CN114740730A - 基于卷积神经网络的svg参数优化辨识方法 - Google Patents

Abstract

本发明的基于卷积神经网络的SVG控制器参数辨识方法，通过BPA仿真软件得到各个SVG参数的不同组合和与之对应输出的无功、电压、电流曲线数据，并进行筛选，得到最终数据集；然后依据获取到的数据集搭建可以依据无功动态曲线数据逆推出SVG参数的神经卷积网络模型；最后以RTDS实测曲线数据作为模型输入，即可快速辨识出SVG参数值。本方法将卷积神经网络与SVG控制器参数辨识相结合，为SVG控制器参数辨识提供一种新的方法，保证了参数预测结果的准确度，也提高了辨识效率。

Description

基于卷积神经网络的SVG参数优化辨识方法

技术领域

本发明涉及电力信息技术领域，尤其是涉及基于卷积神经网络的SVG参数优化辨识方法。

背景技术

柔性交流输电技术(FACTS)的出现为提升电网可靠性和经济性提供了新的技术手段。静止无功发生器(SVG)作为FACTS家族的重要成员，在改善电力系统电压质量及提高系统运行稳定性方面得到广泛应用。准确的SVG控制器模型参数对电力系统仿真分析的正确性尤为重要，而很多厂商由于技术保密不提供相应的SVG控制参数，因此SVG控制器参数辨识很有必要。

文献基于RTDS硬件在环测试的SVG控制器参数辨识中，提出了一种基于控制器硬件的在环测试的参数辨识方法，采用的粒子群算法虽然简单，但容易陷入局部最优解。文献计及风电场随机特性的SVG模型参数智能辨识方法研究中，提出了一种基于RTDS硬件的在环测试的参数辨识方法，将测试得到的SVG响应数据作为实测数据，对于不同的控制器参数组合，采用BPA软件进行暂态仿真，根据暂态仿真结果与实测数据的最小二乘指标进行参数辨识，能够准确对SVG控制器参数进行辨识，但是SVG控制器参数众多，对每个参数进行辨识耗时较大。

近年来，深度学习在电力系统控制方面的研究已经得到各界人士的认可。以深度学习为代表的新一代人工智能技术在基于大数据驱动的特征自学习、强非线性拟合、神经网络建模等方面具有极强的优势。目前，深度学习不需要建立复杂的数学模型，能快速得到结果，在电力系统故障分析及定位中已经得到一定的应用。但对于深度学习与SVG控制器参数辨识相结合的研究却很少。

发明内容

针对SVG参数辨识速度较慢、精度较差等问题，本发明将深度学习与SVG控制器参数辨识结合起来，显著提高参数辨识的效率和准确度。

为实现上述目的，本发明提供了如下技术方案，

基于卷积神经网络的SVG参数优化辨识方法，包括：

步骤S1：建立与SVG实测曲线运行环境相同的SVG系统的等值数学模型；

步骤S2：利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，设定阈值，筛选出轨迹灵敏度大于设定阈值的参数；

步骤S3：依据上述获取到的参数建立数据集并对数据集进行标准化处理；

步骤S4：搭建卷积神经网络模型，并利用数据集完成模型训练；

步骤S5：用模型来辨识SVG参数，得到最终辨识结果。

进一步的：步骤S1中，SVG实测曲线为RTDS实测曲线，所使用的仿真工具PSD-BPA。

进一步的，步骤S2中，利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，具体为：

设置短路故障，进行暂态计算，记录接有SVG母线处的无功曲线、电流曲线以及电压曲线；将选定参数在初始值的基础上增加5％，再一次进行暂态计算，得到输出曲线，然后计算选定参数的无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，计算公式如下：

式中，

分别为无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，N为采样点个数，Q₀,I₀,U₀分别为参数取初始值时得到的无功值、电流值、电压值，Q₁,I₁,U₁分别为参数在初始值的基础上增加5％得到的无功值、电流值、电压值。

