CN116341394B - 混合驱动模型训练方法、装置、计算机设备及存储介质 - Google Patents
混合驱动模型训练方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116341394B CN116341394B CN202310613116.1A CN202310613116A CN116341394B CN 116341394 B CN116341394 B CN 116341394B CN 202310613116 A CN202310613116 A CN 202310613116A CN 116341394 B CN116341394 B CN 116341394B
- Authority
- CN
- China
- Prior art keywords
- model
- driving sub
- parameter
- updating
- sub
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及一种混合驱动模型训练方法、装置、计算机设备及存储介质,应用于电网换相换流器‑高压直流输电系统,电网换相换流器‑高压直流输电系统采用预设混合驱动模型处理系统输入数据,方法包括:获取第一驱动子模型的第一初始参数和第二驱动子模型的第二初始参数;基于第一驱动子模型以及系统输入数据优化第一初始参数,以得到第一更新参数;基于第二驱动子模型以及第一驱动子模型的输出数据优化第二初始参数和第一更新参数,以得到第一目标参数和第二目标参数;根据第一目标参数更新第一驱动子模型,根据第二目标参数更新第二驱动子模型,得到更新后的混合驱动模型。本发明有效提升了LCC‑HVDC系统模型的计算准确度。
Description
技术领域
本申请涉及电力系统控制技术领域,特别是涉及一种混合驱动模型训练方法、装置、计算机设备及存储介质。
背景技术
近年来,远距离电网换相换流器型高压直流输电系统(Line CommutatedConverter-Based High Voltage Direct Current,简称LCC-HVDC)已成为新能源大规模开发的主导技术之一。而LCC-HVDC系统次/超同步振荡事故频繁发生,严重制约了LCC-HVDC的电力送出能力以及系统的安全运行。目前,学术界和工业界普遍采用等值模型分析和解决大规模新能源并网振荡问题。现有等值模型建模方法皆基于LCC-HVDC系统机理构建,建模过程对系统在各个工况点进行了线性化处理,所得模型与实际系统不完全吻合。
另外,由于现有建模方法在构建等值模型后,还需要进一步对等值模型的参数进行跟踪辨识,计算准确度差且计算速度较慢。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升计算准确度的混合驱动模型训练方法、装置、计算机设备及存储介质。
第一方面,本申请提供了一种混合驱动模型训练方法,应用于电网换相换流器-高压直流输电系统,所述混合驱动模型包括第一驱动子模型和第二驱动子模型,所述方法包括:
获取所述第一驱动子模型的第一初始参数、所述第二驱动子模型的第二初始参数,以及所述电网换相换流器-高压直流输电系统的系统输入数据;
基于所述第一驱动子模型以及所述系统输入数据优化所述第一初始参数,以得到第一更新参数;
基于所述第二驱动子模型以及所述第一驱动子模型的输出数据,优化所述第二初始参数和所述第一更新参数,以得到第一目标参数和第二目标参数;
根据所述第一目标参数更新所述第一驱动子模型,根据所述第二目标参数更新所述第二驱动子模型,得到更新后的混合驱动模型。
在其中一个实施例中,所述基于所述第一驱动子模型以及所述系统输入数据优化所述第一初始参数,以得到第一更新参数之后,所述基于所述第二驱动子模型以及所述第一驱动子模型的输出数据优化所述第二初始参数和所述第一更新参数之前,所述方法还包括:
根据所述第一更新参数更新所述第一驱动子模型,并根据更新后的第一驱动子模型处理所述系统输入数据。
在其中一个实施例中,所述基于所述第一驱动子模型以及所述系统输入数据优化所述第一初始参数,以得到第一更新参数,包括:
基于所述第一驱动子模型处理所述系统输入数据得到第一输出数据;
根据预设第一数据标签值与所述第一输出数据计算均方误差;
计算所述均方误差与各第一初始参数之间的梯度;
根据所述梯度与预设学习率更新各第一初始参数,以得到所述第一更新参数。
在其中一个实施例中,所述基于所述第二驱动子模型以及所述第一驱动子模型的输出数据,优化所述第二初始参数和所述第一更新参数,以得到第一目标参数和第二目标参数包括:
基于所述第二驱动子模型处理所述第一驱动子模型的输出数据,以得到模型测试数据;
根据预设第二数据标签值与所述模型测试数据计算均方误差;
根据所述均方误差与预设阈值的比较结果,更新所述第二初始参数和/或所述第一更新参数;
