[發明專利]同步發電機輸出電流的預測方法、裝置、設備和存儲介質

有效

• 申請號: 202211564166.7
• 申請日: 2022-12-07
• 公開（公告）號: CN115577573B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 李鵬;黃文琦;侯佳萱;曹尚;戴珍;梁凌宇;白昱陽;張煥明
• 申請（專利權）人: 南方電網數字電網研究院有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F17/13
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 聶榕

1.一種同步發電機輸出電流的預測方法，其特征在于，所述方法包括：

獲取同步發電機當前的工作狀態數據，所述工作狀態數據包括d軸電壓、q軸電壓、勵磁電壓和輸入所述同步發電機的機械功率；

將所述工作狀態數據輸入預設混合驅動模型，所述預設混合驅動模型包括級聯的同步發電機物理模型和神經網絡模型；

通過所述同步發電機物理模型對所述工作狀態數據進行處理，以得到初始預測d軸電流和初始預測q軸電流；

通過所述神經網絡模型對所述初始預測d軸電流和所述初始預測q軸電流進行修正處理，獲得所述同步發電機的預測d軸電流和預測q軸電流；

其中，所述同步發電機物理模型包括轉子運動方程組和同步發電機繞組磁鏈微分方程組，其中，轉子運動方程組如下：

其中，δ為發電機功角，ω表示電機轉速，ω_s為電力系統同步轉速，T_j為發電機的慣性常數，P_e表征發電機組的電磁功率，P_m代表發電機組的機械功率，t表示時間；

同步發電機繞組磁鏈微分方程組如下：

其中，表征同步發電機各繞組的開路暫態時間常數，征各繞組的開路次暫態時間常數，為暫態電動勢，為次暫態電動勢，表示同步發電機機端勵磁電壓，I代表同步發電機定子電流，與分別為同步電機暫態與次暫態下的電抗，表示與飽和相關的電機漏抗，表示d軸同步發電機的磁鏈飽和程度，表示q軸同步發電機的磁鏈飽和程度。

2.根據權利要求1所述的方法，其特征在于，所述通過所述同步發電機物理模型對所述工作狀態數據進行處理，以得到初始預測d軸電流和初始預測q軸電流，包括：

將所述d軸電壓、所述q軸電壓、所述勵磁電壓和所述機械功率對應輸入所述同步發電機物理模型中的轉子運行方程組和發電機繞組磁鏈微分方程組；

對所述轉子運行方程組和所述發電機繞組磁鏈微分方程組進行求解，獲得所述初始預測d軸電流和所述初始預測q軸電流。

3.根據權利要求2所述的方法，其特征在于，所述對所述轉子運行方程組和所述發電機繞組磁鏈微分方程組進行求解，獲得所述初始預測d軸電流和所述初始預測q軸電流，包括：

對所述轉子運行方程組和所述發電機繞組磁鏈微分方程組進行離散化處理；

對離散化后的所述轉子運行方程組和所述發電機繞組磁鏈微分方程組進行求解，獲得所述初始預測d軸電流和所述初始預測q軸電流。

4.根據權利要求1所述的方法，其特征在于，所述神經網絡模型包括級聯的第一長短記憶網絡模型、第一全連接層、Dropout層和第二全連接層。

5.根據權利要求1至4任一項所述的方法，其特征在于，所述將所述工作狀態數據輸入預設混合驅動模型之前，所述方法還包括：

獲取訓練樣本集以及初始混合驅動模型，所述初始混合驅動模型包括級聯的初始同步發電機物理模型和初始神經網絡模型；

基于所述訓練樣本集對所述初始混合驅動模型進行第一階段模型訓練和第二階段模型訓練，以得到所述預設混合驅動模型；

其中，所述第一階段模型訓練包括：固定所述初始同步發電機物理模型的參數不變，利用所述訓練樣本集訓練所述初始神經網絡模型，直至所述初始神經網絡模型的誤差小于第一閾值為止，以得到候選神經網絡模型；

所述第二階段模型訓練過程包括：利用所述訓練樣本集共同訓練所述初始同步發電機物理模型和所述候選神經網絡模型，直至所述初始混合驅動模型的誤差小于第二閾值，其中，所述第二閾值小于所述第一閾值。

6.根據權利要求5所述的方法，其特征在于，所述利用所述訓練樣本集共同訓練所述初始同步發電機物理模型和所述候選神經網絡模型，包括：

利用所述訓練樣本集，以第一學習率訓練所述初始同步發電機物理模型，并以第二學習率訓練所述候選神經網絡模型。

7.根據權利要求5所述的方法，其特征在于，所述獲取訓練樣本集，包括：

以預設頻率采集所述發電機在受到擾動時的工作數據，作為所述訓練樣本。