进一步的，步骤S3的具体过程如下：

SVG参数[T₁,T₂,T₃,T₄,T₅,T_S,K_I,K_D,I_CMAX]作为待辨识参数，各参数范围为：T₁为0.00585-0.0715，T₂-T₅为0.9-1.1，T_S为0.00522-0.00638，K_I为702-858，K_D为0.0252-0.0308，I_CMAX为1.1-1.2；

确定辨识参数以及参数范围后，从下限开始，每次SVG参数在各自范围内随机取值，记录每一次参数改变时，输出无功功率曲线、电流曲线和电压曲线的数据和对应的SVG参数来构建数据集；每一次取值时，BPA仿真和RTDS实测的无功数据都会有一定的误差，采用目标函数过滤掉误差不小于2000的数据，得到最终的数据集；目标函数由RTDS实测无功和BPA仿真无功的误差平方表示，其计算公式如下：

式中，E_Z为误差计算结果，t₀和t₁为计算误差的起始时间和结束时间，Q_base为RTDS实测的无功数据，Q_test为BPA仿真的无功数据。

对数据集的数据进行标准化处理，其计算公式如下：

式中，X为处理前的各参数值，X_MIN为其最小值，X_MAX为其最大值，Y为处理后的标签。

进一步的，步骤S4的具体过程如下：

模型包括输入层、一层卷积层、一层池化层、三层全连接层和输出层，依据无功动态曲线数据逆推出对应的SVG参数；输入层输入数据是无功、电压和电流动态曲线数据构成的二维矩阵，输出层输出数据是辨识的SVG参数；卷积层使用卷积核进行卷积操作，沿着时间步移动来提取系统在当前时间区内的运动特征，移动步长为1，构建参数和曲线数据的映射关系，并在卷积计算后用激活函数对卷积之后的结果进行非线性激活操作；池化层对结果进行降维操作，将卷积操作输出的二维矩阵数据展平，变为一维数据来作为全连接层的输入；

模型训练前，把样本数据集随机打乱，取80％的数据作为训练集，余下的20％作为测试集；模型训练时，将损失函数反向传递，不断修正各层之中的权值和偏置值，达到训练次数后开始进行测试；模型测试中，对损失函数设定一个阈值，损失函数值超过阈值的测试结果是不可接受的，而低于这个阈值的测试结果是可接受的，当测试集精度达到95％时，认为模型训练完成。

进一步的，步骤S5的具体过程为：用RTDS实测曲线数据作为模型的输入，通过模型计算直接得到最终SVG参数的辨识结果。

综上，本发明方法利用电力系统仿真软件BPA对SVG进行建模仿真，然后根据轨迹灵敏度筛选出对SVG无功动态曲线影响较大的SVG主要参数，可减少参与辨识的参数数目，减少参数辨识时间。其次设定SVG参数的范围，利用BPA仿真获取SVG参数与结果曲线的对应数据集，将SVG参数作为标签数据，并将标签数据进行标准化处理，用PyTorch搭建卷积神经网络模型，然后通过数据集训练模型，最终得到的模型可以依据实际无功动态曲线或RTDS等装置获得的无功动态曲线等数据辨识出的SVG参数，解决传统算法中经常出现的稳定性较差和难以收敛的问题，减少参数辨识的复杂度，提高对控制器影响较大的参数的辨识精度，提高辨识效率。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例中SVG控制器模型图；

