一种基于自适应补全的电网SCR辨识模型构建方法及其应用

摘要: 本发明属于电网参数估计相关,更具体地,涉及一种基于自适应补全的电网scr辨识模型构建方法及其应用。背景技术:1、随着电力电子设备的广泛应用,由于负载的动态变化,...
一种基于自适应补全的电网SCR辨识模型构建方法及其应用

本发明属于电网参数估计相关,更具体地,涉及一种基于自适应补全的电网scr辨识模型构建方法及其应用。

背景技术:

1、随着电力电子设备的广泛应用,由于负载的动态变化,电网阻抗(即等效短路阻抗)的动态特性日益复杂,进一步凸显了传统的用于表征电网强度的scr辨识方法的局限性。为此,研究者提出了多种新型的scr辨识方法,主要分为被动辨识技术,主动辨识技术以及新兴的基于数据驱动的深度学习算法。

2、主动辨识技术通过向电网注入可控激励信号来获得更为精确的阻抗测量结果。其主要方法包括基于频率扫描的注入技术、有功和无功变化法以及基于信号的注入方法。虽然主动辨识能在较宽频带内提供高精度估计,但其共同缺点是注入信号可能影响并网逆变器的正常运行或引入附加谐波干扰。

3、与主动辨识不同,被动辨识技术通过分析电网中现有的电压、电流波形及系统固有谐波分量来估计电网阻抗,无需注入额外信号,因此不会对电网运行产生干扰。具体方法包括:(1) 递推最小二乘估计法(rls):通过算法动态更新观测数据实现阻抗参数的实时辨识,但存在计算复杂度高、对动态场景适应性有限的问题;(2) 渐进调整估计近似法:基于频域模型构建参数化方程并通过多阶段迭代优化提升估计精度,但面临数据收集难和误差累积的挑战;(3) 利用系统固有谐波进行估计法:基于电网中自然产生的非特征谐波构建多频段阻抗谱分析模型,但其精度易受逆变器死区时间等非理想因素影响;(4) 卡尔曼观测法:将电网阻抗建模为时变状态向量,通过非线性卡尔曼滤波框架实现实时递推跟踪,具有优异的动态响应性能。被动检测方法虽不影响电网,但其准确性受限于电网固有扰动以及数据准确性。

4、上述被动辨识方法,均需要在已知大量精确数据的前提下,才能够实现电网scr辨识,但在某些工况下,逆变器并网时间极短,导致数据量不足以支撑上述辨识方法。而目前在使用神经网络估计电网scr时也面临着相同的问题,通常需要获取不同负载情况下的多维度评价指标用于网络输入,进行网络训练,然而,在实际工程或高精度仿真中,遍历获取所有负载节点下的评价指标数据需要耗费极其巨大的时间与计算成本。

5、综上,传统的电网参数辨识方法如稳态分析或短路测试,在实际应用中面临现场条件限制、测量精度易受干扰及可能影响系统运行等挑战。而近年来,数据驱动的深度学习方法(如卷积神经网络、长短期记忆网络等)被引入scr估计中,该类方法通过提取并网点的电气特征,直接建立系统运行状态与scr的非线性映射,避免了物理信号注入并具备实时在线推断能力。

6、然而,现阶段的深度学习方法仍存在明显的局限性:一方面,其面临严重的数据依赖与泛化瓶颈,模型的高精度极度依赖于海量、多维度的标签数据,面对电网拓扑重构或未知极端工况时泛化能力会大幅衰退;另一方面,纯数据驱动的“黑盒”特性割裂了电力系统固有的物理机理,导致估计结果在对安全性要求极高的实际工程调度中缺乏可解释性与可靠性。综上,传统的电网参数辨识方法如稳态分析或短路测试,在实际应用中面临现场条件限制、测量精度易受干扰及可能影响系统运行等物理挑战;而现阶段常规的深度学习方法则陷入了数据缺失、泛化能力弱及缺乏物理机理支撑的算法域自适应补全模型困境。

