CN115189369A - 基于数据驱动的交直流混合微电网故障后电压稳定性预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法及系统，该方法首先计算互联变换器端子处交流和直流电压的短时均方偏差；其次，根据马氏距离准则确定起始段，构造特征序列；最后，建立深度学习系统，利用深度学习网络预测故障后电压稳定性，其中深度学习网络优化设计考虑了预测延迟，并通过仿真验证所提预测机制的有效性与优越性。本发明用于及时预测孤岛交直流混合微电网中的故障后电压稳定性，触发协调保护和控制机制，以调节子电网中的电压，提高了交直流混合微电网故障后电压稳定性预测的准确性。

Description

基于数据驱动的交直流混合微电网故障后电压稳定性预测方 法及系统

技术领域

本发明属于电力系统储能控制领域，具体涉及一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法及系统。

背景技术

近年来，越来越多的可再生能源应用到配电网中，给电网带来一定挑战。交直流混合微电网能够高效利用多样化和可持续的能源，是可再生能源应用到配电网中的重要途径，混合微电网不仅提高分布式能源(DER)的普及率，还以更少的功率转换为交流和直流负载供电，因此，与交流微电网相比，混合微电网转换损耗和谐波降低；然而，这种复杂的能源网络在能源管理、控制和保护方面面临挑战，一般来说，混合交直流微电网包括通过互联变换器连接的交流和直流子电网，互联变换器根据控制策略调整子电网之间交换功率，在孤岛运行模式下，使用互联变换器的主要目标是支持直流子网的电压调节和交流子网的频率稳定。

传统的数据驱动方法分析预先确定的时间段内的交流电压轨迹，适用于交直流混合微电网的交流部分，然而，由于互联变换器的存在，孤岛直流子网中的持续电压干扰会导致交流子网中的电压不稳定，反之亦然；此外，在孤岛交流(直流)子网发生意外事故后，直流(交流)子网继续正常运行时，可能会发生电压崩溃或不稳定，在这种情况下，由于传统方法没有充分分析直流子网中的电压轨迹，因此无法及时准确地预测电压不稳定问题，此外，现有的方法要求外部监控系统识别故障起始或清除，以启动特征提取过程。针对以上问题，提出一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法具有重要意义。

发明内容

本发明的目的在于提出一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法及系统，解决孤岛交直流混合微电网故障后电压稳定性预测不准确问题。

实现本发明目的的技术解决方案是：一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，包括步骤：

计算互联变换器端子处交流和直流电压的短时均方偏差；

根据短时均方偏差和马氏距离准则，确定描述包括故障在内的极端事件的特征序列的起始段，并构造特征序列；

根据构造的特征序列，建立和训练用于预测故障后电压稳定性的深度学习网络预测器；

通过深度学习网络预测器进行电压稳定性预测。

进一步地，所述计算互联变换器端子处交流和直流电压的短时均方偏差包括步骤：

以F_s的速率对连续时间信号进行采样，获得第i个互联变换器直流端的瞬时电压V_DCi(t)和交流侧的瞬时正序电压V_ACi(t)的离散化信号V_DC,i(k)和V_AC,i(k)：

V_DC,i(k)＝v_DC,i(k/F_s)

V_AC,i(k)＝v_AC,i(k/F_s)