图3为本发明实施例中接有SVG的单机无穷大系统模型图；

图4为本发明实施例中CNN结构图；

图5为本发明实施例中卷积核示意图；

图6为本发明实施例中全连接层结构图；

图7为本发明实施例中训练流程图；

图8为采用粒子群优化算法的辨识结果图；

图9为采用本发明方法的辨识结果图。

具体实施方式

以下结合附图和实施例对本发明的技术方案作进一步说明。

如图1所示的SVG参数优化辨识方法，详细过程参见下文。

S1、建立与SVG实测曲线运行环境相同的等值数学模型。

SVG实测曲线采用RTDS实测曲线，等值数学模型使用仿真工具PSD-BPA(简称BPA)建立。BPA具有潮流计算、暂态稳定仿真计算、短路计算、小干扰稳定计算等功能。潮流数据文件是为潮流运算提供数据与指令、按照BPA定义的DAT文本文件，可直接编辑、修改参数。暂态计算文件与潮流数据文件类似，元件动态参数、故障操作、计算和输出控制均以卡片形式输入，并可通过设置相关卡片的参数进行不同干扰方式下的稳定计算。

如图2所示的SVG控制器模型图，图中：V为SVG输出端电压，V_REF为参考电压，V_SCS为辅助信号，V_T为系统侧电压，I_S为SVG输出电流，T₁为滤波器和测量回路的时间常数，T₂,T₃分别为第一级超前时间常数和第二级滞后时间常数，T₄,T₅分别为第二级超前时间常数和第三级滞后时间常数，T_P为比例环节时间常数，T_S为SVG响应延迟，K_P为比例环节放大倍数，K_I为积分环节的放大倍数，K_D为SVG的V-I特性曲线的斜率，X_T为SVG与系统之间的等值电抗。图中还有六个限幅环节：V_MAX为电压限幅环节的上限，V_MIN为电压限幅环节的下限，I_CMAX为最大容性电流，I_LMAX为最大感性电流，V_SMAX和V_SMIN为比例和积分环节输出限幅，V_SMAX和V_SMIN的计算公式如下：

图3为经典的单机无穷大模型，将SVG接入该模型进行后续仿真计算。

S2、计算SVG各参数轨迹灵敏度，筛选主要参数。

利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，设定阈值，筛选出轨迹灵敏度大于设定阈值的参数。具体计算过程如下：

1)根据BPA中的SVG控制器模型，初始待辨识参数有[T₁,T₂,T₃,T₄,T₅,T_S,T_P,K_P,K_I,K_D,V_MAX,V_MIN,I_CMAX,I_LMAX](X_T为系统等值电抗，根据厂家给定值确定后不作辨识)。以暂态数据文件中的VG/VG+卡中的参数值作为初始值，各初始值为T₁＝0.005，T₂＝T₃＝T₄＝T₅＝1，T_P＝0.5，T_S＝0.003，K_P＝0.05，K_I＝600，K_D＝0.02，V_MAX＝1，V_MIN＝-1，I_CMAX＝I_LMAX＝1.1。t＝0.072时，在图2的SVG母线处设置三相短路故障，故障在0.1秒后切除，进行暂态计算，记录SVG装置的输出无功功率值、电流值以及电压值。

2)将T₁增加5％，其余参数保持不变，重复与上步相同的计算。将其余每个参数分别增加5％，(一个参数变化时，其余参数保持不变)，分别得到每个参数在变化后的仿真无功曲线、电流曲线、电压曲线。

3)计算各参数的轨迹灵敏度，计算公式如下：

式中，

分别为无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，N为采样点个数，Q₀,I₀,U₀分别为参数取初始值时得到的无功值、电流值、电压值，Q₁,I₁,U₁分别为参数在初始值的基础上增加5％得到的无功值、电流值、电压值。

根据上述步骤，通过自动化程序计算轨迹灵敏度，计算结果如表1所示。

表1参数轨迹灵敏度

由表1可得，各参数电压灵敏度比较接近，较难比较，而且电压灵敏度相对于电流灵敏度和无功灵敏度较小，因此电压灵敏度不作为判断指标。而电流灵敏度与无功灵敏度得出的各参数灵敏度大小结果相同，因此，在后续计算中只选取SVG输出的无功功率作为判断灵敏度大小的指标。

