一种基于无监督学习的风电机组参数辨识方法及系统

技术领域

本发明涉及风电机组参数辨识技术领域，特别是一种基于无监督学习的风电机组参数辨识方法及系统。

背景技术

随着我国电网技术的快速发展，众多的电机控制技术得到广泛应用，这有效地提升了风电电机的性能。与此同时，这些技术对于机组参数的变化十分敏感，常常因为对机组参数的计算不准确从而导致电机机组损伤甚至断裂等重大事故。为了对机组参数进行快速准确的辨识，近几年来由于深度学习的引入带来了极大的机遇与挑战，深度学习方法摒弃了对研究对象内部机理的严格分析和数学建模，通过以大量的数据为基础学习出数据之间的关联性，将其转化为经验知识，可以在辨识参数时达到实时性，极大的满足风电机组在短路电流时的需求。但上述方法通常需要人工标记大量的标签以监督网络进行对比学习，这样的人工成本极其昂贵。因此目前使用深度学习进行风电机组参数辨识主要存在以下几点缺点：使用监督学习的参数辨识方法存在训练过程中对人工标注依赖性强、场景泛化能力弱的问题。机组短路电流的波形数据在某些实际场景中通常难以获取，在该情况下，机组的参数则难以识别。

为了解决有监督学习在风电机组参数辨识中所需要的大量标签数据，本发明采用了一种无监督学习的方法，使用一种一维卷积神经网络(1D-CNN)来对输入的波形数据进行参数辨识。该方法可以在不需要真实标签的情况下对风电机组所产生的短路电流数据机械能快速参数辨识，在保证实时性辨识的前提下减少了人工成本，并且该方法具有较强的场景泛化能力。

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/或现有的一种基于无监督学习的风电机组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：如何使用一种一维卷积神经网络(1D-CNN)来对输入的波形数据进行参数辨识。

为解决上述技术问题，本发明提供如下技术方案：一种基于无监督学习的风电机组参数辨识方法，包括，建立机端发生故障后的电磁暂态数学模型；求解故障前的定转子磁链；引入机端电压跌落系数，推导故障后的定子磁链解析式，得出故障后短路电流解析式；将模型计算得出的短路电流波形数据作为构建的1D-CNN网络的输入，辨识出电机的各个参数。

作为本发明所述一种基于无监督学习的风电机组参数辨识方法的一种优选方案，其中：所述机端发生故障后的电磁暂态数学模型表示为：

ψ

ψ

其中，U

作为本发明所述一种基于无监督学习的风电机组参数辨识方法的一种优选方案，其中：所述故障前的定转子磁链包括，用定转子的磁链表示定转子的电流表示为：

其中，L'

作为本发明所述一种基于无监督学习的风电机组参数辨识方法的一种优选方案，其中：所述机端电压跌落系数表示为：

U

其中，k

作为本发明所述一种基于无监督学习的风电机组参数辨识方法的一种优选方案，其中：所述故障后的定子磁链解析式根据定子磁链频率分量、定子磁链的直流分量初值和定子磁链直流分量得到，发生故障后的定子磁链频率分量ψ

定子磁链的直流分量ψ

故障后定子磁链直流分量解析式表示为：

定子磁链表达式表示为：

其中，τ

作为本发明所述一种基于无监督学习的风电机组参数辨识方法的一种优选方案，其中：所述故障后短路电流解析式表示为：

其中，R

作为本发明所述一种基于无监督学习的风电机组参数辨识方法的一种优选方案，其中：所述1D-CNN网络选择交叉熵作为损失函数进行训练学习表示为：

其中，I

本发明的另外一个目的是提供一种基于无监督学习的风电机组参数辨识方法的系统，其能通过构建风电机组参数辨识系统，充分调动了参数辨识能力。

为解决上述技术问题，本发明提供如下技术方案：一种基于无监督学习的风电机组参数辨识系统，包括，监测模块、参数辨识模块及结果评估模块；所述监测模块实时监测风电机组的电气信号数据，采集和记录关键的物理量，及时检测异常情况并提供预警，提高风电机组的可靠性和安全性；所述参数辨识模块根据1D-CNN网络的输出结果，结合已知的数学模型和公式，对风电机组的参数进行辨识和计算；所述结果评估模块对参数辨识结果进行评估和分析，比较辨识结果与实际参数值之间的误差和准确性，以衡量方法的可靠性和精确度。

