一种基于LSTM-IPSO的双馈风机控制参数辨识方法技术

本发明专利技术公开一种基于LSTM

【技术实现步骤摘要】
一种基于LSTM
‑
IPSO的双馈风机控制参数辨识方法


[0001]本专利技术涉及新能源发电参数辨识
，具体地指一种基于LSTM
‑
IPSO的双馈风机控制参数辨识方法。

技术介绍

[0002]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系统稳定性分析的角度，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。
[0003]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。r/>
技术实现思路
<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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u
dc
、输出电流的dq分量i
dg
和i
qg
，其中d轴参考电流i
dg
由直流电压控制得到，而q轴参考电流i
qg
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：式中，P
r
为机侧变流器输出到C的有功功率，P
rc
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：式中，u
cd
、u
cq
与u
sd
、u
sq
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，X
r
为滤波电抗值。网侧控制器控制方程可以写为：式中，u
dcref
为直流电压的参考值，i
dgref
和i
qgref
分别为网侧d轴和q轴电流的实际值，K
p1
为电压外环PI控制器比例系数、K
p2
为q轴电流内环比例系数，K
p3
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：式中，K
i1
为电压外环PI控制器积分系数、K
i2
为q轴电流内环积分系数，K
i3
为q轴电流控制内环积分系数，i
qgref
一般为0，但在故障工况下，i
qgref
由低穿控制模块直接给定为：由低穿控制模块直接给定为：式中，k为无功电流支撑系数，U
N
为风机并网点额定电压，I
N
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：u
dc
、i
dg
和i
qg
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i
dg
和i
qg
也通过此方式分区间取值作为特征集，其中u
dc
通过分区间取值得到特征值V
a
、V
b
、V
c
、V
d
和V
e
，i
dg
通过分区间取值得到特征值I
da
、I
db
、I
dc
、I
dd
和I
qe
，i
qg
通过分区间取值得到特征值I
qa
、I
qb
、I
qc
、I
qd
和I
qe
；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：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；
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...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：三峡大学，
类型：发明
国别省市：