根据轨迹灵敏度计算结果可得，参数V_MAX，V_MIN的轨迹灵敏度为0，参数K_P，T_P的轨迹灵敏度接近于0，在后续辨识中，这四个参数即用初始值，不作辨识。根据轨迹灵敏度筛选后的所需辨识参数为：[T₁，T₂，T₃，T₄，T₅，T_S，K_I，K_D，I_CMAX]。针对这些参数，分析各个参数对于故障特性的影响。

S3、数据集的获取和处理。

SVG参数[T₁，T₂，T₃，T₄，T₅，T_S，K_I，K_D，I_CMAX]作为待辨识参数，各参数范围为：T₁为0.00585-0.0715，T₂-T5为0.9-1.1，T_S为0.00522-0.00638，K_I为702-858，K_D为0.0252-0.0308，I_CMAX为1.1-1.2。

确定辨识参数以及参数范围后，从下限开始，每次SVG参数在各自范围内随机取值，记录每一次参数改变时，输出无功功率曲线、电流曲线和电压曲线的数据和对应的SVG参数来构建数据集。每一次取值时，由于BPA仿真和RTDS实测的无功数据都会有一定的误差，故需要用目标函数来过滤掉误差不小于2000的数据，才可得到最终的数据集。目标函数由RTDS实测无功和BPA仿真无功的误差平方表示，其表达式如下：

式中，E_Z为误差计算结果，t₀和t₁为计算误差的起始时间和结束时间，Q_base为RTDS实测的无功数据，Q_test为BPA仿真的无功数据。

因为待辨识各个参数数值差别较大，大小不同则特征不同，模型训练时在梯度下降过程中会更受某些数值大的特征引导，而会忽略那些数值小的特征。因此，需要使不同的特征具有相同的尺度，这样在训练神经网络时，不同特征对参数的影响程度就可达到一致。通过公式(3)将数据集的输入输出数据进行标准化处理来实现。

式中，X为处理前的各参数值，X_MIN为其最小值，X_MAX为其最大值，Y为处理后的标签。

S4、搭建CNN模型，并进行训练，得到训练后的模型。

参数辨识模型输入的是时间序列数据，输出的是参数估计的结果，格式为一维向量。由于输入数据格式类似于单通道图像，每个单元位置可以看作图像的像素点，因此选择常被用作图像特征提取的CNN模型。如图4所示，本方案的CNN模型包括输入层、一层卷积层、一层池化层、三层全连接层和输出层。

输入层输入数据是无功、电压和电流动态曲线数据构成的二维矩阵。

卷积层从原始数据中提取隐藏特征。卷积核设置的维度大小和数据横向上的大小相同，为3×3矩阵。其中，输入特征中圈出来的区域为局部感受野，即对输入数据矩阵进行局部感知，然后在更高层将局部的信息综合起来以得到全局的信息。因此卷积只需在原始输入数据矩阵中向下移动，移动步长为1，来提取更多的局部信息。随后的结果再经过激活函数进行非线性激活操作，以增强神经网络的表达能力。激活函数采用Rule函数，Relu函数会使一部分神经元的输出为0，这样就造成了网络的稀疏性，降低了计算量，并且减少了参数的相互依存关系，缓解了过拟合问题的发生，增加了神经网络各层之间的非线性关系。

以一个卷积核为例，输入特征只有一个通道，使用大小为3×3的卷积核进行卷积运算，如图5所示，输出的第一个位置的特征值T₁如下，

式中，p为当前局部感受野的位置，X_i，j为当前局部感受野对应输入数据(i，j)位置上的值，b为当前卷积层的偏置，w_ij为卷积核(i，j)位置上的权值。当前卷积层有多个卷积核，每个卷积核的权值不共享，但偏置是共享的，即多个卷积核分别进行卷积运算后都加上当前卷积层的偏置，从而生成多个特征图，输入到下一层中。每个特征图在下一层中表示图的一个通道，在进行卷积运算时，需要将每个通道上的结果相加，最后加上共同的偏置b。

