构网型变流器惯量参数的数据驱动在线估计方法和系统与流程

本说明书实施例涉及电力，具体涉及构网型变流器惯量参数的数据驱动在线估计方法和系统。

背景技术：

1、随着新能源发电占比持续提升，构网型变流器gfmc已成为高比例新能源电力系统稳定运行的关键装备。其虚拟惯量和虚拟阻尼参数直接决定了变流器的频率支撑能力，是电网运营商评估系统惯量水平的核心依据。

2、然而，现有惯量参数估计方法存在固有局限：一方面，传统参数识别技术忽略锁相环延时、采样计算延时及pwm调制延时等频率响应延时和衰减效应，直接应用时产生显著误差；另一方面，现有方法多为侵入式或离线方式，需施加外部扰动，影响设备正常运行。近年来提出的基于深度强化学习的智能估计方法，将惯量参数动作空间设计为离散值，引入量化误差，且奖励函数仅基于稳态误差设计，无法反映频率响应动态特征。此外，构网型变流器虚拟惯性控制参数属于设备制造厂商核心保密信息，电网运营商难以获知。

3、因此，如何构建一种充分考虑频率响应延时和衰减特性的非侵入式在线估计方法，以实现对构网型变流器虚拟惯量和虚拟阻尼的高精度在线估计，是本领域亟待解决的技术问题。

技术实现思路

1、有鉴于此，本说明书实施例提供了一种构网型变流器惯量参数的数据驱动在线估计方法。本说明书一个或者多个实施例同时涉及一种构网型变流器惯量参数的数据驱动在线估计系统、一种计算设备以及一种计算机可读存储介质，以解决现有技术中存在的未考虑锁相环频率测量延时及数字控制延时导致参数估计偏差、离散动作空间引入量化误差限制估计精度上限、单智能体架构无法处理多机耦合、奖励函数仅基于稳态误差导致暂态拟合能力不足、虚拟惯性控制参数属于厂商保密信息运营商难以获知等问题。

2、根据本说明书实施例的第一方面，提供了一种构网型变流器惯量参数的数据驱动在线估计方法，包括：

3、采集构网型变流器出口侧的三相电压时序数据、三相电流时序数据以及母线频率时序数据，根据所述三相电压时序数据和三相电流时序数据计算有功功率时序数据；

4、将所述有功功率时序数据和所述母线频率时序数据作为状态信息输入训练好的估计模型，所述估计模型为深度强化学习智能体，所述智能体在仿真环境中训练得到，所述仿真环境由串并联辨识模型构建，所述串并联辨识模型用于模拟构网型变流器锁相环的频率响应延时特性；

5、所述估计模型输出动作，所述动作包括所述构网型变流器的虚拟惯量参数的估计值和虚拟阻尼参数的估计值。

6、在本说明书实施例中，通过采集构网型变流器出口侧的三相电压、三相电流及母线频率数据并计算有功功率，利用串并联辨识模型构建的仿真环境训练深度强化学习智能体，以模拟锁相环频率测量延时、信号采样计算延时及pwm调制延时等频率响应延时和衰减特性，使智能体能够学习到频率响应的完整动态特征，实现了在不依赖设备内部参数的前提下对构网型变流器虚拟惯量和虚拟阻尼的非侵入式在线精确估计，解决了传统方法因忽略延时因素导致参数估计偏差、离散动作空间引入量化误差限制精度上限、单智能体架构无法处理多机耦合、奖励函数仅基于稳态误差导致暂态拟合能力不足等问题，显著提升了构网型变流器惯量参数的估计精度与工程实用性。

7、在一些可能的实现方式中，所述估计模型包括输入层、共享特征提取层、actor网络和critic网络；所述输入层用于接收所述有功功率时序数据和所述母线频率时序数据；所述共享特征提取层用于对输入数据进行非线性特征提取；所述actor网络用于输出连续动作空间中的惯量参数估计值，所述actor网络输出层采用高斯策略输出动作均值与方差；所述critic网络用于输出状态价值。

8、在本说明书实施例中，通过actor网络与critic网络共享特征提取层的结构设计，使智能体能够从相同的状态表征中同时学习策略映射与状态价值评估；actor网络采用高斯策略输出动作均值与方差，在连续动作空间中实现探索与利用的平衡，克服了离散动作空间固有的量化误差，显著提高了惯量参数估计的精度与训练效率。

