基于人工神经网络的vsg多机系统暂态稳定评估方法
技术领域：
：1.本发明涉及微电网
技术领域：
：，具体是涉及一种基于人工神经网络的虚拟同步机(vsg)多机并网系统暂态稳定评估方法。
背景技术：
：：2.虚拟同步机(vsg)模拟同步发电机的调频外特性，在微电网发生大扰动时，虚拟同步机将存在功角失稳问题，影响微电网的安全运行。因此，为了给微电网暂态稳定预防控制提供信息并争取时间，保证微电网的安全稳定运行，准确快速的在线暂态稳定评估必不可少。3.现有暂态稳定评估方法主要是时域仿真法和能量函数法。其中，时域仿真法通过数值计算模拟虚拟同步机并直观展示系统各变量在扰动后随之间的变化。但时域仿真法数值通常只能对系统进行暂态稳定测试从而对系统进行相应规划，如cn201710446496.9公开的光伏虚拟同步机并网稳定性硬件在环测试系统及方法，难以对状态多变的实际系统进行在线应用。并且当多机接入时，时域仿真法计算耗时长，对硬件设备的要求极高，难以实现快速在线评估。能量函数法从能量角度判断受扰后系统是否能收敛于平衡点，并计算相应的吸引域。然而，基于能量函数法的稳定性研究只能针对简单理想化的特定非线性系统进行稳定性分析，如cn201811602399.5公开的虚拟机暂态功角稳定的判断方法，所得到的判别结果大多趋于保守，无法应用于系统阶数高的多机微电网系统。此外，针对考虑带电流限幅器的虚拟同步机，当前尚未有系统性的能量函数构建方法。cn202011155013.8公开的含有电流限幅器的下垂逆变器能量函数构造的方法，虽对含电流限幅器的下垂控制逆变器单机无穷大系统进行能量函数构造，但该方法构造的能量函数模型十分复杂、计算量大、实时性评估效果差。因此，在微电网领域，现有手段暂时不能满足虚拟同步机多机并网系统在线暂态稳定评估需求。4.而人工神经网络的发展将为解决这一问题提供可能。人工神经网络具备强大的拟合能力，能有效处理传统方法无法解决或难以解决的非线性问题。凭借这一优点，神经网络广泛应用在图像识别、语音识别、风电功率预测等领域。虚拟同步发电机多机并网系统在线暂态稳定评估对于神经网络而言是一个高维空间的分类问题，通过利用人工神经网络的非线性拟合能力，可以从海量训练数据中自动学习复杂特征，建立系统特征变量和稳定与否之间的映射关系，进而实现系统暂态稳定分类。然而，在微电网暂态稳定评估领域，目前暂无神经网络的应用。因此，亟需解决虚拟同步机多机并网系统在线暂态稳定评估难题。技术实现要素：5.本发明所要解决的技术问题是，克服上述
背景技术：
：的不足，提供一种基于人工神经网络的vsg多机系统暂态稳定评估方法，能有效实现多机微电网系统的快速准确评估。6.本发明解决其技术问题采用的技术方案是，一种基于人工神经网络的vsg多机系统暂态稳定评估方法，包括以下步骤：7.(1)确定输入特征及输出特征；8.(2)改变vsg多机系统负荷水平、改变电网电压降、改变虚拟同步机有功参考值pref、虚拟惯性j、阻尼系数dp、改变虚拟同步机电流限幅值、改变故障持续时间，生成样本数据，并划分训练样本集和测试样本集；9.(3)将输入特征及输出特征进行数据预处理；10.(4)搭建人工神经网络；11.(5)初始化人工神经网络；12.(6)利用训练样本集训练人工神经网络，完成评估模型搭建；13.(7)利用测试样本集进行评估模型测试；14.(8)评估模型在线应用。15.进一步，所述输入特征包括故障前系统有功负荷水平、故障前系统无功负荷水平、故障前系统总有功出力、故障前系统总无功出力、故障前母线电压平均值、故障前虚拟同步机最大相对功角差、故障前系统各虚拟同步机有功出力方差、虚拟同步机电流限幅标幺值、故障时系统最大相对加速度、故障时系统最小相对加速度、故障时各虚拟同步机加速度方差、故障时系统最大相对角速度、故障时系统最大相对功角、故障时各虚拟同步机初始加速功率平均值、故障时电压冲击、最大有功冲击、最小有功冲击、故障清除时最大相对加速度、故障清除时最大相对角速度、故障清除时最大相对功角、故障清除时虚拟同步机输出电压平均值、故障清除时最大加速功率、故障清除时平均加速功率、故障开始时～故障清除时最大相对加速度、故障开始时～故障清除时最大相对角速度、故障开始时～故障清除时最大相对功角。16.进一步，步骤(1)中，所述输出特征为系统是否失稳，如稳定，则输出为1，若，失稳，则输出为0。17.进一步，步骤(2)中，将50％、80％、110％三种负荷水平、电网电压降至20％、50％两种故障情况、三台虚拟同步机有功参考值pref为额定值的80％、虚拟惯性j为1和5、阻尼系数dp为10和20、虚拟同步机电流限幅值为1.5倍电流额定值、2倍电流额定值两种情况、故障持续时间设置为0.05s、0.1s、0.15s、0.2s四种情况，进行所有排列组合，生成样本数据。18.