专利名称:一种基于神经网络的电网阻抗在线辨识方法
专利类型:实用新型专利
专利申请号:CN201911262599.5
专利申请(专利权)人:国网湖北省电力有限公司电力科学研究院,湖北方源东力电力科学研究有限公司,武汉大学
权利人地址:湖北省武汉市武昌徐东大街227号
专利发明(设计)人:熊平,周忠涛,陶骞,黄慧臻,钟佩军,孙建军
专利摘要:一种基于神经网络的电网阻抗在线辨识方法,包括:确定电网阻抗辨识的相关技术指标要求;利用谐波注入法采集得到所需相应数据样本,即向电网注入满足频谱宽度和精度要求的扰动信号,再对并网公共点处电压和电流进行采样,获取扰动和响应信号;建立基于神经网络的阻抗辨识算法模型,根据步骤二中所获取数据样本特性,确定所采用神经网络算法及相关参数初始赋值,初始化神经网络;利用得到数据样本对建立的神经网络模型进行训练,选择训练方法;检验训练得到的电网阻抗模型在要求频谱宽度下的拟合精度是否满足相应技术指标要求;用神经网络算法进行数据处理,非线性分界拟合能力强,自适应能力强,能够满足大多数电网阻抗辨识要求。
主权利要求:
1.一种基于神经网络的电网阻抗在线辨识方法,其特征在于:包括如下步骤:步骤一:确定电网阻抗辨识的相关技术指标要求;
步骤二:利用谐波注入法采集得到所需相应数据样本,即向电网注入满足频谱宽度和精度要求的扰动信号,再对并网公共点处电压和电流进行采样,获取扰动和响应信号;
步骤三:建立基于神经网络的阻抗辨识算法模型,根据步骤二中所获取数据样本特性,确定所采用神经网络算法及相关参数初始赋值,初始化神经网络;
步骤四:利用得到数据样本对建立的神经网络模型进行训练,选择训练方法;
步骤五:检验训练得到的电网阻抗模型在要求频谱宽度下的拟合精度是否满足相应技术指标要求;若满足则得到所需电网阻抗;若不满足则利用现有数据重复步骤四所述训练或重复步骤二所述数据采集并利用所得数据样本进行步骤二、三;直到满足要求;
所述步骤二中注入谐波信号和信息采集具体流程如下:(1)谐波信号的设置,通常注入的谐波信号是电压信号或者电流信号,由于增加扰动信号的幅值将有助于提高响应分析中的信噪比,进而提高辨识精度和有效频谱范围;但同时会增加电网的应力和非线性响应激发,影响电能质量;保证扰动信号幅值的设置应在不影响电网电能质量前提下尽量采用幅值较大的扰动信号;
(2)获取电压扰动和电流响应信号;采样装置设置在并网公共点处;配合注入扰动周期来测量PCC处电压和电流;
(3)撤除扰动信号,待系统稳定后,再次通过采样装置获取PCC处电压和电流;
(4)对于(2)、(3)中得到的信号进行处理得到电流扰动信号和电压响应的频率特性图;
步骤三中建立基于神经网络的阻抗辨识算法模型的具体构建如下:采用BP神经网络模型,构建了三层BP神经网络;由输入层、隐藏层和输出层三层组成;
其中输入层五个输入分别为步骤(4)中获取的经过处理的电流扰动和电压响应信号的幅值|I|、|U|和相角α、β以及相对应的频率ω;
输出层两个输出分别为电网阻抗频域下的幅值|Z|(Ω)和相角θ(°);隐藏层设置为多个神经元,隐藏层激活函数选择为sigmoid函数 隐藏层到输出层为线性连接;
因此,该BP神经网络输入x和输出y可分别表示为:T
x=[|I|,|U|,α,β,ω]
T
y=[|Z|,θ]
隐藏层输出hh可表示为:
那么输出层输出yi可表示为:
其中wjh、whi和bh、bi分别为输入层到隐藏层、隐藏层到输出层权值和偏置。
2.根据权利要求1所述的基于神经网络的电网阻抗在线辨识方法,其特征在于:步骤四中对于神经网络的训练具体过程如下:获取训练样本,对步骤(4)中得到的经处理后的扰动信号和响应信号进行选择,按照阻抗辨识的频谱宽度和精度要求选择合适数据组成训练样本;
神经网络训练,在BP神经网络中,通过交替的正向传播和反向传播对模型进行训练,进行网络参数的不断更新来使网络逼近目标模型;正向传播过程即输入层输入样本数据,经过逐层处理,最终转向输出层产生输出;通过往复进行正向和反向传播,损失不断减小,BP神经网络不断逼近实际目标模型;算法迭代终止条件可设置为损失小于一定值时终止,或者设定学习次数。
3.根据权利要求2所述的基于神经网络的电网阻抗在线辨识方法,其特征在于:所述正向传播过程可表示如下:Y=W2*f(W1*X+B1)+B2
其中X、Y分别为神经网络的输入和输出,W1、W2和B1、B2分别为输入层到隐藏层和隐藏层到输出层权值和偏置, 为隐藏层激活函数sigmoid函数;
正向传播所获得的模型输出Y与样本中的实际输出YR的误差Loss=g(Y‑YR)称作损失Loss,y=g(x)称作损失函数。
4.根据权利要求3所述的基于神经网络的电网阻抗在线辨识方法,其特征在于:所述损失函数例采用均方差损失函数,即:
5.根据权利要求2所述的基于神经网络的电网阻抗在线辨识方法,其特征在于:反向传播过程即是以降低损失为目的,通过调整神经网络的参数来寻找损失函数的极小值,采用梯度下降法来逼近损失函数的极小值;在此过程中,设定合适的学习速率η;得到参数调整公式如下:该公式具体如下:
从输出层到隐藏层:
W2=W2+ΔW2
B2=B2+ΔB2
从隐藏层到输入层:
W1=W1+ΔW1
B1=B1+ΔB1。 说明书 : 一种基于神经网络的电网阻抗在线辨识方法技术领域[0001] 本发明涉及一种电网阻抗在线辨识方法,具体说是一种基于神经网络的电网阻抗在线辨识方法。背景技术[0002] 近年来,由于环境恶化的压力和化石能源的储备有限,诸如太阳能、风能、潮汐能等新能源在电力领域开始得到广泛应用。与此同时,大量该类分布式能源的接入,使得电网的动态特性变得愈加复杂,对于电网稳定性和并网变换器的控制提出了新的挑战和要求。现阶段,大多数的新能源均通过电力电子变换器实现并网接入,而系统中的变换器通常独立设计,其容量、输出阻抗等参数并未统一,从而在并网使用过程中,存在潜在的对电网稳定性和电能质量的威胁。由于此类变换器多采用脉宽调制(Pulse‑WidthModulation,PWM)型的控制方法,变换器的输出阻抗和电网阻抗之间的谐波振荡便成为该类多变换器并网系统一种重要的潜在的不稳定问题。该类问题会导致电网电压、电流波动和失真,影响电能质量;更严重的,还会引起电网的不稳定运行。[0003] 基于谐波振荡的机理,变换器的输出阻抗和电网阻抗是该类问题的决定性因素。因此,在进行变换器设计时,将电网阻抗也纳入考虑范畴,进而通过对变换器控制策略和输出滤波器参数的调整来调控变换器输出阻抗,从而尽可能的避免该类问题的发生。据此,由电网阻抗信息获取方式的不同,通常有两种解决方案:1、离线辨识,即在变换器并网之前,离线测量电网阻抗,判断是否与变换器自身输出阻抗匹配来决定是否并网;2、在线辨识,即实时获取电网阻抗信息,在线调整变换器输出阻抗以保证电能质量和电网稳定性。[0004] 在实际工程中,方案1由于无法自适应电网参数变化,可操作性不强。方案2对于电网的自适应能力强,泛用性广,具有较强的可操作性;但其关键难点在于电网阻抗的在线辨识。现有的阻抗在线辨识技术可大致分为被动方法和主动方法两类。被动方法利用电网畸变或变换器的固有谐波,经过一定的提取和计算来得到电网阻抗。这种方法是非入侵式的,辨识过程不会影响电网的正常运行,但电网畸变的幅值和重复率难以准确测量,从而无法得到准确的电网阻抗。主动方法通常通过变换器或附加的电力电子设备向电网注入一定的电压或电流扰动,通过对扰动和响应信号进行频率分析,经过计算即可得到电网阻抗的频域特性。其中基于附加设备的硬件方法可在短时间内对电网注入大量频谱的谐波,从而得到较宽频谱、较高精度的电网阻抗。然而,该方法对A/D转换器的性能和数据处理技术要求较高。[0005] 近年来,随着人工智能的兴起和快速发展,其衍生出来的一系列技术展现出巨大的潜力和广泛的应用可能。其中,神经网络算法具有大规模并行处理、非线性运算和自适应能力,对于大量数据处理有着天然的适应性。理论证明,两层及以上的神经网络可以无限逼近任意连续函数,随着层数的增加,其非线性分界拟合能力不断增强。发明内容[0006] 针对上述问题,本发明提出了一种基于神经网络的电网阻抗在线辨识方法。该方法建立基于神经网络的阻抗辨识算法,利用谐波注入法得到的大量数据对神经网络进行训练,使得所建立的神经网络不断逼近实际电网阻抗,最终得到满足频谱宽度、精度等要求的电网阻抗。[0007] 本发明采用的技术方案是:一种基于神经网络的电网阻抗在线辨识方法,其特征在于:包括如下步骤:[0008] 步骤一:确定电网阻抗辨识的相关技术指标要求,如频谱宽度和精度要求等;[0009] 步骤二:利用谐波注入法采集得到所需相应数据样本,即向电网注入满足频谱宽度和精度要求的扰动信号,再对并网公共点(PointofCommonCoupling,PCC)处电压和电流进行采样,获取扰动和响应信号;[0010] 步骤三:建立基于神经网络的阻抗辨识算法模型,根据步骤二中所获取数据样本特性,确定所采用神经网络算法及相关参数初始赋值,初始化神经网络;[0011] 步骤四:利用得到数据样本对建立的神经网络模型进行训练,选择训练方法;[0012] 步骤五:检验训练得到的电网阻抗模型在要求频谱宽度下的拟合精度是否满足相应技术指标要求;若满足则得到所需电网阻抗;若不满足则利用现有数据重复步骤四所述训练或重复步骤二所述数据采集并利用所得数据样本进行步骤二、三所述过程;直到满足要求。[0013] 进一步的,所述步骤二中注入谐波信号和信息采集具体流程如下:[0014] (1)谐波信号的设置,通常注入的谐波信号可以是电压信号或者电流信号,由于增加扰动信号的幅值将有助于提高响应分析中的信噪比,进而提高辨识精度和有效频谱范围;但同时会增加电网的应力和非线性响应激发,影响电能质量;保证扰动信号幅值的设置应在不影响电网电能质量前提下尽量采用幅值较大的扰动信号;[0015] (2)获取电压扰动和电流响应信号;采样装置设置在并网公共点(PCC)处;配合注入扰动周期来测量PCC处电压和电流;[0016] (3)撤除扰动信号,待系统稳定后,再次通过采样装置获取PCC处电压和电流;[0017] (4)对于(2)、(3)中得到的信号进行处理得到电流扰动信号和电压响应的频率特性图。[0018] 进一步的,步骤三中建立基于神经网络的阻抗辨识算法模型的具体构建如下:采用BP神经网络模型,构建了三层BP神经网络;由输入层、隐藏层和输出层三层组成;[0019] 其中输入层五个输入分别为步骤(4)中获取的经过处理的电流扰动和电压响应信号的幅值|I|、|U|和相角α、β以及相对应的频率ω;[0020] 输出层两个输出分别为电网阻抗频域下的幅值|Z|(Ω)和相角θ(°)。隐藏层设置为多个神经元,隐藏层激活函数选择为sigmoid函数 隐藏层到输出层为线性连接。因此,该BP神经网络输入x和输出y可分别表示为:[0021] x=[|I|,|U|,α,β,ω]T[0022] y=[|Z|,θ]T[0023] 隐藏层输出hh可表示为:[0024][0025] 那么输出层输出yi可表示为:[0026][0027] 其中wjh、whi和bh、bi分别为输入层到隐藏层、隐藏层到输出层权值和偏置;[0028] 进一步的,步骤四中对于神经网络的训练具体过程如下:[0029] 获取训练样本,对步骤(4)中得到的经处理后的扰动信号和响应信号进行选择,按照阻抗辨识的频谱宽度和精度要求选择合适数据组成训练样本;[0030] 神经网络训练,在BP神经网络中,通过交替的正向传播和反向传播对模型进行训练,进行网络参数的不断更新来使网络逼近目标模型。正向传播过程即输入层输入样本数据,经过逐层处理,最终转向输出层产生输出。通过往复进行正向和反向传播,损失不断减小,BP神经网络不断逼近实际目标模型。算法迭代终止条件可设置为损失小于一定值时终止,或者设定学习次数;[0031] 进一步的,所述正向传播过程可表示如下:[0032] Y=W2*f(W1*X+B1)+B2[0033] 其中X、Y分别为神经网络的输入和输出,W1、W2和B1、B2分别为输入层到隐藏层和隐藏层到输出层权值和偏置, 为隐藏层激活函数sigmoid函数。[0034] 正向传播所获得的模型输出Y与样本中的实际输出YR的误差Loss=g(Y‑YR)称作损失Loss,y=g(x)称作损失函数。[0035] 进一步的,所述损失函数例采用均方差损失函数,即:[0036][0037] 进一步的,反向传播过程即是以降低损失为目的,通过调整神经网络的参数来寻找损失函数的极小值,采用梯度下降法来逼近损失函数的极小值。在此过程中,设定合适的学习速率η;得到参数调整公式如下:[0038][0039] 该公式具体如下:[0040] 从输出层到隐藏层:[0041][0042][0043] W2=W2+ΔW2[0044] B2=B2+ΔB2[0045] 从隐藏层到输入层:[0046][0047][0048] W1=W1+ΔW1[0049] B1=B1+ΔB1。[0050] 本发明的有益效果和特点是:[0051] 1.方法充分利用主动谐波注入法所获取的数据信息,利用神经网络算法进行数据处理,能够满足大多数电网阻抗辨识要求;[0052] 2采用神经网络算法,其非线性分界拟合能力强,对于不同精度要求的辨识,通过对神经网络算法的参数和训练次数等的简单修改即可较好实现;[0053] 3.神经网络算法的自适应能力强,对于不同结构电网、不同频段阻抗辨识要求有良好的泛用性;[0054] 4.利用本发明得到电网阻抗模型,对于大规模新能源和电力电子设备接入的多逆变器并网系统的变换器设计、电网稳定性具有重要意义。附图说明[0055] 图1为本发明较佳实施例电网阻抗在线辨识流程图;[0056] 图2为本发明较佳实施例电网阻抗辨识系统框架图;[0057] 图3为本发明较佳实施例扰动电压幅值频率特性图;[0058] 图4为本发明较佳实施例扰动电压相角频率特性图;[0059] 图5为本发明较佳实施例的电流响应幅值频率特性图[0060] 图6为本发明较佳实施例的电流响应相角频率特性图;[0061] 图7为本发明较佳实施例所采用BP神经网络的结构图;[0062] 图8为本发明较佳实施例电网阻抗幅值拟合图[0063] 图9为本发明较佳实施例电网阻抗相角拟合图。具体实施方式[0064] 下面结合附图对本发明进行进一步说明:[0065] 本实施例提出一种基于神经网络的电网阻抗在线辨识方法,利用神经网络强大的并行处理能力和非线性分界拟合能力,对谐波注入法得到的数据进行处理,从而得到满足频谱宽度和精度的电网阻抗模型。利用电网阻抗模型可指导新能源并网逆变器的设计,以保证新能源通过逆变器接入情况下电网的稳定性和电能质量。[0066] 本实例是通过以下技术方案来实现的,如图1所示,一种基于神经网络的电网阻抗在线辨识方法,包括以下步骤:[0067] (1)确定电网阻抗辨识的相关技术指标要求,如频谱宽度和精度要求等;[0068] (2)利用谐波注入法采集得到所需相应数据样本,即向电网注入满足频谱宽度和精度要求的扰动信号,再对并网公共点(PointofCommonCoupling,PCC)处电压和电流进行采样,获取扰动和响应信号;[0069] (3)建立基于BP神经网络的阻抗辨识算法模型,根据步骤2所获取数据样本特性,确定所采用神经网络算法及相关参数初始赋值,初始化神经网络;[0070] (4)利用得到数据样本对建立的BP神经网络模型进行训练,选择合适训练方法;[0071] (5)检验训练得到的电网阻抗模型在要求频谱宽度下的拟合精度是否满足相应技术指标要求;若满足则得到所需电网阻抗;若不满足则考虑利用现有数据重复步骤(4)所述训练或重复步骤(2)所述数据采集并利用所得数据样本进行步骤3、4所述过程;直到满足要求。[0072] 如图2所示,该实施例通过谐波注入在线获取电网阻抗辨识所需信息,利用BP神经网络进行数据处理;由于BP神经网络所具有的强大非线性分界拟合能力,使得所构建阻抗模型能够在训练中不断逼近实际电网阻抗。同时,鉴于神经网络的自适应学习特性,面对有某些特定要求的电网阻抗模型,可以按要求对现有数据进行筛选或获取新数据来对电网阻抗模型进行重复训练。相比现有电网阻抗在线辨识技术,对于不同要求的阻抗模型,可以通过简单的改变神经网络算法相关参数和训练数据样本来得到得到;大大增强了技术的适应性和灵活性。[0073] 步骤(2)中注入谐波信号和信息采集具体流程如下:[0074] (2.1)谐波信号的设置,通常注入的谐波信号可以是电压信号或者电流信号,本实施例中采用电压信号。由于增加扰动信号的幅值将有助于提高响应分析中的信噪比,进而提高辨识精度和有效频谱范围;但同时会增加电网的应力和非线性响应激发,影响电能质量;因此扰动信号幅值的设置应在不影响电网电能质量前提下尽量采用幅值较大的扰动信号。[0075] (2.2)获取电压扰动和电流响应信号,如图2所示,采样装置设置在并网公共点(PCC)处;配合注入扰动周期来测量PCC处电压和电流。[0076] (2.3)撤除扰动信号,待系统稳定后,再次通过采样装置获取PCC处电压和电流;[0077] (2.4)对于(2.2)、(2.3)中得到的信号进行处理得到如图3、图4和图5、图6所示的扰动信号和电压响应的频率特性图。[0078] 步骤(3)中基于神经网络的阻抗辨识模型具体构建如下:[0079] 本实施例中采用BP神经网络模型,如图7所示,构建了一个三层BP神经网络。这种基于误差反向传播的神经网络算法,系统解决了多层神经网络隐藏层连接权值的学习问题,从而使得神经网络具有了解决非线性问题的能力。作为最基本和最成功的神经网络算法,BP神经网络发展最为成熟。本实施例所构建BP神经网络由输入层、隐藏层和输出层三层组成。其中输入层五个输入分别为步骤(2)中获取的经过处理的电流扰动和电压响应信号的幅值|I|、|U|和相角α、β以及相对应的频率ω。输出层两个输出分别为电网阻抗频域下的幅值|Z|(Ω)和相角θ(°)。隐藏层设置为80个神经元,隐藏层激活函数选择为sigmoid函数隐藏层到输出层为线性连接。因此,该BP神经网络输入x和输出y可分别表示为:[0080] x=[|I|,|U|,α,β,ω]T[0081] y=[|Z|,θ]T[0082] 隐藏层输出h可表示为:[0083][0084] 那么输出层输出y可表示为:[0085][0086] 其中wjh、whi和bh、bi分别为输入层到隐藏层、隐藏层到输出层权值和偏置。[0087] 步骤(4)中对于神经网络的训练具体过程如下:[0088] (4.1)获取训练样本,对步骤(2)中得到的经处理后的扰动信号和响应信号进行选择,按照阻抗辨识的频谱宽度和精度要求选择合适数据组成训练样本;[0089] (4.2)神经网络训练,在BP神经网络中,通过交替的正向传播和反向传播对模型进行训练,进行网络参数的不断更新来使网络逼近目标模型。正向传播过程即输入层输入样本数据,经过逐层处理,最终转向输出层产生输出。[0090] 本实施例中的正向传播过程可表示如下:[0091] Y=W2*f(W1*X+B1)+B2[0092] 其中X、Y分别为神经网络的输入和输出,W1、W2和B1、B2分别为输入层到隐藏层和隐藏层到输出层权值和偏置, 为隐藏层激活函数sigmoid函数。[0093] 正向传播所获得的模型输出Y与样本中的实际输出YR的误差Loss=[0094] g(Y‑YR)称作损失Loss,y=g(x)称作损失函数。比较常用的损失函数为均方差损失和交叉熵损失,本实施例采用均方差损失,即:[0095][0096] 反向传播过程即是以降低损失为目的,通过调整神经网络的参数来寻找损失函数的极小值,本实施例采用了一种比较常用的方法,梯度下降法来逼近损失函数的极小值。在此过程中,为了最优的学习效果,我们需要设定合适的学习速率η;因此得到参数调整公式如下(Param表示参数):[0097][0098] 过快的学习速率可能会导致越过最优解,过慢的学习速率则会降低学习的效率。[0099] 本实施例的反向传播参数调整公式具体如下:[0100] 从输出层到隐藏层:[0101][0102][0103] W2=W2+ΔW2[0104] B2=B2+ΔB2[0105] 从隐藏层到输入层:[0106][0107][0108] W1=W1+ΔW1[0109] B1=B1+ΔB1[0110] 通过往复进行正向和反向传播,损失不断减小,BP神经网络不断逼近实际目标模型。算法迭代终止条件可设置为损失小于一定值时终止,或者设定学习次数;本实施例中采用设定学习次数为1000000次后终止迭代。[0111] 完成BP神经网络的训练后,需要检验所得电网阻抗模型是否满足要求,即步骤(5)。本实施例所得电网阻抗拟合图如图8、图9所示。可以看到,通过本发明提出的基于神经网络的电网阻抗在在线辨识方法得到的电网阻抗模型在需求的较宽频谱范围内有良好的拟合精度。[0112] 若实施得到结果未能满足频谱宽度要求,可通过重新选择合适训练样本,使得样本更集中于所需求频谱范围,再对神经网络进行训练;或者根据需求频谱范围重新进行谐波注入和数据获取,再次训练神经网络。[0113] 对于精度未满足要求的情况,可以考虑增加学习次数、增加每次学习时使用的样本数据量。[0114] 本说明书未详细阐述的部分均属于现有技术。[0115] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的结构关系及原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
专利地区:湖北
专利申请日期:2019-12-11
专利公开日期:2024-09-03
专利公告号:CN112946363B