为7。

4.根据权利要求1所述的一种微电网自适应反孤岛扰动负载阻抗值的预测方法，其特征在于，所述的步骤22)中，在对反孤岛扰动负载阻抗预测模型进行训练过程中，通过梯度下降法迭代使损失函数最小化，缩小目标值和偏差量，最终得到模型的最优网络参数。

Images