基于状态反馈的电力电子控制器神经网络拓扑结构的制作方法
本发明主要涉及新能源,具体涉及一种基于状态反馈的电力电子控制器神经网络拓扑结构。
背景技术:
1、在电力系统机电暂态仿真中,新能源发电单元的故障穿越(fault ride-through,frt)控制器建模长期采用机理驱动的"控制选项选型+参数辨识"路径。以国内主流仿真软件psasp为例,其frt模型需从数十种控制选项组合中人工选择适配的结构,再通过实测数据辨识未知参数。该方法依赖人工经验,且不同厂家控制策略差异显著,建模过程不可迁移。
2、近年来,随着人工智能技术在电力系统中的应用探索,部分研究尝试采用前馈神经网络替代传统机理模型进行frt控制器建模。该类方案将当前时刻的静态电气量(电压幅值、功率参考值、运行状态标志等)作为网络输入,直接输出当前时刻的有功电流和无功电流参考值。相比传统机理方法,神经网络建模可避免繁琐的人工选型和参数辨识,且具备统一的函数拟合框架。然而,该方案基于一个隐含假设:控制器的输出仅取决于当前时刻的外部输入,与历史状态无关。对于无记忆的瞬时响应型控制器(如故障期间的无功电流指令计算),该假设成立。
3、然而,实际新能源设备的故障穿越控制器普遍包含时间依赖动力学环节。例如,部分厂家的故障清除后有功电流恢复并非瞬时完成,而是以指定速率(如0.5 p.u./s)从故障期间的值逐步斜坡恢复至故障前稳态值。在这一恢复过程中,当前时刻的有功电流取决于上一时刻的电流值加上一个增量,而非当前时刻外部输入的瞬时函数。以仅含静态输入的传统前馈神经网络拟合此类控制器时,网络在恢复阶段面临信息缺失:当前时刻的机端电压已恢复至额定值附近,故障类型和故障前功率等参数不包含"故障期间电流的实际值"这一关键信息。网络被迫从训练数据中学习统计平均行为,在未见工况下输出严重偏离真实值,表现为泛化能力不足。
4、该问题具有一般性:任何含有一阶或高阶动力学(限速斜坡、一阶惯性滤波、二阶振荡阻尼等)的控制器,当前输出均部分依赖于历史状态,传统静态输入的前馈网络无法仅从当前外部输入唯一确定当前输出。在控制理论中,这是一个状态可观性问题:系统状态(历史电流)未包含在观测向量(网络输入)中。
技术实现思路
1、针对现有技术存在的技术问题,本发明提供一种具有自适应退化特性的基于状态反馈的电力电子控制器神经网络拓扑结构。
2、为解决上述技术问题,本发明提出的技术方案为:
3、一种基于状态反馈的电力电子控制器神经网络拓扑结构,包括:
4、输入层,由静态电气特征和状态反馈特征拼接而成;所述静态电气特征包括当前时刻的电气量和运行状态变量;所述状态反馈特征包括上一时刻网络输出的至少一个控制指令值;
5、隐藏层,与所述输入层连接,用于对拼接后的输入特征进行非线性变换;
6、输出层,与所述隐藏层连接,用于输出当前时刻的控制指令值;
7、反馈回路,用于将所述输出层输出的控制指令值经单位延迟后连接至所述输入层的状态反馈特征通道。
8、优选地,所述拓扑结构通过所述状态反馈特征通道使网络学习增量映射,所述增量映射满足关系式:
9、i(k)=i_prev(k)+δi(s(k),i_prev(k));
10、其中,i(k)为当前时刻的控制指令值,i_prev(k)为上一时刻的控制指令值,s(k)为当前时刻的静态电气特征,δi(·)为网络学习的增量函数;
11、增量映射的数学形式与常微分方程的euler离散格式i(t+δt)=i(t)+δt·f(i(t),s(t))一致,使前馈神经网络在不引入循环连接的条件下具备拟合一阶动力学的能力。
12、优选地,所述隐藏层包括依次连接的第一隐藏层和第二隐藏层;所述第一隐藏层的节点数为32,所述第二隐藏层的节点数为16;所述第一隐藏层和第二隐藏层均采用泄漏的线性整流leakyrelu作为激活函数,泄漏斜率取0.01。
13、优选地,所述输出层为2个节点的全连接层,分别输出当前时刻的有功电流参考值和当前时刻的无功电流参考值;
14、所述输出层之后还连接有物理限幅层,用于将所述有功电流参考值约束至[0,1.5]p.u.、将所述无功电流参考值约束至[-1.5,1.5]p.u.,以匹配被建模电力电子控制器的硬件容量边界。
15、优选地,所述静态电气特征为8维向量,包括:当前时刻的机端电压幅值、故障前有功功率、故障前无功功率、故障前有功电流、故障前无功电流、运行状态标志、恢复阶段计时器和故障类型;
16、其中,所述运行状态标志包括正常、低电压穿越中、低电压穿越恢复、高电压穿越中、高电压穿越恢复五种基本状态及其进一步细分状态,所述恢复阶段计时器在非恢复阶段清零。
17、优选地,所述状态反馈特征包括上一时刻网络输出的有功电流值和上一时刻网络输出的无功电流值,共2维;
18、所述状态反馈特征与所述静态电气特征拼接后形成10维输入向量;
19、初始时刻的状态反馈特征值取故障前稳态有功电流和故障前稳态无功电流值。
20、优选地,当被建模控制器的特定输出通道无时间依赖时,所述网络在训练过程中自动将所述状态反馈特征中对应通道的连接权重缩减至近零水平,使该通道的映射退化为当前时刻静态电气特征的瞬时函数,无需人为区分有记忆通道与无记忆通道。
21、优选地,所述拓扑结构通过增量映射而非绝对轨迹映射实现跨工况泛化:当被建模控制器的动力学规则对全部工况恒定时,所述网络学习的增量规则与具体工况参数无关,直接泛化至训练集外的未见工况。
22、优选地,当被建模控制器含二阶动力学时,所述状态反馈特征扩展为包含前两个时刻的输出值,新增两个反馈通道,输入向量的维度由10维扩展为12维,其余结构不变。
23、优选地,所述拓扑结构应用于新能源发电单元的故障穿越控制器建模;或应用于含一阶惯性滤波、变速率恢复或二阶振荡阻尼的电力电子控制器建模;当应用于多控制器联合建模时,将多个控制器的各自输出同时反馈至输入层,输入向量的维度按需线性扩展。
24、与现有技术相比,本发明的优点在于:
25、(1)以状态反馈通道替代循环神经网络或长短期记忆网络,在不引入序列依赖训练复杂度的前提下,赋予前馈神经网络拟合一阶动力学的能力。训练仍为标准监督学习,推理仍为单步前馈计算,不增加在线计算负担。
26、(2)拓扑具有自适应性:当控制器的特定输出通道无时间依赖时(如无功电流在恢复阶段瞬时归零),网络自动将对应状态反馈权重缩减至可忽略的量级,无需人工判断哪些通道需要反馈。
27、(3)拓扑具有跨控制器类型的统一性:限速斜坡、一阶惯性滤波、变速率恢复等不同形式的动力学,均可纳入同一增量映射框架,仅需改变网络在合成数据中学习到的δi函数形式。
28、(4)增量映射的泛化优势:网络学习的是与时间步长无关的增量规则δi(s, i_prev),而非与特定工况绑定的绝对轨迹i(t)。当面对训练集中未出现的工况时,只要增量规则本身不变(例如恢复速率0.5p.u./s对所有工况相同),网络即可正确外推。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com