时序数据驱动的微电网暂态稳定运行评估.pdf

第 17 卷 第 7 期2023 年 7 月南方电网技术SOUTHERN POWER SYSTEM TECHNOLOGYVol.17，No.7Jul.2023时序数据驱动的微电网暂态稳定运行评估谈赢杰1，向真2，杨昆2，刘通1，马玉坤2，胡大朋2（1.南方电网科学研究院，广州 510663；2.广东电网珠海供电局，广东 珠海 519199）摘要：微电网中存在大量过载能力弱、缺乏物理惯性的电力电子逆变器，微电网故障时存在极高的失稳风险，急需研究暂态稳定评估方法确保微电网安全稳定运行。因此提出了一种时序数据驱动的稳定运行评估方法。首先以恒功率变换控制器与虚拟同步机（virtual synchronous machine，VSG）并联并网系统为对象，研究二者的暂态交互机理；然后根据交互机理构建了一组具有强表征能力的特征数据集。最后，基于长短期记忆神经网络，建立了时序数据驱动的微电网稳定运行评估模型。仿真结果表明，所提方法特征量选择合理，在复杂工况下可以快速准确地实现稳定运行评估，具有良好的评估性能。关键词：微电网；暂态稳定；稳定评估；长短期记忆神经网络Time Series Data-Driven Transient Stability Assessment for MicrogridTAN Yingjie1,XIANG Zhen2,YANG Kun2,LIU Tong1,MA Yukun2,HU Dapeng2（1.Electric Power Research Institute,CSG,Guangzhou 510663,China；2.Zhuhai Power Supply Bureau of Guangdong Power Grid Co.,Ltd.,Zhuhai,Guangdong 519199,China）Abstract：There are a large number of power electronic inverters with weak overload capacity and lack of physical inertia in the microgrid.There is a high risk of instability when the microgrid fails.Therefore,it is urgent to study the transient stability assessment method to ensure the safe and stable operation of the microgrid.In this paper,a time series data-driven stable operation assessment method is proposed.Firstly,the transient interaction mechanism between constant power conversion controller and virtual synchronous machine(VSG)parallel grid-connected system is studied.Then a set of feature data sets with strong representation ability is constructed according to the interaction mechanism.Finally,based on long short-term memory neural network,a time series data-driven microgrid stable operation assessment model is established.The simulation results show that the feature selection of the proposed method is reasonable,and the stable operation assessment can be quickly and accurately realized under complex working conditions with good evaluation performance.Key words：microgrid；transient stability；stability assessment；long short-term memory neural network0引言随着“双碳”目标的提出以及能源加速转型，电力系统将经历以化石能源主导到以新能源为主导的新型电力系统变革1-3。