基于分块互联模型和数据驱动的直驱风机动态拟合方法

1.本发明涉及直驱风机动态拟合，特别是涉及基于分块互联模型和数据驱动的直驱风机动态拟合方法。


背景技术：

2.随着国家提出双碳目标的大力推行下，清洁能源正处在高速发展的阶段，加上海上和陆地风力发电技术的日趋成熟和我国丰富的风力资源储备，大型风电场以更大规模和容量接入到电力系统中。但随之而来的是大量电力电子设备的并网运行带来稳定性分析的复杂性，其低惯性也是风机不稳定运行的主要因素。随着更高效、更稳定的风力发电需求，传统直驱风机的pi动态响应差，并且十分依靠模型和参数的准确性，而风机的运行工况和环境复杂多变，需要更加准确和快速的方法进行风机的动态特征响应。
3.从上个世纪90年代以来，计算机技术和算法得到迅速发展，并且近年来，神经网络高效处理信息和学习能力强的特点，在许多领域发挥着重要的作用。所以提出了一种基于人工神经网络的风机分块化动态拟合。不同于一般模拟风机的整体模型，分块化带来模型的简化，使学习时间缩短，并且能提高动态拟合的准确度。利用人工神经网络中时间序列预测模型，根据模拟和实际风机运行的动态特征进行学习，可以运用在任何的风机并网运行的拓扑中。不同的地理环境下，直驱风机的动态特性也是有所不同，海上风力机组和陆地上风力机组并网运行的方式也有所不同，风速和风向对直驱风机的运行起着至关重要的作用，不同于水力发电和火力发电，风能的不确定性、随机性和利用效率的极限性，使得直驱风机运行也同样具有复杂的暂态特性。传统的pi矢量控制，只能从理论上实现直驱风机的基本控制，对于实际工况下的直驱风机的动态拟合特性有着不小的差距。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种基于分块互联模型和数据驱动的直驱风机动态拟合方法，极大提高了数据处理速度，且训练后的分块模型可以用于直驱风机并网运行的任何拓扑中，根据时间序列训练样本，能够准确预测直驱风机的动态特性响应。
5.本发明的目的是通过以下技术方案来实现的：基于分块互联模型和数据驱动的直驱风机动态拟合方法，包括以下步骤：
6.s1.构建pmsg(permanent magnet synchronous generator，直驱风机)分块化模型；
7.s2.构建rnn((recurrent neural network，循环神经网络)结构模型；
8.s3.采用基于仿真软件的模拟数据进行数据驱动建模，通过搭建直驱风机并网仿真模型来获取不同工况下的运行数据，作为数据驱动模型的样本数据，进而建立等效模型,并据此进行基于rnn算法的pmsg分块化动态拟合。
9.进一步地，所述步骤s1包括：
10.s101.给定pmsg基本结构：包括pmsg转子侧、网侧vsc(voltage source converter，电压源型换流器)和交流系统；
11.其中pmsg转子侧包括发电机和机侧换流器，pmsg转子侧、网侧vsc之间设置有直流电压电容c
pf
；u
dc
为c
pf
上的直流电压；p
pg
为pmsg转子侧输出功率，p
ps
为网侧vsc输出功率；v
sd
、v
sq
和i
sd
、i
sq
为网侧vsc经过dq轴变换后与外部系统交互的电压电流；pcc为pmsg交与交流系统节点；x
pf
为网侧滤波电抗；
12.pmsg并网暂态稳定性中，风速在短时间内变化不大，不考虑风速变化对其暂态稳定性的影响；由此将直驱风机动态拟合分成4个小模块，小模块之间形成输入输出互联的并行互联系统，分别是：网侧vsc控制模块、同步机转子传动模块、桨距角控制模块和电磁转矩控制模块；
13.四个模块整体构成pmsg控制模块，设i
