CN114611676A - 基于神经网络的新能源发电系统阻抗模型辨识方法及系统 - Google Patents

基于神经网络的新能源发电系统阻抗模型辨识方法及系统 Download PDF

Info

Publication number
CN114611676A
CN114611676A CN202210289911.5A CN202210289911A CN114611676A CN 114611676 A CN114611676 A CN 114611676A CN 202210289911 A CN202210289911 A CN 202210289911A CN 114611676 A CN114611676 A CN 114611676A
Authority
CN
China
Prior art keywords
data set
impedance
neural network
power generation
generation system
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.)
Pending
Application number
CN202210289911.5A
Other languages
English (en)
Inventor
吕敬
王众
蔡旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202210289911.5A priority Critical patent/CN114611676A/zh
Publication of CN114611676A publication Critical patent/CN114611676A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于神经网络的新能源发电系统阻抗模型辨识方法及系统，利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集并归一化；利用训练数据集训练神经网络，得到具有新能源发电系统阻抗特性的神经网络；将测试数据集的输入数据输入到神经网络中得到阻抗辨识结果；结合测试数据集的输出数据求取均方误差，调整神经网络隐藏层数目及各隐藏层神经元数目，使得均方差(mean‑square‑error,MSE)小于设定阈值；向得到的神经网络中输入任意稳态工作点下的输入数据，得到对应工作点下的阻抗输出。本发明仅通过测量稳态工作点数据即可获取对应工作点下的发电系统阻抗特性，且具有较高的精度。

Description

基于神经网络的新能源发电系统阻抗模型辨识方法及系统
技术领域
本发明涉及新能源发电技术领域，具体地，涉及一种基于神经网络的新能源发电系统阻抗模型辨识方法及系统，同时提供了一种相应的终端及计算机可读存储介质。
背景技术
近年来，随着风电、光伏等新能源发电渗透率的不断提高，新能源发电系统对电网稳定性的影响日益凸显。在对新能源发电系统并网系统稳定性进行分析时，阻抗分析法将新能源发电系统与电网划分为电源和负荷两个子系统，根据各自的控制结构和参数分别建立阻抗模型，降低了系统建模和分析的难度，已成为并网交互系统稳定性研究的主流方法之一。然而，理论阻抗建模需要提前获知新能源发电系统的控制结构和参数，且推导过程较复杂，不利于实际工程中黑/灰箱模型和复杂系统的应用。因此，很有必要建立一个能够获取黑箱阻抗的模型辨识方法。
通常采用理论方法进行阻抗建模，在理论建模方法中，需要提前知晓模型内部控制结构及控制参数，根据所提供的控制器结构及参数，利用小信号线性化理论建立详细的阻抗模型。该过程往往计算量较大，推导过程较为复杂，且需要提前拥有控制器结果及参数，不利于实际工程中黑/灰箱模型的阻抗建模。基于神经网络的建模方法将实测的模型输入输出数据输入到神经网络中，对神经网络进行不断训练，最终使神经网络尽可能的与黑箱模型等效，但该方法会因为不同物理量数据取值范围不一致的原因而导致训练所需时间过长、训练结果误差较大等问题。
经过检索发现：
公开号为CN112946363A的中国发明专利申请《一种基于神经网络的电网阻抗在线辨识方法》，包括：确定电网阻抗辨识的相关技术指标要求；利用谐波注入法采集得到所需相应数据样本，即向电网注入满足频谱宽度和精度要求的扰动信号，再对并网公共点处电压和电流进行采样，获取扰动和响应信号；建立基于神经网络的阻抗辨识算法模型，根据步骤二中所获取数据样本特性，确定所采用神经网络算法及相关参数初始赋值，初始化神经网络；利用得到数据样本对建立的神经网络模型进行训练，选择训练方法；检验训练得到的电网阻抗模型在要求频谱宽度下的拟合精度是否满足相应技术指标要求；用神经网络算法进行数据处理。该阻抗辨识方法为一种在线辨识方法，仍然存在如下问题：
该阻抗辨识方法直接将采集的数据输入到神经网络当中进行训练，由于不同数据集之间取值范围不同的原因，会导致训练时间过长且需要过多的训练次数才能达到较为精确的辨识效果。该方法的实施例中设定学习次数为1000000次后终止迭代，需耗费大量的训练时间，不利于在线辨识上的应用。
发明内容
本发明针对上述现有技术中存在的问题，提出了一种基于神经网络的新能源发电系统阻抗模型辨识方法及系统，同时提供了一种相应的终端及计算机可读存储介质。
根据本发明的一个方面，提供了一种基于神经网络的新能源发电系统阻抗模型辨识方法，包括：
利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集；
