(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211181791.3 (22)申请日 2022.09.27 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 徐恒山　李颜汝　朱士豪　莫汝乔　 赵铭洋　李文昊　魏业文　潘鹏程　 王灿　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 易书玄 (51)Int.Cl. H02J 3/38(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于LSTM神经网络的双馈风机控制参 数辨识方法 (57)摘要 本发明公开了一种基于LSTM的双馈风机控 制器参数辨识方法， 利用RT ‑LAB获得双馈风机控 制器硬件在 环测试数据， 使用Person相关系数法 提取出相关性较高的特征量并用于神经网络训 练， 对电压外环以及电流内环控制参数进行辨 识， 并通过硬件在环实验数据对算法的可行性、 有效性和实用性进行了测试。 与以往的参数辨识 方法相比， 能通过训练历史样 本数据模拟风机控 制系统的运行特性， 在不运行风机模型的情况 下， 向LSTM神经网络输入实测数据， 进行控制参 数的离线辨识。 权利要求书1页 说明书7页 附图8页 CN 115411775 A 2022.11.29 CN 115411775 A 1.一种基于LSTM神经网络的双馈风机控制参数辨识方法， 其特 征在于： 包括以下步骤： S1， 依据双馈风机硬件在环物理模型， 搭建辨识模型； 其中辨识模型中变压器、 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； S2， 分别在20％、 40％、 60％和8 0％电压跌落程度下采集uDC、 idg和iqg的数值， 并采集uDC、 idg和iqg与硬件在环实验数据的误差值Re； 将上述采集的数值做为输入特征值， 网侧控制参 数Kp1、 Ki1、 Kp2、 Ki2、 Ki3和Ki3为输出数据集， 再对数据 集进行处理； 其中uDC为风机控制器模型 网侧控制器电容直流母线电压； idg和iqg为网侧变流器输出电流的dq分量； 具体包括以下步 骤： S201， 使用P ython调用模型输出mat文件， 采集特征 ‑输出数据 集， 其中输入特征值为风 机控制器模型网侧控制器直流母线电压uDC、 网侧变流器输出电流的dq分量idg、 iqg及uDC、 idg、 iqg与硬件在环实验数据的误差值Re， 输出值为网侧控制参 数； 等间隔设置风机并网点电 压跌落程度为20％、 40％、 60％和80％， 持续时间为0.5s， 每种跌落程度下采集100组数据， 共400组数据； S202， 增加输入特 征集维度， 将输入特 征值中的uDC、 idg、 iqg分区间取值作为特 征集； S203， 去除无关特征， 采用Person相关系数法对增加维度后得到的特征集进行相关性 分析； 估算两个 变量之间的协方差和标准差， 可 得到Perso n相关系数： 式中， 为样本均值， 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 特征值作为输入特 征集； S204， 所采集数据进行归一化处理， 限定预处理的数据在[0,1]范围内， 消除奇异样本 数据导致的不良影响； S3， 采用LSTM神经网络基于处理好的数据集进行双馈风机控制参数的辨识， 训练和测 试LSTM神经网络模型； S4， 对LSTM神经网络得到的辨识结果和电压跌落程度20％、 40％、 60％和80％下的硬件 在环实验数据进行对比验证。 2.根据权利要求1所述的一种基于LSTM神经网络的双馈风机控制参数辨识方法， 其特 征在于： 步骤S4中,为了进一步验证所提模 型辨识的有效性和实用性， 将 本发明的LSTM模 型 同BP模型及RN N模型进行对比， 采用相同实测数据对上述模型进行训练。权　利　要　求　书 1/1 页 2 CN 115411775 A 2一种基于LSTM神经 网络的双馈风机控制参数辨识 方法 技术领域 [0001]本发明涉及新能源发电参数辨识技术领域， 特别涉及一种基于LSTM神经 网络的双 馈风机控制参数辨识方法。 背景技术 [0002]由于风电的不稳定性和电网的高比例电力电子设备接入， 其运行特性对电力系统 安全稳定性的影响也越来越大， 需对风机进行仿真分析； 由于控制 器的控制方式与控制参 数对模型仿真影响很大， 参数辨识是获得准确模型参数 的重要方式。 我国电网已发展成为 特高压交直流混联电网， 同时 随着新能源大规模的接入， 使得电网运行特性变得更加复杂， 控制难度加大， 大电网仿 真而临严峻考验。 加之我国已并网新能源发电设备厂商众多， 新能 源发电机型超过上百个， 不同厂商不同型号的设备结构和并网特性差异显著， 采用典型模 型参数仿真不能准确模拟不同机型的关键并 网特性， 难以满足电网仿真计算需求。 [0003]基于此， 针对已有双馈风机控制系统参数辨识研究中所存在的问题， 提出了一种 基于LSTM的双馈风机控制器参数辨识方法， 利用RT ‑LAB获得双馈风机控制器硬件在环测试 数据， 使用Person相关系数法提取出相关性较高的特征量并用于神经网络训练， 对电压外 环以及电流内环控制参数进行辨识， 并通过硬件在环实验数据对算法的可行性、 有效性和 实用性进行了测试。 发明内容 [0004]本发明提出了一种基于LSTM神经网络的双馈风机控制参数辨识方法， 能准确可靠 辨识出双馈风机控制系统的PI 参数； 为实现上述 技术效果， 本发明所采用的技 术方案是： [0005]一种基于LSTM神经网络的双馈风机控制参数辨识方法， 包括以下步骤： [0006]S1， 依据双馈风机硬件在环物理模型， 搭建辨识模型； 其中辨识模型中变压器、 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。 [0007]进一步地， 步骤S1中， 为了维持 “背靠背”变流器中并联电容器的电压保持恒定， 以 及控制变流器输出的无功功 率电网电压定向的矢量控制； 电容器的电压通过网侧变流器电 流的d轴分量来控制， 而风电系统的端口电压通过网侧变流器电流的q轴分量来控制， 为了 减少损耗， 通常将q轴电流的参 考值设为0。 [0008]网侧控制器控制方程可以写为： [0009] [0010]idg_ref＝‑Kp1ΔuDC+Ki1x1   (2) [0011] [0012] 说　明　书 1/7 页 3 CN 115411775 A 3