CN116227320A - 一种基于lstm-ipso的双馈风机控制参数辨识方法 - Google Patents

一种基于lstm-ipso的双馈风机控制参数辨识方法 Download PDF

Info

Publication number
CN116227320A
CN116227320A CN202211550049.5A CN202211550049A CN116227320A CN 116227320 A CN116227320 A CN 116227320A CN 202211550049 A CN202211550049 A CN 202211550049A CN 116227320 A CN116227320 A CN 116227320A
Authority
CN
China
Prior art keywords
value
lstm
output
identification
doubly
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211550049.5A
Other languages
English (en)
Inventor
徐恒山
李颜汝
李文昊
赵铭洋
朱士豪
王思维
程杉
潘鹏程
王灿
魏业文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202211550049.5A priority Critical patent/CN116227320A/zh
Publication of CN116227320A publication Critical patent/CN116227320A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Feedback Control In General (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明公开一种基于LSTM‑IPSO的双馈风机控制参数辨识方法，包括如下步骤：利用RT‑LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型；增加输入特征集维度并去除无关特征，选择相关性较高的特征值作为该神经网络模型的输入特征集；输入特征集和对应控制参数集组成控制参数‑输入特征集；使用LSTM神经网络对控制参数‑输入特征集进行训练预测，得到预测初始值和寻优范围；利用IPSO算法作为精确辨识的二次寻优方法，达到精确寻优的目的；判断辨识模型的可靠性；本发明解决了低电压穿越工况下传统辨识方法难以高精度辨识出双馈风机电磁模型控制参数的技术问题。

Description

一种基于LSTM-IPSO的双馈风机控制参数辨识方法
技术领域
本发明涉及新能源发电参数辨识技术领域，具体地指一种基于LSTM-IPSO的双馈风机控制参数辨识方法。
背景技术
近年来随着风电机组大规模并网，风电机组的模型问题也日益突出。目前电网分析主要靠模型仿真或数字仿真，其模型参数大都由厂家给定或设置为经验值，其中网侧控制参数难以从铭牌和技术手册中收集，但其准确性直接影响电网运行的稳定性和安全性，因此从风机自身特性研究和电力***稳定性分析的角度，有必要基于实测数据搭建风电机组精细化仿真模型和进行网侧控制参数辨识。
基于此，针对低电压穿越工况下传统辨识方法难以高精度辨识出双馈风机电磁模型控制参数的问题，有必要提出一种基于长短期记忆(long short-term memory，LSTM)神经网络结合改进粒子群(Improved Particle Swarm Optimization，IPSO)算法的双馈风机控制参数辨识方法。
发明内容
本发明的目的在于克服上述不足，提供一种基于LSTM-IPSO的双馈风机控制参数辨识方法，以解决低电压穿越工况下传统辨识方法难以高精度辨识出双馈风机电磁模型控制参数的技术问题。
本发明为解决上述技术问题，所采用的技术方案是：一种基于LSTM-IPSO的双馈风机控制参数辨识方法，它包括如下步骤：
步骤一、利用RT-LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型；
步骤二、增加输入特征集维度并去除无关特征，选择相关性较高的特征值作为该神经网络模型的输入特征集；输入特征集和对应控制参数集组成控制参数-输入特征集；
步骤三、使用LSTM神经网络对控制参数-输入特征集进行训练预测，得到预测初始值和寻优范围；
步骤四、基于步骤四所得预测初始值和寻优范围，利用IPSO算法作为精确辨识的二次寻优方法，达到精确寻优的目的；
步骤五、对辨识得到的辨识模型与硬件在环实验数据进行对比验证，判断辨识模型的可靠性。
优选地，步骤一中所述利用RT-LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，包括直流母线电压udc、输出电流的dq分量idg和iqg，其中d轴参考电流idg由直流电压控制得到，而q轴参考电流iqg设置为零，并在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型。
优选地，所述双馈风机包括风力机、齿轮箱、感应异步发电机、背靠背变流器及其控制器；
在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型涉及的控制方程如下：
根据能量守恒定律，可得直流电容C的KCL方程为：