其中，1≤i≤N_IC，N_IC表示微电网中存在的互联变换器数量；k＝0，1，2，……是离散时间指数，F_s＞＞f₀，f₀表示交流馈线的稳态频率；

将电压测量的离散化信号基于长度为N的样本的非重叠段进行处理，获取互联变换器端子处交流电压和直流电压的每个段的均方偏差，即短时均方偏差。

进一步地，所述互联变换器端子处交流电压的短时均方偏差为：

其中，ζ_i(m)为第i个互联变换器端子处交流电压在第m段的均方偏差，m为段的索引，Λ_i为条件增益矩阵，

为参数向量p_i(m)的估计值，s_AC,i(m)表示数据向量，s_AC,i(m)具体为：

s_AC,i(m)＝[S_AC,i(0,m) S_AC,i(1,m) ... S_AC,i(N-1,m)]^T

其中，S_AC,i(n,m)＝V_AC,i(n+mN)为定义的变量，n∈{0,1,,...,N-1}表示段内的样本索引。

进一步地，所述条件增益矩阵Λ_i为：

其中，A_0,i是第i个互联变换器端子处的稳态电压幅值。

进一步地，所述参数向量p_i(m)的估计值

在稳态振幅和频率条件下为:

进一步地，所述直流电压的短时(短时指第m段时间)均方偏差为：

其中，γ_i(m)为第i个互联变换器端子处直流电压在第m段的均方偏差，

为描述第m段时间间隔内直流馈线上电压偏差的分段模型，即：

S_DC,i(n,m)＝V_DC,i(n+mN)

其中，Δ_l和Δ_u是可接受电压范围的下限和上限。

进一步地，所述特征序列为：

其中，ρ表示初始段之后处理的故障后段的数量，

表示第I_f个测量段的偏差向量，ζ_i(I_f)表示第i个互联变换器端子处交流电压在第I_f段的均方偏差，

表示第N_ic个互联变换器端子处交流电压在第I_f段的均方偏差，γ₁(I_f)表示第i个互联变换器端子处直流电压在第I_f段的均方偏差，

表示第N_ic个互联变换器端子处直流电压在第I_f段的均方偏差，N_ic表示互联变换器的数量；I_f＝min{i∣D_z(i)＞δ_D,D_z(i)＞D_z(i-1)}，I_f表示起始段的索引，即故障引起扰动时的第一数据段，I_f＝min{i∣D_z(i)＞δ_D,D_z(i)＞D_z(i-1)}，其中δ_D为预定阈值，D_z(i)为马氏距离。

进一步地，所述马氏距离D_z(i)为：

其中，

表示交流和直流馈线在稳态条件下运行时收集的偏差向量集，m_z和C_z分别为偏差向量的稳态平均值和协方差矩阵，偏差向量z(i)由交流和直流电压的短时均方偏差组成。

进一步地，所述深度学习网络预测器的全连接层结构包括级联的输入层、BLSTM层、softmax层和输出层，所述BLSTM层的输入特征数为2N_IC，全连接层将BLSTM层的输出r乘以权重矩阵W，并将偏置向量b相加为：r′＝Wr+b，r′传送到softmax层，该层将softmax分类功能应用于输出层的输入：

输出层找到概率最高的类；

所述深度学习网络预测器的损失函数构造为：

其中，h表示应优化的所有网络参数的集合，λ表示减少过拟合的正则化系数，p(i,j；h,ρ)是给定的第j个特征序列的电压不稳定指示器等于i的概率，系数l(i,j)为：

其中，

为分配给训练数据集j中第j个样本的故障后电压不稳定性标签。

进一步地，所述深度学习网络预测器训练时，训练数据集由微电网的模拟生成，输入样本是大小为2N_IC×(ρ+1)的二维矩阵，训练过程中通过下式寻找最优分类器：

其中，K_i(j)为一个指示符，如果第i个样本属于第j类，则其值为1，否则为0；N_ts为训练数据集中存在的样本数，q_i(j)表示给定特征向量的类j的后验概率，即第i个样本与由softmax函数的输出给出的类j相关联的可能性；

