劉俊磊 劉思捷 錢(qián)峰 劉結(jié)
摘? 要:風(fēng)速、機(jī)組故障等環(huán)境的隨機(jī)性,造成風(fēng)電機(jī)組參數(shù)辨識(shí)的不確定性,給機(jī)組參數(shù)帶來(lái)困難。為此,文章將貝葉斯理論與神經(jīng)網(wǎng)絡(luò)模型進(jìn)行結(jié)合,采用了基于貝葉斯神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組辨識(shí)策略。與傳統(tǒng)最小二乘法辨識(shí)策略結(jié)果對(duì)比表示,該方法具有全局誤差容易收斂,訓(xùn)練迭代步數(shù)少等優(yōu)點(diǎn)。
關(guān)鍵詞:不確定性;參數(shù)辨識(shí);風(fēng)電機(jī)組;貝葉斯;神經(jīng)網(wǎng)絡(luò);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
隨著風(fēng)電等新能源接入電力系統(tǒng)中存在的不確定性愈發(fā)明顯。不確定性的存在,使得系統(tǒng)模型難以用固定參數(shù)精確建模。忽略這些模型誤差無(wú)法得到與實(shí)際電網(wǎng)相符的計(jì)算結(jié)果,無(wú)法準(zhǔn)確判斷電力系統(tǒng)的穩(wěn)定狀況。
如何有效處理龐雜的不確定性從而獲得規(guī)律性認(rèn)知是我們所面臨的一大難題。“不確定性”是指我們對(duì)事物“不能完全確信”的狀態(tài),一般包括固有不確定性和認(rèn)知不確定性。前者源于事物固有的隨機(jī)性,后者源于人們所掌握知識(shí)和信息的局限性[1]。其中,認(rèn)知不確定性作為一種特定的不確定性, 在電力系統(tǒng)各個(gè)領(lǐng)域已引起足夠重視[2]。文獻(xiàn)[3]基于配網(wǎng)中的不確定性,研究了不確定性對(duì)分布式電源規(guī)劃的影響。文獻(xiàn)[4]則針對(duì)電網(wǎng)中故障的不確定性進(jìn)行了分析。描述解決不確定性隨機(jī)問(wèn)題,最基本的方法是利用貝葉斯定理來(lái)推理隨機(jī)事件的條件概率[5]。
傳統(tǒng)的模型參數(shù)辨識(shí)方法主要有最小二乘法、梯度下降法和神經(jīng)網(wǎng)絡(luò)法。其中前兩種辨識(shí)方法主要用于線性模型參數(shù)辨識(shí),而神經(jīng)網(wǎng)絡(luò)方法主要用于非線性模型參數(shù)的辨識(shí)[6,7,8]。風(fēng)電機(jī)組模型為非線性模型,因此對(duì)于確定的參數(shù)可以用神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行辨識(shí)。但由于風(fēng)電并網(wǎng)運(yùn)行中風(fēng)速等外部條件的不確定性,風(fēng)電機(jī)組部分參數(shù)需要會(huì)不斷變化,傳統(tǒng)的確定性參數(shù)辨識(shí)方法無(wú)法應(yīng)對(duì)這種隨機(jī)性變化。通過(guò)分析現(xiàn)有文獻(xiàn)發(fā)現(xiàn),在風(fēng)電機(jī)組模型參數(shù)估計(jì)中,鮮有不確定性的考慮,本文針對(duì)風(fēng)電機(jī)運(yùn)行的不確定性,采用了貝葉斯方法與神經(jīng)網(wǎng)絡(luò)辨識(shí)策略相結(jié)合的貝葉斯神經(jīng)網(wǎng)絡(luò)的參數(shù)辨識(shí)策略。
1 貝葉斯神經(jīng)網(wǎng)絡(luò)原理
貝葉斯神經(jīng)網(wǎng)絡(luò)將不確定性引入神經(jīng)網(wǎng)絡(luò),將神經(jīng)網(wǎng)絡(luò)看成條件模型p,該條件模型通過(guò)參數(shù)或者權(quán)重?茲進(jìn)行參數(shù)化的,并且在給定輸入x時(shí),需要得到對(duì)應(yīng)的輸出y。
在貝葉斯神經(jīng)網(wǎng)絡(luò)中:首先使用近似分布q去逼近真實(shí)的分布p,其中q的具體形狀是有可以用被學(xué)習(xí)到的參數(shù)?茲來(lái)表示的;其次,從分布q中采取樣本數(shù)據(jù),可得模型參數(shù)?茲*如式(4)所示。
2 貝葉斯神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型
為了提高神經(jīng)網(wǎng)絡(luò)對(duì)已有數(shù)據(jù)的擬合能力和對(duì)未來(lái)數(shù)據(jù)的泛化能力。神經(jīng)網(wǎng)絡(luò)采用的BP網(wǎng)絡(luò)結(jié)構(gòu),根據(jù)整個(gè)神經(jīng)網(wǎng)絡(luò)的全局誤差進(jìn)行訓(xùn)練模型參數(shù)。全局誤差表達(dá)式如式(7)所示:
3 算例分析
