CN115577573A - 同步发电机输出电流的预测方法、装置、设备和存储介质 - Google Patents

同步发电机输出电流的预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN115577573A
CN115577573A CN202211564166.7A CN202211564166A CN115577573A CN 115577573 A CN115577573 A CN 115577573A CN 202211564166 A CN202211564166 A CN 202211564166A CN 115577573 A CN115577573 A CN 115577573A
Authority
CN
China
Prior art keywords
initial
synchronous generator
axis current
model
predicted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211564166.7A
Other languages
English (en)
Other versions
CN115577573B (zh
Inventor
李鹏
黄文琦
侯佳萱
曹尚
戴珍
梁凌宇
白昱阳
张焕明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202211564166.7A priority Critical patent/CN115577573B/zh
Publication of CN115577573A publication Critical patent/CN115577573A/zh
Application granted granted Critical
Publication of CN115577573B publication Critical patent/CN115577573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本申请涉及一种同步发电机输出电流的预测方法、装置、设备和存储介质。所述方法包括：获取同步发电机当前时刻点的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。采用本方法能够提高预测准确率，并且提升模型在不同场景下的泛化能力。

Description

同步发电机输出电流的预测方法、装置、设备和存储介质
技术领域
本申请涉及电网技术领域，特别是涉及一种同步发电机输出电流的预测方法、装置、设备和存储介质。
背景技术
随着电力技术的发展，新型输电装置和多样柔性负荷不断接入，电网的结构日益复杂。如何对日益复杂的电网进行建模和分析成为电力领域重要的研究方向。
传统技术中，对电网中发电机的分析一般基于神经网络算法建立分析模型实现。然而基于神经网络算法的准确度受限于样本量，若样本量不足容易导致准确率不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高预测准确率的同步发电机输出电流的预测方法、装置、设备和存储介质。
第一方面，本申请提供了一种同步发电机输出电流的预测方法。所述方法包括：
获取同步发电机当前的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；
通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；
通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
在其中一个实施例中，所述通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流，包括：
将所述d轴电压、所述q轴电压、所述励磁电压和所述机械功率对应输入所述同步发电机物理模型中的转子运行方程组和发电机绕组磁链微分方程组；
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
在其中一个实施例中， 所述对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流，包括：
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行离散化处理；
对离散化后的所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
在其中一个实施例中，所述神经网络模型包括级联的第一长短记忆网络模型、第一全连接层、Dropout层和第二全连接层。
在其中一个实施例中，所述将所述工作状态数据输入预设混合驱动模型之前，所述方法还包括：
获取训练样本集以及初始混合驱动模型，所述初始混合驱动模型包括级联的初始同步发电机物理模型和初始神经网络模型；
基于所述训练样本集对所述初始混合驱动模型进行第一阶段模型训练和第二阶段模型训练，以得到所述预设混合驱动模型；
其中，所述第一阶段模型训练包括：固定所述初始同步发电机物理模型的参数不变，利用所述训练样本集训练所述初始神经网络模型，直至所述初始神经网络模型的误差小于第一阈值为止，以得到候选神经网络模型；
所述第二阶段训练过程包括：利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，直至所述初始混合驱动模型的误差小于第二阈值，其中，所述第二阈值小于所述第一阈值。
在其中一个实施例中，所述利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，包括：
利用所述训练样本集，以第一学习率训练所述初始同步发电机物理模型，并以第二学习率训练所述候选神经网络模型。
在其中一个实施例中，所述获取训练样本集，包括：
以预设频率采集所述发电机在受到扰动时的工作数据，作为所述训练样本。