分别对所述训练数据集和所述测试数据集进行归一化预处理，将所述训练数据集和所述测试数据集分别转换到同一取值区间；
利用归一化后的所述训练数据集训练神经网络，获得表征新能源发电系统阻抗特性的神经网络模型；
利用归一化后的所述测试数据集，测试所述神经网络模型，输出基于神经网络的阻抗辨识结果；
基于归一化后的所述测试数据集对所述阻抗辨识结果进行误差分析，求取均方误差MSE；如果所述均方误差MSE大于等于设定阈值，则调整所述神经网络模型的隐藏层数目以及各隐藏层神经元数目，直至所述均方误差MSE小于设定阈值，获得阻抗模型；
向所述阻抗模型中输入新能源发电系统任意稳态工作点下的输入数据，得到对应工作点下的阻抗输出，完成新能源发电系统的阻抗辨识。
可选地，所述利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集，包括：
基于Matlab/Simulink搭建新能源发电系统的时域仿真模型，或基于实际新能源发电系统控制器搭建基于实时仿真器的新能源发电系统硬件在环仿真模型，得到新能源发电系统仿真模型；
等间隔地改变所述新能源发电系统仿真模型输出的有功功率，获取每一个工作点下dq轴的电压Vd、Vq和电流Id、Iq数据、频率freq以及每一个工作点在频率freq下获得的序阻抗Zpp、Zpn、Znp和Znn数据，分别得到训练数据集和测试数据集。
可选地，所述新能源发电系统仿真模型，包括：光伏发电系统仿真模型、双馈风力发电系统仿真模型或全功率风力发电系统仿真模型。
可选地，所述分别得到训练数据集和测试数据集，包括：
等间隔地改变所述新能源发电系统仿真模型输出的有功功率，采集稳态下并网点处dq轴电压Vd、Vq和电流Id、Iq数据，并与频率freq一同构建成为输入数据集；
在稳态下并网点处注入频率为freq的小信号电压扰动，测量对应频率下的电压和电流响应，计算每种工作点下所述新能源发电系统仿真模型的序阻抗Zpp、Zpn、Znp和Znn，将所述序阻抗的幅值和相角作为输出数据集；
将所述输入数据集和所述输出数据集作为训练数据集；
减小所述新能源发电系统仿真模型输出的有功功率的间隔，以相同的方法获取多个工作点下的输入数据集和输出数据集，作为测试数据集。
可选地，所述计算每种工作点下所述新能源发电系统仿真模型的序阻抗Zpp、Zpn、Znp和Znn，包括：
在频率freq为1Hz下注入三相正序电压扰动得到该扰动下的正负序电压Vp1、Vn1和正负序电流Ip1、In1；在频率freq为1Hz下注入三相负序电压扰动得到该扰动下的正负序电压Vp2、Vn2和电流Ip2、In2；重复此过程，采集正负序电压和电流数据；
根据所述正负序电压和电流数据，计算序坐标系下所述新能源发电系统仿真模型的输入阻抗Z：
Figure BDA0003559605870000031
所述输入阻抗Z包括如下四个元素：Zpp、Zpn、Znp和Znn，以Zpp、Zpn、Znp和Znn的幅值与相角数据作为特定工作点下的阻抗数据集；
设置所述新能源发电系统仿真模型输出的有功功率以标幺制0.1pu的间隔从0.1pu变化到1pu，采集稳态下并网点处dq轴电压Vd、Vq和电流Id、Iq数据，并与频率freq一同构建成为训练数据集的输入数据集；重复上述获取阻抗过程得到不同工作点下的多组阻抗数据集，得到训练数据集的输出数据集；
设置所述新能源发电系统仿真模型输出的有功功率以标幺制0.05pu的间隔从0.1pu变化到1pu，采集稳态下并网点处dq轴电压Vd、Vq和电流Id、Iq数据，并与频率freq一同构建成为测试数据集的输入数据集；重复上述获取阻抗过程得到不同工作点下的多组阻抗数据集，得到测试数据集的输出数据集。
可选地，所述利用归一化后的所述训练数据集训练神经网络，获得表征新能源发电系统阻抗特性的神经网络模型，包括：
初始化神经网络的权重与偏置，设定初始隐藏层数目以及隐藏层神经元数目，并设置初始学习速率；
将所述训练数据集按下式进行归一化后输入至所述神经网络中，并不断调整各个神经元上的权重和偏置，得到能够表征新能源发电系统阻抗特性的神经网络模型：
Figure BDA0003559605870000041
其中，xmax与xmin分别为同一物理量数据集中的最大值与最小值，ymax与ymin分别为所需转换的取值区间的上限与下限，xi为所需归一化的数据，yi为xi的归一化结果。
可选地，所述利用归一化后的所述测试数据集，测试所述神经网络模型，输出基于神经网络的阻抗辨识结果，包括：
将所述测试数据集中的输入数据集进行归一化后输入至所述神经网络模型，并将输出结果反归一化得到基于神经网络的阻抗辨识结果。
可选地，所述基于归一化后的所述测试数据集对所述阻抗辨识结果进行误差分析，包括：
将所述测试数据集中的输出数据集作为参考数据，对得到的所述阻抗辨识结果进行如下误差分析，得到均方误差MSE：
Figure BDA0003559605870000042
式中，N为样本数目，M为神经网络输出量数目，yi m为神经网络的第i个样本第m个输出数据，Yi m为测量的第i个样本第m个输出数据；
若得到的所述均方误差MSE小于设定阈值，则认为训练得到的神经网络能够较好地拟合新能源发电系统的阻抗特性；
若得到的所述均方误差MSE大于等于设定阈值，则调整神经网络的隐藏层数以及各隐藏层神经元数目，重新进行神经网络训练。
可选地，所述设定阈值为2％。
可选地，所述向所述阻抗模型中输入新能源发电系统任意稳态工作点下的输入数据，得到对应工作点下的阻抗输出，完成新能源发电系统的阻抗辨识，包括：
基于所述阻抗模型，输入任意稳态工作点下的输入数据，得到该工作点下的新能源发电系统阻抗曲线。
根据本发明的另一个方面，提供了一种基于神经网络的新能源发电系统阻抗模型辨识系统，包括：