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基于无监督学习的风电机组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基于无监督学习的风电机组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基于无监督学习的风电机组参数辨识方法采用无监督学习的深度学习进行风电机参数辨识，在训练阶段，不需要构建真实标签的数据集，只需要无标签的输入波形。由于不需要有标签的数据集，只要能获得风电机短路的录波波形，就能对风电机进行准确的参数辨识，故本方法具有很强的适应性。由于本方法构建的无监督深度学习网络的损失函数为输入样本同维度同域的简单信号比对，进而降低了网络的训练时间。因此，采用本方法进行参数辨识的效率较高。

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基于无监督学习的风电机组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基于无监督学习的风电机组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基于无监督学习的风电机组参数辨识方法的L'

图4为本发明第三个实施例提供的一种基于无监督学习的风电机组参数辨识方法的L'

图5为本发明第三个实施例提供的一种基于无监督学习的风电机组参数辨识方法的L'

图6为本发明第三个实施例提供的一种基于无监督学习的风电机组参数辨识方法的无监督学习参数辨识原理图。

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基于无监督学习的风电机组参数辨识方法，包括：建立机端发生故障后的电磁暂态数学模型；求解故障前的定转子磁链；引入机端电压跌落系数，推导故障后的定子磁链解析式，得出故障后短路电流解析式；将模型计算得出的短路电流波形数据作为构建的1D-CNN网络的输入，辨识出电机的各个参数。

首先建立机端发生故障后的电磁暂态数学模型，用磁链表示定转子的电流。通过求解故障前的定转子磁链，进而求解电磁暂态方程得到双馈风机短路电流的初值，从而依据暂态响应得到定子短路电流解析式。

S1、在同步旋转坐标系下，双馈风机的暂态方程为：

ψ

ψ

其中，U

S2、将公式(3)和公式(4)进行变形，用定转子的磁链来表示定转子的电流：

其中，L'

S3、引入机端电压跌落系数k

其中，U

U

S4、推导故障后的定子磁链解析式，得出短路电流解析式：

发生故障后的定子磁链频率分量ψ

定子磁链的直流分量ψ

可得故障后定子磁链直流分量解析式为：

其中，τ

根据公式(9)和(11)可得定子磁链表达式为：

根据公式(5)和公式(12)可得故障后定子短路电流i′

其中，R

S5、将上述模型计算得出的短路电流波形数据I(t)作为所构建的1D-CNN网络的输入，然后辨识出电机的各个参数。整个网络选择以下交叉熵作为损失函数进行训练学习：

其中，I

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，提供了一种基于无监督学习的风电机组参数辨识系统，包括：监测模块、参数辨识模块及结果评估模块。

监测模块实时监测风电机组的电气信号数据，采集和记录关键的物理量，及时检测异常情况并提供预警，提高风电机组的可靠性和安全性。

参数辨识模块根据1D-CNN网络的输出结果，结合已知的数学模型和公式，对风电机组的参数进行辨识和计算。

结果评估模块对参数辨识结果进行评估和分析，比较辨识结果与实际参数值之间的误差和准确性，以衡量方法的可靠性和精确度。

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-OnlyMemory)、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6，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。

将上述所提出的1D-CNN方法应用于对风电机组进行参数辨识，首先需要对网络进行模型训练与验证。采用仿真软件Simulink随机生成4000条，构成仿真数据集T。由于数据量大，我们采用批训练的方法每次随机选取20条数据作为网络输入进行训练学习。为了证明所提出的无监督学习方法在参数辨识上的有效性，我们随机选择了3个波形数据。首先，当随机选取的两个参数值为L'

图6给出了本发明设计的无监督学习参数辨识方法，首先以风电电机短路的波形数据作为网络输入，然后输出为网络估计的参数辨识结果。考虑到网络没有真实标签作为网络学习进行比对，于是将网络的输出结果带入到短路电流计算模型当中，将会得出一个波形数据，当预测的波形数据与原波形数据之间的误差越来越小，也即获得最优的网络参数。

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。