pgd
、i
pgq
是定子绕组电流的dq轴分量；α为桨距角；ωr是pmsg转子实际测量转速；ν
p
为空气风速；vf为pmsg机侧发电机端电压；m
pg
为pmsg输入转矩；θ
pll
为锁相环测量的相角；pwm为网侧vsc控制输出信号；
14.s102.构建网侧vsc控制模块：
15.网侧vsc通过调整输出信号pwm脉宽，以维持直流电容c
pf
上的电压u
dc
和输出功率p
ps
的稳定：
[0016][0017]
式(1)中，ω0为整个系统的公频频率；
[0018]
网侧vsc控制模块的输入为网侧滤波x
pf
线路上经dq轴变换的电压与电流和直流电容电压；再根据电网频率确定pwm波的输出频率，再根据锁相环测量的相位θ
pll
得到pwm脉冲信号，调节pwm脉宽宽度，从而实现直流电压和输出功率的稳定，所以，其输入信号为：v
sd
、v
sq
、i
sd
、i
sq
和θ
pll
，输出信号为：pwm；
[0019]
s103.构建同步机转子模块：
[0020]
将pmsg转子侧，即发电机与机侧换流器的abc三相电压和电流进行park变换得到转子dq轴的电压和电流，由于pmsg的磁通为永磁体，根据磁通变化关系有，
[0021][0022]
式(2)中ψ
pgd
、ψ
pgq
是pmsg定子dq轴绕组磁通，i
pgd
、i
pgq
是定子绕组电流的dq轴分量，v
pgd
、v
pgq
定子绕组dq轴电压，ra是定子绕组电阻；
[0023]
直驱风机的定子绕组磁链方程为：
[0024][0025]
式(3)中x
pgd
、x
pgq
分别表示定子绕组的dq轴电抗；ψ
pg
表示永磁体的磁通，由式(2)和式(3)一同构成pmsg发电机模型，类似于同步发电机的励磁调节控制系统；其输入信号为：i
pgd
、i
pgq
和ωr，输出信号为：vf；
[0026]
s104.构建桨距角α控制模块：
[0027]
桨距角控制一般通过pmsg转子转速ωr与机侧输出功率p
pg
反馈调节方式，经过各自pi控制器分别获得输出信号α
ω
和α
p
，两者共同调节桨距角的大小，α
ω
可以实现直驱风机最大风功率追踪，而α
p
保持pmsg发电侧输出功率的稳定；
[0028]
将发电机的转子的转速与额定参考值作比较后，经过pi控制器得到α
ω
；同理，将pmsg机侧输出功率与预设功率作比较，得到补偿的α
p
，两者同时决定α的稳定输出；
[0029]
当pmsg机侧转子ωr＞ω
rref
时或p
pg
＞p
pgref
时，桨距角α会增大，此时pmsg的叶片捕捉的风能减小，以保证pmsg的转子转速保持稳定，并且能以最大效率追踪风力的输出功率，此时pmsg机侧工作在最佳运行工况下；其输入信号为：ωr和p
pg
，输出信号为：α；
[0030]
s105.构建电磁转矩m
pg
控制模块：
[0031]
根据风电场风速可以算出直驱风机的输入转矩m
pg
，表达式为，
[0032][0033]
式(4)中r为pmsg叶片半径长度，γ为叶尖速，c
p
为两者的函数表达式；又根据叶尖速与桨距角的关系，
[0034][0035]
pmsg转子运动方程为，
[0036][0037]
式(6)中m
pe
表示pmsg转子电磁转矩；此电磁转矩m
pg
控制模块的输入为ν
p
与α，根据风速ν
p
的变化，从而提高输出为电磁转矩m
pg
的值，而桨距角α的输入从而使整个机侧成为一个闭环控制系统，来实现控制pmsg功率输出的稳定；其输入信号为：α和ν
p
，输出信号为：m
pg
。
[0038]
进一步地，步骤s2中所述的rnn结构模型包括输入层、隐藏层和输出层；
[0039]