数据集构建模块，该模块利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集，并分别对所述训练数据集和所述测试数据集进行归一化处理，使得所述训练数据集和所述测试数据集分别转换到同一取值区间；
神经网络训练模块，该模块利用归一化后的所述训练数据集训练神经网络，获得表征新能源发电系统阻抗特性的神经网络模型；
神经网络测试模块，该模块利用归一化后的所述测试数据集，测试所述神经网络模型，输出基于神经网络的阻抗辨识结果；
阻抗模型构建模块，该模块基于归一化后的所述测试数据集对所述阻抗辨识结果进行误差分析，求取均方误差MSE；如果所述均方误差MSE大于等于设定阈值，则调整所述神经网络模型的隐藏层数目以及各隐藏层神经元数目，直至所述均方误差MSE小于设定阈值，获得阻抗模型；
阻抗辨识模块，该模块向所述阻抗模型中输入新能源发电系统任意稳态工作点下的输入数据，得到对应工作点下的阻抗输出，完成新能源发电系统的阻抗辨识。
根据本发明的第三个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述中任一项所述的方法，或，运行上述的系统。
根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述中任一项所述的方法，或，运行上述的系统。
由于采用了上述技术方案，本发明具有如下有益效果：
本发明提供的基于神经网络的新能源发电系统阻抗模型辨识方法及系统，只需将实测的模型输入输出数据输入到神经网络中，对神经网络进行不断训练，使神经网络尽可能的与黑箱模型等效。基于得到的神经网络，向其中输入系统的稳态工作点，即可得到该稳态工作点下的阻抗模型，解决了实际工程中工作点变化情况下黑箱系统阻抗模型难以获取的问题。
本发明提供的基于神经网络的新能源发电系统阻抗模型辨识方法及系统，基于实测的电压电流和阻抗数据，对神经网络进行训练，建立工作点相关的新能源发电系统阻抗辨识模型。基于该模型，输入系统的稳态工作点，即可得到该工作点下新能源发电系统的阻抗特性，从而解决实际黑箱系统阻抗模型难以获取以及阻抗扫频耗时长的问题。
本发明提供的基于神经网络的新能源发电系统阻抗模型辨识方法及系统，通过对采集的数据进行归一化处理，处理后的数据均位于同一取值范围之内，消除了数据取值范围不一致产生的影响，输入神经网络训练时能够大大加快神经网络的训练速度。基于得到的神经网络，只需向其中输入系统的稳态工作点，即可得到该稳态工作点下的阻抗模型。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中基于神经网络的新能源发电系统阻抗模型辨识方法的工作流程图；
图2为本发明一优选实施例中双馈风力发电系统拓扑及控制结构示意图；
图3为本发明一优选实施例中神经网络结构图；
图4中(a)～(h)分别为本发明一优选实施例中通过扫频方法采集得到的用于训练神经网络的阻抗数据图；
图5中(a)～(h)分别为本发明一优选实施例中基于图4中各阻抗数据得到的神经网络输出的阻抗数据图；
图6中(a)～(h)分别为本发明一优选实施例中测试数据与神经网络训练得到的阻抗之间的误差结果图；
图7为本发明一实施例中基于神经网络的新能源发电系统阻抗模型辨识系统的组成模块示意图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
图1为本发明一实施例提供的基于神经网络的新能源发电系统阻抗模型辨识方法的工作流程图。
如图1所示，该实施例提供的基于神经网络的新能源发电系统阻抗模型辨识方法，可以包括如下步骤：
S100，利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集；分别对训练数据集和测试数据集进行归一化预处理，将训练数据集和测试数据集分别转换到同一取值区间；
S200，利用归一化后的训练数据集训练神经网络，获得表征新能源发电系统阻抗特性的神经网络模型；
S300，利用归一化后的测试数据集，测试神经网络模型，输出基于神经网络的阻抗辨识结果；
S400，基于归一化后的测试数据集对阻抗辨识结果进行误差分析，求取均方误差MSE；如果均方误差MSE大于等于设定阈值，则调整神经网络模型的隐藏层数目以及各隐藏层神经元数目，直至均方误差MSE小于设定阈值，获得阻抗模型；
S500，向阻抗模型中输入新能源发电系统任意稳态工作点下的输入数据，得到对应工作点下的阻抗输出，完成新能源发电系统的阻抗辨识。
下面作为优选实施例，对该实施例提供的上述方法的各步骤进一步详细说明。
上述S100，可以进一步包括如下步骤：
S11，基于实际新能源发电系统，或基于Matlab/Simulink搭建新能源发电系统的时域仿真模型，或基于实际新能源发电系统控制器搭建基于实时仿真器的新能源发电系统硬件在环仿真模型，得到新能源发电系统仿真模型；
S12，等间隔地改变新能源发电系统仿真模型输出的有功功率，获取每一个工作点下dq轴的电压Vd、Vq和电流Id、Iq数据、频率freq以及每一个工作点在频率freq下获得的序阻抗Zpp、Zpn、Znp和Znn数据，分别得到训练数据集和测试数据集。在一优选实施例中，S12可以进一步包括如下步骤：
S121，等间隔地改变新能源发电系统仿真模型输出的有功功率，即改变工作点，采集稳态下并网点处dq轴电压Vd、Vq和电流Id、Iq数据，并与频率freq一同构建成为输入数据集；
S122，在稳态下并网点处注入频率为freq的小信号电压扰动，测量对应频率下的电压和电流响应，计算每种工作点下新能源发电系统仿真模型的序阻抗Zpp、Zpn、Znp和Znn，将序阻抗的幅值和相角作为输出数据集；
