CN113937762A - 基于长短期记忆网络的微电网暂态稳定评估方法 - Google Patents
基于长短期记忆网络的微电网暂态稳定评估方法 Download PDFInfo
- Publication number
- CN113937762A CN113937762A CN202111188280.XA CN202111188280A CN113937762A CN 113937762 A CN113937762 A CN 113937762A CN 202111188280 A CN202111188280 A CN 202111188280A CN 113937762 A CN113937762 A CN 113937762A
- Authority
- CN
- China
- Prior art keywords
- transient stability
- network
- stability evaluation
- virtual
- power angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 119
- 238000011156 evaluation Methods 0.000 title claims abstract description 97
- 230000007787 long-term memory Effects 0.000 title claims abstract description 20
- 230000006403 short-term memory Effects 0.000 title claims abstract description 20
- 230000001360 synchronised effect Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013097 stability assessment Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于长短期记忆网络的微电网暂态稳定评估方法包括构建微电网暂态稳定评估网络;包括训练微电网暂态稳定评估网络,得到网络权重;还包括微电网暂态稳定评估网络在线评估:将暂态稳定评估网络及网络权重烧录至虚拟同步逆变器的控制单元中进行信息交互;当微电网正常运行时,暂态稳定评估网络不进行评估;当微电网检测到有故障发生时,暂态稳定评估网络进行在线评估,根据当前时刻获取的T/2时间长度的虚拟功角数据预测未来T/2时间长度的虚拟功角值,并由逆变器控制单元判断暂态稳定性;当预测得到的虚拟功角值在设定变化范围内,暂态稳定评估网络又进入不评估状态。本方法能极大简化神经网络的调试工作,实现微电网暂态稳定提前判定。
Description
技术领域
本发明涉及电力系统技术领域,尤其指一种基于长短期记忆网络的微电网暂态稳定评估方法。
背景技术
微电网作为电力电子装备友好接入电力系统并消纳新能源的重要途径已经越来越受到学界和工业界的重视。不同于旋转发电机,电力电子装备惯性较小,电气量变化速度过快,不利于微电网的稳定运行。为此,学界和工业界提出了模拟同步发电机外特性的虚拟同步逆变器等具有虚拟惯性特征的电力电子装备控制策略,改善了微电网的稳定运行能力。但这也给微电网带来了传统电力系统暂态过程中可能面临的同步稳定性问题。微电网供电范围小,故障传播速度快,系统在暂态期间数学模型非线性强,传统分析工具已经很难适用,这给微电网暂态稳定评估带来了前所未有的挑战。
现有的微电网暂态稳定评估技术或方案都是沿用自电力系统,其中又以时域仿真法和直接法为主。时域仿真法能够适用于各类场景,且计算准确度最高,然而绝大多数微电网无法适应其密集的计算负担。同时,微电网暂态失稳速度快,而时域仿真法耗时较长,实时性较差,难以在线应用。直接法又称为李雅普诺夫能量函数法,从能量角度分析和判断系统暂态稳定性,计算速度快并可给出暂态稳定裕度。然而微电网电力电子装备众多,数学模型非线性特征强,难以构建精确的能量函数。为此,已有学者提出应用数据驱动的机器学习于暂态稳定评估领域。但是,目前的基于数据驱动和机器学习的方法存在如下几个缺陷:(1)严重依赖于先验知识选择输入特征量和调整网络参数。现有方法需要根据人工经验预先筛选具有代表性的特征,并多次实验确定网络的超参数,效率低下、随机性强且操作繁琐。(2)所需特征量需要在网络安装大量的传感器和通讯设备,如采集各个母线的电压幅值相位、有功无功功率数值等,通过通信线路传送至系统控制中心经过计算后再生成调度控制指令下达至发电单元,建设成本高昂且实时性较差。微电网的快速、准确暂态稳定评估需求仍未得到很好满足。
