一种数据和物理双驱动的短路电流参数辨识方法及系统

技术领域

本发明涉及短路电流参数辨识技术领域，特别是一种数据和物理双驱动的短路电流参数辨识方法及系统。

背景技术

双馈感应风力发电机组的低电压穿越、变流器控制、虚拟同步控制等技术，都依赖于准确的机组参数，因而对在线风电机组的参数进行辨识就显得格外重要。

现有的针对风力发电机组模型参数辨识的方法大概可以分为两种。一种为基于物理模型的参数辨识方法，由于其精确的暂态解析模型需要深入剖析底层机制、原理，模型建立困难且复杂高，对硬件的数据处理能力提出了更高的要求。而简化的解析模型，虽然降低了模型的复杂度，但其辨识的结果准确性低。另一种为基于数据的参数辨识方法，一般采用人工智能种深度学习方法构建出经验模型，其辨识精度需要大量可靠的数据作为训练样本，代价高昂，其泛化性、可解释性差，不同拓扑结构电网运行下的风电机参数辨识的深度学习网络都需要各自的数据集进行训练，而且拓扑结构发生变化，则训练就得重新进行。目前，对风力发电机的模型参数辨识已引起学者的关注，仍存在的一些问题主要为：采用精确的物理解析模型的进行参数辨识，模型复杂，计算量大，实时性不强。对模型进行简化，则会导致分析结果准确性低。利用大量数据结合人工智能的参数辨识方法，可解释性差，泛化能力弱。

为保证双馈风力发电机组的安全可靠运行，采用一种数据物理联合驱动的方法，对风力发电机组的模型参数进行辨识，通过建立精确的暂态模型，采集暂态过程中的短路电流作为反馈信息，对发电机的主要参数进行快速辨识。该方法可以保证参数的辨识精度，同时计算速度大大提高，实时性强且可解释，具有泛化性。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的一种数据和物理双驱动的短路电流参数辨识方法中存在的问题，提出了本发明。

因此，本发明所要解决的问题是：如何保证双馈风力发电机组的安全可靠运行。

为解决上述技术问题，本发明提供如下技术方案：一种数据和物理双驱动的短路电流参数辨识方法，包括，确定风力发电机组重点参数；根据计及撬棒保护DFIG机端三相短路时的三相静止坐标系下的电压、磁链方程，得到以磁链为状态变量的状态方程；求取状态方程的根以及校正因子，提出计及撬棒保护，得到定转子耦合的短路电流解析式；通过将短路电流计算模型纳入到网络学习中对网络进行物理约束，对纯数据驱动的结果进行引导和校正。

作为本发明所述一种数据和物理双驱动的短路电流参数辨识方法的一种优选方案，其中：所述风力发电机组重点参数包括，根据定子坐标系下DFIG等值电路及参数灵敏度分析，确定重点辨识的参数为定转子电阻，电感，互感，撬棒电阻。

作为本发明所述一种数据和物理双驱动的短路电流参数辨识方法的一种优选方案，其中：所述以磁链为状态变量的状态方程表示为，

其中，

作为本发明所述一种数据和物理双驱动的短路电流参数辨识方法的一种优选方案，其中：所述状态方程的根表示为：

其中，λ

作为本发明所述一种数据和物理双驱动的短路电流参数辨识方法的一种优选方案，其中：所述校正因子表示为：

其中，p为校正因子，用p反应定转子的耦合程度，T

作为本发明所述一种数据和物理双驱动的短路电流参数辨识方法的一种优选方案，其中：所述短路电流解析式表示为：

其中，

作为本发明所述一种数据和物理双驱动的短路电流参数辨识方法的一种优选方案，其中：所述对网络进行物理约束表示为：

其中，(t,I)代表网络的输入波形数据，t和I表示时间和电流计算值，

其中，A(x)为网络辨识参数的波形曲线，

本发明的另外一个目的是提供一种数据和物理双驱动的短路电流参数辨识方法的系统，其能通过构建短路电流参数辨识系统，充分调动了数据和物理双驱动的短路电流参数辨识能力。

为解决上述技术问题，本发明提供如下技术方案：一种数据和物理双驱动的短路电流参数辨识系统，包括，监测模块、参数确定模块、状态方程求解模块及物理约束模块；所述监测模块用于实时监测风力发电机组的状态和参数，并获得相应的数据；所述参数确定模块通过对风力发电机组进行分析和计算，确定关键参数，如定转子电阻、电感、互感以及撬棒电阻；所述状态方程求解模块基于撬棒保护DFIG机端三相短路时的三相静止坐标系下的电压、磁链方程，利用磁链作为状态变量，建立状态方程，通过求解状态方程的根和校正因子，得到定转子耦合的短路电流解析式；所述物理约束模块用于约束网络学习的结果与真实计算模型之间的差异，通过计算网络辨识参数波形曲线与计算模型的真实波形曲线之间的差值，结合正则项对网络进行约束和优化，提高参数辨识的准确性。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述一种数据和物理双驱动的短路电流参数辨识方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述一种数据和物理双驱动的短路电流参数辨识方法的步骤。

