一种基于径向神经网络的惯量阻尼控制方法及系统

技术领域

本发明涉及电网控制技术领域，尤其涉及一种基于径向神经网络的惯量阻尼控制方法。

背景技术

随着可再生能源发电占比越来越大,惯性和阻尼将越来越少,严重威胁到电网运行的稳定和可靠性。可再生能源发电具有波动性和不确定性，使得电网中的惯量和阻尼减少，从而导致电网频率波动过大，甚至引发大规模断电。

电网频率是反映电网供需平衡的重要指标，其稳定性取决于电网中的惯量和阻尼。惯量可以缓冲电网中的功率波动，阻尼可以抑制电网中的振荡。

文献“Self-adaptive virtual inertia control-based fuzzy logic toimprove frequency stability of microgrid with high renewable penetration [J].IEEE Access,2019,7:76071-83.（基于模糊逻辑的自适应虚拟惯量控制提高高可再生渗透率微电网频率稳定性[J]. IEEE Access杂志, 2019, 7:76071-83.）”公开了一种使用模糊逻辑的自适应虚拟惯性控制系统，利用实功率注入的输入信号和系统频率偏差，自动调整虚拟惯量常数，以确保频率的稳定。该方案也是利用智能控制技术来优化虚拟同步机的参数，实现快速惯性响应和频率稳定。但是该方案的不足之处是，模糊控制算法的设计完全是基于经验的，没有明确的理论依据，存在参数设计粗略问题，而且没有考虑阻尼的影响。

发明内容

本发明提供一种基于径向神经网络的惯量阻尼控制方法，包括：

采用改进型自适应算法仿真，获得同步电机的初始化参数；

所述初始化参数包括角速度、角速度偏移率、输出惯量以及输出阻尼；

将所述初始化参数筛选，分类为训练集参数和测试集参数；

对所述训练集参数和所述测试集参数进行人工径向神经网络训练，得到所述输出惯量以及输出阻尼的数值；

对所述输出惯量以及所述输出阻尼的数值进行误差评估。

需要说明的是，所述人工径向神经网络为径向基函数网络(RBF)，具有以下结构和连接方式：

(1)输入层由两个神经元组成，分别接收电网频率偏差和功率波动作为输入信号；

(2)隐含层由若干个神经元组成，每个神经元对应一个高斯基底函数，根据输入信号的特征点自适应调整基底函数的中心值、标准偏差和权重；

(3)输出层由两个神经元组成，分别输出虚拟惯量和阻尼系数作为控制信号。

需要说明的是，对所述训练集参数和所述测试集参数进行人工径向神经网络训练的步骤包括：

;

其中，

其中，

需要说明的是，所述

其中，所述

需要说明的是，所述重叠系数

需要说明的是，对所述训练集参数和所述测试集参数进行人工径向神经网络训练的步骤还包括：

判断k个和k-1个的训练集参数的误差；

将所述训练集参数的误差和设定好的参数数值大小进行比较；

所述训练集参数的误差小于设定好的参数数值，则进行：

;

其中，

其中，

需要说明的是，对所述训练集参数和所述测试集参数进行人工径向神经网络训练的步骤还包括：

判断k个和k-1个的训练集参数的误差；

需要进一步说明的是，所述k的含义是当前训练集参数个数，所述k-1的含义是上一个训练集参数个数。因此该步骤也可以表示为：判断当前训练集参数个数k与上一次训练集参数个数k-1之间的误差。

将所述训练集参数的误差和设定好的参数数值大小进行比较；

所述训练集参数的误差大于设定好的参数数值，则调整第i个聚类基点和权重的数值大小；

进一步的，所述“调整第i个聚类基点和权重的数值大小”的步骤包括：

计算误差函数

计算权重和第i个聚类基点对误差函数

根据偏导数更新权重和第i个聚类基点；

重复以上步骤直到误差函数

当所述训练集参数的误差小于设定好的参数数值，调整到所述训练集参数的误差小于设定好的参数数值，则进行：

;