9、在一些可能的实现方式中，所述估计模型通过以下方式训练获得：构建所述仿真环境，所述仿真环境基于串并联辨识模型搭建；在所述串并联辨识模型中，以构网型变流器并网点有功功率时序为输入，同步分流至真实构网型变流器支路和神经网络辨识模型支路；所述智能体根据当前状态输出动作，所述动作包括惯量参数估计值；所述神经网络辨识模型支路接收所述动作与所述有功功率时序，输出模型拟合频率；所述真实构网型变流器支路输出实测母线频率；计算所述实测母线频率与所述模型拟合频率之间的时序误差；以所述时序误差的负值作为奖励函数，采用近端策略优化算法对所述智能体进行训练；训练过程中，所述智能体根据当前状态输出动作，所述仿真环境根据所述动作计算所述时序误差并返回奖励函数值，所述近端策略优化算法基于所述奖励函数值更新所述智能体的参数，直至所述奖励函数收敛。

10、在本说明书实施例中，通过串并联辨识模型构建仿真环境，以有功功率时序为输入同步分流至真实系统支路和神经网络支路，将实测频率与模型拟合频率之间的时序误差负值作为奖励函数，采用近端策略优化算法训练智能体，使智能体在暂态过程中能够持续优化拟合精度，解决了传统方法仅基于稳态误差设计导致暂态拟合能力不足的问题，实现了对构网型变流器频率响应动态特征的有效学习。

11、在一些可能的实现方式中，所述真实构网型变流器支路输出实测母线频率，包括：所述串并联辨识模型中，所述真实构网型变流器支路内置计及延时的虚拟惯性动态函数，所述虚拟惯性动态函数内置转子运动方程、锁相环一阶延时环节和pwm调制衰减特性；所述实测母线频率通过下式确定：

12、

13、其中，为时刻所述真实构网型变流器支路输出的实测母线频率，为时刻输入所述真实构网型变流器支路的有功功率时序数据，为所述构网型变流器的虚拟惯量系数，为所述构网型变流器的虚拟阻尼系数，为锁相环频率测量延时、信号采样计算延时和pwm调制延时的总等效延时常数。

14、在本说明书实施例中，通过在真实构网型变流器支路中内置计及延时的虚拟惯性动态函数，将锁相环一阶延时环节和pwm调制衰减特性纳入模型，使实测母线频率能够反映构网型变流器真实的频率响应延时和衰减特性，为后续误差计算和模型训练提供了准确的参考基准，从根源上消除了延时因素导致的参数估计偏差。

15、在一些可能的实现方式中，所述神经网络辨识模型支路输出模型拟合频率，包括：在所述串并联辨识模型中，所述神经网络辨识模型支路接收所述有功功率时序和所述智能体输出的惯量参数估计值，经共享特征提取层进行非线性映射后输出模型拟合频率：

16、

17、其中，为时刻输入所述神经网络辨识模型支路的有功功率时序数据，为时刻所述智能体输出的惯量参数估计值，为所述智能体的网络参数。

18、在本说明书实施例中，通过神经网络辨识模型支路接收有功功率时序和智能体输出的惯量参数估计值，经共享特征提取层进行非线性映射输出模型拟合频率，实现了对构网型变流器频率响应特性的端到端学习与拟合，提高了模型对真实频率响应动态行为的逼近能力。

19、在一些可能的实现方式中，所述根据所述三相电压时序数据和三相电流时序数据计算有功功率时序数据，包括：对所述三相电压时序数据进行坐标变换得到dq轴电压分量，对所述三相电流时序数据进行坐标变换得到dq轴电流分量；根据所述dq轴电压分量和所述dq轴电流分量计算有功功率时序数据。

20、在本说明书实施例中，通过对三相电压和电流进行坐标变换得到dq轴分量，进而计算有功功率时序数据，实现了从原始电气量到有功功率的特征提取，为智能体提供了物理意义明确的输入信号，保证了估计过程的数据驱动特性。