训练过程中通过最小化损失函数来获得最佳参数：

s.t.ρ_l≤ρ≤ρ_u

其中，ρ_l表示参数ρ的下限，

ρ_u为参数ρ的上限

T_max表示故障的最大持续时间，其中T_dec表示故障清除瞬间之后的最大决策时间。

一种基于数据驱动的交直流混合微电网故障后电压稳定性预测系统，包括短时均方偏差计算单元、特征序列构造单元和预测器单元；其中，所述短时均方偏差计算单元用于计算互联变换器端子处交流和直流电压的短时均方偏差；所述特征序列构造单元根据短时均方偏差和马氏距离准则，确定描述包括故障在内的极端事件的特征序列的起始段，构造特征序列；所述预测器单元根据构造的特征序列，建立和训练用于预测故障后电压稳定性的深度学习网络预测器，进行电压稳定性预测。

与现有技术相比，本发明的有益效果为：本发明对互联变换器终端的电压进行测量和处理，计算互联变换器端子处交流和直流电压的短时均方偏差，以提取特征，用于双向长短时记忆(BLSTM)网络的深度学习和预测，预测器的输出能够说明交直流混合微电网故障后电压稳定性；构造网络模型的损失函数，训练过程中通过最小化损失函数来获得最佳参数，提高了网络模型预测的精准度。

附图说明

图1为交直流混合微电网中第i个互联变换器的连接结构图。

图2为故障后电压不稳定性的在线预测流程图。

图3为低压混合交直流微电网总体结构图。

图4为本发明预测机制下的错误预测率与最大决策时间曲线图。

图5为传统方法与本发明所提方法在不同观测时间下的错误预测率比较图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明提供一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，包括如下步骤：

步骤1：首先描述预测机制，计算互联变换器端子处交流和直流电压的短时均方偏差。

步骤2：根据步骤1中计算出的短时均方偏差，确定描述包括故障在内的极端事件的特征序列的起始段，构造特征序列。

步骤3：根据步骤2中构造的特征序列，建立和训练用于预测故障后电压稳定性的深度学习网络预测器，并通过仿真验证所提预测机制的有效性与优越性。

下面对每个步骤作进一步详细说明：

步骤1中：提出的预测机制包括三个步骤：1)计算互联变换器端子处交流和直流电压的短时均方偏差。2)根据马氏距离准则确定起始段，并构造特征序列。3)通过深度学习系统对电压不稳定指示器进行分类。所提出的方法用于触发协调保护和控制机制，以调节子电网中的电压。

交直流混合微电网中第i个互联变换器的连接结构图如图1所示，另N_IC表示微电网中存在的互联变换器数量，V_DCi(t)表示第i个互联变换器直流端的瞬时电压，其中1≤i≤N_IC，V_ACi(t)表示第i个互联变换器交流侧的瞬时正序电压。通过以F_s的速率对连续时间信号进行采样，获得由V_DC,i(k)和V_AC,i(k)表示的相应离散化信号：

V_DC,i(k)＝v_DC,i(k/F_s) (1)

V_AC,i(k)＝v_AC,i(k/F_s) (2)

其中k＝0，1，2，……是离散时间指数，设f₀表示交流馈线的稳态频率，并假设F_s远高于f₀。信号V_AC,i(k)包含基波分量以及交流馈线电压中可能存在的测量噪声、谐波和其他失真。在直流侧，信号V_AC,i(k)携带直流分量、测量噪声和其他高频分量，这些高频分量由与直流馈线连接的转换器产生。但是将V_DC,i(k)和V_AC,i(k)作为输入量输入到学习系统，将会存在通信成本过高，信息复杂的缺点。

因此，本发明提出了一种基于电压测量分割的特征提取方法。在此方法中，离散化的电压测量基于长度为N的样本的非重叠段进行处理，每个互联变换器为每个段传输两个偏差参数样本ζ_i和γ_i。在此方法中，定义了以下信号：

S_DC,i(n,m)＝V_DC,i(n+mN) (3)

S_AC,i(n,m)＝V_AC,i(n+mN) (4)

