基於漢默斯坦-維納模型的黑盒逆變器資源控制辨識方法

Conceptos Básicos

本文提出了一種基於漢默斯坦-維納模型的黑盒逆變器資源控制辨識方法，用於建立更精確的電網仿真模型，並克服傳統黑盒模型在特徵值分析等方面的局限性。

Resumen

研究論文摘要

書目資訊

Dzelo, A., Mešanović, A., & Cosovic, M. (2024). Identification of Black-Box Inverter-Based Resource Control Using Hammerstein-Wiener Models. arXiv preprint arXiv:2411.13213.

研究目標

本研究旨在開發一種通用的方法，利用漢默斯坦-維納 (HW) 模型識別並建立不同工作模式下（例如，電網形成和電網跟隨）的黑盒逆變器資源控制模型。

方法

• 研究人員首先分析了電網形成和電網跟隨逆變器的功能和電網行為，確定了識別過程的關鍵方面。
• 他們採用了多輸入多輸出 (MIMO) 結構來表示逆變器系統，並將其解耦為針對每個輸出的多輸入單輸出 (MISO) 子系統，以簡化建模過程。
• 為了提高擬合精度，將識別數據轉換到 dq 坐標系中。
• 研究人員採用了基於數值空間搜索的算法，迭代測試不同的非線性估計器、線性塊參數和搜索算法，以找到最佳的 HW 模型結構。
• 評估指標包括均方根誤差 (NRMSE) 和 Akaike 最終預測誤差 (FPE)，用於評估模型的準確性和複雜性。
• 最後，通過殘差分析驗證模型的有效性。

主要發現

• 研究結果表明，該方法可以有效地識別電網形成和電網跟隨模式下的黑盒逆變器模型，並獲得高於 92% 的 NRMSE 擬合度。
• 與實際模型相比，識別模型在模擬中表現出良好的穩定性和準確性。
• 殘差分析證實了所識別模型的可靠性。

主要結論

• 基於 HW 模型的識別方法為黑盒逆變器模型提供了一種有效且通用的解決方案，無論其工作模式如何。
• 該方法克服了傳統黑盒模型的局限性，允許進行更全面的電網分析，例如特徵值分析和頻域分析。
• 未來研究方向包括解釋已識別模塊的物理特性，以及探索不同的系統簡化技術以獲得更優化的模型複雜度。

意義

這項研究通過提供一種可靠的黑盒逆變器建模方法，對電力系統領域做出了貢獻，特別是在可再生能源發電日益普及的背景下。這些模型可以集成到電網仿真中，以更準確地分析和評估電網穩定性和動態性能。

局限性和未來研究

• 該研究的一個局限性是無法直接將識別出的線性和非線性模塊的物理特性與實際的逆變器子系統聯繫起來。
• 未來研究可以探索不同的複雜度指標和系統簡化技術，以進一步提高模型效率。

Estadísticas

電網形成逆變器模型的頻率、Ud 電壓和 Uq 電壓的估計數據擬合度分別為 97.85%、98.05% 和 99.53%。
電網形成逆變器模型的頻率、Ud 電壓和 Uq 電壓的驗證數據擬合度分別為 95.23%、96.89% 和 99.47%。
電網跟隨逆變器模型的頻率、Ud 電壓和 Uq 電壓的估計數據擬合度分別為 96.76%、97.36% 和 98.31%。
電網跟隨逆變器模型的頻率、Ud 電壓和 Uq 電壓的驗證數據擬合度分別為 92.79%、95.84% 和 93.74%。

Citas

"In this work, we introduce an approach for identification of black-box IBR models, based on the Hammerstein-Wiener (HW) model."
"The main novelty of our work lies in introducing, for the first time, a general procedure for HW model-based identification for IBR devices, regardless of their operating mode."
"We conclude that the proposed solution is independent of subsystem variations in inverter implementations."

Ideas clave extraídas de

Identification of Black-Box Inverter-Based Resource Control Using Hammerstein-Wiener Models

by Aldi... a las arxiv.org 11-21-2024

https://arxiv.org/pdf/2411.13213.pdf

Consultas más profundas

隨著電力電子設備的複雜性不斷提高，如何進一步發展基於數據驅動的建模和識別技術以應對更具挑戰性的應用場景？

隨著電力電子設備複雜性的提升，基於數據驅動的建模和識別技術需要在以下幾個方面進一步發展，以應對更具挑戰性的應用場景：

處理更複雜的非線性特性: 現有的數據驅動模型，例如文中提到的 Hammerstein-Wiener (HW) 模型，在處理簡單非線性系統方面表現良好。然而，隨著電力電子設備拓撲結構和控制策略日益複雜，傳統模型難以準確捕捉其動態特性。因此，需要發展更先進的非線性系統識別技術，例如：

深度學習方法: 利用深度神經網絡强大的非線性逼近能力，可以更精確地描述複雜電力電子設備的動態特性。
基於物理信息的機器學習: 將電力電子設備的先驗物理知識融入數據驅動模型，可以提高模型的泛化能力和可解釋性。

提高模型的泛化能力: 現有的數據驅動模型通常在特定工況下訓練得到，其泛化能力有限。為此，需要發展能夠適應不同工況和參數變化的模型，例如：

遷移學習: 利用已有的模型和數據，快速適應新的工況和應用場景。
在線學習: 根據系統運行數據實時更新模型參數，提高模型的適應性和魯棒性。

發展高效的數據處理和特徵提取方法: 隨著電力系統規模的擴大和數據採集頻率的提高，數據驅動模型面臨著數據量大、維度高的挑戰。因此，需要發展高效的數據處理和特徵提取方法，例如：

數據降維技術: 降低數據維度，減少計算量，同時保留關鍵信息。
特徵工程: 提取與系統動態特性密切相關的特徵，提高模型的準確性和效率。

構建可解釋的數據驅動模型: 現有的數據驅動模型大多是黑盒模型，缺乏可解釋性。為此，需要發展能够解释模型预测结果的方法，例如：

注意力機制: 识别模型预测过程中起关键作用的输入特征，提高模型的可解释性。
基於規則的機器學習: 將數據驅動模型與基於規則的模型相結合，提高模型的透明度和可控性。

總之，隨著電力電子設備複雜性的不斷提高，基於數據驅動的建模和識別技術需要不斷發展和完善，才能更好地服務於電力系統的穩定運行和高效控制。

如果將其他類型的非線性系統識別方法（例如，基於神經網絡的方法）應用於黑盒逆變器建模，是否可以獲得比 HW 模型更好的性能？

是的，將其他類型的非線性系統識別方法，特別是基於神經網絡的方法，應用於黑盒逆變器建模，有可能獲得比 HW 模型更好的性能。
HW 模型的局限性:

非線性逼近能力有限: HW 模型的非線性部分通常使用簡單的函數逼近，例如多項式或分段線性函數。對於複雜的非線性系統，這種簡單的逼近可能不夠精確。
需要先驗知識: HW 模型的結構需要預先確定，例如非線性模塊的階數和線性模塊的延遲。這就需要對被建模系統有一定的先驗知識。
基於神經網絡方法的優勢:

强大的非線性逼近能力: 神經網絡，特別是深度神經網絡，具有强大的非線性逼近能力，可以捕捉更複雜的系統動態特性。
無需先驗知識: 神經網絡可以自動從數據中學習系統的非線性特性，無需預先指定模型結構。
一些常用的神經網絡模型:

多層感知機 (MLP): 最基本的神經網絡模型，可以逼近任意連續函數。
循環神經網絡 (RNN): 適用於處理時序數據，例如逆變器的電壓和電流波形。
長短期記憶網絡 (LSTM): 一種特殊的 RNN，可以更好地處理長序列數據。
卷積神經網絡 (CNN): 適用於處理具有空間結構的數據，例如逆變器的控制信號。
需要注意的是:

數據需求: 神經網絡模型通常需要大量的訓練數據才能達到良好的性能。
過擬合問題: 神經網絡模型容易出現過擬合問題，即在訓練數據上表現良好，但在測試數據上表現較差。
可解釋性: 神經網絡模型通常是黑盒模型，其预测结果难以解释。
**總之，**基於神經網絡的方法在黑盒逆變器建模方面具有很大的潜力，可以獲得比 HW 模型更好的性能。但是，需要根據具體的應用場景和數據集選擇合適的神經網絡模型，並注意解決數據需求、過擬合和可解釋性等問題。

如何利用這些精確的逆變器模型來開發先進的控制策略，以提高電力系統在高比例可再生能源滲透率下的穩定性和可靠性？

精確的逆變器模型可以為開發先進控制策略、提高電力系統在高比例可再生能源滲透率下的穩定性和可靠性提供強有力的支持。以下列舉幾種應用方向：

設計更精確的控制器:

基於模型的預測控制 (MPC): 利用精確的逆變器模型預測系統未來行為，並據此優化控制決策，提高系統動態響應速度和穩定性。
魯棒控制: 考慮模型不確定性和外部干擾，設計對參數變化和擾動不敏感的控制器，增强系統的鲁棒性和可靠性。
自适应控制: 根據系統運行狀態實時調整控制器參數，適應可再生能源出力波動和負載變化，提高系統的適應性和穩定性。

優化系統運行和規劃:

電壓穩定性分析: 利用精確的逆變器模型分析電力系統在不同運行條件下的電壓穩定性，預防電壓崩潰等事故發生。
無功功率優化: 基於精確的逆變器模型，優化配置和調節逆變器的無功功率輸出，提高系統的電壓穩定性和傳輸效率。
可再生能源消納: 利用精確的逆變器模型，制定更合理的可再生能源并网策略，提高可再生能源的消納比例，减少弃风弃光现象。

開發新的保護和控制功能:

虛擬同步發電機 (VSG) 控制: 利用精確的逆變器模型模擬同步發電機的特性，提高逆變器對電網的支撑能力，增强系統穩定性。
故障穿越能力: 基於精確的逆變器模型，設計更先進的故障穿越控制策略，提高逆變器在電網故障時的穩定運行能力。
孤島檢測和控制: 利用精確的逆變器模型，開發更靈敏、可靠的孤島檢測方法，並設計相應的孤島控制策略，保障系統安全穩定運行。

加速電力電子設備的研發和測試:

虛擬測試平台: 利用精確的逆變器模型構建虛擬測試平台，可以在不同工況下對電力電子設備進行模擬測試，縮短研發周期，降低測試成本。
數字孿生技術: 基於精確的逆變器模型，構建電力電子設備的數字孿生，可以實時監測設備運行狀態，預測故障，優化維護策略。
總之，精確的逆變器模型是開發先進控制策略、提高電力系統穩定性和可靠性的重要基礎。隨著可再生能源滲透率的不断提高，利用精確的逆變器模型，可以更好地解決高比例可再生能源并网带来的挑战，推动构建更加清洁、高效、可靠的现代电力系统。