S123，将输入数据集和输出数据集作为训练数据集；
S124，减小新能源发电系统仿真模型输出的有功功率的间隔，以相同的方法获取多个工作点下的输入数据集和输出数据集，作为测试数据集。
在一具体应用实例中，上述S11中的新能源发电系统仿真模型，可以包括：光伏发电系统仿真模型、双馈风力发电系统仿真模型或全功率风力发电系统仿真模型。
在一优选实施例中，上述计算每种工作点下新能源发电系统仿真模型的序阻抗Zpp、Zpn、Znp和Znn，可以进一步包括如下步骤：
S12i，基于S11中搭建的新能源发电系统仿真模型，在频率freq为1Hz下注入三相正序电压扰动得到该扰动下的正负序电压Vp1、Vn1和正负序电流Ip1、In1，注入三相负序电压扰动得到该扰动下的正负序电压Vp2、Vn2和电流Ip2、In2；可以重复此过程，采集正负序电压和电流数据；
S12ii：根据S12i中获取的小扰动电压和电流数据，通过下式计算得到序坐标系下新能源发电系统的输入阻抗Z：
Figure BDA0003559605870000081
该输入阻抗Z包含四个元素：Zpp、Zpn、Znp、Znn，以Zpp、Zpn、Znp、Znn的幅值与相角数据作为阻抗数据集，采集特定工作点下的阻抗数据集；
S12iii：设置新能源发电系统输出功率以标幺制0.1pu的间隔从0.1pu变化到1pu，重复S12中的过程得到不同工作点下的多组阻抗数据集(例如十组阻抗数据集)，作为训练数据集中的输出数据集；
S12iv：设置新能源发电系统输出功率以标幺制0.05pu的间隔从0.1pu变化到1pu，重复S12中的过程得到不同工作点下的多组阻抗数据集，作为测试数据集中的输出数据集。
在一优选实施例中，上述200，可以进一步包括如下步骤：
S201：初始化神经网络；初始化神经网络的权重与偏置，设定初始隐藏层数目以及隐藏层神经元数目，并设置初始学习速率；
在一具体应用实例中，多工作点下的阻抗模型输入输出间的关系是连续的，选择BP神经网络用于模型辨识。初始化神经网络的权重与偏置，根据经验初步设定隐藏层数目为3，隐藏层神经元数目分别为8、12、16，初步设置学习速率为0.01。
S202：训练神经网络；将训练数据集中的输入数据集和输出数据集按下式分别归一化到区间(0，1)与区间(-1，1)后输入至神经网络中，神经网络通过训练学习，不断调整各个神经元上的权重和偏置，得到能够表征新能源发电系统阻抗特性的神经网络模型：
Figure BDA0003559605870000091
其中，xmax与xmin分别为同一物理量数据集中的最大值与最小值，ymax与ymin分别为所需转换的取值区间的上限与下限，xi为所需归一化的数据，yi为xi的归一化结果。
在一优选实施例中，上述300，可以进一步包括如下步骤：
基于S13中得到的神经网络模型，将S12中获得的测试数据集中的输入数据集归一化到区间(0，1)后输入到神经网络模型中，将输出反归一化后得到基于神经网络的输出阻抗辨识结果。
在一优选实施例中，上述S400，可以进一步包括如下步骤：
以S12中得到的测试数据集中的输出数据集作为参考数据，对得到的基于神经网络的阻抗辨识结果基于下式进行误差分析，检验所提出神经网络阻抗模型辨识方法的有效性：
Figure BDA0003559605870000092
式中，N为样本数目，M为神经网络输出量数目，yi m为神经网络的第i个样本第m个输出数据，Yi m为测量的第i个样本第m个输出数据；
在一优选实施例中，若MSE小于设定阈值，则认为训练得到的神经网络能够较好地拟合新能源发电系统的阻抗特性；若MSE大于设定阈值，则调整神经网络的隐藏层数、各隐藏层神经元数目，重新进行神经网络训练。
在一具体应用实例中，设定阈值取值为2％。该设定阈值越小越好，选择“2％”已经几乎不会对后续利用阻抗进行研究的结果产生影响。
在一优选实施例中，上述S500，可以进一步包括如下步骤：
基于阻抗模型，输入任意稳态工作点即可得到该工作点下的新能源发电系统阻抗曲线。
下面结合附图以及一具体应用实例，对本发明上述实施例提供的技术方案进一步详细说明。
图2为本发明一具体应用实例的双馈风力发电系统主电路及控制结构示意图。该具体应用实例以双馈风力发电系统为例，基于Matlab搭建双馈风力发电系统的稳态仿真模型。在此基础上，等间隔的改变双馈风力发电系统的传输功率，采集不同工作点下采集用于神经网络训练和测试的数据集。使用用于训练的数据集训练神经网络，得到具有双馈风力发电系统阻抗特性的神经网络。将用于测试的阻抗模型输入数据集输入到神经网络，得到基于神经网络的阻抗输出。将该输出与用于测试的输出数据集进行误差分析，求取均方误差MSE。若MSE≥2％，则需要调整神经网络隐藏层数目及各隐藏层神经元数目，直至MSE＜2％。向得到的神经网络中输入任意稳态工作点下的输入数据，即可得到对应工作点下的阻抗输出。该方法可以通过少量的阻抗数据获取较大范围内工作点变化下的阻抗数据。
具体的阻抗模型辨识方法的工作流程，可参考如图1所示的工作流程图，包括以下步骤：
第一步，基于Matlab搭建双馈风力发电系统的稳态仿真模型；
第二步，等间隔地改变双馈风力发电系统输出的有功功率，采集每种工作点下的dq轴电压Vd、Vq和电流Id、Iq数据，与频率freq一同作为输入数据集；基于第一步中建立的双馈风力发电系统仿真模型，在并网点处注入频率为freq的小信号电压扰动，测量对应频率下的电压和电流响应，从而计算每种工作点下双馈风力发电系统的序阻抗Zpp、Zpn、Znp、Znn，将该阻抗的幅值和相角作为输出数据集；将所获得的输入数据集与输出数据集作为神经网络的训练集；减小输出功率的间隔，以相同的方法获取更多工作点下的输入输出数据集，作为神经网络的测试集；对训练集和测试集进行归一化，得到相应的数据集；