其中m≥0表示段的索引，n∈{0,1,...,N-1}表示段内的样本索引。因此，交流馈线电压第m段中存在的正弦趋势建模为：

式中，A_0,i是第i个互联变换器端子处的稳态电压幅值，Φ_i(m)是初始相角。假设给定交流馈线的当前运行模式，参数A_0,i和f₀都是先验已知的。在孤岛运行模式下，A_0,i和f₀可能不同于标称值，每当交流子电网进入新的稳定状态时，需要对参数进行更新。

式(5)中的初始相位角Φ_i(m)基于最小二乘误差准则进行估计，成本函数如下：

通过最小化成本函数，得到的是相位角的准确估计。需要注意的是，条件趋势模型表示为：

其中参数向量由下式给出

因此，式(6)得出

J_AC,i(n,m|A_0,i,f₀)＝(s_AC,i(m)-Λ_ip_i(m))^T(s_AC,i(m)-Λ_ip_i(m)) (9)

在等式(9)中，s_AC,i(m)表示数据向量：

s_AC,i(m)＝[S_AC,i(0,m) S_AC,i(1,m) … S_AC,i(N-1,m)]^T (10)

而Λ_i表示条件增益矩阵：

可以表明，在稳态振幅和频率条件下，p_i(m)的估计表示为

交流电压的短时均方偏差通过以下公式计算：

在互联变换器端子的直流侧，可以使用分段模型来描述短时间间隔内直流馈线上的电压偏差。在这种情况下，获得以下信号：

其中，当直流馈线处于稳态时，Δ_l和Δ_u是可接受电压范围的下限和上限。对应的均方差为

同样，每当直流馈线的稳态条件或运行模式发生变化时，都应更新Δ_l和Δ_u。

与第m个测量段相关的偏差向量用z(m)表示，其构造如下：

式中，分别使用(13)和(15)计算第i个互联变换器的ζ_i(m)和γ_i(m)。

步骤2中：分析计算出的均方偏差，识别描述故障的特征序列的起始段。

假设

表示交流和直流馈线在稳态条件下运行时收集的偏差向量集。偏差向量的稳态平均值和协方差矩阵计算如下：

其中

表示集合

的基数。偏差向量z(i)与

的马氏距离为

D_z(i)具有较大值表明偏差向量z(i)与稳态空间的距离较大，即测量段部分或全部与异常度较高的瞬态相关联。为了验证某一段中是否存在故障引起的干扰，可将相关特征向量的马氏距离与由δ_D表示的预定阈值进行比较。阈值δ_D满足以下关系：

在该方法中，第一个数据段显示馈线中存在欠压，且马氏距离大于δ_D，表明特征序列的开始。I_f表示起始段的索引，即第一个数据段，该数据段包含故障诱发干扰的重要信息。可以得出这样的结论：

I_f＝min{i∣D_z(i)＞δ_D,D_z(i)＞D_z(i-1)} (21)

步骤3中：建立深度学习系统，利用深度学习网络预测故障后电压稳定性，其中系统优化设计考虑了预测延迟。

(1)电压不稳定指示器

识别初始段后，提取初始段的特征，获得特征序列，如下所示：

其中ρ表示初始段之后处理的故障后段的数量，根据公式(22)，每个特征序列跨越(ρ+1)N/F_s秒的时间间隔。

故障后电压不稳定性的在线预测过程如图2所示，用χ表示预测器的二进制输出，表示在故障清除后存在未解决的电压扰动或电压稳定性的损失；如果交流和直流馈线中的故障扰动在故障清除后稳定下来，则混合交直流微电网的电压将恢复；χ＝1表明至少一个馈线的电压在预测时刻之后不会以高概率恢复；相反，χ＝0表明两条馈线的故障后电压最有可能在预测时刻后恢复。

(2)深度学习系统的架构

深度学习系统的全连接层结构包括以下级联层：输入层、双向长短时记忆(BLSTM)、softmax层和输出层。

BLSTM层的输入特征数为2N_IC，而隐藏层的数量是一个超参数，应在训练过程中进行优化。输出大小为2，即类的数量。用向量r表示BLSTM层的输出。在每个步骤中，全连接层将r乘以权重矩阵W，并将偏置向量b相加为：

r′＝Wr+b (23)

