基于LSTM神经网络的双馈风机控制参数辨识方法｜《中国电力》

来源：《中国电力》2023年第6期

引文：薛飞, 李宏强, 李旭涛, 等. 基于LSTM神经网络的双馈风机控制参数辨识方法[J]. 中国电力, 2023, 56(6): 31-39.

点击文章底部左下角“阅读原文”可在手机端查看论文全文，登录官网www.electricpower.com.cn可免费下载全文。

编者按

能源危机促进了新能源的快速发展，以风电为代表的新能源机组在电网中的占比不断提高，但具有间歇性和随机性特征的风电机组通过非线性电力电子变流器大量接入电网对电力系统的安全稳定运行带来巨大挑战，主要原因之一是风机控制参数对其出力特性影响巨大，而风机实际控制参数难以收集，导致研究人员无法获得风机的精确模型，因此，从风机自身特性研究和电力系统稳定性分析的角度来看，对风机的真实控制参数进行高精度辨识具有极为重要的实际意义和研究意义。《中国电力》2023年第6期刊发了薛飞等人撰写的《基于LSTM神经网络的双馈风机控制参数辨识方法》一文。文章提出一种基于LSTM的双馈风机控制系统参数辨识方法。基于RT-LAB半实物仿真平台获得来自真实控制器的双馈风机硬件在环测试数据，采用Person相关系数法提取高相关性特征并进行神经网络训练，利用LSTM神经网络对双馈风机的控制参数进行辨识。

摘要

针对暂态工况下难以高精度获取双馈风机（doubly fed induction generator，DFIG）电磁模型控制参数的问题，提出了一种基于长短期记忆（long short-term memory，LSTM）神经网络的DFIG控制参数高精度辨识方法。首先，利用RT-LAB半实物仿真平台测量并获取DFIG控制器硬件在环数据，并在Plecs平台中搭建DFIG模型的辨识模型；然后，采用Person相关系数法提取出高相关性特征并进行神经网络训练；最后，利用提出的LSTM神经网络对DFIG的控制参数进行辨识，并与实测数据进行对比，验证了所提方法的可行性、有效性和实用性。结果表明，相比于传统辨识方法，所提LSTM神经网络参数辨识方法在暂态工况下可有效提高DFIG电磁模型控制参数的辨识精度。

01

网侧控制系统建模

图1给出了双馈风机的网侧变流器控制模型，采用电网电压定向矢量双闭环控制，电压外环用于控制直流母线电压，电流内环d轴的参考值i_{dg_ref}由直流电压外环计算得到，电流内环q轴的参考值i_{qg_ref}设置为0。根据图1所示的控制框图搭建双馈风机的辨识模型，辨识模型中变压器、滤波器和其他元件的电气参数与半实物测试模型的电气参数一致。

图1  网侧变流器控制框图

Fig.1  Diagram of grid-side converter

假设中间变量为x₁、x₂、x₃，网侧变流器的控制方程可写为

式中：K_p1、K_i1分别为电压控制器的比例和积分系数；u_DC、u_{DC_ref}分别为直流母线电压的实际值和参考值； Δu_DC 为直流母线电压实际值与参考值的差值；i_dg、i_qg分别为网侧d、q轴电流的实际值。

结合式（1）~（4）可得

式中：K_p2、K_i2分别为电流内环控制器的第1组比例和积分系数；K_p3、K_i3分别为电流内环控制器的第2组比例和积分系数；u_dg、u_qg分别为网侧d、q轴电压的实际值；X_Tg为连接在变流器和电网之间的变压器电抗值。

正常工况下，i_{qg_ref}一般为0，但在故障工况下，i_{qg_ref}由低电压穿越控制模块直接给定，其值为

式中：k为无功电流支撑系数；U_N为风机并网点额定电压；I_N为网侧变流器额定电流。

当低电压穿越发生时，网侧变流器会发出一定的无功功率，无功电流的数值可根据式（7）得到，此时，q轴电流内环切换到低电压穿越控制模式，q轴参考值由低电压穿越控制模块给定。

02

基于LSTM的参数辨识方法

2.1  关键特征提取

在搭建双馈风机LSTM神经网络参数辨识模型前，需采集特征-输出数据集，其中输入特征值为与风机网侧控制器有关的参数，包括直流母线电压u_DC、输出电流的dq分量i_dg和i_qg及其与硬件在环测试数据的误差值R，输出值为网侧变流器的控制参数。由于不同模型对特征的要求不同，无关特征或特征过少不仅会导致神经网络训练效果明显变差，还会大幅削弱神经网络的泛化能力，导致损失函数Loss上升。因此，在训练神经网络模型前，需增加输入特征集维度并去除无关特征。

为了增加输入特征集维度，依据NB/T 31066—2015《风电机组电气仿真模型建模导则》，以u_DC为例，如图2所示，将仿真时间划分为5个区间：稳态区间A、C和E，暂态区间B和D，并将输入特征值中的u_DC、i_dg和i_qg通过此方式分区间取值作为特征集。其中u_DC通过分区间取值后得到特征值V_a、V_b、V_c、V_d和V_e，i_dg通过分区间取值后得到特征值I_da、I_db、I_dc、I_dd和I_de，i_qg通过分区间取值后得到特征值I_qa、I_qb、I_qc、I_qd和I_qe。

图2  仿真结果的区间划分

Fig.2  Interval division diagram of simulation results

为了去除无关特征，采用Person相关系数法对增加维度后的特征集进行相关性分析，相关系数是一种用于表征变量之间变化关系的数学统计指标，包含标准差和协方差。通过估算2个变量之间的协方差和标准差，可得到Person相关系数为

式中：X_i、Y_i分别为样本1、2的第i个数值；为样本1均值；为样本2均值；n为样本中数值的数量。P的绝对值越大，表明两变量之间的相关性越强。通过计算各区间特征值与输出控制参数的Person相关系数，最终得出P值较大的区间特征值并将其作为输入特征集。

图3为各特征值与待辨识参数的Person系数和，I_da、I_dd、I_de和I_qa的Person系数和较其他特征值较小，对待辨识参数影响较小，于是在特征集中去除I_da、I_dd、I_de和I_qa这4项输入特征值，取其余11项及R作为该神经网络模型的输入特征集。

图3   各特征值Person系数和

Fig.3  Sum of Person coefficients for eigenvalues

2.2  LSTM神经网络算法

循环神经网络（recurrent neural Network，RNN）主要用于处理序列数据，基础的RNN结构中，通常后输入的数据对训练结果产生的影响大，前输入的数据对训练结果产生的影响小，继而产生了梯度消失问题。为解决RNN长期依赖问题，LSTM在RNN的基础上增加了遗忘机制和保存机制，可保留较长序列数据中的重要信息，忽略不重要信息，以较精确的方式传递记忆。为准确模拟目标模型，首先需要采集输出参数与对应的输入特征数据集，经数据处理后，用于训练和测试LSTM神经网络模型。

LSTM神经网络的神经元结构如图4所示，其核心细胞状态c受控于遗忘门、输入门和输出门，其中：σ为sigmoid函数；x_t为第t个单元的输入；c_t为第t个单元的细胞状态；h_t为第t个单元的隐状态； ⊕ 、 ⊗ 分别为向量元素求和、求积符号；c_t–1为第t–1个单元的细胞状态；h_t–1为第t–1个单元的隐状态。

图4  LSTM循环单元结构

Fig.4  Circular unit structure of LSTM

输入门用于控制网络当前输入数据流入记忆单元的数量，保存在c中，计算式为

遗忘门可判断上一时刻记忆单元信息c_t–1对当前记忆单元c_t的影响程度，计算式为

输出门控制记忆单元c_t对输出值h_t的影响，计算式为

式中：W_i、W_f和W_o分别为输入门、遗忘门和输出门的网络层权重；b_i、b_f和b_o分别为输入门、遗忘门和输出门的偏置项；b_c为网络层偏置；f_t为遗忘门输出值；为t时刻输入到神经元的信息； W_c 为计算 的权重；o_t为输出门输出值；☉为哈达玛积运算符。

在LSTM神经网络训练中，数据集的选择和分配及参数的调节对预测结果的准确性具有直接影响。在LSTM神经网络训练过程中，随机选取90%数据集作为训练集，10%数据集作为验证集，设置迭代训练次数为500，消除单次训练产生的误差，提高预测准确度。风机网侧变流器控制参数LSTM神经网络辨识的总体流程如图5所示，具体如下。

图5  LSTM神经网络参数辨识流程

Fig.5  Flow chart of parameter identification based on LSTM neural network

1）采集参数K_p1、K_i1、K_p2、K_i2、K_i3、K_i3与输出响应数据集；

2）增加输入特征集维度并依据Person相关系数法去除无关特征；

3）对数据进行标准化处理，并划分样本训练集和验证集；

4）初始化LSTM神经网络参数；

5）训练LSTM神经网络并得到辨识结果；

6）若误差小于一定值，输出最优解即为辨识结果，否则重复步骤4）和5）。

03

仿真算例

为验证所提双馈风机控制参数LSTM神经网络辨识方法的可行性、有效性和准确性，在Plecs平台搭建双馈风机真实控制器的同构辨识模型，双馈风机控制器半实物测试平台如图6所示，双馈风机网侧变流器的电气参数见表1。

图6   双馈风机控制器半实物测试平台

Fig.6  HIL test platform for DFIG controller

表1  双馈风机变流器电气参数

Table 1  Electrical parameters of DIFG converter

3.1  数据获取

为了验证辨识模型对复杂工况的适应性，设置了2组风机并网点的电压跌落程度，分别为20%和80%，跌落时间从0.95 s持续至1.65 s，持续时间为0.7 s，每种工况采集100组数据，利用200组数据进行LSTM神经网络模型训练。电压跌落20%时硬件在环实验数据波形如图7所示，电压跌落80%时硬件在环实验数据波形如图8所示，可以看出，在电压跌落开始和恢复时有振荡产生，这是因为伴随着并网点电压跌落和恢复，双馈风力发电系统内部将出现过电流、过电压与转子转速骤升等一系列问题。

图7  电压跌落20%时硬件在环实验数据波形

Fig.7  HIL test data waveform with voltage drop of 20%

图8  电压跌落80%时硬件在环实验数据波形

Fig.8  HIL test data waveform with voltage drop of 80%

3.2  数据预处理

获得历史样本数据后，需对数据进行预处理以获得可供模型训练的数据集。首先，对于存在缺失或异常数据点的历史样本进行剔除，以免影响神经网络辨识的准确度。然后，采用Pearson相关系数法去除无关特征，筛选出与风机dq轴输出特性相关性较高的特征变量作为神经网络的输入。最后，对所采集数据进行归一化处理，限定预处理的数据在[0, 1]内，消除奇异样本数据导致的不良影响。

3.3  模型训练

首先，将预处理后的200组数据作为LSTM神经网络的输入，其中90%作为训练集，10%作为验证集；然后，设置损失函数MSE和优化器Adam，采用LSTM神经网络对所采集序列进行辨识；最后，设置验证集最后一组特征为实际数据，其输出的参数作为最终辨识值。经大量调试工作后，得到LSTM神经网络的结构参数与网络训练参数，如表2所示。

表2  LSTM 神经网络结构参数与训练参数

Table 2  Structural and training parameters of LSTM neural network

模型训练过程中，损失函数的变化过程如图9所示，训练350次后损失函数达到0.01以下，训练375次后损失函数达到0.005以下，训练500次后模型的损失函数为0.0034。

图9  损失函数曲线

Fig.9  Curve of loss function

不同阶段风电往往通过切换控制模式来实现控制目标，控制参数也会随之变化，一组控制参数不能完全满足对真实控制器的仿真需求，因此本文通过对稳态期间和低电压穿越期间的控制参数分别进行辨识，得到2组控制参数输入仿真模型。图10为模型训练稳态控制参数的最终结果，图11为模型训练低电压穿越期间控制参数的最终结果，模型辨识结果与样本数据基本重合，取得了良好辨识效果。

图10  稳态控制参数训练结果

Fig.10  Training results of steady-state control parameters

图11  低电压穿越期间控制参数训练结果

Fig.11  Training results of control parameters during low voltage ride through

为了进一步验证所提模型辨识的有效性和实用性，将本文的LSTM模型同BP模型及RNN模型进行对比，采用相同实测数据对上述模型进行训练。BP模型和RNN模型参数设置如表3所示。

表3  BP和RNN神经网络结构参数与训练参数

Table 3  Structural and training parameters of BP and RNN neural networks

将3组辨识曲线与实测曲线对比，电压跌落20%条件下测试结果如图12所示，电压跌落80%条件下测试结果如图13所示。

图12  电压跌落20%时的输出响应

Fig.12  Output response with voltage drop of 20%

图13  电压跌落80%时的输出响应

Fig.13  Output response with voltage drop of 80%

由图12和13可知，不同模型辨识曲线趋势相同，但在波动较为明显的时间区域，辨识误差较大，而本文LSTM模型得到的辨识结果与实测结果最为接近，得到的控制参数也最为接近实际控制参数。

以u_DC为例，按照式（16）分别计算电压跌落程度20%和80%下3种模型辨识结果在A、B、C、D和E区间的平均偏差，再对4种工况下的平均偏差取平均值，即

式中： F_V 为区间V的平均偏差；u_M为实测直流电容电压；u_i为辨识模型直流电容电压；K_start、K_end分别为区间第一个和最后一个仿真数据序号。

得到BP、RNN和LSTM模型输出结果在各区间的误差如表4所示。

表4  3种辨识模型误差对比

Table 4  Comparison of errors for three identification models

由表4可知，相比于BP、RNN模型，LSTM模型对u_DC、i_dg、i_qg的辨识结果精度更高，可在A、B、C、D和E区间以更高的精度辨识出20%和80%低电压穿越工况下双馈风机的控制参数K_p1、K_i1、K_p2、K_i2、K_p3和K_i3。

04

结论

针对暂态工况下难以高精度获取双馈风机电磁模型控制参数的问题，本文提出了基于LSTM神经网络算法的双馈风机控制参数辨识方法，并通过测试实验证实了所提方法在双馈风机控制参数辨识问题上的可行性、有效性和实用性。相比于BP、RNN算法的辨识结果，提出的LSTM算法或模型在20%和80%低电压穿越工况下具有更高的控制参数辨识精度。

注：本文内容呈现略有调整，如需要请查看原文。

 往期回顾 

编辑：于静茹

校对：王文诗

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。