设x和o为向量输入与输出，即pmsg控制模块的输入输出信号，由此将pmsg分成4块进行动态拟合；
[0040]
而隐藏层s是rnn算法中最重要的一部分，其非线性算法能够较好拟合psmg的非线性动态响应，并且s通过上一时刻s
t-1
的权重w进行下一个时刻的预测，使数据具有时间序列特征，这正符合pmsg在不同工况下的时序动态响应。
[0041]
进一步地，所述步骤s3包括：
[0042]
s301.对仿真软件的模拟数据进行分类，一共包含16组4个模块输入输出时间序列数据，网侧vsc控制模块5组输入：v
sd
、v
sq
、i
sd
、i
sq
、θ
pll
和1组输出：pwm；同步机转子传动模块3组输入：i
pgd
、i
pgq
、ωr和1组输出：vf；桨距角控制模块2组输入：ωr、p
pg
和1组输出：α；电磁转
矩控制模块2组输入α、ν
p
和1组输出：m
pg
；
[0043]
s302.采用rnn算法对4个模块的输入输出进行训练，得到数据拟合模型；再将pmsg不同工况下的仿真数据作为rnn动态拟合的输入，得到拟合输出数据，对其与仿真数据进行比较，计算rnn拟合的误差大小，从而判断基于rnn算法的pmsg分块化动态拟合的准确性，包括：
[0044]
步骤一：收集数据：通过pmsg并网运行的实时数据或者依据matlab/sumilink、pscad仿真软件的模拟数据，形成训练样本集；
[0045]
步骤二：数据分类处理：将收集到的大量pmsg数据信息进行分类处理，合理消除错误数据，减少冗余数据，依据pmsg分块化模型对应不同数据分类，确定每个训练模块的输入输出变量；
[0046]
步骤三：确定人工神经网络算法：此时为循环神经网络rnn算法，也要同时确定神经网络的基本结构和隐藏层的非线性表达式；
[0047]
步骤四：rnn训练：将训练集中的输入和输出信号同时进行迭代计算，得到的预测值进行误差计算，通过反向传播算法，不断对rnn中的参数进行调整，直到在误差范围内或者迭代次数达到限值；
[0048]
步骤五：实际误差计算：将rnn训练好的样本与pmsg并网运行的实时数据或者依据matlab/sumilink、pscad仿真软件的模拟干扰下的数据进行比较，按照式(7)中均方根误差计算，若误差较大，需采用不同的神经网络算法，所述不同的神经网络算法包括普通神经网络、闭环神经网络和前向预测神经网络中的一种；
[0049][0050]
其中yi为训练样本值，yr为pmsg实际数据，er为误差计算；
[0051]
步骤六：在线学习，离线训练：经过rnn训练后的样本对于pmsg不同工况和故障干扰下的特征拟合不完全准确，并且风电场实际地理环境气候多变，要对训练样本进行不断的学习，在pmsg实际运行和模拟仿真中进行训练，得到更好的拟合动态曲线。
[0052]
本发明的有益效果是：本发明将直驱风机多控制输入输出模块进行分块化人工神经网络模拟，对直驱风机实际运行数据进行拟合，其模型的可信度较高。通过分块化可以高效处理直驱风机并网运行非线性特征拟合，每个模块可以并行学习和分析数据，处理速度会极大提高。训练后的分块模型可以用于直驱风机并网运行的任何拓扑中，根据时间序列训练样本，能够准确预测直驱风机的动态特性响应。人工神经网络可以把直驱风机控制系统的pi整定环节视作“黑箱”，能够带来降阶的准确，可以移植近似相同的动态特性响应。采用模型数据混合驱动的方法实现了直驱风机的等效建模，根据其输入输出特性，建立直驱风机的数据模型；建模时无需精确获知所有风机参数和控制方式，通过对模型的动态特性进行了多场景的对比测试，该方法与传统的线性化理论建模相比，更加容易实现。同时，在实际系统运行过程中，采用该方法能够根据其实测数据建立数据模型，并用于分析在不同运行条件和扰动作用下风机的动态特性，从而有助于分析其并网后的稳定性问题