在下一步中，r′传送到softmax层，该层将softmax分类功能应用于输入：

输出层找到概率最高的类。

(3)训练过程

训练数据集由微电网的模拟生成的。深度学习系统的输入样本是大小为2N_IC×(ρ+1)的二维矩阵。深度网络的训练过程通常包括基于以下编码方案寻找最优分类器：

其中，K_i(j)是一个指示符，如果第i个样本属于第j类，则其值为1，否则为0。参数N_ts是训练数据集中存在的样本数。参数q_i(j)表示给定特征向量的类j的后验概率，即网络将第i个样本与由softmax函数的输出给出的类j相关联的可能性。

假设

显示了分配给训练数据集j中第j个样本的故障后电压不稳定性标签，j≤N_ts。此外，设h表示应优化的所有网络参数的集合。可以构造以下损失函数：

其中λ表示减少过拟合的正则化系数。系数

由下式给出

在(26)中，p(i,j；h,ρ)是给定的第j个特征序列的电压不稳定指示器等于i的概率。p(i,j；h,ρ)的值由softmax层根据(24)计算得出。

训练过程的精确度由(26)中的损失函数确定。因此，为了获得最高性能，可以通过在训练期间最小化损失函数来获得最佳参数：

s.t.ρ_l≤ρ≤ρ_u (29)

其中参数ρ的下限，用ρ_l表示，可以确定为

其中T_max表示故障的最大持续时间。

在(29)中，ρ_u表示参数ρ的上限。等式(30)确保预测时刻晚于故障清除时刻。参数ρ的上限由下式给出

其中T_dec表示故障清除瞬间之后的最大决策时间。较大的ρ允许学习者有效地分析输入序列中的时间相关性。但是，在实时应用中，较大的ρ意味着更长的等待时间用于数据收集和处理，从而增加了预测时间。预测延迟(在故障清除时刻之后测量)是已处理段的最优数量的函数，如下所示

τ_pre＝(ρ^*+1)N/F_s+τ_com (32)

其中ρ^*表示ρ的最优值，τ_com表示计算时间，计算时间与分类时间和深度学习系统有关。

可以根据错误预测率来评估所提出的预测器的性能，其计算公式为：

以下是预测错误的情况:

1)交流和直流馈线的电压的幅度和频率最终返回到其正常范围，预测器指示χ＝1。

2)故障清除后，交流或直流电压的幅值或频率未恢复到正常范围，预测输出为χ＝0。

在低压交直流混合微电网中研究了所提出的预测方法的性能，其系统总体结构如图3所示。并在表1中给出了其主要控制参数。电压波形数据是从终端节点C₂和D₃收集的。将波形数据下采样到F_s＝10kHz，以产生时间序列V_DC,i(k)和V_AC,i(k)，其中i＝1。

表1控制参数表

直流馈线的标称电压为600V，并利用最大功率为5kW的励磁系统稳定器和光伏发电(PV)系统。交流馈线的标称电压为208V，标称频率为60Hz，并且涉及双馈感应发电机风力系统，两个构网型分布式电源(DG)和一个光伏发电系统。构网型系统采用下垂控制方法，以将电压和频率保持在其参考值。

图4为本发明预测机制下的错误预测率与最大决策时间曲线图。可见，错误预测率是针对微电网中最大决策时间的不同值计算的。较大的T_dec意味着对预测机制的延迟约束较小，这反过来又降低了ξ的值。当最大决策时间大于100ms时，预测机制的精度在92％以上。当决策时间增加到400ms时，98％预测是准确的。结果证实，所开发的预测器可以基于特征序列快速可靠地推断故障后电压不稳定性。

