CN116566061A - 一种并网逆变器系统稳定性在线监测方法及系统 - Google Patents
一种并网逆变器系统稳定性在线监测方法及系统 Download PDFInfo
- Publication number
- CN116566061A CN116566061A CN202310639379.XA CN202310639379A CN116566061A CN 116566061 A CN116566061 A CN 116566061A CN 202310639379 A CN202310639379 A CN 202310639379A CN 116566061 A CN116566061 A CN 116566061A
- Authority
- CN
- China
- Prior art keywords
- grid
- connected inverter
- inverter system
- stability
- data
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000008878 coupling Effects 0.000 claims abstract description 19
- 238000010168 coupling process Methods 0.000 claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims 1
- 230000000368 destabilizing effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 230000003416 augmentation Effects 0.000 abstract description 2
- 230000033228 biological regulation Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Abstract
本发明公开了一种并网逆变器系统稳定性在线监测方法及系统,该方法包括:采集并网逆变器系统在公共耦合点处的输出电流信号;将采集的输出电流信号作为初始数据,对初始数据进行数据预处理;将预处理后的数据输入至训练完成的基于神经网络的稳定性在线监测模型中,输出并网逆变器系统稳定性的预测结果;其中,以不同电网强度下并网逆变器系统的输出电流信号为样本数据,基于奈奎斯特准则确定不同电网强度下并网逆变器系统的状态标签;根据样本数据及其对应的状态标签,训练所述稳定性在线监测模型。本发明采用机器学习算法,实现更准确、更快速的并网逆变器系统稳定性在线监测,为后续增稳调控策略的实施提高响应速度。
Description
技术领域
本发明涉及电力电子变换器技术领域,尤其涉及一种并网逆变器系统稳定性在线监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着可再生能源的快速发展,并网逆变器在电网中的渗透率(即占比)显著提高,同时,电网呈现出电网阻抗不可忽略的弱电网特性。大多数应用都追求稳定鲁棒的电网性能,而本领域公知,电网阻抗越大,电网强度越弱,逆变器也更容易失稳。IEEE标准规定了短路比(short-circuit ratio,SCR)与电网强度之间的关系,即:当2<SCR<3时,电网呈弱电网特性;当SCR<2时,电网呈极弱电网特性。电网阻抗和逆变器等效输出阻抗这两者之间相互作用会产生谐振,从而导致逆变器稳定裕度不足,严重影响并网逆变器系统的稳定性。
目前用于分析并网逆变器系统稳定性的方法主要包括建模分析法和设备测量法。其中,以状态空间建模和阻抗建模为代表的建模分析法,这一方法推理过程复杂且十分耗时,无法应对拓扑结构复杂、电力电子设备数量繁多的现代电网,更适用于产品设计阶段与离线稳定性分析;以扫频法为代表的设备测量法,这一方法虽然能够实现并网逆变器系统的在线稳定性分析,但是该方法单次分析需要数秒时间,耗时较长。在可再生能源飞速发展、电网波动更频繁、更易失稳的当下,亟待一种更快更有效的用于并网逆变器系统稳定性在线监测诊断的方式。
发明内容
为解决上述现有技术的不足,本发明提供了一种并网逆变器系统稳定性在线监测方法及系统,采用机器学习算法,实现更准确、更快速的并网逆变器系统稳定性在线监测,为后续增稳调控策略的实施提高响应速度。
