融合多专家微分神经网络的电力系统电磁暂态动态等值方法

背景与意义

• 新型电力系统呈现“双高”特征，即新能源发电占比高、交直流混联程度高。
• 电磁暂态仿真对于评估系统稳定水平和校核控制保护策略至关重要，但传统仿真方法难以准确刻画新型电力系统的暂态特性。
• 面对新型电力系统，构建精确电磁暂态模型面临模型结构难以构建、参数难以获取、模型维数高等问题。

融合多专家神经网络的动态建模方法

• 采用基于微分神经网络的连续域建模方法，解决传统神经网络离散输出的问题。
• 提出门控多专家混合模型（MMOE）和高阶微分神经网络，提升元件多场景动力学建模能力。
• 提出动态元件阶数自适应识别方法，通过积分路径识别最优等效元件建模阶数。
• 采用基于伴随灵敏度的参数训练方法，大幅减少内存占用并降低数值梯度计算的舍入误差。

机理-数据联合仿真接口设计

• 将多专家混合网络的输入输出设计为类EMTP计算模式，实现数据驱动元件与机理模型的联合仿真。
• 通过CloudPSS电磁暂态云仿真平台，将多专家微分神经网络封装为元件接入仿真，支持灵活的CPU/GPU调度。
• 分析表明，在元件数量多、复杂度高时，数据驱动建模具有计算优势。

数据驱动建模算例验证

• 在IEEE39节点系统中，数据驱动等值模型的均方误差为2.23×10^-3，平均误差为3.68×10^-2，满足大扰动稳定分析需求。
• 训练过程与仿真过程变步长计算测试显示，基于MMOE-DAE的模型误差较现有方法减少20%以上。
• 风机机组微分神经网络等值模型精确仿真宽频振荡过程，振荡分量幅值偏差为5%。
• 高比例新能源交直流电网频率稳定仿真测试表明，MMOE-DAE等值模型在80s周期内最大频率偏差仅为0.00017Hz。

总结

• 基于人工智能深度融合机理知识与系统量测，构建数据驱动模型是电力系统建模仿真的重要方向。
• 数据驱动电磁暂态建模已展现一定效果，但在数值稳定性、计算效率、可迁移性、标准化设计及工程应用等方面仍需进一步探索。