图5为传统方法与本发明所提方法在不同观测时间下的错误预测率比较图。其中，虚线为传统方法在不同观测时间下的错误预测率，实线为本发明所提方法在不同观测时间下的错误预测率，观测时间定义为故障时从电源管理单元(PMU)获得数据到预测时刻之间的时间间隔。可见，与传统方法相比，本发明所提方法具有较低的错误预测率。特别地，当观察时间大于300ms，所提出的方法的性能是优越的。而传统方法的性能不会随着观察时间的增加而改善，并且错误预测率保持在约35％。

基于上述方法的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测系统，包括短时均方偏差计算单元、特征序列构造单元和预测器单元；其中，所述短时均方偏差计算单元用于计算互联变换器端子处交流和直流电压的短时均方偏差；所述特征序列构造单元根据短时均方偏差和马氏距离准则，确定描述包括故障在内的极端事件的特征序列的起始段，构造特征序列；所述预测器单元根据构造的特征序列，建立和训练用于预测故障后电压稳定性的深度学习网络预测器，进行电压稳定性预测。

所述系统包含所述预测方法的全部技术特征，在此不再累述。

Claims (11)

1.一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，包括步骤：

计算互联变换器端子处交流和直流电压的短时均方偏差；

根据短时均方偏差和马氏距离准则，确定描述包括故障在内的极端事件的特征序列的起始段，并构造特征序列；

根据构造的特征序列，建立和训练用于预测故障后电压稳定性的深度学习网络预测器；

通过深度学习网络预测器进行电压稳定性预测。

2.根据权利要求1所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述计算互联变换器端子处交流和直流电压的短时均方偏差包括步骤：

以F_s的速率对连续时间信号进行采样，获得第i个互联变换器直流端的瞬时电压V_DCi(t)和交流侧的瞬时正序电压V_ACi(t)的离散化信号V_DC，i(k)和V_AC，i(k)：

V_DC，i(k)＝v_DC，i(k/F_s)

V_AC，i(k)＝v_AC，i(k/F_s)

其中，1≤i≤N_IC，N_IC表示微电网中存在的互联变换器数量；k＝0，1，2，......是离散时间指数，F_s＞＞f₀，f₀表示交流馈线的稳态频率；

将电压测量的离散化信号基于长度为N的样本的非重叠段进行处理，获取互联变换器端子处交流电压和直流电压的每个段的均方偏差，即短时均方偏差。

3.根据权利要求2所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述互联变换器端子处交流电压的短时均方偏差为：

其中，ζ_i(m)为第i个互联变换器端子处交流电压在第m段的均方偏差，m为段的索引，Λ_i为条件增益矩阵，

为参数向量p_i(m)的估计值，s_AC，i(m)表示数据向量，s_AC，i(m)具体为：

s_AC，i(m)＝[S_AC，i(0，m) S_AC，i(1，m) ... S_AC，i(N-1，m)]^T

其中，S_AC，i(n，m)＝V_AC，i(n+mN)为定义的变量，n∈{0，1，，...，N-1}表示段内的样本索引。

4.根据权利要求3所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述条件增益矩阵Λ_i为：

其中，A_0，i是第i个互联变换器端子处的稳态电压幅值。

5.根据权利要求4所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述参数向量p_i(m)的估计值

在稳态振幅和频率条件下为：

6.根据权利要求2所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述直流电压的短时均方偏差为：

其中，γ_i(m)为第i个互联变换器端子处直流电压在第m段的均方偏差，

为描述第m段内直流馈线上电压偏差的分段模型，即：

S_DC，i(n，m)＝V_DC，i(n+mN)