技术实现思路

1、针对现有技术的以上缺陷或改进需求,本发明提供了一种基于自适应补全的电网scr辨识模型构建方法及其应用,其目的在于针对使用数据驱动的深度学习算法进行scr估计中数据获取困难与数据缺失的问题,提出一种基于自适应补全的辨识策略。

2、为实现上述目的,按照本发明的一个方面,提供了一种基于自适应补全的电网scr辨识模型构建方法,包括:

3、构建训练样本:由一个已知scr下全负载范围内均匀离散分布的多种负载突加突卸情况以及每种负载突加突卸情况对应的多维指标数据构成一个训练样本;所述多维指标数据包括ise、itse、iae、isae指标数据;

4、采用训练样本训练负载情况种类及其多维指标数据的自适应补全模型,该模型包括隐空间特征映射器、多维指标解码网络和分布差异评估网络,隐空间特征映射器用于提取输入数据中多维指标数据随电网负载变化的非线性动态特征隐空间表示,多维指标解码网络用于基于隐空间表示解码出种类数和分布同单个训练样本的多种负载情况及其对应的多维指标预测值和scr辨识值,实现对负载情况种类数低于训练样本的输入数据中负载情况种类及其多维指标数据的补全以及scr的辨识;训练分两阶段,第一阶段,固定分布差异评估网络的参数,将训练样本输入隐空间特征映射器,基于多维指标预测值与真实值间的偏差损失loss_c对隐空间特征映射器和多维指标解码网络进行参数梯度更新;第二阶段,固定隐空间特征映射器和多维指标解码网络的参数,将训练样本输入隐空间特征映射器,分布差异评估网络对由解码网络输出的预测值生成属于真实值的概率,并基于预测值及其对应真实值计算损失loss_d,以梯度更新分布差异评估网络的参数;固定分布差异评估网络参数,对隐空间特征映射器和多维指标解码网络再次进行参数梯度更新,使得解码网络解码出的所有负载情况种类对应的多维指标数据预测值在分布和形状上与对应训练样本中的真实值一致;重复第二阶段,直至评估网络对预测值生成属于真实值的概率为1,且损失收敛;最终隐空间特征映射器和多维指标解码网络构成电网scr辨识模型。

5、进一步,,,式中,m表示解码输出的所有指标数据的总个数,yi表示第i个指标数据的真实值,表示第i个指标数据的预测值。

6、进一步,第二阶段,对隐空间特征映射器和多维指标解码网络再次进行梯度更新时,所采用的损失函数为复合损失,表示为:

7、

8、式中,为利用多维rbf高斯核函数在再生核希尔伯特空间计算的mmd距离,;

9、其中,表示训练样本数据x到p分布的映射,表示训练样本对应的源域工况下电网动态指标在全负载范围内的真实物理分布,表示多维指标解码网路输出的指标数据y到q分布的映射,表示多维指标解码网路所预测生成的指标分布;、分别表示通过多维rbf高斯核函数将x、y映射到再生核希尔伯特空间rkh中的特征向量,为再生核希尔伯特空间rkhs中的单位球;表示数学期望,、分别代表p、q在再生核希尔伯特空间rkh中的均值,表示求解再生核希尔伯特空间 rkhs中和之间的最大距离,mmd表示最大均值差异。

10、进一步,所述隐空间特征映射器采用深度多层感知机结构,由三层全连接隐藏层组成,所有隐藏层均采用swish激活函数。

11、进一步,所述多维指标解码网络由两层全连接隐藏层和一层线性输出层构成;其中,隐藏层采用swish激活函数;输出层采用线性激活函数。

12、进一步,分布差异评估网络由一层隐藏层和一层单节点输出层构成,隐藏层采用relu激活函数,输出层采用sigmoid激活,输出0~1的概率值。

13、按照本发明的另一方面,提供了一种电网scr辨识方法,包括:

14、采集待辨识scr的目标电网多种负载突加突卸情况以及每种负载突加突卸情况对应的多维指标数据,输入电网scr辨识模型,得到种类数和分布同单个训练样本的多种负载情况及其对应的多维指标预测值和scr辨识值;其中,所述电网scr辨识模型以及所述单个训练样本均是由如上所述的电网scr辨识模型构建方法构建得到。

