本發(fā)明涉及一種用于估計AC網(wǎng)絡(luò)的狀態(tài)的方法，更具體地，涉及一種用于估計AC網(wǎng)絡(luò)的狀態(tài)并基于AC網(wǎng)絡(luò)的狀態(tài)來實現(xiàn)自適應控制的方法。

背景技術(shù)：

具有關(guān)于AC網(wǎng)絡(luò)的狀態(tài)的估計對于大功率轉(zhuǎn)換器的安全和穩(wěn)定操作和一般的電力系統(tǒng)非常重要。在這種情況下，AC網(wǎng)絡(luò)的狀態(tài)意味著存在孤島或非孤島網(wǎng)絡(luò)條件、負載饋線的損耗或AC網(wǎng)絡(luò)的強度以及附近的電壓控制器的量。一旦已知AC網(wǎng)絡(luò)的狀態(tài)，就可以設(shè)置自適應控制過程，例如可以調(diào)整與功率轉(zhuǎn)換器相關(guān)聯(lián)的控制器參數(shù)以實現(xiàn)功率轉(zhuǎn)換器中的改進的性能行為。例如，對于具有弱附近電壓控制量的弱AC網(wǎng)絡(luò)，將以一種方式調(diào)整控制器參數(shù)，并且對于具有強附近電壓控制量的強AC網(wǎng)絡(luò)，以另一種方式調(diào)整控制器參數(shù)。

在孤島網(wǎng)絡(luò)條件下，系統(tǒng)的一小部分與AC網(wǎng)絡(luò)的其余部分隔離。這可能是由于線路跳閘、或變壓器故障和其他類似的意外事故。孤島網(wǎng)絡(luò)條件的發(fā)生是潛在的危險情況，其可能在AC網(wǎng)絡(luò)的電氣設(shè)備上引起危險應力，引起系統(tǒng)不穩(wěn)定性并且可能導致切斷或斷電。

負載饋線的損耗適用于電力電子轉(zhuǎn)換器，由于系統(tǒng)偶然性，其完全隔離或從AC網(wǎng)絡(luò)斷開。系統(tǒng)偶然性可以是例如AC線路或變壓器的意外跳閘。負載饋線的損耗是潛在的危險情況，其可能對電力電子轉(zhuǎn)換器內(nèi)的電氣設(shè)備造成危險的應力。

沒有用于估計AC網(wǎng)絡(luò)的狀態(tài)的快速和可靠的系統(tǒng)，其能夠在發(fā)生之后的幾毫秒內(nèi)識別負載饋線的孤島或損耗，這可能是電氣設(shè)備上的臨界應力的原因。此外，不能精確地估計AC網(wǎng)絡(luò)的強度，并且附近電壓控制的量可能導致由諸如SVC、HVDC或風力渦輪機控制的功率電子設(shè)備采取的低于最優(yōu)控制動作，導致系統(tǒng)不穩(wěn)定性和功率中斷。

到目前為止，在快速動態(tài)功率電子控制器(例如LCC和VSC HVDC)的情況下，需要來自網(wǎng)絡(luò)運營商的外部觸發(fā)信號來識別孤島的網(wǎng)絡(luò)條件，以便在孤島電網(wǎng)條件的存在下采取適當?shù)目刂苿幼鳌Ｔ诂F(xiàn)有技術(shù)中不知道如何在其出現(xiàn)的50到100毫秒內(nèi)非?？焖俚鼐_地預測孤島或非孤島網(wǎng)絡(luò)條件。

具有關(guān)于AC網(wǎng)絡(luò)的狀態(tài)的估計，可以根據(jù)系統(tǒng)的強度和附近的電壓控制器的存在來調(diào)整控制器參數(shù)，例如通過調(diào)節(jié)增益、時間常數(shù)等，并且因此改進控制器適應新系統(tǒng)條件的能力。

用于電力電子轉(zhuǎn)換器的自動增益調(diào)整是一個越來越重要的課題，其僅被部分地解決。它允許轉(zhuǎn)換器，例如靜態(tài)無功補償器或STATCOM，調(diào)整其控制器參數(shù)，以在系統(tǒng)動態(tài)過程中提供更好的性能。

基于在穩(wěn)態(tài)條件期間開始的測量，迄今已經(jīng)實現(xiàn)了自動增益調(diào)整。增益測試基本上包括測量由于來自轉(zhuǎn)換器的一定量的無功功率(dQ)的注入或吸收而導致的母線中的電壓變化(dV)。然后使用相對于無功功率的變化的電壓變化(dv/dq)來估計連接到變換器的母線的強度。母線的強度由其對在那個母線中注入或吸收無功和有功功率時的電壓和頻率變化的靈敏度限定。與弱母線相比，強母線不容易發(fā)生電壓和頻率變化。

在不存在來自功率轉(zhuǎn)換器的功率注入或吸收的情況下，另一種增益測試方法是切換或去掉AC濾波器、并聯(lián)電容器或電抗器，并且再次測量電壓相對于無功功率的變化率(dv/dq)。

隨著AC網(wǎng)絡(luò)中的電壓控制功率電子轉(zhuǎn)換器的數(shù)量的增加，到目前為止的最大挑戰(zhàn)之一是具有適當?shù)目刂破鲄?shù)選擇，例如增益，其考慮了附近的“其它”電壓控制設(shè)備的存在。