本发明有益效果为本发明提供的一种数据和物理双驱动的短路电流参数辨识方法采用数据与物理双驱动的参数辨识，在训练阶段，深度学习网络对样本质量和数量的要求降低，能降低数据集构建的时间，同时减小训练时间。由于有物理驱动作为深度学习的约束条件，本方法构成的深度学习参数辨识方法的解释性比通用的深度学习方法强，为进一步提升网络性能找到物理模型更新的切入点。突破了传统深度学习网络难以解释的问题。采用物理驱动与数据驱动的参数辨识，即吸收了在物理模型中不能表征而在数据中能体现的短路电流相关信息，也体现了只要满足深度学习中所采用的物理模型的基本规律，因而能在满足该物理模型规律的系统中使用，且不需要对该深度学习网络进行重新训练。本发明的参数辨识方法的泛化性得到了极大的提升，解决了纯数据驱动深度学习网络泛化性差的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例提供的一种数据和物理双驱动的短路电流参数辨识方法的整体流程图。

图2为本发明第二个实施例提供的一种数据和物理双驱动的短路电流参数辨识系统的结构图。

图3为本发明第三个实施例提供的一种数据和物理双驱动的短路电流参数辨识方法的DL方法与计算模型的比较。

图4为本发明第三个实施例提供的一种数据和物理双驱动的短路电流参数辨识方法的网络训练过程。

图5为本发明第三个实施例提供的一种数据和物理双驱动的短路电流参数辨识方法的数据与物理双驱动的参数辨识原理图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方其中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

实施例1

参照图1，为本发明第一个实施例，该实施例提供了一种数据和物理双驱动的短路电流参数辨识方法，包括：确定风力发电机组重点参数；根据计及撬棒保护DFIG机端三相短路时的三相静止坐标系下的电压、磁链方程，得到以磁链为状态变量的状态方程；求取状态方程的根以及校正因子，提出计及撬棒保护，得到定转子耦合的短路电流解析式；通过将短路电流计算模型纳入到网络学习中对网络进行物理约束，对纯数据驱动的结果进行引导和校正。

S1、确定风力发电机组重点辨识参数，由定子坐标系下DFIG等值电路及参数灵敏度分析的可知，可确定重点辨识的参数有R

S2、根据计及撬棒保护DFIG机端发生三相短路后，在三相静止坐标系下的电压、磁链方程，可得以磁链为状态变量的状态方程：

其中，

S3、求取状态方程的根以及校正因子，提出计及撬棒保护，考虑定转子耦合的短路电流解析式。

其中，λ

其中，T

其中，

其中，

S4、为了更好的阐述本专利所提出的物理与数据融合的深度学习方法，基于上述所描述的短路电流计算模型，我们使用A(·)来代替该计算模型。通过将短路电流计算模型纳入到网络学习中对网络进行物理约束，从而对纯数据驱动的结果进行引导和校正。网络的训练学习过程如下：

其中，(t,I)代表网络的输入波形数据，t和I表示时间和电流计算值；

实施例2

参照图2，为本发明第二个实施例，其不同于前一个实施例的是，提供了一种数据和物理双驱动的短路电流参数辨识系统，包括：监测模块、参数确定模块、状态方程求解模块及物理约束模块。

监测模块用于实时监测风力发电机组的状态和参数，并获得相应的数据；

参数确定模块通过对风力发电机组进行分析和计算，确定关键参数，如定转子电阻、电感、互感以及撬棒电阻。

状态方程求解模块基于撬棒保护DFIG机端三相短路时的三相静止坐标系下的电压、磁链方程，利用磁链作为状态变量，建立状态方程，通过求解状态方程的根和校正因子，得到定转子耦合的短路电流解析式。

物理约束模块用于约束网络学习的结果与真实计算模型之间的差异，通过计算网络辨识参数波形曲线与计算模型的真实波形曲线之间的差值，结合正则项对网络进行约束和优化，提高参数辨识的准确性。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方其中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方其中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

实施例3

参照图3～图5，为本发明第三个实施例，其不同于前两个实施例的是：为对本发明中采用的技术效果加以验证说明，以验证本方法所具有的真实效果。

本发明是利用数据-物理联合驱动的一种对双馈风力发电机模型参数辨识方法。通过建立双馈风力发电机的暂态解析模型，推导出DFIG出口处三相短路故障时，计及撬棒保护的定子电流解析表达式，得到重点参数。通过分析得到该双馈风力发电机模型中的定子电阻R

按照上述所介绍的方法，我们从Simulink仿真软件中导出了5000组数据(包括5000个波形数据及其对应的参数结果)，然后按照9：1的比例随机选择其中的4500组作为训练集，剩余的500组作为测试集。构建了一个简单的5层全连接神经网络(激活函数为ReLu)来对风电电机模型进行参数识别(本发明仅构建了简单网络作为数据与模型融合范式的实例，还可以选择其他网络，例如CNN)。在整个训练过程当中，我们使用一台带有InterCorei9-7000XCPU和NVIDIAGeForce2080TiGPU的台式电脑上进行网络学习，并设置学习率为0.001，训练轮次epoch为50，批次大小BatchSize为15。在测试阶段，我们在500组测试集中随机选择一个波形输入训练好的神经网络中。最后经过网络辨识出的参数与真实参数的比较如图3所示，网络训练过程如图4所示。

在训练阶段，我们从Simulink仿真软件中导出5000组数据集，然后构建了一个简单的5层全连接神经网络用于从数据集中学习数据先验知识。其中网络的输入为风电电机短路计算的波形数据，输出为神经网络的参数辨识结果。整个网络的训练方式如图5所示，通过将数据一致性和物理正则项构建为损失函数以搜索最优的网络权重参数，物理正则项Ψ(·)起着对网络输出结果的纠正作用，使得输出结果可靠性增强。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。