第二方面，本申请还提供了一种同步发电机输出电流的预测装置。所述装置包括：
工作状态数据获取模块，用于获取同步发电机当前的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
预测模块，用于将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取同步发电机当前的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；
通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；
通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取同步发电机当前时刻点的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；
通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；
通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取同步发电机当前的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；
通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；
通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
上述同步发电机输出电流的预测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取同步发电机当前的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。通过上述方式，本申请通过先将发电机的工作状态数据通过同步发电机物理模型进行预测，获得初始预测d轴电流和初始预测q轴电流，然后再经过神经网络模型修正，从而获得准确率高的预测结果，提高了预测结果的准信率。
此外，由于同步发电机物理模型是基于发电机的物理性质建立，因此获得的初始预测d轴电流和初始预测q轴电流与真实的d轴电流和q轴电流相差较小，导致在训练神经网络模型的过程中，样本数量的需求也大幅度减少。
附图说明
图1为一个实施例中同步发电机输出电流的预测方法的应用环境图；
图2为一个实施例中同步发电机输出电流的预测方法的流程示意图；
图3为一个实施例中同步发电机输出电流的预测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的同步发电机输出电流的预测方法，可以应用于如图1所示的应用环境中。其中，同步发电机102通过网络与计算机设备104进行通信。数据存储系统可以存储计算机设备104需要处理的数据。数据存储系统可以集成在计算机设备104上，也可以放在云上或其他网络设备上。计算机设备104能够获取到同步发电机102的工作状态数据以及同步发电机102的铭牌值，该铭牌值包括同步发电机102的各种参数。具体的，计算机设备104可以通过扫描同步发电机102的铭牌或者用户通过输入装置输入，从而使得计算机设备104获得同步发电机102的铭牌值。其中，计算机设备104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
在一个实施例中，如图2所示，提供了一种同步发电机输出电流的预测方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
步骤210，获取同步发电机当前的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
在使用过过程中，计算机设备可以获取同步发电机当前（时刻点）的工作状态数据，该工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率。具体的，计算机设备可以直接或者间接通过各种测量仪器获取同步发电机当前（时刻点）的工作状态数据。
步骤220，将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；
步骤230，通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；
步骤240，通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
在获得同步发电机当前时刻点的工作状态数据后，将该工作状态数据输入到预设的混合驱动模型中，该预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型，具体的，将d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率输入同步发电机物理模型，通过同步发电机物理模型对输入的d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率进行处理，得到初始预测d轴电流和初始预测q轴电流。
具体的，同步发电机物理模型包括转子运动方程组和同步发电机绕组磁链微分方程组，其中，转子运动方程组如下：
Figure 322918DEST_PATH_IMAGE001
其中，δ为发电机功角，ω表示电机转速，ωs为电力系统同步转速，Tj为发电机的惯性常数，Pe表征发电机组的电磁功率，Pm代表发电机组的机械功率。
同步发电机绕组磁链微分方程组如下：
Figure 891303DEST_PATH_IMAGE002
其中，
Figure 373100DEST_PATH_IMAGE003
表征同步发电机各绕组的开路暂态时间常数，
Figure 36031DEST_PATH_IMAGE004
征各绕组的开路次暂态时间常数，
Figure 919674DEST_PATH_IMAGE005
为暂态电动势，
