Koopman原理内嵌MLP神经网络模型驱动的电力系统非线性振荡特征分析方法.pdfVIP

第44卷第10期电力自动化设备Vol.44No.10

2024年10月ElectricPowerAutomationEquipmentOct.2024

Koopman原理内嵌MLP神经网络模型驱动的

电力系统非线性振荡特征分析方法

1112，345

周一辰，李金泽，李永刚，陈鹏伟，郭通，孙浩潮

（1.华北电力大学电气与电子工程学院，河北保定071003；

2.香港理工大学电机工程学系，香港999077；

3.南京航空航天大学自动化学院，江苏南京211106；

4.国网河北省电力有限公司雄安新区供电公司，河北雄安新区071700；

5.中国南方电网广东电网有限责任公司佛山供电局，广东佛山528000）

摘要：针对电力系统非线性动态特性表征与物理机理融合不清晰、精度低的问题，提出了一种Koopman原理

内嵌多层感知机（MLP）神经网络模型驱动的电力系统非线性特性表征与分析方法。阐明了Koopman算子的

基本原理，分析了Koopman算子在非线性系统时序演化中的作用。采用MLP神经网络构建编码、解码映射，

进而形成Koopman原理内嵌的神经网络深度学习模型，通过深度学习实现非线性系统“编码映射-线性演化-

解码映射”3种结构的演化逼近。分析了将所提方法应用于电力系统动态特性分析的物理机理，建立了所提

方法的求解与应用流程。通过单机与4机系统算例对所提方法进行对比验证，结果表明所提方法可以精确

表征平衡点稳定域内的系统动态过程，可用于电力系统非线性振荡动态特性解析。

关键词：电力系统；非线性振荡；Koopman算子理论；多层感知机神经网络；科学人工智能

中图分类号：TM712文献标志码：ADOI：10.16081/j.epae.202402010

［7］

0引言时严重影响高阶模态分析。因此，需要寻求一种

简便、精准的方法以对电力系统非线性特性进行分

电力系统的非线性特性十分复杂，如何准确分

析研究。

析电力系统非线性动态过程，解释电力系统非线性

随着深度学习技术的快速发展，长短期记

振荡行为，是一项十分重要的研究。但是，由于电力［8‐11］

忆（longshort-termmemory，LSTM）神经网络、时

系统非线性动态特性分析的难度极高，当前精准实

［1‐3］间卷积神经网络（temporalconvolutionnetwork，

用的分析工具仍然不多。［12‐14］

TCN）等模型的出现为处理时序数据提供了有

电力系统非线性特性分析方法主要包括正规形