附图说明
[0053]
图1为本发明的方法流程图；
[0054]
图2为pmsg基本结构示意图；
[0055]
图3为pmsg控制模块结构示意图；
[0056]
图4为网侧换流器控制模型示意图；
[0057]
图5为桨距角控制结构示意图；
[0058]
图6为rnn单个结构和展开时序结构示意图；
[0059]
图7为基于rnn算法的pmsg分块化动态拟合流程图；
[0060]
图8为网侧vsc模块a相电压原始量测数据和实际输出数据对比图；
[0061]
图9为同步机转子模块vf原始量测数据和实际输出数据对比图；
[0062]
图10为桨距角控制模块α原始量测数据和实际输出数据对比图；
[0063]
图11为电磁转矩控制模块m
pg
原始量测数据和实际输出数据对比图。
具体实施方式
[0064]
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
[0065]
如图1所示，基于分块互联模型和数据驱动的直驱风机动态拟合方法，包括以下步骤：
[0066]
s1.构建pmsg(permanent magnet synchronous generator，直驱风机)分块化模型；
[0067]
s2.构建rnn((recurrent neural network，循环神经网络)结构模型；
[0068]
s3.采用基于仿真软件的模拟数据进行数据驱动建模，通过搭建直驱风机并网仿真模型来获取不同工况下的运行数据，作为数据驱动模型的样本数据，进而建立等效模型,并据此进行基于rnn算法的pmsg分块化动态拟合。
[0069]
进一步地，所述步骤s1包括：
[0070]
s101.给定pmsg基本结构：包括pmsg转子侧、网侧vsc(voltage source converter，电压源型换流器)和交流系统，如图2所示；
[0071]
其中pmsg转子侧包括发电机和机侧换流器，pmsg转子侧、网侧vsc之间设置有直流电压电容c
pf
；u
dc
为c
pf
上的直流电压；p
pg
为pmsg转子侧输出功率，p
ps
为网侧vsc输出功率；v
sd
、v
sq
和i
sd
、i
sq
为网侧vsc经过dq轴变换后与外部系统交互的电压电流；pcc为pmsg交与交流系统节点；x
pf
为网侧滤波电抗；
[0072]
pmsg并网暂态稳定性中，风速在短时间内变化不大，不考虑风速变化对其暂态稳定性的影响；由此将直驱风机动态拟合分成4个小模块，小模块之间形成输入输出互联的并行互联系统，分别是：网侧vsc控制模块、同步机转子传动模块、桨距角控制模块和电磁转矩控制模块；
[0073]
四个模块整体构成pmsg控制模块如图3所述，图3中，i
pgd
、i
pgq
是定子绕组电流的dq轴分量；α为桨距角；ωr是pmsg转子实际测量转速；ν
p
为空气风速；vf为pmsg机侧发电机端电压；m
pg
为pmsg输入转矩；θ
pll
为锁相环测量的相角；pwm为网侧vsc控制输出信号；
[0074]
s102.构建网侧vsc控制模块：
[0075]
网侧vsc通过调整输出信号pwm脉宽，以维持直流电容c
pf
上的电压u
dc
和输出功率p
ps
的稳定：
[0076][0077]
式(1)中，ω0为整个系统的公频频率；根据网侧vsc的控制策略，其pi控制器可以得到如图4的网侧vsc控制模型；图4中，上标“ref”表示参考值；
[0078]
网侧vsc控制模块的输入为网侧滤波x