Figure 658960DEST_PATH_IMAGE006
为次暂态电动势，
Figure 644364DEST_PATH_IMAGE007
表示同步发电机机端励磁电压，I代表同步发电机定子电流，
Figure 330560DEST_PATH_IMAGE008
与
Figure 334289DEST_PATH_IMAGE009
分别为同步电机暂态与次暂态下的电抗，
Figure 978896DEST_PATH_IMAGE010
表示与饱和相关的电机漏抗，
Figure 169706DEST_PATH_IMAGE011
表示d轴同步发电机的磁链饱和程度，
Figure 177370DEST_PATH_IMAGE012
表示q轴同步发电机的磁链饱和程度。
然后对上述公式进行求解，从而获得初始预测d轴电流和初始预测q轴电流。由于上述同步发电机物理模型属于物理理论构成，在建模时便进行了高度的理论简化以及线性化，并且在实际应用中同步发电机实际输出的d轴电流和q轴电流，会受到外界的干扰，这些都导致同步发电机物理模型与真实结果存在一定的误差。因此再将获得的初始预测d轴电流和初始预测q轴电流通过神经网络进行修正。该神经网络为预先训练好的神经网络模型。通过神经网络修正初始预测d轴电流和初始预测q轴电流，或者预测的d轴电流和q轴电流。
作为一种实施例，神经网络模型包括级联的第一长短记忆网络模型、第一全连接层、Dropout层和第二全连接层。
具体的，在修正过程中，初始预测d轴电流和初始预测q轴电流经过依次经过第一长短记忆网络模型、第一全连接层、Dropout层和第二全连接层，即初始预测d轴电流和初始预测q轴电流经过第一长短记忆网络模型，第一长短记忆网络模型的输出结果输入第一全连接层，第一全连接层的输出结果输入至Dropout层，Dropout层的输出结果输入第二全连接层，最后得到修正后的预测的d轴电流和q轴电流。
作另一种实施例，神经网络模型包括级联的多层第一长短记忆网络模型、第一全连接层、Dropout层和第二全连接层。
具体的，在修正过程中，初始预测d轴电流和初始预测q轴电流经过依次经过多层第一长短记忆网络模型（示例性的，第一长短记忆网络模型可以为3层）、第一全连接层、Dropout层和第二全连接层，即初始预测d轴电流和初始预测q轴电流经过每层第一长短记忆网络模型，最后一层第一长短记忆网络模型的输出结果输入第一全连接层，第一全连接层的输出结果输入至Dropout层，Dropout层的输出结果输入第二全连接层，最后得到修正后的预测的d轴电流和q轴电流。
需要说明的是，计算机设备可以实时或者定时获取同步发电机的工作状态数据，将每次获得的工作状态数据输入该预设的混合驱动模型，从而持续获得该同步发电机的预测d轴电流和q轴电流。
上述同步发电机输出电流的预测方法，通过获取同步发电机当前时刻点的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。通过上述方式，本申请通过先将发电机的工作状态数据通过同步发电机物理模型进行预测，获得初始预测d轴电流和初始预测q轴电流，然后再经过神经网络模型修正，从而获得准确率高的预测结果，提高了预测结果的准信率。
在一个实施例中，通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流的步骤，包括：
将所述d轴电压、所述q轴电压、所述励磁电压和所述机械功率对应输入所述同步发电机物理模型中的转子运行方程组和发电机绕组磁链微分方程组；
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
具体的，通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流的过程可以包括：
将d轴电压、q轴电压、励磁电压和机械功率对应输入所述同步发电机物理模型中的转子运行方程组和发电机绕组磁链微分方程组，转子运行方程组和发电机绕组磁链微分方程组如上一实施例所示。根据当前采集的d轴电压、q轴电压、励磁电压和机械功率即可进行求解，获得初始预测d轴电流和初始预测q轴电流。
作为一种实施例，对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流，包括：
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行离散化处理；
对离散化后的所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
具体的，采用隐式梯形积分法进行离散化，以确保同步相量量测装置（PMU）采样频率下模型的稳定性。
Figure 770025DEST_PATH_IMAGE013
Figure 585535DEST_PATH_IMAGE014
表示时间步长，k表示第k个时间点，u为输入变量，如励磁电压等，p为同步发电机的动态参数的集合，f表征同步电机电磁暂态的微分方程组，h则表示所有输出代数方程。该离散化处理，可以参考现有技术。
离散化处理后，利用如下求解方程进行求解：
Figure 263641DEST_PATH_IMAGE015
Figure 839110DEST_PATH_IMAGE016
其中，
Figure 551851DEST_PATH_IMAGE017
，Fj为
Figure 538261DEST_PATH_IMAGE018
个离散方程中第
Figure 703663DEST_PATH_IMAGE019
个方程，
Figure 535353DEST_PATH_IMAGE020
为m个状态量中第i个状态量，x0是t0时刻的初始值。作为另一实施例，也可以直接利用上述求解方程对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解。
在一个实施例中，所述将所述工作状态数据输入预设混合驱动模型之前，所述方法还包括：
获取训练样本集以及初始混合驱动模型，所述初始混合驱动模型包括级联的初始同步发电机物理模型和初始神经网络模型；
