基于超调参LSTM神经网络的送端暂态过电压抑制方法与流程

本发明属于电力系统自动化，特别涉及基于超调参lstm神经网络的送端暂态过电压抑制方法。

背景技术：

1、随着大规模新能源经电力电子设备接入电网以及高压直流输电系统的广泛应用，弱送端交流系统的暂态稳定性进一步降低，当高压直流输电系统发生故障时，送端换流母线会产生暂态过电压，影响系统的稳定运行，严重时会引发新能源脱机等故障。暂态过电压的产生是因为盈余无功功率的流动，无功补偿装置的接入对暂态过电压具有抑制作用，可以提高系统的暂态稳定性。近年来，对于无功补偿装置对暂态稳定性的影响得到了广泛研究，且有了一定的成果。

2、目前，对于直流送端暂态过电压的抑制策略，主要分为两部分：一是从换流站控制策略入手：增大换流站触发角、提高最小关断角吸收盈余无功，直流无功死区限制暂态过电压；二是对无功补偿装置的配置，无功补偿装置的区域无功支撑能力以及对故障时的响应速度均有提升，对于送端系统暂态性能稳定具有一定程度提升。但在研究大规模新能源接入的送端电网暂态稳定性时，需要考虑新能源出力的不确定性对暂态过电压的影响。同时，在发生直流闭锁故障时，调整换流站的策略不再适用。因此，亟需一种送端暂态过电压抑制方法，考虑到新能源出力不确定性的无功补偿装置的配置，对新型电力系统直流送端暂态电压进行有效抑制。

技术实现思路

1、本发明的目的是提供基于超调参lstm神经网络的送端暂态过电压抑制方法，其特征在于，包括以下步骤：

2、步骤s1：获取基础数据，对基础数据进行归一化处理得到预处理数据，将预处理数据划分为训练集和检验集；所述基础数据为带有时间序列的新能源出力数据以及直流闭锁故障时无功补偿容量数据；

3、步骤s2：基于训练集对lstm神经网络进行训练，确认lstm神经网络中的初始参数；基于检验集对lstm神经网络进行检验，校验lstm神经网络的预测精度；

4、步骤s3：计算检验集误差ermse，基于检验集误差ermse进行误差指标校验，若误差指标校验失败，则执行步骤s4；若误差指标校验成功，则获得优化后的lstm神经网络，继续执行步骤s5；

5、步骤s4：采用变权重ipso对lstm神经网络的进行超调参优化，返回步骤s2进行迭代；

6、步骤s5：将带有时间序列的新能源出力数据输入优化后的lstm神经网络，获得未来某时段新能源出力数据，通过新能源出力数据与暂态过电压的映射关系获取限制暂态电压所需无功补偿容量，实现送端暂态过电压抑制。

7、所述步骤s3中计算检验集误差ermse的步骤为：

8、

9、其中，y'i与yi分别是预测值与真值，n为校验样本数据个数。

10、所述步骤s3中基于检验集误差ermse进行误差指标校验包括：

11、若检验集误差ermse达到预设置的检验集误差最小值或者迭代次数达到预设置的迭代次数最大值时，判定误差指标校验成功，否则，判定误差指标校验失败。

12、所述步骤s4中采用变权重ipso对lstm神经网络的进行超调参优化具体包括：

13、优化变量为lstm神经元中的权重w和偏差值b；

14、当训练迭代次数1≤t≤tmax/2时，惯性权重ω取凹函数方式递减，调整惯性权重ω1；

15、当迭代次数在tmax/2<t<tmax时，惯性权重采用标准的线性迭代收敛，调整惯性权重为ω2；

16、两部分惯性权重函数采用如下表达式：

17、ω1＝ωmax-(ωmax-ωmin)ln(1+(t/tmax)2)

18、ω2＝ωmax-(ωmax-ωmin)(t/tmax)

19、式中，ωmax为惯性权重最大值；ωmin为惯性权重最小值；t为当前迭代次数；tmax为最大迭代次数。

20、所述步骤s5中新能源出力数据与暂态过电压的映射关系具体包括：

21、暂态电压方程为：

22、

23、式中，pd为直流输送功率；kscr为等效交流侧短路比；

24、

25、式中，us为交流侧系统等效电压；δus为电压降落的横分量；zs为交流侧系统等值阻抗；

26、

27、式中，q'为故障时母线无功功率，qc为故障前的无功补偿容量；u'l为换流母线暂态过电压，ul为换流母线故障前电压；

28、

29、

30、式中，u’l是换流母线暂态过电压；qc是故障前换流母线处接入的无功补偿容量大小；ulim为暂态过电压允许的限制值；qlim为满足暂态过电压限制值下的换流母线处接入的无功补偿容量；ul换流母线故障前电压；us为交流侧系统等效电压；pd是直流输送功率；kscr是等效交流侧短路比。

31、所述步骤s5中获取限制暂态电压所需无功补偿容量的步骤为：

32、δq＝qc-qlim

33、式中，δq为故障时需要补偿的无功容量；qc为故障前的无功补偿容量；qlim为该限定值下的无功补偿容量

34、本发明的有益效果在于：

35、应用本发明公开一种基于超调参lstm神经网络的送端暂态过电压抑制方法，通过分析新能源出力的波动大小与故障时直流送端暂态过电压的关系，采用超调参优化长短时记忆神经网络(long short-term memory network,lstm)预测故障时需要的无功补偿容量大小的方法。该方法可以较为准确地预测不同时段下发生暂态故障后需要的无功补偿容量，面向暂态稳定的无功需求量化评估。相比于传统无功补偿措施，该发明具体到故障所需的无功补偿容量大小，在考虑到新能源出力不确定性的前提下，能够有效抑制不同运行工况下的发生故障时的暂态过电压。与常规lstm神经网络预测相比，超调参优化后的神经网络对新能源出力不确定性的跟踪预测更加精准，得到的故障无功补偿容量对暂态电压的抑制效果更好。最后通过算例分析，比较传统定无功补偿容量、超调参优化前lstm神经网络预测补偿容量以及超调参优化后lstm神经网络预测补偿容量下的送端电网暂态电压稳定性。通过实施例比较采用定无功补偿容量、超调参优化前lstm神经网络预测的无功补偿容量以及超调优化后lstm神经网络预测的无功补偿容量对暂态过电压的补偿效果，验证的发明的有效性。本方法以超调参优化的lstm神经网络为基础，通过ipso优化参数以及神经网络的训练，预测不同时段采取的不同补偿容量，对暂态过电压的抑制更加有效。

技术特征：

1.一种基于超调参lstm神经网络的送端暂态过电压抑制方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于超调参lstm神经网络的送端暂态过电压抑制方法，其特征在于，所述步骤s3中计算检验集误差ermse的步骤为：

3.根据权利要求1所述的基于超调参lstm神经网络的送端暂态过电压抑制方法，其特征在于，所述步骤s3中基于检验集误差ermse进行误差指标校验包括：

4.根据权利要求1所述的基于超调参lstm神经网络的送端暂态过电压抑制方法，其特征在于，所述步骤s4中采用变权重ipso对lstm神经网络的进行超调参优化具体包括：

5.根据权利要求1所述的基于超调参lstm神经网络的送端暂态过电压抑制方法，其特征在于，所述步骤s5中新能源出力数据与暂态过电压的映射关系具体包括：

6.根据权利要求1所述的基于超调参lstm神经网络的送端暂态过电压抑制方法，其特征在于，所述步骤s5中获取限制暂态电压所需无功补偿容量的步骤为：

技术总结本发明公开了属于电力系统自动化技术领域，特别涉及一种基于超调参LSTM神经网络的送端暂态过电压抑制方法，包括：获取基础数据，对基础数据进行归一化处理得到预处理数据，将预处理数据划分为训练集和检验集；计算检验集误差E<subgt;RMSE</subgt;，进行误差指标校验，若失败采用变权重IPSO对LSTM神经网络的进行超调参优化并进行迭代；若成功则获得优化后的LSTM神经网络，获得未来某时段新能源出力数据，通过新能源出力数据与暂态过电压的映射关系获取限制暂态电压所需无功补偿容量，实现送端暂态过电压抑制。本方法以超调参优化的LSTM神经网络为基础，通过IPSO优化参数以及神经网络的训练，对暂态过电压的抑制更加有效。技术研发人员：孙海斌,傅国斌,王学斌,宋锐,丁玉杰,杨凯璇,陈艳波,刘镇湘,马嘉昊,黄涛,张智受保护的技术使用者：国网青海省电力公司电力科学研究院技术研发日：技术公布日：2024/7/29