第三步，基于第二步用于训练的阻抗模型输入输出数据集，训练神经网络，得到具有双馈风力发电系统阻抗特性的神经网络；
第四步，将用于测试的阻抗模型输入数据集输入到神经网络，得到基于神经网络的双馈风力发电系统阻抗输出；
第五步，以第二步中用于测试的阻抗模型输出数据为参考，对第四步获得的基于神经网络的阻抗输出数据进行误差分析，求取均方误差MSE。若MSE≥2％，则需要调整神经网络隐藏层数目及各隐藏层神经元数目，直至MSE＜2％；
第六步，向得到的神经网络中输入任意稳态工作点下的输入数据，即可得到对应工作点下的双馈风力发电系统阻抗特性。
在一优选实施例中，第一步具体包括：
基于Matlab搭建特定传输功率下的双馈风力发电系统的仿真模型，模型控制器分为机侧控制器和网侧控制器，机侧控制器采用功率外环与电流内环控制，网侧控制器采用Vdc/Q外环控制及电流内环控制，控制器参数采用某实际工程所采用的参数，调整双馈风力发电系统模型使其稳定运行。
在一优选实施例中，第二步具体包括：
步骤1，基于第一步中搭建的双馈风力发电系统模型，采集稳态下1～100Hz并网点处dq轴电压Vd、Vq和电流Id、Iq数据，与频率freq一同组合成5×100的输入数据集；
步骤2，注入扰动得到小扰动下的电压和电流；
基于第一步中搭建的双馈风力发电系统模型，在频率freq为1Hz下注入三相正序电压扰动得到该扰动下的正负序电压Vp1、Vn1和正负序电流Ip1、In1，注入三相负序电压扰动得到该扰动下的正负序电压Vp2、Vn2和电流Ip2、In2；重复此过程，采集正负序电压和电流数据；
步骤3，根据步骤2中获取的小扰动电压和电流数据，通过下式计算得到序坐标系下新能源发电系统的输入阻抗Z：
Figure BDA0003559605870000111
所采集的特定工作点下输出数据集为8×100矩阵。
步骤4，设置双馈风力发电系统传输功率以标幺制0.1pu的间隔从0.1pu变化到1pu，重复第二步中的过程得到不同工作点下的十组阻抗数据集，用于训练神经网络；设置双馈风力发电系统传输功率以标幺制0.05pu的间隔从0.1pu变化到1pu，重复第二步中的过程得到不同工作点下的多组阻抗数据集，用于测试训练得到的神经网络。
在一优选实施例中，第三步进一步包括：
步骤i，初始化神经网络；
多工作点下的阻抗模型输入输出间的关系是连续的，选择BP神经网络用于模型辨识。初始化神经网络的权重与偏置，根据经验初步设定隐藏层数目为3，隐藏层神经元数目分别为8、12、16，初步设置学习速率为0.01。
步骤ii，训练神经网络；
将第二步中得到的训练数据集中的输入输出数据集按下式进行归一化，然后输入到神经网络中，神经网络通过训练学习，不断调整各个神经元上的权重和偏置，最终得到具有相应双馈风力发电系统阻抗特性的神经网络：
Figure BDA0003559605870000121
其中，xmax与xmin分别为同一物理量数据集中的最大值与最小值，ymax与ymin分别为所需转换的取值区间的上限与下限，xi为所需归一化的数据，yi为xi的归一化结果。
在一优选实施例中，第四步进一步包括：
基于第三步中得到的神经网络，将第二步中获得的测试数据集中的输入数据集归一化后输入到神经网络中，将输出反归一化后得到基于神经网络的输出阻抗。
在一优选实施例中，第五步具体包括：
以第二步中得到的测试数据集中的输出数据集作为为参考数据，对得到的基于神经网络的输出阻抗基于下式进行误差分析，检验所提出神经网络阻抗模型辨识方法的有效性：
Figure BDA0003559605870000122
式中，N为样本数目，M为神经网络输出量数目，yi m为神经网络的第i个样本第m个输出数据，Yi m为测量的第i个样本第m个输出数据；若MSE小于2％，则认为训练得到的神经网络能够较好的拟合双馈风力发电系统的阻抗特性；若MSE大于2％，则调整神经网络的隐藏层数、各隐藏层神经元数目及学习速率，重新进行神经网络训练。
在一优选实施例中，第六步具体包括：
基于第五步中符合要求的神经网络模型(即阻抗模型)，输入任意稳态工作点即可得到该工作点下的双馈风力发电系统阻抗曲线。
一具体应用实例中，双馈风力发电系统拓扑及控制结构示意图如图2所示。本例中双馈风力发电系统机侧控制器采用功率外环与电流内环控制，网侧控制器采用Vdc/Q外环控制及电流内环控制。
需要说明的是，所提出的基于神经网络的新能源发电系统阻抗模型辨识方法也适用于其他控制结构下的双馈风力发电系统以及其他类型的新能源发电系统，此处不再赘述。
一具体应用实例中，神经网络的结构示意图如图3所示。神经网络的输入为dq轴电压Vd、Vq,dq轴电流Id、Iq及频率freq五个量构成的数据集；神经网络的输出为四种阻抗Zpp、Zpn、Znp、Znn各自幅值与相角八个量构成的数据集。神经网络通过初始化给定每个神经元初始的权重w和偏置b，神经网络在每次训练过程中不断地调整各神经元的权重w和偏置b，最终达到精准拟合双馈风力发电系统阻抗的效果。
一具体应用实例中，通过扫频方法采集得到的阻抗数据如图4中(a)～(h)所示。该图是将频率freq、输入有功功率标幺值以及阻抗幅值、相角分别作为坐标抽所构建成的三维图，能够更直观的反映不同工作点下双馈风力发电系统的阻抗。
一具体应用实例中，将训练数据集的输入数据输入到训练好的神经网络中，得到的神经网络预测阻抗如图5中(a)～(h)所示。容易发现，该图与图4极度相似，说明神经网络能够达到较好的预测效果。
