本發(fā)明涉及換流器故障定位領(lǐng)域，特別涉及一種基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法。

背景技術(shù)：

柔性直流輸電系統(tǒng)采用了igbt可關(guān)斷器件和高頻調(diào)制技術(shù)，克服了傳統(tǒng)直流輸電的許多固有缺陷，柔性直流輸電系統(tǒng)的核心部分是其兩端的換流器，起整流和逆變作用。在實(shí)際投入工程應(yīng)用的柔性直流輸電系統(tǒng)中，換流器主要有3種類型，分別是兩電平換流器、三電平換流器和模塊化多電平換流器(modularmultilevelconverter，mmc)，相比前兩種換流器，模塊化多電平換流器可以通過(guò)改變電路中的子模塊數(shù)量來(lái)達(dá)到不同電壓和功率要求，具有輸出電壓質(zhì)量高且諧波含量少、模塊化結(jié)構(gòu)便于冗余設(shè)計(jì)、系統(tǒng)可靠性高等優(yōu)點(diǎn)。

mmc中的子模塊故障通常分為2種類型：短路故障和開路故障。短路故障破壞性較大，因而子模塊驅(qū)動(dòng)電路中一般配備了短路保護(hù)模塊，當(dāng)短路故障發(fā)生時(shí)，由本地閉鎖該子模塊，確保系統(tǒng)仍可正常運(yùn)行；開路故障雖然危害相對(duì)較小，但是不易被立即檢測(cè)到，從而造成電壓電流波形畸變等后果，威脅到系統(tǒng)的正常運(yùn)行。因此，找到一種準(zhǔn)確的mmc開路故障故障定位方法對(duì)柔性直流輸電系統(tǒng)的正常運(yùn)行非常必要。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供一種成本低、測(cè)量精確、定位精度高的基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法。

本發(fā)明解決上述問(wèn)題的技術(shù)方案是：一種基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，包括以下步驟：

1)選取三相五電平換流器中的電容電壓作為參考量，獲取三相五電平換流器中24個(gè)子模塊中的電容電壓數(shù)據(jù)；

2)通過(guò)預(yù)處理將原始電容電壓數(shù)據(jù)轉(zhuǎn)換成類似圖像的二維矩陣形式，并打亂數(shù)據(jù)集樣本；

3)為數(shù)據(jù)樣本生成類別標(biāo)簽用于故障分類；

4)搭建深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)并訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型；

5)利用訓(xùn)練好的模型對(duì)三相五電平換流器故障進(jìn)行定位，得到故障定位精確度。

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟2)具體步驟為：

2-1)對(duì)于每一組仿真實(shí)驗(yàn)，選取24個(gè)電容電壓信號(hào)序列組合成一個(gè)多通道序列，并按照min-max歸一化方式對(duì)多通道序列進(jìn)行預(yù)處理，歸一化后的值在[0,1]之間；

2-2)利用大小為24×lwindow的滑動(dòng)窗口在每個(gè)多通道序列中按時(shí)間順序等間隔采樣num_samples_perseq個(gè)數(shù)據(jù)帶樣本，lwindow為滑動(dòng)窗口的長(zhǎng)度，把數(shù)據(jù)轉(zhuǎn)換成類似圖像的二維矩陣模式，預(yù)處理后的數(shù)據(jù)帶視為灰度圖；

2-3)將從各個(gè)多通道序列采樣得到的所有數(shù)據(jù)帶樣本合并為一個(gè)數(shù)據(jù)集；

2-4)將得到的數(shù)據(jù)集打亂順利，劃分為訓(xùn)練集和測(cè)試集。

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟3)具體步驟為：

3-1)將子模塊故障發(fā)生前采樣到的樣本數(shù)據(jù)標(biāo)記為正常，標(biāo)簽為0；

3-2)將故障發(fā)生后采樣到的樣本數(shù)據(jù)標(biāo)記為故障，將三相五電平換流器中24個(gè)子模塊按照從a相到c相，每相中從上臂到下臂的順序依次標(biāo)記為1到24，標(biāo)簽為發(fā)生故障的子模塊的標(biāo)號(hào)，把正常和24個(gè)不同子模塊發(fā)生故障定義為不同的類別，則一共有25種故障類別。

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟4)中，深度卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)包括1個(gè)輸入層、3個(gè)卷積層、3個(gè)池化層、2個(gè)全連接層和1個(gè)輸出層。

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟4)中，深度卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程步驟為：

4-1)權(quán)值初始化；使用均值為0，標(biāo)準(zhǔn)差為的高斯分布初始化權(quán)重，其中n是每個(gè)節(jié)點(diǎn)的輸入數(shù)量；

4-2)從預(yù)處理后的訓(xùn)練集中取出數(shù)據(jù)輸入到深度卷積神經(jīng)網(wǎng)絡(luò)中，并給出目標(biāo)向量d；

4-3)前向傳播：從前向后計(jì)算得到深度卷積神經(jīng)網(wǎng)絡(luò)中各層的輸出；

4-4)反向傳播：從后往前依次計(jì)算各層的誤差；

4-5)判斷誤差是否小于閾值，若否，則進(jìn)入步驟4-6)；若是，則進(jìn)入步驟4-8)；

4-6)根據(jù)誤差反向依次計(jì)算各層權(quán)值的調(diào)整量和偏置的梯度；

4-7)利用梯度下降法更新權(quán)重參數(shù)權(quán)值和偏置；

4-8)重復(fù)上述4-2)到4-5)進(jìn)行參數(shù)修整，直到誤差函數(shù)小于設(shè)定的閾值，訓(xùn)練過(guò)程結(jié)束。

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟4-7)中，在訓(xùn)練階段，每次用一組樣本訓(xùn)練網(wǎng)絡(luò)模型時(shí)，將隱藏神經(jīng)元的輸出按照一定的比例p隨機(jī)設(shè)置成0，被置0的神經(jīng)元的權(quán)重系數(shù)在前向和反向傳播過(guò)程中保持不變，即不參與權(quán)重更新；由于選擇一組被置零的神經(jīng)元是一個(gè)隨機(jī)過(guò)程，在采用批梯度下降法訓(xùn)練模型時(shí)，對(duì)于每一組樣本，被選出的不參與權(quán)重更新的神經(jīng)元與上一組是不一樣的，因此訓(xùn)練得到的模型也是不一樣的；在測(cè)試階段，需要激活模型中所有的神經(jīng)元，變成完整的結(jié)構(gòu)；所有神經(jīng)元的激活值都乘以比例系數(shù)1-p，即對(duì)不同模型求平均值；

在每一個(gè)迭代周期開始前，隨機(jī)打亂訓(xùn)練集中的樣本然后按照100一批的大小依次讀取樣本，進(jìn)行模型訓(xùn)練；一次數(shù)據(jù)使用完畢后重新隨機(jī)打亂數(shù)據(jù)，進(jìn)入模型的下一代訓(xùn)練，共迭代100次；

為防止模型過(guò)擬合，在訓(xùn)練過(guò)程中使用了早停策略，即如果模型在驗(yàn)證集上的分類正確率在連續(xù)5個(gè)迭代周期后沒(méi)有上升，模型終止訓(xùn)練。

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟5)具體步驟如下：

5-1)把預(yù)處理后的數(shù)據(jù)輸入到深度卷積神經(jīng)網(wǎng)絡(luò)的輸入層；

5-2)使用3個(gè)交錯(cuò)的卷積層和池化層提取輸入數(shù)據(jù)的特征；

5-3)將第三個(gè)池化層的輸出特征圖傳遞給2個(gè)全連接層進(jìn)行融合處理；

5-4)輸出層利用softmax分類器判斷是否發(fā)生故障并確定故障位置.

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟5-2)中，在卷積層中，特征圖的每一個(gè)神經(jīng)元與前一層的局部感受野相連，經(jīng)過(guò)卷積操作提取局部特征，卷積層中有多個(gè)特征圖，每個(gè)特征圖提取一種特征；在提取特征時(shí)，同一個(gè)特征圖中的神經(jīng)元共享一組權(quán)值，不同特征圖的權(quán)值不同從而提取不同的特征。

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟5-3)中，將第三個(gè)池化層的輸出特征圖連接成一個(gè)特征向量，作為第一個(gè)全連接層的輸入。

上述基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，所述步驟5-4)中，將第二個(gè)全連接層的輸出特征向量作為softmax分類器的輸入，將故障檢測(cè)與定位問(wèn)題轉(zhuǎn)化為包含無(wú)故障和故障位置的多分類問(wèn)題，即對(duì)于24個(gè)子模塊，設(shè)置包含25個(gè)概率的25維向量作為softmax分類器的輸出，對(duì)應(yīng)的索引號(hào)依次為0,1,2,…,24，索引號(hào)0代表,無(wú)故障，索引號(hào)1,2,…,24依次代表24個(gè)子模塊。

本發(fā)明的有益效果在于：本發(fā)明將模塊化五電平換流器的子模塊中采集到的電容電壓信號(hào)組合成多通道序列，再?gòu)男蛄兄胁蓸拥玫綌?shù)據(jù)帶并進(jìn)行歸一化處理，處理后的數(shù)據(jù)帶視為灰度圖并作為深度卷積神經(jīng)網(wǎng)絡(luò)模型的輸入；在深度卷積神經(jīng)網(wǎng)絡(luò)模型中，首先利用多個(gè)交錯(cuò)的卷積層和池化層提取數(shù)據(jù)的特征，再將最后一個(gè)池化層的特征圖傳遞給全連接層進(jìn)行融合處理，最后利用softmax分類器實(shí)現(xiàn)故障分類，不同的類別對(duì)應(yīng)不同位置的故障子模塊，從而實(shí)現(xiàn)故障的檢測(cè)與定位。本發(fā)明中的方法所需數(shù)據(jù)很容易得到，且不需要額外的傳感器，大大地降低了成本，而且具有較強(qiáng)的mmc故障識(shí)別和定位能力，經(jīng)過(guò)試驗(yàn)證明：所有的“正?！睒颖揪徽_分類；所有的“故障”樣本中，除了“a-sm3”故障樣本的分類正確率為94％以外，其余樣本的分類正確率均大于等于95％，模型的總體分類正確率為98.16％，這證明了本發(fā)明所提出的模型能準(zhǔn)確地檢測(cè)出是否有故障，并以很高的精度確定故障子模塊在mmc電路中的位置，為模塊化多電平換流器的穩(wěn)定運(yùn)行和決策提供便利。

附圖說(shuō)明

圖1為本發(fā)明的流程圖。

圖2為本發(fā)明的三相五電平換流器結(jié)構(gòu)圖。

圖3為本發(fā)明的深度卷積神經(jīng)網(wǎng)絡(luò)框架圖。

圖4為本發(fā)明的卷積操作示意圖。

圖5為本發(fā)明的深度卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程。

圖6為本發(fā)明的樣本數(shù)據(jù)識(shí)別和分類準(zhǔn)確度的結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說(shuō)明。

如圖1所示，一種基于深度卷積網(wǎng)絡(luò)的模塊化五電平換流器故障定位方法，包括以下步驟：

1)選取圖2中三相五電平換流器中的電容電壓作為參考量，獲取三相五電平換流器中24個(gè)子模塊中的電容電壓數(shù)據(jù)。

2)通過(guò)預(yù)處理將原始電容電壓數(shù)據(jù)轉(zhuǎn)換成類似圖像的二維矩陣形式，并打亂數(shù)據(jù)集樣本，用于訓(xùn)練和測(cè)試模型。具體步驟為：

2-1)對(duì)于每一組仿真實(shí)驗(yàn)，選取模塊化五電平換流器中的24個(gè)電容電壓信號(hào)序列組合成一個(gè)多通道序列，并按照min-max歸一化方式對(duì)多通道序列進(jìn)行預(yù)處理，歸一化后的值在[0,1]之間；

2-2)利用大小為24×lwindow的滑動(dòng)窗口在每個(gè)多通道序列中按時(shí)間順序等間隔采樣num_samples_perseq個(gè)數(shù)據(jù)帶樣本，滑動(dòng)窗口的長(zhǎng)度lwindow＝200，每個(gè)多通道序列中采樣的數(shù)據(jù)量num_samples_perseq＝800，其中在故障發(fā)生前和故障發(fā)生后采樣得到的樣本均為400個(gè)。則對(duì)于72組采樣結(jié)果，一共有72×800＝57600個(gè)數(shù)據(jù)樣本，預(yù)處理后的數(shù)據(jù)帶視為灰度圖；

2-3)將從各個(gè)多通道序列采樣得到的所有數(shù)據(jù)帶樣本合并為一個(gè)數(shù)據(jù)集；

2-4)將得到的57600個(gè)數(shù)據(jù)集打亂順利，劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集和測(cè)試集所包括的樣本數(shù)量分別為50000,7600。

3)為數(shù)據(jù)樣本生成類別標(biāo)簽用于故障分類。具體步驟為：

3-1)將子模塊故障發(fā)生前采樣到的樣本數(shù)據(jù)標(biāo)記為正常，標(biāo)簽為0；

3-2)將故障發(fā)生后采樣到的樣本數(shù)據(jù)標(biāo)記為故障，將三相五電平換流器中24個(gè)子模塊按照從a相到c相，每相中從上臂到下臂的順序依次標(biāo)記為1到24，標(biāo)簽為發(fā)生故障的子模塊的標(biāo)號(hào)，把正常和24個(gè)不同子模塊發(fā)生故障定義為不同的類別，則一共有25種故障類別。只要預(yù)測(cè)出數(shù)據(jù)樣本的類別，就可以判斷mmc中是否有子模塊發(fā)生故障并確定是哪一個(gè)子模塊發(fā)生故障，即故障位置。

4)搭建深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)并訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型。深度卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)如圖3所示，深度卷積神經(jīng)網(wǎng)絡(luò)框架是一個(gè)10層的監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，包括1個(gè)輸入層、3個(gè)卷積層、3個(gè)池化層、2個(gè)全連接層和1個(gè)輸出層。

深度卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程步驟為：

4-1)權(quán)值初始化；使用均值為0，標(biāo)準(zhǔn)差為的高斯分布初始化權(quán)重，其中n是每個(gè)節(jié)點(diǎn)的輸入數(shù)量；

4-2)從預(yù)處理后的訓(xùn)練集中取出數(shù)據(jù)輸入到深度卷積神經(jīng)網(wǎng)絡(luò)中，并給出目標(biāo)向量d；

4-3)前向傳播：從前向后計(jì)算得到深度卷積神經(jīng)網(wǎng)絡(luò)中各層的輸出；

4-4)反向傳播：從后往前依次計(jì)算各層的誤差；

4-5)判斷誤差是否小于閾值，若否，則進(jìn)入步驟4-6)；若是，則進(jìn)入步驟4-8)；

4-6)根據(jù)誤差反向依次計(jì)算各層權(quán)值的調(diào)整量和偏置的梯度；

4-7)利用梯度下降法更新權(quán)重參數(shù)權(quán)值和偏置；

6)本發(fā)明模型訓(xùn)練過(guò)程中采用的優(yōu)化算法及策略：

優(yōu)化算法：在本發(fā)明選用adam算法進(jìn)行模型優(yōu)化，初始學(xué)習(xí)率設(shè)置為0.001。adam優(yōu)化算法基于一階梯度來(lái)優(yōu)化目標(biāo)函數(shù)，它根據(jù)代價(jià)函數(shù)對(duì)每個(gè)模型參數(shù)的梯度的一階矩估計(jì)以及二階矩估計(jì)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率。在每次迭代過(guò)程中，各個(gè)參數(shù)的學(xué)習(xí)步長(zhǎng)都被限制在一個(gè)確定的范圍內(nèi)，確保不會(huì)因?yàn)樘荻冗^(guò)大導(dǎo)致很大的學(xué)習(xí)步長(zhǎng)，因而參數(shù)的值都比較穩(wěn)定。

dropout策略：在訓(xùn)練階段，每次用一組樣本訓(xùn)練網(wǎng)絡(luò)模型時(shí)，將隱藏神經(jīng)元的輸出按照一定的比例p隨機(jī)設(shè)置成0，被置0的神經(jīng)元的權(quán)重系數(shù)在前向和反向傳播過(guò)程中保持不變，即不參與權(quán)重更新。由于選擇一組被置零的神經(jīng)元是一個(gè)隨機(jī)過(guò)程，在采用批梯度下降法訓(xùn)練模型時(shí)，對(duì)于每一組樣本，被選出的不參與權(quán)重更新的神經(jīng)元與上一組是不一樣的，因此訓(xùn)練得到的模型也是不一樣的。在測(cè)試階段，需要激活模型中所有的神經(jīng)元，變成完整的結(jié)構(gòu)。所有神經(jīng)元的激活值都乘以比例系數(shù)1-p，即對(duì)不同模型求平均值。本文所提出的框架在每個(gè)池化層和全連接層后連接dropout層，比例系數(shù)p設(shè)為0.5，用于防止模型過(guò)擬合。

迭代策略：由于本模型使用的數(shù)據(jù)集不夠龐大，所以對(duì)數(shù)據(jù)進(jìn)行分代重復(fù)使用。在每一個(gè)迭代周期開始前，隨機(jī)打亂訓(xùn)練集中的樣本然后按照100的批大小依次讀取樣本，進(jìn)行模型訓(xùn)練。一次數(shù)據(jù)使用完畢后重新隨機(jī)打亂數(shù)據(jù)，進(jìn)入模型的下一代訓(xùn)練，共迭代100次。

早停策略：為防止模型過(guò)擬合，在訓(xùn)練過(guò)程中使用了“早?！辈呗浴＞唧w地，如果模型在驗(yàn)證集上的分類正確率在連續(xù)5個(gè)迭代周期后沒(méi)有上升，模型終止訓(xùn)練。

4-8)重復(fù)上述4-2)到4-5)進(jìn)行參數(shù)修整，直到誤差函數(shù)小于設(shè)定的閾值，訓(xùn)練過(guò)程結(jié)束。

5)利用訓(xùn)練好的模型對(duì)三相五電平換流器故障進(jìn)行定位，得到故障定位精確度。

步驟5)具體步驟如下：

5-1)把預(yù)處理后的數(shù)據(jù)輸入到深度卷積神經(jīng)網(wǎng)絡(luò)的輸入層，輸入層通過(guò)預(yù)處理把數(shù)據(jù)轉(zhuǎn)換成類似圖像的二維矩陣模式。

5-2)使用3個(gè)交錯(cuò)的卷積層和池化層提取輸入數(shù)據(jù)的特征。

在卷積層，特征圖的每一個(gè)神經(jīng)元與前一層的局部感受野相連，經(jīng)過(guò)卷積操作提取局部特征。卷積層中有多個(gè)特征圖，每個(gè)特征圖提取一種特征。在提取特征時(shí)，同一個(gè)特征圖中的神經(jīng)元共享一組權(quán)值(即卷積核)，不同特征圖的權(quán)值不同從而提取不同的特征。在訓(xùn)練過(guò)程中不斷地調(diào)整權(quán)值參數(shù)，使特征提取朝著有利于分類的方向進(jìn)行。卷積操作示意圖如圖4所示。本發(fā)明中采用了relu非飽和函數(shù)，它輸出的上下界不被限制在[-1,1]之內(nèi)，用于緩解了深度結(jié)構(gòu)帶來(lái)的梯度發(fā)散(gradientvanish)問(wèn)題，加速網(wǎng)絡(luò)的訓(xùn)練。

本發(fā)明的池化層采用最大池化策略，加在卷積層之后，主要作用是減小特征圖的分辨率，降低特征維數(shù)，避免網(wǎng)絡(luò)過(guò)擬合，同時(shí)在一定程度上增加網(wǎng)絡(luò)對(duì)位移、縮放、扭曲的魯棒性。

本發(fā)明中所有卷積層的卷積步長(zhǎng)設(shè)為1，所有池化層的池化大小設(shè)為2×2且池化步長(zhǎng)設(shè)為2。在第一個(gè)卷積層，大小為24×200的輸入圖像與6個(gè)大小為5×11的濾波器進(jìn)行卷積，產(chǎn)生6個(gè)大小為20×190的特征圖。經(jīng)過(guò)第一個(gè)池化層后，它們的大小變?yōu)?0×95。然后將第一個(gè)池化層的輸出特征圖用作第二個(gè)卷積層的輸入特征圖，與16個(gè)大小為3×8的濾波器執(zhí)行卷積操作，得到16個(gè)大小為8×88的特征圖。經(jīng)過(guò)第二個(gè)池化層后，它們的大小變?yōu)?×44。第三個(gè)卷積層中采用32個(gè)大小為3×7的濾波器與特征圖卷積，卷積后得到的特征圖的大小為2×38，再經(jīng)過(guò)池化操作，得到的特征圖大小變?yōu)?×19。

5-3)將第三個(gè)池化層的輸出特征圖傳遞給2個(gè)全連接層進(jìn)行融合處理；全連接層將第三個(gè)池化層的輸出特征圖連接成一個(gè)特征向量，作為第一個(gè)全連接層的輸入，兩個(gè)全連接層中的神經(jīng)元數(shù)量分別設(shè)為256和128。

5-4)輸出層利用softmax分類器判斷是否發(fā)生故障并確定故障位置。

輸出層采用softmax分類器，文發(fā)明提出的故障定位方法依賴于softmax分類器的輸出來(lái)判斷是否發(fā)生故障以及定位故障位置。具體地，將故障檢測(cè)與定位問(wèn)題轉(zhuǎn)化為包含“無(wú)故障”和故障位置的多分類問(wèn)題，即對(duì)于n個(gè)子模塊，設(shè)置包含n+1個(gè)概率的n+1維向量作為softmax分類器的輸出，對(duì)應(yīng)的索引號(hào)依次為0,1,2,…,n。索引號(hào)0代表“無(wú)故障”，索引號(hào)1,2,…,n依次代表n個(gè)子模塊。將第二個(gè)全連接層的輸出特征向量作為分類器的輸入。本發(fā)明中把“正?！焙?4個(gè)不同子模塊的“故障”當(dāng)作不同的類別，共有25種類別，因此softmax分類器的輸出是一個(gè)25維向量，對(duì)應(yīng)屬于每一類的概率。

如圖6所示，經(jīng)過(guò)試驗(yàn)證明：所有的“正?！睒颖揪徽_分類；所有的“故障”樣本中，除了“a-sm3”故障樣本的分類正確率為94％以外，其余樣本的分類正確率均大于等于95％，模型的總體分類正確率為98.16％，這證明了本發(fā)明所提出的模型能準(zhǔn)確地檢測(cè)出是否有故障，并以很高的精度確定故障子模塊在mmc電路中的位置，為模塊化多電平換流器的穩(wěn)定運(yùn)行和決策提供便利。