随着系统的作用变得越来越重要,特别是随着最近对直流(DC)微电网的兴趣日益增加,开发本地电力供应系统的状态估计器是不可避免的。适当的控制和监视需要状态估计器,该状态估计器可以适应直流微电网的新技术。本文主要使用修改后的长期短期记忆(LSTM)网络处理直流微电网状态估计(SE),直到最近才将其应用于预测研究。针对所提议的状态估计器的修改后的LSTM网络采用了基于特定加权最小二乘(WLS)的损失函数进行训练。为了证明所提出的状态估计器的性能,本文与其他SE方法进行了比较研究。结果表明,所提出的状态估计器在估计直流微电网状态方面具有较高的准确性。除了提高准确性外,基于深度学习的状态估计器还提供了比常规状态估计器更快的计算速度。


相关论文以题为“State Estimation for DC Microgrids using Modified Long Short-Term Memory Networks”与发表在《Applied Sciences》上。


新开发的状态估计器,可用于监控电力系统状态!


电力系统的状态可以通过监控和数据采集(SCADA)测量、相量测量单元(PMU)测量和拓扑处理器来估计。EMS的一些最重要的功能是基于SE的,如应急分析、最优潮流和安全评估。直接从遥测中获得的测量数据通常是不完美的,因为随机误差总是存在。在EMS函数使用这些测量值之前,需要经过SE处理以得到与实际值最接近的近似值。这加强了SE在电力系统输电系统层面的重要性。


在过去的十年中,在配电系统技术中出现了巨大的转变。传统的单向模式随着分销系统中的消费者由被动用户演化为主动用户而发生了变化。大约在同一时期,微电网的概念开始出现,作为分布式能源的地方能源系统的替代解决方案。微电网的引入使得配电系统比以前更加活跃,具有更多样化的动态和面向服务的操作。这一现象确立了将配电系统纳入运行控制和监控圈的必要性。因此,微电网SE的发展势在必行。然而,由于输配电系统的不同,用于输配电系统SE (TSSE)的工具可能不能直接适用于微电网,微电网SE应用需要进行一些调整。


此外,为了证明该算法解决微网系统可观测性问题的能力,科学家引入了伪测量值以提高系统的观测精度。本文采用与传统的WLS状态估计器的目标函数相似的损失函数对网络模型进行训练。对损失函数应用一组权重,其中某些权重值对应于某些测量类型。将相同的仿真方案应用于其他SE方法(如传统的基于ls的、基于mlp的和基于常规lstm的SE),以验证所提出的改进的基于lstm的SE的性能。


MLP网络


MLP是FFNN的一种类型。术语MLP或“多层感知器”,指的是许多感知器被组织成几个层。一个感知器可以通过数学上的线性组合来计算多个输入的一个输出。感知器如图1所示。图中,x为输入信号向量,w为权值向量,b为偏置,y为输出。将x、w、b的加权和代入激活函数],得到输出y。方程如下:


新开发的状态估计器,可用于监控电力系统状态!

新开发的状态估计器,可用于监控电力系统状态!


图1.感知器。


几个感知器可以用作结构更复杂的MLP的构建块,因为一个感知器映射输出的能力有限。按照惯例,MLP至少由三层组成,分别是输入层、隐层和输出层。每一层可以有几个神经元或节点。考虑一个具有隐藏层的MLP,如图2所示。每层的计算方法可表示为:


新开发的状态估计器,可用于监控电力系统状态!


其中z为输出向量;x是输入向量;wji和bj分别为输入层的权值矩阵和偏置向量;w~j和b~分别为隐含第二层的权值矩阵和偏置向量;而激活函数是。非线性激活函数可以是sigmoid、tanh、直线单元(ReLU)等。


新开发的状态估计器,可用于监控电力系统状态!


图2.多层感知器(MLP)网络。


MLP网络可以使用一种称为反向传播算法的监督学习技术进行训练。反向传播算法由前向传播和后向传播两步组成。通过上式计算相应输入的预测输出,在前步结束时,通过计算预测输出和实际输出的差得到一个误差。误差可以用成本函数来评估。接下来,在逆向过程中,计算成本函数对不同参数的偏导数,并利用链式法则通过网络向后传播。在此基础上,模型将调整参数以获得最高的精度。网络的权值将通过基于梯度的优化进行调整。整个过程迭代进行,直到权值收敛或找到误差最小的权值为止。


长-短期存储网络


LSTM网络是一种特殊类型的RNN,能够学习长期依赖关系。LSTM网络结构允许它了解基于当前输入的输出与之前计算的输出之间的相关性。因此,LSTM擅长处理和预测时序数据,如时间序列数据。LSTM是Hochreiter和Schmidhuber在1997年开发的。LSTM的建模类似于神经网络的重复模块链。与RNNs相比,LSTM不太受消失或爆发梯度问题的影响,因为它包含遗忘门ft,并且当前细胞状态依赖于遗忘门。通常,LSTM由单元状态、遗忘门、输入门和输出门组成。


图3展示了一个单独的LSTM单元。LSTM的重要部分是细胞状态Ct,它充当存储一段时间内的值的存储器。细胞状态Ct由三门s型函数调控,输出值在0 ~ 1之间。在时间步长t时,遗忘门层ft会评估输入的xt和前一步的隐藏状态ht−1,以决定细胞状态Ct−1中哪些信息会被遗忘。将为细胞状态向量Ct−1中的每个元素分配0到1之间的值。值0表示LSTM应该忘记状态,而值1表示应该保留状态。遗忘门方程写成:


新开发的状态估计器,可用于监控电力系统状态!


新开发的状态估计器,可用于监控电力系统状态!


图3.一个单一的长短期存储器(LSTM)单元。


直流微电网系统配置


本文设计了一套9总线直流微电网测试系统并进行了仿真。如图4所示,直流微电网通过8总线上的双向互连转换器(IC)连接到交流电网。试验系统主要由负荷、蓄电池储能系统(BESS)和光伏系统(PV)组成。BESS是用锂离子电池的等效电路模型建模的,PV是用单晶硅太阳能电池建模的。在仿真中,直流负载额定为20kw,并位于1、2和3总线上。BESSs位于母线5、母线6和母线8上,所有额定功率为20kw。PV系统也位于母线5、母线6和母线8上,额定功率为20千瓦。


新开发的状态估计器,可用于监控电力系统状态!


图4.直流微电网系统的配置。


微电网正常运行时,负荷消耗的电能与微电网内部发电源产生的电能是平衡的。同时,对于波动直流负载,BESS控制应通过指导BESS充电或放电来解决这一问题。此外,加入BESSs和PV系统后,当电网运行方式由并网模式转变为孤岛模式时,微电网能够保持系统的稳定性,维持电网内负荷与发电量的平衡。


结论


电力系统的目标是提供电力系统状态的准确信息。有了从SE获得的正确信息,系统操作员可以安全地操作和控制电力系统。不幸的是,配电系统是电力系统中缺乏实时测量的部分的一个例子。直流微电网在该系统中的集成以及随之而来的系统控制需求,加大了实现更精确的直流微电网的紧迫性。本文提出了一种直流微电网自适应滤波的新方法。状态估计器是基于深度学习的方法,即LSTM网络。采用LSTM作为深度学习方法,减少了传统的WLS SE方法在权重选择时对测量类型误差方差的依赖,因为深度学习方法可以优化自身的权重。此外,一个专门修改的WLS损失函数被整合到训练过程中,为每个测量分配特定的权重,根据它们各自的误差方差作为输入。


通过比较状态估计器的误差值,研究人员进一步验证了基于lstm的改进的SE方法和本文讨论的其他研究方法的性能。在所有的状态估计器中,改进的基于lstm的状态估计器在所有错误类型中具有最小的错误值。与传统的WLS状态估计器相比,深度学习状态估计器不仅提高了精度,而且在离线训练阶段对网络模型进行了密集训练后,在在线测试阶段的计算时间也显著加快。因此,可以得出,采用改进的基于lstm的状态估计器作为深度学习方法,对直流微电网的状态估计比之前的方法更有效、更准确。


论文链接:https://www.mdpi.com/2076-3417/10/9/3028/htm



免责声明

我来说几句

不吐不快,我来说两句
最新评论

还没有人评论哦,抢沙发吧~