池化层跟在卷积层之后，用于压缩数据和参数，减少计算量。本发明的输入时间步较大(大于100)，因此选择在卷积层之后添加一层池化层进行降维操作。池化层选择MaxPooling(最大池化)，为2×2的矩阵，计算过程跟卷积计算类似，但它在移动中只取得其中的最大特征做为输出，Padding(填充操作)值为2，即在卷积之后的特征矩阵外包围2层值为0的数据，这样在之后池化操作时不会漏掉任何一个特征数据，可以充分利用到卷积提取的全部特征。随后将得到的数据展开成为一维数据来作为全连接层的输入。

全连接层中的每个神经元与其前一层的所有神经元进行全连接，可以整合卷积层或者池化层中具有类别区分性的局部信息。全连接层的结构如图6所示，选择三层全连接层(包含三个隐藏层)，把前边提取的特征综合起来。

输出层，即在多个全连接层的映射之后输出的参数预测结果，也就是辨识出的SVG参数。

模型搭建完成后，对模型进行训练。

训练前，为了使目标输出数据符合正态分布，需要根据公式(3)对标签进行标准化。然后样本数据集随机打乱，以避免时间序列的影响，然后取80％的数据作为训练集，余下的20％作为测试集。

网络训练。实验是在NVIDIA GeForce RTX 3060Laptop GPU上进行的，使用Pytorch搭建神经网络并进行训练，使用损失函数MSELoss来计算预测值和真实值的差异程度。训练流程图如图7所示，训练过程中将损失函数反向传递，通过梯度下降方法(沿梯度下降的方向求解每一层的极小值)不断修正各层中的权值和偏置值。损失函数选择均方误差(Mean-square Error，MSE):

式中，T为标签(目标输出结果)，Y为神经网络输出结果，n为SVG参数数量，t_i为T在i处的SVG参数，y_i为Y在i处的SVG参数。

训练过程中，可选择使用优化器来更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化损失函数。优化器选择Adam优化器，并设置学习率为0.0001。

达到训练次数后进行测试，对损失函数设定一个阈值ε，测试结果的损失函数值在ε之下的是可接受的结果，在ε之上的是不可接受的测试结果，最终当测试集可接受的结果达到95％时，认为训练成功，从而得到最终的模型。

S5、用模型来辨识SVG参数，得到最终辨识结果；

得到训练好的模型之后，可以用RTDS的实测曲线数据作为模型的输入，通过模型计算直接得到最终SVG参数的辨识结果。

使用神经网络对系统参数进行估计的主要目的是减少参数辨识的计算量，缩短计算时间，但前提是要保证参数预测结果的准确度，必须在验证这种辨识方法的准确可行之后才能进一步讨论其对于效率的提升。因此，实验结果主要关注准确度和时间两个方面。

图8、9中RTDS曲线为实测曲线。图8中优化曲线为使用粒子群优化方法得到的辨识曲线，图9中BPA曲线为使用卷积神经网络方法得到的辨识结果曲线。由仿真曲线可看出两种方法都可得到很好的拟合曲线，相对来说本方法辨识精度更高。而从时间上看，相比于粒子群优化方法，本方法虽然训练时间较长，但辨识速度更快，辨识精度更高。

辨识结果及精度对比如表2、表3所示。从时间上看，本方法的参数辨识过程只用了3.97min，其中包括训练时间3.96min，训练后的辨识过程0.6s，优于粒子群优化方法。从该点上看，使用神经网络的参数辨识能大大缩短辨识过程的时间，并且能够保证较高的辨识精度。

表2辨识结果对比(a)

表3辨识结果对比(b)

以上是本发明的具体实施方式，但本发明的保护范围不应局限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，因此本发明的保护范围应以权利要求书所限定的保护范围为准。

Claims (6)

1.基于卷积神经网络的SVG参数优化辨识方法，其特征在于，包括：

步骤S1：建立与SVG实测曲线运行环境相同的SVG系统的等值数学模型；

步骤S2：利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，设定阈值，筛选出轨迹灵敏度大于设定阈值的参数；

