基于LSTM神經網絡的雙饋風機控制參數辨識方法

01網側控制系統(tǒng)建模圖1給出了雙饋風機的網側變流器控制模型，采用電網電壓定向矢量雙閉環(huán)控制，電壓外環(huán)用于控制直流母線電壓，電流內環(huán)d軸的參考值idg_ref由直流電壓外環(huán)計算得到，電流內環(huán)q軸的參考值iqg_ref設置為0。根據圖1所示的控制框圖搭建雙饋風機的辨識模型，辨識模型中變壓器、濾波器和其他元件的電氣參數與半實物測試模型的電氣參數一致。圖1

網側變流器控制框圖Fig.1

Diagramofgrid-sideconverter假設中間變量為x1、x2、x3，網側變流器的控制方程可寫為式中：Kp1、Ki1分別為電壓控制器的比例和積分系數；uDC、uDC_ref分別為直流母線電壓的實際值和參考值；ΔuDC

為直流母線電壓實際值與參考值的差值；idg、iqg分別為網側d、q軸電流的實際值。結合式（1）~（4）可得式中：Kp2、Ki2分別為電流內環(huán)控制器的第1組比例和積分系數；Kp3、Ki3分別為電流內環(huán)控制器的第2組比例和積分系數；udg、uqg分別為網側d、q軸電壓的實際值；XTg為連接在變流器和電網之間的變壓器電抗值。正常工況下，iqg_ref一般為0，但在故障工況下，iqg_ref由低電壓穿越控制模塊直接給定，其值為式中：k為無功電流支撐系數；UN為風機并網點額定電壓；IN為網側變流器額定電流。當低電壓穿越發(fā)生時，網側變流器會發(fā)出一定的無功功率，無功電流的數值可根據式（7）得到，此時，q軸電流內環(huán)切換到低電壓穿越控制模式，q軸參考值由低電壓穿越控制模塊給定。02基于LSTM的參數辨識方法2.1

關鍵特征提取在搭建雙饋風機LSTM神經網絡參數辨識模型前，需采集特征-輸出數據集，其中輸入特征值為與風機網側控制器有關的參數，包括直流母線電壓uDC、輸出電流的dq分量idg和iqg及其與硬件在環(huán)測試數據的誤差值R，輸出值為網側變流器的控制參數。由于不同模型對特征的要求不同，無關特征或特征過少不僅會導致神經網絡訓練效果明顯變差，還會大幅削弱神經網絡的泛化能力，導致?lián)p失函數Loss上升。因此，在訓練神經網絡模型前，需增加輸入特征集維度并去除無關特征。為了增加輸入特征集維度，依據NB/T31066—2015《風電機組電氣仿真模型建模導則》，以uDC為例，如圖2所示，將仿真時間劃分為5個區(qū)間：穩(wěn)態(tài)區(qū)間A、C和E，暫態(tài)區(qū)間B和D，并將輸入特征值中的uDC、idg和iqg通過此方式分區(qū)間取值作為特征集。其中uDC通過分區(qū)間取值后得到特征值Va、Vb、Vc、Vd和Ve，idg通過分區(qū)間取值后得到特征值Ida、Idb、Idc、Idd和Ide，iqg通過分區(qū)間取值后得到特征值Iqa、Iqb、Iqc、Iqd和Iqe。圖2

仿真結果的區(qū)間劃分Fig.2

Intervaldivisiondiagramofsimulationresults為了去除無關特征，采用Person相關系數法對增加維度后的特征集進行相關性分析，相關系數是一種用于表征變量之間變化關系的數學統(tǒng)計指標，包含標準差和協(xié)方差。通過估算2個變量之間的協(xié)方差和標準差，可得到Person相關系數為式中：Xi、Yi分別為樣本1、2的第i個數值；為樣本1均值；為樣本2均值；n為樣本中數值的數量。P的絕對值越大，表明兩變量之間的相關性越強。通過計算各區(qū)間特征值與輸出控制參數的Person相關系數，最終得出P值較大的區(qū)間特征值并將其作為輸入特征集。圖3為各特征值與待辨識參數的Person系數和，Ida、Idd、Ide和Iqa的Person系數和較其他特征值較小，對待辨識參數影響較小，于是在特征集中去除Ida、Idd、Ide和Iqa這4項輸入特征值，取其余11項及R作為該神經網絡模型的輸入特征集。圖3

各特征值Person系數和Fig.3

SumofPersoncoefficientsforeigenvalues2.2

LSTM神經網絡算法循環(huán)神經網絡（recurrentneuralNetwork，RNN）主要用于處理序列數據，基礎的RNN結構中，通常后輸入的數據對訓練結果產生的影響大，前輸入的數據對訓練結果產生的影響小，繼而產生了梯度消失問題。為解決RNN長期依賴問題，LSTM在RNN的基礎上增加了遺忘機制和保存機制，可保留較長序列數據中的重要信息，忽略不重要信息，以較精確的方式傳遞記憶。為準確模擬目標模型，首先需要采集輸出參數與對應的輸入特征數據集，經數據處理后，用于訓練和測試LSTM神經網絡模型。LSTM神經網絡的神經元結構如圖4所示，其核心細胞狀態(tài)c受控于遺忘門、輸入門和輸出門，其中：σ為sigmoid函數；xt為第t個單元的輸入；ct為第t個單元的細胞狀態(tài)；ht為第t個單元的隱狀態(tài)；⊕、?分別為向量元素求和、求積符號；ct–1為第t–1個單元的細胞狀態(tài)；ht–1為第t–1個單元的隱狀態(tài)。圖4

LSTM循環(huán)單元結構Fig.4

CircularunitstructureofLSTM輸入門用于控制網絡當前輸入數據流入記憶單元的數量，保存在c中，計算式為遺忘門可判斷上一時刻記憶單元信息ct–1對當前記憶單元ct的影響程度，計算式為輸出門控制記憶單元ct對輸出值ht的影響，計算式為式中：Wi、Wf和Wo分別為輸入門、遺忘門和輸出門的網絡層權重；bi、bf和bo分別為輸入門、遺忘門和輸出門的偏置項；bc為網絡層偏置；ft為遺忘門輸出值；為t時刻輸入到神經元的信息；

Wc

為計算

的權重；ot為輸出門輸出值；☉為哈達瑪積運算符。在LSTM神經網絡訓練中，數據集的選擇和分配及參數的調節(jié)對預測結果的準確性具有直接影響。在LSTM神經網絡訓練過程中，隨機選取90%數據集作為訓練集，10%數據集作為驗證集，設置迭代訓練次數為500，消除單次訓練產生的誤差，提高預測準確度。風機網側變流器控制參數LSTM神經網絡辨識的總體流程如圖5所示，具體如下。圖5

LSTM神經網絡參數辨識流程Fig.5

FlowchartofparameteridentificationbasedonLSTMneuralnetwork

1）采集參數Kp1、Ki1、Kp2、Ki2、Ki3、Ki3與輸出響應數據集；2）增加輸入特征集維度并依據Person相關系數法去除無關特征；3）對數據進行標準化處理，并劃分樣本訓練集和驗證集；4）初始化LSTM神經網絡參數；5）訓練LSTM神經網絡并得到辨識結果；6）若誤差小于一定值，輸出最優(yōu)解即為辨識結果，否則重復步驟4）和5）。03仿真算例為驗證所提雙饋風機控制參數LSTM神經網絡辨識方法的可行性、有效性和準確性，在Plecs平臺搭建雙饋風機真實控制器的同構辨識模型，雙饋風機控制器半實物測試平臺如圖6所示，雙饋風機網側變流器的電氣參數見表1。圖6

雙饋風機控制器半實物測試平臺Fig.6

HILtestplatformforDFIGcontroller

表1

雙饋風機變流器電氣參數Table1

ElectricalparametersofDIFGconverter3.1

數據獲取為了驗證辨識模型對復雜工況的適應性，設置了2組風機并網點的電壓跌落程度，分別為20%和80%，跌落時間從0.95s持續(xù)至1.65s，持續(xù)時間為0.7s，每種工況采集100組數據，利用200組數據進行LSTM神經網絡模型訓練。電壓跌落20%時硬件在環(huán)實驗數據波形如圖7所示，電壓跌落80%時硬件在環(huán)實驗數據波形如圖8所示，可以看出，在電壓跌落開始和恢復時有振蕩產生，這是因為伴隨著并網點電壓跌落和恢復，雙饋風力發(fā)電系統(tǒng)內部將出現(xiàn)過電流、過電壓與轉子轉速驟升等一系列問題。圖7

電壓跌落20%時硬件在環(huán)實驗數據波形Fig.7

HILtestdatawaveformwithvoltagedropof20%圖8

電壓跌落80%時硬件在環(huán)實驗數據波形Fig.8

HILtestdatawaveformwithvoltagedropof80%3.2

數據預處理獲得歷史樣本數據后，需對數據進行預處理以獲得可供模型訓練的數據集。首先，對于存在缺失或異常數據點的歷史樣本進行剔除，以免影響神經網絡辨識的準確度。然后，采用Pearson相關系數法去除無關特征，篩選出與風機dq軸輸出特性相關性較高的特征變量作為神經網絡的輸入。最后，對所采集數據進行歸一化處理，限定預處理的數據在[0,1]內，消除奇異樣本數據導致的不良影響。3.3

模型訓練首先，將預處理后的200組數據作為LSTM神經網絡的輸入，其中90%作為訓練集，10%作為驗證集；然后，設置損失函數MSE和優(yōu)化器Adam，采用LSTM神經網絡對所采集序列進行辨識；最后，設置驗證集最后一組特征為實際數據，其輸出的參數作為最終辨識值。經大量調試工作后，得到LSTM神經網絡的結構參數與網絡訓練參數，如表2所示。表2

LSTM神經網絡結構參數與訓練參數Table2

StructuralandtrainingparametersofLSTMneuralnetwork模型訓練過程中，損失函數的變化過程如圖9所示，訓練350次后損失函數達到0.01以下，訓練375次后損失函數達到0.005以下，訓練500次后模型的損失函數為0.0034。圖9

損失函數曲線Fig.9

Curveoflossfunction不同階段風電往往通過切換控制模式來實現(xiàn)控制目標，控制參數也會隨之變化，一組控制參數不能完全滿足對真實控制器的仿真需求，因此本文通過對穩(wěn)態(tài)期間和低電壓穿越期間的控制參數分別進行辨識，得到2組控制參數輸入仿真模型。圖10為模型訓練穩(wěn)態(tài)控制參數的最終結果，圖11為模型訓練低電壓穿越期間控制參數的最終結果，模型辨識結果與樣本數據基本重合，取得了良好辨識效果。圖10

穩(wěn)態(tài)控制參數訓練結果Fig.10

Trainingresultsofsteady-statecontrolparameters圖11

低電壓穿越期間控制參數訓練結果Fig.11

Trainingresultsofcontrolparametersduringlowvoltageridethrough為了進一步驗證所提模型辨識的有效性和實用性，將本文的LSTM模型同BP模型及RNN模型進行對比，采用相同實測數據對上述模型進行訓練。BP模型和RNN模型參數設置如表3所示。表3

BP和RNN神經網絡結構參數與訓練參數Table3

StructuralandtrainingparametersofBPandRNNneuralnetworks將3組辨識曲線與實測曲線對比，電壓跌落20%條件下測試結果如圖12所示，電壓跌落80%條件下測試結果如圖13所示。圖12

電壓跌落20%時的輸出響應Fig.12

Outputresponsewithvoltagedropof20%圖13

電壓跌落80%時的輸出響應Fig.13

Outputresponsewithvoltagedropof80%由圖12和13可知，不同模型辨識曲線趨勢相同，但在波動較為明顯的時間區(qū)域，辨識誤差較大，而本文LSTM模型得到的辨識結果與實測結果最為接近，得到的控制參數也最為接近實際控制參數。以uDC為例，按照式（16）分別計算電壓跌落程度20%和80%下3種模型辨識結果在A、B、C、D和E區(qū)間的平均偏差，再對4種工況下的平均偏差取平均值，即式中：

FV

為區(qū)間V的平均偏差；uM為實測直流電容電壓；ui為辨識模型直流電容電壓；Kstart、Kend分別為區(qū)間第一個和最后一個仿真數據序號。得到BP、RNN和LSTM模型輸出結果在各區(qū)間的誤差如表4所示。表4

3種辨識模型誤差對比Table4

Comparisonoferrorsforthreeidentificationmodels

由表4可知，相比于BP、RNN模型，