其中，Δ_l和Δ_u是可接受电压范围的下限和上限，S_DC，i(n，m)为定义的变量，n∈{0，1，，...，N-1}表示段内的样本索引。

7.根据权利要求1所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述特征序列为：

其中，

表示故障引起扰动时以及扰动发生后ρ个时段的特征序列，ρ表示初始段之后处理的故障后段的数量；

表示第I_f个测量段的偏差向量，ζ_i(I_f)表示第i个互联变换器端子处交流电压在第I_f段的均方偏差，

表示第N_ic个互联变换器端子处交流电压在第I_f段的均方偏差，γ₁(I_f)表示第i个互联变换器端子处直流电压在第I_f段的均方偏差，

表示第N_ic个互联变换器端子处直流电压在第I_f段的均方偏差，N_ic表示互联变换器的数量；I_f＝min{i|D_z(i)＞δ_D，D_z(i)＞D_z(i-1)}，表示起始段的索引，其中δ_D为预定阈值，D_z(i)为第i个互联变换器对应的马氏距离，D_z(i-1)为第i-1个互联变换器对应的马氏距离。

8.根据权利要求7所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述马氏距离D_z(i)为：

其中，

表示交流和直流馈线在稳态条件下运行时收集的偏差向量集，m_z和C_z分别为偏差向量的稳态平均值和协方差矩阵，偏差向量z(i)由交流和直流电压的短时均方偏差组成。

9.根据权利要求1所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述深度学习网络预测器的全连接层结构包括级联的输入层、BLSTM层、sofimax层和输出层，所述BLSTM层的输入特征数为2N_IC，N_IC表示微电网中存在的互联变换器数量，全连接层将BLSTM层的输出r乘以权重矩阵W，并将偏置向量b相加为：r′＝Wr+b，r′传送到softmax层，该层将softmax分类功能应用于输出层的输入：

q(j)为softmax层输出，表示给定特征向量的类j的后验概率，i表示softmax层输出个数，输出层找到概率最高的类；

所述深度学习网络预测器的损失函数构造为：

其中，N_ts表示训练数据集中存在的样本数，h表示应优化的所有网络参数的集合，λ表示减少过拟合的正则化系数，p(i，j；h，ρ)是给定的第j个特征序列的电压不稳定指示器等于i的概率，ρ表示初始段之后处理的故障后段的数量，系数l(i，j)为：

其中，

为分配给训练数据集j中第j个样本的故障后电压不稳定性标签。

10.根据权利要求9所述的一种基于数据驱动的交直流混合微电网故障后电压稳定性预测方法，其特征在于，所述深度学习网络预测器训练时，输入样本是大小为2N_IC×(ρ+1)的二维矩阵，训练过程中通过下式寻找最优分类器：

其中，K_i(j)为一个指示符，如果第i个样本属于第j类，则其值为1，否则为0；N_ts为训练数据集中存在的样本数，q_i(j)表示给定特征向量的类j的后验概率，即第i个样本与由softmax函数的输出给出的类j相关联的可能性；

训练过程中通过最小化损失函数来获得最佳参数：

s.t.ρ_l≤ρ≤ρ_u

其中，ρ_l表示参数ρ的下限，

ρ_u为参数ρ的上限

T_max表示故障的最大持续时间，其中T_dec表示故障清除瞬间之后的最大决策时间，F_s表示采样的速率，N为离散化基于的样本长度，s.t.表示约束条件；

训练过程中考虑预测延迟时间τ_pre为：

τ_pre＝(ρ^*+1)N/F_s+τ_com

其中，ρ^*表示ρ的最优值，τ_com表示计算时间。

11.一种基于数据驱动的交直流混合微电网故障后电压稳定性预测系统，其特征在于，包括短时均方偏差计算单元、特征序列构造单元和预测器单元；其中，所述短时均方偏差计算单元用于计算互联变换器端子处交流和直流电压的短时均方偏差；所述特征序列构造单元根据短时均方偏差和马氏距离准则，确定描述包括故障在内的极端事件的特征序列的起始段，构造特征序列；所述预测器单元根据构造的特征序列，建立和训练用于预测故障后电压稳定性的深度学习网络预测器，进行电压稳定性预测。

Images