本发明专利技术提出一种最小二乘生成对抗网络的风机控制参数优化加速方法，该方法基于最小二乘生成对抗网络对双馈感应风机控制器参数进行优化；在迭代过程中采用坐标轮换优化方法；将用于图像识别领域的生成对抗网络用于风机参数优化领域；利用生成对抗网络减少迭代次数，来应对参数优化方法的计算时间过长的状况；引入最小二乘损失函数来优化生成对抗网络。最小二乘生成对抗网络的风机控制参数优化加速方法能解决双馈感应风机控制器参数的优化问题，实现快速精确获得最优参数的功能，减少所需优化时间，提高优化方法的运行速度，提高双馈感应风机的运行效率。
【技术实现步骤摘要】
本专利技术属于电力系统控制器参数优化、风机控制参数优化、人工智能、机器学习、图像处理、生成对抗网络和自动控制领域，涉及坐标轮换优化方法、深度学习和生成对抗网络方法，适用于电力系统双馈感应风机控制器参数的优化加速。
技术介绍
1、现有基于比例-积分-微分控制器的控制方法有控制参数精确调整困难的缺点。
2、另外风机参数优化需要执行大量的计算，现有参数优化方法的计算时间过长。
3、此外原始生成对抗网络的训练过程不稳定，容易出现模式崩溃和训练不收敛的问题。
4、因此，引入坐标轮换优化方法自动调整参数，来解决控制参数精确调整困难的问题；提出生成对抗网络加速方法，来解决参数优化方法计算时间过长的问题；引入最小二乘损失函数，来解决生成对抗网络出现模式崩溃和训练不收敛的问题。
技术实现思路
1、一种最小二乘生成对抗网络的风机控制参数优化加速方法，将最小二乘生成对抗网络模型和坐标轮换优化方法进行结合，用于双馈感应风机控制器的参数优化，提高双馈感应风机的运行效率，减少所需优化时间，提高优化方法的运行速度；在使用过程中的步骤为：
2、步骤(1)：初始化双馈感应风机控制模型；
3、风力发电机系统方程为：
4、
5、其中，tm,dfig为风机机械转矩，te,dfig为风机电磁转矩，j为风力发电机系统参数，ωr为转子转速，dt为变量关于时间t的微分；
6、风力发电机机械功率pm和电磁功率pe之间的关系为：
<
p>7、8、其中，ωm为机械角速度；
9、风机机械功率pm为：
10、
11、其中，r为风机的风轮半径，ρ为空气密度，vwind为风速，π为圆周率
12、功率系数cp为：
13、
14、其中，βdfig为俯仰角度
15、叶尖速比λ为：
16、
17、其中，ωm,dfig为风机叶片转速
18、中间变量λi为：
19、
20、双馈感应风机的模型为：
21、
22、其中，e'qs和e'ds分别代表等效内部q轴和d轴电压，vds和vdr分别代表定子绕组直轴电压量和转子绕组直轴电压量，vqs和vqr分别代表定子绕组交轴电压量和转子绕组交轴电压量，ωb是基准电角速度，ωs是同步角速度，ωr是转子角速度，lss为定子绕组电感，lrr为转子绕组电感，lm为定子绕组与转子绕组之间互感，ids和iqs分别代表定子绕组直轴和交轴电流，rs代表定子电阻，rr代表转子电阻,∫dt为变量关于时间的积分，风机模型的中间推导变量r1为：
23、r1＝rs+r2 (8)
24、中间推导变量r2为：
25、
26、中间推导变量tr为：
27、
28、中间推导变量ls为：
29、
30、为获得最佳性能，采用四个比例-积分循环；在控制循环中，iqr和idr为输入参考值，控制器的输出为vqr1和vdr1，与补偿电压vqr2和vdr2结合形成转子电压的输出值；补偿电压vqr2和vdr2为：
31、
32、风机控制器参数优化加速问题的目标函数为：
33、
