【四川大学】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

四川大学近日发布了一份名为《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》的行业研究报告。该报告主要探讨了新型电力系统下电磁暂态仿真的重要性，并提出了一种基于机理-数据融合驱动的建模架构，旨在通过端口量测数据建立数据驱动代理模型，以精准刻画电力系统元件的动态特性，并实现与传统仿真模型的联合仿真。报告中详细介绍了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以及数据驱动建模的算例验证，展示了该方法在电力系统电磁暂态仿真中的应用潜力和效果。这份报告为电力系统建模仿真领域提供了新的研究思路和方法，其中包含了许多对电力系统稳定性分析和控制策略校核具有重要价值的内容。

电力系统正经历着一场革命性的变革。随着新能源的大规模开发和直流输电的广泛应用，传统的电力系统逐渐演变为“双高”电力系统，即高比例新能源装机和高比例电力电子系统的电网形态。这种新型电力系统对电磁暂态仿真提出了更高的要求，传统的机电或机电-电磁混合仿真已难以准确刻画其暂态特性，电磁暂态仿真成为了研究系统暂态特性的重要手段。

在电磁暂态仿真中，对电力系统中的动态元件进行建模是基础。然而，面对新型电力系统区域等值和复杂动态元件建模的挑战，如何构建精确的电磁暂态模型成为了一个难题。传统的建模方法面临模型结构难以构建、准确参数难以计算和测量、模型维数高等问题，这些问题严重困扰着电力系统电磁暂态仿真的发展。

为了解决这些问题，四川大学电气工程学院副研究员高仕林提出了一种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。这种方法利用端口量测数据，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，实现机理模型与数据模型的联合仿真。

在建模方法上，高仕林提出了基于微分神经网络的动态建模解决方案。这种方法能够在固定步长数据训练的前提下输出变步长的结果，从而获取能够反映系统元件连续动态特性的数据模型。此外，他还提出了多专家微分神经网络的建模方法，通过构建多个并行的微分专家网络，提升元件多场景动力学建模能力。为了准确求解复杂元件等值场景下的高阶动态，他还提出了动态元件阶数自适应识别方法，根据端口电流误差自适应识别最优的等效元件建模阶数。

在训练方法上，高仕林提出了基于伴随灵敏度的神经网络参数训练方法。这种方法在多专家神经网络的训练中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。

在仿真接口设计上，高仕林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。这种设计使得数据驱动元件能够嵌入EMTP程序进行联合仿真。

在实际应用中，高仕林通过IEEE39节点系统进行了电力系统大扰动过程对比验证，结果显示所提模型均方误差为2.23×10^-3，平均误差为3.68×10^-2，证明了数据驱动等值模型能够满足电力系统大扰动稳定分析需求。此外，他还利用基于神经ODE在连续空间建模的能力，构建了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。

在新能源并网系统宽频振荡测试中，高仕林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%。

在高比例新能源交直流电网频率稳定仿真测试中，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，证明了数据驱动动态模型可以保证长周期仿真任务的可信度。

电力系统电磁暂态仿真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。这篇文章的灵感来自于四川大学电气工程学院副研究员高仕林的报告《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》。除了这份报告，还有一些同类型的报告也非常有价值，推荐阅读，这些报告我们都收录在同名星球，可以自行获取。

以上为节选样张，关注公众号【蝉鸣报告】回复领取PDF完整电子版（无广告）。

【蝉鸣报告】每日更新最新硬核报告，覆盖产业报告、全球化、经济报告、趋势等全领域。