pf
线路上经dq轴变换的电压与电流和直流电容电压；再根据电网频率确定pwm波的输出频率，再根据锁相环测量的相位θ
pll
得到pwm脉冲信号，调节pwm脉宽宽度，从而实现直流电压和输出功率的稳定，所以，其输入信号为：v
sd
、v
sq
、i
sd
、i
sq
和θ
pll
，输出信号为：pwm；
[0079]
s103.构建同步机转子模块：
[0080]
将pmsg转子侧，即发电机与机侧换流器的abc三相电压和电流进行park变换得到转子dq轴的电压和电流，由于pmsg的磁通为永磁体，根据磁通变化关系有，
[0081][0082]
式(2)中ψ
pgd
、ψ
pgq
是pmsg定子dq轴绕组磁通，i
pgd
、i
pgq
是定子绕组电流的dq轴分量，v
pgd
、v
pgq
定子绕组dq轴电压，ra是定子绕组电阻；
[0083]
直驱风机的定子绕组磁链方程为：
[0084][0085]
式(3)中x
pgd
、x
pgq
分别表示定子绕组的dq轴电抗；ψ
pg
表示永磁体的磁通，由式(2)和式(3)一同构成pmsg发电机模型，类似于同步发电机的励磁调节控制系统；其输入信号为：i
pgd
、i
pgq
和ωr，输出信号为：vf；
[0086]
s104.构建桨距角α控制模块：
[0087]
桨距角控制一般通过pmsg转子转速ωr与机侧输出功率p
pg
反馈调节方式，经过各自pi控制器分别获得输出信号α
ω
和α
p
，两者共同调节桨距角的大小，α
ω
可以实现直驱风机最大风功率追踪，而α
p
保持pmsg发电侧输出功率的稳定；其pi控制结构原理如图5所示；
[0088]
将发电机的转子的转速与额定参考值作比较后，经过pi控制器得到α
ω
；同理，将pmsg机侧输出功率与预设功率作比较，得到补偿的α
p
，两者同时决定α的稳定输出；
[0089]
当pmsg机侧转子ωr＞ω
rref
时或p
pg
＞p
pgref
时，桨距角α会增大，此时pmsg的叶片捕捉的风能减小，以保证pmsg的转子转速保持稳定，并且能以最大效率追踪风力的输出功率，此时pmsg机侧工作在最佳运行工况下；其输入信号为：ωr和p
pg
，输出信号为：α；
[0090]
s105.构建电磁转矩m
pg
控制模块：
[0091]
根据风电场风速可以算出直驱风机的输入转矩m
pg
，表达式为，
[0092][0093]
式(4)中r为pmsg叶片半径长度，γ为叶尖速，c
p
为两者的函数表达式；又根据叶尖速与桨距角的关系，
[0094][0095]
pmsg转子运动方程为，
[0096][0097]
式(6)中m
pe
表示pmsg转子电磁转矩；此电磁转矩m
pg
控制模块的输入为ν
p
与α，根据风速ν
p
的变化，从而提高输出为电磁转矩m
pg
的值，而桨距角α的输入从而使整个机侧成为一个闭环控制系统，来实现控制pmsg功率输出的稳定；其输入信号为：α和ν
p
，输出信号为：m
pg
。
[0098]
进一步地，如图6所示，步骤s2中所述的rnn结构模型包括输入层、隐藏层和输出层；
[0099]
设x和o为向量输入与输出，即此时为图3中pmsg控制模块的输入输出信号，由此将pmsg分成4块进行动态拟合；
[0100]
而隐藏层s是rnn算法中最重要的一部分，其非线性算法能够较好拟合psmg的非线性动态响应，并且s通过上一时刻s
t-1
的权重w进行下一个时刻的预测，使数据具有时间序列特征，这正符合pmsg在不同工况下的时序动态响应。
[0101]
进一步地，，建模过程示意图如图7所示，所述步骤s3包括：
[0102]