一具体应用实例中，将测试数据集的输出与神经网络预测的输出作差，得到的阻抗误差图如图6中(a)～(h)所示。据图可知，预测阻抗与实际阻抗之间的误差很小，最大误差仅为2％，大部分工作点下的阻抗误差均为1％以下，说明该神经网络能够很好地模拟该双馈风力发电系统在不同工作点下的阻抗特性。
由上述实施例可见，本发明上述实施例提供的阻抗模型辨识方法，能够获取内部结构及参数未知情况下的双馈风力发电系统在不同工作点下的阻抗，便于系统工作点发生变化情况下的稳定性分析，具有模块化、简便精确等优点。
图7为本发明一实施例提供的基于神经网络的新能源发电系统阻抗模型辨识系统的组成模块示意图。
如图7所示，该实施例提供的基于神经网络的新能源发电系统阻抗模型辨识系统，可以包括如下模块：
数据集构建模块，该模块利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集，并分别对训练数据集和测试数据集进行归一化处理，使得训练数据集和测试数据集分别转换到同一取值区间；
神经网络训练模块，该模块利用归一化后的训练数据集训练神经网络，获得表征新能源发电系统阻抗特性的神经网络模型；
神经网络测试模块，该模块利用归一化后的测试数据集，测试神经网络模型，输出基于神经网络的阻抗辨识结果；
阻抗模型构建模块，该模块基于归一化后的测试数据集对阻抗辨识结果进行误差分析，求取均方误差MSE；如果均方误差MSE大于等于设定阈值，则调整神经网络模型的隐藏层数目以及各隐藏层神经元数目，直至均方误差MSE小于设定阈值，获得阻抗模型；
阻抗辨识模块，该模块向阻抗模型中输入新能源发电系统任意稳态工作点下的输入数据，得到对应工作点下的阻抗输出，完成新能源发电系统的阻抗辨识。
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块予以实现，本领域技术人员可以参照方法的技术方案实现系统的组成，即，方法中的实施例可理解为构建系统的优选例，在此不予赘述。
本发明一实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可用于执行本发明上述实施例中中任一项方法，或，运行本发明上述实施例中任一项的系统。
本发明一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行本发明上述实施例中中任一项方法，或，运行本发明上述实施例中任一项的系统。
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
本发明上述实施例提供的基于神经网络的新能源发电系统阻抗模型辨识方法及系统，只需将实测的模型输入输出数据输入到神经网络中，对神经网络进行不断训练，使神经网络尽可能的与黑箱模型等效。基于得到的神经网络，向其中输入系统的稳态工作点，即可得到该稳态工作点下的阻抗模型，解决了实际工程中工作点变化情况下黑箱系统阻抗模型难以获取的问题；基于实测的电压电流和阻抗数据，对神经网络进行训练，建立工作点相关的新能源发电系统阻抗辨识模型。基于该模型，输入系统的稳态工作点，即可得到该工作点下新能源发电系统的阻抗特性，从而解决实际黑箱系统阻抗模型难以获取以及阻抗扫频耗时长的问题；仅通过测量稳态工作点数据即可获取对应工作点下的新能源发电系统阻抗特性，适用于具有黑箱控制模型(即新能源发电系统模型)的新能源发电系统或其他电力电子设备的阻抗辨识，且具有较高的精度。
本发明上述实施例中未尽事宜均为本领域公知技术。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种基于神经网络的新能源发电系统阻抗模型辨识方法，其特征在于，包括：
利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集；
分别对所述训练数据集和所述测试数据集进行归一化预处理，将所述训练数据集和所述测试数据集分别转换到同一取值区间；
利用归一化后的所述训练数据集训练神经网络，获得表征新能源发电系统阻抗特性的神经网络模型；
利用归一化后的所述测试数据集，测试所述神经网络模型，输出基于神经网络的阻抗辨识结果；
基于归一化后的所述测试数据集对所述阻抗辨识结果进行误差分析，求取均方误差MSE；如果所述均方误差MSE大于等于设定阈值，则调整所述神经网络模型的隐藏层数目以及各隐藏层神经元数目，直至所述均方误差MSE小于设定阈值，获得阻抗模型；
向所述阻抗模型中输入新能源发电系统任意稳态工作点下的输入数据，得到对应工作点下的阻抗输出，完成新能源发电系统的阻抗辨识。
2.根据权利要求1所述的基于神经网络的新能源发电系统阻抗模型辨识方法，其特征在于，所述利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集，包括：
基于Matlab/Simulink搭建新能源发电系统的时域仿真模型，或，基于实际新能源发电系统控制器搭建基于实时仿真器的新能源发电系统硬件在环仿真模型，得到新能源发电系统仿真模型；
等间隔地改变所述新能源发电系统仿真模型输出的有功功率，获取每一个工作点下dq轴的电压Vd、Vq和电流Id、Iq数据、频率freq以及每一个工作点在频率freq下获得的序阻抗Zpp、Zpn、Znp和Znn数据，分别得到训练数据集和测试数据集。
3.根据权利要求2所述的基于神经网络的新能源发电系统阻抗模型辨识方法，其特征在于，所述分别得到训练数据集和测试数据集，包括：
等间隔地改变所述新能源发电系统仿真模型输出的有功功率，采集稳态下并网点处dq轴电压Vd、Vq和电流Id、Iq数据，并与频率freq一同构建成为输入数据集；
在稳态下并网点处注入频率为freq的小信号电压扰动，测量对应频率下的电压和电流响应，计算每种工作点下所述新能源发电系统仿真模型的序阻抗Zpp、Zpn、Znp和Znn，将所述序阻抗的幅值和相角作为输出数据集；
将所述输入数据集和所述输出数据集作为训练数据集；
减小所述新能源发电系统仿真模型输出的有功功率的间隔，以相同的方法获取多个工作点下的输入数据集和输出数据集，作为测试数据集。
4.根据权利要求3所述的基于神经网络的新能源发电系统阻抗模型辨识方法，其特征在于，所述计算每种工作点下所述新能源发电系统仿真模型的序阻抗Zpp、Zpn、Znp和Znn，包括：在频率freq为1Hz下注入三相正序电压扰动得到该扰动下的正负序电压Vp1、Vn1和正负序电流Ip1、In1；在频率freq为1Hz下注入三相负序电压扰动得到该扰动下的正负序电压Vp2、Vn2和电流Ip2、In2；
根据所述正负序电压和电流数据，计算序坐标系下所述新能源发电系统仿真模型的输入阻抗Z：
Figure FDA0003559605860000021
所述输入阻抗Z包括如下四个元素：Zpp、Zpn、Znp和Znn，以Zpp、Zpn、Znp和Znn的幅值与相角数据作为特定工作点下的阻抗数据集；
设置所述新能源发电系统仿真模型输出的有功功率以标幺制0.1pu的间隔从0.1pu变化到1pu，采集稳态下并网点处dq轴电压Vd、Vq和电流Id、Iq数据，并与频率freq一同构建成为训练数据集的输入数据集；重复上述获取阻抗过程得到不同工作点下的多组阻抗数据集，得到训练数据集的输出数据集；
设置所述新能源发电系统仿真模型输出的有功功率以标幺制0.05pu的间隔从0.1pu变化到1pu，采集稳态下并网点处dq轴电压Vd、Vq和电流Id、Iq数据，并与频率freq一同构建成为测试数据集的输入数据集；重复上述获取阻抗过程得到不同工作点下的多组阻抗数据集，得到测试数据集的输出数据集。
5.根据权利要求1所述的基于神经网络的新能源发电系统阻抗模型辨识方法，其特征在于，所述利用归一化后的所述训练数据集训练神经网络，获得表征新能源发电系统阻抗特性的神经网络模型，包括：
初始化神经网络的权重与偏置，设定初始隐藏层数目以及隐藏层神经元数目，并设置初始学习速率；
将所述训练数据集按下式进行归一化后输入至所述神经网络中，神经网络自动调整各个神经元上的权重和偏置，最终得到能够表征新能源发电系统阻抗特性的神经网络模型：
Figure FDA0003559605860000031
其中，xmax与xmin分别为同一物理量数据集中的最大值与最小值，ymax与ymin分别为所需转换的取值区间的上限与下限，xi为所需归一化的数据，yi为xi的归一化结果。
6.根据权利要求1所述的基于神经网络的新能源发电系统阻抗模型辨识方法，其特征在于，所述利用归一化后的所述测试数据集，测试所述神经网络模型，输出基于神经网络的阻抗辨识结果，包括：
将所述测试数据集中的输入数据集进行归一化后输入至所述神经网络模型，并将输出结果反归一化得到基于神经网络的阻抗辨识结果。
7.根据权利要求1所述的基于神经网络的新能源发电系统阻抗模型辨识方法，其特征在于，所述基于归一化后的所述测试数据集对所述阻抗辨识结果进行误差分析，包括：
将所述测试数据集中的输出数据集作为参考数据，对得到的所述阻抗辨识结果进行如下误差分析，得到均方误差MSE：
Figure FDA0003559605860000032
式中，N为样本数目，M为神经网络输出量数目，yi m为神经网络的第i个样本第m个输出数据，Yi m为测量的第i个样本第m个输出数据；
若得到的所述均方误差MSE小于设定阈值，则认为训练得到的神经网络能够较好地拟合新能源发电系统的阻抗特性；
若得到的所述均方误差MSE大于等于设定阈值，则调整神经网络的隐藏层数以及各隐藏层神经元数目，重新进行神经网络训练。
8.一种基于神经网络的新能源发电系统阻抗模型辨识系统，其特征在于，包括：
数据集构建模块，该模块利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集，并分别对所述训练数据集和所述测试数据集进行归一化处理，使得所述训练数据集和所述测试数据集分别转换到同一取值区间；
神经网络训练模块，该模块利用归一化后的所述训练数据集训练神经网络，获得表征新能源发电系统阻抗特性的神经网络模型；
神经网络测试模块，该模块利用归一化后的所述测试数据集，测试所述神经网络模型，输出基于神经网络的阻抗辨识结果；
阻抗模型构建模块，该模块基于归一化后的所述测试数据集对所述阻抗辨识结果进行误差分析，求取均方误差MSE；如果所述均方误差MSE大于等于设定阈值，则调整所述神经网络模型的隐藏层数目以及各隐藏层神经元数目，直至所述均方误差MSE小于设定阈值，获得阻抗模型；
阻抗辨识模块，该模块向所述阻抗模型中输入新能源发电系统任意稳态工作点下的输入数据，得到对应工作点下的阻抗输出，完成新能源发电系统的阻抗辨识。
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
CN202210289911.5A 2022-03-23 2022-03-23 基于神经网络的新能源发电系统阻抗模型辨识方法及系统 Pending CN114611676A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210289911.5A CN114611676A (zh) 2022-03-23 2022-03-23 基于神经网络的新能源发电系统阻抗模型辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210289911.5A CN114611676A (zh) 2022-03-23 2022-03-23 基于神经网络的新能源发电系统阻抗模型辨识方法及系统