发明内容
本发明所要解决的技术问题是提供一种基于长短期记忆网络的微电网暂态稳定评估方法,该方法不仅能极大简化神经网络的调试工作,还能实现微电网暂态稳定的提前判定,并能在在线应用的基础上给出稳定裕度,便于微电网紧急控制措施的实施。
为了解决上述技术问题,本发明采用如下技术方法:一种基于长短期记忆网络的微电网暂态稳定评估方法,包括:
步骤1)构建微电网暂态稳定评估网络
基于长短期记忆神经网络构建的LSTM单元与全连接层进行拼接形成微电网暂态稳定评估网络;
步骤2)训练微电网暂态稳定评估网络
所述微电网暂态稳定评估网络采集以往微电网暂态失稳运行时虚拟同步逆变器的虚拟功角数据并将其进行预处理后,输入至LSTM单元中进行训练,得到训练后的网络权重;
步骤3)微电网暂态稳定评估网络在线评估
将所述暂态稳定评估网络以及训练得到的网络权重烧录至虚拟同步逆变器的控制单元中进行信息交互;
当微电网正常运行时,所述暂态稳定评估网络不进行评估,仅每隔T/2时间从虚拟同步逆变器的控制单元中获取T/2时间长度的虚拟功角数据,所述T为虚拟同步逆变器有功控制环节的时间尺度;
当微电网检测到有故障发生时,所述暂态稳定评估网络进行在线评估,先将当前时刻从虚拟同步逆变器的控制单元中获取的T/2时间长度的虚拟功角数据进行预处理,再输入至LSTM单元中,经过LSTM单元的计算得到输出向量,接着将所述输出向量送入全连接层中,所述全连接层根据输出向量以及训练后的网络权重计算得到未来T/2时间长度的虚拟功角值,最后,将所述未来T/2时间长度的虚拟功角值发送至虚拟同步逆变器的控制单元中,所述虚拟同步逆变器的控制单元根据故障前稳态的虚拟功角值以及当前预测的虚拟功角值来判断虚拟同步逆变器在未来T/2时间长度内的暂态稳定性;
当所述暂态稳定评估网络连续两个T/2时间长度内预测得到的虚拟功角值在设定变化范围内,所述暂态稳定评估网络又进入不评估状态,仅每隔T/2时间从虚拟同步逆变器的控制单元中获取T/2时间长度的虚拟功角数据。
进一步地,确定所述虚拟同步逆变器有功控制环节的时间尺度T的方法如下:
先根据所述虚拟同步逆变器的有功控制环节确定一对共轭特征值λ=σ±jω,所述有功控制环节采用如下公式进行表示:
其中,J为虚拟惯量,δ为虚拟功角,t为时间,P0为逆变器的输出功率参考值,Pem为逆变器输出功率,ω0为逆变器给定的角频率参考值,ω为角频率,Dp为下垂系数;
再根据所述共轭特征值反映系统对应的震荡模态eσtsin(ωt+θ),将暂态视为一个阶跃扰动;
最后根据所述阶跃扰动的扰动作用在有功控制环节后,确定有功控制环节的时间尺度T为:
其中,C为常数,根据近似精度的不同,所述C取值为3~5。
更进一步地,根据所述虚拟同步逆变器有功控制环节的时间尺度可以确定LSTM单元的输入数据长度l为:
其中,Ts为采样时间间隔。
更进一步地,所述全连接层在根据输出向量以及训练后的网络权重计算未来T/2时间长度的虚拟功角值时:
先将预处理后的虚拟功角数据经过LSTM单元的计算,产生一个1*n维度的输出向量,其中n是LSTM单元的神经元数量,再将所述1*n维度的输出向量传送至全连接层,所述全连接层将1*n维度的输出向量与每一个独有的网络权重相乘后求和,得到1*T/2维的向量,所述1*T/2维的向量即为预测的未来T/2时间长度的虚拟功角值。
再进一步地,所述虚拟同步逆变器的控制单元采用如下公式来判断虚拟同步逆变器在未来T/2时间长度内的暂态稳定性:
其中,stable=1表示逆变器在未来T/2时间长度内暂态稳定,反之则不稳定,δ0表示故障前稳态的虚拟功角值。
再进一步地,所述暂态稳定评估网络在对所述虚拟功角数据预处理时:先将所述虚拟功角数据进行归一化,再按照长短期记忆神经网络所需要的格式进行打包,最后输送至LSTM单元中。
优选地,步骤2)中,所述微电网暂态稳定评估网络采集的虚拟功角数据还可以根据已知真实网络结构搭建的数值仿真模型,通过在不同位置、不同运行状态下设置不同程度的接地故障进行仿真得到。
更优选地,步骤2)中,所述LSTM单元采用随机梯度下降法对预处理后的虚拟功角数据进行训练,得到训练后的网络权重。
