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

时间：2025年10月25日 个人介绍 ■学习工作经历 2013.09-2019.06山东大学电气工程学院本科、硕士（导师：叶华教授）2019.09-2023.01清华大学电机系博士（导师：卢强教授）2023.01-至今四川大学电气工程学院副研究员 ■所在团队 电力系统稳定与高压直流输电团队 1主要研究方向 电力系统电磁暂态仿真计算、安全稳定分析 ■科研经历 主持国家自然科学基金项目、国家重大科技专项子课题等项目10余项第一/通信作者发表发表SCI/EI论文30余篇，授权发明专利20余项 ■获得荣誉 四川省天府峨眉计划、清华大学优秀博士学位论文、中国仿真学会高质量博士论文提名论文 背景与意义 多专家微分神经网络动态建模方法 机理-数据联合仿真接口设计 数据驱动建模算例验证 结语 1.背景与意义 1.1新型电力系统发展 近年来，电力系统已演化为“双高”电力系统 ?电源结构由常规电源为主向新能源发电装机占主导转变： 电网形态由传统电网转变为交直流混联大电网的高比例电力电子系统。 1.背景与意义 1.2电磁暂态仿真的意义 1.系统稳定水平如何评估？ 2.控制和保护策略如何校核？ 针对新型电力系统，传统机电或机电-电磁混合仿真难以准确刻画其暂态特性，系统暂态特性研究 依赖电磁暂态仿真 1.背景与意义 1.3问题提出 电力系统中有很多动态元件，进行电磁暂态仿真的基础是对元件进行建模。 面对新型电力系统区域等值、复杂动态元件建模，怎么构建精确电磁暂态模型？如何写出微分方程、得到物理规律的数学表达、详细的内部结构？如何得到尽可能准确的参数？模型结构难以构建、准确参数难以计算和测量、模型维数高等问题，困扰着电力系统电磁暂态仿真。 部分元件缺少精确物理模型 1.背景与意义 1.4解决思路数据驱动电磁暂态等值建模 针对新型电力系统设备及区域微秒级动态的电磁暂态模型难以被精准建立，构建了一种机理-数据融合驱动的建模架构，利用端口量测数据，建立数据驱动代理模型，完成待建模元件动态特性的精准刻画，并接入传统仿真模型，最终实现机理模型与数据模型的联合仿真。 背景与意义 多专家微分神经网络动态建模方法 机理-数据联合仿真接口设计 数据驱动建模算例验证 结语 2.融合多专家神经网络的动态建模方法 2.1基于微分神经网络的动态建模 传统神经网络模型只能以固定步长输出离散预测，且推理精度受限于训练数据的采样率。但在仿真中，需要模型具备以下能力，即能够在固定步长数据训练的前提下输出变步长的结果。 解决方案：采用基于微分神经网络的连续域建模方法，基于任意固定采样频率的离散数据，获取能够反映系统元件连续动态特性的数据模型，进一步，可以输出其他步长下的结果。 2.融合多专家神经网络的动态建模方法 2.2多专家微分神经网络的建模 随着系统的运行工况变化，元件的动态响应特性可能存在较大差异。单体微分神经网络的表达能力受限，基于单个微分神经网络的动力学建模可能存在特征冲突。 解决方案：采用门控多专家混合模型（MMOE），基于微分神经网络构建多个并行的微分专家网络。进一步，改进了MMOE中塔结构，形成高阶微分神经网络，提升元件多场景动力学建模能力。 2.融合多专家神经网络的动态建模方法 2.3动态元件阶数自适应识别方法 传统微分神经网络采用一阶动态计算，复杂元件等值场景下可能存在难以表达的高维动态，高阶动态如何准确求解？ 解决方案：提出了一种动态元件阶数自适应识别方法。在塔结构中设计了若干独立的积分路径，每条路径对应一种可能的系统阶数。该方法根据端口电流误差，自适应识别最优的等效元件建模阶数。 2.融合多专家神经网络的动态建模方法 2.4基于伴随灵敏度的神经网络参数训练 常用神经网络训练是基于梯度反向传播的模型参数更新策略，需存储所有与梯度相关的中间状态。但是，电磁暂态仿真模型步长小，采样点密集，神经网络中间状态多，该方法将产生大量的内存占用 解决方案：提出基于伴随灵敏度的参数训练方法，多专家神经网络的训练仅需保留神经网络中初始和最终状态，实现内存占用的大幅减少，并能够有效减小数值梯度计算的舍入误差。 反向梯度传播 代数网络误差VF =V,L =' a,H(0)dt = f' a005oe(0)dt微分网络误差V,F =V,L = f'a,H(t)dt =f'Bo,e(t)dt各ODE专家误差Kgate,sQi,无需数值求导，免记录前向各神经元激活值 背景与意义 融合多专家神经网络的动态建模方法 机理-数据联合仿真接口设计 数据驱动建模算例验证 结语 3.机理-数据联合仿真接口设计 3.1融合数据驱动元件的联合仿真接口设计 EMTP程序将每个元件等效为诺顿等效电路，数据驱动元件与机理模型的计算模式不同，如何设计好接口，将数据驱动元件嵌入EMTP程序进行联合仿真？ 解决方案：将多专家混合网络的输入输出，设计为类EMTP计算模式。根据上一时刻电压电流，推理计算得到等效注入电流和等效阻抗，进一步根据现有EMTP仿真计算步骤进行计算。 1.计算等效元件与电流相关的状态变量 2.推断替代元件的电流 3.计算节点的注入电流。 4.计算系统节点电压 5.计算支路电流 3.机理-数据联合仿真接口设计 3.2融合数据驱动元件的仿真实现 实现软件为CloudPSS电磁暂态云仿真平台，其支持基于Python的元件接入。将多专家微分神经网络封装为一个元件接入电磁暂态仿真，计算过程支持灵活的CPU/GPU调度。 接口实现：设计了元件电流推理模块（MMOE-DAE）、等效电流和阻抗模块，实时推导数据驱动元件的电流，并注入系统，实现联合仿真。 3.机理-数据联合仿真接口设计 3.3数据驱动元件计算复杂度分析 数据驱动元件采用神经网络前向推理，而机理元件采用对离散微分方程进行数值积分，两种方法的计算复杂度如何度量？数据驱动元件有优势吗？ 解决方案：针对数据驱动元件，根据前向传播的神经元计算图分析前向计算复杂度。通过增加等值区域中元件数量，对比两种模式下计算复杂度的增长：在元件数量多、复杂度高时，数据驱动建模有优势。 背景与意义 多专家微分神经网络动态建模方法 机理-数据联合仿真接口设计 数据驱动建模算例验证 结语 4.数据驱动建模算例验证 4.1交流系统中区域等值模型的大扰动测试 在IEEE39节点系统中，进行电力系统大扰动过程对比验证，分析数据驱动等值模型能否满足电力系统大扰动稳定分析需求。 基于MMOE-DAE神经网络，构建区域的等值模型，仿真结果显示，所提模型均方误差误差为2.23X10^-3，平均误差误差为3.68×10^-2。 4.数据驱动建模算例验证 4.2训练过程与仿真过程变步长计算测试 传统电磁暂态仿真模型能够根据仿真需要，灵活调整仿真步长，无需针对步长变化修改模型结构。而传统网格化神经网络需针对不同仿真步长训练针对性模型，建模代价高昂。利用基于神经ODE在连续空间建模的能力，构建训练数据步长与仿真步长不一致场景，在改变步长仿真中，基于MMOE-DAE所形成模型的误差相较于现有方法MAE误差减少20%以上。超分辨率实验大步长实验 4.数据驱动建模算例验证 4.3新能源并网系统宽频振荡测试 进一步，构建了针对风机机组的微分神经网络等值模型，将风速作为外部输入扰动，并进行宽频振荡仿真验证。数据驱动模型能够精确仿真系统的宽频振荡过程，实现了对新型电力系统振荡分析的有效支撑，风机等值模型仿真结果中振荡分量幅值偏差为5%。 4.数据驱动建模算例验证 4.4高比例新能源交直流电网频率稳定仿真测试 对于数据驱动模型，仿真误差可能在模型选代过程中不断累积并放大，数据驱动动态模型是否可以保证长周期仿真任务的可信度？ 为此，基于高比例可再生能源电力系统，建立了其中LCC-HVDC的数据驱动等值模型，并在仿真中设置直流换相失败，分析系统的频率稳定性。基于MMOE-DAE网络的等值模型在80s周期内，最大频率偏差仅为0.00017Hz。 背景与意义 多专家微分神经网络动态建模方法 机理-数据联合仿真接口设计 数据驱动建模算例验证 结语 5.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探索方向 数据驱动电磁暂态建模已经展现了一定的效果，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还有待进一步探索。 6.部分参考文献 [1]ZhouX,GaoS,WangY,etal.IntegratingMulti-Neural DAEExpertsintoPowerSystemDynamicComponentModelingforEMTP-TypeSimulationJl.IEEETrans.PowerSystems,underreview [2]自适应变结构的多层级负荷动态模型聚合技术，智能电网国家科技重大专项课题，2025.08-2028.07 [3]XiaoT,ChenY,HuangS,etal.FeasibilityStudyofNeuralODEandDAEModulesforPowerSystemDynamicComponentModeling[J].IEEETrans.onPowerSystems,2023,38(3):13,2666-2678 [4lXiaoT,ChenY,WangJ,etal.Explorationofartificial-intelligenceorientedpowersystemdynamicsimulators[J]. J. Mod. Power Syst. Clean Energy, 2023, 11:2, 401411. [5]R.T.Chen,Y.Rubanova,J.Bettencourt,etal.Neuralordinarydifferentialequations[J].Advancesinneuralinformation processing systems, 2018, 32. 请各位专家批评指正