不具有系統(tǒng)強度和附近電壓控制器的量的可靠估計是低于最佳性能行為的原因，例如功率電子驅(qū)動轉(zhuǎn)換器中的上升時間、穩(wěn)定時間最大過沖、不足的阻尼振蕩等。

到目前為止，執(zhí)行如上所述的增益測試以估計轉(zhuǎn)換器連接到的母線的強度，然而如果存在附近的電壓控制設(shè)備，例如其他快速動態(tài)補償，則增益測試的結(jié)果將會誤導。例如，具有大量附近電壓控制器的非常弱的母線可能看起來像增益測試的強母線，導致完全不適當?shù)目刂破鲄?shù)調(diào)整。

因此，越來越需要一種準確地估計AC網(wǎng)絡(luò)的狀態(tài)的方法。一旦估計了AC網(wǎng)絡(luò)的狀態(tài)，就可以使用相同的信息來相應地改變功率轉(zhuǎn)換器的控制器參數(shù)，以實現(xiàn)更好的系統(tǒng)性能。

技術(shù)實現(xiàn)要素：

本發(fā)明的一個目的是快速預測AC網(wǎng)絡(luò)的狀態(tài)，例如，是否存在孤島或非孤島網(wǎng)絡(luò)條件，是否發(fā)生了負載饋線的損耗，以及AC網(wǎng)絡(luò)的強度和存在的附近電壓控制的量是多少，并且因此調(diào)整控制器參數(shù)以實現(xiàn)最佳系統(tǒng)性能。該目的通過一種用于估計連接到功率轉(zhuǎn)換器的AC網(wǎng)絡(luò)的狀態(tài)的方法來實現(xiàn)，該方法包括：提供訓練數(shù)據(jù)集的步驟，該訓練數(shù)據(jù)集包括訓練樣本集合(X＝[X₀ X₁ X₂ ... X_n])和AC網(wǎng)絡(luò)的狀態(tài)的對應輸出(y)；基于訓練數(shù)據(jù)集訓練假設(shè)函數(shù)(h_θ(x))的步驟；以及最后使用假設(shè)函數(shù)(h_θ(x))估計AC網(wǎng)絡(luò)的狀態(tài)的步驟。

訓練的假設(shè)函數(shù)(h_θ(x))的使用是監(jiān)督學習方法的形式。監(jiān)督學習是從標記的訓練數(shù)據(jù)推斷函數(shù)的機器學習任務(wù)。訓練數(shù)據(jù)由訓練示例組成。訓練示例包括輸入向量(“特征X”)及其相關(guān)聯(lián)的正確輸出值(y)。監(jiān)督學習算法的任務(wù)是分析訓練數(shù)據(jù)并提出假設(shè)函數(shù)(h_θ(x))，其可以用于映射新的示例，即用于所有訓練示例的h_θ(x)≈y。

在本發(fā)明中，監(jiān)督學習方法的任務(wù)是基于由所選擇的“特征X”的輸入向量及其對應的輸出y(即正確答案)構(gòu)成的訓練集，以創(chuàng)建函數(shù)(h_θ(x))來快速且準確地估計AC網(wǎng)絡(luò)的狀態(tài)，是孤島狀網(wǎng)絡(luò)條件還是非孤島狀網(wǎng)絡(luò)條件，是否發(fā)生了負載饋線的損耗，以及AC網(wǎng)絡(luò)的強度以及附近電壓控制器的量。

使用人工智能算法來快速獲得AC網(wǎng)絡(luò)的狀態(tài)和網(wǎng)絡(luò)強度的準確估計的挑戰(zhàn)之一是識別適當?shù)摹疤卣鱔”以用作算法的輸入。對于本發(fā)明，提出了神經(jīng)網(wǎng)絡(luò)計算模型。

神經(jīng)網(wǎng)絡(luò)從訓練數(shù)據(jù)集推廣和學習的能力在某種意義上模仿人類從經(jīng)驗中學習的能力。神經(jīng)網(wǎng)絡(luò)用于預測和估計問題。對于使用神經(jīng)網(wǎng)絡(luò)來解決的問題，需要很好理解的輸入。需要很好地了解哪些功能對于預測正確的輸出很重要。這樣的輸入可以容易地獲得，但是如何組合它們以獲得準確的估計不清楚。下一個要求是具有很好理解的輸出，即關(guān)于期望被估計、預測或建模的輸出的種類的信息。下一個因素是使用可用的經(jīng)驗。對于訓練神經(jīng)網(wǎng)絡(luò)，具有由經(jīng)驗獲得的訓練集的樣本。在這些樣本數(shù)據(jù)集中，輸入、特征向量(“特征X”)和輸出(y)是用于訓練神經(jīng)網(wǎng)絡(luò)的已知情況。

該方法還包括基于所估計的AC網(wǎng)絡(luò)的狀態(tài)來調(diào)整功率轉(zhuǎn)換器的控制器參數(shù)的步驟。例如，對于孤島網(wǎng)絡(luò)條件，以一種方式調(diào)整控制器參數(shù)，對于非孤島網(wǎng)絡(luò)條件，以另一種方式調(diào)整控制器參數(shù)。類似地，對于電壓和頻率較易于隨著弱附近電壓控制量而變化的弱AC網(wǎng)絡(luò)，以一種方式調(diào)整控制器參數(shù)，并且對于電壓和頻率較不易于隨著強附近電壓控制量而變化的強AC網(wǎng)絡(luò)，以另一種方式調(diào)整控制器參數(shù)。

例如，用于強AC網(wǎng)絡(luò)的SVC或STATCOM的電壓控制器增益需要高于弱AC網(wǎng)絡(luò)的電壓控制器增益。

在一個實施例中，AC網(wǎng)絡(luò)的狀態(tài)是孤島或非孤島網(wǎng)絡(luò)條件之一、負載饋線的損耗或具有附近電壓控制量的AC網(wǎng)絡(luò)的強度。在發(fā)生后的幾毫秒內(nèi)識別孤島網(wǎng)絡(luò)條件或負載饋線的損耗可以防止電氣設(shè)備中的臨界應力。它還可以幫助電力電子設(shè)備采取最佳控制動作，從而防止系統(tǒng)不穩(wěn)定性和停電發(fā)生。即使在諸如HVDC LCC轉(zhuǎn)換器、VSC HVDC、風力渦輪機和STATCOM/SVC的高度非線性電力電子設(shè)備的存在下，本發(fā)明中提出的監(jiān)督學習方法也允許快速和準確的AC網(wǎng)絡(luò)狀態(tài)識別。

如前所述，在孤島網(wǎng)絡(luò)條件下，系統(tǒng)的一小部分與AC網(wǎng)絡(luò)的其余部分隔離。這可能由于線路的跳閘、或變壓器的故障和其他類似的偶然事件而發(fā)生。孤島網(wǎng)絡(luò)條件的發(fā)生是潛在的危險情況，其可能在AC網(wǎng)絡(luò)的電氣設(shè)備上引起危險應力，引起系統(tǒng)不穩(wěn)定性并且可能導致電力切斷或斷電。

負載饋線的損耗適用于電力電子轉(zhuǎn)換器，由于系統(tǒng)偶然性，其完全隔離或從AC網(wǎng)絡(luò)斷開。系統(tǒng)偶然性可以是例如AC線路或變壓器的無意跳閘。負載饋線的損耗是潛在的危險情況，其可能對電力電子轉(zhuǎn)換器內(nèi)的電氣設(shè)備造成危險的應力。

在另一個實施例中，從電壓測量(V)、與網(wǎng)絡(luò)測量的無功功率交換(Q_ex)、與網(wǎng)絡(luò)測量的有功功率交換(P_ex)和AC網(wǎng)絡(luò)的網(wǎng)絡(luò)頻率測量(Freq)中的一個或多個導出訓練樣本集合(X＝[X₀ X₁ X₂ ... X_n])。

對于神經(jīng)網(wǎng)絡(luò)的這種應用，即用于估計AC網(wǎng)絡(luò)的狀態(tài)，本發(fā)明提出例如上述測量作為要用作神經(jīng)網(wǎng)絡(luò)的輸入的特征。也可以使用任何其它合適的測量。在網(wǎng)絡(luò)的所需的母線處進行電壓測量。與用于轉(zhuǎn)換器電壓控制器的電壓測量相同的電壓測量是適當?shù)摹Ｕ蚧l電壓測量可以用作替代。還測量與網(wǎng)絡(luò)的無功功率交換測量(Q_ex)，與網(wǎng)絡(luò)的有功功率交換測量(P_ex)以及網(wǎng)絡(luò)頻率測量。這些測量可以在網(wǎng)絡(luò)的所需的母線處或在電網(wǎng)的電力線處進行。

在另一實施例中，在系統(tǒng)偶然事件之前、期間和/或之后測量訓練樣本集合(X＝[X₀ X₁ X₂ ... X_n])。因此，對于要檢測的系統(tǒng)偶然事件，需要某種形式的故障檢測，使得一旦故障被清除，則輸入“特征X”所需的測量，即訓練示例可以開始。一種這樣的故障檢測方法可以是使用欠電壓檢測來標記AC網(wǎng)絡(luò)中的故障事件或意外事件，并觸發(fā)神經(jīng)網(wǎng)絡(luò)AC網(wǎng)絡(luò)狀態(tài)估計過程。例如，0.8V的欠電壓可以用作觸發(fā)器?？捎糜跈z測故障的其它因素可以是過電壓、過電流、欠電流或其它類似的可監(jiān)控條件。欠電壓條件提供了一種簡單且容易的故障檢測方法。

在一個實施例中，系統(tǒng)偶然事件是故障清除事件。在另一個實施例中，系統(tǒng)偶然事件是增益測試，其中無功功率從功率轉(zhuǎn)換器注入或吸收到AC網(wǎng)絡(luò)中。然而，也可以使用任何其它增益測試方法，例如，在不存在來自功率轉(zhuǎn)換器的功率注入或吸收的情況下，AC濾波器或電抗器可以被接通或斷開，并且測量電壓相對于功率的變化(dv/dq)。

在一個實施例中，在系統(tǒng)偶然事件之前、期間和之后的第一時間段測量電壓測量(V)和在第二時間段的步驟中將其引入AC網(wǎng)絡(luò)。在該方法的另一個實施例中，在系統(tǒng)偶然事件之前、期間和之后的第一時間段測量網(wǎng)絡(luò)頻率測量(Freq)和在第二時間段的步驟中將其引入AC網(wǎng)絡(luò)。在又一個實施例中，在系統(tǒng)偶然事件之前、期間和之后的第一時間段測量有功功率交換測量(P_ex)，和在第二時間段的步驟中將其引入AC網(wǎng)絡(luò)。在另一個實施例中，在系統(tǒng)偶然事件之前、期間和之后的第一時間段測量無功功率交換測量(Q_ex)和在第二時間段的步驟中將其引入AC網(wǎng)絡(luò)。

第一時間段對應于進行測量的時間段，第二時間段對應于每次測量之間的時間步長。

在示例性實施例中，當系統(tǒng)偶然事件是故障清除事件時，第一時間段跨越50ms，第二時間段為5ms。在故障清除事件發(fā)生后的第一個50ms內(nèi)，在所需的母線上開始測量，并以5ms步長進行測量。

在另一示例性實施例中，當系統(tǒng)偶然事件是增益測試時，第一時間段跨越200ms，第二時間段為1ms。測量在轉(zhuǎn)換器的所需的母線上開始，持續(xù)200ms的跨度，其覆蓋在增益測試之前、期間和之后的持續(xù)時間，步長為1ms。

由于為神經(jīng)網(wǎng)絡(luò)的這種應用而提出的特征的性質(zhì)，測量之間的時間步長，例如建議5ms或1ms，以及總體測量的長度，例如建議50ms或200ms，影響神經(jīng)網(wǎng)絡(luò)的輸入“特征X”的數(shù)量。

用于“特征”定義的測量的長度，即第一時間段，影響估計的精度。使用的測量越長，預測就越準確，因為算法具有更多的信息來為其預測提供基礎(chǔ)。如果其它測量時間顯示更好的性能，則可以使用其它測量時間，重要的是預測的準確性是可接受的，并且該預測在時間上可用以采取有效的控制動作。

用于“特征”定義的時間步長，即第二時間段，影響估計精度。如果其他時間步驟顯示更好的性能，可以使用其他時間步長，重要的是預測的準確性是可接受的。例如，以5ms或1ms的小步長進行測量將提供用于訓練假設(shè)函數(shù)h_θ(x)的更好和更精細的訓練數(shù)據(jù)集。

下面的表1示出了“特征X”的示例性訓練數(shù)據(jù)集，假設(shè)具有由輸入向量或訓練示例(X＝[X₀ X₁ X₂ ... X_n])以及AC網(wǎng)絡(luò)的狀態(tài)的對應輸出(y)構(gòu)成的'm'個訓練樣本，可用于使用神經(jīng)網(wǎng)絡(luò)計算模型來利用假設(shè)函數(shù)h_θ(x)估計AC網(wǎng)絡(luò)的狀態(tài)的方法。在這種情況下，向量X是由“特征X”＝(X＝[X₀ X₁ X₂ ... X_n])∈R⁴⁰⁺¹給出的輸入變量。所提出的“特征X”涉及在偶然事件之后進行的測量，例如故障清除事件。

表1

第一列具有使用的訓練樣本的數(shù)目(m)。下一組列包含從電壓(V)、與網(wǎng)絡(luò)的無功功率交換測量(Q_ex)、與網(wǎng)絡(luò)的有功功率交換測量(P_ex)和AC網(wǎng)絡(luò)的網(wǎng)絡(luò)頻率測量(Freq)導出的輸入變量“特征X”。在故障清除或偶發(fā)事件發(fā)生后，所有測量以5ms的步長測量，持續(xù)50ms。最后一列給出了AC網(wǎng)絡(luò)的正確輸出狀態(tài)(y)。對于表1中所示的該示例性訓練數(shù)據(jù)集，AC網(wǎng)絡(luò)的狀態(tài)被估計為孤島網(wǎng)絡(luò)條件或非孤島網(wǎng)絡(luò)條件。這些結(jié)果以二進制形式'0'或'1'表示，其中'0'意味著作為AC網(wǎng)絡(luò)狀態(tài)的孤島網(wǎng)絡(luò)條件，并且'0'意味著非孤島網(wǎng)絡(luò)條件。

在該示例中，表1僅提供用于訓練假設(shè)函數(shù)h_θ(x)的一個樣本訓練數(shù)據(jù)集。上表只是一個示例數(shù)據(jù)集。然而，對于不同的網(wǎng)絡(luò)，可以使用不同的樣本來形成相應的數(shù)據(jù)集。

表2

下面的表2示出了另一示例性訓練數(shù)據(jù)集。第一列具有使用的訓練樣本的數(shù)目(m)。下一組列包含從電壓(V)、與網(wǎng)絡(luò)的無功功率交換測量(Q_ex)、與網(wǎng)絡(luò)的有功功率交換測量(P_ex)和AC網(wǎng)絡(luò)的網(wǎng)絡(luò)頻率測量(Freq)導出的輸入變量“特征X”。在故障清除或偶發(fā)事件發(fā)生后，所有測量以5ms的步長測量，持續(xù)50ms。最后一列給出AC網(wǎng)絡(luò)的正確輸出狀態(tài)(y)，即，是否存在負載饋線的損耗或是仍然存在與AC網(wǎng)絡(luò)的連接。對于表2中所示的該示例性訓練示例數(shù)據(jù)集，AC網(wǎng)絡(luò)的狀態(tài)被估計為負載饋線的損耗。這些結(jié)果以二進制形式'0'或'1'表示，其中'1'意味著負載饋線的損耗或者與AC網(wǎng)絡(luò)的完全斷開，并且'0'意味著仍然存在與AC網(wǎng)絡(luò)連接。

下面的表3示出了另一示例性訓練數(shù)據(jù)集，其中偶然事件是增益測試，即，其涉及待在增益測試期間用作訓練樣本“特征X”(X＝[X₀ X₁ X₂ ... X_n])的測量。

表3

上述的所提出的“特征X”涉及在增益測試期間的測量，因此需要某種增益測試開始標志，使得對于輸入“特征X”的測量可以開始。例如，用戶可以在增益測試開始時發(fā)送輸入作為觸發(fā)。

在表3中，正如在表1中，第一列具有數(shù)量(m)個使用的訓練樣本。下一組列包含從電壓(V)導出的輸入變量“特征X”和在轉(zhuǎn)換器的母線處獲得的與網(wǎng)絡(luò)的無功功率交換測量(Q_ex)。所有測量在作為應急事件的增益測試之前、期間和之后的200ms中以1ms的步長來測量。最后一列給出了AC網(wǎng)絡(luò)的正確輸出狀態(tài)(y)。對于表3中所示的該示例性訓練數(shù)據(jù)集，AC網(wǎng)絡(luò)的狀態(tài)被估計為來自十五個狀態(tài)輸出中的一個。針對該示例提出了多類分類問題，其中神經(jīng)網(wǎng)絡(luò)輸出h_θ(x)將預測許多不同分類中的一個。對于該任務(wù)，使用十五個不同的類作為示例。給定下文描述的十五個提出的類，還公開了用于訓練神經(jīng)網(wǎng)絡(luò)的正確答案向量“y”。

十五個不同的類僅僅是一個示例性實施例，然而，根據(jù)要求或用戶需要，也可以使用更高或更低的任何其他數(shù)量的分類器。第一類輸出條件被注釋為y＝[1 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，其將AC網(wǎng)絡(luò)的狀態(tài)表示為具有強附近電壓控制量的非常強的AC網(wǎng)絡(luò)。第二類輸出條件被注釋為y＝[0 1 0 0 0 0 0 0 0 0 0 0 0 0 0]，其表示AC網(wǎng)絡(luò)的狀態(tài)為具有中等附近電壓控制量的非常強的AC網(wǎng)絡(luò)。第三類輸出條件被注釋為y＝[0 0 1 0 0 0 0 0 0 0 0 0 0 0 0]，其將AC網(wǎng)絡(luò)的狀態(tài)表示為具有弱附近電壓控制量的非常強的AC網(wǎng)絡(luò)。類似地，對于強、正常強度，弱和非常弱的AC網(wǎng)絡(luò)以及相應的強、中和弱附近電壓控制量，存在十二個其他類的輸出條件。

在另一實施例中，使用神經(jīng)網(wǎng)絡(luò)計算模型推導假設(shè)函數(shù)h_θ(x)。在給定包括訓練樣本(X)和觀察輸出(y)的集合的訓練數(shù)據(jù)集的情況下，神經(jīng)網(wǎng)絡(luò)用于預測和估計問題。這個訓練數(shù)據(jù)集有助于建立一個可應用于未來條件的函數(shù)，以在給定輸入條件集合的情況下預測最可能的輸出。在所公開的方法中，訓練數(shù)據(jù)集，即訓練樣本(X＝[X_C X₁ X₂ ... X_n])和AC網(wǎng)絡(luò)的狀態(tài)的對應輸出(y)是已知的用于訓練神經(jīng)網(wǎng)絡(luò)假設(shè)函數(shù)h_θ(x)的情況。人工神經(jīng)網(wǎng)絡(luò)允許多維非線性模式識別，結(jié)果提供更快速和準確的預測。

在該方法的一個實施例中，神經(jīng)網(wǎng)絡(luò)計算模型包括輸入層、至少一個隱藏層和輸出層。輸入層包括輸入特征向量(X＝[X₀ X₁ X₂ ... X_n])，隱藏層包括激活單元(a₀，a₁，...a_k)，輸出層包括AC網(wǎng)絡(luò)的狀態(tài)的對應輸出(h_θ(x))。在神經(jīng)網(wǎng)絡(luò)計算模型中，第一權(quán)重矩陣(θ⁽¹⁾)控制輸入層的輸入特征向量(X＝[X₀ X₁ X₂ ... X_n])到隱藏層的激活單元(a₀，a₁，...a_k)的函數(shù)映射，并且第二權(quán)重矩陣(θ⁽²⁾)控制隱藏層的激活單元(a₀，a₁，...a_k)到輸出層的AC網(wǎng)絡(luò)的狀態(tài)的對應輸出(h_θ(x))的函數(shù)映射。神經(jīng)網(wǎng)絡(luò)的目標是以高精度將AC網(wǎng)絡(luò)的狀態(tài)估計為神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣(θ⁽¹⁾，θ⁽²⁾)的函數(shù)，即h_θ(x)≈y，適用于所有訓練示例。

可以有多個隱藏層。在這樣的神經(jīng)網(wǎng)絡(luò)中，將存在多于兩個權(quán)重矩陣(θ^(j))。使用以下規(guī)則可以容易地獲得各層的權(quán)重矩陣(θ^(j))的尺寸。如果網(wǎng)絡(luò)在層j中具有S_j個單元并且在層j+1中具有S_k個單元，則權(quán)重矩陣θ^(j)將具有尺寸[S_k x S_j+1]。

訓練神經(jīng)網(wǎng)絡(luò)的結(jié)果是找到控制從分布在整個網(wǎng)絡(luò)上的層j到層j+1的函數(shù)映射的內(nèi)部權(quán)重矩陣(θ^(j))。如果神經(jīng)網(wǎng)絡(luò)已被訓練，則這些權(quán)重矩陣(θ^(j))被用于使用輸入變量即“特征X”來預測系統(tǒng)的AC網(wǎng)絡(luò)的狀態(tài)(y)。

在該方法的優(yōu)選實施例的第一示例中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是在輸入層中使用40個單元(X＝[X₀ X₁ X₂ ... X₄₀])的三層神經(jīng)網(wǎng)絡(luò)，8個單元(a₀，a₁，...a₈)在隱藏層中，一個在輸出層(y)中。當AC網(wǎng)絡(luò)的狀態(tài)被預測為孤島或非孤島網(wǎng)絡(luò)條件或負載饋線損耗時，該實施例是有用的。

在該方法的優(yōu)選實施例的第二示例中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是在輸入層中使用400個單元(X＝[X₀ X₁ X₂ ... X₄₀₀])的三層神經(jīng)網(wǎng)絡(luò)，25個單元(a₀，a₁，...a₂₅)在隱藏層中，15個單元在輸出層(y)中。當AC網(wǎng)絡(luò)的狀態(tài)被預測為如前所述的十五個類別中的一個時，該實施例是有用的，包括提示AC網(wǎng)絡(luò)的強度和存在的附近電壓控制量的不同變化。

層的數(shù)量以及隱藏層中的單元數(shù)量可以變化。這將對訓練神經(jīng)網(wǎng)絡(luò)所需的精度和計算能力產(chǎn)生影響。在上述優(yōu)選實施例中提出的結(jié)構(gòu)證明在很大程度上是精確的，而不需要大量的計算能力來訓練。其他神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可用于提高精度。

在另一實施例中，該方法還包括使用Sigmoid函數(shù)來推導假設(shè)函數(shù)(h_θ(x))的步驟，其中h_θ(x)＝g[θ⁽²⁾{g(θ⁽¹⁾x)}]，其中通過迭代地調(diào)整權(quán)重矩陣(θ⁽¹⁾，θ⁽²⁾)來確定權(quán)重矩陣(θ⁽¹⁾，θ⁽²⁾)，以使成本函數(shù)(J(θ))最小化。Sigmoid函數(shù)(g(z))用作隱藏層中的激活函數(shù)，其用于神經(jīng)網(wǎng)絡(luò)的輸出的計算，即(h_θ(x))。任何其他激活功能也是可能的。使用Sigmoid函數(shù)(g(z))作為激活函數(shù)形成假設(shè)函數(shù)(h_θ(x))，其中h_θ(x)＝g[θ⁽²⁾{g(θ⁽¹⁾x)}]。給定一組輸入，即輸入變量“特征X”＝[X₀ X₁ X₂ ... X_n]∈Rⁿ⁺¹，并且對于每個層(θ⁽¹⁾，θ⁽²⁾)給定權(quán)重矩陣(θ^(j))，神經(jīng)網(wǎng)絡(luò)的輸出，即AC網(wǎng)絡(luò)的估計狀態(tài)(h_θ(x))，可以利用h_θ(x)＝g[θ⁽²⁾{g(θ⁽¹⁾x)}]來計算。成本函數(shù)(J(θ))被給出為：

其中'm'是訓練樣本的數(shù)目，'λ'是避免過擬合的正則化參數(shù)，'L'是網(wǎng)絡(luò)中的層的總數(shù)，s₁是層'1'中單元的數(shù)目，其中如果神經(jīng)網(wǎng)絡(luò)的層'1'具有3層，則'1'可以是1、2或3。

在又一個實施例中，通過使用反向傳播算法來迭代地調(diào)整權(quán)重矩陣(θ⁽¹⁾，θ⁽²⁾)來確定權(quán)重矩陣(θ⁽¹⁾，θ⁽²⁾)，以便最小化成本函數(shù)，J(θ)。一旦神經(jīng)網(wǎng)絡(luò)被訓練，則這些權(quán)重矩陣θ^(j)被用于僅使用輸入“特征X”來預測AC網(wǎng)絡(luò)的狀態(tài)。使用反向傳播算法使得該方法能夠快速和容易地獲得權(quán)重矩陣θ^(j)的最佳可能的估計。然而，存在可以用于相同目的的其他算法。這種算法的另一個例子是共軛梯度算法。

在另一個實施例中，成本函數(shù)J(θ)是在估計從學習算法(hθ(x))獲得的AC網(wǎng)絡(luò)的狀態(tài)中的誤差的度量，該誤差是與AC網(wǎng)絡(luò)的狀態(tài)的對應輸出(y)相比較而言的。成本函數(shù)J(θ)通過訓練學習算法以獲得準確的假設(shè)(h_θ(x))，有助于使方法更準確地預測AC網(wǎng)絡(luò)的輸出狀態(tài)。

附圖說明

現(xiàn)在將參考本發(fā)明的附圖來解決本發(fā)明的上述和其它特征。所示實施例旨在說明而非限制本發(fā)明。附圖包括以下附圖，其中在整個說明書和附圖中相同的附圖標記表示相同的部件。

圖1是示出了具有配備有功率轉(zhuǎn)換器的轉(zhuǎn)換器站的HVDC傳輸系統(tǒng)的示意圖。

圖2是示出了非孤島網(wǎng)絡(luò)條件的示意圖。

圖3示出了包含根據(jù)所公開的方法的步驟的流程圖。

圖4描繪了功率轉(zhuǎn)換器和功率轉(zhuǎn)換器的控制器的框圖。

圖5示出了根據(jù)所公開的方法的示例性神經(jīng)網(wǎng)絡(luò)計算模型。

圖6示出了根據(jù)所公開的方法的另一示例性神經(jīng)網(wǎng)絡(luò)計算模型。

具體實施方式

如圖1所示，AC網(wǎng)絡(luò)或電網(wǎng)4經(jīng)由變壓器5連接到轉(zhuǎn)換器站6。轉(zhuǎn)換器母線3將轉(zhuǎn)換器站6連接到其對應的AC網(wǎng)絡(luò)4，并且母線11將AC網(wǎng)絡(luò)4連接到發(fā)送側(cè)的變壓器5。轉(zhuǎn)換器站6在發(fā)送側(cè)通過DC傳輸線路7連接到接收側(cè)的轉(zhuǎn)換器站6。功率的傳輸通過DC傳輸線路7在大距離上進行。轉(zhuǎn)換器站6包括電力轉(zhuǎn)換器1(圖1中未示出)。

在所示實施例中，從連接到AC網(wǎng)絡(luò)4的所需的母線11獲取要用作訓練示例(X＝[X₀X₁ X₂...X_n])的輸入之一的電壓測量(V)。從例如在所需的母線11處進行的電壓測量和電流測量，進一步導出諸如與AC網(wǎng)絡(luò)的無功功率交換測量(Q_ex)、與AC網(wǎng)絡(luò)的有功功率交換測量(P_ex)之類的其他輸入。

圖2是示出作為用于HVDC系統(tǒng)的非孤島網(wǎng)絡(luò)條件的AC網(wǎng)絡(luò)4的狀態(tài)的示意圖。

根據(jù)圖2，由包括發(fā)電以及中電壓和低電壓分配網(wǎng)絡(luò)的高壓輸電網(wǎng)絡(luò)構(gòu)成的大AC網(wǎng)絡(luò)8通過電力線10連接到AC發(fā)電單元9。大AC網(wǎng)絡(luò)8與AC發(fā)電單元9一起在發(fā)送側(cè)形成AC網(wǎng)絡(luò)或網(wǎng)格4。該AC網(wǎng)絡(luò)4經(jīng)由變壓器5連接到轉(zhuǎn)換器站6。在接收側(cè)，存在逆變器電網(wǎng)12。

變換器母線3將轉(zhuǎn)換器站6連接到AC網(wǎng)絡(luò)4，并且母線11將AC網(wǎng)絡(luò)4連接到發(fā)送側(cè)的變壓器5。發(fā)送側(cè)是系統(tǒng)的從其產(chǎn)生AC功率以通過DC傳輸線7在DC網(wǎng)絡(luò)上傳輸?shù)囊粋?cè)。發(fā)送側(cè)的轉(zhuǎn)換器站6經(jīng)由DC傳輸線7連接到接收側(cè)的轉(zhuǎn)換器站6。所需的母線11將大AC電網(wǎng)8和AC發(fā)電單元9連接到發(fā)送側(cè)的變壓器5。傳輸?shù)腄C電力來自AC發(fā)電單元9以及大AC網(wǎng)絡(luò)8。

例如，當系統(tǒng)的一小部分與AC網(wǎng)絡(luò)的其余部分斷開連接時，發(fā)生孤島網(wǎng)絡(luò)條件。根據(jù)圖2，小隔離系統(tǒng)是HVDC整流器轉(zhuǎn)換器站6以及變壓器5、轉(zhuǎn)換器母線3和發(fā)電單元9。

在孤島網(wǎng)絡(luò)條件的情況下，電力線10跳閘并且小AC系統(tǒng)，即HVDC整流器轉(zhuǎn)換器站5、3、6和發(fā)電單元9從大AC網(wǎng)絡(luò)8斷開并且與AC網(wǎng)絡(luò)的其余部分隔離。在電力線10跳閘之后，來自大AC網(wǎng)絡(luò)8的AC電力不再存在，所以HVDC系統(tǒng)必須快速調(diào)整從發(fā)送側(cè)傳輸?shù)浇邮諅?cè)的DC電力，以便匹配三個AC發(fā)電單元9的生成的功率。

這種情況僅顯示孤立的孤島網(wǎng)絡(luò)條件可能如何發(fā)生的一個示例性形式，然而形成孤島狀網(wǎng)絡(luò)條件的許多其他不同方式是可能的。