本发明提供的基于长短期记忆网络的微电网暂态稳定评估方法,借助于LSTM单元强大的时序数据处理能力,能够基于过去时刻的数据预测暂态过程中未来数百毫秒的虚拟功角变化趋势及精确数值,并能在在线应用的基础上给出稳定裕度,为紧急控制措施争取了时间。同时,本发明基于虚拟同步逆变器控制策略的时间尺度计算得到LSTM网络的超参数,即神经网络的输入数据长度,这极大的简化了神经网络的调试工作,有效克服了现有方法中通过反复试凑才能确定的不足。另外,本发明提供的基于长短期记忆网络的微电网暂态稳定评估方法能够直接部署于电力电子装备,无需增加系统的通信设备和传感器,克服了现有方法中建设成本高昂且实时性较差的不足。
附图说明
图1为本发明提供的基于长短期记忆网络的微电网暂态稳定评估方法中虚拟同步逆变器单机并网拓扑图;
图2为本发明提供的基于长短期记忆网络的微电网暂态稳定评估方法的流程图;
图3为本发明实施例中根据时间尺度计算得到的LSTM输入数据长度与其他输入数据长度的预测效果、训练耗时和计算耗时的对比图;
图4为本发明实施例中预测的虚拟功角与实际仿真结果的对比图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
如图2所示,一种基于长短期记忆网络的微电网暂态稳定评估方法,包括三大部分,下面分别详细描述。
一、构建微电网暂态稳定评估网络
基于长短期记忆神经网络构建的LSTM单元与全连接层(FC层)进行拼接形成微电网暂态稳定评估网络。该微电网暂态稳定评估网络用于评估微电网的暂态稳定性,而在评估该暂态稳定性之前,需要对微电网暂态稳定评估网络进行训练,得到满足要求的网络权重,下面将会详细叙述训练过程。
值得一提的是,微电网暂态稳定评估网络将会与虚拟同步逆变器的控制单元中相交互,虚拟同步逆变器的控制单元获取的虚拟功角数据将会以每隔T/2的时间输送至微电网暂态稳定评估网络中,其中,T为虚拟同步逆变器有功控制环节的时间尺度,该时间尺度的计算方法如下:
先根据虚拟同步逆变器的有功控制环节确定一对共轭特征值λ=σ±jω,有功控制环节采用如下公式进行表示:
其中,J为虚拟惯量,δ为虚拟功角,t为时间,P0为逆变器的输出功率参考值,Pem为逆变器输出功率,ω0为逆变器给定的角频率参考值,ω为角频率,Dp为下垂系数;
再根据共轭特征值反映系统对应的震荡模态eσtsin(ωt+θ),将暂态视为一个阶跃扰动(根据经典的自动控制理论可知,特征值能够刻画系统动态响应的模态。);
最后所述阶跃扰动的扰动作用在有功控制环节后,确定有功控制环节的时间尺度T为:
其中,C为常数,根据近似精度的不同,所述C取值为3~5。
根据虚拟同步逆变器有功控制环节的时间尺度可以确定LSTM单元的输入数据长度l,该输入数据长度l无需经过试凑,可计算得到,其计算表达式为:
其中,Ts为采样时间间隔。
以上即是基于虚拟同步逆变器控制策略的时间尺度计算得到LSTM网络的输入数据长度,这极大的简化了神经网络的调试工作,有效克服了现有方法中通过反复试凑才能确定的不足。
另外,微电网暂态稳定评估网络在接收到来自虚拟同步逆变器的控制单元中的T/2时间长度的虚拟功角数据后,会先将这些虚拟功角数据进行归一化,再按照长短期记忆神经网络所需要的格式进行打包,最后输送至LSTM单元中。
二、训练微电网暂态稳定评估网络
在训练微电网暂态稳定评估网络时,需要使用微电网暂态失稳运行数据,获取这类数据有两种方式:
第一种,获取真实的微电网暂态失稳运行数据,采集其中虚拟同步逆变器的虚拟功角在故障发生前(t<t0)、故障发生时刻(t=t0)、故障持续期间(t0<t<tc)、故障清除时刻(t=tc)的数据。其中,虚拟功角δ定义为微电网同步旋转坐标系D-Q的D轴和逆变器本地同步旋转坐标系d-q的d轴间的夹角,D轴和d轴的角度分别以θd和θD表示,即:
δ=θd-θD
第二种,如真实运行数据较少,则可根据已知真实网络结构搭建详细的数值仿真模型,通过在不同位置、不同运行状态下设置不同程度的接地故障进行仿真,同样如第一种方法一样采集虚拟同步逆变器的虚拟功角在故障发生前、中、后的数据。虚拟功角数据越多,训练得到的暂态稳定评估方法越准。
微电网暂态稳定评估网络采集到上述微电网暂态失稳运行时虚拟同步逆变器的虚拟功角数据后,先将这些虚拟功角数据进行归一化,再按照长短期记忆神经网络所需要的格式进行打包,输送至LSTM单元中,LSTM单元将采用随机梯度下降法对打包后的虚拟功角数据进行训练,从而得到所需网络权重。
三、微电网暂态稳定评估网络在线评估
将前述暂态稳定评估网络以及训练得到的网络权重烧录至虚拟同步逆变器的控制单元中进行信息交互;
当微电网正常运行时,暂态稳定评估网络不进行评估,仅每隔T/2时间从虚拟同步逆变器的控制单元中获取T/2时间长度的虚拟功角数据。