基于所述训练样本集对所述初始混合驱动模型进行第一阶段模型训练和第二阶段模型训练，以得到所述预设混合驱动模型；
其中，所述第一阶段模型训练包括：固定所述初始同步发电机物理模型的参数不变，利用所述训练样本集训练所述初始神经网络模型，直至所述初始神经网络模型的误差小于第一阈值为止，以得到候选神经网络模型；
所述第二阶段训练过程包括：利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，直至所述初始混合驱动模型的误差小于第二阈值，其中，所述第二阈值小于所述第一阈值。
具体的，计算机设备可以预设频率采集所述发电机在受到扰动时的工作数据，作为所述训练样本。示例性的，预设频率可以为50至100Hz中任一频率。当电网收到扰动时，采集同步发电机的工作状态数据（即变量），包括d轴电压、q轴电压、励磁电压（或励磁电流）以及发电机输入机械功率，以及同步发电机实际输出的d轴电流、q轴电流。从而获得多个样本数据，每个样本数据都包括：d轴电压、q轴电压、励磁电压（或励磁电流）以及发电机输入机械功率。
通过获取发电机的铭牌值获得同步发电机物理模型的参数集。
根据同步发电机物理模型的参数集初始化同步发电机物理模型，并初始化神经网络模型，然后将初始化同步发电机物理模型和初始化神经网络模型进行拼接，获得初始混合驱动模型。
然后基于训练样本集对初始混合驱动模型进行第一阶段模型训练和第二阶段模型训练，以得到所述预设混合驱动模型。具体的，由于同步发电机物理模型是基于物理性质构建，其准确度较高，因此第一阶段模型训练包括：固定所述初始同步发电机物理模型的参数不变，利用训练样本集训练初始神经网络模型，即将训练样本输入初始同步发电机物理模型，获得初始预测的d轴电流、初始预测的q轴电流，然后将初始预测的d轴电流、初始预测的q轴电流作为初始神经网络模型的输入，实现对初始神经网络模型的训练。直至所述初始神经网络模型的误差小于第一阈值为止，将最终获得的神经网络模型作为候选神经网络模型。
作为一种实施例，初始神经网络模型包括级联的第一初始长短记忆网络模型、第一初始全连接层、初始Dropout层和第二初始全连接层。
具体的，在修正过程中，初始预测d轴电流和初始预测q轴电流经过依次经过第一初始长短记忆网络模型、第一初始全连接层、初始Dropout层和第二初始全连接层，即初始预测d轴电流和初始预测q轴电流经过第一初始长短记忆网络模型，第一初始长短记忆网络模型的输出结果输入第一初始全连接层，第一初始全连接层的输出结果输入至初始Dropout层，初始Dropout层的输出结果输入第二初始全连接层，最后得到修正后的预测的d轴电流和q轴电流。
作另一种实施例，神经网络模型包括级联的多层第一初始长短记忆网络模型、第一初始全连接层、初始Dropout层和第二初始全连接层。
具体的，在修正过程中，初始预测d轴电流和初始预测q轴电流经过依次经过多层第一初始长短记忆网络模型（示例性的，第一初始长短记忆网络模型可以为3层）、第一初始全连接层、初始Dropout层和第二初始全连接层，即初始预测d轴电流和初始预测q轴电流经过每层第一初始长短记忆网络模型，最后一层第一初始长短记忆网络模型的输出结果输入第一初始全连接层，第一初始全连接层的输出结果输入至初始Dropout层，初始Dropout层的输出结果输入第二初始全连接层，最后得到修正后的预测的d轴电流和q轴电流。
得到修正后的预测的d轴电流和q轴电流与训练样本中的同步发电机实际输出的d轴电流、q轴电流计算误差，若该误差大于或者等于第一误差，则更新初始神经网络模型内的参数，重新将初始预测的d轴电流、初始预测的q轴电流作为初始神经网络模型的输入。依次类推，直到初始神经网络模型的误差小于第一误差，此时结束第一阶段训练，将误差小于第一误差的初始神经网络模型作为候选神经网络模型。
然后进行第二阶段的训练，第二阶段的训练包括：利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，直至所述初始混合驱动模型的误差小于第二阈值，其中，所述第二阈值小于所述第一阈值。即同时更新初始同步发电机物理模型和候选神经网络模型中的参数，重复上述序列过程，并计算输出结果与同步发电机实际输出的d轴电流、q轴电流计算误差，直到该误差小于第二阈值。如此获得训练好的混合驱动模型。
具体的，利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，包括：
利用所述训练样本集，以第一学习率训练所述初始同步发电机物理模型，并以第二学习率训练所述候选神经网络模型。
其中，第一学习率和第二学习率可以相同，也可以不同，通过第一学习率更新初始同步发电机物理模型的参数，从而训练初始同步发电机物理模型，通过第二学习率更新候选神经网络模型的参数，从而训练候选神经网络模型。
通过上述方式训练的混合驱动模型，能够保持物理上一致的结果（即准确度很高，接近100%），同时缩小了参数的搜索范围（在第一阶段，缩小了初始神经网络模型的参数搜索范围，在第二阶段缩小了初始同步发电机物理模型和候选神经网络模型的参数搜索范围），能够提高训练效率，由于同步发电机物理模型的输出结果比较高，在整个训练过程中对数据的依赖比较小，即只需要少量训练样本即可完成训练。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的同步发电机输出电流的预测方法的同步发电机输出电流的预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个同步发电机输出电流的预测装置实施例中的具体限定可以参见上文中对于同步发电机输出电流的预测方法的限定，在此不再赘述。
在一个实施例中，如图3所示，提供了一种同步发电机输出电流的预测装置，包括：
工作状态数据获取模块310，用于获取同步发电机当前时刻点的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
预测模块320，用于将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
