双馈风电机组传动系统神经网络建模及参数预测

传动系统是双馈风电机组的重要组成部分,其模型对电力系统同步稳定及频率稳定分析具有重要影响,准确的传动系统模型参数是分析新能源电力系统动态特性的前提。为解决因大扰动量测信息不充裕导致模型参数难以辨识的困难,提出利用机组正常运行状态时随机小扰动激励下丰富的历史响应数据,根据响应数据与模型参数的对应关系构建神经网络模型,并根据当前响应数据进行驱动系统模型参数预测。首先讨论了基于BP神经网络进行数据建模的基本流程;针对含双馈风电机组的无穷大系统仿真算例,提取随机风速扰动下响应信号受扰轨迹的功率谱特征;定义功率谱灵敏度指标,提出选取功率谱灵敏度较大的参数作为重点参数;最后基于BP神经网络构建响应信号功率谱与模型参数之间的非线性映射,基于训练得到的BP网络辨识新响应下的模型参数。通过分析BP神经网络动态模型的误差,验证数据驱动建模方法的可行性。

基于GA优化GRU-LSTM-FC组合网络的风电场动态等值建模

针对风电场动态等值建模依赖于运行方式和特定扰动,难以获得普适性强的通用等值模型的难题,提出了基于门控循环单元-长短期记忆-全连接(GRU-LSTM-FC)组合网络的数据驱动建模方法,并提出基于遗传算法(GA)对组合网络模型进行调优。首先将风电机组描述为一组微分代数方程组,模型输入为测风塔风速、风向和公共耦合点处的电压时间序列,模型输出为风电场功率时间序列。然后对比了具有记忆作用的LSTM(GRU)网络结构与风电机组微分方程的相似性,以及FC网络结构与风电机组代数方程的相似性,提出基于GRU-LSTM-FC组合网络的风电场等值建模方法。为对组合网络进行模型调优,利用GA优化组合网络中的FC层数和各层神经元数目。最后以某风电场为例验证了所提组合网络进行风电场等值建模的可行性,并将所提方法与其他神经网络模型进行了对比,分析了所提模型的优越性。

综合模型聚合和参数辨识的风电场多机等值及参数整体辨识

参数的准确获取是风电场多机等值时的难题之一。提出了综合解析方法和辨识方法的风电场动态等值建模框架。基于解析方法获得各等值机参数的估计值,将其作为初始值,进一步基于实际受扰轨迹进行参数辨识;创新性地提出了综合稳态特性与动态特性的风电场分群方法,并将动态时间规整方法引入受扰轨迹的相似度分析;研究了多台等值机参数的可辨识性,针对多机等值时存在参数多、部分参数无法区分辨识的难题,提出了分类辨识和重点辨识相结合的参数整体辨识策略。最后,基于粒子群优化算法进行参数辨识,并对参数辨识误差进行了分析。

基于遗传算法的神经网络等价模型构建

神经网络模型结构作为深度学习的重要组成部分,在很大程度上决定着深度学习的性能表现。而目前基于深度学习的应用,大部分都由经典的网络模型修改而来。由于无法获得原神经网络模型结构,本文根据原模型的输入输出数据以及经典的神经网络模型结构,构建了原模型的预测模型。该方法主要通过对预测模型的结构参数进行编码,并利用遗传算法(GA)进行选择、交叉、变异操作,从而构建出原模型的等价模型。对于同一输入数据,等价模型和原模型的输出基本保持一致。本文提出的构建方法在图像分类、信号调制类型分类和网络链路预测领域均取得了较好的效果。