第一方面,本公开提供了一种并网逆变器系统稳定性在线监测方法。
一种并网逆变器系统稳定性在线监测方法,包括:
采集并网逆变器系统在公共耦合点处的输出电流信号;
将采集的输出电流信号作为初始数据,对初始数据进行数据预处理;
将预处理后的数据输入至训练完成的基于神经网络的稳定性在线监测模型中,输出并网逆变器系统稳定性的预测结果;
其中,以不同电网强度下并网逆变器系统的输出电流信号为样本数据,基于奈奎斯特准则确定不同电网强度下并网逆变器系统的状态标签;根据样本数据及其对应的状态标签,训练所述稳定性在线监测模型。
进一步的技术方案,所述基于神经网络的稳定性在线监测模型的训练过程,包括:
构建模拟并网逆变器系统的仿真模型,获取不同电网强度下的并网逆变器系统在公共耦合点处的输出电流信号;
将采集的输出电流信号作为初始数据,对初始数据进行数据预处理,得到样本数据;
建立并网逆变器系统序阻抗模型,基于奈奎斯特准则,构建不同电网强度下的并网逆变器系统的状态标签;
构建基于神经网络的稳定性在线监测模型,基于样本数据及对应的状态标签,训练神经网络模型,通过反复调试模型参数和迭代训练,直至获取性能最优的模型参数,完成模型的训练。
第二方面,本公开提供了一种并网逆变器系统稳定性在线监测系统。
一种并网逆变器系统稳定性在线监测系统,包括:
数据获取模块,用于采集并网逆变器系统在公共耦合点处的输出电流信号;
数据预处理模块,用于将采集的输出电流信号作为初始数据,对初始数据进行数据预处理;
稳定性监测模块,用于将预处理后的数据输入至训练完成的基于神经网络的稳定性在线监测模型中,输出并网逆变器系统稳定性的预测结果;
其中,以不同电网强度下并网逆变器系统的输出电流信号为样本数据,基于奈奎斯特准则确定不同电网强度下并网逆变器系统的状态标签;根据样本数据及其对应的状态标签,训练所述稳定性在线监测模型。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明提供了一种并网逆变器系统稳定性在线监测方法及系统,采用机器学习算法,构建四层神经网络模型,以并网逆变器系统的输出电流信号和状态标签数据库作为训练集,通过多次迭代训练,调试神经网络模型的参数,获取预测精度最高的模型参数,利用训练完成的模型实现更快更准的并网逆变器系统稳定性在线监测,提高了稳定性在线监测的准确性和效率,为后续的增稳调控策略实施提高响应速度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例中单台逆变器的结构框图;
图2为本发明实施例中N台逆变器并联接入电网的等效电路图;
图3为本发明实施例中基于数据驱动的并网逆变器系统稳定性在线监测方法的整体框架图;
图4为本发明实施例中滑窗处理的示意图;
图5为本发明实施例中神经网络模型的结构示意图;
图6为本发明实施例中模型训练过程中损失函数值和准确率的示意图;
图7为本发明实施例中样本数据分类的具体分布混淆矩阵示意图;
图8为本发明实施例中样本数据分类的准确率示意图;
图9为本发明实施例中并网逆变器系统输出电流波形及稳定性监测的结果示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
为了解决现有并网逆变器系统稳定性分析繁琐复杂、耗时耗力、精确性较差的问题,本实施例提供了一种基于数据驱动的并网逆变器系统稳定性在线监测方法,包括以下步骤:
采集并网逆变器系统在公共耦合点处的输出电流信号;
将采集的输出电流信号作为初始数据,对初始数据进行数据预处理;
将预处理后的数据输入至训练完成的基于神经网络的稳定性在线监测模型中,输出并网逆变器系统稳定性的预测结果;其中,以不同电网强度下并网逆变器系统的输出电流信号为样本数据,基于奈奎斯特准则确定不同电网强度下并网逆变器系统的状态标签;根据样本数据及其对应的状态标签,训练所述稳定性在线监测模型。
具体的,所述基于神经网络的稳定性在线监测模型的训练过程为:
构建模拟并网逆变器系统的仿真模型,获取不同电网强度下的并网逆变器系统在公共耦合点处的输出电流信号;
将采集的输出电流信号作为初始数据,对初始数据进行数据预处理,得到样本数据;
建立并网逆变器系统序阻抗模型,基于奈奎斯特准则,构建不同电网强度下的并网逆变器系统的状态标签;
构建基于神经网络的稳定性在线监测模型,基于样本数据及对应的状态标签,训练神经网络模型,通过反复调试模型参数和迭代训练,直至获取性能最优的模型参数,完成模型的训练。
