基于贝叶斯神经网络的风电机组参数辨识
来源:用户上传
作者:
摘 要：风速、机组故障等环境的随机性，造成风电机组参数辨识的不确定性，给机组参数带来困难。为此，文章将贝叶斯理论与神经网络模型进行结合，采用了基于贝叶斯神经网络的风电机组辨识策略。与传统最小二乘法辨识策略结果对比表示，该方法具有全局误差容易收敛，训练迭代步数少等优点。
关键词：不确定性;参数辨识;风电机组;贝叶斯;神经网络;新能源
Abstract： The randomness of wind speed， unit failure and other environment results in the uncertainty of wind turbine parameter identification， which brings difficulties to the parameters of wind turbine. For this reason， this paper combines Bayesian theory with neural network model， and adopts the wind turbine identification strategy based on Bayesian neural network. Compared with the traditional least square identification strategy， the results show that this method has the advantages of easy convergence of global error and less training iterative steps.
引言
随着风电等新能源接入电力系统中存在的不确定性愈发明显。不确定性的存在，使得系统模型难以用固定参数精确建模。忽略这些模型误差无法得到与实际电网相符的计算结果，无法准确判断电力系统的稳定状况。
如何有效处理庞杂的不确定性从而获得规律性认知是我们所面临的一大难题。“不确定性”是指我们对事物“不能完全确信”的状态，一般包括固有不确定性和认知不确定性。前者源于事物固有的随机性，后者源于人们所掌握知识和信息的局限性[1]。其中，认知不确定性作为一种特定的不确定性， 在电力系统各个领域已引起足够重视[2]。文献[3]基于配网中的不确定性，研究了不确定性对分布式电源规划的影响。文献[4]则针对电网中故障的不确定性进行了分析。描述解决不确定性随机问题，最基本的方法是利用贝叶斯定理来推理随机事件的条件概率[5]。
传统的模型参数辨识方法主要有最小二乘法、梯度下降法和神经网络法。其中前两种辨识方法主要用于线性模型参数辨识，而神经网络方法主要用于非线性模型参数的辨识[6，7，8]。风电机组模型为非线性模型，因此对于确定的参数可以用神经网络模型来进行辨识。但由于风电并网运行中风速等外部条件的不确定性，风电机组部分参数需要会不断变化，传统的确定性参数辨识方法无法应对这种随机性变化。通过分析现有文献发现，在风电机组模型参数估计中，鲜有不确定性的考虑，本文针对风电机运行的不确定性，采用了贝叶斯方法与神经网络辨识策略相结合的贝叶斯神经网络的参数辨识策略。
1 贝叶斯神经网络原理
贝叶斯神经网络将不确定性引入神经网络，将神经网络看成条件模型p，该条件模型通过参数或者权重？兹进行参数化的，并且在给定输入x时，需要得到对应的输出y。
在贝叶斯神经网络中：首先使用近似分布q去逼近真实的分布p，其中q的具体形状是有可以用被学习到的参数？兹来表示的;其次，从分布q中采取样本数据，可得模型参数？兹*如式（4）所示。
2 贝叶斯神经网络结构模型
为了提高神经网络对已有数据的拟合能力和对未来数据的泛化能力。神经网络采用的BP网络结构，根据整个神经网络的全局误差进行训练模型参数。全局误差表达式如式（7）所示：
3 算例分析
为了检验本文所提方法的实际效果，以某时刻运行状态下的双馈风电机组（DFIG）控制器参数为例，进行辨识。为了利用全部2015-2018年三年全部数据进行训练和测试，将全部数据按7：3的比例进行随机抽取，70%的数据用于对贝叶斯神经网络参数的训练，30%的数据用于对模型的测试。
3.1 基于贝叶斯神经网络的风电机组辨识
将需要辨识风电机组的全部参数分为：控制器参数、传动部分参数、发电机参数三类。图2显示了某一运行状态下部分参数辨识情况，曲线的横坐标（k）表示模型的训练步数，纵坐标表示参数随训练过程的进行参数辨识结果。观察参数曲线可得到，b12（0）=1.05，b12（1）=0.701，b12（2）=-0.497。全部参数的辨识结果及与真值的对比情况如表1所示。
分析表1发现，风电机组三部分的参数辨识误差绝对值最大值为10.9%，辨识结果比较满意。
3.2 与最小二乘神经网络参数辨识效果的比较
为了观察本文所提辨识方法的优越性，将本文所述方法（定义为方法一）与传统最小二乘参数辨识法（定义为方法二）进行辨识效果对比，对比结果如图3所示。
分析图3发现本文所提辨识方法的全局误差值不但容易收敛，且达到稳定值时所需的训练步数较少，仅仅100次训练后即可达到满意的辨识效果;而如果采用传统的最小二乘法进行辨识，全局辨识误差容易振荡。
4 结论
针对风电机组运行状态不确定性带来的参数辨识带来的困难问题，提出了基于贝叶斯神经网络的风电机组参数辨识方法，辨识模型考虑了不确定性对风电机参数带来的影响。
分析对比结果发现，本文所提出的基于贝叶斯神经网络的风电机组参数辨识方法与传统的最小二乘辨识方法相比，本文所述方法具有全局误差容易收敛，迭代步數少的优点。从而贝叶斯神经网络模型对于处理不确定参数辨识问题具有一定的指导意义。
参考文献：
[1]Tannert C，Elvers H，Jandrig B. The ethics of uncertainty. In the light of possible dangers，research becomes a moral duty[J]. Science and Society，2007，9（10）：892-896.
[2]胥新政，强毅，傅华栋.基于贝叶斯方法的不确定性信息处理研究进展综述[J].能源工程，2018，1：20-24.
[3]张沈习，程浩忠，邢海军.配电网中考虑不确定性的分布式电源规划研究综述[J].电力自动化设备，2016，36（8）：1-9.
[4]向洋洋，郝为，吕品，等.考虑不确定性因素在电网故障诊断中的研究综述[J].电气开关，2016，6（6）：1-3.
[5]董广忠.基于贝叶斯方法的微电网系统状态估计与优化控制研究[D].合肥：中国科学技术大学，2018.
[6]朱泽翔.电力系统动态参数辨识与模型降阶研究[D].杭州：浙江大学，2018.
[7]邱健，周孝信，于海承.配电网中考虑不确定性的分布式电源规划研究综述[J].中国电机工程学报，2018，36（14）：3699-3706.
[8]李鸿奎.基于量测数据的山东电网动态线路参数辨识研究[D].济南：山东大学，2017.
[9]Radford M，Neal，Bayesian Learning for Neural Networks.[R/OL].https：//h5.m.taobao.com/cm/collocation.html？id=34993075&userI
d=2201514607572.
[10]李航.统计学习方法（第二版）[M].清华大学出版社，2019.
[11]陈庆鸿.基于贝叶斯神经网络的风电短期功率预报研究[J].广东电力，2013，26（1）：19-22.
转载注明来源:https://www.xzbu.com/1/view-15193556.htm
