Learning the Dynamics of Future Marine Microgrids Using Temporal Convolutional Neural Network

📄 arXiv: 2312.03850v2 📥 PDF

作者: Xiaoyu Ge, Ali Hosseinipour, Saskia Putri, Faegheh Moazeni, Javad Khazaei

分类: eess.SY

发布日期: 2023-12-06 (更新: 2024-05-02)

💡 一句话要点

提出基于TCN的动态辨识框架，用于学习未来船舶微电网的动态特性。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱八：物理动画 (Physics-based Animation)

关键词: 船舶微电网 动态辨识 时间卷积神经网络 数据驱动建模 电力系统

📋 核心要点

  1. 船舶微电网动态建模面临组件模型保密和动态模型时变的不确定性挑战。
  2. 利用时间卷积神经网络（TCN）从测量数据中学习系统动态，实现动态辨识。
  3. 实验表明，该方法具有卓越的性能和泛化能力，为数据驱动控制和稳定性预测提供潜力。

📝 摘要（中文）

本文提出了一种基于时间卷积神经网络（TCN）的动态辨识框架，用于学习船舶中压直流微电网（MVDC SMG）的系统动态。由于电力电子变流器的高渗透率以及脉冲功率负载（PPL）和推进电机需求变化等不稳定负载模式，MVDC SMG被认为是高度动态的。获取MVDC SMG的动态模型是一项具有挑战性的任务，因为系统组件模型的保密性以及动态模型随时间推移的不确定性。通过实施不同类型的测试场景，测试结果表明该方法具有出色的性能和高泛化能力，因此为开发先进的数据驱动控制策略和系统稳定性预测提供了巨大的潜力。

🔬 方法详解

问题定义：论文旨在解决船舶中压直流微电网（MVDC SMG）动态建模的难题。现有方法受限于系统组件模型的保密性，以及动态模型随时间变化的不确定性，难以准确获取系统动态特性，从而影响控制策略设计和稳定性预测。

核心思路：论文的核心思路是利用时间卷积神经网络（TCN）直接从测量数据中学习系统的动态特性。TCN 擅长处理时间序列数据，能够捕捉系统随时间变化的动态行为，无需依赖详细的组件模型。通过训练 TCN，可以建立一个数据驱动的动态模型，用于预测系统未来的状态。

技术框架：该框架主要包含数据采集、TCN 模型训练和动态预测三个阶段。首先，通过传感器采集 MVDC SMG 的运行数据，例如电压、电流等。然后，利用采集到的数据训练 TCN 模型，使其能够学习系统动态。最后，利用训练好的 TCN 模型，根据当前时刻的系统状态，预测未来时刻的系统状态。

关键创新：该论文的关键创新在于将 TCN 应用于 MVDC SMG 的动态辨识。与传统的基于模型的方法相比，该方法无需详细的组件模型，能够直接从数据中学习系统动态，具有更强的适应性和鲁棒性。此外，TCN 的时间卷积结构使其能够有效地捕捉系统的时间依赖性，提高动态预测的准确性。

关键设计：论文中 TCN 的具体结构未知，但通常 TCN 的关键设计包括卷积核大小、卷积层数、膨胀因子等。损失函数通常采用均方误差（MSE）等回归损失函数，用于衡量预测值与真实值之间的差异。训练数据需要包含各种运行场景下的数据，以提高模型的泛化能力。具体参数设置和网络结构需要在实验中进行调整和优化。

📊 实验亮点

论文通过不同测试场景验证了所提出方法的有效性。实验结果表明，该方法具有出色的性能和高泛化能力，能够准确预测 MVDC SMG 的动态特性。具体的性能数据（如预测误差）和对比基线（如传统建模方法）未知，但摘要强调了该方法在数据驱动控制策略和系统稳定性预测方面的巨大潜力。

🎯 应用场景

该研究成果可应用于船舶电力系统的智能控制、故障诊断和稳定性评估。通过准确预测系统动态，可以优化控制策略，提高能源利用效率，降低运行成本。此外，该方法还可以用于预测系统在不同工况下的稳定性，为系统安全运行提供保障。未来，该方法有望推广到其他类型的微电网和电力系统。

📄 摘要（原文）

Medium-voltage direct-current (MVDC) ship-board microgrids (SMGs) are the state-of-the-art architecture for onboard power distribution in navy. These systems are considered to be highly dynamic due to high penetration of power electronic converters and volatile load patterns such as pulsed-power load (PPL) and propulsion motors demand variation. Obtaining the dynamic model of an MVDC SMG is a challenging task due to the confidentiality of system components models and uncertainty in the dynamic models through time. In this paper, a dynamic identification framework based on a temporal convolutional neural network (TCN) is developed to learn the system dynamics from measurement data. Different kinds of testing scenarios are implemented, and the testing results show that this approach achieves an exceptional performance and high generalization ability, thus holding substantial promise for development of advanced data-driven control strategies and stability prediction of the system.