15、按照本发明的另一方面,提供了一种电网scr辨识方法,包括:

16、采集待辨识scr的目标电网多种负载突加突卸情况以及每种负载突加突卸情况对应的多维指标数据,作为输入数据;

17、训练自适应敏感度调节网络:将所述输入数据输入自适应敏感度调节网络,该调节网络用于为输入数据中每种负载突加突卸情况对应的四维指标数据生成贡献权重,调整输入数据中所有指标数据,调整后的输入数据输入已完成训练的自适应补全模型,基于自适应补全模型中分布差异评估网络对预测值所生成的概率,对自适应敏感度调节网络的参数进行梯度更新,直至分布差异评估网络对预测值所生成的概率为1,得到训练好的自适应敏感度调节网络;

18、采用训练好的自适应敏感度调节网络得到调整后的输入数据,输入已完成训练的自适应补全模型中的隐空间特征映射器,由自适应补全模型中的多维指标解码网络得到种类数和分布同单个训练样本的多种负载情况及其对应的多维指标预测值和scr辨识值,其中,所述自适应补全模型以及所述单个训练样本均是由如上所述的电网scr辨识模型构建方法得到。

19、进一步,所述自适应敏感度调节网络包括依次连接的隐藏层、非线性激活层、一维全连接映射层和归一化层;

20、其中,非线性激活层采用leakyrelu激活函数;一维全连接映射层用于将物理量度量空间的输入数据投射至网络权重的隐式表达空间中,其中,一维全连接映射层的偏置项初始化为经验向量初始值b=[0.5, 0.1, 0.2, 0.2];

21、归一化层用于通过softmax归一化算子,对由一维全连接映射层输出的由多维指标数据的非标准化意图分值所构成的向量进行处理,其转换函数定义为:

22、

23、其中,为第

i维指标数据的非标准化意图分值,为第

i维指标数据的贡献权重。

24、按照本发明的另一方面,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包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的方法的步骤。

25、总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的技术方案主要具有以下有益效果:

26、1. 本发明提供了一种基于自适应补全的电网scr辨识模型构建方法,利用电网自然负载变化动态曲线进行scr判断。基于电网自然负载突加突卸暂态过程中的动态曲线,提取包括平方误差积分(ise)、时间乘平方误差积分(itse)、绝对误差积分(iae)及时间乘绝对误差积分(isae)在内的四类指标,建立指标与电网scr的定量表征关系,进而判断电网实时状态下的scr。本方法无需额外信号注入,只需通过电网突加突卸负载的动态特性(多维指标数据)进行scr估计,有效解决了主动辨识技术中额外信号注入导致的谐波干扰。在此基础上,搭建负载情况种类及其多维指标数据的自适应补全模型,隐空间特征映射器用于提取输入数据中多维指标数据随电网负载变化的非线性动态特征隐空间表示,多维指标解码网络用于基于隐空间表示解码出种类数和分布同单个训练样本的多种负载情况及其对应的多维指标预测值和scr辨识值,实现对负载情况种类数低于训练样本的输入数据中负载情况种类及其多维指标数据的补全以及scr的辨识。训练分为两个阶段,第一个阶段,固定分布差异评估网络的参数,对隐空间特征映射器和多维指标解码网络进行参数梯度更新,第二个阶段,首先固定隐空间特征映射器和多维指标解码网络的参数,梯度更新分布差异评估网络的参数;然后固定分布差异评估网络参数,对隐空间特征映射器和多维指标解码网络再次进行参数梯度更新,其中损失函数计算使得解码网络解码出的所有负载情况种类对应的多维指标数据预测值在分布和形状上与对应训练样本中的真实值一致,保障物理机理的支撑;重复第二阶段,直至评估网络对预测值生成属于真实值的概率为1,且损失收敛。本发明能够有效解决现有使用数据驱动的深度学习算法进行scr估计中数据获取困难与数据缺失的问题,具备较高的泛化能力。