其中，

其中，

需要说明的是，对所述输出惯量以及所述输出阻尼的数值进行误差评估的步骤包括：

对所述输出惯量的误差值进行统计；

对所述输出阻尼的误差值进行统计；

判断所述输出惯量的误差率是否小于千分之一；

判断所述输出阻尼的误差率是否小于千分之一。

一种基于径向神经网络的惯量阻尼控制系统，包括：

采样模块，用于采用改进型自适应算法仿真，获得同步电机的初始化参数；

所述初始化参数包括角速度、角速度偏移率、输出惯量以及输出阻尼；

信号处理模块，用于将所述初始化参数筛选，分类为训练集参数和测试集参数；

径向神经网络控制模块，用于对所述训练集参数和所述测试集参数进行人工径向神经网络训练，得到所述输出惯量以及输出阻尼的数值；

误差评估模块，用于对所述输出惯量以及所述输出阻尼的数值进行误差评估。

需要说明的是，所述径向神经网络控制模块包括：

判断单元，用于判断k个和k-1个的训练集参数的误差；

比较单元，用于将所述训练集参数的误差和设定好的参数数值大小进行比较；

运算单元，用于所述训练集参数的误差小于设定好的参数数值，则进行：

;

其中，

其中，

需要说明的是，所述径向神经网络控制模块包括：

判断单元，将所述训练集参数的误差和设定好的参数数值大小进行比较；

比较单元，所述训练集参数的误差大于设定好的参数数值，则调整第i个聚类基点和权重的数值大小；

调整单元，调整到所述训练集参数的误差小于设定好的参数数值；

运算单元，运行如下公式：

;

其中，

其中，

需要说明的是，所述误差评估模块包括：

统计单元，用于对所述输出惯量的误差值进行统计；用于对所述输出阻尼的误差值进行统计；

误差判断单元，用于判断所述输出惯量的误差率是否小于千分之一；判断所述输出阻尼的误差率是否小于千分之一。

与现有技术相比，本发明所选用的基于径向神经网络的惯量阻尼控制方法，采用改进型自适应算法仿真，获得同步电机的初始化参数；所述初始化参数包括角速度、角速度偏移率、输出惯量以及输出阻尼；将所述初始化参数筛选，分类为训练集参数和测试集参数；对所述训练集参数和所述测试集参数进行人工径向神经网络训练，得到所述输出惯量以及输出阻尼的数值；对所述输出惯量以及所述输出阻尼的数值进行误差评估。本发明利用径向神经网络控制技术可以同时考虑惯性和阻尼的作用，优化外特性，增强电网的稳定性和可靠性，而现有技术没有考虑阻尼的影响；可以提高控制精度和响应速度，优化参数设计和调整，而现有技术的超调量和调节时间较大，控制效果不佳。本发明利用径向神经网络控制技术可以实现功率输出更加平滑、超调量更小、频率偏差更小、功率波动抑制更好等优异的动态性能；还可以实现快速收敛、高精度、低复杂度、强泛化能力等特点，并通过调整聚类基点和权重来优化网络结构和参数。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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为本发明提供的一种基于径向神经网络的惯量阻尼控制方法的流程示意图；

图2为图1所示的步骤S3的一个实施例的流程示意图；

图3为图1所示的步骤S3的另一个实施例的流程示意图；

图4为图1所示的步骤S4的流程示意图；

图5为本发明提供的一种基于径向神经网络的惯量阻尼控制系统的示意图；

图6为图5提供的径向神经网络控制模块的一个实施例的示意图；

图7为图5提供的径向神经网络控制模块的另一个实施例的示意图；

图8为图5提供的误差评估模块的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明提供的一种基于径向神经网络的惯量阻尼控制方法的流程示意图；包括：

S1、采用改进型自适应算法仿真，获得同步电机的初始化参数；

S2、将所述初始化参数筛选，分类为训练集参数和测试集参数；

S3、对所述训练集参数和所述测试集参数进行人工径向神经网络训练，得到所述输出惯量以及输出阻尼的数值；

S4、对所述输出惯量以及所述输出阻尼的数值进行误差评估。

需要说明的是，对所述训练集参数和所述测试集参数进行人工径向神经网络训练的步骤包括：

;

