[论文解读] Parameters Calibration for Power Grid Stability Models using Deep Learning Methods
本文提出一种基于深度学习的方法，利用PMU测量数据和自动仿真数据生成，校准电力系统稳定模型的参数。通过使用在扰动参数生成的合成动态响应上训练的多输出卷积神经网络（CNN），该方法在关键参数（如发电机惯性时间常数H和励磁增益Ka）上的预测误差相比传统方法和常规MLP降低了高达80%，实现了更高的准确性。
This paper presents a novel parameter calibration approach for power system stability models using automatic data generation and advanced deep learning technology. A PMU-measurement-based event playback approach is used to identify potential inaccurate parameters and automatically generate extensive simulation data, which are used for training a convolutional neural network (CNN). The accurate parameters will be predicted by the well-trained CNN model and validated by original PMU measurements. The accuracy and effectiveness of the proposed deep learning approach have been validated through extensive simulation and field data.
研究动机与目标
- 解决传统离线参数校准在电力系统稳定模型中成本高、耗时长的问题。
- 利用广泛部署的PMU测量数据，实现实时、数据驱动的模型验证与校准。
- 开发一种自动化、可扩展的方法，用于识别和修正复杂稳定模型中的不准确参数。
- 通过深度学习而非迭代优化或修改源代码的滤波器，提升校准的准确性与效率。
- 使用完整发电单元的仿真与真实PMU数据对方法进行验证。
提出的方法
- 采用基于PMU测量数据的“事件回放”技术，将仿真动态响应与实际PMU测量数据进行对比，识别参数差异。
- 应用灵敏度分析（公式1）按其对动态响应的影响对参数进行排序，将搜索范围缩小至高灵敏度候选参数，如发电机惯性时间常数H和励磁增益Ka。
- 通过将目标参数在原始值的50%至200%范围内随机扰动，自动生成10,000组仿真数据集。
- 训练一种具有共享卷积层、ReLU激活函数、最大池化和Dropout正则化的多输出CNN，从动态响应波形中预测参数值。
- 采用均方根误差（RMS误差）作为损失函数，并采用双分支架构同时预测多个参数，从而降低计算负载。
- 通过第二次“事件回放”验证预测结果：使用CNN预测的参数进行仿真，将结果与原始PMU数据进行比较。
实验结果
研究问题
- RQ1在自动生成的仿真数据上训练的深度学习模型，能否从PMU测量数据中准确预测稳定模型参数？
- RQ2与传统MLP相比，基于CNN的方法在参数预测精度和抗噪声能力方面表现如何？
- RQ3与传统优化或滤波技术相比，该方法在多大程度上可降低校准误差？
- RQ4该方法能否可靠地识别并修正真实电力系统模型中的关键不稳定参数（如H、Ka、Tb、Ks）？
- RQ5CNN的平移不变性与池化结构是否能提升动态响应预测中的泛化能力与抗噪鲁棒性？
主要发现
- 与MLP模型相比，CNN模型的预测误差显著降低，关键参数（如发电机惯性时间常数H和励磁增益Ka）的平均绝对误差最高可减少80%。
- 对于参数H，CNN将平均误差从MLP的3.76%降低至1.39%，最大误差从10.30%降至3.77%。
- CNN对励磁增益Ka的预测平均误差仅为0.96%，而MLP为3.46%；最大误差分别为4.83%与16.84%。
- 时间常数Tb在两种模型中的偏差均极小（误差小于2%），表明其具有高度稳定性和一致性。
- CNN对调速器增益Ks的预测平均误差仅为0.33%，而MLP为2.86%。
- 使用CNN预测参数生成的仿真动态响应与真实PMU测量数据高度吻合，优于原始模型输出和MLP校准结果。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。