Publications (1)

Publication Number Publication Date
CN114611676A true CN114611676A (zh) 2022-06-10

Family

ID=81864704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210289911.5A Pending CN114611676A (zh) 2022-03-23 2022-03-23 基于神经网络的新能源发电系统阻抗模型辨识方法及系统

Country Status (1)

Country Link
CN (1) CN114611676A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115249980A (zh) * 2022-08-18 2022-10-28 上海交通大学 数据和知识联合驱动的新能源场站阻抗辨识方法及系统
CN117748594A (zh) * 2024-02-07 2024-03-22 北京智芯微电子科技有限公司 新能源并网逆变器的灰箱阻抗辨识方法、系统及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115249980A (zh) * 2022-08-18 2022-10-28 上海交通大学 数据和知识联合驱动的新能源场站阻抗辨识方法及系统
CN115249980B (zh) * 2022-08-18 2024-04-19 上海交通大学 数据和知识联合驱动的新能源场站阻抗辨识方法及系统
CN117748594A (zh) * 2024-02-07 2024-03-22 北京智芯微电子科技有限公司 新能源并网逆变器的灰箱阻抗辨识方法、系统及介质
CN117748594B (zh) * 2024-02-07 2024-05-03 北京智芯微电子科技有限公司 新能源并网逆变器的灰箱阻抗辨识方法、系统及介质

Similar Documents

Publication Publication Date Title
CN107577870B (zh) 基于同步相量量测的配电网电压功率灵敏度鲁棒估计方法
CN114611676A (zh) 基于神经网络的新能源发电系统阻抗模型辨识方法及系统
CN113762625B (zh) 一种基于图卷积网络的配电网状态评估方法和系统
CN109088407B (zh) 基于深度信念网络伪量测建模的配电网状态估计方法
Li et al. High-precision dynamic modeling of two-staged photovoltaic power station clusters
CN111475909B (zh) 一种基于长短期记忆网络的风电机组出力相关性映射建模方法
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
CN115249980B (zh) 数据和知识联合驱动的新能源场站阻抗辨识方法及系统
WO2019184132A1 (zh) 一种基于数据驱动的电网潮流方程线性化求解方法
CN108336739A (zh) 一种基于rbf神经网络的概率潮流在线计算方法
CN115062668B (zh) 基于RAdam优化宽度学习的谐波参数检测方法和系统
CN113659565A (zh) 一种新能源电力系统频率态势的在线预测方法
CN110224392A (zh) 一种用于分析含风电系统电压稳定概率的无迹变换方法
CN115146538A (zh) 基于消息传递图神经网络的电力系统状态估计方法
CN113872239B (zh) 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法
CN115201563A (zh) 一种基于联合熵的多谐波源定位方法及系统
CN109638892B (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
Rao et al. Wideband impedance online identification of wind farms based on combined data-driven and knowledge-driven
CN111639463B (zh) 一种基于XGBoost算法的电力系统扰动后频率特征预测方法
CN114597902A (zh) 基于凸松弛的电力系统潮流计算方法
CN114266396A (zh) 一种基于电网特征智能筛选的暂态稳定判别方法
CN113904338A (zh) 风电并网系统计及频率特性的概率潮流计算方法及系统
Chen et al. Variation-cognizant probabilistic power flow analysis via multi-task learning
CN111179110B (zh) 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置
CN113221064A (zh) 模型处理方法、装置、计算机设备和存储介质

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