当微电网检测到有故障发生时,暂态稳定评估网络进行在线评估,先将当前时刻从虚拟同步逆变器的控制单元中获取的T/2时间长度的虚拟功角数据进行归一化,再按照长短期记忆神经网络所需要的格式进行打包,输送至LSTM单元中,经过LSTM单元的计算,产生一个1*n维度的输出向量,其中n是LSTM单元的神经元数量,接着将1*n维度的输出向量传送至FC层,FC层将1*n维度的输出向量与每一个独有的网络权重相乘后求和,得到1*T/2维的向量,该1*T/2维的向量即为预测的未来T/2时间长度的虚拟功角值,最后,将未来T/2时间长度的虚拟功角值发送至虚拟同步逆变器的控制单元中,虚拟同步逆变器的控制单元将采用如下公式来判断虚拟同步逆变器在未来T/2时间长度内的暂态稳定性:
其中,stable=1表示逆变器在未来T/2时间长度内暂态稳定,反之则不稳定,δ0表示故障前稳态的虚拟功角值。
在接下来的T/2时间长度内,暂态稳定评估网络继续重复上述步骤预测未来T/2时间长度的虚拟功角的过程,直至连续两个T/2时间长度内采集到的虚拟功角值在设定变化范围内,暂态稳定评估网络又进入不评估状态,仅每隔T/2时间从虚拟同步逆变器的控制单元中获取T/2时间长度的虚拟功角数据。
为了更好的体现本发明提供的基于长短期记忆网络的微电网暂态稳定评估方法的特点,下面采用实例进行说明。
如图1所示,为本发明所涉暂态稳定评估方法中虚拟同步逆变器单机并网拓扑图,该拓扑由三个部分组成:电压等级较高的电能变换部分、逆变器控制策略部分和暂态稳定评估网络部分。该逆变器主电路由三相桥式电路组成,输出的电能经LC滤波环节滤波后传送至电网,其中Lg、LT和Ll为传输线路的电感和变压器等效电感,Rl为并网线路电阻。
建立该拓扑的完整数学模型,在时域仿真软件中建立其仿真模型。设置仿真时长8s,电网在4s时发生三相接地短路故障,电网电压骤降至正常值的20%。0.8s后故障切除,电网电压恢复正常。记录仿真期间虚拟功角的数据,即共计8s的数据。
一、构建微电网暂态稳定评估网络
构建微电网暂态稳定评估网络主要在于搭建LSTM单元,该LSTM单元由遗忘门、输入门和输出门组成,LSTM单元的神经元在本例中取每次输入数据数量的1.5倍,即设输入T时间长度数据,每条数据由l个数据点组成,则LSTM单元的神经元个数设置为1.5l个。
计算输入数据的长度T。本例中,虚拟同步逆变器参数如表1所示。根据虚拟同步逆变器的有功控制环路的表达式,在稳态工作点附近对其进行线性化,并求取有功控制环所对应的共轭特征值λ=σ±jω=-5.62±j 12.9,取调节时间常数C为3,则根据
计算得到T约为0.5s。考虑使LSTM单元的输入和预测时长合起来可以涵盖这一值,取输入时长等于输出时长,各为0.25s。采样时间Ts设为2ms,则输入数据点数量l为125个。
二、训练微电网暂态稳定评估网络
微电网暂态稳定评估网络将接收的虚拟功角数据经过z-score方法归一化,数据归一化后,按照神经网络需要的格式进行打包。随后,利用这些数据训练按照时间尺度设定的暂态稳定评估网络,保存训练得到的网络权重。
表1逆变器的主要参数
三、微电网暂态稳定评估网络在线评估
将暂态稳定评估网络在线评估及其训练得到的网络权重烧录至DSP、FPGA或专用的芯片上,并与电力电子装备的控制芯片和可能存在的微电网中央控制器进行信息交互。
当微电网正常运行时,暂态稳定评估网络不进行评估,仅每隔0.25s从逆变器的控制单元获取0.25s的逆变器虚拟功角数据。
当逆变器控制系统检测到故障发生,则暂态稳定评估网络开始进行在线评估。运用最近从逆变器本地控制器中传输而来的0.25s数据,暂态稳定评估网络将这些数据归一化后依次输入LSTM单元、FC层中,预测得到未来0.25s逆变器虚拟功角值。预测得到的虚拟功角值被通信芯片发送给微电网中央控制器进行决策。如没有设置微电网中央控制器,则将暂态稳定评估结论返回给逆变器控制单元。某一时刻,预测例如图4所示,此时最大的虚拟功角值并没有超过π-δ0(在本实施例中δ0为25°),因此暂态稳定评估网络判断暂态稳定,不实施紧急控制措施。
在接下来的0.25s时间长度内,暂态稳定评估网络继续重复上述步骤中预测未来T/2时间长度的虚拟功角的过程,直至连续0.5s内采集到的虚拟功角信息不发生大的变化,暂态稳定评估网络又进入不评估状态,仅每隔0.25s时间从虚拟同步逆变器的控制单元中获取0.25s时间长度的虚拟功角数据。
需要提出说明的是,在本发明提供的暂态稳定评估方法中,计算得到的T值不一样,整个方法的最小误差和相对计算速度是存在一些区别的,如图3所示,当本实施例使用本方法计算得到的T为0.5s,也即暂态稳定评估网络每隔0.25s从逆变器的控制单元获取0.25s的逆变器虚拟功角数据时,整个方法具有最小误差和相对较快的计算速度,整体效果最佳。