进一步，步骤(2)中，选取90％的样本数据作为训练样本集，10％的样本数据作为测试样本集。19.进一步，步骤(3)中，将输入特征、输出特征采用0‑1标准化方法进行归一化处理：[0020][0021]其中x*为归一化后的输入特征量，x为归一化前的输入特征量，xmin为该输入特征的最小值，xmax为该输入特征的最大值。[0022]进一步，括输入层、第一隐含层、第二隐含层、输出层，输入层与第一隐含层连接，第一隐含层与第二隐含层连接、第二隐含层与输出层连接；所述输入层、第一隐含层、第二隐含层、输出层的神经元分别为26、100、50、1。[0023]进一步，步骤(5)中，设置神经网络学习率为0.01，最大迭代次数为1000；第一隐含层、第二隐含层的激活函数均选取relu函数，输出层的激活函数选取sigmoid函数，relu函数如公式(2)所示，sigmoid函数如公式(3)所示，[0024]f1(x)＝max(0,x)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0025][0026]其中，x为各层神经元的输出值。[0027]进一步，步骤(6)中，采用levernberg‑marquardt反向传播算法训练前馈神经网络，具体为：[0028](6‑1)计算神经网络前向传播：[0029][0030]其中，x为输入层的输入特征向量，h1为第一隐含层的输出向量，h2为第二隐含层的输出向量，ω[1]为第一隐含层的神经元的权值，ω[2]为第二隐含层的神经元的权值，ω[y]为输出层的神经元的权值，b[1]为第一隐含层的神经元的偏置、b[2]为第二隐含层的神经元的偏置、b[y]为输出层的神经元的偏置，y为网络的输出向量，y＝[y1,y2,…,yi,…,yn]；[0031](6‑2)计算神经网络误差指标与输出层误差向量：[0032][0033]e(o)＝[e1(o),e2(o),…,ei(o),…,en(o)][0034]其中，e(o)为神经网络误差指标函数，yi为神经网络第i个输出特征的计算值，y′i为第i个输出特征的实际值，ei(o)为输出层第i个输出特征的误差，n为输出特征个数，e(o)为输出层误差向量；[0035](6‑3)根据输出层误差向量反向修正各层神经元的权值及偏置：[0036]δok＝[jt(o)j(o) μi]‑1jt(o)e(o)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0037]ok 1＝ok δokꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(7)[0038]其中，j(o)为向量o偏导的雅可比矩阵，jt(o)为j(o)的转置矩阵，μ为学习率，i为单位矩阵，o为权值和偏置所组成的向量；ok为第k次迭代的权值及偏置，ok 1为修正后的权值及偏置向量；δok为权值偏置增量。[0039]进一步，步骤(7)中，模型性能评估时，若输出结果大于0.5，则视为该样本为稳定样本，修正输出为1；反正则视为失稳，修正输出为0，输出结果如公式(8)所示：[0040][0041]将神经网络输出值与实际值进行对比，并计算准确率，准确率如公式(9)所示：[0042][0043]与现有技术相比，本发明的优点如下：[0044](1)首次构建了适用于虚拟同步机多机并网系统的暂态稳定原始输入特征集，该特征集可以有效反映系统失稳特性，并可以独立于网络拓扑，不会随着网络的复杂化而增加输入特征，有效避免了维数灾难。[0045](2)提出了基于人工神经网络的虚拟同步机多机并网系统暂态稳定评估的方法，利用人工神经网络的非线性自学习能力，将传统暂态稳定评估的复杂计算转移到离线训练中，解决了多机系统在线暂态稳定评估分析复杂、评估困难、在线评估速度难以保证的难题。附图说明[0046]图1是本实施例中典型的三台虚拟同步机并网系统结构图。[0047]图2是本实施例中各台虚拟同步机内部电路及控制系统结构。具体实施方式[0048]下面结合附图及具体实施例对本发明作进一步详细描述。[0049]由于虚拟同步机多机系统模型阶数高、源源交互耦合、电流限幅器频繁改变系统工作状态，导致暂态稳定评估分析难度大、评估困难，现有手段无法满足其在线暂态稳定评估需求。为此，本发明提出一种基于人工神经网络的虚拟同步机多机并网系统暂态稳定评估方法，本实施中，虚拟同步机采用三台，暂态稳定评估方法步骤如下：[0050]第一步：确定输入特征及输出特征。输入特征直接影响神经网络评估的准确率，是构建神经网络模型中的十分重要的一环。目前暂无考虑虚拟同步逆变器多机并网系统的机器学习方法，因此暂无这方面的原始特征构造。