一种基于多模态风机电源数据学习的参数辨识方法及系统与流程

本发明涉及多模态风机电源参数辨识，特别是一种基于多模态风机电源数据学习的参数辨识方法及系统。

背景技术：

1、近年来，越来越多的研究工作者开始使用深度学习方法来对风机机组进行短路电流参数辨识，这与传统非深度学习的计算模型相比，基于深度学习的方法在准确率以及许多指标上具有更好的表现能力，甚至能够处理更复杂的问题，在实际应用中的实时性强。

2、目前已有众多基于深度学习算法来处理不同电源的风机短路数据的研究，但大多都是针对单一的电源数据(包含有双馈电源、直驱电源、同步电源之一)进行相关研究；另外，深度学习作为一种数据驱动的算法，考虑到真实短路电流数据的获取复杂且成本巨大，因此目前所使用深度学习进行风电机组参数辨识方法主要存在以下几点缺点：对单一电源的参数辨识往往是针对特定任务所设计的方案，不足以对多场景条件下的风机短路进行参数辨识。短路电流训练数据获取较难、成本较高。

3、为了保证风力发电机组在多场景下的正常可靠运行，针对单一电源数据的方案略显不足。本发明将融合双馈电源、直驱电源和同步电源的多模态电源数据以供神经网络学习各类型之间的关联性，采用一种基于多模态电源数据学习的方法，对风力发电机组模型的参数进行有效辨识。另外，由于训练数据的获取困难问题，我们采用一种基于短路电流计算模型仿真训练数据，该方法不仅可以解决上述所存在的技术问题，还能获得高质量的参数辨识结果。

技术实现思路

1、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。在本部分以及本技术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。

2、鉴于上述和/或现有的一种基于多模态风机电源数据学习的参数辨识方法中存在的问题，提出了本发明。

3、因此，本发明所要解决的问题是：如何保证风力发电机组在多场景下的正常可靠运行。

4、为解决上述技术问题，本发明提供如下技术方案：一种基于多模态风机电源数据学习的参数辨识方法，包括，构建带有双馈电源和直驱电源的风电短路场景，搭建风电机组的仿真系统；采集双馈电源和直驱电源的短路数据，使用短路数据作为真实标签，制作成对的训练数据集；训练并优化神经网络模型，判断参数辨识的准确性。

5、作为本发明所述一种基于多模态风机电源数据学习的参数辨识方法的一种优选方案，其中：所述搭建风电机组的仿真系统包括，通过simulink仿真平台分别构建一个双馈风电机组系统和一个直驱风电机组系统。

6、作为本发明所述一种基于多模态风机电源数据学习的参数辨识方法的一种优选方案，其中：所述双馈电源和直驱电源的短路数据包括永磁直驱发电机有功短路电流、永磁直驱发电机无功短路电流、永磁直驱发电机三相电流及双馈感应发电机三相短路电流。

7、作为本发明所述一种基于多模态风机电源数据学习的参数辨识方法的一种优选方案，其中：所述永磁直驱发电机有功短路电流由全功率变流器决定，故障时机械时间常数大，暂态过程中风机输出功率不变，风机输出功率表示为，

8、

9、其中，p是风机的输出功率，c是直流母线电容；直流电压外环控制表示为：

10、

11、

12、其中，udc为直流母线电压，为直流母线电压参考电压，t为时间，kup为电流外环比例，kui为积分系数，kip为电流内环比例，kii为积分系数，id为有功电流，iq为无功电流，为有功电流的参考值，为无功电流的参考值，ud为变流器网侧的直轴电压，uq为变流器网侧的交轴电压；若风机出口处发生三相短路故障，则直轴电流为零输入响应和2p/3ud倍阶跃响应的合成，有功短路电流表示为：

13、

14、其中，id(0)为故障前的有功电流，ωn为无阻尼频率，ωd有阻尼频率，ξ为直流母线电压控制系数，a为故障时的电流相角。

15、作为本发明所述一种基于多模态风机电源数据学习的参数辨识方法的一种优选方案，其中：所述永磁直驱发电机无功短路电流表示为：

16、

17、

18、其中，l为网侧滤波器的电感，r为网侧滤波器的电阻，ω为电网频率。

19、作为本发明所述一种基于多模态风机电源数据学习的参数辨识方法的一种优选方案，其中：所述永磁直驱发电机三相电流表示为：

20、iabc＝p-1idq0

21、

22、其中，iabc为三相静止坐标系下的电流，p-1为派克变换逆矩阵，idq0为同步旋转坐标系下的电流，iφ为永磁直驱发电机三相电流，θ为故障时刻的相位。

23、作为本发明所述一种基于多模态风机电源数据学习的参数辨识方法的一种优选方案，其中：所述双馈感应发电机三相短路电流表示为：

24、

25、

26、

27、其中，λ为定转子耦合程度的修正系数，is为定子电流，λ表示定转子耦合程度的修正系数，为定子的磁链初值，为转子的磁链初值，l′s为定子绕组暂态电感，tr为定子衰减时间常数，ts为转子衰减时间常数，kr、ks表示定转子电感耦合系数，wr表示同步转子速度，t表示时间，lr表示转子电感，lm表示互感，ws表示同步角速度，表示短路前定子电压，rs表示转子电阻，表示短路前定子电流；所述判断参数辨识的准确性包括，采集短路数据作为数据集，分为训练数据集、验证数据集及测试数据集，设置神经网络模型的学习率、训练轮数、batchsize、学习率，神经网络模型性能稳定后，根据波形判断参数辨识的准确性。

28、本发明的另外一个目的是提供一种基于多模态风机电源数据学习的参数辨识方法的系统，其能通过构建多模态风机的参数辨识系统，判断参数辨识的准确性。

29、为解决上述技术问题，本发明提供如下技术方案：一种基于多模态风机电源数据学习的参数辨识系统，包括，数据采集模块、仿真模块、训练模块及参数辨识模块；所述数据采集模块用于采集双馈电源和直驱电源的短路数据，包括永磁直驱发电机有功短路电流、永磁直驱发电机无功短路电流、永磁直驱发电机三相电流以及双馈感应发电机三相短路电流；所述仿真模块搭建风电机组的仿真系统，通过simulink仿真平台分别构建一个双馈风电机组系统和一个直驱风电机组系统，用于模拟风电机组的运行情况，并生成仿真数据供后续训练和测试使用；所述训练模块使用采集到的短路数据作为真实标签，制作成对的训练数据集；所述参数辨识模块用于判断参数辨识的准确性。

30、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多模态风机电源数据学习的参数辨识方法的步骤。

31、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多模态风机电源数据学习的参数辨识方法的步骤。

32、本发明有益效果为本发明提供的一种基于多模态风机电源数据学习的参数辨识方法为了克服传统风电机参数辨识只能针对单种电源或者多种电源中的单个电源情况下的参数辨识的难题，本方法提出一种能同时对多种风电电源组成的综合电源的风电机参数进行辨识。本方法所涉及的深度学习网络结合综合电源的特点，减少训练阶段对样本数量和质量的依赖。参数辨识的精度高于传统方法。