圖3示出了估計連接到功率轉(zhuǎn)換器1(參見圖1)的AC網(wǎng)絡(luò)4的狀態(tài)所要執(zhí)行的步驟。方法100包括提供訓練數(shù)據(jù)集的第一步驟101，該訓練數(shù)據(jù)集包括訓練樣本集合(X＝[X₀ X₁X₂ ... X_n])和AC網(wǎng)絡(luò)4的狀態(tài)的對應輸出(y)。方法100包括基于訓練數(shù)據(jù)集來訓練假設(shè)函數(shù)(h_θ(x))的第二步驟102。此后，執(zhí)行使用假設(shè)函數(shù)(h_θ(x))來估計AC網(wǎng)絡(luò)4的狀態(tài)的第三步驟103。

本發(fā)明中呈現(xiàn)的方法100允許快速和準確地估計AC網(wǎng)絡(luò)4的狀態(tài)。

圖4示出了功率轉(zhuǎn)換器1及其控制器2的框圖。每個功率轉(zhuǎn)換器1具有其對應的控制器2，通過該控制器控制功率轉(zhuǎn)換器1。AC網(wǎng)絡(luò)輸出的估計狀態(tài)是(h_θ(x))，用于改變或優(yōu)化控制器2參數(shù)，以便在系統(tǒng)動態(tài)期間實現(xiàn)更好的性能，例如，上升時間、穩(wěn)定時間、最大過沖等。

包括一組訓練樣本(X＝[X₀ X₁ X₂ ... X_n])的訓練數(shù)據(jù)集是從電壓測量(V)和/或無功功率交換測量(Q_ex)和其他先前提到的對AC網(wǎng)絡(luò)4在偶然事件之前，期間或之后進行的測量。并且這些測量從連接到功率轉(zhuǎn)換器1的所需的母線11獲取。

基于訓練數(shù)據(jù)集，假設(shè)函數(shù)(h_θ(x))學習準確地預測AC網(wǎng)絡(luò)4的狀態(tài)。系統(tǒng)母線的改變的強度在系統(tǒng)偶然事件之后，例如在孤島網(wǎng)絡(luò)條件發(fā)生之后，立即可能不利地影響系統(tǒng)的性能。該方法100將確保系統(tǒng)適應新的系統(tǒng)條件并且甚至在系統(tǒng)偶然事件之后給出改進的動態(tài)性能。

圖5示出了根據(jù)所公開的方法的示例性神經(jīng)網(wǎng)絡(luò)計算模型13。在該示例性模型13中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是三層神經(jīng)網(wǎng)絡(luò)。第一層是包括n+1個單元(X＝[X₀ X₁ X₂ ... X_n])的輸入層14，包括偏置單元X₀。第二層是使用k+1個單元(a₀，a₁，...a_k)的隱藏層15，包括根據(jù)圖5的偏置單元a₀。隱藏層15的單元也被稱為激活單元。并且第三層是具有至少1個單元(h_θ(x))的輸出層16。對于該特定示例性神經(jīng)網(wǎng)絡(luò)計算模型，輸出層16僅具有根據(jù)圖5的1個單元。

第一權(quán)重矩陣17(θ⁽¹⁾)控制輸入層14的輸入變量集合(X＝[X₀ X₁ X₂ ... X_n])到隱藏層15的激活單元(a₀，a₁，...a_k)的函數(shù)映射，第二權(quán)重矩陣18(θ⁽²⁾)控制隱藏層15的激活單元(a₀，a₁，...a_k)到輸出層16的AC網(wǎng)絡(luò)的對應狀態(tài)(h_θ(x))的函數(shù)映射。圖5僅示出了神經(jīng)網(wǎng)絡(luò)模型13的示例，但是每層中具有不同數(shù)目的單元和不同層數(shù)的其他神經(jīng)網(wǎng)絡(luò)計算模型13也可以為相同的目的而創(chuàng)建。

圖6示出根據(jù)所公開的方法的另一個這樣的示例性神經(jīng)網(wǎng)絡(luò)計算模型13。在該示例性模型13中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)也是三層神經(jīng)網(wǎng)絡(luò)。根據(jù)圖6，提出了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)作為在輸入層14中使用400+1個單元(X＝[X₀ X₁ X₂...X₄₀₀])的三層神經(jīng)網(wǎng)絡(luò)模型，25+1個單元(a₀，a₁，...a₂₅)在隱藏層15中，以及15個單元(C₁ C₂...C₁₅)在輸出層16中。

盡管已經(jīng)參考具體實施例描述了本發(fā)明，但是該描述并不意味著在限制意義上解釋。在參考本發(fā)明的描述時，所公開的實施例的各種修改以及本發(fā)明的替代實施例對于本領(lǐng)域技術(shù)人員將變得顯而易見。因此，預期可以在不脫離所定義的本發(fā)明的實施例的情況下進行修改。

附圖標記列表

1 功率轉(zhuǎn)換器

2 控制器

3 母線

4 AC網(wǎng)絡(luò)

5 變壓器

6 轉(zhuǎn)換器站

7 DC傳輸線路

8 大AC網(wǎng)絡(luò)

9 AC發(fā)電單元

10 電力線

11 所需的母線

13 神經(jīng)網(wǎng)絡(luò)計算模型

14 輸入層

15 隱藏層

16 輸出層

17 第一權(quán)重矩陣θ⁽¹⁾

18 第二權(quán)重矩陣θ⁽²⁾

100 方法

101 提供訓練數(shù)據(jù)集的步驟

102 訓練假設(shè)函數(shù)(h_θ(x))的步驟

103 估計AC網(wǎng)絡(luò)的狀態(tài)的步驟