在本实施例中，结合传统电力系统暂态稳定评估输入特征构造方法、微电网评估要求、虚拟同步机暂态稳定特性和电流限幅器影响，首次构造了一组可以有效反映虚拟同步机多机系统失稳特性、并能避免维数灾难的输入特征集。该特征集一共含有26个输入特征，参见表1，具体包括故障前系统有功负荷水平、故障前系统无功负荷水平、故障前系统总有功出力、故障前系统总无功出力、故障前母线电压平均值、故障前虚拟同步机最大相对功角差、故障前系统各虚拟同步机有功出力方差、虚拟同步机电流限幅标幺值、故障时系统最大相对加速度、故障时系统最小相对加速度、故障时各虚拟同步机加速度方差、故障时系统最大相对角速度、故障时系统最大相对功角、故障时各虚拟同步机初始加速功率平均值、故障时电压冲击、最大有功冲击、最小有功冲击、故障清除时最大相对加速度、故障清除时最大相对角速度、故障清除时最大相对功角、故障清除时虚拟同步机输出电压平均值、故障清除时最大加速功率、故障清除时平均加速功率、故障开始时～故障清除时最大相对加速度、故障开始时～故障清除时最大相对角速度、故障开始时～故障清除时最大相对功角，可以独立于网络拓扑，不会随着网络的复杂化而增加输入特征量。由于虚拟同步机多机并网系统暂态稳定评估可以视为强非线性系统在高维空间下的分类问题，输出特征即为系统是否失稳，如稳定，则输出为1，若，失稳，则输出为0。[0051]表1虚拟同步机多机并网系统暂态稳定评估原始特征集[0052][0053][0054]第二步：获取样本数据，并划分训练样本集和测试样本集。通过仿真或实验，改变系统故障参数、改变系统控制参数，改变虚拟同步机电流限幅值、改变故障持续时间，生成样本数据。在本实施例中，考虑负荷波动及故障随机性，记及50％、80％、110％三种负荷水平，记及电网电压降至20％、50％两种故障情况；考虑到虚拟同步机出力改变，记及三台虚拟同步机有功参考值pref、虚拟惯性j、阻尼系数dp参数变化；考虑各系统电流限幅值不一，记及虚拟同步机电流限幅值为1.5倍电流额定值、2倍电流额定值两种情况；记及故障持续时间设置为0.05s、0.1s、0.15s、0.2s四种情况。即将50％、80％、110％三种负荷水平、电网电压降至20％、50％两种故障情况、三台虚拟同步机有功参考值pref为额定值的80％、虚拟惯性j为1和5、阻尼系数dp为10和20、虚拟同步机电流限幅值为1.5倍电流额定值、2倍电流额定值两种情况、故障持续时间设置为0.05s、0.1s、0.15s、0.2s四种情况，进行所有排列组合，生成样本数据。[0055]随机划分训练数据和测试数据。本实施选取90％的样本数据作为训练样本集，10％的样本数据作为测试样本集。针对训练样本集，以仿真结束时的任意两虚拟同步发电机或虚拟同步发电机与电网间的功角是否大于360°为准则判断训练样本是否失稳。由于失稳问题可视为分类问题，失稳与否可以用0或1表征。若该功角大于360°，判断为失稳，则样本标注为0。反之，判断为稳定，标注为1。[0056]第三步：数据预处理。将输入特征、输出特征进行归一化处理，消除不同量纲之间的差距，加快模型收敛速度。常见的归一化方法有0‑1标准化和z‑score标准化。这两种方法均可较好应用于神经网络数据预处理中，本实施例采用0‑1标准化方法。具体公式见(1)，其中x*为归一化后的输入特征量，x为归一化前的输入特征量，xmin为该输入特征的最小值，xmax为该输入特征的最大值。由于输出特征本身在0到1范围内，因此不需要再进行归一化处理。[0057][0058]第四步：搭建人工神经网络。由于采用反向传播算法的前馈神经网络具有非常良好的非线性逼近性能，因此本实施例选取前馈神经网络进行暂态稳定评估。为保证神经网络在线评估的速度和准确率，本实施例采用具有两层隐含层的前馈神经网络。具体包括输入层、第一隐含层、第二隐含层、输出层，输入层与第一隐含层连接，第一隐含层与第二隐含层连接、第二隐含层与输出层连接。通过多次测试，发现第一隐含层、第二隐含层的神经元数量分边设置为100、50时效果较好。则整个人工神经网络各层(输入层‑第一隐含层‑第二隐含层‑输出层)的神经元分别为26、100、50、1。[0059]第五步：初始化人工神经网络。设置神经网络学习率为0.01，最大迭代次数为1000。各隐含层的激活函数选取relu函数，为防止过拟合，输出层的激活函数选取sigmoid函数，保证人工神经网络输出在0‑1范围内。relu函数如公式(2)所示，sigmoid函数如公式(3)所示。其中，x为各层神经元的输出值。[0060]f1(x)＝max(0,x)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0061][0062]第六步：利用训练样本集训练人工神经网络，完成评估模型搭建。为达到较好的非线性拟合能力，即准确建立输入特征与输出特征的非线性映射关系，本实施例采用levernberg‑marquardt反向传播算法训练前馈神经网络。