电磁暂态仿真模型敏捷生成方法研究

黄 淼，李 韬，文 旭，钟 浩

(1.重庆邮电大学 自动化学院， 重庆 400065；2.国家电网公司西南分部， 成都 610041；3.三峡大学 梯级水电站运行与控制湖北省重点实验室，湖北 宜昌 443002)

电力系统电磁暂态过程是指电力系统各个元件中电场和磁场以及相应的电压和电流的变化过程[1]。电磁暂态仿真是对电磁暂态过程进行模拟的活动，旨在对目标系统进行精细建模并得到各种暂态响应的详细时域波形，其应用涵盖电力系统的规划、设计、运行及科学研究的各个方面[2-4]，已成为了解和掌握电力系统暂态复杂行为的必要工具和常规手段。

按照电磁暂态仿真建模的自动化程度，建模方法大致分为2种。第1种建模方法是手动方法，仿真人员主要通过PSCAD等仿真软件提供的建模平台，采用类似于搭积木的方式，将各种模型进行组合和连接。借用软件领域敏捷开发[5]的理念，第2种建模方法可归纳为敏捷建模方法，其特点是利用计算机程序自动或半自动地生成电磁暂态仿真模型。显然，第2种方法的工作效率更高，出错几率更小。目前，国内外针对该方法的研究主要集中在机电暂态仿真模型到电磁暂态仿真模型的转换方面。现有文献从机电暂态与电磁暂态模型间的对应关系、模型布局算法、转换方法的有效性等方面，对PSS/E、BPA、PSASP向PSCAD的转换进行研究[6-12]。Kasauli等[6]和陶华等[7]提出了由BPA向PSCAD模型自动转换的方法。张民等[8]借助E-Tran库和自定义组件，利用Matlab程序将PSS/E仿真文件转化为PSCAD仿真文件，最终实现快速建模。综上可知，已有研究针对的是能够获取机电暂态仿真数据的场景[13-15]。但是，对大型工业企业电网进行仿真建模时，这些电网一般不会提供机电暂态仿真数据，仿真人员只能根据描述网架结构的图形文件来开展工作。鉴于此，有必要研究根据图形文件快速生成电磁暂态仿真数据的建模方法。

随着深度学习的飞速发展，已有研究将深度学习技术应用于电力系统[16-17]。其中，图像识别技术利用可快速分析图形特征的优势，易于实现单个或多个图形的目标检测。某种程度上来说，图像识别技术模仿并强化了人类对图形信息的识别能力，能代替人类自动处理大部分的辨别图形物理信息的工作，降低人类工作负担。这为根据电力系统图形文件快速生成仿真模型提供了新的解决思路。

为应对面向大中型工业电网开展电磁暂态仿真建模的场景需求，提出一种基于图形识别技术的敏捷建模方法。基于CNN、矢量缓冲区等图形识别技术，该方法可自动识别描述电网结构的图形文件并自动生成电磁暂态仿真数据，从而快速生成电磁暂态模型。

1 电磁暂态敏捷建模策略

电磁暂态敏捷建模框架如图1所示，主要包括离线训练和仿真数据生成2个环节。离线训练环节的主要任务是：基于电力系统元件数据集，利用特征提取网络，训练生成电力系统元件识别模型。该模型以描述电力系统结构的图形文件作为输入，以元件类型信息和位置信息作为输出。

图1 电磁暂态敏捷建模框图

需要说明的是，图形文件中，表示设备之间连接关系的直线或折线被归类为连接线，对其开展特征提取较为困难，因此，单独使用线段检测算法(比如LSD算法[18])对连接线进行处理。除了设备之间的连接线外，其余元件(比如发电机、变压器等)均被归类为普通元件，特征提取较为容易，利用元件识别模型检测即可。

仿真数据生成环节的主要任务是：根据元件识别模型的输出结果和线段检测得到的连接线信息判断元件的拓扑连接关系，最终将其转化为可识别的电磁暂态仿真数据文件。

1.1 电力系统元件识别模型

考虑到电力系统元件信息的多元化和目标种类的复杂度，引入CNN用以提高解析电力系统图形信息的时效性。基于CNN构建的电力系统元件识别模型由输入图形文件、中间层和输出元件信息3个部分组成，结构如图2所示，其中Detector classifier为检测分类器。

图2 基于CNN的电力系统元件识别模型结构框图

输入为电力系统图形文件。在中间层中，首先选取VGG16[19]作为预训练模型，并在其生成的基础网络之后连接6个尺度逐渐减小的多尺度卷积层，分别为38×38×512、19×19×1024、10×10×512、5×5×256、3×3×256和1×1×256。为确保元件识别的准确度，用来检测电力元件的每个卷积模型在各个特征层中均不同，即提取元件特征的尺度不同。其中，对于维度为M×N×P的电力元件特征，使用对应的过滤器进行卷积即可产生一些固定维度的元件预测。检测环节中则对不同尺寸的电力元件图像进行回归与分类。

在模型的训练过程中，损失函数L[20]包括元件的类别损失和元件的位置损失，L的表达式见式(1)。通过损失函数的最小化，不断缩小元件分类与位置的预测误差，最终通过非极大值抑制环节筛选出置信度最高、存在目标元件的区域，实现元件的类型信息判定。

(1)

式中：L为总的损失函数；N为先验框正样本的数量；Lconf为元件类别置信的损失；Lloc为目标框的元件位置损失；c为元件类别置信度的预测值；l和g分别表示预测框与真实框的位置参数。

在输出层，由于电气元件目标边框预测网络的输入选取了多层卷积的模型结构特征，因此能生成不同尺度的默认框。元件特征默认框的中心坐标可由式(2)计算得出，利用元件特征的中心坐标与偏移值W和h则能计算出电力网架结构中元件边框的矢量坐标，从而实现电力系统元件位置信息的生成与输出。

(2)

1.2 训练模式与评估指标

为减少无效的图形文件训练次数，提高电力系统元件模型的泛化能力，在训练过程中引入早停机制[21]。另外，为减少迭代运算的时间，获得较高的识别率，训练时还需进一步引入自适应学习率进行调整[22-23]。具体训练步骤：① 制作电力系统元件数据集；② 对电力系统图形文件进行预处理；③ 设置训练参数，包括卷积层激活函数、损失函数、初始学习率、迭代次数与批次值等；④ 开展模型训练；⑤ 生成最优识别模型。

采用平均精度均值(mean average precision，mAP)对算法模型的可行性与有效性进行评估。计算每个电力元件类别的平均精度(average precision，AP)，再对所有类别的平均精度求取均值，即可求得mAP[24]表达式，具体见式(3)。

(3)

式中：P为精确率；R为召回率；TP为正确检测出的元件的数量；FP是图片背景被误认为元件的数量；FN是元件被误认为图片背景的数量；APc表示第c类元件的精确率的均值；rc表示第c类划分召回率；Nc表示第c类划分精确率和召回率的数量；mAP表示平均精度的均值；N表示划分的元件类别总量。

1.3 元件拓扑连接关系

如前所述，电力系统元件识别模型输出的是元件类型信息和位置信息，且元件位置信息采用2组矢量坐标来描述。对于元件之间的拓扑连接，还需通过普通元件的位置与连接线两者间的关系进行判断。

矢量缓冲区分析是一种以矢量数据为中心和基础构造邻域范围的特殊方法，能够有效区分表征不同位置信息的矢量数据。引入矢量缓冲区作为约束条件，将对元件之间是否具有拓扑连接的分析转化为矢量缓冲区分析。

设定普通元件的邻域半径为R，以此为缓冲区约束构建拓扑判据。式(4)为电力系统元件的缓冲区约束。

Bi={x∶d(x，Oi)≤R}

(4)

式中：d代表任意点距元件对象的最小欧式距离；Bi代表d小于或者等于R的点的集合；x代表任意点；Oi代表约束对象，即普通元件。

开展矢量缓冲区分析时，对于扁长型的母线元件，设其满足线性缓冲约束；对于电机、变压器等非扁长型元件，令其满足点缓冲区约束。电机及母线的缓冲区示意图如图3所示。

图3 矢量缓冲区示意图

假设描述电力系统结构的原始图形文件中有N个元件，通过判定连接线与普通元件矢量缓冲区的位置关系，可输出元件的拓扑连接关系。确定元件拓扑连接关系的步骤：① 令i=0；② 读取识别模型输出的第i个元件的位置信息，为其设定合适的矢量缓冲区约束；③ 遍历编号为i+1～N的元件，判断LSD算法提取的连接线是否存在于构建的元件矢量缓冲区内，若存在，可判断两者相连；否则，判断两者不相连；④i=i+1；⑤ 若i

1.4 电磁暂态仿真数据的生成

如前所述，在得到元件的拓扑连接关系后，即可采用文献[7-9]中的类似方法，通过计算机程序自动生成电磁暂态仿真数据。但需注意以下方面：

1) 要转换生成电磁暂态仿真软件可识别的数据文件，该文件格式应具备可读性。例如，PSCAD的仿真数据文件采用XML格式，因此可被论文自主开发的程序读取；而EMTP-RV的仿真数据文件采用二进制格式，除非敏捷建模开发者掌握该文件结构，否则无法运用本文所提出的方法开展敏捷建模。

2) 采用本文方法生成的仿真数据只刻画了仿真模型的类型信息和仿真模型之间的连接关系。对于仿真模型的具体参数，还需建模人员手动输入，但仍较大程度地减少了建模工作量。

2 算例验证

2.1 离线训练

离线训练样本和测试样本均取自IEEE算例，包括IEEE 6节点、IEEE 9节点和IEEE 14节点系统的接线图，图形中包含电机、母线以及变压器等常见模型。电力系统元件数据集共包含10 000个训练样本和1 500个测试样本。

在元件识别模型训练阶段，将元件特征输入后使用批标准化进行数据处理，各层卷积层均采用非饱和、非线性的ReLU激活函数。其余参数依据训练效果进行多次调试，具体离线训练参数如表1所示。分类精确度训练结果如表2所示。

表1 离线训练参数

表2 分类精确度训练结果

训练后电力系统元件识别模型的平均精确度均值和损失函数变化曲线如图4、5所示。

图4 电力系统元件识别模型的平均精确度均值

图5 电力系统元件识别模型损失函数变化曲线

分析图4、5可知：电力系统元件识别模型的平均精确度均值曲线能够快速收敛，并达到较高的精确度(约98.41%)，损失函数曲线同样能够快速收敛；电力系统识别模型中输出的元件类型和位置信息精确度较高，能够满足敏捷建模的要求。

2.2 算例测试

基于上述离线训练得到的元件识别模型，对某个描述IEEE 5节点系统的图形文件(如图6所示)进行识别，并开展敏捷建模测试。

图6 IEEE 5节点测试系统示意图

依据电力系统元件识别模型输出的信息和元件拓扑关系的判断，生成的PSCAD仿真模型如图7所示。图7显示，利用本文方法快速生成的仿真模型完整再现了原始图形文件描述的系统结构。

图7 根据本文方法生成的仿真模型示意图

3 结论

针对大型工业企业电网仅提供电力系统图形文件的仿真建模场景的情况，提出一种根据图形文件快速生成电磁暂态仿真模型的方法。首先，构建基于CNN的电力系统识别模型，利用该模型提取图形文件中的元件类型和位置信息；然后，建立矢量缓冲区约束，对元件拓扑连接关系开展分析；最后，自动生成电磁暂态仿真数据文件。针对某个IEEE 5节点系统的测试结果验证了本文方法的有效性。相较于传统的电磁暂态仿真建模过程，该方法可大幅减少人工建模的工作量。在后续研究中，如何改进本文方法以应对大规模电力系统的泛化能力是需要关注的重点问题。