34、其中，kpi和kii分别为的是比例-积分控制器的比例参数和积分参数，kpimin和kiimin分别为比例参数和积分参数的最小值，kpimax和kiimax分别为比例参数和积分参数的最大值，vwindmax和vwindmin分别为风速的最大值和最小值，vs为系统电压，vsmax和vsmin分别为系统电压的最大值和最小值，qs为无功功率，qsmax和qsmin分别为无功功率的最大值和最小值，t1为风电系统运行一次的采样时间，为对目标函数在一次采样时间内进行积分，w1是转子角速度误差的权重值，w2是无功功率偏差的权重值，σ为求和符号，|·|为求误差的绝对值；在双馈感应风机系统中，频率稳定性受转子角速度误差影响，电压稳定性受无功功率偏差影响，双馈感应风机控制器的参数优化加速的目标为使转子转速误差最小和使无功功率误差最小，即目标函数f(x)的适应度值最小，ωr和分别为转子转速的精确值和参考值，qs和分别为无功功率的精确值和参考值；
35、步骤(2)：初始化双馈感应风机参数，随机生成控制器初始化位置x0；
36、步骤(3)：最小二乘生成对抗网络的风机控制参数优化加速方法判断当前迭代的代数k是否满足k＜n1，n1为设置的初始迭代次数，若满足该条件，则运用坐标轮换优化方法进行迭代，若不满足该条件，则进入最小二乘生成对抗网络模型训练，执行加速过程；
37、步骤(4)：坐标轮换优化方法开始迭代，计算每个初始位置x0的适应度函数值，寻找全局最优解；
38、每次迭代中被选择的最优解将引导变量向适应度函数值最小的区域进行探索，找到更接近全局最优解的解决方案；坐标轮换优化方法是将多维问题转化为一系列一维问题的求解方法，将多变量的优化问题轮流转化为单变量的优化问题；搜索过程为轮流沿坐标方向进行搜索，每次只允许一个变量变化，其余变量保持不变，当比例参数kpi变化时，积分参数kii保持不变，当积分参数kii变化时，比例参数kpi保持不变；
39、坐标轮换优化方法的更新策略如下：
40、步骤(4.1)已知目标函数f(x)，随机更定初始化位置x0作为第一次迭代的起始位置；
41、步骤(4.2)设置搜索方向为n个坐标方向，每次沿一个坐标方向进行搜索，搜索方向表示为：
42、
43、其中，e1,e2,…,en为设置的n个坐标方向，[·]t为转置符号；
44、步骤(4.3)利用最优步长进行迭代计算的公式为：
45、
46、其中，k为循环次数，k＝1,2,…,n1，n1为设置的初始迭代次数，i为当前循环一维搜索的序号，为第k次循环第i次搜索的位置，为第k次循环第i-1次搜索的位置，为第k次循环第i次搜索的步长，ei为第i次搜索的搜索方向；
47、步骤(4.4)利用一维搜索求出最优步长
48、
49、其中，f(·)为步骤(4.4)迭代公式，函数用来求函数f(·)的最小值，对应的最小值点为最优步长；
50、步骤(4.5)如果i＜n，i＝i+1，返回步骤(4.3)再次进行迭代计算；如果i＝n，进行下一步；
51、步骤(4.6)如果k＜n1，k＝k+1，i＝0，返回步骤(4.3)进行下一次循环；如果k＝n1，结束迭代；
52、通过坐标轮换优化方法更新位置信息，记录迭代过程中的位置x1和对应的适应度函数值f(x1)，作为下一步最小二乘生成对抗网络的输入值；
53、步骤(5)：当前迭代的代数若不满足k＜n1或k＞n2，n2为最小二乘生成本文档来自技高网
...
【技术保护点】
1.一种最小二乘生成对抗网络的风机控制参数优化加速方法，其特征在于，将最小二乘生成对抗网络模型和坐标轮换优化方法进行结合，用于双馈感应风机控制器的参数优化，提高双馈感应风机的运行效率，减少所需优化时间，提高优化方法的运行速度；在使用过程中的步骤为：
【技术特征摘要】
1.一种最小二乘生成对抗网络的风机控制参数优化加速方法，其特征在于，将最小二乘生成对抗网络模型和坐标轮换优化方法进行结合，用...
【专利技术属性】
技术研发人员：殷林飞，李浩淼，李雯吉，
申请(专利权)人：广西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。