前馈神经网络具有前向传播的特性，反向传播的核心为：计算前向传播，根据前向传播计算神经网络误差指标与输出层误差向量，根据输出层误差向量反向修正各层神经元的权值及偏置，最终保证在训练集中各样本的神经网络输出值达到期望。具体的神经网络前向传播计算公式见公式(4)，输出值与实际值的误差计算方法见公式(5)、权值及偏置的修正方法见公式(6)和(7)。[0063][0064][0065]e(o)＝[e1(o),e2(o),…,ei(o),…,en(o)][0066]δok＝[jt(o)j(o) μi]‑1jt(o)e(o)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0067]ok 1＝ok δoꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(7)[0068]其中，x为输入层的输入特征向量，h1为第一隐含层的输出向量，h2为第二隐含层的输出向量，ω[1]为第一隐含层的神经元的权值，ω[2]为第二隐含层的神经元的权值，ω[y]为输出层的神经元的权值，b[1]为第一隐含层的神经元的偏置、b[2]为第二隐含层的神经元的偏置、b[y]为输出层的神经元的偏置，y为网络的输出向量，y＝[y1,y2,…,yi,…,yn]；e(o)为神经网络误差指标函数，yi为神经网络第i个输出特征的计算值，y′i为第i个输出特征的实际值，ei(o)为输出层第i个输出特征的误差，n为输出特征个数；j(o)为向量o偏导的雅可比矩阵，jt(o)为j(o)的转置矩阵，μ为学习率，i为单位矩阵，e(o)为输出层误差向量，o为权值和偏置所组成的向量；ok为第k次迭代的权值及偏置，ok 1为修正后的权值及偏置向量；δok为权值偏置增量。[0069]第七步：利用测试样本集进行评估模型测试。由于sigmoid函数仅仅将输出结果映射在0‑1范围内，给出失稳和不失稳的概率，因此在线应用时需要对输出结果进行区间划分。若输出结果大于0.5，则视为该样本为稳定样本，修正输出为1；反正则视为失稳，修正输出为0，输出结果如公式(8)如所示。将神经网络输出值与实际值进行对比，并计算准确率，准确率如公式(9)所示。[0070][0071][0072]第八步：评估模型在线应用。[0073]本发明的发明点如下：[0074]1、首次构建适用于虚拟同步机多机并网系统的暂态稳定原始输入特征集，该特征集可以有效反映系统失稳特性，并可以独立于网络拓扑，不会随着网络的复杂化而增加输入特征，有效避免维数灾难。[0075]2、提出了基于人工神经网络的虚拟同步机多机并网系统暂态稳定评估的方法，利用人工神经网络的非线性自学习能力，将传统暂态稳定评估的复杂计算转移到离线训练中，解决多机系统在线暂态稳定评估分析复杂、评估困难、在线评估速度难以保证的难题。[0076]为了评价本发明提出的在线暂态稳定评估方法的效果，需要针对多机并网系统进行实例验证，获取所提模型的实际评估效果。表2为所提模型在三台虚拟同步机并网系统下的评估准确率、离线训练耗时和在线评估耗时。可以看到，所提方法可以快速评估多机系统稳定性，在线评估速度达到0.18ms，并拥有较好的评估性能，评估准确率为97.2％。[0077]表2评估效果[0078]table2evaluationeffectofdifferentonlinetsamethods[0079][0080]以典型的三台虚拟同步机并网系统为算例进行模型验证，如图1所示。其中各台虚拟同步机由逆变器、滤波器和控制系统组成，如图2所示。算例系统参数见表3。考虑负荷的波动性及故障程度的随机性，记及50％、80％、110％三种负荷水平，并记及电网电压降至20％、40％两种故障情况。考虑到三台虚拟同步机控制参数有功参考值pref、虚拟惯性j、阻尼系数dp变化，记及三台虚拟同步机有功参考值pref为额定值的80％、虚拟惯性j为1和5、阻尼系数dp为10和20。考虑电流限幅值对功角稳定性的影响，记及虚拟同步机电流限幅值为1.5倍电流额定值、2倍电流额定值两种情况。故障持续时间设置为0.05s、0.1s、0.15s、0.2s。仿真软件为matlab/simulink，共生成3072个有效样本。通过离线训练和在线测试，得到了模型预测准确率、离线训练时间和在线评估时间，具体结果见表2。[0081]表3系统参数[0082]table3systemparameter[0083][0084]本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。[0085]说明书中未详细描述的内容为本领域技术人员公知的现有技术。当前第1页12当前第1页12
技术领域：