Figure BDA0003981706690000021
式中，Pr为机侧变流器输出到C的有功功率，Prc为网侧变流器注入到电网的有功功率；
滤波电抗的动态模型为：
Figure BDA0003981706690000022
式中，ucd、ucq与usd、usq分别表示网侧变流器和机侧变流器出口处电压在d轴和q轴上的分量，Xr为滤波电抗值。
网侧控制器控制方程可以写为：
Figure BDA0003981706690000023
式中，udcref为直流电压的参考值，idgref和iqgref分别为网侧d轴和q轴电流的实际值，Kp1为电压外环PI控制器比例系数、Kp2为q轴电流内环比例系数，Kp3为q轴电流控制内环比例系数，设PI控制器积分环节输出的中间变量分别为x1、x2和x3，则控制器的动态方程为：
Figure BDA0003981706690000031
式中，Ki1为电压外环PI控制器积分系数、Ki2为q轴电流内环积分系数，Ki3为q轴电流控制内环积分系数，iqgref一般为0，但在故障工况下，iqgref由低穿控制模块直接给定为：
Figure BDA0003981706690000032
Figure BDA0003981706690000033
式中，k为无功电流支撑系数，UN为风机并网点额定电压，IN为GSC额定电流；当低电压穿越发生时，网侧变流器会发出一定的无功功率，无功电流的数值可根据式(5)得到，此时，q轴电流内环切换到低穿控制模式，q轴参考值由低穿控制模块给定。
优选地，所述步骤二具体包括以下步骤：
步骤A1、采集同构辨识模型控制参数-输入特征集，其中输入特征值为与风机网侧控制器有关的参数：udc、idg和iqg及其与硬件在环测试数据的误差值F，控制参数集为与输入特征值相对应网侧变流器的控制参数数据集；
步骤A2、剔除异常数据点的样本数据，避免影响辨识准确度；
步骤A3、依据《风电机组电气仿真模型建模导则》，将仿真时间划分为5个区间：稳态区间①和⑤，低电压穿越区间②、③和④，并将输入特征值中的idg和iqg也通过此方式分区间取值作为特征集，其中udc通过分区间取值得到特征值Va、Vb、Vc、Vd和Ve，idg通过分区间取值得到特征值Ida、Idb、Idc、Idd和Iqe，iqg通过分区间取值得到特征值Iqa、Iqb、Iqc、Iqd和Iqe；
步骤A4、采用最大信息系数(Maximal Information Coefficient，MIC)对输入控制参数-输出特征变量进行关联程度分析，首先对控制参数(K)与特征变量(T)构成的散点图进行a列b行网格化，求出最大的互信息值，再对最大互信息值进行归一化，最后选择不同尺度下最大互信息值作为MIC值；
其中互信息可以看成一个随机变量中包含的关于另一个随机变量的信息量，K与T的互信息I(K,T)定义为：
Figure BDA0003981706690000041
式中，K为变量k的样本和，T为变量t的样本和，P(k,t)为变量k和t之间的联合概率，P(k)和P(t)分别为k和t的边缘概率；
Figure BDA0003981706690000042
式中，n为样本数；
由式(8)所得MIC值范围在0～1之间，MIC值越大，表明两个变量间的关联程度越高，得到输出信号的MIC值后，选取关键输出信号指标作为LSTM神经网络的输入特征；
步骤A5、对数据集进行归一化处理，无量纲化数据后，可加快梯度下降求最优解的速度。
优选地，所述步骤三采用LSTM神经网络根据已处理数据集进行双馈风机控制参数初始值和寻优范围进行初步预测，使其逼近辨识模型的最小目标函数，经大量调试工作后，得到LSTM神经网络的结构参数与网络训练参数，训练和测试LSTM神经网络模型；其核心细胞状态c受控于遗忘门、输入门和输出门，其中：σ为sigmoid函数，xt为第t个单元的输入，ct为第t个单元的细胞状态，ht为第t个单元的隐状态，⊕和
Figure BDA0003981706690000044
为向量元素求和和向量元素求积，ct-1为第t-1个单元的细胞状态，ht-1为第t-1个单元的隐状态；
LSTM神经网络输出参数在输入值的影响下，其输出变化可由下式表示：
Figure BDA0003981706690000043
式中，ft为遗忘门输出值，Wi、Wf和Wo为输入门、遗忘门和输出门的网络层权重，bi、bf和bo为输入门、遗忘门和输出门的偏置项，bc是网络层偏置，
Figure BDA0003981706690000051
为t时刻输入到神经元的信息，ot为输出门输出值，☉为哈达玛积运算符。
优选地，所述步骤三中，训练预测的具体步骤如下：
步骤B1、合理选择、分配数据集和调参，对预测结果的准确性影响很大，随机选取90％数据集作为训练集，10％数据集作为验证集，验证模型准确性；
步骤B2、设置迭代训练次数为500，损失函数为MSE，优化器为Adam，输入维度为12，输出维度为6，隐藏层层数为2，隐藏层神经元数为11，学习率为0.015；
步骤B3、采用LSTM神经网络对所采集序列进行训练预测，并得到参数预测初始值和寻优范围。
优选地，所述步骤四中，PSO算法速度与位置更新公式如下：
Vu+1＝ωVu+c1r1(pbestu-xu)+c2r2(gbestu-xu) (10)
xu+1＝xu+Vu+1 (11)
式中，V表示粒子更新速度，x表示粒子，u表示当前时刻，u+1表示下次更新时刻，c1、c2为学习因子，r1、r2为0～1之间的随机值，pbest为个体最优值，gbest为全局最优值，ω为自适应惯性权重，；