其中，

其中，

需要说明的是，所述

其中，所述

需要说明的是，所述重叠系数

请参阅图2，图2为图1所示的步骤S3的一个实施例的流程示意图；包括：

S31、判断k个和k-1个的训练集参数的误差；

S32、将所述训练集参数的误差和设定好的参数数值大小进行比较；

S33、所述训练集参数的误差小于设定好的参数数值；

S34、进行如下公式的运算：

；

其中，

其中，

需要进一步说明的是，所述k的含义是当前训练集参数个数，所述k-1的含义是上一个训练集参数个数。因此该步骤也可以表示为：判断当前训练集参数个数k与上一次训练集参数个数k-1之间的误差。

请参阅图3，图3为图1所示的步骤S3的另一个实施例的流程示意图；包括：

S31、判断k个和k-1个的训练集参数的误差；

S32、将所述训练集参数的误差和设定好的参数数值大小进行比较；

S303、所述训练集参数的误差大于设定好的参数数值，则调整第i个聚类基点和权重的数值大小；

S304、调整到所述训练集参数的误差小于设定好的参数数值；

S34、进行如下公式的运算：

；

其中，

其中，

进一步的，所述S33包括：

S331、计算误差函数

其中，

S332、计算权重和第i个聚类基点对误差函数

S333、根据偏导数更新权重和第i个聚类基点；

S334、重复以上步骤直到误差函数

如图4所示，图4为图1所示的步骤S4的流程示意图；

包括：

S41、对所述输出惯量的误差值进行统计；

S42、对所述输出阻尼的误差值进行统计；

S43、判断所述输出惯量的误差率是否小于千分之一；

S44、判断所述输出阻尼的误差率是否小于千分之一。

请参阅图5，图5为本发明提供的一种基于径向神经网络的惯量阻尼控制系统的示意图；包括：

采样模块1，用于采用改进型自适应算法仿真，获得同步电机的初始化参数；

所述初始化参数包括角速度、角速度偏移率、输出惯量以及输出阻尼；

信号处理模块2，用于将所述初始化参数筛选，分类为训练集参数和测试集参数；

径向神经网络控制模块3，用于对所述训练集参数和所述测试集参数进行人工径向神经网络训练，得到所述输出惯量以及输出阻尼的数值；

误差评估模块4，用于对所述输出惯量以及所述输出阻尼的数值进行误差评估。

请参阅图6，图6为图5提供的径向神经网络控制模块的一个实施例的示意图；所述径向神经网络控制模块包括：

判断单元31，用于判断k个和k-1个的训练集参数的误差；

比较单元32，用于将所述训练集参数的误差和设定好的参数数值大小进行比较；

运算单元33，用于当所述训练集参数的误差小于设定好的参数数值，则进行：

；

其中，

其中，

请参阅图7，图7为图5提供的径向神经网络控制模块的另一个实施例的示意图；

所述径向神经网络控制模块包括：

判断单元31，将所述训练集参数的误差和设定好的参数数值大小进行比较；

比较单元32，所述训练集参数的误差大于设定好的参数数值，则调整第i个聚类基点和权重的数值大小；

调整单元302，调整到所述训练集参数的误差小于设定好的参数数值；

运算单元33，运行如下公式：

；

其中，

其中，

需要说明的是，所述误差评估模块包括：

统计单元41，用于对所述输出惯量的误差值进行统计；用于对所述输出阻尼的误差值进行统计；

误差判断单元42，用于判断所述输出惯量的误差率是否小于千分之一；判断所述输出阻尼的误差率是否小于千分之一。

与现有技术相比，本发明所选用的基于径向神经网络的惯量阻尼控制方法，采用改进型自适应算法仿真，获得同步电机的初始化参数；所述初始化参数包括角速度、角速度偏移率、输出惯量以及输出阻尼；将所述初始化参数筛选，分类为训练集参数和测试集参数；对所述训练集参数和所述测试集参数进行人工径向神经网络训练，得到所述输出惯量以及输出阻尼的数值；对所述输出惯量以及所述输出阻尼的数值进行误差评估。本发明利用径向神经网络控制技术可以同时考虑惯性和阻尼的作用，优化外特性，增强电网的稳定性和可靠性，而现有技术没有考虑阻尼的影响。可以提高控制精度和响应速度，优化参数设计和调整，而现有技术的超调量和调节时间较大，控制效果不佳。本发明利用径向神经网络控制技术可以实现功率输出更加平滑、超调量更小、频率偏差更小、功率波动抑制更好等优异的动态性能。