21、在一些可能的实现方式中，所述方法还包括多智能体协同估计：每台构网型变流器配置一个独立的智能体；各智能体共享全局奖励信号，所述全局奖励信号为系统频率偏差的负值；采用多智能体近端策略优化算法进行联合训练，实现各变流器惯量参数的协同估计。

22、在本说明书实施例中，通过为每台构网型变流器配置独立智能体并共享全局奖励信号，采用多智能体近端策略优化算法联合训练，能够有效处理多机并联运行时的电气耦合关系，克服了单智能体架构仅能处理单台变流器的局限，实现了多台构网型变流器惯量参数的协同在线估计，提升了面向新能源场站多机场景的工程适用性。

23、根据本说明书实施例的第二方面，提供了一种构网型变流器惯量参数的数据驱动在线估计系统，包括：

24、数据采集模块，用于采集构网型变流器出口侧的三相电压时序数据、三相电流时序数据以及母线频率时序数据，根据所述三相电压时序数据和三相电流时序数据计算有功功率时序数据；

25、在线推理模块，用于将所述有功功率时序数据和所述母线频率时序数据作为状态信息输入训练好的估计模型，所述估计模型为深度强化学习智能体，所述智能体在仿真环境中训练得到，所述仿真环境由串并联辨识模型构建，所述串并联辨识模型用于模拟构网型变流器锁相环的频率响应延时特性；所述估计模型输出动作，所述动作包括所述构网型变流器的虚拟惯量参数的估计值和虚拟阻尼参数的估计值。

26、在本说明书实施例中，通过数据采集模块和在线推理模块的协同工作，分别实现了构网型变流器出口侧电气量的实时采集与有功功率计算、以及基于训练好的深度强化学习智能体的惯量参数在线推理估计，两个模块之间形成了从数据采集到参数估计的完整链路，构建了构网型变流器惯量参数的数据驱动在线估计的端到端方案，可广泛应用于新能源场站构网型变流器并网运行场景中，将传统的侵入式离线参数辨识方案升级为基于深度强化学习的非侵入式在线精确估计方案。

27、根据本说明书实施例的第三方面，提供了一种计算设备，包括：

28、存储器和处理器；

29、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述第一方面所述方法的步骤。

30、在本说明书实施例中，通过计算设备执行上述构网型变流器惯量参数的数据驱动在线估计方法，实现了对构网型变流器虚拟惯量和虚拟阻尼的非侵入式在线精确估计，便于工程部署与集成。

31、根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述第一方面所述方法的步骤。

32、在本说明书实施例中，通过计算机可读存储介质存储并执行上述构网型变流器惯量参数的数据驱动在线估计方法的指令，为实际工程应用提供了便捷的软件载体，便于在新能源场站监控系统或边缘计算设备中部署运行。

33、本说明书一个实施例实现了构网型变流器惯量参数的数据驱动在线估计，其中通过串并联辨识模型构建仿真环境，将有功功率时序同步分流至真实构网型变流器支路和神经网络辨识模型支路，以实测母线频率与模型拟合频率之间的时序误差负值作为奖励函数训练深度强化学习智能体，使智能体能够学习频率响应延时和衰减特性，其中智能体采用连续动作空间输出虚拟惯量和虚拟阻尼的估计值，用于在不依赖设备内部参数的前提下实现对构网型变流器惯量水平的非侵入式在线精确估计；同时采用近端策略优化算法进行训练，通过剪切目标函数约束策略更新幅度，确保训练稳定性和收敛效率，适配不同电网强度及功率扰动工况。

34、此外，通过多智能体协同框架扩展，能够有效处理多机并联场景下的电气耦合问题。解决了现有技术中传统方法忽略锁相环延时及数字控制延时导致参数估计偏差、离散动作空间引入量化误差限制精度上限、单智能体架构无法处理多机耦合、奖励函数仅基于稳态误差导致暂态拟合能力不足、侵入式或离线方式影响设备正常运行、虚拟惯性控制参数属于厂商保密信息运营商难以获知等问题，实现了基于串并联辨识模型与深度强化学习的惯量参数在线精确估计与动态特征学习的协同优化，使智能体能够适应不同运行工况，显著提升了构网型变流器惯量参数估计精度与工程实用性，并增强了向多智能体协同估计框架的可扩展性。