上述实施例为本发明较佳的实现方案,除此之外,本发明还可以其它方式现实,在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。
为了让本领域普通技术人员更方便地理解本发明相对于现有技术的改进之处,本发明的一些附图和描述已经被简化,并且为了清楚起见,本申请文件还省略了一些其他元素,本领域普通技术人员应该意识到这些省略的元素也可构成本发明的内容。
Claims (9)
1.基于长短期记忆网络的微电网暂态稳定评估方法,其特征在于,包括:
步骤1)构建微电网暂态稳定评估网络
基于长短期记忆神经网络构建的LSTM单元与全连接层进行拼接形成微电网暂态稳定评估网络;
步骤2)训练微电网暂态稳定评估网络
所述微电网暂态稳定评估网络采集以往微电网暂态失稳运行时虚拟同步逆变器的虚拟功角数据并将其进行预处理后,输入至LSTM单元中进行训练,得到训练后的网络权重;
步骤3)微电网暂态稳定评估网络在线评估
将所述暂态稳定评估网络以及训练得到的网络权重烧录至虚拟同步逆变器的控制单元中进行信息交互;
当微电网正常运行时,所述暂态稳定评估网络不进行评估,仅每隔T/2时间从虚拟同步逆变器的控制单元中获取T/2时间长度的虚拟功角数据,所述T为虚拟同步逆变器有功控制环节的时间尺度;
当微电网检测到有故障发生时,所述暂态稳定评估网络进行在线评估,先将当前时刻从虚拟同步逆变器的控制单元中获取的T/2时间长度的虚拟功角数据进行预处理,再输入至LSTM单元中,经过LSTM单元的计算得到输出向量,接着将所述输出向量送入全连接层中,所述全连接层根据输出向量以及训练后的网络权重计算得到未来T/2时间长度的虚拟功角值,最后,将所述未来T/2时间长度的虚拟功角值发送至虚拟同步逆变器的控制单元中,所述虚拟同步逆变器的控制单元根据故障前稳态的虚拟功角值以及当前预测的虚拟功角值来判断虚拟同步逆变器在未来T/2时间长度内的暂态稳定性;
当所述暂态稳定评估网络连续两个T/2时间长度内预测得到的虚拟功角值在设定变化范围内,所述暂态稳定评估网络又进入不评估状态,仅每隔T/2时间从虚拟同步逆变器的控制单元中获取T/2时间长度的虚拟功角数据。
2.根据权利要求1所述的基于长短期记忆网络的微电网暂态稳定评估方法,其特征在于:确定所述虚拟同步逆变器有功控制环节的时间尺度T的方法如下:
先根据所述虚拟同步逆变器的有功控制环节确定一对共轭特征值λ=σ±jω,所述有功控制环节采用如下公式进行表示:
其中,J为虚拟惯量,δ为虚拟功角,t为时间,P0为逆变器的输出功率参考值,Pem为逆变器输出功率,ω0为逆变器给定的角频率参考值,ω为角频率,Dp为下垂系数;
再根据所述共轭特征值反映系统对应的震荡模态eσtsin(ωt+θ),将暂态视为一个阶跃扰动;
最后根据所述阶跃扰动的扰动作用在有功控制环节后,确定有功控制环节的时间尺度T为:
其中,C为常数,根据近似精度的不同,所述C取值为3~5。
4.根据权利要求3所述的基于长短期记忆网络的微电网暂态稳定评估方法,其特征在于:所述全连接层在根据输出向量以及训练后的网络权重计算未来T/2时间长度的虚拟功角值时:
先将预处理后的虚拟功角数据经过LSTM单元的计算,产生一个1*n维度的输出向量,其中n是LSTM单元的神经元数量,再将所述1*n维度的输出向量传送至全连接层,所述全连接层将1*n维度的输出向量与每一个独有的网络权重相乘后求和,得到1*T/2维的向量,所述1*T/2维的向量即为预测的未来T/2时间长度的虚拟功角值。
6.根据权利要求5所述的基于长短期记忆网络的微电网暂态稳定评估方法,其特征在于:所述暂态稳定评估网络在对所述虚拟功角数据预处理时:先将所述虚拟功角数据进行归一化,再按照长短期记忆神经网络所需要的格式进行打包,最后输送至LSTM单元中。
7.根据权利要求6所述的基于长短期记忆网络的微电网暂态稳定评估方法,其特征在于:所述微电网暂态稳定评估网络采集的虚拟功角数据包括微电网故障发生前、故障发生时刻、故障持续期间、故障清除时刻、故障清除后的虚拟功角数据。
8.根据权利要求1或7所述的基于长短期记忆网络的微电网暂态稳定评估方法,其特征在于:步骤2)中,所述微电网暂态稳定评估网络采集的虚拟功角数据还可以根据已知真实网络结构搭建的数值仿真模型,通过在不同位置、不同运行状态下设置不同程度的接地故障进行仿真得到。
9.根据权利要求8所述的基于长短期记忆网络的微电网暂态稳定评估方法,其特征在于:步骤2)中,所述LSTM单元采用随机梯度下降法对预处理后的虚拟功角数据进行训练,得到训练后的网络权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188280.XA CN113937762B (zh) | 2021-10-12 | 2021-10-12 | 基于长短期记忆网络的微电网暂态稳定评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188280.XA CN113937762B (zh) | 2021-10-12 | 2021-10-12 | 基于长短期记忆网络的微电网暂态稳定评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113937762A true CN113937762A (zh) | 2022-01-14 |
CN113937762B CN113937762B (zh) | 2023-06-27 |
Family
ID=79278558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111188280.XA Active CN113937762B (zh) | 2021-10-12 | 2021-10-12 | 基于长短期记忆网络的微电网暂态稳定评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113937762B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
WO2018049473A1 (en) * | 2016-09-14 | 2018-03-22 | Faraday Grid Limited | An electrical power distribution network and process |
CN111416393A (zh) * | 2020-04-15 | 2020-07-14 | 上海电力大学 | 基于自适应虚拟阻抗的虚拟同步发电机故障电流抑制方法 |
CN112217239A (zh) * | 2020-09-30 | 2021-01-12 | 郑州轻工业大学 | 一种基于虚拟同步发电机技术的储能机电暂态建模方法 |
CN113437761A (zh) * | 2021-07-20 | 2021-09-24 | 湖南大学 | 一种考虑模式切换的孤岛微电网暂态稳定性提升方法 |
-
2021
- 2021-10-12 CN CN202111188280.XA patent/CN113937762B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
WO2018049473A1 (en) * | 2016-09-14 | 2018-03-22 | Faraday Grid Limited | An electrical power distribution network and process |
CN111416393A (zh) * | 2020-04-15 | 2020-07-14 | 上海电力大学 | 基于自适应虚拟阻抗的虚拟同步发电机故障电流抑制方法 |
CN112217239A (zh) * | 2020-09-30 | 2021-01-12 | 郑州轻工业大学 | 一种基于虚拟同步发电机技术的储能机电暂态建模方法 |
CN113437761A (zh) * | 2021-07-20 | 2021-09-24 | 湖南大学 | 一种考虑模式切换的孤岛微电网暂态稳定性提升方法 |
Non-Patent Citations (1)
Title |
---|
刘俐;李勇;曹一家;汤吉鸿;朱军飞;杨丹;王炜宇;: "基于支持向量机和长短期记忆网络的暂态功角稳定预测方法", 电力自动化设备, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN113937762B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | A novel parameter identification approach via hybrid learning for aggregate load modeling | |
Pandiaraj et al. | Distributed load control of autonomous renewable energy systems | |
CN109886604A (zh) | 一种基于一维卷积神经网络的电力系统暂态稳定评估方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN110994604A (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN109960860A (zh) | 基于差分进化极限学习机的电力系统暂态稳定评估方法 | |
Sepehrirad et al. | Intelligent differential protection scheme for controlled islanding of microgrids based on decision tree technique | |
Djukanovic et al. | Neural net based determination of generator-shedding requirements in electric power systems | |
CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
CN115640748A (zh) | 一种电力系统扰动后各发电机动态频率响应预测方法 | |
Soni et al. | Identification of generator criticality and transient instability by supervising real-time rotor angle trajectories employing RBFNN | |
Bettiol et al. | Estimation of critical clearing times using neural networks | |
Guo et al. | On-line prediction of transient stability using decision tree method—Sensitivity of accuracy of prediction to different uncertainties | |
Li et al. | Determination of parameters of time-delayed embedding algorithm using Koopman operator-based model predictive frequency control | |
CN102946099B (zh) | 一种多机互联电力系统的暂态功角稳定性实时判别的方法 | |
CN117335426A (zh) | 一种适用于短期电压稳定性评估的关键特征识别方法 | |
CN113937762A (zh) | 基于长短期记忆网络的微电网暂态稳定评估方法 | |
CN114298429A (zh) | 一种配电网动案辅助决策方法、系统、装置和存储介质 | |
CN115037054A (zh) | 基于三相自平衡、低压故障定位隔离的换相开关智能终端 | |
Dai et al. | An introduction to the echo state network and its applications in power system | |
CN108092272A (zh) | 一种基于渐消卡尔曼滤波的电压稳定在线监测方法 | |
Wei et al. | Situational intelligence for online coherency analysis of synchronous generators in power system | |
Tian et al. | A Data-Driven Modeling Method of Virtual Synchronous Generator Based on LSTM Neural Network | |
Cui et al. | Research on Intelligent Protection Technology for Distribution Network with Distributed Generation | |
Wen et al. | Equivalent Modeling Based on Long Short-term Memory Neural Network for Virtual Synchronous Generator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |