用于估计交流网络的状态的方法和随后的自适应控制与流程

本发明涉及一种用于估计AC网络的状态的方法，更具体地，涉及一种用于估计AC网络的状态并基于AC网络的状态来实现自适应控制的方法。

背景技术：

具有关于AC网络的状态的估计对于大功率转换器的安全和稳定操作和一般的电力系统非常重要。在这种情况下，AC网络的状态意味着存在孤岛或非孤岛网络条件、负载馈线的损耗或AC网络的强度以及附近的电压控制器的量。一旦已知AC网络的状态，就可以设置自适应控制过程，例如可以调整与功率转换器相关联的控制器参数以实现功率转换器中的改进的性能行为。例如，对于具有弱附近电压控制量的弱AC网络，将以一种方式调整控制器参数，并且对于具有强附近电压控制量的强AC网络，以另一种方式调整控制器参数。

在孤岛网络条件下，系统的一小部分与AC网络的其余部分隔离。这可能是由于线路跳闸、或变压器故障和其他类似的意外事故。孤岛网络条件的发生是潜在的危险情况，其可能在AC网络的电气设备上引起危险应力，引起系统不稳定性并且可能导致切断或断电。

负载馈线的损耗适用于电力电子转换器，由于系统偶然性，其完全隔离或从AC网络断开。系统偶然性可以是例如AC线路或变压器的意外跳闸。负载馈线的损耗是潜在的危险情况，其可能对电力电子转换器内的电气设备造成危险的应力。

没有用于估计AC网络的状态的快速和可靠的系统，其能够在发生之后的几毫秒内识别负载馈线的孤岛或损耗，这可能是电气设备上的临界应力的原因。此外，不能精确地估计AC网络的强度，并且附近电压控制的量可能导致由诸如SVC、HVDC或风力涡轮机控制的功率电子设备采取的低于最优控制动作，导致系统不稳定性和功率中断。

到目前为止，在快速动态功率电子控制器(例如LCC和VSC HVDC)的情况下，需要来自网络运营商的外部触发信号来识别孤岛的网络条件，以便在孤岛电网条件的存在下采取适当的控制动作。在现有技术中不知道如何在其出现的50到100毫秒内非常快速地精确地预测孤岛或非孤岛网络条件。

具有关于AC网络的状态的估计，可以根据系统的强度和附近的电压控制器的存在来调整控制器参数，例如通过调节增益、时间常数等，并且因此改进控制器适应新系统条件的能力。

用于电力电子转换器的自动增益调整是一个越来越重要的课题，其仅被部分地解决。它允许转换器，例如静态无功补偿器或STATCOM，调整其控制器参数，以在系统动态过程中提供更好的性能。

基于在稳态条件期间开始的测量，迄今已经实现了自动增益调整。增益测试基本上包括测量由于来自转换器的一定量的无功功率(dQ)的注入或吸收而导致的母线中的电压变化(dV)。然后使用相对于无功功率的变化的电压变化(dv/dq)来估计连接到变换器的母线的强度。母线的强度由其对在那个母线中注入或吸收无功和有功功率时的电压和频率变化的灵敏度限定。与弱母线相比，强母线不容易发生电压和频率变化。

在不存在来自功率转换器的功率注入或吸收的情况下，另一种增益测试方法是切换或去掉AC滤波器、并联电容器或电抗器，并且再次测量电压相对于无功功率的变化率(dv/dq)。

随着AC网络中的电压控制功率电子转换器的数量的增加，到目前为止的最大挑战之一是具有适当的控制器参数选择，例如增益，其考虑了附近的“其它”电压控制设备的存在。

不具有系统强度和附近电压控制器的量的可靠估计是低于最佳性能行为的原因，例如功率电子驱动转换器中的上升时间、稳定时间最大过冲、不足的阻尼振荡等。

到目前为止，执行如上所述的增益测试以估计转换器连接到的母线的强度，然而如果存在附近的电压控制设备，例如其他快速动态补偿，则增益测试的结果将会误导。例如，具有大量附近电压控制器的非常弱的母线可能看起来像增益测试的强母线，导致完全不适当的控制器参数调整。

因此，越来越需要一种准确地估计AC网络的状态的方法。一旦估计了AC网络的状态，就可以使用相同的信息来相应地改变功率转换器的控制器参数，以实现更好的系统性能。

技术实现要素：

本发明的一个目的是快速预测AC网络的状态，例如，是否存在孤岛或非孤岛网络条件，是否发生了负载馈线的损耗，以及AC网络的强度和存在的附近电压控制的量是多少，并且因此调整控制器参数以实现最佳系统性能。该目的通过一种用于估计连接到功率转换器的AC网络的状态的方法来实现，该方法包括：提供训练数据集的步骤，该训练数据集包括训练样本集合(X＝[X₀ X₁ X₂ ... X_n])和AC网络的状态的对应输出(y)；基于训练数据集训练假设函数(h_θ(x))的步骤；以及最后使用假设函数(h_θ(x))估计AC网络的状态的步骤。

训练的假设函数(h_θ(x))的使用是监督学习方法的形式。监督学习是从标记的训练数据推断函数的机器学习任务。训练数据由训练示例组成。训练示例包括输入向量(“特征X”)及其相关联的正确输出值(y)。监督学习算法的任务是分析训练数据并提出假设函数(h_θ(x))，其可以用于映射新的示例，即用于所有训练示例的h_θ(x)≈y。

在本发明中，监督学习方法的任务是基于由所选择的“特征X”的输入向量及其对应的输出y(即正确答案)构成的训练集，以创建函数(h_θ(x))来快速且准确地估计AC网络的状态，是孤岛状网络条件还是非孤岛状网络条件，是否发生了负载馈线的损耗，以及AC网络的强度以及附近电压控制器的量。

使用人工智能算法来快速获得AC网络的状态和网络强度的准确估计的挑战之一是识别适当的“特征X”以用作算法的输入。对于本发明，提出了神经网络计算模型。

神经网络从训练数据集推广和学习的能力在某种意义上模仿人类从经验中学习的能力。神经网络用于预测和估计问题。对于使用神经网络来解决的问题，需要很好理解的输入。需要很好地了解哪些功能对于预测正确的输出很重要。这样的输入可以容易地获得，但是如何组合它们以获得准确的估计不清楚。下一个要求是具有很好理解的输出，即关于期望被估计、预测或建模的输出的种类的信息。下一个因素是使用可用的经验。对于训练神经网络，具有由经验获得的训练集的样本。在这些样本数据集中，输入、特征向量(“特征X”)和输出(y)是用于训练神经网络的已知情况。

该方法还包括基于所估计的AC网络的状态来调整功率转换器的控制器参数的步骤。例如，对于孤岛网络条件，以一种方式调整控制器参数，对于非孤岛网络条件，以另一种方式调整控制器参数。类似地，对于电压和频率较易于随着弱附近电压控制量而变化的弱AC网络，以一种方式调整控制器参数，并且对于电压和频率较不易于随着强附近电压控制量而变化的强AC网络，以另一种方式调整控制器参数。

例如，用于强AC网络的SVC或STATCOM的电压控制器增益需要高于弱AC网络的电压控制器增益。

在一个实施例中，AC网络的状态是孤岛或非孤岛网络条件之一、负载馈线的损耗或具有附近电压控制量的AC网络的强度。在发生后的几毫秒内识别孤岛网络条件或负载馈线的损耗可以防止电气设备中的临界应力。它还可以帮助电力电子设备采取最佳控制动作，从而防止系统不稳定性和停电发生。即使在诸如HVDC LCC转换器、VSC HVDC、风力涡轮机和STATCOM/SVC的高度非线性电力电子设备的存在下，本发明中提出的监督学习方法也允许快速和准确的AC网络状态识别。

如前所述，在孤岛网络条件下，系统的一小部分与AC网络的其余部分隔离。这可能由于线路的跳闸、或变压器的故障和其他类似的偶然事件而发生。孤岛网络条件的发生是潜在的危险情况，其可能在AC网络的电气设备上引起危险应力，引起系统不稳定性并且可能导致电力切断或断电。

负载馈线的损耗适用于电力电子转换器，由于系统偶然性，其完全隔离或从AC网络断开。系统偶然性可以是例如AC线路或变压器的无意跳闸。负载馈线的损耗是潜在的危险情况，其可能对电力电子转换器内的电气设备造成危险的应力。

在另一个实施例中，从电压测量(V)、与网络测量的无功功率交换(Q_ex)、与网络测量的有功功率交换(P_ex)和AC网络的网络频率测量(Freq)中的一个或多个导出训练样本集合(X＝[X₀ X₁ X₂ ... X_n])。

对于神经网络的这种应用，即用于估计AC网络的状态，本发明提出例如上述测量作为要用作神经网络的输入的特征。也可以使用任何其它合适的测量。在网络的所需的母线处进行电压测量。与用于转换器电压控制器的电压测量相同的电压测量是适当的。正序基频电压测量可以用作替代。还测量与网络的无功功率交换测量(Q_ex)，与网络的有功功率交换测量(P_ex)以及网络频率测量。这些测量可以在网络的所需的母线处或在电网的电力线处进行。

在另一实施例中，在系统偶然事件之前、期间和/或之后测量训练样本集合(X＝[X₀ X₁ X₂ ... X_n])。因此，对于要检测的系统偶然事件，需要某种形式的故障检测，使得一旦故障被清除，则输入“特征X”所需的测量，即训练示例可以开始。一种这样的故障检测方法可以是使用欠电压检测来标记AC网络中的故障事件或意外事件，并触发神经网络AC网络状态估计过程。例如，0.8V的欠电压可以用作触发器。可用于检测故障的其它因素可以是过电压、过电流、欠电流或其它类似的可监控条件。欠电压条件提供了一种简单且容易的故障检测方法。

在一个实施例中，系统偶然事件是故障清除事件。在另一个实施例中，系统偶然事件是增益测试，其中无功功率从功率转换器注入或吸收到AC网络中。然而，也可以使用任何其它增益测试方法，例如，在不存在来自功率转换器的功率注入或吸收的情况下，AC滤波器或电抗器可以被接通或断开，并且测量电压相对于功率的变化(dv/dq)。

在一个实施例中，在系统偶然事件之前、期间和之后的第一时间段测量电压测量(V)和在第二时间段的步骤中将其引入AC网络。在该方法的另一个实施例中，在系统偶然事件之前、期间和之后的第一时间段测量网络频率测量(Freq)和在第二时间段的步骤中将其引入AC网络。在又一个实施例中，在系统偶然事件之前、期间和之后的第一时间段测量有功功率交换测量(P_ex)，和在第二时间段的步骤中将其引入AC网络。在另一个实施例中，在系统偶然事件之前、期间和之后的第一时间段测量无功功率交换测量(Q_ex)和在第二时间段的步骤中将其引入AC网络。

第一时间段对应于进行测量的时间段，第二时间段对应于每次测量之间的时间步长。

在示例性实施例中，当系统偶然事件是故障清除事件时，第一时间段跨越50ms，第二时间段为5ms。在故障清除事件发生后的第一个50ms内，在所需的母线上开始测量，并以5ms步长进行测量。

在另一示例性实施例中，当系统偶然事件是增益测试时，第一时间段跨越200ms，第二时间段为1ms。测量在转换器的所需的母线上开始，持续200ms的跨度，其覆盖在增益测试之前、期间和之后的持续时间，步长为1ms。

由于为神经网络的这种应用而提出的特征的性质，测量之间的时间步长，例如建议5ms或1ms，以及总体测量的长度，例如建议50ms或200ms，影响神经网络的输入“特征X”的数量。

用于“特征”定义的测量的长度，即第一时间段，影响估计的精度。使用的测量越长，预测就越准确，因为算法具有更多的信息来为其预测提供基础。如果其它测量时间显示更好的性能，则可以使用其它测量时间，重要的是预测的准确性是可接受的，并且该预测在时间上可用以采取有效的控制动作。

用于“特征”定义的时间步长，即第二时间段，影响估计精度。如果其他时间步骤显示更好的性能，可以使用其他时间步长，重要的是预测的准确性是可接受的。例如，以5ms或1ms的小步长进行测量将提供用于训练假设函数h_θ(x)的更好和更精细的训练数据集。

下面的表1示出了“特征X”的示例性训练数据集，假设具有由输入向量或训练示例(X＝[X₀ X₁ X₂ ... X_n])以及AC网络的状态的对应输出(y)构成的'm'个训练样本，可用于使用神经网络计算模型来利用假设函数h_θ(x)估计AC网络的状态的方法。在这种情况下，向量X是由“特征X”＝(X＝[X₀ X₁ X₂ ... X_n])∈R⁴⁰⁺¹给出的输入变量。所提出的“特征X”涉及在偶然事件之后进行的测量，例如故障清除事件。

表1

第一列具有使用的训练样本的数目(m)。下一组列包含从电压(V)、与网络的无功功率交换测量(Q_ex)、与网络的有功功率交换测量(P_ex)和AC网络的网络频率测量(Freq)导出的输入变量“特征X”。在故障清除或偶发事件发生后，所有测量以5ms的步长测量，持续50ms。最后一列给出了AC网络的正确输出状态(y)。对于表1中所示的该示例性训练数据集，AC网络的状态被估计为孤岛网络条件或非孤岛网络条件。这些结果以二进制形式'0'或'1'表示，其中'0'意味着作为AC网络状态的孤岛网络条件，并且'0'意味着非孤岛网络条件。

在该示例中，表1仅提供用于训练假设函数h_θ(x)的一个样本训练数据集。上表只是一个示例数据集。然而，对于不同的网络，可以使用不同的样本来形成相应的数据集。

表2

下面的表2示出了另一示例性训练数据集。第一列具有使用的训练样本的数目(m)。下一组列包含从电压(V)、与网络的无功功率交换测量(Q_ex)、与网络的有功功率交换测量(P_ex)和AC网络的网络频率测量(Freq)导出的输入变量“特征X”。在故障清除或偶发事件发生后，所有测量以5ms的步长测量，持续50ms。最后一列给出AC网络的正确输出状态(y)，即，是否存在负载馈线的损耗或是仍然存在与AC网络的连接。对于表2中所示的该示例性训练示例数据集，AC网络的状态被估计为负载馈线的损耗。这些结果以二进制形式'0'或'1'表示，其中'1'意味着负载馈线的损耗或者与AC网络的完全断开，并且'0'意味着仍然存在与AC网络连接。

下面的表3示出了另一示例性训练数据集，其中偶然事件是增益测试，即，其涉及待在增益测试期间用作训练样本“特征X”(X＝[X₀ X₁ X₂ ... X_n])的测量。

表3

上述的所提出的“特征X”涉及在增益测试期间的测量，因此需要某种增益测试开始标志，使得对于输入“特征X”的测量可以开始。例如，用户可以在增益测试开始时发送输入作为触发。

在表3中，正如在表1中，第一列具有数量(m)个使用的训练样本。下一组列包含从电压(V)导出的输入变量“特征X”和在转换器的母线处获得的与网络的无功功率交换测量(Q_ex)。所有测量在作为应急事件的增益测试之前、期间和之后的200ms中以1ms的步长来测量。最后一列给出了AC网络的正确输出状态(y)。对于表3中所示的该示例性训练数据集，AC网络的状态被估计为来自十五个状态输出中的一个。针对该示例提出了多类分类问题，其中神经网络输出h_θ(x)将预测许多不同分类中的一个。对于该任务，使用十五个不同的类作为示例。给定下文描述的十五个提出的类，还公开了用于训练神经网络的正确答案向量“y”。

十五个不同的类仅仅是一个示例性实施例，然而，根据要求或用户需要，也可以使用更高或更低的任何其他数量的分类器。第一类输出条件被注释为y＝[1 0 0 0 0 0 0 0 0 0 0 0 0 0 0]，其将AC网络的状态表示为具有强附近电压控制量的非常强的AC网络。第二类输出条件被注释为y＝[0 1 0 0 0 0 0 0 0 0 0 0 0 0 0]，其表示AC网络的状态为具有中等附近电压控制量的非常强的AC网络。第三类输出条件被注释为y＝[0 0 1 0 0 0 0 0 0 0 0 0 0 0 0]，其将AC网络的状态表示为具有弱附近电压控制量的非常强的AC网络。类似地，对于强、正常强度，弱和非常弱的AC网络以及相应的强、中和弱附近电压控制量，存在十二个其他类的输出条件。

在另一实施例中，使用神经网络计算模型推导假设函数h_θ(x)。在给定包括训练样本(X)和观察输出(y)的集合的训练数据集的情况下，神经网络用于预测和估计问题。这个训练数据集有助于建立一个可应用于未来条件的函数，以在给定输入条件集合的情况下预测最可能的输出。在所公开的方法中，训练数据集，即训练样本(X＝[X_C X₁ X₂ ... X_n])和AC网络的状态的对应输出(y)是已知的用于训练神经网络假设函数h_θ(x)的情况。人工神经网络允许多维非线性模式识别，结果提供更快速和准确的预测。

在该方法的一个实施例中，神经网络计算模型包括输入层、至少一个隐藏层和输出层。输入层包括输入特征向量(X＝[X₀ X₁ X₂ ... X_n])，隐藏层包括激活单元(a₀，a₁，...a_k)，输出层包括AC网络的状态的对应输出(h_θ(x))。在神经网络计算模型中，第一权重矩阵(θ⁽¹⁾)控制输入层的输入特征向量(X＝[X₀ X₁ X₂ ... X_n])到隐藏层的激活单元(a₀，a₁，...a_k)的函数映射，并且第二权重矩阵(θ⁽²⁾)控制隐藏层的激活单元(a₀，a₁，...a_k)到输出层的AC网络的状态的对应输出(h_θ(x))的函数映射。神经网络的目标是以高精度将AC网络的状态估计为神经网络的权重矩阵(θ⁽¹⁾，θ⁽²⁾)的函数，即h_θ(x)≈y，适用于所有训练示例。

可以有多个隐藏层。在这样的神经网络中，将存在多于两个权重矩阵(θ^(j))。使用以下规则可以容易地获得各层的权重矩阵(θ^(j))的尺寸。如果网络在层j中具有S_j个单元并且在层j+1中具有S_k个单元，则权重矩阵θ^(j)将具有尺寸[S_k x S_j+1]。

训练神经网络的结果是找到控制从分布在整个网络上的层j到层j+1的函数映射的内部权重矩阵(θ^(j))。如果神经网络已被训练，则这些权重矩阵(θ^(j))被用于使用输入变量即“特征X”来预测系统的AC网络的状态(y)。

在该方法的优选实施例的第一示例中，神经网络的结构是在输入层中使用40个单元(X＝[X₀ X₁ X₂ ... X₄₀])的三层神经网络，8个单元(a₀，a₁，...a₈)在隐藏层中，一个在输出层(y)中。当AC网络的状态被预测为孤岛或非孤岛网络条件或负载馈线损耗时，该实施例是有用的。

在该方法的优选实施例的第二示例中，神经网络的结构是在输入层中使用400个单元(X＝[X₀ X₁ X₂ ... X₄₀₀])的三层神经网络，25个单元(a₀，a₁，...a₂₅)在隐藏层中，15个单元在输出层(y)中。当AC网络的状态被预测为如前所述的十五个类别中的一个时，该实施例是有用的，包括提示AC网络的强度和存在的附近电压控制量的不同变化。

层的数量以及隐藏层中的单元数量可以变化。这将对训练神经网络所需的精度和计算能力产生影响。在上述优选实施例中提出的结构证明在很大程度上是精确的，而不需要大量的计算能力来训练。其他神经网络结构可用于提高精度。

在另一实施例中，该方法还包括使用Sigmoid函数来推导假设函数(h_θ(x))的步骤，其中h_θ(x)＝g[θ⁽²⁾{g(θ⁽¹⁾x)}]，其中通过迭代地调整权重矩阵(θ⁽¹⁾，θ⁽²⁾)来确定权重矩阵(θ⁽¹⁾，θ⁽²⁾)，以使成本函数(J(θ))最小化。Sigmoid函数(g(z))用作隐藏层中的激活函数，其用于神经网络的输出的计算，即(h_θ(x))。任何其他激活功能也是可能的。使用Sigmoid函数(g(z))作为激活函数形成假设函数(h_θ(x))，其中h_θ(x)＝g[θ⁽²⁾{g(θ⁽¹⁾x)}]。给定一组输入，即输入变量“特征X”＝[X₀ X₁ X₂ ... X_n]∈Rⁿ⁺¹，并且对于每个层(θ⁽¹⁾，θ⁽²⁾)给定权重矩阵(θ^(j))，神经网络的输出，即AC网络的估计状态(h_θ(x))，可以利用h_θ(x)＝g[θ⁽²⁾{g(θ⁽¹⁾x)}]来计算。成本函数(J(θ))被给出为：