：1.本发明涉及微电网
技术领域：
：，具体是涉及一种基于人工神经网络的虚拟同步机(vsg)多机并网系统暂态稳定评估方法。
背景技术：
：：2.虚拟同步机(vsg)模拟同步发电机的调频外特性，在微电网发生大扰动时，虚拟同步机将存在功角失稳问题，影响微电网的安全运行。因此，为了给微电网暂态稳定预防控制提供信息并争取时间，保证微电网的安全稳定运行，准确快速的在线暂态稳定评估必不可少。3.现有暂态稳定评估方法主要是时域仿真法和能量函数法。其中，时域仿真法通过数值计算模拟虚拟同步机并直观展示系统各变量在扰动后随之间的变化。但时域仿真法数值通常只能对系统进行暂态稳定测试从而对系统进行相应规划，如cn201710446496.9公开的光伏虚拟同步机并网稳定性硬件在环测试系统及方法，难以对状态多变的实际系统进行在线应用。并且当多机接入时，时域仿真法计算耗时长，对硬件设备的要求极高，难以实现快速在线评估。能量函数法从能量角度判断受扰后系统是否能收敛于平衡点，并计算相应的吸引域。然而，基于能量函数法的稳定性研究只能针对简单理想化的特定非线性系统进行稳定性分析，如cn201811602399.5公开的虚拟机暂态功角稳定的判断方法，所得到的判别结果大多趋于保守，无法应用于系统阶数高的多机微电网系统。此外，针对考虑带电流限幅器的虚拟同步机，当前尚未有系统性的能量函数构建方法。cn202011155013.8公开的含有电流限幅器的下垂逆变器能量函数构造的方法，虽对含电流限幅器的下垂控制逆变器单机无穷大系统进行能量函数构造，但该方法构造的能量函数模型十分复杂、计算量大、实时性评估效果差。因此，在微电网领域，现有手段暂时不能满足虚拟同步机多机并网系统在线暂态稳定评估需求。4.而人工神经网络的发展将为解决这一问题提供可能。人工神经网络具备强大的拟合能力，能有效处理传统方法无法解决或难以解决的非线性问题。凭借这一优点，神经网络广泛应用在图像识别、语音识别、风电功率预测等领域。虚拟同步发电机多机并网系统在线暂态稳定评估对于神经网络而言是一个高维空间的分类问题，通过利用人工神经网络的非线性拟合能力，可以从海量训练数据中自动学习复杂特征，建立系统特征变量和稳定与否之间的映射关系，进而实现系统暂态稳定分类。然而，在微电网暂态稳定评估领域，目前暂无神经网络的应用。因此，亟需解决虚拟同步机多机并网系统在线暂态稳定评估难题。技术实现要素：5.本发明所要解决的技术问题是，克服上述
背景技术：
：的不足，提供一种基于人工神经网络的vsg多机系统暂态稳定评估方法，能有效实现多机微电网系统的快速准确评估。6.本发明解决其技术问题采用的技术方案是，一种基于人工神经网络的vsg多机系统暂态稳定评估方法，包括以下步骤：7.(1)确定输入特征及输出特征；8.(2)改变vsg多机系统负荷水平、改变电网电压降、改变虚拟同步机有功参考值pref、虚拟惯性j、阻尼系数dp、改变虚拟同步机电流限幅值、改变故障持续时间，生成样本数据，并划分训练样本集和测试样本集；9.(3)将输入特征及输出特征进行数据预处理；10.(4)搭建人工神经网络；11.(5)初始化人工神经网络；12.(6)利用训练样本集训练人工神经网络，完成评估模型搭建；13.(7)利用测试样本集进行评估模型测试；14.(8)评估模型在线应用。15.进一步，所述输入特征包括故障前系统有功负荷水平、故障前系统无功负荷水平、故障前系统总有功出力、故障前系统总无功出力、故障前母线电压平均值、故障前虚拟同步机最大相对功角差、故障前系统各虚拟同步机有功出力方差、虚拟同步机电流限幅标幺值、故障时系统最大相对加速度、故障时系统最小相对加速度、故障时各虚拟同步机加速度方差、故障时系统最大相对角速度、故障时系统最大相对功角、故障时各虚拟同步机初始加速功率平均值、故障时电压冲击、最大有功冲击、最小有功冲击、故障清除时最大相对加速度、故障清除时最大相对角速度、故障清除时最大相对功角、故障清除时虚拟同步机输出电压平均值、故障清除时最大加速功率、故障清除时平均加速功率、故障开始时～故障清除时最大相对加速度、故障开始时～故障清除时最大相对角速度、故障开始时～故障清除时最大相对功角。16.进一步，步骤(1)中，所述输出特征为系统是否失稳，如稳定，则输出为1，若，失稳，则输出为0。17.进一步，步骤(2)中，将50％、80％、110％三种负荷水平、电网电压降至20％、50％两种故障情况、三台虚拟同步机有功参考值pref为额定值的80％、虚拟惯性j为1和5、阻尼系数dp为10和20、虚拟同步机电流限幅值为1.5倍电流额定值、2倍电流额定值两种情况、故障持续时间设置为0.05s、0.1s、0.15s、0.2s四种情况，进行所有排列组合，生成样本数据。18.进一步，步骤(2)中，选取90％的样本数据作为训练样本集，10％的样本数据作为测试样本集。