s301.对仿真软件的模拟数据进行分类，一共包含16组4个模块输入输出时间序列数据，网侧vsc控制模块5组输入：v
sd
、v
sq
、i
sd
、i
sq
、θ
pll
和1组输出：pwm；同步机转子传动模块3组输入：i
pgd
、i
pgq
、ωr和1组输出：vf；桨距角控制模块2组输入：ωr、p
pg
和1组输出：α；电磁转矩控制模块2组输入α、ν
p
和1组输出：m
pg
；
[0103]
s302.采用rnn算法对4个模块的输入输出进行训练，得到数据拟合模型；再将pmsg不同工况下的仿真数据作为rnn动态拟合的输入，得到拟合输出数据，对其与仿真数据进行比较，计算rnn拟合的误差大小，从而判断基于rnn算法的pmsg分块化动态拟合的准确性，包括：
[0104]
步骤一：收集数据：通过pmsg并网运行的实时数据或者依据matlab/sumilink、pscad仿真软件的模拟数据，形成训练样本集；
[0105]
步骤二：数据分类处理：将收集到的大量pmsg数据信息进行分类处理，合理消除错误数据，减少冗余数据，依据pmsg分块化模型对应不同数据分类，确定每个训练模块的输入输出变量；
[0106]
步骤三：确定人工神经网络算法：此时为循环神经网络rnn算法，也要同时确定神经网络的基本结构和隐藏层的非线性表达式；
[0107]
步骤四：rnn训练：将训练集中的输入和输出信号同时进行迭代计算，得到的预测值进行误差计算，通过反向传播算法，不断对rnn中的参数进行调整，直到在误差范围内或
者迭代次数达到限值；
[0108]
步骤五：实际误差计算：将rnn训练好的样本与pmsg并网运行的实时数据或者依据matlab/sumilink、pscad仿真软件的模拟干扰下的数据进行比较，按照式(7)中均方根误差计算，若误差较大，需采用不同的神经网络算法，所述不同的神经网络算法包括普通神经网络、闭环神经网络和前向预测神经网络中的一种；
[0109][0110]
其中yi为训练样本值，yr为pmsg实际数据，er为误差计算；
[0111]
步骤六：在线学习，离线训练：经过rnn训练后的样本对于pmsg不同工况和故障干扰下的特征拟合不完全准确，并且风电场实际地理环境气候多变，要对训练样本进行不断的学习，在pmsg实际运行和模拟仿真中进行训练，得到更好的拟合动态曲线。
[0112]
在本技术的实施例中，对图2中pmsg接入无穷大系统的matlab/sumilink仿真，在pcc节点处设置6％的电压扰动，分别获得4个模块模拟的实际数据，再将rnn动态拟合的原始数据进行比较。对比分析共截取了40万个采样点，对应0.8秒的仿真时间长度，rnn动态拟合原始数据与模拟实际数据对比如图8～11所示。其中，图8为网侧vsc模块a相电压原始量测数据和实际输出数据对比图，图9为同步机转子模块vf原始量测数据和实际输出数据对比图，图10为桨距角控制模块α原始量测数据和实际输出数据对比图，图11为电磁转矩控制模块m
pg
原始量测数据和实际输出数据对比图；
[0113]
图8中为了方便分析网侧vsc模块测试的输出结果中，采用pmsg机网侧交流电压a相的实际值和模型输出值进行了对比分析，再从vf、α和m
pg
的原始数据和实际数据的对比图可以看出pmsg分块化rnn动态拟合十分接近pmsg实际的动态特性曲线，说明基于分块互联模型和数据驱动的直驱风机动态拟合方法的有效性。
[0114]
综上，本发明通过pmsg分块化模型可以高效处理直驱风机并网运行非线性特征拟合，每个模块可以并行学习和分析数据，处理速度会极大提高，据其实测数据建立训练数据模型，并用于分析在不同运行条件和扰动作用下风机的动态拟合特性，从而有助于分析其并网后的稳定性问题。