基于深度神经网络的高压直流换流站能效评估方法

谭炳源，刘佳，罗文杰，周会宾，王帆，李志，赵进全

（1.中国南方电网有限责任公司超高压输电公司检修试验中心，广州 510670；2.国家电网有限公司中国电力科学研究院，北京 100192；3.西安交通大学电气工程学院，西安 710049）

0 引言

在高压直流输电工程中，能效评估工作不仅为系统的运行和维护提供重要参考，也为研究系统的能量转换效率和节能降损提供技术支撑。因此，研究换流站的能效评估模型和方法具有重要的现实意义。

高压直流换流站中的换流器由于其非线性特性而产生大量谐波，使得准确计算换流器和换流变压器的能耗相当困难[1-3]。目前，换流站能耗的确定方法主要是通过分别计算其中各个设备的能耗从而得到站内总的能耗[4]，这种方法虽然简单，但需要大量的系统和设备的准确参数，由于谐波、测量环境和条件的影响，参数测量的准确性往往难以保证[5-6]，也难以实时地反映换流站的能耗情况，为换流站能效的精确评估带来了阻碍。然而，目前高压直流输电工程的研究多集中在工程建设、可靠运行和系统维护等方面，国内外针对高压直流换流站能效评估方法的研究成果并不多见。

近年来，随着机器学习的发展与应用，机器学习算法也引入到了能效评估之中。文献[7-8]使用支持向量回归算法对冷水机组或机床进行能效评估，文献[9-10]使用深度神经网络（deep neural network，DNN）对增压站或冷水机组进行能效评估。支持向量回归算法理论成熟，泛化能力较强，但随着训练样本数量增大，计算复杂度迅速提高[11-13]。深度神经网络具备强大的非线性建模能力，能够自主从数据中学习并归纳数据中的对应关系，建立一个端到端的计算模型，但参数调节难度较大[14-16]。由于高压直流换流站设备能耗与系统运行参数之间存在复杂的非线性关系，本文提出了基于深度神经网络的换流站能效评估方法。

本文首先根据IEC 61803标准分析换流站能效的主要影响因素，并相应地选取换流站设备能效的特征参数，建立能效样本数据集。利用样本数据集训练深度神经网络，建立换流站能效评估模型，能够对给定系统运行参数下的换流站进行能效评估。最后基于国际大电网会议（conseil international des grands réseauxélectriques，CIGRE）直流输电基准测试模型的PSCAD/EMTDC电磁暂态仿真，对本文方法进行了验证，结果表明了使用深度神经网络建立换流站能效评估模型的可行性，可为深入研究换流站能效特性提供技术支撑。

1 BP神经网络简介

BP神经网络（back propagation neural network）是一种应用广泛的深度神经网络。在结构上，他由多个全连接层组成，呈序列结构；在反馈方式上，他属于前馈神经网络；在训练方式上，他采用反向传播和梯度下降算法。BP神经网络的主要结构见图1，由1个输入层（input layer）、多个隐含层（hidden layer）和1个输出层（output layer）共3部分组成[17-18]。

图1所示的BP神经网络在正向传播过程中，对于输入层，其输出为

图1 BP神经网络的主要结构Fig.1 Main structure of BP neural network

式中：x为BP神经网络的输入向量；y0为输入层的输出向量。对于第i(i=1,2,3,...,h)个隐含层，其输出为

式中，该层权重矩阵W i的每一行描述该层某一单元对前一层每一个单元输出的放大倍数，前一层输出向量y i-1与Wi中每一行做向量点乘运算dot，再叠加该层的偏置向量b i。激活函数act为一个非线性函数，为BP神经网络提供非线性拟合的能力。

训练过程中，通过代价函数cost得到误差向量E为

式中，误差向量E衡量输出向量o与目标向量t之间的距离。

在反向传播过程中，通过更新每层W和b的值使E的范数‖E‖减小。式中，学习速率η决定了BP神经网络的训练策略。

随着训练轮数的增加，‖E‖逐渐减小，W和b也逐渐趋于稳定。当‖E‖小于规定值时，可以认为BP神经网络拟合出了输入、输出之间的对应关系。

2 换流站能效评估方法

2.1 换流站能效评估模型

由于换流站交流电压、直流电流、换流器触发角等运行参数会随着用电负荷的变化而变化，并影响换流站的能耗分布，即换流站的能耗分布与其运行参数之间存在一定的关系。设由换流站运行参数a1,a2,a3...组成的向量为A=(a1,a2,a3,...)，由换流站设备能耗占比b1,b2,b3,...组成的向量为B=(b1,b2,b3,...)，则有

式中，非线性多维函数f即换流站的能效评估模型，模型的输入为运行参数向量A，输出为能耗分布向量B。

由于换流器的非线性特性、换流站的运行方式和换流站能效的影响因素的多样性，换流站的能效评估模型复杂且难以表达。深度神经网络能根据能效样本数据准确拟合出输入与输出之间的对应关系，目前已在机床、增压站和冷水机组的能效评估方面得到了应用，因此在换流站能效评估中引入深度神经网络具有较强的可行性。

2.2 能效样本数据的特征参数选取

换流站能效与交流侧、直流侧和换流器的运行状态有关。由于换流站能耗的主要来源是换流器和换流变压器[19]，因此本文以换流器和换流变压器的能耗占比作为式（6）中向量B的元素。根据国际电工委员会标准IEC 61803《高压直流变流站功率损失的测定》，可总结出影响换流站能耗的系统运行参数主要有换流站的交流端电压、电流、有功功率，直流端电压、电流、输送功率，换流器触发角、熄弧角等[5]，本文以这8项特征参数作为向量A的元素。

2.3 能效评估模型的建立

使用Python编程语言建立并训练深度神经网络作为换流站能效评估模型。首先为深度神经网络选取合适的激活函数、损失函数、评价指标和优化方法。本文选取应用广泛、收敛速度快的修正线性单元（rectified linear unit，ReLU）作为输入层和隐含层的激活函数[20]。由于换流站能效评估问题在深度学习中属于回归问题，输出层不使用激活函数，损失函数使用均方误差（mean square error，MSE）函数，评价指标使用平均绝对误差（mean absolute error，MAE）。优化方法影响损失函数的收敛速度，本文使用综合性能最优的Adam优化方法，加快收敛速度[20]。初步建立一个包含5个隐含层的深度神经网络，并可在训练过程中根据评价指标调整隐含层数量，提高深度神经网络的拟合精度。

深度神经网络的训练流程为：

1）训练前，对能效样本数据集进行归一化处理，使数据的取值映射在给定范围内，提高损失函数的收敛速度和模型精度[22]。

2）将能效样本数据集中95%的数据作为训练数据集，用于深度神经网络的训练，其余的5%作为测试数据集，用于测试深度神经网络的拟合精度。

3）训练中，根据深度神经网络的输出结果的评价指标相应地调整训练轮数，减小输出结果的误差。

4）当平均绝对误差达到极小值时，拟合结果最优，结束训练。

2.4 深度神经网络的验证

在深度神经网络的训练中，为了避免欠拟合和过拟合问题，通常使用K折交叉验证方法[15]。K折交叉验证方法为

1）将样本数据集等分成K份，编号为1,2,3,...,K。

2）分别训练K个深度神经网络。在训练第n(n=1,2,3,...,K)个深度神经网络时，将第n号样本数据作为测试数据集，其余数据作为训练数据集。

3）在每个深度神经网络训练完成之后，使用测试数据对该深度神经网络进行评估。得到这K个深度神经网络的每轮训练的输出结果的评价指标。

4）随着训练轮数的增加，如果这K个深度神经网络的每轮训练的评估精度都在稳定提高，则说明不存在过拟合的问题；否则应对训练轮数进行调整。

3 换流站能效评估实例

3.1 CIGRE直流输电基准测试模型简介

CIGRE直流输电基准测试模型是一个典型的高压直流输电系统模型，见图2。

图2 CIGRE直流输电基准测试模型Fig.2 CIGRE HVDC benchmark model

该模型为单极系统，直流电压等级500 kV，容量1 000 MW，整流侧和逆变侧都采用12脉波换流器[23-24]。本文使用PSCAD/EMTDC电磁暂态仿真软件对该模型进行仿真，其中，模型的整流侧采用定电流控制方式，逆变侧采用低压限流环节、电流偏差控制、定电流控制、定熄弧角控制的组合控制方式。

3.2 建立能效样本数据集

根据CIGRE直流输电基准测试模型的PSCAD/EMTDC电磁暂态仿真结果建立能效样本数据集。改变系统的电力负荷并实时计算系统整流侧交流端电压幅值、直流端电压、换流器触发角、换流器熄弧角等8项特征参数，以及系统整流侧的能耗分布，建立包含运行参数向量A和能耗分布向量B的能效样本数据集，样本数据约11万条。

3.3 能效评估模型的稳定性

使用十折交叉验证方法检验能效评估模型性能的稳定性。根据测试数据集计算能效评估模型的平均绝对误差，见表1。由表1可见，随着训练轮数的增加，能效评估模型的平均绝对误差在稳定减小，表明了能效评估模型的稳定性。

表1 能效评估模型的十折交叉验证结果Table 1 10-fold cross-validation results of the energy efficiency evaluation model

3.4 能效评估结果分析

根据测试数据集，使用能效评估模型可得到换流器在系统中的能耗占比情况，能效评估结果见表2。分析表2可知，本文方法评估结果的均方根误差为4.04×10-3，绝对误差最大为1.11×10-2，相对误差最大为2.64%，表明了本文方法的可行性。

表2 换流器能效评估结果Table 2 Energy efficiency evaluation results of the HVDC converter

4 结语

针对高压直流换流站能效难以精确计算和建模的问题，本文提出了应用深度神经网络进行能效评估的方法，根据换流站的能效样本数据集，建立基于深度神经网络的能效评估模型。最后，基于CIGRE直流输电基准测试模型的PSCAD/EMTDC电磁暂态仿真，验证了本文方法的可行性，不仅为换流站能效评估提出了一种可行的方法，所建立的能效评估模型也能为深入研究换流站能效特性提供技术支撑。