19.进一步，步骤(3)中，将输入特征、输出特征采用0‑1标准化方法进行归一化处理：[0020][0021]其中x*为归一化后的输入特征量，x为归一化前的输入特征量，xmin为该输入特征的最小值，xmax为该输入特征的最大值。[0022]进一步，括输入层、第一隐含层、第二隐含层、输出层，输入层与第一隐含层连接，第一隐含层与第二隐含层连接、第二隐含层与输出层连接；所述输入层、第一隐含层、第二隐含层、输出层的神经元分别为26、100、50、1。[0023]进一步，步骤(5)中，设置神经网络学习率为0.01，最大迭代次数为1000；第一隐含层、第二隐含层的激活函数均选取relu函数，输出层的激活函数选取sigmoid函数，relu函数如公式(2)所示，sigmoid函数如公式(3)所示，[0024]f1(x)＝max(0,x)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0025][0026]其中，x为各层神经元的输出值。[0027]进一步，步骤(6)中，采用levernberg‑marquardt反向传播算法训练前馈神经网络，具体为：[0028](6‑1)计算神经网络前向传播：[0029][0030]其中，x为输入层的输入特征向量，h1为第一隐含层的输出向量，h2为第二隐含层的输出向量，ω[1]为第一隐含层的神经元的权值，ω[2]为第二隐含层的神经元的权值，ω[y]为输出层的神经元的权值，b[1]为第一隐含层的神经元的偏置、b[2]为第二隐含层的神经元的偏置、b[y]为输出层的神经元的偏置，y为网络的输出向量，y＝[y1,y2,…,yi,…,yn]；[0031](6‑2)计算神经网络误差指标与输出层误差向量：[0032][0033]e(o)＝[e1(o),e2(o),…,ei(o),…,en(o)][0034]其中，e(o)为神经网络误差指标函数，yi为神经网络第i个输出特征的计算值，y′i为第i个输出特征的实际值，ei(o)为输出层第i个输出特征的误差，n为输出特征个数，e(o)为输出层误差向量；[0035](6‑3)根据输出层误差向量反向修正各层神经元的权值及偏置：[0036]δok＝[jt(o)j(o) μi]‑1jt(o)e(o)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0037]ok 1＝ok δokꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(7)[0038]其中，j(o)为向量o偏导的雅可比矩阵，jt(o)为j(o)的转置矩阵，μ为学习率，i为单位矩阵，o为权值和偏置所组成的向量；ok为第k次迭代的权值及偏置，ok 1为修正后的权值及偏置向量；δok为权值偏置增量。[0039]进一步，步骤(7)中，模型性能评估时，若输出结果大于0.5，则视为该样本为稳定样本，修正输出为1；反正则视为失稳，修正输出为0，输出结果如公式(8)所示：[0040][0041]将神经网络输出值与实际值进行对比，并计算准确率，准确率如公式(9)所示：[0042][0043]与现有技术相比，本发明的优点如下：[0044](1)首次构建了适用于虚拟同步机多机并网系统的暂态稳定原始输入特征集，该特征集可以有效反映系统失稳特性，并可以独立于网络拓扑，不会随着网络的复杂化而增加输入特征，有效避免了维数灾难。[0045](2)提出了基于人工神经网络的虚拟同步机多机并网系统暂态稳定评估的方法，利用人工神经网络的非线性自学习能力，将传统暂态稳定评估的复杂计算转移到离线训练中，解决了多机系统在线暂态稳定评估分析复杂、评估困难、在线评估速度难以保证的难题。附图说明[0046]图1是本实施例中典型的三台虚拟同步机并网系统结构图。[0047]图2是本实施例中各台虚拟同步机内部电路及控制系统结构。具体实施方式[0048]下面结合附图及具体实施例对本发明作进一步详细描述。[0049]由于虚拟同步机多机系统模型阶数高、源源交互耦合、电流限幅器频繁改变系统工作状态，导致暂态稳定评估分析难度大、评估困难，现有手段无法满足其在线暂态稳定评估需求。为此，本发明提出一种基于人工神经网络的虚拟同步机多机并网系统暂态稳定评估方法，本实施中，虚拟同步机采用三台，暂态稳定评估方法步骤如下：[0050]第一步：确定输入特征及输出特征。输入特征直接影响神经网络评估的准确率，是构建神经网络模型中的十分重要的一环。目前暂无考虑虚拟同步逆变器多机并网系统的机器学习方法，因此暂无这方面的原始特征构造。在本实施例中，结合传统电力系统暂态稳定评估输入特征构造方法、微电网评估要求、虚拟同步机暂态稳定特性和电流限幅器影响，首次构造了一组可以有效反映虚拟同步机多机系统失稳特性、并能避免维数灾难的输入特征集。该特征集一共含有26个输入特征，参见表1，具体包括故障前系统有功负荷水平、故障前系统无功负荷水平、故障前系统总有功出力、故障前系统总无功出力、故障前母线电压平均值、故障前虚拟同步机最大相对功角差、故障前系统各虚拟同步机有功出力方差、虚拟同步机电流限幅标幺值、故障时系统最大相对加速度、故障时系统最小相对加速度、故障时各虚拟同步机加速度方差、故障时系统最大相对角速度、故障时系统最大相对功角、故障时各虚拟同步机初始加速功率平均值、故障时电压冲击、最大有功冲击、最小有功冲击、故障清除时最大相对加速度、故障清除时最大相对角速度、故障清除时最大相对功角、故障清除时虚拟同步机输出电压平均值、故障清除时最大加速功率、故障清除时平均加速功率、故障开始时～故障清除时最大相对加速度、故障开始时～故障清除时最大相对角速度、故障开始时～故障清除时最大相对功角，可以独立于网络拓扑，不会随着网络的复杂化而增加输入特征量。由于虚拟同步机多机并网系统暂态稳定评估可以视为强非线性系统在高维空间下的分类问题，输出特征即为系统是否失稳，如稳定，则输出为1，若，失稳，则输出为0。[0051]表1虚拟同步机多机并网系统暂态稳定评估原始特征集[0052][0053][0054]第二步：获取样本数据，并划分训练样本集和测试样本集。通过仿真或实验，改变系统故障参数、改变系统控制参数，改变虚拟同步机电流限幅值、改变故障持续时间，生成样本数据。在本实施例中，考虑负荷波动及故障随机性，记及50％、80％、110％三种负荷水平，记及电网电压降至20％、50％两种故障情况；考虑到虚拟同步机出力改变，记及三台虚拟同步机有功参考值pref、虚拟惯性j、阻尼系数dp参数变化；考虑各系统电流限幅值不一，记及虚拟同步机电流限幅值为1.5倍电流额定值、2倍电流额定值两种情况；记及故障持续时间设置为0.05s、0.1s、0.15s、0.2s四种情况。即将50％、80％、110％三种负荷水平、电网电压降至20％、50％两种故障情况、三台虚拟同步机有功参考值pref为额定值的80％、虚拟惯性j为1和5、阻尼系数dp为10和20、虚拟同步机电流限幅值为1.5倍电流额定值、2倍电流额定值两种情况、故障持续时间设置为0.05s、0.1s、0.15s、0.2s四种情况，进行所有排列组合，生成样本数据。[0055]随机划分训练数据和测试数据。本实施选取90％的样本数据作为训练样本集，10％的样本数据作为测试样本集。针对训练样本集，以仿真结束时的任意两虚拟同步发电机或虚拟同步发电机与电网间的功角是否大于360°为准则判断训练样本是否失稳。由于失稳问题可视为分类问题，失稳与否可以用0或1表征。若该功角大于360°，判断为失稳，则样本标注为0。反之，判断为稳定，标注为1。[0056]第三步：数据预处理。将输入特征、输出特征进行归一化处理，消除不同量纲之间的差距，加快模型收敛速度。常见的归一化方法有0‑1标准化和z‑score标准化。这两种方法均可较好应用于神经网络数据预处理中，本实施例采用0‑1标准化方法。具体公式见(1)，其中x*为归一化后的输入特征量，x为归一化前的输入特征量，xmin为该输入特征的最小值，xmax为该输入特征的最大值。由于输出特征本身在0到1范围内，因此不需要再进行归一化处理。[0057][0058]第四步：搭建人工神经网络。由于采用反向传播算法的前馈神经网络具有非常良好的非线性逼近性能，因此本实施例选取前馈神经网络进行暂态稳定评估。为保证神经网络在线评估的速度和准确率，本实施例采用具有两层隐含层的前馈神经网络。具体包括输入层、第一隐含层、第二隐含层、输出层，输入层与第一隐含层连接，第一隐含层与第二隐含层连接、第二隐含层与输出层连接。通过多次测试，发现第一隐含层、第二隐含层的神经元数量分边设置为100、50时效果较好。则整个人工神经网络各层(输入层‑第一隐含层‑第二隐含层‑输出层)的神经元分别为26、100、50、1。[0059]第五步：初始化人工神经网络。设置神经网络学习率为0.01，最大迭代次数为1000。各隐含层的激活函数选取relu函数，为防止过拟合，输出层的激活函数选取sigmoid函数，保证人工神经网络输出在0‑1范围内。relu函数如公式(2)所示，sigmoid函数如公式(3)所示。其中，x为各层神经元的输出值。[0060]f1(x)＝max(0,x)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0061][0062]第六步：利用训练样本集训练人工神经网络，完成评估模型搭建。为达到较好的非线性拟合能力，即准确建立输入特征与输出特征的非线性映射关系，本实施例采用levernberg‑marquardt反向传播算法训练前馈神经网络。前馈神经网络具有前向传播的特性，反向传播的核心为：计算前向传播，根据前向传播计算神经网络误差指标与输出层误差向量，根据输出层误差向量反向修正各层神经元的权值及偏置，最终保证在训练集中各样本的神经网络输出值达到期望。具体的神经网络前向传播计算公式见公式(4)，输出值与实际值的误差计算方法见公式(5)、权值及偏置的修正方法见公式(6)和(7)。[0063][0064][0065]e(o)＝[e1(o),e2(o),…,ei(o),…,en(o)][0066]δok＝[jt(o)j(o) μi]‑1jt(o)e(o)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0067]ok 1＝ok δoꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(7)[0068]其中，x为输入层的输入特征向量，h1为第一隐含层的输出向量，h2为第二隐含层的输出向量，ω[1]为第一隐含层的神经元的权值，ω[2]为第二隐含层的神经元的权值，ω[y]为输出层的神经元的权值，b[1]为第一隐含层的神经元的偏置、b[2]为第二隐含层的神经元的偏置、b[y]为输出层的神经元的偏置，y为网络的输出向量，y＝[y1,y2,…,yi,…,yn]；e(o)为神经网络误差指标函数，yi为神经网络第i个输出特征的计算值，y′i为第i个输出特征的实际值，ei(o)为输出层第i个输出特征的误差，n为输出特征个数；j(o)为向量o偏导的雅可比矩阵，jt(o)为j(o)的转置矩阵，μ为学习率，i为单位矩阵，e(o)为输出层误差向量，o为权值和偏置所组成的向量；ok为第k次迭代的权值及偏置，ok 1为修正后的权值及偏置向量；δok为权值偏置增量。[0069]第七步：利用测试样本集进行评估模型测试。由于sigmoid函数仅仅将输出结果映射在0‑1范围内，给出失稳和不失稳的概率，因此在线应用时需要对输出结果进行区间划分。若输出结果大于0.5，则视为该样本为稳定样本，修正输出为1；反正则视为失稳，修正输出为0，输出结果如公式(8)如所示。将神经网络输出值与实际值进行对比，并计算准确率，准确率如公式(9)所示。[0070][0071][0072]第八步：评估模型在线应用。[0073]本发明的发明点如下：[0074]1、首次构建适用于虚拟同步机多机并网系统的暂态稳定原始输入特征集，该特征集可以有效反映系统失稳特性，并可以独立于网络拓扑，不会随着网络的复杂化而增加输入特征，有效避免维数灾难。[0075]2、提出了基于人工神经网络的虚拟同步机多机并网系统暂态稳定评估的方法，利用人工神经网络的非线性自学习能力，将传统暂态稳定评估的复杂计算转移到离线训练中，解决多机系统在线暂态稳定评估分析复杂、评估困难、在线评估速度难以保证的难题。[0076]为了评价本发明提出的在线暂态稳定评估方法的效果，需要针对多机并网系统进行实例验证，获取所提模型的实际评估效果。表2为所提模型在三台虚拟同步机并网系统下的评估准确率、离线训练耗时和在线评估耗时。可以看到，所提方法可以快速评估多机系统稳定性，在线评估速度达到0.18ms，并拥有较好的评估性能，评估准确率为97.2％。[0077]表2评估效果[0078]table2evaluationeffectofdifferentonlinetsamethods[0079][0080]以典型的三台虚拟同步机并网系统为算例进行模型验证，如图1所示。其中各台虚拟同步机由逆变器、滤波器和控制系统组成，如图2所示。算例系统参数见表3。考虑负荷的波动性及故障程度的随机性，记及50％、80％、110％三种负荷水平，并记及电网电压降至20％、40％两种故障情况。考虑到三台虚拟同步机控制参数有功参考值pref、虚拟惯性j、阻尼系数dp变化，记及三台虚拟同步机有功参考值pref为额定值的80％、虚拟惯性j为1和5、阻尼系数dp为10和20。考虑电流限幅值对功角稳定性的影响，记及虚拟同步机电流限幅值为1.5倍电流额定值、2倍电流额定值两种情况。故障持续时间设置为0.05s、0.1s、0.15s、0.2s。仿真软件为matlab/simulink，共生成3072个有效样本。通过离线训练和在线测试，得到了模型预测准确率、离线训练时间和在线评估时间，具体结果见表2。[0081]表3系统参数[0082]table3systemparameter[0083][0084]本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。[0085]说明书中未详细描述的内容为本领域技术人员公知的现有技术。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