本实施例公开了一种基于数据驱动的并网逆变器系统稳定性在线监测方法,适用于各种类型的逆变器,包括但不限于L型单相逆变器、LCL型单相逆变器、L型三相逆变器、LCL型三相逆变器。在本实施例中,以L型并网逆变器为例进行说明,L型并网逆变器的典型结构框架如图1所示,逆变器由主电路和控制环两部分组成。在小扰动下,逆变器可以等效为理想电流源与阻抗并联,如图2所示,其中C#N表示并联接入电网的第N台逆变器,IN和ZN分别表示第N台逆变器的等效电流和阻抗,iPCC为本实施例所采集的并网逆变器系统的输出电流信号,Zg表示电网阻抗,Vg表示电网电压幅值。
本实施例所提出的基于数据驱动的并网逆变器系统稳定性在线监测方法的整体框架如图3所示,主要包括数据采集、数据预处理、构建标签、神经网络模型训练和在线监测五个步骤。
步骤S1、构建模拟并网逆变器系统的仿真模型,获取不同电网强度下的并网逆变器系统在公共耦合点(the common coupling point,PCC)处的输出电流信号。
在本实施例中,通过各种并网逆变器系统仿真平台、半实物仿真平台及实物实验平台等,构建模拟多台逆变器并网的Simulink仿真模型,通过所构建的仿真模型采集实验数据。其中,电网阻抗Zg与短路比SCR的关系为:
式中,Vg为电网电压幅值,VPCC为公共耦合点PCC处的电压值,IPCC为并入电网的逆变器在公共耦合点PCC处的输出电流值。
进一步的,保持并网系统中所有逆变器的控制结构和参数信息不变,仅根据电网强度改变电网阻抗,进行不同电网强度下的并网逆变器系统的模拟仿真,仿真模型每运行一次,获取相应的电流信号。
步骤S2、将采集的输出电流信号作为初始数据,对初始数据进行数据预处理,得到样本数据。
由于采集到的输出电流信号在“不稳定”状态下的幅值波动较大,因此需要对采集的电流信号进行标准化处理,以消除数据对后续标签构建和模型训练过程的不良影响。
首先,由于电流幅值最大值和最小值未知,因此,本实施例采用z-score数据标准化处理方法对获取的初始数据进行数据预处理,公式为:
式中,ii表示第i个采样电流的电流幅值,进一步的,ii和ii *分别表示z-score标准化变换前后的采样电流幅值,表示所有采样电流信号幅值的均值,n表示采样电流信号数据的数量。
其次,在将采集的输出电流信号进行标准化处理后,将输出电流信号按时间维度划分为多个指定长度的数据样本,并使用固定窗口宽度和步长的滑动窗口对数据进行重采样,如图4所示,得到多个样本数据。
步骤S3、建立并网逆变器系统序阻抗模型,基于奈奎斯特准则(即Nyquist准则),构建不同电网强度下的并网逆变器系统的状态标签。
具体的,根据并网逆变器系统的等效电路图,建立并网逆变器系统的正负序阻抗模型。当并入电网的逆变器为单台逆变器时,单台并网逆变器系统的正负序阻抗模型分别为:
式中,Km表示脉冲宽度调制PWM的调制增益,V1表示基频电压,ω1表示电网基频角频率,Hi(s)表示电流控制器传递函数,kd表示电流环解耦增益,Gi(s)和Gv(s)分别表示电流和电压延迟传递函数,Lf表示L型滤波电感,Cd和Cq分别表示电流控制器在频域上的dq轴输出直流分量,Idref和Iqref为dq域的参考电流,TPLL(s)表示PLL的闭环传递函数。
通过上式计算获得单台并网逆变器系统的正负序阻抗值。
当并入电网的逆变器为多台逆变器时,N台并网逆变器系统的正负序阻抗模型分别为:
λp(s)=Zgp(s)/(Zp1(s)//…//ZpN(s)) (5)
λn(s)=Zgn(s)/(Zn1(s)//…//ZnN(s)) (6)
式中,Zgp(s)和Zgn(s)分别表示正负序电网阻抗。
通过上式计算获得多台并网逆变器系统的正负序阻抗值。
进一步的,根据不同电网强度下的并网逆变器系统的正负序阻抗模型,基于奈奎斯特准确,确定当前电网强度下并网逆变器系统的状态标签,即“稳定”状态标签和“不稳定”状态标签。具体的,当正负序阻抗比(即正负序阻抗值的比值)的奈奎斯特图均不包围(-1,j0)点时,此时并网逆变器系统是稳定的,否则并网逆变器系统处于失稳状态。此时,获取不同电网强度下并网逆变器系统的样本数据以及所对应的状态标签,即获取了多个标注了并网逆变器系统稳定性状态的样本数据。
步骤S4、构建基于神经网络的稳定性在线监测模型,基于样本数据及对应的状态标签,训练神经网络模型,通过反复调试模型参数和迭代训练,直至获取性能最优的模型参数,完成模型的训练。
具体的,采用的数据驱动方式实现稳定性在线监测,数据驱动方式包括但不限于神经网络算法、深度学习算法、支持向量机。在本实施例中,采用神经网络算法,实现并网逆变器系统稳定性的在线监测。首先,构建基于神经网络的稳定性在线监测模型,如图5所示,所构建的模型包括依次连接的一个输入层、两个隐藏层和一个输出层。
将上述步骤S2获取的样本数据按采集顺序分配给输入节点,随后输入到输入层。输入层输出值的计算过程,为:
F1=ReLU(XW1 T+B1)→F1∈RQ*K (7)
式中,X表示输入样本数据,Q表示一个训练过程加载的样本数量;Wi、Bi、Fi分别表示第i层的权重、偏置和输出特征,其中,i取值为1、2、3、4;K表示输入层的神经元数量;ReLU表示激活函数,为:
式中,x表示输入样本电流值。
样本数据通过输入层输入,进入隐藏层,通过隐藏层进一步提取样本数据特征,公式为:
式中,L、M分别表示两层隐藏层的神经元数量。
经过隐藏层后,输出层输出各类标签的初始预测概率,公式为:
式中,C为输出层的神经元数量。
最后,利用Softmax分类器将初始预测概率映射到(0,1)空间,得到最终预测概率,映射公式为:
式中,ei为第i个标签的初始预测概率。
进一步的,为了保证模型训练的收敛性以及提高预测的准确率,定义损失函数为:
式中,yc表示真实分类标签,θ表示神经网络模型参数的集合,包括各层神经元权重和偏置,fc(x;θ)表示神经网络模型的最终各标签预测分布。
在构建得到上述模型的基础上,利用样本数据及其对应的状态标签训练上述神经网络模型,在训练的过程中,采用梯度下降法对模型参数进行优化,公式为:
式中,θt表示第t次迭代的模型参数,α表示学习率。
通过反复调试模型参数和迭代训练,直至获取性能最优的模型参数,保存准确率最高的网络模型,完成模型的训练。
步骤S5、采集并网逆变器系统在公共耦合点处的输出电流信号,对采集的输出电流信号进行数据预处理,将预处理后的数据输入至训练完成的基于神经网络的稳定性在线监测模型中,输出并网逆变器系统稳定性的预测结果。
在本实施例中,将上述步骤S4获取的准确率最高的网络模型加载到逆变器控制器中,实现并网逆变器系统稳定性的在线监测。具体的,采集并网系统在公共耦合点处的输出电流信号,对该采集的电流信号数据进行数据预处理,得到样本数据,并将其作为神经网络模型的输入,神经网络模型经过各层网络计算,输出各状态标签的预测概率,以最大预测概率对应的状态标签为最终的输出预测结果。
其中,预测样本数据的稳定性计算公式为:
P*=argmax(Softmax(F4)) (15)
式中,P*表示最大预测概率对应的状态标签。
作为另一种实施方式,根据输出的预测结果进行系统失稳预警。当预测结果为“稳定”时,继续采样及监测;当预测结果为“不稳定”时,进行系统失稳预警。
为了进一步验证本实施例上述方法的优越性,通过下述案例对所提方法的性能进行分析,主要包括数据集的生成和模型的离线训练与测试两个部分。
(一)数据集的生成
并网逆变器系统失稳主要是由于电网中电感成分过多而引起的。在本实施例中,将电网阻抗建模为纯电感,生成数据集。
首先,基于Simulink平台搭建四台逆变器并联接入电网的仿真模型,仿真模型的主要参数信息包括:Km=1/2,Vdc=750V,f1=50Hz,V1=311V,Lf=5mH,Idref=20A,Iqref=0,fs=10kHz,kd=0.0042,kp_i=0.027,ki_i=2.7和Lg=3.1mH。
然后,采集并网逆变器系统在公共耦合点(the common coupling point,PCC)处的输出电流信号。在仿真模型运行后的0.2s-0.22s内,根据公式(1)随机改变电感值(即电网阻抗),SCR在(1,3)范围内随机取100个值,共计进行100次仿真,以此实现不同电网强度的仿真。模型仿真时长设置为10s,以10kHz的采样频率保存每次仿真的并网逆变器系统输出电流信号数据。
最后,进行数据预处理。采用z-score标准化方法处理原始信号数据,处理后的数据按照滑动窗口法分割成多个样本数据,其中窗口宽度和滑动步长分别设置为2.5ms(数据维度为75)和1.8ms(数据维度为54)。随机抽取62,500个样本数据构成数据集,其中60%的样本数据作为训练集,40%的样本数据作为测试集。此外,基于阻抗模型和Nyquist判据构建分类标签,为了便于计算机识别,用“0”表示“稳定”状态,用“1”表示“不稳定”状态。
(二)模型的离线训练与测试
采用PyTorch深度学习框架,构建神经网络稳定性在线监测模型,其中每层神经元数量分别为1200、1200、200、2。利用训练集进行模型的训练,使用Adam优化器对模型进行优化,训练批量大小设置为8,模型离线训练设备CPU型号为Intel(R)Core(TM)i9-10980XE。
神经网络模型的训练结果如图6所示。模型的损失函数值随着迭代次数增加逐渐减小,训练准确率逐渐提高,最终达到模型的最佳性能。
基于训练好的具有最佳性能的神经网络模型,利用测试集(25,000个样本)进行测试实验,测试过程中,样本数据分类的具体分布混淆矩阵如图7所示,图7中加粗数据表示分类正确的样本数据,而未加粗数据表示分类错误的样本数据;样本数据分类的准确率如图8所示,预测“不稳定”的准确率为99.70%,预测“稳定”的准确率为99.89%。
进一步的,本实施例通过下述具体并网逆变器系统运行来证实上述稳定性在线监测方案的快速性。具体的,设置环境变量:SCR在0.413s由2.6变化到1.2。并网逆变器系统输出电流波形及稳定性监测结果如图9所示,逆变器在0.413s前是稳定的,在0.413s之后发生振荡,本实施例所提出的方法在0.4187s检测到失稳并预警。即,上述方法从电网强度变化到检测出失稳并预警的延迟时间为5.7ms,超过滑窗宽度(2.5ms),分析原因是由于电流波形在电感突变的初始阶段失稳特征不明显导致的。
经过上述测试结果证明,本实施例所提出的基于神经网络的并网逆变器系统稳定性在线监测模型的准确率高达99.8%左右,且从电网强度变化到失稳预警仅需几毫秒,效率高。
本实施例所提出的基于数据驱动的并网逆变器系统稳定性在线监测方法,该方法利用z-score标准化和滑动窗口策略对并联接入电网的多个逆变器输出电流信号进行预处理,并通过序阻抗模型和Nyquist准则构建状态标签,将处理后的样本数据和状态标签构成数据集,用于神经网络模型的训练和测试,最终保存性能最佳的神经网络模型,用于实时监测并网逆变器系统的稳定状态,实现预测精度和效率的提高。
实施例二
本实施例提供了一种并网逆变器系统稳定性在线监测系统,包括:
数据获取模块,用于采集并网逆变器系统在公共耦合点处的输出电流信号;
数据预处理模块,用于将采集的输出电流信号作为初始数据,对初始数据进行数据预处理;
稳定性监测模块,用于将预处理后的数据输入至训练完成的基于神经网络的稳定性在线监测模型中,输出并网逆变器系统稳定性的预测结果;
其中,以不同电网强度下并网逆变器系统的输出电流信号为样本数据,基于奈奎斯特准则确定不同电网强度下并网逆变器系统的状态标签;根据样本数据及其对应的状态标签,训练所述稳定性在线监测模型。
实施例三
本实施例提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如上所述的并网逆变器系统稳定性在线监测方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成如上所述的并网逆变器系统稳定性在线监测方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种并网逆变器系统稳定性在线监测方法,其特征是,包括:
采集并网逆变器系统在公共耦合点处的输出电流信号;
将采集的输出电流信号作为初始数据,对初始数据进行数据预处理;
将预处理后的数据输入至训练完成的基于神经网络的稳定性在线监测模型中,输出并网逆变器系统稳定性的预测结果;
其中,以不同电网强度下并网逆变器系统的输出电流信号为样本数据,基于奈奎斯特准则确定不同电网强度下并网逆变器系统的状态标签;根据样本数据及其对应的状态标签,训练所述稳定性在线监测模型。
2.如权利要求1所述的并网逆变器系统稳定性在线监测方法,其特征是,所述基于神经网络的稳定性在线监测模型的训练过程包括:
构建模拟并网逆变器系统的仿真模型,获取不同电网强度下的并网逆变器系统在公共耦合点处的输出电流信号;
将采集的输出电流信号作为初始数据,对初始数据进行数据预处理,得到样本数据;
建立并网逆变器系统序阻抗模型,基于奈奎斯特准则,构建不同电网强度下的并网逆变器系统的状态标签;
构建基于神经网络的稳定性在线监测模型,基于样本数据及对应的状态标签,训练神经网络模型,通过反复调试模型参数和迭代训练,直至获取性能最优的模型参数,完成模型的训练。
3.如权利要求1所述的并网逆变器系统稳定性在线监测方法,其特征是,所述预处理包括:
对获取的初始数据进行z-score数据标准化处理;
对标准化处理后的数据按时间维度划分为多个指定长度的数据样本,使用固定窗口宽度和步长的滑动窗口对数据样本进行重采样,得到多个样本数据。
4.如权利要求1所述的并网逆变器系统稳定性在线监测方法,其特征是,所述基于奈奎斯特准则确定不同电网强度下并网逆变器系统的状态标签,包括:
根据并网逆变器系统的等效电路图,建立并网逆变器系统的正负序阻抗模型;
根据不同电网强度下的并网逆变器系统的正负序阻抗模型,基于奈奎斯特准则,确定当前电网强度下并网逆变器系统的状态标签。
5.如权利要求4所述的并网逆变器系统稳定性在线监测方法,其特征是,当正负序阻抗比的奈奎斯特图均不包围(-1,j0)点时,并网逆变器系统处于稳定状态,反之则处于失稳状态。
6.如权利要求1所述的并网逆变器系统稳定性在线监测方法,其特征是,根据样本数据及其对应的状态标签,训练所述稳定性在线监测模型,在训练的过程中,采用梯度下降法对模型参数进行优化。
7.一种并网逆变器系统稳定性在线监测系统,其特征是,包括:
数据获取模块,用于采集并网逆变器系统在公共耦合点处的输出电流信号;
数据预处理模块,用于将采集的输出电流信号作为初始数据,对初始数据进行数据预处理;
稳定性监测模块,用于将预处理后的数据输入至训练完成的基于神经网络的稳定性在线监测模型中,输出并网逆变器系统稳定性的预测结果;
其中,以不同电网强度下并网逆变器系统的输出电流信号为样本数据,基于奈奎斯特准则确定不同电网强度下并网逆变器系统的状态标签;根据样本数据及其对应的状态标签,训练所述稳定性在线监测模型。
8.如权利要求7所述的并网逆变器系统稳定性在线监测系统,其特征是,所述基于神经网络的稳定性在线监测模型的训练过程包括:
构建模拟并网逆变器系统的仿真模型,获取不同电网强度下的并网逆变器系统在公共耦合点处的输出电流信号;
将采集的输出电流信号作为初始数据,对初始数据进行数据预处理,得到样本数据;
建立并网逆变器系统序阻抗模型,基于奈奎斯特准则,构建不同电网强度下的并网逆变器系统的状态标签;
构建基于神经网络的稳定性在线监测模型,基于样本数据及对应的状态标签,训练神经网络模型,通过反复调试模型参数和迭代训练,直至获取性能最优的模型参数,完成模型的训练。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如权利要求1-6中任一项所述的一种并网逆变器系统稳定性在线监测系统方法的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成如权利要求1-6中任一项所述的一种并网逆变器系统稳定性在线监测系统方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310639379.XA CN116566061A (zh) | 2023-05-30 | 2023-05-30 | 一种并网逆变器系统稳定性在线监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310639379.XA CN116566061A (zh) | 2023-05-30 | 2023-05-30 | 一种并网逆变器系统稳定性在线监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116566061A true CN116566061A (zh) | 2023-08-08 |
Family
ID=87496500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310639379.XA Pending CN116566061A (zh) | 2023-05-30 | 2023-05-30 | 一种并网逆变器系统稳定性在线监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116566061A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289066A (zh) * | 2023-11-22 | 2023-12-26 | 南通至正电子有限公司 | 一种电压稳定性监测方法及系统 |
-
2023