若所述均方误差小于预设误差阈值,将当前第一更新参数作为所述第一目标参数,将当前第二初始参数作为所述第二目标参数。
在其中一个实施例中,所述根据所述均方误差与预设阈值的比较结果,更新所述第二初始参数和/或所述第一更新参数,包括:
若所述均方误差小于预设更新阈值,以第一学习率更新所述第一更新参数,以第二学习率更新所述第二初始参数,并跳转执行所述基于所述第二驱动子模型处理所述第一驱动子模型的输出数据的步骤,其中,所述第一学习率小于所述第二学习率,所述预设误差阈值小于所述预设更新阈值;
若所述均方误差大于或等于预设更新阈值,以第二学习率更新所述第二初始参数,并跳转执行所述基于所述第二驱动子模型处理所述第一驱动子模型的输出数据的步骤。
在其中一个实施例中,所述第二驱动子模型为神经网络模型,所述第二驱动子模型至少包括一层长短期记忆层和一层全连接层。
在其中一个实施例中,所述第一初始参数包括变压器变比、变压器阻抗、最大熄弧角和最小熄弧角。
第二方面,本申请还提供了一种混合驱动模型训练装置,应用于电网换相换流器-高压直流输电系统,所述混合驱动模型包括第一驱动子模型和第二驱动子模型,所述装置包括:
初始化模块,用于获取所述第一驱动子模型的第一初始参数、所述第二驱动子模型的第二初始参数,以及所述电网换相换流器-高压直流输电系统的系统输入数据;
第一优化模块,用于基于所述第一驱动子模型以及所述系统输入数据优化所述第一初始参数,以得到第一更新参数;
第二优化模块,用于基于所述第二驱动子模型以及所述第一驱动子模型的输出数据,优化所述第二初始参数和所述第一更新参数,以得到第一目标参数和第二目标参数;
模型更新模块,用于根据所述第一目标参数更新所述第一驱动子模型,根据所述第二目标参数更新所述第二驱动子模型,得到更新后的混合驱动模型。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的混合驱动模型训练方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的混合驱动模型训练方法的步骤。
上述混合驱动模型训练方法、装置、计算机设备及存储介质,应用于电网换相换流器-高压直流输电系统,电网换相换流器-高压直流输电系统采用预设混合驱动模型处理系统输入数据,方法包括:获取第一驱动子模型的第一初始参数和第二驱动子模型的第二初始参数;基于第一驱动子模型以及系统输入数据优化第一初始参数,以得到第一更新参数;基于第二驱动子模型以及第一驱动子模型的输出数据优化第二初始参数和第一更新参数,以得到第一目标参数和第二目标参数;根据第一目标参数更新第一驱动子模型,根据第二目标参数更新第二驱动子模型,得到更新后的混合驱动模型。本发明结合第一驱动子模型和第二驱动子模型的特性,有效提升了LCC-HVDC系统模型的计算准确度。
附图说明
图1为一个实施例中混合驱动模型的应用场景示意图;
图2为一个实施例中HVDC的系统结构示意图;
图3为一个实施例中LCC的电路拓扑结构示意图;
图4为一个实施例中混合驱动模型训练方法的流程示意图;
图5为另一个实施例中混合驱动模型训练方法的流程示意图;
图6为一个实施例中优化第一初始参数步骤的流程示意图;
图7为一个实施例中优化第二初始参数和第一更新参数步骤的流程示意图之一;
图8为一个实施例中优化第二初始参数和第一更新参数步骤的流程示意图之二;
图9为一个实施例中优化第二初始参数和第一更新参数步骤的流程示意图之三;
图10为一个实施例中混合驱动模型训练装置的装置模块示意图;
图11为一个实施例中计算机设备的设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的混合驱动模型,如图1所示,包括第一驱动子模型和第二驱动子模型两部分,其中,混合驱动模型的输入数据先由第一驱动子模型处理,再由第二驱动子模型处理,最终得到输出数据。本实施例提供的混合驱动模型综合第一驱动子模型和第二驱动子模型的功能,能够有效解决由单一模型引发的准确性问题。
在具体实施例中,混合驱动模型应用在电网换相换流器型高压直流输电系统(Line Commutated Converter-Based High Voltage Direct Current,简称LCC-HVDC)中,用于根据LCC-HVDC系统的输入参数,输出贴合实际情况的输电数据。
在实际应用过程中,第一驱动子模型为LCC-HVDC机电暂态模型,LCC-HVDC的构建方法主要为基于基波向量和dq坐标系对LCC进行外部等值,基于瞬时值和节点电压法对直流侧网络建模,对换流器控制系统建模但不考虑底层原理,同时根据机电暂态仿真特点,针对特殊运行工况和不同形式故障进行精细化模拟。
其中,基波用于指代电力系统中低于50Hz的电气特征。基波向量为在abc三相的基础上,以某一相为基准,通过幅值和角度来描述电气量的向量,电气量例如电压和电流。基波向量的建立在xy坐标下。
dq坐标系的d轴建立在系统中平衡节点发电机的直轴上,q轴落后d轴90度。本实施例采用dq坐标系以及基波向量对LCC进行外部等值处理,将xy轴转换到dq轴进行计算可以使很多计算难题得到化简。
瞬时值为正弦交流电路的电压或电流的瞬时值。
第二驱动子模型为神经网络模型。具体的,本实施例采用的神经网络模型至少包括一层全连接层(Fully Connected Layer,简称FC)和一层长短期记忆层(Long Short-Term Memory,简称LSTM),第一驱动子模型的输出数据先经过LSTM层进行处理,LSTM层的输出送至FC层,以计算得到混合驱动模型的输出数据。
在本实施例中,也可以采用三层LSTM层、两层FC层以及一层随机失活层(Dropout)来训练得到神经网络模型。其中,第一驱动子模型的输出数据先经过三层LSTM层进行处理,LSTM层的输出送至一层FC层,该FC层的输出经过Dropout层以减少模型的过拟合,最终通过另一层FC层调整输出维度,以输出符合混合驱动模型输出要求的输出数据。
需知的,神经网络模型的具体结构可以根据实际应用场景进行自适应调整,本实施例对此不作具体限定。
参考图2,图2为HVDC系统结构的模型示意图,代表整流端(Rectifier),/>代表逆变端(inverter),/>为整流端电压幅值,/>为整流端变压器变比,/>为线路直流电流,为整流端直流电压,/>为逆变端直流电压,/>为逆变端变压器变比,/>为逆变端电压幅值。
在实际应用场景中,HVDC包括换流器、换流变压器、平波电抗器、交流滤波器、直流避雷器及保护设备等。
参考图3,图3为本实施例采用的LCC单元的电路拓扑结构示意图。
需知的,图2和图3仅用于示意LCC-HVDC系统的部分结构,在实际应用场景中,用户可以根据实际应用需要自适应替换LCC-HVDC系统的具体结构,本实施例对此不作限定。
在一个实施例中,如图4所示,提供了一种混合驱动模型训练方法,该方法用于训练如图1中的混合驱动模型,包括以下步骤:
S401,获取第一驱动子模型的第一初始参数、第二驱动子模型的第二初始参数,以及所述电网换相换流器-高压直流输电系统的系统输入数据。
其中,第一驱动子模型为LCC-HVDC系统机电暂态模型,第一初始参数包括变压器变比(和/>)、变压器阻抗(/>和/>)、最大熄弧角/>和最小熄弧角/>等。需知的,第一初始参数的设置可以根据实际应用场景中LCC-HVDC系统机理模型的结构而自适应替换,本实施例对此不作限定。
第二驱动子模型为神经网络模型,第二初始参数为神经网络模型中的各权值矩阵。需知的,第二初始参数的设置可以根据实际应用场景中训练得到的神经网络模型进行自适应替换,本实施例对此不作限定。
示例性地,获取第一初始参数的方式可以为初始化第一驱动子模型,将初始化后的第一驱动子模型的各模型参数作为第一初始参数。实际应用过程中,可以将全部第一初始参数存储在第一参数集Φ中。
获取第二初始参数的方式可以通过Xavier方法对神经网络模型进行随机初始化,并将初始化后的第二驱动子模型的各模型参数作为第二初始参数。实际应用过程中,可以将全部第二初始参数存储在第二参数集Ψ中。
需知的,第一初始参数和第二初始参数的获取方式可以根据实际应用场景选择相适应的采集方式,本实施例不作具体限定。
S402,基于第一驱动子模型以及系统输入数据优化第一初始参数,以得到第一更新参数。
其中,系统输入数据包括传输电压、传输电流等与LCC-HVDC系统相关的输入变量。需知的,本实施例采用的系统输入数据可以为任意LCC-HVDC系统机理模型采用的输入数据,本实施例不作具体限定。
在实际应用过程中,采用第一驱动子模型处理系统输入数据,根据第一驱动子模型的处理结果对第一初始参数进行初步参数辨识,能够得到更新后的第一更新参数。
本实施例通过对第一驱动子模型的第一初始参数执行初步参数辨识步骤,有效改善了原始第一驱动子模型的第一初始参数误差较大的问题,提升了第一驱动子模型的计算准确度。
S403,基于第二驱动子模型以及第一驱动子模型的输出数据,优化第二初始参数和第一更新参数,以得到第一目标参数和第二目标参数。
其中,第一驱动子模型的输出数据即LCC-HVDC机电暂态模型输出的整流端和逆变端的电流幅值和相角等输出变量。
需知的,第二驱动子模型的输出数据为混合驱动模型输出的整流端和逆变端的电流幅值和相角等输出变量。
在第一驱动子模型优化第一初始参数的基础上,通过第二驱动子模型处理第一驱动子模型的输出数据,并利用第二驱动子模型的输出对第二初始参数和第一更新参数进行反馈更新,从而优化第二初始参数和第一更新参数,得到第一目标参数和第二目标参数。
其中,第一目标参数和第二目标参数均为满足预设优化标准的模型参数,在实际应用场景中,预设优化标准可以为误差低于预设误差阈值,
在实际应用过程中,由于神经网络模型具有强大的非线性拟合能力,能够有效拟合LCC-HVDC系统并网端口的电气特性,从而能够有效提升混合驱动模型对数据的适应能力,提高混合驱动模型的准确度及可解释性。
S404,根据第一目标参数更新第一驱动子模型,根据第二目标参数更新第二驱动子模型,得到更新后的混合驱动模型。
在具体实施例中,在得到第一目标参数和第二目标参数后,使用第一目标参数替换第一驱动子模型中对应的模型参数,使用第二目标参数替换第二驱动子模型中对应的模型参数,以得到更新后的混合驱动模型。
上述混合驱动模型训练方法中,通过结合第一驱动子模型和第二驱动子模型的混合驱动模型处理LCC-HVDC系统的输入数据,从能能够结合第一驱动子模型的模型特性和第二驱动子模型的模型特性,有效提升混合驱动模型的计算准确度和可解释性。另外,由于第二驱动子模型为神经网络模型,从而能够防止数据被线性化,改善了原始LCC-HVDC机理模型的数据误差,有效提升混合驱动模型输出数据的准确度。
在一个实施例中,如图5所示,S402之后,S403之前,混合驱动模型训练方法还包括:
S4021,根据第一更新参数更新第一驱动子模型,并根据更新后的第一驱动子模型处理系统输入数据。
在具体实施例中,在得到第一更新参数后,将使用第一更新参数替换第一驱动子模型中对应的模型参数,以完成对第一驱动子模型的更新。在执行S403之前,完成对第一驱动子模型的更新,S403中第一驱动子模型的输出数据即更新后的第一驱动子模型的输出数据。
需知的,在S403中,对于第一更新参数和第二初始参数的优化步骤可以执行多次,在每次执行完优化步骤后,均使用优化后的参数替换当前驱动子模型中对应的模型参数,以实现对第一更新参数和第二初始参数的循环优化。
在一个实施例中,如图6所示,S402包括:
S601,基于第一驱动子模型处理系统输入数据得到第一输出数据;
S602,根据预设第一数据标签值与第一输出数据计算均方误差;
S603,计算均方误差与各第一初始参数之间的梯度;
S604,根据梯度与预设学习率更新各第一初始参数,以得到第一更新参数。
在具体实施例中,利用第一驱动子模型处理系统输入数据后,可以得到第一子模型输出的第一输出数据。根据提前设置好的第一数据标签值与第一输出数据计算均方误差(Mean Square Error,简称MSE)。在计算得到均方误差后,根据预设梯度计算方法计算均方误差和各个第一初始参数之间的梯度,需知的,预设梯度计算方法可以根据实际应用场景进行自适应选择,本实施例对此不作具体限定。在计算得到各个第一初始参数与均方误差之间的梯度后,利用梯度和预设学习率更新全部第一初始参数。其中,预设学习率可以根据实际应用需要进行自适应设置,举例来说,预设学习率可以被设置为0.0001。
均方误差的计算方式,包括:
其中,MSE为均方误差,为模型输出数据,/>为对应的数据标签值,n为模型输出数据中的数据点个数。
在一个实施例中,如图7所示,S403包括:
S701,基于第二驱动子模型处理第一驱动子模型的输出数据,以得到模型测试数据;
S702,根据预设第二数据标签值与模型测试数据计算均方误差;
S703,根据均方误差与预设阈值的比较结果,更新第二初始参数和/或第一更新参数;
S704,若均方误差小于预设误差阈值,将当前第一更新参数作为第一目标参数,将当前第二初始参数作为第二目标参数。
其中,S702计算均方误差时,可以采用前述实施例中描述的均方误差计算公式,将第二数据标签值作为对应的数据标签值,将模型测试数据作为模型输出数据。
具体的,在计算均方误差前,还需要计算模型测试数据的损失函数loss,并根据损失函数loss进行反向传播,以完成神经网络模型的反馈更新。
在具体实施过程中,预设阈值包括预设更新阈值和预设误差阈值,与预设更新阈值的比较结果用于指示是否更新第二初始参数和/或第一更新参数。与预设误差阈值的比较结果用于指示是否结束更新S403。
需知的,预设更新阈值和预设误差阈值的具体数据均可以根据实际应用场景进行自适应设置,本实施例对预设阈值的具体数值不作限定,预设更新阈值大于预设误差阈值。
具体的,当均方误差小于预设误差阈值时,说明已经训练得到最优的模型参数,此时,将当前第一驱动子模型的模型参数作为第一目标参数,将当前第二驱动子模型的模型参数作为第二目标参数,并结束S403。
在一个实施例中,如图8所示,S403包括:
S701,基于第二驱动子模型处理第一驱动子模型的输出数据,以得到模型测试数据;
S702,根据预设第二数据标签值与模型测试数据计算均方误差;
S7031,若均方误差小于预设更新阈值,以第一学习率更新第一更新参数,以第二学习率更新第二初始参数,并跳转执行基于第二驱动子模型处理第一驱动子模型的输出数据的步骤,其中,第一学习率小于第二学习率,预设误差阈值小于预设更新阈值。
在具体实施例中,当均方误差小于预设更新阈值大于预设误差阈值时,基于第一学习率lm更新第一更新参数,基于第二学习率ld更新第二初始参数,其中,lm<ld。