PSO根据每个粒子实际位置的输出值与最优位置输出值的均方差值作为算法的目标函数，得到每个粒子在当前迭代次数时的适应度值，目标函数表示为：
Figure BDA0003981706690000052
式中，Ui,error、Idi,error和Iqi,error为udc、idg和iqg的误差，Ui、Idi和Iqi为udc、idg和iqg的实测数据值，Uti、Idti和Iqti为udc、idg和iqg辨识结果得到的输出响应值；
步骤C1、改进目标函数：根据自适应权重法，在对多目标输出值进行目标函数构建时，根据各输出值的MIC值及实际值大小，非线性的动态调整权值分配，使多输出值的目标函数对关联程度高或实际值小的输出值进行自适应调整，改进公式如下:
Figure BDA0003981706690000061
/>
式中，kU、kID和kIQ为Ui、Idi和Iqi自适应加权系数。
其中kU如式(14)所示，其余各输出值的自适应加权系数可按式(14)：
Figure BDA0003981706690000062
其中micU为udc各区间MIC值之和，在迭代过程中，每个粒子都使用算法更新pbest和gbest，然后计算每个样本的目标函数FI，保存最优值和对应参数值；
步骤C2、改进惯性权重ω：采用惯性权重非线性递减方式，使得ω随粒子迭代次数而自适应调整，保证粒子前期的全局搜索能力的同时，同时提高后期局部寻优的能力，改进如公式(15)：
Figure BDA0003981706690000063
式中，ωmin和ωmax为ω最小值和最大值，e和G为当前和总迭代次数；
步骤C3、改进学习因子c1，c2：粒子速度更新公式中的学习因子c1和c2反映了粒子个体最优和种群最优的寻优能力，合适的学习因子能提高辨识精度、缩短收敛时间和减小陷入局部最优的概率，学习因子在寻优过程中随迭代次数的增加而非线性减小，改进公式(16)：
Figure BDA0003981706690000064
优选地，所述步骤五具体包括如下步骤：
步骤D1、为了进一步验证所提模型辨识的有效性和实用性，将LSTM-IPSO算法同PSO算法及LSTM-PSO算法进行对比，采用相同数据集对上述模型进行训练，将3组辨识曲线与电压跌落程度20％、40％、60％和80％下的实测曲线对比；
步骤D2、按照公式(17)分别计算电压跌落程度20％、40％、60％和80％下3种模型辨识结果在①、②、③、④和⑤区间的平均偏差，再对4种工况下的平均偏差取平均值得到PSO、LSTM-PSO和LSTM-IPSO模型输出结果在各区间的误差；
Figure BDA0003981706690000071
式中，FVi为区间Vi的平均偏差，uM为实测直流电容电压，ui为辨识模型直流电容电压，Kstart和Kend为区间第一个和最后一个仿真数据序号。
本发明的有益效果：
1、本发明基于LSTM神经网络控制参数预测结果得到IPSO的初始值和寻优范围，利用IPSO算法作为精确辨识的二次寻优方法，达到精确寻优的目的，解决了低电压穿越工况下传统辨识方法难以高精度辨识出双馈风机电磁模型控制参数的技术问题；
2、为了去除无关特征，采用最大信息系数对输入控制参数-输出特征变量进行关联程度分析，选取关键输出信号指标作为LSTM神经网络的输入特征；
3、本发明基于LSTM-LSTM的双馈风机控制器参数辨识方法与以往的参数辨识方法相比，通过LSTM训练数据集模拟风机网侧控制***的输入输出特性，在不运行风机模型的情况下，向LSTM神经网络输入实测数据，得到控制参数预测结果；
4、本方法根据自适应权重法，在对多目标输出值进行目标函数构建时，根据各输出值的MIC值及实际值大小，非线性的动态调整权值分配，使多输出值的目标函数对关联程度高或实际值小的输出值进行自适应调整，有效解决因目标函数构建不当导致算法寻优效果不好的问题。还应用自适应惯性权重和自适应学习因子，减小辨识算法后期寻优范围，提高参数辨识精度。
附图说明
图1为本发明的双馈风机控制参数辨识方法的示意图；
图2为本发明直流电容电压各区间输入特征值对各控制参数的MIC值；
图3为本发明d轴直流各区间输入特征值对各控制参数的MIC值；
图4为本发明q轴直流各区间输入特征值对各控制参数的MIC值；
图5为本发明LSTM模型训练中损失函数的迭代图；
图6为本发明的LSTM-IPSO辨识算法、PSO辨识算法和LSTM-PSO辨识算法的均方误差迭代图；
图7为本发明LSTM-IPSO辨识曲线、PSO辨识曲线和LSTM-PSO辨识曲线与电压跌落程度20％下的实测曲线的直流电容电压对比结果图；
图8为本发明LSTM-IPSO辨识曲线、PSO辨识曲线和LSTM-PSO辨识曲线与电压跌落程度20％下的实测曲线的d轴直流对比结果图；
图9为本发明LSTM-IPSO辨识曲线、PSO辨识曲线和LSTM-PSO辨识曲线与电压跌落程度20％下的实测曲线的q轴直流对比结果图；
图10为本发明LSTM-IPSO辨识曲线、PSO辨识曲线和LSTM-PSO辨识曲线与电压跌落程度80％下的实测曲线的直流电容电压对比结果图；
图11为本发明LSTM-IPSO辨识曲线、PSO辨识曲线和LSTM-PSO辨识曲线与电压跌落程度80％下的实测曲线的d轴直流对比结果图；
图12为本发明LSTM-IPSO辨识曲线、PSO辨识曲线和LSTM-PSO辨识曲线与电压跌落程度80％下的实测曲线的q轴直流对比结果图；
图13为本发明LSTM-IPSO算法、PSO算法和LSTM-PSO算法的直流电容电压辨识结果的误差图；
图14为本发明LSTM-IPSO算法、PSO算法和LSTM-PSO算法的d轴直流辨识结果的误差图；
