用于估計交流網絡的狀態的方法和隨后的自適應控制與流程

文檔序號：11160695閱讀：592來源：國知局

本發明涉及一種用于估計AC網絡的狀態的方法，更具體地，涉及一種用于估計AC網絡的狀態并基于AC網絡的狀態來實現自適應控制的方法。

背景技術：

具有關于AC網絡的狀態的估計對于大功率轉換器的安全和穩定操作和一般的電力系統非常重要。在這種情況下，AC網絡的狀態意味著存在孤島或非孤島網絡條件、負載饋線的損耗或AC網絡的強度以及附近的電壓控制器的量。一旦已知AC網絡的狀態，就可以設置自適應控制過程，例如可以調整與功率轉換器相關聯的控制器參數以實現功率轉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網絡，將以一種方式調整控制器參數，并且對于具有強附近電壓控制量的強AC網絡，以另一種方式調整控制器參數。

在孤島網絡條件下，系統的一小部分與AC網絡的其余部分隔離。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。孤島網絡條件的發生是潛在的危險情況，其可能在AC網絡的電氣設備上引起危險應力，引起系統不穩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換器，由于系統偶然性，其完全隔離或從AC網絡斷開。系統偶然性可以是例如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換器內的電氣設備造成危險的應力。

沒有用于估計AC網絡的狀態的快速和可靠的系統，其能夠在發生之后的幾毫秒內識別負載饋線的孤島或損耗，這可能是電氣設備上的臨界應力的原因。此外，不能精確地估計AC網絡的強度，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備采取的低于最優控制動作，導致系統不穩定性和功率中斷。

到目前為止，在快速動態功率電子控制器(例如LCC和VSC HVDC)的情況下，需要來自網絡運營商的外部觸發信號來識別孤島的網絡條件，以便在孤島電網條件的存在下采取適當的控制動作。在現有技術中不知道如何在其出現的50到100毫秒內非常快速地精確地預測孤島或非孤島網絡條件。

具有關于AC網絡的狀態的估計，可以根據系統的強度和附近的電壓控制器的存在來調整控制器參數，例如通過調節增益、時間常數等，并且因此改進控制器適應新系統條件的能力。

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

基于在穩態條件期間開始的測量，迄今已經實現了自動增益調整。增益測試基本上包括測量由于來自轉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，強母線不容易發生電壓和頻率變化。

在不存在來自功率轉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網絡中的電壓控制功率電子轉換器的數量的增加，到目前為止的最大挑戰之一是具有適當的控制器參數選擇，例如增益，其考慮了附近的“其它”電壓控制設備的存在。

不具有系統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，例如功率電子驅動轉換器中的上升時間、穩定時間最大過沖、不足的阻尼振蕩等。

到目前為止，執行如上所述的增益測試以估計轉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備，例如其他快速動態補償，則增益測試的結果將會誤導。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，導致完全不適當的控制器參數調整。

因此，越來越需要一種準確地估計AC網絡的狀態的方法。一旦估計了AC網絡的狀態，就可以使用相同的信息來相應地改變功率轉換器的控制器參數，以實現更好的系統性能。

技術實現要素：

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

訓練的假設函數(h_θ(x))的使用是監督學習方法的形式。監督學習是從標記的訓練數據推斷函數的機器學習任務。訓練數據由訓練示例組成。訓練示例包括輸入向量(“特征X”)及其相關聯的正確輸出值(y)。監督學習算法的任務是分析訓練數據并提出假設函數(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。

在本發明中，監督學習方法的任務是基于由所選擇的“特征X”的輸入向量及其對應的輸出y(即正確答案)構成的訓練集，以創建函數(h_θ(x))來快速且準確地估計AC網絡的狀態，是孤島狀網絡條件還是非孤島狀網絡條件，是否發生了負載饋線的損耗，以及AC網絡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網絡的狀態和網絡強度的準確估計的挑戰之一是識別適當的“特征X”以用作算法的輸入。對于本發明，提出了神經網絡計算模型。

神經網絡從訓練數據集推廣和學習的能力在某種意義上模仿人類從經驗中學習的能力。神經網絡用于預測和估計問題。對于使用神經網絡來解決的問題，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驗。對于訓練神經網絡，具有由經驗獲得的訓練集的樣本。在這些樣本數據集中，輸入、特征向量(“特征X”)和輸出(y)是用于訓練神經網絡的已知情況。

該方法還包括基于所估計的AC網絡的狀態來調整功率轉換器的控制器參數的步驟。例如，對于孤島網絡條件，以一種方式調整控制器參數，對于非孤島網絡條件，以另一種方式調整控制器參數。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網絡，以一種方式調整控制器參數，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網絡，以另一種方式調整控制器參數。

例如，用于強AC網絡的SVC或STATCOM的電壓控制器增益需要高于弱AC網絡的電壓控制器增益。

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

如前所述，在孤島網絡條件下，系統的一小部分與AC網絡的其余部分隔離。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生。孤島網絡條件的發生是潛在的危險情況，其可能在AC網絡的電氣設備上引起危險應力，引起系統不穩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換器，由于系統偶然性，其完全隔離或從AC網絡斷開。系統偶然性可以是例如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換器內的電氣設備造成危險的應力。

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

對于神經網絡的這種應用，即用于估計AC網絡的狀態，本發明提出例如上述測量作為要用作神經網絡的輸入的特征。也可以使用任何其它合適的測量。在網絡的所需的母線處進行電壓測量。與用于轉換器電壓控制器的電壓測量相同的電壓測量是適當的。正序基頻電壓測量可以用作替代。還測量與網絡的無功功率交換測量(Q_ex)，與網絡的有功功率交換測量(P_ex)以及網絡頻率測量。這些測量可以在網絡的所需的母線處或在電網的電力線處進行。

在另一實施例中，在系統偶然事件之前、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網絡中的故障事件或意外事件，并觸發神經網絡AC網絡狀態估計過程。例如，0.8V的欠電壓可以用作觸發器。可用于檢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，系統偶然事件是故障清除事件。在另一個實施例中，系統偶然事件是增益測試，其中無功功率從功率轉換器注入或吸收到AC網絡中。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網絡。在該方法的另一個實施例中，在系統偶然事件之前、期間和之后的第一時間段測量網絡頻率測量(Freq)和在第二時間段的步驟中將其引入AC網絡。在又一個實施例中，在系統偶然事件之前、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網絡。在另一個實施例中，在系統偶然事件之前、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網絡。

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。在故障清除事件發生后的第一個50ms內，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。測量在轉換器的所需的母線上開始，持續200ms的跨度，其覆蓋在增益測試之前、期間和之后的持續時間，步長為1ms。

由于為神經網絡的這種應用而提出的特征的性質，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，影響神經網絡的輸入“特征X”的數量。

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。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函數h_θ(x)的更好和更精細的訓練數據集。

下面的表1示出了“特征X”的示例性訓練數據集，假設具有由輸入向量或訓練示例(X＝[X₀ X₁ X₂ ... X_n])以及AC網絡的狀態的對應輸出(y)構成的'm'個訓練樣本，可用于使用神經網絡計算模型來利用假設函數h_θ(x)估計AC網絡的狀態的方法。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目(m)。下一組列包含從電壓(V)、與網絡的無功功率交換測量(Q_ex)、與網絡的有功功率交換測量(P_ex)和AC網絡的網絡頻率測量(Freq)導出的輸入變量“特征X”。在故障清除或偶發事件發生后，所有測量以5ms的步長測量，持續50ms。最后一列給出了AC網絡的正確輸出狀態(y)。對于表1中所示的該示例性訓練數據集，AC網絡的狀態被估計為孤島網絡條件或非孤島網絡條件。這些結果以二進制形式'0'或'1'表示，其中'0'意味著作為AC網絡狀態的孤島網絡條件，并且'0'意味著非孤島網絡條件。

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

表2

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

下面的表3示出了另一示例性訓練數據集，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送輸入作為觸發。

在表3中，正如在表1中，第一列具有數量(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”和在轉換器的母線處獲得的與網絡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網絡的正確輸出狀態(y)。對于表3中所示的該示例性訓練數據集，AC網絡的狀態被估計為來自十五個狀態輸出中的一個。針對該示例提出了多類分類問題，其中神經網絡輸出h_θ(x)將預測許多不同分類中的一個。對于該任務，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網絡的正確答案向量“y”。

十五個不同的類僅僅是一個示例性實施例，然而，根據要求或用戶需要，也可以使用更高或更低的任何其他數量的分類器。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網絡的狀態表示為具有強附近電壓控制量的非常強的AC網絡。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網絡的狀態為具有中等附近電壓控制量的非常強的AC網絡。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網絡的狀態表示為具有弱附近電壓控制量的非常強的AC網絡。類似地，對于強、正常強度，弱和非常弱的AC網絡以及相應的強、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，使用神經網絡計算模型推導假設函數h_θ(x)。在給定包括訓練樣本(X)和觀察輸出(y)的集合的訓練數據集的情況下，神經網絡用于預測和估計問題。這個訓練數據集有助于建立一個可應用于未來條件的函數，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，訓練數據集，即訓練樣本(X＝[X_C X₁ X₂ ... X_n])和AC網絡的狀態的對應輸出(y)是已知的用于訓練神經網絡假設函數h_θ(x)的情況。人工神經網絡允許多維非線性模式識別，結果提供更快速和準確的預測。

在該方法的一個實施例中，神經網絡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網絡的狀態的對應輸出(h_θ(x))。在神經網絡計算模型中，第一權重矩陣(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)的函數映射，并且第二權重矩陣(θ⁽²⁾)控制隱藏層的激活單元(a₀，a₁，...a_k)到輸出層的AC網絡的狀態的對應輸出(h_θ(x))的函數映射。神經網絡的目標是以高精度將AC網絡的狀態估計為神經網絡的權重矩陣(θ⁽¹⁾，θ⁽²⁾)的函數，即h_θ(x)≈y，適用于所有訓練示例。

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

訓練神經網絡的結果是找到控制從分布在整個網絡上的層j到層j+1的函數映射的內部權重矩陣(θ^(j))。如果神經網絡已被訓練，則這些權重矩陣(θ^(j))被用于使用輸入變量即“特征X”來預測系統的AC網絡的狀態(y)。

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

在該方法的優選實施例的第二示例中，神經網絡的結構是在輸入層中使用400個單元(X＝[X₀ X₁ X₂ ... X₄₀₀])的三層神經網絡，25個單元(a₀，a₁，...a₂₅)在隱藏層中，15個單元在輸出層(y)中。當AC網絡的狀態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網絡的強度和存在的附近電壓控制量的不同變化。

層的數量以及隱藏層中的單元數量可以變化。這將對訓練神經網絡所需的精度和計算能力產生影響。在上述優選實施例中提出的結構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。其他神經網絡結構可用于提高精度。

在另一實施例中，該方法還包括使用Sigmoid函數來推導假設函數(h_θ(x))的步驟，其中h_θ(x)＝g[θ⁽²⁾{g(θ⁽¹⁾x)}]，其中通過迭代地調整權重矩陣(θ⁽¹⁾，θ⁽²⁾)來確定權重矩陣(θ⁽¹⁾，θ⁽²⁾)，以使成本函數(J(θ))最小化。Sigmoid函數(g(z))用作隱藏層中的激活函數，其用于神經網絡的輸出的計算，即(h_θ(x))。任何其他激活功能也是可能的。使用Sigmoid函數(g(z))作為激活函數形成假設函數(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⁾)給定權重矩陣(θ^(j))，神經網絡的輸出，即AC網絡的估計狀態(h_θ(x))，可以利用h_θ(x)＝g[θ⁽²⁾{g(θ⁽¹⁾x)}]來計算。成本函數(J(θ))被給出為：

其中'm'是訓練樣本的數目，'λ'是避免過擬合的正則化參數，'L'是網絡中的層的總數，s₁是層'1'中單元的數目，其中如果神經網絡的層'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整權重矩陣(θ⁽¹⁾，θ⁽²⁾)來確定權重矩陣(θ⁽¹⁾，θ⁽²⁾)，以便最小化成本函數，J(θ)。一旦神經網絡被訓練，則這些權重矩陣θ^(j)被用于僅使用輸入“特征X”來預測AC網絡的狀態。使用反向傳播算法使得該方法能夠快速和容易地獲得權重矩陣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J(θ)是在估計從學習算法(hθ(x))獲得的AC網絡的狀態中的誤差的度量，該誤差是與AC網絡的狀態的對應輸出(y)相比較而言的。成本函數J(θ)通過訓練學習算法以獲得準確的假設(h_θ(x))，有助于使方法更準確地預測AC網絡的輸出狀態。

附圖說明

現在將參考本發明的附圖來解決本發明的上述和其它特征。所示實施例旨在說明而非限制本發明。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換器的轉換器站的HVDC傳輸系統的示意圖。

圖2是示出了非孤島網絡條件的示意圖。

圖3示出了包含根據所公開的方法的步驟的流程圖。

圖4描繪了功率轉換器和功率轉換器的控制器的框圖。

圖5示出了根據所公開的方法的示例性神經網絡計算模型。

圖6示出了根據所公開的方法的另一示例性神經網絡計算模型。

具體實施方式

如圖1所示，AC網絡或電網4經由變壓器5連接到轉換器站6。轉換器母線3將轉換器站6連接到其對應的AC網絡4，并且母線11將AC網絡4連接到發送側的變壓器5。轉換器站6在發送側通過DC傳輸線路7連接到接收側的轉換器站6。功率的傳輸通過DC傳輸線路7在大距離上進行。轉換器站6包括電力轉換器1(圖1中未示出)。

在所示實施例中，從連接到AC網絡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網絡的無功功率交換測量(Q_ex)、與AC網絡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系統的非孤島網絡條件的AC網絡4的狀態的示意圖。

根據圖2，由包括發電以及中電壓和低電壓分配網絡的高壓輸電網絡構成的大AC網絡8通過電力線10連接到AC發電單元9。大AC網絡8與AC發電單元9一起在發送側形成AC網絡或網格4。該AC網絡4經由變壓器5連接到轉換器站6。在接收側，存在逆變器電網12。

變換器母線3將轉換器站6連接到AC網絡4，并且母線11將AC網絡4連接到發送側的變壓器5。發送側是系統的從其產生AC功率以通過DC傳輸線7在DC網絡上傳輸的一側。發送側的轉換器站6經由DC傳輸線7連接到接收側的轉換器站6。所需的母線11將大AC電網8和AC發電單元9連接到發送側的變壓器5。傳輸的DC電力來自AC發電單元9以及大AC網絡8。

例如，當系統的一小部分與AC網絡的其余部分斷開連接時，發生孤島網絡條件。根據圖2，小隔離系統是HVDC整流器轉換器站6以及變壓器5、轉換器母線3和發電單元9。

在孤島網絡條件的情況下，電力線10跳閘并且小AC系統，即HVDC整流器轉換器站5、3、6和發電單元9從大AC網絡8斷開并且與AC網絡的其余部分隔離。在電力線10跳閘之后，來自大AC網絡8的AC電力不再存在，所以HVDC系統必須快速調整從發送側傳輸到接收側的DC電力，以便匹配三個AC發電單元9的生成的功率。

這種情況僅顯示孤立的孤島網絡條件可能如何發生的一個示例性形式，然而形成孤島狀網絡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換器1(參見圖1)的AC網絡4的狀態所要執行的步驟。方法100包括提供訓練數據集的第一步驟101，該訓練數據集包括訓練樣本集合(X＝[X₀ X₁X₂ ... X_n])和AC網絡4的狀態的對應輸出(y)。方法100包括基于訓練數據集來訓練假設函數(h_θ(x))的第二步驟102。此后，執行使用假設函數(h_θ(x))來估計AC網絡4的狀態的第三步驟103。

本發明中呈現的方法100允許快速和準確地估計AC網絡4的狀態。

圖4示出了功率轉換器1及其控制器2的框圖。每個功率轉換器1具有其對應的控制器2，通過該控制器控制功率轉換器1。AC網絡輸出的估計狀態是(h_θ(x))，用于改變或優化控制器2參數，以便在系統動態期間實現更好的性能，例如，上升時間、穩定時間、最大過沖等。

包括一組訓練樣本(X＝[X₀ X₁ X₂ ... X_n])的訓練數據集是從電壓測量(V)和/或無功功率交換測量(Q_ex)和其他先前提到的對AC網絡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換器1的所需的母線11獲取。

基于訓練數據集，假設函數(h_θ(x))學習準確地預測AC網絡4的狀態。系統母線的改變的強度在系統偶然事件之后，例如在孤島網絡條件發生之后，立即可能不利地影響系統的性能。該方法100將確保系統適應新的系統條件并且甚至在系統偶然事件之后給出改進的動態性能。

圖5示出了根據所公開的方法的示例性神經網絡計算模型13。在該示例性模型13中，神經網絡的結構是三層神經網絡。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網絡計算模型，輸出層16僅具有根據圖5的1個單元。

第一權重矩陣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)的函數映射，第二權重矩陣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網絡的對應狀態(h_θ(x))的函數映射。圖5僅示出了神經網絡模型13的示例，但是每層中具有不同數目的單元和不同層數的其他神經網絡計算模型13也可以為相同的目的而創建。

圖6示出根據所公開的方法的另一個這樣的示例性神經網絡計算模型13。在該示例性模型13中，神經網絡的結構也是三層神經網絡。根據圖6，提出了神經網絡的結構作為在輸入層14中使用400+1個單元(X＝[X₀ X₁ X₂...X₄₀₀])的三層神經網絡模型，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。

盡管已經參考具體實施例描述了本發明，但是該描述并不意味著在限制意義上解釋。在參考本發明的描述時，所公開的實施例的各種修改以及本發明的替代實施例對于本領域技術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明的實施例的情況下進行修改。

附圖標記列表

1 功率轉換器

2 控制器

3 母線

4 AC網絡

5 變壓器

6 轉換器站

7 DC傳輸線路

8 大AC網絡

9 AC發電單元

10 電力線