步骤S3：依据上述获取到的参数建立数据集并对数据集进行标准化处理；

步骤S4：搭建卷积神经网络模型，并利用数据集完成模型训练；

步骤S5：用模型来辨识SVG参数，得到最终辨识结果。

2.根据权利要求1所述的基于卷积神经网络的SVG参数优化辨识方法，其特征在于：步骤S1中，SVG实测曲线为RTDS实测曲线，所使用的仿真工具PSD-BPA。

3.根据权利要求1所述的基于卷积神经网络的SVG参数优化辨识方法，其特征在于，步骤S2中，利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，具体为：

设置短路故障，进行暂态计算，记录接有SVG母线处的无功曲线、电流曲线以及电压曲线；将选定参数在初始值的基础上增加5％，再一次进行暂态计算，得到输出曲线，然后计算选定参数的无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，计算公式如下：

式中，

分别为无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，N为采样点个数，Q₀,I₀,U₀分别为参数取初始值时得到的无功值、电流值、电压值，Q₁,I₁,U₁分别为参数在初始值的基础上增加5％得到的无功值、电流值、电压值。

4.根据权利要求1所述的基于卷积神经网络的SVG参数优化辨识方法，其特征在于，步骤S3的具体过程如下：

SVG参数[T₁,T₂,T₃,T₄,T₅,T_S,K_I,K_D,I_CMAX]作为待辨识参数，各参数范围为：T₁为0.00585-0.0715，T₂-T₅为0.9-1.1，T_S为0.00522-0.00638，K_I为702-858，K_D为0.0252-0.0308，I_CMAX为1.1-1.2；

确定辨识参数以及参数范围后，从下限开始，每次SVG参数在各自范围内随机取值，记录每一次参数改变时，输出无功功率曲线、电流曲线和电压曲线的数据和对应的SVG参数来构建数据集；每一次取值时，BPA仿真和RTDS实测的无功数据都会有一定的误差，采用目标函数过滤掉误差不小于2000的数据，得到最终的数据集；目标函数由RTDS实测无功和BPA仿真无功的误差平方表示，其计算公式如下：

式中，E_Z为误差计算结果，t₀和t₁为计算误差的起始时间和结束时间，Q_base为RTDS实测的无功数据，Q_test为BPA仿真的无功数据。

对数据集的数据进行标准化处理，其计算公式如下：

式中，X为处理前的各参数值，X_MIN为其最小值，X_MAX为其最大值，Y为处理后的标签。

5.根据权利要求1所述的基于卷积神经网络的SVG参数优化辨识方法，其特征在于，步骤S4的具体过程如下：

模型包括输入层、一层卷积层、一层池化层、三层全连接层和输出层，依据无功动态曲线数据逆推出对应的SVG参数；输入层输入数据是无功、电压和电流动态曲线数据构成的二维矩阵，输出层输出数据是辨识的SVG参数；卷积层使用卷积核进行卷积操作，沿着时间步移动来提取系统在当前时间区内的运动特征，移动步长为1，构建参数和曲线数据的映射关系，并在卷积计算后用激活函数对卷积之后的结果进行非线性激活操作；池化层对结果进行降维操作，将卷积操作输出的二维矩阵数据展平，变为一维数据来作为全连接层的输入；

模型训练前，把样本数据集随机打乱，取80％的数据作为训练集，余下的20％作为测试集；模型训练时，将损失函数反向传递，不断修正各层之中的权值和偏置值，达到训练次数后开始进行测试；模型测试中，对损失函数设定一个阈值，损失函数值超过阈值的测试结果是不可接受的，而低于这个阈值的测试结果是可接受的，当测试集精度达到95％时，认为模型训练完成。

6.根据权利要求1所述的基于卷积神经网络的SVG参数优化辨识方法，其特征在于，步骤S5的具体过程为：用RTDS实测曲线数据作为模型的输入，通过模型计算直接得到最终SVG参数的辨识结果。

Images