為了檢驗(yàn)本文所提方法的實(shí)際效果,以某時(shí)刻運(yùn)行狀態(tài)下的雙饋風(fēng)電機(jī)組(DFIG)控制器參數(shù)為例,進(jìn)行辨識(shí)。為了利用全部2015-2018年三年全部數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試,將全部數(shù)據(jù)按7:3的比例進(jìn)行隨機(jī)抽取,70%的數(shù)據(jù)用于對(duì)貝葉斯神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練,30%的數(shù)據(jù)用于對(duì)模型的測(cè)試。
3.1 基于貝葉斯神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組辨識(shí)
將需要辨識(shí)風(fēng)電機(jī)組的全部參數(shù)分為:控制器參數(shù)、傳動(dòng)部分參數(shù)、發(fā)電機(jī)參數(shù)三類。圖2顯示了某一運(yùn)行狀態(tài)下部分參數(shù)辨識(shí)情況,曲線的橫坐標(biāo)(k)表示模型的訓(xùn)練步數(shù),縱坐標(biāo)表示參數(shù)隨訓(xùn)練過(guò)程的進(jìn)行參數(shù)辨識(shí)結(jié)果。觀察參數(shù)曲線可得到,b12(0)=1.05,b12(1)=0.701,b12(2)=-0.497。全部參數(shù)的辨識(shí)結(jié)果及與真值的對(duì)比情況如表1所示。
分析表1發(fā)現(xiàn),風(fēng)電機(jī)組三部分的參數(shù)辨識(shí)誤差絕對(duì)值最大值為10.9%,辨識(shí)結(jié)果比較滿意。
3.2 與最小二乘神經(jīng)網(wǎng)絡(luò)參數(shù)辨識(shí)效果的比較
為了觀察本文所提辨識(shí)方法的優(yōu)越性,將本文所述方法(定義為方法一)與傳統(tǒng)最小二乘參數(shù)辨識(shí)法(定義為方法二)進(jìn)行辨識(shí)效果對(duì)比,對(duì)比結(jié)果如圖3所示。
分析圖3發(fā)現(xiàn)本文所提辨識(shí)方法的全局誤差值不但容易收斂,且達(dá)到穩(wěn)定值時(shí)所需的訓(xùn)練步數(shù)較少,僅僅100次訓(xùn)練后即可達(dá)到滿意的辨識(shí)效果;而如果采用傳統(tǒng)的最小二乘法進(jìn)行辨識(shí),全局辨識(shí)誤差容易振蕩。
4 結(jié)論
針對(duì)風(fēng)電機(jī)組運(yùn)行狀態(tài)不確定性帶來(lái)的參數(shù)辨識(shí)帶來(lái)的困難問(wèn)題,提出了基于貝葉斯神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組參數(shù)辨識(shí)方法,辨識(shí)模型考慮了不確定性對(duì)風(fēng)電機(jī)參數(shù)帶來(lái)的影響。
分析對(duì)比結(jié)果發(fā)現(xiàn),本文所提出的基于貝葉斯神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組參數(shù)辨識(shí)方法與傳統(tǒng)的最小二乘辨識(shí)方法相比,本文所述方法具有全局誤差容易收斂,迭代步數(shù)少的優(yōu)點(diǎn)。從而貝葉斯神經(jīng)網(wǎng)絡(luò)模型對(duì)于處理不確定參數(shù)辨識(shí)問(wèn)題具有一定的指導(dǎo)意義。
參考文獻(xiàn):
[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,強(qiáng)毅,傅華棟.基于貝葉斯方法的不確定性信息處理研究進(jìn)展綜述[J].能源工程,2018,1:20-24.
[3]張沈習(xí),程浩忠,邢海軍.配電網(wǎng)中考慮不確定性的分布式電源規(guī)劃研究綜述[J].電力自動(dòng)化設(shè)備,2016,36(8):1-9.
[4]向洋洋,郝為,呂品,等.考慮不確定性因素在電網(wǎng)故障診斷中的研究綜述[J].電氣開(kāi)關(guān),2016,6(6):1-3.
[5]董廣忠.基于貝葉斯方法的微電網(wǎng)系統(tǒng)狀態(tài)估計(jì)與優(yōu)化控制研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2018.
[6]朱澤翔.電力系統(tǒng)動(dòng)態(tài)參數(shù)辨識(shí)與模型降階研究[D].杭州:浙江大學(xué),2018.
[7]邱健,周孝信,于海承.配電網(wǎng)中考慮不確定性的分布式電源規(guī)劃研究綜述[J].中國(guó)電機(jī)工程學(xué)報(bào),2018,36(14):3699-3706.
[8]李鴻奎.基于量測(cè)數(shù)據(jù)的山東電網(wǎng)動(dòng)態(tài)線路參數(shù)辨識(shí)研究[D].濟(jì)南:山東大學(xué),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.統(tǒng)計(jì)學(xué)習(xí)方法(第二版)[M].清華大學(xué)出版社,2019.
[11]陳慶鴻.基于貝葉斯神經(jīng)網(wǎng)絡(luò)的風(fēng)電短期功率預(yù)報(bào)研究[J].廣東電力,2013,26(1):19-22.