在一个实施例中，预测模块320，还用于：
将所述d轴电压、所述q轴电压、所述励磁电压和所述机械功率对应输入所述同步发电机物理模型中的转子运行方程组和发电机绕组磁链微分方程组；
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
在一个实施例中，预测模块320，还用于：
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行离散化处理；
对离散化后的所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
在一个实施例中，所述神经网络模型包括级联的第一长短记忆网络模型、第一全连接层、Dropout层和第二全连接层。
在一个实施例中，同步发电机输出电流的预测装置，包括：
样本获取模块（图未示），用于获取训练样本集以及初始混合驱动模型，所述初始混合驱动模型包括级联的初始同步发电机物理模型和初始神经网络模型；
训练模块（图未示），用于基于所述训练样本集对所述初始混合驱动模型进行第一阶段模型训练和第二阶段模型训练，以得到所述预设混合驱动模型；
其中，所述第一阶段模型训练包括：固定所述初始同步发电机物理模型的参数不变，利用所述训练样本集训练所述初始神经网络模型，直至所述初始神经网络模型的误差小于第一阈值为止，以得到候选神经网络模型；
所述第二阶段训练过程包括：利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，直至所述初始混合驱动模型的误差小于第二阈值，其中，所述第二阈值小于所述第一阈值。
在一个实施例中，训练模块（图未示），还用于：利用所述训练样本集，以第一学习率训练所述初始同步发电机物理模型，并以第二学习率训练所述候选神经网络模型。
在一个实施例中，样本获取模块（图未示），还用于：以预设频率采集所述发电机在受到扰动时的工作数据，作为所述训练样本。
上述同步发电机输出电流的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储训练样本、同步发电机的参数等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种同步发电机输出电流的预测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取同步发电机当前时刻点的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；
通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；
通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述d轴电压、所述q轴电压、所述励磁电压和所述机械功率对应输入所述同步发电机物理模型中的转子运行方程组和发电机绕组磁链微分方程组；
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
在一个实施例中，所述对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流，包括：
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行离散化处理；
对离散化后的所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
在一个实施例中，所述神经网络模型包括级联的第一长短记忆网络模型、第一全连接层、Dropout层和第二全连接层。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取训练样本集以及初始混合驱动模型，所述初始混合驱动模型包括级联的初始同步发电机物理模型和初始神经网络模型；
基于所述训练样本集对所述初始混合驱动模型进行第一阶段模型训练和第二阶段模型训练，以得到所述预设混合驱动模型；
其中，所述第一阶段模型训练包括：固定所述初始同步发电机物理模型的参数不变，利用所述训练样本集训练所述初始神经网络模型，直至所述初始神经网络模型的误差小于第一阈值为止，以得到候选神经网络模型；
所述第二阶段训练过程包括：利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，直至所述初始混合驱动模型的误差小于第二阈值，其中，所述第二阈值小于所述第一阈值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
利用所述训练样本集，以第一学习率训练所述初始同步发电机物理模型，并以第二学习率训练所述候选神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
以预设频率采集所述发电机在受到扰动时的工作数据，作为所述训练样本。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面所述方法的步骤。此处不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述方法的步骤。此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种同步发电机输出电流的预测方法，其特征在于，所述方法包括：
获取同步发电机当前的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；
通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；
通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
2.根据权利要求1所述的方法，其特征在于，所述通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流，包括：