图15为本发明LSTM-IPSO算法、PSO算法和LSTM-PSO算法的q轴直流辨识结果的误差图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述。
如图1-15所示，一种基于LSTM-IPSO的双馈风机控制参数辨识方法，它包括如下步骤：
步骤一、利用RT-LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型；
步骤二、增加输入特征集维度并去除无关特征，选择相关性较高的特征值作为该神经网络模型的输入特征集；输入特征集和对应控制参数集组成控制参数-输入特征集；
步骤三、使用LSTM神经网络对控制参数-输入特征集进行训练预测，得到预测初始值和寻优范围；
步骤四、基于步骤四所得预测初始值和寻优范围，利用IPSO算法作为精确辨识的二次寻优方法，达到精确寻优的目的；
步骤五、对辨识得到的辨识模型与硬件在环实验数据进行对比验证，判断辨识模型的可靠性。
优选地，步骤一中所述利用RT-LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，包括直流母线电压udc、输出电流的dq分量idg和iqg，其中d轴参考电流idg由直流电压控制得到，而q轴参考电流iqg设置为零，并在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型。
优选地，所述双馈风机包括风力机、齿轮箱、感应异步发电机、背靠背变流器及其控制器；对于网侧变流器，它的目的是保持直流连接电压稳定，确保良好的正弦输出电流和控制功率因数。因此，d轴参考电流idg由直流电压控制得到，而q轴参考电流idq通常设置为零。
在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型涉及的控制方程如下：
根据能量守恒定律，可得直流电容C的KCL方程为：
Figure BDA0003981706690000091
式中，Pr为机侧变流器输出到C的有功功率，Prc为网侧变流器注入到电网的有功功率；
滤波电抗的动态模型为：
Figure BDA0003981706690000092
式中，ucd、ucq与usd、usq分别表示网侧变流器和机侧变流器出口处电压在d轴和q轴上的分量，Xr为滤波电抗值。
网侧控制器控制方程可以写为：
Figure BDA0003981706690000093
/>
式中，udcref为直流电压的参考值，idgref和iqgref分别为网侧d轴和q轴电流的实际值，Kp1为电压外环PI控制器比例系数、Kp2为q轴电流内环比例系数，Kp3为q轴电流控制内环比例系数，设PI控制器积分环节输出的中间变量分别为x1、x2和x3，则控制器的动态方程为：
Figure BDA0003981706690000101
式中，Ki1为电压外环PI控制器积分系数、Ki2为q轴电流内环积分系数，Ki3为q轴电流控制内环积分系数，iqgref一般为0，但在故障工况下，iqgref由低穿控制模块直接给定为：
Figure BDA0003981706690000102
Figure BDA0003981706690000103
式中，k为无功电流支撑系数，UN为风机并网点额定电压，IN为GSC额定电流；当低电压穿越发生时，网侧变流器会发出一定的无功功率，无功电流的数值可根据式(5)得到，此时，q轴电流内环切换到低穿控制模式，q轴参考值由低穿控制模块给定。
优选地，所述步骤二具体包括以下步骤：
步骤A1、采集同构辨识模型控制参数-输入特征集，其中输入特征值为与风机网侧控制器有关的参数：udc、idg和iqg及其与硬件在环测试数据的误差值F，控制参数集为与输入特征值相对应网侧变流器的控制参数数据集；
步骤A2、剔除异常数据点的样本数据，避免影响辨识准确度；
步骤A3、依据《风电机组电气仿真模型建模导则》，将仿真时间划分为5个区间：稳态区间①和⑤，低电压穿越区间②、③和④，并将输入特征值中的idg和iqg也通过此方式分区间取值作为特征集，其中udc通过分区间取值得到特征值Va、Vb、Vc、Vd和Ve，idg通过分区间取值得到特征值Ida、Idb、Idc、Idd和Iqe，iqg通过分区间取值得到特征值Iqa、Iqb、Iqc、Iqd和Iqe；
步骤A4、采用最大信息系数(Maximal Information Coefficient，MIC)对输入控制参数-输出特征变量进行关联程度分析，首先对控制参数(K)与特征变量(T)构成的散点图进行a列b行网格化，求出最大的互信息值，再对最大互信息值进行归一化，最后选择不同尺度下最大互信息值作为MIC值；
其中互信息可以看成一个随机变量中包含的关于另一个随机变量的信息量，K与T的互信息I(K,T)定义为：
Figure BDA0003981706690000111
式中，K为变量k的样本和，T为变量t的样本和，P(k,t)为变量k和t之间的联合概率，P(k)和P(t)分别为k和t的边缘概率；
Figure BDA0003981706690000112
式中，n为样本数；
由式(8)所得MIC值范围在0～1之间，MIC值越大，表明两个变量间的关联程度越高，得到输出信号的MIC值后，选取关键输出信号指标作为LSTM神经网络的输入特征；
步骤A5、对数据集进行归一化处理，无量纲化数据后，可加快梯度下降求最优解的速度。
优选地，所述步骤三采用LSTM神经网络根据已处理数据集进行双馈风机控制参数初始值和寻优范围进行初步预测，使其逼近辨识模型的最小目标函数，经大量调试工作后，得到LSTM神经网络的结构参数与网络训练参数，训练和测试LSTM神经网络模型；其核心细胞状态c受控于遗忘门、输入门和输出门，其中：σ为sigmoid函数，xt为第t个单元的输入，ct为第t个单元的细胞状态，ht为第t个单元的隐状态，⊕和
Figure BDA0003981706690000114
为向量元素求和和向量元素求积，ct-1为第t-1个单元的细胞状态，ht-1为第t-1个单元的隐状态；
LSTM神经网络输出参数在输入值的影响下，其输出变化可由下式表示：
Figure BDA0003981706690000113
式中，ft为遗忘门输出值，Wi、Wf和Wo为输入门、遗忘门和输出门的网络层权重，bi、bf和bo为输入门、遗忘门和输出门的偏置项，bc是网络层偏置，
Figure BDA0003981706690000121
为t时刻输入到神经元的信息，ot为输出门输出值，☉为哈达玛积运算符。
优选地，所述步骤三中，训练预测的具体步骤如下：
步骤B1、合理选择、分配数据集和调参，对预测结果的准确性影响很大，随机选取90％数据集作为训练集，10％数据集作为验证集，验证模型准确性；
步骤B2、设置迭代训练次数为500，损失函数为MSE，优化器为Adam，输入维度为12，输出维度为6，隐藏层层数为2，隐藏层神经元数为11，学习率为0.015；
步骤B3、采用LSTM神经网络对所采集序列进行训练预测，并得到参数预测初始值和寻优范围。
优选地，所述步骤四中，PSO算法速度与位置更新公式如下：
Figure BDA0003981706690000122
Figure BDA0003981706690000123
式中，V表示粒子更新速度，x表示粒子，u表示当前时刻，u+1表示下次更新时刻，c1、c2为学习因子，r1、r2为0～1之间的随机值，pbest为个体最优值，gbest为全局最优值，ω为自适应惯性权重，；
PSO根据每个粒子实际位置的输出值与最优位置输出值的均方差值作为算法的目标函数，得到每个粒子在当前迭代次数时的适应度值，目标函数表示为：
Figure BDA0003981706690000124
式中，Ui,error、Idi,error和Iqi,error为udc、idg和iqg的误差，Ui、Idi和Iqi为udc、idg和iqg的实测数据值，Uti、Idti和Iqti为udc、idg和iqg辨识结果得到的输出响应值；
步骤C1、改进目标函数：根据自适应权重法，在对多目标输出值进行目标函数构建时，根据各输出值的MIC值及实际值大小，非线性的动态调整权值分配，使多输出值的目标函数对关联程度高或实际值小的输出值进行自适应调整，改进公式如下:
Figure BDA0003981706690000131
式中，kU、kID和kIQ为Ui、Idi和Iqi自适应加权系数。
其中kU如式(14)所示，其余各输出值的自适应加权系数可按式(14)：
Figure BDA0003981706690000132
其中micU为udc各区间MIC值之和，在迭代过程中，每个粒子都使用算法更新pbest和gbest，然后计算每个样本的目标函数FI，保存最优值和对应参数值；
步骤C2、改进惯性权重ω：采用惯性权重非线性递减方式，使得ω随粒子迭代次数而自适应调整，保证粒子前期的全局搜索能力的同时，同时提高后期局部寻优的能力，改进如公式(15)：
Figure BDA0003981706690000133
式中，ωmin和ωmax为ω最小值和最大值，e和G为当前和总迭代次数；
步骤C3、改进学习因子c1，c2：粒子速度更新公式中的学习因子c1和c2反映了粒子个体最优和种群最优的寻优能力，合适的学习因子能提高辨识精度、缩短收敛时间和减小陷入局部最优的概率，学习因子在寻优过程中随迭代次数的增加而非线性减小，改进公式(16)：
Figure BDA0003981706690000134
优选地，所述步骤五具体包括如下步骤：
步骤D1、为了进一步验证所提模型辨识的有效性和实用性，将LSTM-IPSO算法同PSO算法及LSTM-PSO算法进行对比，采用相同数据集对上述模型进行训练，将3组辨识曲线与电压跌落程度20％、40％、60％和80％下的实测曲线对比；
步骤D2、按照公式(17)分别计算电压跌落程度20％、40％、60％和80％下3种模型辨识结果在①、②、③、④和⑤区间的平均偏差，再对4种工况下的平均偏差取平均值得到PSO、LSTM-PSO和LSTM-IPSO模型输出结果在各区间的误差；
Figure BDA0003981706690000141
式中，FVi为区间Vi的平均偏差，uM为实测直流电容电压，ui为辨识模型直流电容电压，Kstart和Kend为区间第一个和最后一个仿真数据序号。
图6给出了各算法寻优得到的最小适应度值所对应的均方误差的收敛曲线，PSO算法的初始值较大，后期变化较小，但误差更新速度明显变慢；LSTM-PSO算法的初始值较小，但在迭代过程中变化较小。LSTM-IPSO算法的初始值最小，局部搜索能力最强，由于能够自适应调整，在后续极值搜索优化过程中，搜寻出来的目标值最小，在优化精度和收敛速度方面具有优越性。
如图13、14和15所示，为PSO算法、LSTM-PSO算法和LSTM-IPSO算法模型输出结果udc、idg和iqg在①、②、③、④和⑤区间的平均偏差。不同算法对最终控制参数Kp1、Ki1、Kp2、Ki、Ki3和Ki3的辨识效果有很大影响，PSO算法辨识控制参数的输出信号结果在①、②、③、④和⑤区间的平均偏差较大；加入LSTM算法对目标函数进行先行寻优，得到预测控制参数和寻优范围后，再使用PSO算法对目标函数进行迭代寻优，这样得到的辨识结果较为精确，辨识得到的输出信号结果在①、②、③、④和⑤区间的平均偏差之和较PSO算法小；在对PSO算法进行改进后，辨识结果变得更为精确，LSTM-IPSO算法在①、②、③、④和⑤区间的辨识误差较小，平均偏差均小于5％，具有可行性。通过对比分析，本文所提算法相比于PSO算法与LSTM-PSO算法，在计算精度和收敛速度等方面具有优越性，并适用于风机暂态模型的控制参数辨识。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (8)

1.一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：它包括如下步骤：
步骤一、利用RT-LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型；
步骤二、增加输入特征集维度并去除无关特征，选择相关性较高的特征值作为该神经网络模型的输入特征集；输入特征集和对应控制参数集组成控制参数-输入特征集；
步骤三、使用LSTM神经网络对控制参数-输入特征集进行训练预测，得到预测初始值和寻优范围；
步骤四、基于步骤四所得预测初始值和寻优范围，利用IPSO算法作为精确辨识的二次寻优方法，达到精确寻优的目的；
步骤五、对辨识得到的辨识模型与硬件在环实验数据进行对比验证，判断辨识模型的可靠性。
2.根据权利要求1所述的一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：步骤一中所述利用RT-LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，包括直流母线电压udc、输出电流的dq分量idg和iqg，其中d轴参考电流idg由直流电压控制得到，而q轴参考电流iqg设置为零，并在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型。
3.根据权利要求2所述的一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：所述双馈风机包括风力机、齿轮箱、感应异步发电机、背靠背变流器及其控制器；
在Matlab/simulink平台搭建双馈风机真实控制器的同构辨识模型涉及的控制方程如下：
根据能量守恒定律，可得直流电容C的KCL方程为：
Figure FDA0003981706680000011
式中，Pr为机侧变流器输出到C的有功功率，Prc为网侧变流器注入到电网的有功功率；
滤波电抗的动态模型为：
Figure FDA0003981706680000021
式中，ucd、ucq与usd、usq分别表示网侧变流器和机侧变流器出口处电压在d轴和q轴上的分量，Xr为滤波电抗值。
网侧控制器控制方程可以写为：
Figure FDA0003981706680000022
式中，udcref为直流电压的参考值，idgref和iqgref分别为网侧d轴和q轴电流的实际值，Kp1为电压外环PI控制器比例系数、Kp2为q轴电流内环比例系数，Kp3为q轴电流控制内环比例系数，设PI控制器积分环节输出的中间变量分别为x1、x2和x3，则控制器的动态方程为：
Figure FDA0003981706680000023
式中，Ki1为电压外环PI控制器积分系数、Ki2为q轴电流内环积分系数，Ki3为q轴电流控制内环积分系数，iqgref一般为0，但在故障工况下，iqgref由低穿控制模块直接给定为：
Figure FDA0003981706680000024
Figure FDA0003981706680000025
式中，k为无功电流支撑系数，UN为风机并网点额定电压，IN为GSC额定电流；当低电压穿越发生时，网侧变流器会发出一定的无功功率，无功电流的数值可根据式(5)得到，此时，q轴电流内环切换到低穿控制模式，q轴参考值由低穿控制模块给定。
4.根据权利要求1所述的一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：所述步骤二具体包括以下步骤：
步骤A1、采集同构辨识模型控制参数-输入特征集，其中输入特征值为与风机网侧控制器有关的参数：udc、idg和iqg及其与硬件在环测试数据的误差值F，控制参数集为与输入特征值相对应网侧变流器的控制参数数据集；
步骤A2、剔除异常数据点的样本数据，避免影响辨识准确度；
步骤A3、依据《风电机组电气仿真模型建模导则》，将仿真时间划分为5个区间：稳态区间①和⑤，低电压穿越区间②、③和④，并将输入特征值中的idg和iqg也通过此方式分区间取值作为特征集，其中udc通过分区间取值得到特征值Va、Vb、Vc、Vd和Ve，idg通过分区间取值得到特征值Ida、Idb、Idc、Idd和Iqe，iqg通过分区间取值得到特征值Iqa、Iqb、Iqc、Iqd和Iqe；
步骤A4、采用最大信息系数(Maximal Information Coefficient，MIC)对输入控制参数-输出特征变量进行关联程度分析，首先对控制参数(K)与特征变量(T)构成的散点图进行a列b行网格化，求出最大的互信息值，再对最大互信息值进行归一化，最后选择不同尺度下最大互信息值作为MIC值；
其中互信息可以看成一个随机变量中包含的关于另一个随机变量的信息量，K与T的互信息I(K,T)定义为：
Figure FDA0003981706680000031
式中，K为变量k的样本和，T为变量t的样本和，P(k,t)为变量k和t之间的联合概率，P(k)和P(t)分别为k和t的边缘概率；
Figure FDA0003981706680000032
/>
式中，n为样本数；
由式(8)所得MIC值范围在0～1之间，MIC值越大，表明两个变量间的关联程度越高，得到输出信号的MIC值后，选取关键输出信号指标作为LSTM神经网络的输入特征；
步骤A5、对数据集进行归一化处理，无量纲化数据后，可加快梯度下降求最优解的速度。
5.根据权利要求1所述的一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：所述步骤三采用LSTM神经网络根据已处理数据集进行双馈风机控制参数初始值和寻优范围进行初步预测，使其逼近辨识模型的最小目标函数，经大量调试工作后，得到LSTM神经网络的结构参数与网络训练参数，训练和测试LSTM神经网络模型；其核心细胞状态c受控于遗忘门、输入门和输出门，其中：σ为sigmoid函数，xt为第t个单元的输入，ct为第t个单元的细胞状态，ht为第t个单元的隐状态，⊕和
Figure FDA0003981706680000043
为向量元素求和和向量元素求积，ct-1为第t-1个单元的细胞状态，ht-1为第t-1个单元的隐状态；
LSTM神经网络输出参数在输入值的影响下，其输出变化可由下式表示：
Figure FDA0003981706680000041
式中，ft为遗忘门输出值，Wi、Wf和Wo为输入门、遗忘门和输出门的网络层权重，bi、bf和bo为输入门、遗忘门和输出门的偏置项，bc是网络层偏置，
Figure FDA0003981706680000042
为t时刻输入到神经元的信息，ot为输出门输出值，☉为哈达玛积运算符。
6.根据权利要求5所述的一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：所述步骤三中，训练预测的具体步骤如下：
步骤B1、合理选择、分配数据集和调参，对预测结果的准确性影响很大，随机选取90％数据集作为训练集，10％数据集作为验证集，验证模型准确性；
步骤B2、设置迭代训练次数为500，损失函数为MSE，优化器为Adam，输入维度为12，输出维度为6，隐藏层层数为2，隐藏层神经元数为11，学习率为0.015；
步骤B3、采用LSTM神经网络对所采集序列进行训练预测，并得到参数预测初始值和寻优范围。
7.根据权利要求1所述的一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：所述步骤四中，PSO算法速度与位置更新公式如下：
Vu+1＝ωVu+c1r1(pbestu-xu)+c2r2(gbestu-xu) (10)
xu+1＝xu+Vu+1 (11)
式中，V表示粒子更新速度，x表示粒子，u表示当前时刻，u+1表示下次更新时刻，c1、c2为学习因子，r1、r2为0～1之间的随机值，pbest为个体最优值，gbest为全局最优值，ω为自适应惯性权重，；
PSO根据每个粒子实际位置的输出值与最优位置输出值的均方差值作为算法的目标函数，得到每个粒子在当前迭代次数时的适应度值，目标函数表示为：
Figure FDA0003981706680000051
式中，Ui,error、Idi,error和Iqi,error为udc、idg和iqg的误差，Ui、Idi和Iqi为udc、idg和iqg的实测数据值，Uti、Idti和Iqti为udc、idg和iqg辨识结果得到的输出响应值；
步骤C1、改进目标函数：根据自适应权重法，在对多目标输出值进行目标函数构建时，根据各输出值的MIC值及实际值大小，非线性的动态调整权值分配，使多输出值的目标函数对关联程度高或实际值小的输出值进行自适应调整，改进公式如下:
Figure FDA0003981706680000052
式中，kU、kID和kIQ为Ui、Idi和Iqi自适应加权系数。
其中kU如式(14)所示，其余各输出值的自适应加权系数可按式(14)：
Figure FDA0003981706680000053
其中micU为udc各区间MIC值之和，在迭代过程中，每个粒子都使用算法更新pbest和gbest，然后计算每个样本的目标函数FI，保存最优值和对应参数值；
步骤C2、改进惯性权重ω：采用惯性权重非线性递减方式，使得ω随粒子迭代次数而自适应调整，保证粒子前期的全局搜索能力的同时，同时提高后期局部寻优的能力，改进如公式(15)：
Figure FDA0003981706680000061
式中，ωmin和ωmax为ω最小值和最大值，e和G为当前和总迭代次数；
步骤C3、改进学习因子c1，c2：粒子速度更新公式中的学习因子c1和c2反映了粒子个体最优和种群最优的寻优能力，合适的学习因子能提高辨识精度、缩短收敛时间和减小陷入局部最优的概率，学习因子在寻优过程中随迭代次数的增加而非线性减小，改进公式(16)：
Figure FDA0003981706680000062
8.根据权利要求1所述的一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：所述步骤五具体包括如下步骤：
步骤D1、为了进一步验证所提模型辨识的有效性和实用性，将LSTM-IPSO算法同PSO算法及LSTM-PSO算法进行对比，采用相同数据集对上述模型进行训练，将3组辨识曲线与电压跌落程度20％、40％、60％和80％下的实测曲线对比；
步骤D2、按照公式(17)分别计算电压跌落程度20％、40％、60％和80％下3种模型辨识结果在①、②、③、④和⑤区间的平均偏差，再对4种工况下的平均偏差取平均值得到PSO、LSTM-PSO和LSTM-IPSO模型输出结果在各区间的误差；
Figure FDA0003981706680000063
式中，FVi为区间Vi的平均偏差，uM为实测直流电容电压，ui为辨识模型直流电容电压，Kstart和Kend为区间第一个和最后一个仿真数据序号。
CN202211550049.5A 2022-12-05 2022-12-05 一种基于lstm-ipso的双馈风机控制参数辨识方法 Pending CN116227320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211550049.5A CN116227320A (zh) 2022-12-05 2022-12-05 一种基于lstm-ipso的双馈风机控制参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211550049.5A CN116227320A (zh) 2022-12-05 2022-12-05 一种基于lstm-ipso的双馈风机控制参数辨识方法

Publications (1)

Publication Number Publication Date
CN116227320A true CN116227320A (zh) 2023-06-06

Family

ID=86568605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211550049.5A Pending CN116227320A (zh) 2022-12-05 2022-12-05 一种基于lstm-ipso的双馈风机控制参数辨识方法

Country Status (1)

Country Link
CN (1) CN116227320A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796911A (zh) * 2023-08-25 2023-09-22 国网江苏省电力有限公司淮安供电分公司 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796911A (zh) * 2023-08-25 2023-09-22 国网江苏省电力有限公司淮安供电分公司 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及***

Similar Documents

Publication Publication Date Title
CN107391852B (zh) 基于深度置信网络的暂态稳定性实时评估方法及装置
CN111478314B (zh) 一种电力***暂态稳定评估方法
CN111523785A (zh) 一种基于生成对抗网络的电力***动态安全评估方法
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN107590564B (zh) 基于暂态稳定约束的电力***有功出力调整方法
CN111475909B (zh) 一种基于长短期记忆网络的风电机组出力相关性映射建模方法
CN112310980B (zh) 交直流混联电网直流闭锁频率安全稳定评估方法及***
CN114006370B (zh) 一种电力***暂态稳定分析评估方法及***
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN115659665A (zh) 一种基于野马优化算法的电压暂降源信号降噪与识别的方法
CN115017787A (zh) 基于智能算法的风电场电压穿越特性等值建模方法及***
CN110634082A (zh) 一种基于深度学习的低频减载***运行阶段预测方法
CN116227320A (zh) 一种基于lstm-ipso的双馈风机控制参数辨识方法
CN114336632A (zh) 一种基于模型信息辅助深度学习校正交流潮流的方法
CN112649642A (zh) 一种窃电位置判断方法、装置、设备和存储介质
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
CN109921462B (zh) 一种基于lstm的新能源消纳能力评估方法及***
CN112821420B (zh) 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及***
CN114036506A (zh) 一种基于lm-bp神经网络的检测和防御虚假数据注入攻击的方法
CN114169395A (zh) 一种电力***主导失稳模式识别模型构建方法及应用
Shivakumar et al. Power system stability enhancement using bio inspired genetic and PSO algorithm implementation
CN112651628A (zh) 一种基于胶囊神经网络的电力***暂态稳定评估方法
CN115411775B (zh) 一种基于lstm神经网络的双馈风机控制参数辨识方法
CN113221465B (zh) 一种面向光伏发电运维的组件模型参数辨识方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination