论文 | arXiv 2026 | 基于CNN和LightGBM的逆变器型微电网快速瞬态预测实时代理模型

Microgrids: Promoting Local Production for Local Consumption of Renewable Energy | Murata Manufacturing Articles

对基于逆变器的微电网进行实时监测对于其稳定性、故障响应和运行决策至关重要。然而，用于捕捉快速逆变器动态特性的电磁暂态（EMT）仿真计算量巨大，不适用于实时应用。本文提出了一种数据驱动的代理模型框架，利用卷积神经网络（CNN）和轻量级梯度提升机（LightGBM）快速预测微电网行为。模型基于一个包含十个分布式电源的微电网的高保真EMT数字孪生数据集进行训练，该数据集涵盖了十一种运行和扰动场景，包括故障、噪声和通信延迟。采用滑动窗口方法预测重要的系统变量，包括电压幅值、频率、总有功功率和电压骤降。结果表明，模型性能会根据预测变量的类型而变化。对于电压等时变信号，CNN表现出较高的预测精度。值为 0.84，而 LightGBM 在处理结构化变量和扰动相关变量时表现更佳，达到了频率响应准确率为 0.999，电压骤降响应准确率为 0.75。结合 CNN 和 LightGBM 的模型在所有变量上均表现稳定。除了准确率之外，代理模型在计算效率方面也取得了显著提升。LightGBM 的计算效率超过。加速运行速度超过实时速度，而混合模型则实现了超过这些研究结果表明，数据驱动的代理模型能够有效地表征微电网动态特性，并支持实时和超实时预测。因此，它们非常适合用于逆变器型电力系统的监测、故障分析和控制等应用。