[发明专利]基于卷积神经网络的SVG参数优化辨识方法

说明书

本发明的基于卷积神经网络的SVG控制器参数辨识方法，通过BPA仿真软件得到各个SVG参数的不同组合和与之对应输出的无功、电压、电流曲线数据，并进行筛选，得到最终数据集；然后依据获取到的数据集搭建可以依据无功动态曲线数据逆推出SVG参数的神经卷积网络模型；最后以RTDS实测曲线数据作为模型输入，即可快速辨识出SVG参数值。本方法将卷积神经网络与SVG控制器参数辨识相结合，为SVG控制器参数辨识提供一种新的方法，保证了参数预测结果的准确度，也提高了辨识效率。

技术领域

本发明涉及电力信息技术领域，尤其是涉及基于卷积神经网络的SVG参数优化辨识方法。

背景技术

柔性交流输电技术(FACTS)的出现为提升电网可靠性和经济性提供了新的技术手段。静止无功发生器(SVG)作为FACTS家族的重要成员，在改善电力系统电压质量及提高系统运行稳定性方面得到广泛应用。准确的SVG控制器模型参数对电力系统仿真分析的正确性尤为重要，而很多厂商由于技术保密不提供相应的SVG控制参数，因此SVG控制器参数辨识很有必要。

文献基于RTDS硬件在环测试的SVG控制器参数辨识中，提出了一种基于控制器硬件的在环测试的参数辨识方法，采用的粒子群算法虽然简单，但容易陷入局部最优解。文献计及风电场随机特性的SVG模型参数智能辨识方法研究中，提出了一种基于RTDS硬件的在环测试的参数辨识方法，将测试得到的SVG响应数据作为实测数据，对于不同的控制器参数组合，采用BPA软件进行暂态仿真，根据暂态仿真结果与实测数据的最小二乘指标进行参数辨识，能够准确对SVG控制器参数进行辨识，但是SVG控制器参数众多，对每个参数进行辨识耗时较大。

近年来，深度学习在电力系统控制方面的研究已经得到各界人士的认可。以深度学习为代表的新一代人工智能技术在基于大数据驱动的特征自学习、强非线性拟合、神经网络建模等方面具有极强的优势。目前，深度学习不需要建立复杂的数学模型，能快速得到结果，在电力系统故障分析及定位中已经得到一定的应用。但对于深度学习与SVG控制器参数辨识相结合的研究却很少。

发明内容

针对SVG参数辨识速度较慢、精度较差等问题，本发明将深度学习与SVG控制器参数辨识结合起来，显著提高参数辨识的效率和准确度。

为实现上述目的，本发明提供了如下技术方案，

基于卷积神经网络的SVG参数优化辨识方法，包括：

步骤S1：建立与SVG实测曲线运行环境相同的SVG系统的等值数学模型；

步骤S2：利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，设定阈值，筛选出轨迹灵敏度大于设定阈值的参数；

步骤S3：依据上述获取到的参数建立数据集并对数据集进行标准化处理；

步骤S4：搭建卷积神经网络模型，并利用数据集完成模型训练；

步骤S5：用模型来辨识SVG参数，得到最终辨识结果。

进一步的：步骤S1中，SVG实测曲线为RTDS实测曲线，所使用的仿真工具PSD-BPA。

进一步的，步骤S2中，利用扰动法计算各参数的无功功率轨迹灵敏度、电压轨迹灵敏度以及电流轨迹灵敏度，探究不同观测量下的轨迹灵敏值，具体为：

设置短路故障，进行暂态计算，记录接有SVG母线处的无功曲线、电流曲线以及电压曲线；将选定参数在初始值的基础上增加5％，再一次进行暂态计算，得到输出曲线，然后计算选定参数的无功轨迹灵敏度、电流轨迹灵敏度、电压轨迹灵敏度，计算公式如下：