其中'm'是训练样本的数目，'λ'是避免过拟合的正则化参数，'L'是网络中的层的总数，s₁是层'1'中单元的数目，其中如果神经网络的层'1'具有3层，则'1'可以是1、2或3。

在又一个实施例中，通过使用反向传播算法来迭代地调整权重矩阵(θ⁽¹⁾，θ⁽²⁾)来确定权重矩阵(θ⁽¹⁾，θ⁽²⁾)，以便最小化成本函数，J(θ)。一旦神经网络被训练，则这些权重矩阵θ^(j)被用于仅使用输入“特征X”来预测AC网络的状态。使用反向传播算法使得该方法能够快速和容易地获得权重矩阵θ^(j)的最佳可能的估计。然而，存在可以用于相同目的的其他算法。这种算法的另一个例子是共轭梯度算法。

在另一个实施例中，成本函数J(θ)是在估计从学习算法(hθ(x))获得的AC网络的状态中的误差的度量，该误差是与AC网络的状态的对应输出(y)相比较而言的。成本函数J(θ)通过训练学习算法以获得准确的假设(h_θ(x))，有助于使方法更准确地预测AC网络的输出状态。

附图说明

现在将参考本发明的附图来解决本发明的上述和其它特征。所示实施例旨在说明而非限制本发明。附图包括以下附图，其中在整个说明书和附图中相同的附图标记表示相同的部件。

图1是示出了具有配备有功率转换器的转换器站的HVDC传输系统的示意图。

图2是示出了非孤岛网络条件的示意图。

图3示出了包含根据所公开的方法的步骤的流程图。

图4描绘了功率转换器和功率转换器的控制器的框图。

图5示出了根据所公开的方法的示例性神经网络计算模型。

图6示出了根据所公开的方法的另一示例性神经网络计算模型。

具体实施方式

如图1所示，AC网络或电网4经由变压器5连接到转换器站6。转换器母线3将转换器站6连接到其对应的AC网络4，并且母线11将AC网络4连接到发送侧的变压器5。转换器站6在发送侧通过DC传输线路7连接到接收侧的转换器站6。功率的传输通过DC传输线路7在大距离上进行。转换器站6包括电力转换器1(图1中未示出)。

在所示实施例中，从连接到AC网络4的所需的母线11获取要用作训练示例(X＝[X₀X₁ X₂...X_n])的输入之一的电压测量(V)。从例如在所需的母线11处进行的电压测量和电流测量，进一步导出诸如与AC网络的无功功率交换测量(Q_ex)、与AC网络的有功功率交换测量(P_ex)之类的其他输入。

图2是示出作为用于HVDC系统的非孤岛网络条件的AC网络4的状态的示意图。

根据图2，由包括发电以及中电压和低电压分配网络的高压输电网络构成的大AC网络8通过电力线10连接到AC发电单元9。大AC网络8与AC发电单元9一起在发送侧形成AC网络或网格4。该AC网络4经由变压器5连接到转换器站6。在接收侧，存在逆变器电网12。

变换器母线3将转换器站6连接到AC网络4，并且母线11将AC网络4连接到发送侧的变压器5。发送侧是系统的从其产生AC功率以通过DC传输线7在DC网络上传输的一侧。发送侧的转换器站6经由DC传输线7连接到接收侧的转换器站6。所需的母线11将大AC电网8和AC发电单元9连接到发送侧的变压器5。传输的DC电力来自AC发电单元9以及大AC网络8。

例如，当系统的一小部分与AC网络的其余部分断开连接时，发生孤岛网络条件。根据图2，小隔离系统是HVDC整流器转换器站6以及变压器5、转换器母线3和发电单元9。

在孤岛网络条件的情况下，电力线10跳闸并且小AC系统，即HVDC整流器转换器站5、3、6和发电单元9从大AC网络8断开并且与AC网络的其余部分隔离。在电力线10跳闸之后，来自大AC网络8的AC电力不再存在，所以HVDC系统必须快速调整从发送侧传输到接收侧的DC电力，以便匹配三个AC发电单元9的生成的功率。

这种情况仅显示孤立的孤岛网络条件可能如何发生的一个示例性形式，然而形成孤岛状网络条件的许多其他不同方式是可能的。

图3示出了估计连接到功率转换器1(参见图1)的AC网络4的状态所要执行的步骤。方法100包括提供训练数据集的第一步骤101，该训练数据集包括训练样本集合(X＝[X₀ X₁X₂ ... X_n])和AC网络4的状态的对应输出(y)。方法100包括基于训练数据集来训练假设函数(h_θ(x))的第二步骤102。此后，执行使用假设函数(h_θ(x))来估计AC网络4的状态的第三步骤103。

本发明中呈现的方法100允许快速和准确地估计AC网络4的状态。

图4示出了功率转换器1及其控制器2的框图。每个功率转换器1具有其对应的控制器2，通过该控制器控制功率转换器1。AC网络输出的估计状态是(h_θ(x))，用于改变或优化控制器2参数，以便在系统动态期间实现更好的性能，例如，上升时间、稳定时间、最大过冲等。

包括一组训练样本(X＝[X₀ X₁ X₂ ... X_n])的训练数据集是从电压测量(V)和/或无功功率交换测量(Q_ex)和其他先前提到的对AC网络4在偶然事件之前，期间或之后进行的测量。并且这些测量从连接到功率转换器1的所需的母线11获取。

基于训练数据集，假设函数(h_θ(x))学习准确地预测AC网络4的状态。系统母线的改变的强度在系统偶然事件之后，例如在孤岛网络条件发生之后，立即可能不利地影响系统的性能。该方法100将确保系统适应新的系统条件并且甚至在系统偶然事件之后给出改进的动态性能。

图5示出了根据所公开的方法的示例性神经网络计算模型13。在该示例性模型13中，神经网络的结构是三层神经网络。第一层是包括n+1个单元(X＝[X₀ X₁ X₂ ... X_n])的输入层14，包括偏置单元X₀。第二层是使用k+1个单元(a₀，a₁，...a_k)的隐藏层15，包括根据图5的偏置单元a₀。隐藏层15的单元也被称为激活单元。并且第三层是具有至少1个单元(h_θ(x))的输出层16。对于该特定示例性神经网络计算模型，输出层16仅具有根据图5的1个单元。

第一权重矩阵17(θ⁽¹⁾)控制输入层14的输入变量集合(X＝[X₀ X₁ X₂ ... X_n])到隐藏层15的激活单元(a₀，a₁，...a_k)的函数映射，第二权重矩阵18(θ⁽²⁾)控制隐藏层15的激活单元(a₀，a₁，...a_k)到输出层16的AC网络的对应状态(h_θ(x))的函数映射。图5仅示出了神经网络模型13的示例，但是每层中具有不同数目的单元和不同层数的其他神经网络计算模型13也可以为相同的目的而创建。

图6示出根据所公开的方法的另一个这样的示例性神经网络计算模型13。在该示例性模型13中，神经网络的结构也是三层神经网络。根据图6，提出了神经网络的结构作为在输入层14中使用400+1个单元(X＝[X₀ X₁ X₂...X₄₀₀])的三层神经网络模型，25+1个单元(a₀，a₁，...a₂₅)在隐藏层15中，以及15个单元(C₁ C₂...C₁₅)在输出层16中。

尽管已经参考具体实施例描述了本发明，但是该描述并不意味着在限制意义上解释。在参考本发明的描述时，所公开的实施例的各种修改以及本发明的替代实施例对于本领域技术人员将变得显而易见。因此，预期可以在不脱离所定义的本发明的实施例的情况下进行修改。

附图标记列表

1 功率转换器

2 控制器

3 母线

4 AC网络

5 变压器

6 转换器站

7 DC传输线路

8 大AC网络

9 AC发电单元

10 电力线

11 所需的母线

13 神经网络计算模型

14 输入层

15 隐藏层

16 输出层

17 第一权重矩阵θ⁽¹⁾

18 第二权重矩阵θ⁽²⁾

100 方法

101 提供训练数据集的步骤

102 训练假设函数(h_θ(x))的步骤

103 估计AC网络的状态的步骤