在具体实施过程中,完成对第一更新参数和第二初始参数的更新步骤后,跳转执行S701,以利用更新后的第一驱动子模型和第二驱动子模型重新处理系统输入数据,并基于第二驱动子模型的输出数据计算均方误差。重复上述步骤,直至均方误差小于预设误差阈值。
在另一个实施例中,如图9所示,S403,包括:
S701,基于第二驱动子模型处理第一驱动子模型的输出数据,以得到模型测试数据;
S702,根据预设第二数据标签值与模型测试数据计算均方误差;
S7032,若均方误差大于或等于预设更新阈值,以第二学习率更新第二初始参数,并跳转执行基于第二驱动子模型处理第一驱动子模型的输出数据的步骤。
在具体实施例中,由于S402中已对第一驱动子模型的第一初始参数进行了初步参数辨识步骤,得到第一更新参数。此时,第一驱动子模型已具备初步的准确度,因此,当均方误差大于或等于预设更新阈值时,更新策略将优先以第二学习率ld更新第二初始参数,直至均方误差小于预设更新阈值。
在具体实施过程中,更新第二初始参数的方法可以采用Adma优化方法,需知的,更新第二初始参数的方法也可以采用其它神经网络模型参数优化方法,本实施例对此不作限定。
本实施例中,通过结合LCC-HVDC机电暂态模型和神经网络模型的优势,通过神经网络模型解决LCC-HVDC机电暂态模型中的数据线性化问题,防止LCC-HVDC机电暂态模型对于数据的过度线性化,有效提升了混合驱动模型的计算准确度。另外,本实施例提出的混合驱动模型,由于能够对于数据进行动态更新,从而能够有效适应LCC-HVDC系统内部不断变化的结构,例如晶体管温漂、电磁场干扰等,有效提升了混合驱动模型的泛化性和可解释性。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的混合驱动模型训练方法的混合驱动模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个混合驱动模型训练装置实施例中的具体限定可以参见上文中对于混合驱动模型训练方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种混合驱动模型训练装置1000,应用于电网换相换流器-高压直流输电系统,混合驱动模型包括第一驱动子模型和第二驱动子模型,混合驱动模型训练装置1000包括:初始化模块1010、第一优化模块1020、第二优化模块1030和模型更新模块1040,其中:
初始化模块1010,用于获取第一驱动子模型的第一初始参数和第二驱动子模型的第二初始参数;
第一优化模块1020,用于基于第一驱动子模型以及系统输入数据优化第一初始参数,以得到第一更新参数;
第二优化模块1030,用于基于第二驱动子模型以及第一驱动子模型的输出数据优化第二初始参数和第一更新参数,以得到第一目标参数和第二目标参数;
模型更新模块1040,用于根据第一目标参数更新第一驱动子模型,根据第二目标参数更新第二驱动子模型,得到更新后的混合驱动模型。
在一个实施例中,混合驱动模型训练装置1000,还包括:
参数更新模型,用于根据第一更新参数更新第一驱动子模型,并根据更新后的第一驱动子模型处理系统输入数据。
在一个实施例中,第一优化模块1020,具体用于基于第一驱动子模型处理系统输入数据得到第一输出数据;根据预设第一数据标签值与第一输出数据计算均方误差;计算均方误差与各第一初始参数之间的梯度;根据梯度与预设学习率更新各第一初始参数,以得到第一更新参数。
在一个实施例中,第二优化模块1030,具体用于基于第二驱动子模型处理第一驱动子模型的输出数据,以得到模型测试数据;根据预设第二数据标签值与模型测试数据计算均方误差;根据均方误差与预设阈值的比较结果,更新第二初始参数和/或第一更新参数;若均方误差小于预设误差阈值,将当前第一更新参数作为第一目标参数,将当前第二初始参数作为第二目标参数。
在一个实施例中,第二优化模块1030,具体用于若均方误差小于预设更新阈值,以第一学习率更新第一更新参数,以第二学习率更新第二初始参数,并跳转执行基于第二驱动子模型处理第一驱动子模型的输出数据的步骤,其中,第一学习率小于第二学习率,预设误差阈值小于预设更新阈值;
若均方误差大于或等于预设更新阈值,以第二学习率更新第二初始参数,并跳转执行基于第二驱动子模型处理第一驱动子模型的输出数据的步骤。
在一个实施例中,第二驱动子模型为神经网络模型,第二驱动子模型至少包括一层长短期记忆层和一层全连接层。
在一个实施例中,第一初始参数包括变压器变比、变压器阻抗、最大熄弧角和最小熄弧角。
本实施例中,通过结合LCC-HVDC机电暂态模型和神经网络模型的优势,通过神经网络模型解决LCC-HVDC机电暂态模型中的数据线性化问题,防止LCC-HVDC机电暂态模型对于数据的过度线性化,有效提升了混合驱动模型的计算准确度。另外,本实施例提出的混合驱动模型,由于能够对于数据进行动态更新,从而能够有效适应LCC-HVDC系统内部不断变化的结构,例如晶体管温漂、电磁场干扰等,有效提升了混合驱动模型的泛化性和可解释性。
上述混合驱动模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,如图11所示,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取第一驱动子模型的第一初始参数和第二驱动子模型的第二初始参数;
基于第一驱动子模型以及系统输入数据优化第一初始参数,以得到第一更新参数;
基于第二驱动子模型以及第一驱动子模型的输出数据优化第二初始参数和第一更新参数,以得到第一目标参数和第二目标参数;
根据第一目标参数更新第一驱动子模型,根据第二目标参数更新第二驱动子模型,得到更新后的混合驱动模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取第一驱动子模型的第一初始参数和第二驱动子模型的第二初始参数;
基于第一驱动子模型以及系统输入数据优化第一初始参数,以得到第一更新参数;
基于第二驱动子模型以及第一驱动子模型的输出数据优化第二初始参数和第一更新参数,以得到第一目标参数和第二目标参数;
根据第一目标参数更新第一驱动子模型,根据第二目标参数更新第二驱动子模型,得到更新后的混合驱动模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种混合驱动模型训练方法,其特征在于,应用于电网换相换流器-高压直流输电系统,所述混合驱动模型包括第一驱动子模型和第二驱动子模型,其中,所述第一驱动子模型为电网换相换流器-高压直流输电系统机电暂态模型,所述第二驱动子模型为神经网络模型,所述方法包括:
获取所述第一驱动子模型的第一初始参数、所述第二驱动子模型的第二初始参数,以及所述电网换相换流器-高压直流输电系统的系统输入数据,所述第一初始参数包括变压器变比、变压器阻抗、最大熄弧角和最小熄弧角;
基于所述第一驱动子模型以及所述系统输入数据优化所述第一初始参数,以得到第一更新参数;
基于所述第二驱动子模型以及所述第一驱动子模型的输出数据,优化所述第二初始参数和所述第一更新参数,以得到第一目标参数和第二目标参数;
根据所述第一目标参数更新所述第一驱动子模型,根据所述第二目标参数更新所述第二驱动子模型,得到更新后的混合驱动模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一驱动子模型以及所述系统输入数据优化所述第一初始参数,以得到第一更新参数之后,所述基于所述第二驱动子模型以及所述第一驱动子模型的输出数据,优化所述第二初始参数和所述第一更新参数之前,所述方法还包括:
根据所述第一更新参数更新所述第一驱动子模型,并根据更新后的第一驱动子模型处理所述系统输入数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一驱动子模型以及所述系统输入数据优化所述第一初始参数,以得到第一更新参数,包括:
基于所述第一驱动子模型处理所述系统输入数据得到第一输出数据;
根据预设第一数据标签值与所述第一输出数据计算均方误差;
计算所述均方误差与各第一初始参数之间的梯度;
根据所述梯度与预设学习率更新各第一初始参数,以得到所述第一更新参数。
4.根据权利要求1-3任意一项所述的方法,其特征在于,所述基于所述第二驱动子模型以及所述第一驱动子模型的输出数据,优化所述第二初始参数和所述第一更新参数,以得到第一目标参数和第二目标参数包括:
基于所述第二驱动子模型处理所述第一驱动子模型的输出数据,以得到模型测试数据;
根据预设第二数据标签值与所述模型测试数据计算均方误差;
根据所述均方误差与预设阈值的比较结果,更新所述第二初始参数和/或所述第一更新参数;
若所述均方误差小于预设误差阈值,将当前第一更新参数作为所述第一目标参数,将当前第二初始参数作为所述第二目标参数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述均方误差与预设阈值的比较结果,更新所述第二初始参数和/或所述第一更新参数,包括:
若所述均方误差小于预设更新阈值,以第一学习率更新所述第一更新参数,以第二学习率更新所述第二初始参数,并跳转执行所述基于所述第二驱动子模型处理所述第一驱动子模型的输出数据的步骤,其中,所述第一学习率小于所述第二学习率,所述预设误差阈值小于所述预设更新阈值;
若所述均方误差大于或等于预设更新阈值,以第二学习率更新所述第二初始参数,并跳转执行所述基于所述第二驱动子模型处理所述第一驱动子模型的输出数据的步骤。
6.根据权利要求1-3任意一项所述的方法,其特征在于,所述第二驱动子模型至少包括一层长短期记忆层和一层全连接层。
7.一种混合驱动模型训练装置,其特征在于,应用于电网换相换流器-高压直流输电系统,所述混合驱动模型包括第一驱动子模型和第二驱动子模型,其中,所述第一驱动子模型为电网换相换流器-高压直流输电系统机电暂态模型,所述第二驱动子模型为神经网络模型,所述装置包括:
初始化模块,用于获取所述第一驱动子模型的第一初始参数、所述第二驱动子模型的第二初始参数,以及所述电网换相换流器-高压直流输电系统的系统输入数据,所述第一初始参数包括变压器变比、变压器阻抗、最大熄弧角和最小熄弧角;
第一优化模块,用于基于所述第一驱动子模型以及所述系统输入数据优化所述第一初始参数,以得到第一更新参数;
第二优化模块,用于基于所述第二驱动子模型以及所述第一驱动子模型的输出数据,优化所述第二初始参数和所述第一更新参数,以得到第一目标参数和第二目标参数;
模型更新模块,用于根据所述第一目标参数更新所述第一驱动子模型,根据所述第二目标参数更新所述第二驱动子模型,得到更新后的混合驱动模型。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的混合驱动模型训练方法的步骤。
9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的混合驱动模型训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310613116.1A CN116341394B (zh) | 2023-05-29 | 2023-05-29 | 混合驱动模型训练方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310613116.1A CN116341394B (zh) | 2023-05-29 | 2023-05-29 | 混合驱动模型训练方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116341394A CN116341394A (zh) | 2023-06-27 |
CN116341394B true CN116341394B (zh) | 2023-09-15 |
Family
ID=86884469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310613116.1A Active CN116341394B (zh) | 2023-05-29 | 2023-05-29 | 混合驱动模型训练方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341394B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879664A (zh) * | 2018-06-29 | 2018-11-23 | 国网山东省电力公司电力科学研究院 | 基于广域量测的交直流系统在线电压稳定评估方法 |
CN109635732A (zh) * | 2018-12-12 | 2019-04-16 | 国网山东省电力公司电力科学研究院 | 一种lcc-hvdc连续换相失败故障预警网络训练方法 |
CN110034573A (zh) * | 2018-11-21 | 2019-07-19 | 南方电网科学研究院有限责任公司 | 含vsc-hvdc的交直流混联系统小干扰稳定性优化方法及装置 |
CN115267428A (zh) * | 2022-07-20 | 2022-11-01 | 福州大学 | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 |
WO2023082485A1 (zh) * | 2021-11-11 | 2023-05-19 | 内蒙古科技大学 | 一种交直流电网谐波耦合建模方法及系统 |
CN116151092A (zh) * | 2022-08-16 | 2023-05-23 | 国家电网有限公司 | 一种特高压直流输电系统损耗计量方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200327435A1 (en) * | 2019-04-12 | 2020-10-15 | General Electric Company | Systems and methods for sequential power system model parameter estimation |
-
2023
- 2023-05-29 CN CN202310613116.1A patent/CN116341394B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879664A (zh) * | 2018-06-29 | 2018-11-23 | 国网山东省电力公司电力科学研究院 | 基于广域量测的交直流系统在线电压稳定评估方法 |
CN110034573A (zh) * | 2018-11-21 | 2019-07-19 | 南方电网科学研究院有限责任公司 | 含vsc-hvdc的交直流混联系统小干扰稳定性优化方法及装置 |
CN109635732A (zh) * | 2018-12-12 | 2019-04-16 | 国网山东省电力公司电力科学研究院 | 一种lcc-hvdc连续换相失败故障预警网络训练方法 |
WO2023082485A1 (zh) * | 2021-11-11 | 2023-05-19 | 内蒙古科技大学 | 一种交直流电网谐波耦合建模方法及系统 |
CN115267428A (zh) * | 2022-07-20 | 2022-11-01 | 福州大学 | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 |
CN116151092A (zh) * | 2022-08-16 | 2023-05-23 | 国家电网有限公司 | 一种特高压直流输电系统损耗计量方法及系统 |
Non-Patent Citations (1)
Title |
---|
Deep Learning for Short-Term Voltage Stability Assessment of Power Systems;MENG ZHANG 等;IEEE Access 9 (2021);第29711-297116页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116341394A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110108921B (zh) | 考虑换流器控制的柔性直流电网短路电流计算方法及系统 | |
CN103810646B (zh) | 一种基于改进投影积分算法的有源配电系统动态仿真方法 | |
CN111103796B (zh) | 基于平方和分解优化算法的交直流系统稳定域分析方法 | |
CN113270878B (zh) | 一种风电场并网系统的谐振分析方法及系统 | |
CN112448697A (zh) | 一种基于量子粒子群算法的有源滤波器优化方法及系统 | |
CN115700956A (zh) | 基于多端口矩阵的光伏集群直流外送振荡分析方法及系统 | |
CN114204564B (zh) | 一种含逆变型新能源电网的短路电流计算方法及装置 | |
CN113890039B (zh) | 一种多端柔性直流配电网潮流调度优化方法 | |
CN111327048A (zh) | 一种含三端snop的配电网鲁棒运行优化方法 | |
CN111725812B (zh) | 大规模配电系统的潮流计算方法、装置、设备和存储介质 | |
CN116341394B (zh) | 混合驱动模型训练方法、装置、计算机设备及存储介质 | |
CN112018768B (zh) | 多端柔性直流输电系统谐波传递特性的分析方法及装置 | |
CN111079268A (zh) | 一种lcc直流输电机电电磁混合系统的在线仿真方法及系统 | |
CN110427635A (zh) | Lcc-hvdc优化电磁暂态仿真方法 | |
Heidarifar et al. | Holomorphic embedding load flow method in three-phase distribution networks with ZIP loads | |
CN114091623A (zh) | 一种基于多二元表-ap聚类的暂态电压分区方法及装置 | |
CN114188945A (zh) | 一种含光伏电源的配电网短路电流计算方法及装置 | |
CN108182317B (zh) | 一种基于vsc的柔性直流输电系统建模方法 | |
Tah et al. | Shunt active filter based on radial basis function neural network and pq power theory | |
CN112909915A (zh) | 一种直流电压控制系统稳定性分析方法和系统 | |
CN114221372B (zh) | 静止坐标系下的阻抗建模方法、装置、计算机设备 | |
CN116316616B (zh) | 配电网的故障处理方案确定方法、装置和计算机设备 | |
CN117439148A (zh) | 柔性直流输电系统控制参数优化方法和装置 | |
CN115051397B (zh) | 12脉动lcc换流站的阻抗建模方法、装置、设备和存储介质 | |
CN117200262A (zh) | 针对电缆线路的平衡处理方法、装置和计算机设备 |
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 |