由于新能源出力存在突出的灵活性和随机性，大量接入的分布式新能源发电装备给电力系统安全稳定运行带来了极高风险4-5。微电网作为新能源消纳的重要方式，大量分布式新能源通过电力电子装备接入其中。微电网是高比例分布式能源接入、依靠多类型的“源荷储”资源，实现电能收集、传输、存储与分配的自治可控系统，可实现区域能源交互协调、分布式新能源消纳，从而满足负荷侧的用电需求。建设承载规模化分布式新能源微电网是实现“新能源占比逐渐提高”目标的关键6-8。微电网在消纳大量分布式新能源，实现源荷友好互动的同时，也具有高度电力电子化、非线性强、潮流方向不确定、源网荷强耦合等特点9-11。文章编号：1674-0629（2023）07-0125-10 中图分类号：TM743文献标志码：ADOI：10.13648/ki.issn1674-0629.2023.07.014基金项目：中国南方电网有限责任公司科技项目（030400KK52220004（GDKJXM20220179）；国家自然科学基金资助项目（U1866207）。Foundation item：Supported by the Science and Technology Project of China Southern Power Grid Co.，Ltd.（030400KK52220004（GDKJXM20220179）；the National Natural Science Foundation of China（U1866207）.南方电网技术第 17 卷它在故障状态下的运行特性更加复杂12-13，故障传播速度更快，且电力电子装备过载能力弱、缺乏物理惯性，极易在暂态过程中损坏，微电网暂态失稳风险极大 14-16。因此迫切需要开展微电网的暂态稳定运行评估研究。目前常用的稳定运行评估方法有两种，分别是时域仿真法17和能量函数法18。时域仿真法最接近真实情况19，缺点是网络规模增大后，计算时间指数级增长。能量函数法从能量的角度避免了物理量之间复杂的非线性关系20，但存在函数构造困难、形式复杂等问题。由于微电网故障传播速度快，需要快速准确地进行稳定运行评估，而时域仿真法计算时间长，能量函数法构造函数困难，且针对每一个特定的系统其能量函数均有变化，故上述两种方法都不适用于微电网稳定运行评估。数据驱动的方法能隐式建立输入数据与输出数据的准确映射关系，是一种解决微电网稳定运行评估的有效方法21-23。在数据驱动的稳定运行评估研究方面，文献 24 基于深度置信网络进行暂态稳定评估，采用“预训练-参数微调”的训练方式，模型泛化能力较好，但特征选择较多，评估时间较长，不适用于在线快速评估。文献 25 利用稳定域及其边界解释了数据驱动方法判断系统稳定性的物理意义，利用深度置信网络对原始数据进行空间降维处理，极大加快了评估的速度和准确度，但其运用于同步发电机。文献 26 通过卷积神经网络，构建了暂态功角稳定性评估在线监测系统，并输出是/否结论，但该系统在评估过程中并未考虑故障深度、线路电压、负荷波动等因素的影响；文献27 提出一种长短期记忆（long short-term memory，LSTM）神经网络来评估故障清除后的暂态稳定性，但大量的输入特征采集和计算耗时较长。文献 28基于支持向量机，利用故障期间采样数据进行稳定评估，准确率较高，但采样时间长、故障深度浅，不适用于大扰动情况。文献 29 利用深度前馈神经网络，对单机系统进行了稳定运行评估，可实现快速评估，但其算例模型过于简单。上述方法一方面没有考虑逆变器控制方法、失稳具体物理机理等问题，对暂态稳定评估问题认识不清晰；另一方面，存在特征量选择过多或过少的问题，在复杂的微电网中暂态评估时间长或准确度低。因此，亟待提出一种考虑逆变器控制方法、特征量选择合理的微电网暂态稳定运行评估方法。因此，本文针对微电网的暂态稳定问题，提出了一种考虑了微电网中常见的储能变换器和光伏变换器并联耦合影响的基于时序数据驱动的微电网暂态稳定运行评估方法，主要贡献如下。1）提出了一种基于时序数据驱动的微电网稳定运行评估模型，该模型利用基于机理选择的特征数据集实现了强非线性微电网在VSG出力、故障深度、故障点变化等多种复杂工况下的快速准确的稳定性评估。2）基于微电网的光伏变换器与储能变换器并联模型，分析了控制异构的多变换器系统动态响应耦合机理，揭示了恒功率控制变换器对VSG稳定运行的影响方式，提取出异构系统关键暂态耦合项，为稳定评估算法的构建提供理论依据。3）在机理分析的基础上构建了具有强表征能力的特征数据集。该特征集考虑了微电网中常见的储能变换器控制策略和光伏变换器控制策略暂态特性以及两者的暂态耦合影响，在保证数据采集及时性的同时实现高准确性稳定评估。本文首先分析了微电网暂态失稳机理，根据失稳机理，构建了一组具有强表征性的特征数据集，然后从暂态数据的时序特征出发，利用LSTM神经网络建立了适应于强非线性微电网的稳定运行评估模型，实现暂态稳定的快速准确评估，最后通过MATLAB仿真对模型的有效性进行了验证。1微电网暂态失稳机理分析微电网存在大量的分布式资源，包括分布式光伏、风力以及储能等。通常情况下，分布式光伏以恒电流方式接入微电网，应用最广泛是通过恒功率控制变换器；而分布式储能一般通过虚拟同步发电机（virtual synchronous generator，VSG）接入微电网，为系统提供物理惯性、电压、频率支撑。但VSG在模拟同步发电机外特性为系统提供惯性支撑的同时，也具有其缺点，容易在暂态过程中发生失稳，导致微电网暂态失稳风险高。为简化微电网暂态失稳机理分析，通过光伏变换器与储能变换器简单并联系统进行微电网失稳机理研究。图1为光伏变换器和储能变换器并联系统拓扑及VSG控制结构和恒功率控制系统结构。126第 7 期谈赢杰，等：时序数据驱动的微电网暂态稳定运行评估1.1微电网储能变换器控制策略大量的新能源选择通过电力电子变换器接入微电网。变换器响应速度快，过流能力低，使得微电网面临突出的惯性和阻尼缺乏的问题。VSG因模拟了同步发电机外特性，为微电网提供了一定的惯性和阻尼30，得到了广泛应用。其具体控制策略为：ddt=-g（1）Jd2dt2=T-Tem-Dp(-g)（2）式中：为VSG的虚拟功角，定义为本地坐标轴与参考坐标轴之间的夹角；和g分别为逆变器本地坐标系和参考坐标系的旋转速度；J为虚拟惯量，T*为逆变器参考转矩，即有T*=P*/g；Dp为逆变器下垂系数；Tem为变换器的输出电磁转矩。从数学表达式来看，VSG的有功外特性与同步发电机高度一致，因此在故障期间能够提供一定的惯性支撑。然而，由于VSG也采用了功率同步控制，在三相接地短路等严重故障期间存在着较高的暂态同步失稳风险。同时，文献 31 提出计及如下 VSG的无功控制环路。KdEdt=Q*-Q-Dq(E-E*)（3）式中：E为VSG内电势；E*为VSG内电势的参考电压值；Q*和 Q 分别为参考无功功率和输出无功功率；Dq为无功功率下垂系数。由于逆变器Q-V下垂系数显著大于同步发电机，因此在暂态过程当中，VSG内电势将在无功功率控制环路的调节下显著降低，如式（4）所示。P=EVgZsin（4）式中：P、Vg、Z分别为变换器的输出有功功率、并网点电压、阻抗角的余角、线路阻抗。与不考虑无功功率控制相比，VSG 在故障期间，逆变器输出有功功率实际上将减少，从等面积法则的角度来看，这将增加加速面积，使得 VSG更容易失稳。1.2微电网光伏变换器控制策略恒功率控制逆变器常被用作光伏并网变换器接口，是一种典型的电流控制型逆变器，其输出的有功和无功功率将跟随控制算法的参考值。恒功率控制逆变器的控制环路主要由锁相环和电流环构成，通过锁相环跟踪并网点处电压，控制逆变器输出电压跟随Vpccq=0产生相位PLL进行并网。通常，在设计变换器参数时，为了保证内部电流环的快速响应性能，电流环的响应速度远快于锁相环，因此，在分析暂态稳定问题时，可以认为电流环时刻跟随参考信号，即只关注锁相环的动态，而电流环动态可忽略。仿照VSG的虚拟功角定义恒功率控制逆变器的虚拟功角为：图1光伏变换器和储能变换器并联系统拓扑图系统拓扑及VSG系统和恒功率控制系统结构Fig.1Photovoltaic converter and energy storage converter parallel system topology system topology and VSG system and constant power control system structure127南方电网技术第 17 卷=PLL-gdt（5）1.3微电网异构电源暂态耦合机理VSG和恒功率控制逆变器作为两种典型的电压控制型和电流控制型变换器，在微电网中得到了广泛的应用。在暂态过程中，恒功率控制逆变器输出功率将借助输出电流通过线路阻抗影响PCC点的电压幅值与相位，进而影响VSG的暂态稳定性。VSG在外特性表现为电压源，恒功率控制逆变器在外特性表现为电流源，为简便分析叙述，考虑如图2所示的由VSG和恒功率控制逆变器构成的简单并联系统等值电路。PCC的电压可以表示为：Vpcc=IPQ+YvsgE+YgVgYvsg+Yg（6）式中：Yvsg和Yg分别为VSG和PCC至系统的线路导纳；Vg、IPQ分别为并网点等值电压有效值、恒功率变换器的等效电流有效值。因此，Vpccq可以表示为：Vpccq=|Y1|IPQ|sin(PQ+1)-|Y2|Vg|sin(-2)+|Y3|E|sin(-+3)（7）式中：Y11、Y22、Y33分别为1/（Yvsg+Yg），Yg/（Yvsg+Yg）、Yvsg/（Yvsg+Yg）；PQ为输出电流相角。通过观察可知，在线路阻抗保持不变的前提下，该式最后一项由VSG虚拟功角和恒功率控制逆变器的虚拟功角共同决定，因此在暂态过程中恒功率控制逆变器就是通过该项在 PCC 点处与 VSG 发生耦合。反应到VSG的功率控制环节中，即有：Pem=Pem+Pem =3E2G+3|E|Vg|Y|cos(-)-3|E|IPQ|Y3|cos(-PQ-3)Qem=Qem+Qem =-3E2B+3|E|Vg|Y|sin(-)-3|E|IPQ|Y3|sin(-PQ-3)（8）式中：G和B分别为Y的电导和电纳，Y=-Y2Y3/Y1；Pem、Pem、Qem、Qem分别为考虑耦合后的有功功率输出、无耦合的有功功率输出、无耦合的无功功率输出、考虑耦合后的无功功率输出；Pem和Qem分别为储能变换器受光伏变换器耦合影响项；为导纳角。在实际系统中，网络拓扑结构更为复杂，解析表达式推导困难，因此亟需提出具有强表征能力的人工智能算法，对系统进行快速准确的暂态稳定评估。2数据驱动的微电网在线稳定评估模型本文通过微电网中的光伏变换器与储能变换器简单并联系统暂态特性与暂态耦合项，提取特征数据集，建立基于LSTM神经网络的微电网稳定运行评估与控制模型。2.1建立特征数据集第1节已分析了微电网中光伏变换器与储能变换器简单并联系统的耦合影响机理，基于此，选择评估模型的特征输入量。1）储能变换器控制的特征量选择首先考虑有功功率回路，从其数学表达式可以看出VSG失稳的主要原因是输入、输出有功功率的不平衡，可以选择输出有功功率P作为特征量。考虑无功功率回路，由其数学表达式可以看出，VSG通过无功功率回路调节输出无功功率进而调节系统电压，当故障发生时，电网电压跌落，无功功率会增加，VSG内电势下降，选择输出无功功率Q和内电势E作为特征量。2）光伏变换器控制的特征量选择为了保证电流环的快速响应特性，电流环的响应速度远远快于锁相环的响应，在暂态过程中，电流环时刻跟随参考信号，只需关注锁相环，可以选取锁相环的虚拟功角作为特征量。3）微电网异构电源暂态耦合特征项选择由微电网异构电源暂态耦合机理可知，在线路阻抗不变的情况下，其耦合影响大小由恒功率控制的注入电流IPQ、虚拟功角以及恒功率控制逆变器内部电流相角PQ决定，因此，选取IPQ、PQ作为特征量。由此，共计提取 P、Q、E、IPQ、PQ共计 6个特征量组成特征数据集，具体如表1所示。图2并联系统等值电路Fig.2Equivalent circuit of parallel system128第 7 期谈赢杰，等：时序数据驱动的微电网暂态稳定运行评估2.2稳定评估算法设计LSTM 神经网络是一种特殊的循环神经网络（recurrent neural network，RNN），能够很好地解决RNN的长时依赖问题，它可以有效传递和表达长时间序列之中的信息，而且拥有多层非线性变换，具有强大的非线性表征能力，理论上可以精确拟合任意高维非线性函数。图3展示了LSTM神经网络结构，主要包含3个部分，分别是遗忘门、输入门、输出门。Xt为当前时刻的输入，ht-1和ht分别为前一时刻与当前时刻的输出，Ct-1和Ct分别为前一单元和当前单元状态，和 tanh 均为激活函数，具体如式（9）（10）所示。(x)=11+e-x（9）tanh(x)=ex-e-xex+e-x（10）遗忘门的作用为决定信息的取舍。ht-1与 Xt整合输入到激活函数中，使得数据在0到1之间，0对应的信息被遗忘，1对应的信息保留，此过程由式（11）表示。ft=(WfXt+Ufht-1+bf)（11）式中：ft、Wf、Uf、bf分别为遗忘因子、权重矩阵1、权重矩阵2、偏置矩阵。输入门的作用为更新单元状态，其决定当前时刻信息的重要程度。ht-1与Xt整合输入到tanh激活函数中，将当前时刻输入的信息提取出来，函数对信息进行0到1的重要度评级，此过程由式（12）（14）表示。it=(WiXt+Uiht-1+bi)（12）C=tanh(WCXt+UCht-1+bC)（13）Ct=ft Ct-1+it C（14）式中：it和C分别为长期记忆与短期记忆；Wi、WC和 Ui、UC分别为权重矩阵 1、2；bi、bC为偏置矩阵。输出门的作用为计算当时时刻的输出值。首先通过函数得到一个简单的输出Ot，这个过程没有考虑前一单元状态。当前时刻的单元状态通过tanh函数对信息压缩处理，再与初始输出结合得到最终的输出，过程由式（15）（16）表示。Ot=(WOXt+UOht-1+bo)（15）ht=Ot tanh(Ct)（16）式中：WO和 UO分别为权重矩阵 1、2；bo为偏置矩阵。2.3数据驱动的稳定评估流程模型建立主要包括样本数据获取、数据预处理、划分训练集与验证集、LSTM神经网络搭建、模型离线训练5个部分，建立流程见图4。1）样本数据获取。利用东澳岛孤岛微电网模型，通过改变VSG有功无功出力、故障形式及故表1特征数据集Tab.1Characteristic data set特征量序号123456特征量VSG有功功率：PVSG无功功率：QVSG内电势：E恒功率控制逆变器虚拟功角：IPQ恒功率控制逆变器注入电流：恒功率控制逆变器内部电流相角：PQ图3LSTM神经网络结构Fig.3LSTM neural network structure图4数据驱动模型建立流程图Fig.4Flow chart of data-driven model129南方电网技术第 17 卷障深度、恒功率控制的参考有功功率等参数，生成样本数据。2）数据预处理输入Xt为时间序列数据，为了保证特征量都处于同一数量级并加快神经网络的收敛速度，需要对数据进行缩放处理，常见的数据处理方法有 min-max归一化、零均值归一化以及数据正则化等。零均值归一化是将数据变换为均值为0，标准差为1的分布，能够更好地保持样本数据的间距，适用于较为离散的数据。计算过程由式（17）（19）表示。Xi=Xi-XS（17）式中：-X为输入数据的平均值；S为输入的标准差。归一化的Xi作为神经网络的输入。-X=1n1nXi（18）S=1n-11n(Xi-X)2（19）式中n为输入数据数量。min-max归一化是通过选取最大最小值将数据直接压缩到（0，1），让不同维度的特征在数值上有一定的比较性，它适用于数据比较集中稳定的情况。计算过程由式（20）表示。Xi=Xi-XminXmax-Xmin（20）式中Xmin和Xmax分别为数据最大值和最小值。数据正则化方法是将数据的每个样本变换为单位范数的向量，即对向量中每个分量值除以正则化因子，常用的为L2正则化，其主要目的是防止过拟合，提升模型的泛化能力。计算过程由式（21）表示。X=i=1n|Xi2（21）由于失稳样本较为分散，因此不适用min-max归一化方法，又因为数据正则化处理数据复杂度增加，对评估时间有一定影响，为保证在线评估的快速性，本文采取零均值归一化方法对样本数据进行预处理。由于故障类型、故障深度、网络规模等不同，可能存在数据噪声、采样错误等复杂情况，在一些特定场景下可以考虑使用数据正则化方法处理更加复杂数据，以提升模型的泛化能力。3）划分训练集与验证集将样本数据随机分类，选取90%的样本数据作为训练集，10%的样本数据作为验证集。4）搭建LSTM神经网络LSTM神经网络网络层由输入层、循环层、全连接层、分类层、输出层5层构成。根据特征数据集，输入层的维数设置为6；循环层神经元数量设置为 400，激活函数选择 Sigmoid 函数；输出层输出0/1稳定性结果，维数设置为1，激活函数选用为Softmax函数。5）模型离线训练训练算法采用反向传播算法，信号向前传播，误差向后传播。训练过程有两个阶段，第一阶段信号由输入层到输出层向前传播；第二阶段计算误差，使误差向后传播，采用梯度下降法调整神经元的权重和阈值。通过不断重复上述2个阶段，直至误差符合要求或迭代次数达到最大值，结束训练。3仿真验证3.1模型有效性验证本文利用 MATLAB/Simulink 仿真软件，基于东澳岛微电网模型获取样本数据。东澳岛微电网主要由储能系统、光伏发电系统、风力发电系统、柴油发电机以及负荷组成，其电压等级为10 kV，具体拓扑结构见图5，相关参数见表2。蓄电池储能系统采用VSG控制，光伏发电系统和风力发电系统采用恒功率控制。利用东澳岛模型生成样本数据时，考虑VSG出力变化，改变VSG的有功功率和无功功率；考虑恒功率控制对VSG的影响，改变其参考有功功率；考虑故障时间和故障深度变化，故障电阻从0.1 变化至1.0、变化间隔0.2，故障持续时间设置为 0.5、0.6、0.7、0.8、0.9、1.0 s，共计生成1 800例样本数据。根据2台VSG之间的最大虚拟功角是否超过180 对样本数据进行分类，超过180 为失稳，反之稳定，其中稳定样本786例，失稳样本1 014例，将失稳样本标记为1，稳定样本标记为0，具体公式如式（20）所示。flag=1，max 180 0，max 180（22）式中max为最大功角差。模型在利用训练集训练后，输入验证集得到评130第 7 期谈赢杰，等：时序数据驱动的微电网暂态稳定运行评估估结果。表3展示了在VSG出力变化、恒功率控制参考有功功率变化、故障时间及深度变化下的评估结果。可以看出本文所建立的准确度高，评估速度快，可以快速判断微电网暂态稳定性，有利于后续的控制调节。3.2特征量合理性与模型性能验证3.2.1特征量合理性验证本文通过分析恒功率控制对VSG控制的影响，选取6个特征量用于系统稳定性评估，现通过增加特征量进行系统稳定性评估来验证此前特征量选择的合理性。在P、Q、E、IPQ、PQ的基础上，再选取线路节点电压Upcc1-4、有功功率Ppcc1-4、无功功率Qpcc1-4等12个特征量，共计18个特征量进行系统稳定性评估，对比结果如表4所示。由结果可见，在增加特征量的情况下，训练耗时与预测时间均有增加，但准确率基本无变化，说明本文特征量选取的合理性、有效性。3.2.2模型性能验证现根据本文样本数据，对比LSTM神经网络与多层感知机、极限学习机、随机森林回归算法的评估性能。本文采用的多层感知机由输入层、隐含层、输出层组成，其层与层之间是全连接的，采用梯度下降法进行训练。隐藏层设计为5层，神经元数分别为150、100、50、40、1个，前4层激活函数选择ReLU函数，第5层激活函数选择Sigmond函数；最大迭代次数为100，误差小于0.001或者达到最大迭代次数时停止训练，输出结果大于0.8时判定样本失稳，小于0.2时判定样本稳定。采用的极限学习机隐含层的阈值随机设定，且后面不用再调整，隐含层与输出层之间的连接权值通过解方程一次性确定，其隐藏层神经元数设置为100个，随机设定输入层与隐藏层的连接权值和隐藏层神经元阈值，选择 Sigmond 函数作为激活函数。采用的随机森林回归算法将100个决策树整合成森林，树与数之间互不影响，通过每颗数投票得出最终结果。算法不限制决策树最大深度，最大叶子节点数设置为500，叶子节点最小样本数设置为1，节点可分最小样本设置为 2，采用 5 折交叉验证。将LSTM神经网络评估结果与上述3种算法结果进行对比，结果如表5所示。评估指标在准确度的基础上，增加平均绝对误差MAE、均方误差MSE、均方根误差 RMSE、精确度 Precision、召回率 Recall以及F1-score共6种，计算公式如下。表3模型评估效果Tab.3Model evaluation effect特征数6训练时长6 min 35 s评估耗时/ms4.1准确率/%98表4模型对比评估效果Tab.4model comparison evaluation effect特征数618训练时长6 min 35 s10 min 24 s评估耗时/ms4.16.8准确率/%98.098.3图5东澳岛微电网拓扑结构Fig.5Topology of Dongao Island microgrid表2东澳岛微电网系统参数Tab.2Parameters of Dongao Island microgrid system参数Pload1/kWQload1/kvarPload2/kWQload2/kvarPwind/kWPdiesel/kWQdiesel/kvarPpv/kWEdc/VPref-PQ/kWPVSG/kWQVSG/kvar数值3001001 1003501008504002501 00025015050参数EVSG/VwVSG/（rad s-1）JDpDqKZline1-line2Zline2-line3Zline3-line4Zline4-line5Zline5-line6Zline6-line1数值311314.159510200160.158+0.34 mH0.158+0.34 mH0.1+0.2 mH0.158+0.3 mH0.158+0.3 mH0.34+0.52 mH131南方电网技术第 17 卷1）平均绝对误差MAE=1m1m|(yi-yi)|（23）2）均方误差MSE=1m1m(yi-yi)2（24）3）均方根误差RMSE=1m1m(yi-yi)2（25）4）精确度Precision=TPTP+FP（26）5）召回率Recall=TPTP+FN（27）6）F1_scoreF1_score=2 Precision RecallPrecision+Recall（28）式中：yi为真实值，yi为预测值；TP为真正类，即预测为正，实际为正；FN为假负类，即预测为负，实际为正；FP为假正类，即预测为正，实际为负；F1_score为精确度和召回率的调和平均值。由结果可见，LSTM神经网络评估准确率达到98%，F1-score指数达到 0.988 8，平均绝对误差为0.02，均方根误差为0.141 4，明显优于其余3种算法，说明本文所选择模型在微电网暂态稳定运行评估方法有较大优势。3.3模型性能优化为进一步提升模型性能，现通过调整LSTM神经网络超参数对模型进行优化。考虑网络深度、输入数据长度对评估耗时和准确率的影响，通过网格搜索法进行参数寻优，设置循环层神经元数量分别为200、300、400、500、600个，输入数据长度分别为50、100、150、200、250、300、350 ms共计35种组合情况，依次训练神经网络并对系统进行稳定性评估，结果如图6所示。由图6（a）可见，随着输入数据长度的增加，准确率提升较大，而神经元数量对准确率影响甚微。由图6（b）可知，神经元数量越多，评估时间越长，输入数据长度对评估时间影响甚微。本文综合准确率与评估时间考虑，选择输入数据长度为350 ms，神经元数量为400个。4结语针对微电网暂态稳定运行评估问题，本文以微电网为对象，分析了光伏变换器与储能变换器并联耦合影响，并以系统暂态特性和暂态耦合项为基础构建了一组特征数据集，提出了一种基于LSTM神经网络的微电网稳定运行评估模型。模型评估结果表明，在VSG出力变化、恒功率控制参考有功功率变化、故障时间及故障深度变化等复杂工况下，表5不同评估算法评估结果对比Tab.5Comparison of different evaluation algorithms算法评估指标准确率/%平均绝对误差均方误差均方根误差精确率/%召回率/%F1-score指数多层感知机92.00.1600.3200.565 7100.0092.00.958 0极限学习机88.00.1200.1200.346 488.00100.00.936 2随机森林回归算法92.10.0330.0330.180 995.7093.70.946 0LSTM神经网络98.00.0200.0200.141 497.78100.00.988 8图6评估准确率与时间对比Fig.6Evaluation accuracy and time comparison132第 7 期谈赢杰，等：时序数据驱动的微电网暂态稳定运行评估模型仍可以快速准确的判断系统稳定性。对比不同特征量选择情况，本文所选取的特征量在评估时间短的情况下依旧有较高的准确率，验证了特征量选择的合理性、有效性；对比MLP、极限学习机、随机森林回归算法等常见机器学习方法，本文所用模型准确度高、误差小，验证了该模型性能优越。通过改变LSTM神经网络的超参数，优化模型性能，发现输入数据长度对评估准确率影响较大。参考文献1任大伟，肖晋宇，侯金鸣，等.双碳目标下我国新型电力系统的构建与演变研究 J.电网技术，2022，46（10）：1-9.REN Dawei，XIAO Jinyun，HOU Jinming，et al.Construction and evolution of Chinas new power system under dual carbon goal J.Power System Technology，2022，46（10）：1-9.2郑外生，陈亦平，周保荣.云南新型电力系统运行控制体系的构想 J.南方电网技术，2022，16（9）：72-78.ZHENG Waisheng，CHEN Yiping，ZHOU Baorong.Concept of operation and control system on Yunnan new power systemJ.Southern Power System Technology，2022，16（9）：72-78.3董洁，乔建强.“双碳”目标下先进煤炭清洁利用发电技术研究综述 J.中国电力，2022，55（8）：202-212.DONG Jie，QIAO Jianqiang.A review on advanced clean coal power generation technology under carbon peaking and carbon neutrality goal J.Electric Power，2022，55（8）：202-212.4陈民权，康卓然，张谦，等.电力系统大干扰稳定性分析方法综述 J.南方电网技术，2020，14（2）：11-25.CHEN Minquan，KANG Zhuoran，ZHANG Qian，et al.Review of large disturbance stability analysis methods in power system J.Southern Power System Technology，2020，14（2）：11-25.5张沛，朱驻军，刘曌，等.基于RReliefF-BP网络的新型电力系统静态电压稳定在线评估方法 J.南方电网技术，2023，17（3）：65-74.ZHANG Pei，ZHU Zhujun，LIU Zhao，et al.Online assessment method for static voltage stability of new power system based on RReliefF-BP networkJ.Southern Power System Technology，2023，17（3）：65-74.6张笑弟，高强，潘弘.“双碳”目标下新型配电系统功能形态及规划体系 J.电力系统及其自动化学报，2022，34（5）：96-101.ZHANG Xiaodi，GAO Qiang，PAN Hong，et al.Function，form and planning system of novel power distribution system with“double-carbon”goal J.Proceedings of the CSU-EPSA，2022，34（5）：96-101.7舒印彪，陈国平，贺静波，等.构建以新能源为主体的新型电力系统框架研究 J.中国工程科学，2021，23（6）：61-69.SHU Yinbiao，CHEN Guoping，HE Jingbo，et al.Building a new electric power system based on new energy sources J.Strategic Study of CAE，2021，23（6）：61-69.8谢宇翔，张雪敏，罗金山，等.新能源大规模接入下的未来电力系统演化模型 J.中国电机工程学报，2018，38（2）：421-430，673.XIE Yuxiang，ZHANG Xuemin，LUO Jinshan，et al.Evolution model for future power system under massive penetration of renewable energy J.Proceedings of the CSEE，2018，38（2）：421-430，673.9DU W，JIANG Q，ERICKSON M J，et al.Voltage-source control of PV inverter in a CERTS microgrid J.IEEE Transactions on Power Delivery，2014，29（4）：1726-1734.10LASSETER R H，ETO J H，SCHENKMAN B，et al.CERTS microgrid laboratory test bed J.IEEE Transactions on Power Delivery，2011，2