基于人工神经网络的VSG多机系统暂态稳定评估方法与流程

技术特征：
1.一种基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：包括以下步骤：(1)确定输入特征及输出特征；(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p
ref
、虚拟惯性j、阻尼系数d
p
、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；(3)将输入特征及输出特征进行数据预处理；(4)搭建人工神经网络；(5)初始化人工神经网络；(6)利用训练样本集训练人工神经网络，完成评估模型搭建；(7)利用测试样本集进行评估模型测试；(8)评估模型在线应用。2.如权利要求1所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：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。3.如权利要求1或2所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：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。4.如权利要求1或2所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：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p
ref
为额定值的80％、虚拟惯性j为1和5、阻尼系数d
p
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。5.如权利要求1或2所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：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。6.如权利要求1或2所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：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：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，x
min
为该输入特征的最小值，x
max
为该输入特征的最大值。
7.如权利要求1或2所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：步骤(4)中，所述人工神经网络为前馈神经网络，前馈神经网络包括输入层、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；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。8.如权利要求7所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：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，f1(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，x为各层神经元的输出值。9.如权利要求7所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：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：(6
‑
1)计算神经网络前向传播：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,
…
,y
i
,
…
,y
n
]；(6
‑
2)计算神经网络误差指标与输出层误差向量：e(o)＝[e1(o),e2(o),
…
,e
i
(o),
…
,e
n
(o)]其中，e(o)为神经网络误差指标函数，y
i
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，e
i
(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；(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：δo
k
＝[j
t
(o)j(o) μi]
‑1j
t
(o)e(o)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)o
k 1
＝o
k
δo
k
ꢀꢀꢀꢀꢀꢀꢀ
(7)其中，j(o)为向量o偏导的雅可比矩阵，j
t
(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；o
k
为第k次迭代的权值及偏置，o
k 1
为修正后的权值及偏置向量；δo
k
为权值偏置增量。10.如权利要求1或2所述的基于人工神经网络的vsg多机系统暂态稳定评估方法，其特征在于：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：
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：

技术总结
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：(1)确定输入特征及输出特征；(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、虚拟惯性、阻尼系数、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，并划分训练样本集和测试样本集；(3)将输入特征及输出特征进行数据预处理；(4)搭建人工神经网络；(5)初始化人工神经网络；(6)利用训练样本集训练人工神经网络，完成评估模型搭建；(7)利用测试样本集进行评估模型测试；(8)评估模型在线应用。本发明基于人工神经网络能有效实现多机微电网系统的快速准确评估。系统的快速准确评估。系统的快速准确评估。


技术研发人员：帅智康 赵慧敏 沈阳 赵峰 程慧婕 葛俊 黄文 沈霞 董雪梅 王钰泉
受保护的技术使用者：湖南大学
技术研发日：2021.09.01
技术公布日：2021/12/13