- 2023-05-30 CN CN202310639379.XA patent/CN116566061A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289066A (zh) * | 2023-11-22 | 2023-12-26 | 南通至正电子有限公司 | 一种电压稳定性监测方法及系统 |
CN117289066B (zh) * | 2023-11-22 | 2024-02-13 | 南通至正电子有限公司 | 一种电压稳定性监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179121B (zh) | 基于专家系统与深度逆向强化学习的电网紧急控制方法 | |
Bai et al. | A novel parameter identification approach via hybrid learning for aggregate load modeling | |
CN103761372B (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
Lin et al. | Parametric fault diagnosis based on fuzzy cerebellar model neural networks | |
CN110222953A (zh) | 一种基于深度学习的电能质量混合扰动分析方法 | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
Zhou et al. | Ultra-short-term prediction of wind power based on EMD and DLSTM | |
Malik et al. | Transfer learning-based novel fault classification technique for grid-connected PV inverter | |
Xu et al. | Short-term wind speed prediction based on GRU | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
CN116131313A (zh) | 特征量与暂态功角稳定性关联关系的可解释性分析方法 | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
Kou et al. | A random forest and current fault texture feature–based method for current sensor fault diagnosis in three-phase pwm vsr | |
Huang et al. | Converter fault diagnosis method based on principal component analysis combined with improved similarity classifier | |
Wan et al. | A review of power electronic parametric fault diagnosis methods | |
Birbir et al. | Prediction of current harmonics in induction motors with Artificial Neural Network | |
Jiang et al. | Fault Diagnosis of Power Electronic Circuits Based on Adaptive Simulated Annealing Particle Swarm Optimization. | |
Jin et al. | Multi-objective reinforcement learning algorithm and its improved convergency method | |
CN108776843A (zh) | 基于波尔兹曼机的光伏超短期功率预测方法 | |
CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 |
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 |