将所述d轴电压、所述q轴电压、所述励磁电压和所述机械功率对应输入所述同步发电机物理模型中的转子运行方程组和发电机绕组磁链微分方程组；
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
3.根据权利要求2所述的方法，其特征在于，所述对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流，包括：
对所述转子运行方程组和所述发电机绕组磁链微分方程组进行离散化处理；
对离散化后的所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。
4.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括级联的第一长短记忆网络模型、第一全连接层、Dropout层和第二全连接层。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述将所述工作状态数据输入预设混合驱动模型之前，所述方法还包括：
获取训练样本集以及初始混合驱动模型，所述初始混合驱动模型包括级联的初始同步发电机物理模型和初始神经网络模型；
基于所述训练样本集对所述初始混合驱动模型进行第一阶段模型训练和第二阶段模型训练，以得到所述预设混合驱动模型；
其中，所述第一阶段模型训练包括：固定所述初始同步发电机物理模型的参数不变，利用所述训练样本集训练所述初始神经网络模型，直至所述初始神经网络模型的误差小于第一阈值为止，以得到候选神经网络模型；
所述第二阶段训练过程包括：利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，直至所述初始混合驱动模型的误差小于第二阈值，其中，所述第二阈值小于所述第一阈值。
6.根据权利要求5所述的方法，其特征在于，所述利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，包括：
利用所述训练样本集，以第一学习率训练所述初始同步发电机物理模型，并以第二学习率训练所述候选神经网络模型。
7.根据权利要求5所述的方法，其特征在于，所述获取训练样本集，包括：
以预设频率采集所述发电机在受到扰动时的工作数据，作为所述训练样本。
8.一种同步发电机输出电流的预测装置，其特征在于，所述装置包括：
工作状态数据获取模块，用于获取同步发电机当前时刻点的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；
预测模块，用于将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202211564166.7A 2022-12-07 2022-12-07 同步发电机输出电流的预测方法、装置、设备和存储介质 Active CN115577573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211564166.7A CN115577573B (zh) 2022-12-07 2022-12-07 同步发电机输出电流的预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211564166.7A CN115577573B (zh) 2022-12-07 2022-12-07 同步发电机输出电流的预测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN115577573A true CN115577573A (zh) 2023-01-06
CN115577573B CN115577573B (zh) 2023-03-10

Family

ID=84590200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211564166.7A Active CN115577573B (zh) 2022-12-07 2022-12-07 同步发电机输出电流的预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN115577573B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130106107A1 (en) * 2009-12-21 2013-05-02 Christopher Spruce Wind turbine having a control method and controller for performing predictive control of a wind turbine generator
RU2498494C1 (ru) * 2012-07-20 2013-11-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технический университет имени Н.Э. Баумана" (МГТУ им. Н.Э. Баумана) Способ управления возбуждением синхронного электрического генератора
US20210350231A1 (en) * 2020-05-06 2021-11-11 Robert Bosch Gmbh Predicting a state of a computer-controlled entity
EP3916493A1 (de) * 2020-05-26 2021-12-01 Siemens Aktiengesellschaft Prognose eines systemzustands eines technischen systems
CN114997065A (zh) * 2022-06-22 2022-09-02 沈阳工学院 基于改进随机配置网络的同步发电机励磁电流预测方法
CN115313930A (zh) * 2022-06-22 2022-11-08 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 一种大型汽轮发电机励磁电流实时预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130106107A1 (en) * 2009-12-21 2013-05-02 Christopher Spruce Wind turbine having a control method and controller for performing predictive control of a wind turbine generator
RU2498494C1 (ru) * 2012-07-20 2013-11-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технический университет имени Н.Э. Баумана" (МГТУ им. Н.Э. Баумана) Способ управления возбуждением синхронного электрического генератора
US20210350231A1 (en) * 2020-05-06 2021-11-11 Robert Bosch Gmbh Predicting a state of a computer-controlled entity
EP3916493A1 (de) * 2020-05-26 2021-12-01 Siemens Aktiengesellschaft Prognose eines systemzustands eines technischen systems
CN114997065A (zh) * 2022-06-22 2022-09-02 沈阳工学院 基于改进随机配置网络的同步发电机励磁电流预测方法
CN115313930A (zh) * 2022-06-22 2022-11-08 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 一种大型汽轮发电机励磁电流实时预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李红连等: "基于PSO-SVR的同步发电机励磁电流预测", 《西北农林科技大学学报(自然科学版)》 *
潘睿等: "基于负荷预测及广义回归神经网络的短路电流超短期预测", 《电力系统保护与控制》 *

Also Published As

Publication number Publication date
CN115577573B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
WO2018227800A1 (zh) 一种神经网络训练方法及装置
CN112614213B (zh) 人脸表情确定方法、表情参数确定模型、介质及设备
US20230049089A1 (en) Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium
EP3493109A1 (en) System and methods for faster processor comparisons of visual graph features
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN112381673A (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN115660233A (zh) 光伏功率预测方法、装置、电子设备及存储介质
CN113642716A (zh) 深度变分自编码器模型训练方法、装置、设备和存储介质
WO2022174601A1 (zh) 电池状态预测模型的训练方法及相关装置
CN115577573B (zh) 同步发电机输出电流的预测方法、装置、设备和存储介质
CN112767190A (zh) 一种基于多层堆叠式神经网络的台区相序识别方法及装置
CN111260074A (zh) 一种超参数确定的方法、相关装置、设备及存储介质
CN115659844A (zh) 基于风电场动态模型的仿真方法、装置和计算机设备
CN115482557A (zh) 人体图像生成方法、系统、设备及存储介质
CN116070437A (zh) 锂电池表面温度建模方法、装置、计算机设备和存储介质
CN115527626A (zh) 分子处理方法、装置、电子设备、存储介质及程序产品
CN115239889A (zh) 3d重建网络的训练方法、3d重建方法、装置、设备和介质
CN111476408B (zh) 一种电力通信设备状态预测方法及系统
Yu et al. GPU-based JFNG method for power system transient dynamic simulation
CN114861671A (zh) 模型训练方法、装置、计算机设备及存储介质
CN113743448B (zh) 模型训练数据获取方法、模型训练方法和装置
Yang et al. LRG-Net: Lightweight Residual Grid Network for Modeling Electrical Induction Motor Dynamics
CN115758784B (zh) 支撑电力系统时域仿真的大型雅各比矩阵低耗时迭代方法
GB2572975A (en) Quantum bundle adjustment
CN112600200B (zh) 电网节点的谐波潮流计算方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant