申请/专利权人：上海电子信息职业技术学院

申请日：2023-10-13

公开（公告）日：2024-02-23

公开（公告）号：CN117081158B

主分类号：H02J3/38

分类号：H02J3/38;H02J3/00;H02P21/14;H02P21/22

优先权：

专利状态码：有效-授权

法律状态：2024.02.23#授权;2023.12.05#实质审查的生效;2023.11.17#公开

摘要：本发明公开了变速抽水蓄能机组无撬棒故障穿越控制方法及装置，涉及电机故障穿越技术领域，通过训练评估电流跟踪效果的电流跟踪预测模型、训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型、训练预测电网穿越故障的概率的故障穿越预测模型，在待控制电网出现故障时，使用Actor‑Critic网络模型中的Actor网络输出选择的励磁电流值，并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor‑Critic网络模型进行训练；在电网出现故障时，通过调节励磁电流参数，从而在无撬棒的情况下，增大电网穿越故障的可能。

主权项：1.变速抽水蓄能机组无撬棒故障穿越控制方法，其特征在于，包括以下步骤：收集励磁电流参数历史数据；收集电流跟踪特征历史数据以及跟踪效果标签历史数据，并以电流跟踪特征历史数据和励磁电流参数历史数据为输入，以跟踪效果标签历史数据为输出，训练评估电流跟踪效果的电流跟踪预测模型；收集电网电流特征历史数据以及电网电流标签历史数据，并以电网电流特征历史数据和励磁电流参数历史数据为输入，以电网电流标签历史数据为输出，训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型；收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据，以电流跟踪效果历史数据、电流容量差值历史数据为输入，以故障穿越结果标签数据为输出，训练预测电网穿越故障的概率的故障穿越预测模型；在待控制电网出现故障时，实时获取电流跟踪特征数据和电网电流特征数据；使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值，并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练；所述收集电流跟踪特征历史数据以及跟踪效果标签历史数据的方式为：在采集励磁电流参数历史数据的过程中，同步收集与测试变速抽水蓄能机组相连的电网的电流跟踪特征历史数据以及跟踪效果标签历史数据；收集每一单位时间的电网中的电压信息、电机参数以及电网负载；收集每一单位时间的，电网中的实际电流大小与电网中期望电流大小之间的差值作为电流差值；将每一单位时间的电压信息、电机参数以及电网负载组成一组电流跟踪特征集合；将所有单位时间的电流跟踪特征集合按时间顺序排序，获得电流跟踪特征历史数据；将所有电流差值按时间顺序排序，获得跟踪效果标签历史数据；所述训练评估电流跟踪效果的电流跟踪预测模型的方式为：将励磁电流参数历史数据以及电流跟踪特征历史数据中，每一单位时间的历史励磁电流以及电流跟踪特征集合作为电流跟踪预测模型的输入，所述电流跟踪预测模型以对每一单位时间的电流差值的预测值作为输出，以跟踪效果标签历史数据中，每一单位时间对应的电流差值作为预测目标，以最小化对所有电流差值的预测误差之和作为训练目标；对电流跟踪预测模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据励磁电流和电网中的电流跟踪特征集合，输出预测的电流跟踪效果的电流跟踪预测模型；所述电流跟踪预测模型是多项式回归模型；所述收集电网电流特征历史数据以及电网电流标签历史数据的方式为：在采集励磁电流参数历史数据的过程中，同步收集电网中变流器的实时容量；将电网中每一单位时间的电压信息、电机参数以及变流器实时容量组成一组容量差值特征集合；将所有单位时间的容量差值特征集合按时间顺序排序组成电网电流特征历史数据；收集每一单位时间的电网中的实际电流大小和变流器容量之间的差值作为容量差值；将所有单位时间的容量差值按时间顺序排序组成电网电流标签历史数据；所述训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型的方式为：将励磁电流参数历史数据以及电网电流特征历史数据中，每一单位时间的历史励磁电流以及容量差值特征集合作为容量差值预测模型的输入，所述容量差值预测模型以对每一单位时间的容量差值的预测值作为输出，以电网电流标签历史数据中，每一单位时间对应的容量差值作为预测目标，以最小化对所有容量差值的预测误差之和作为训练目标；对容量差值预测模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据励磁电流和电网中的容量差值特征集合，输出预测的容量差值的容量差值预测模型；所述容量差值预测模型是多项式回归模型；所述收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据的方式为：在测试变速抽水蓄能机组出现电网故障的时间，收集该时间的电流差值和容量差值；将电流差值作为电流跟踪效果历史数据；将容量差值作为电流容量差值历史数据；收集每次电网故障后，穿越故障的穿越结果概率，所述穿越结果概率的取值范围为[0,1]，将每次电网故障对应的穿越结果概率作为故障穿越结果标签数据；在每次电网故障时，未出现人为干预的情况，将该次故障的穿越结果概率标记为1，若出现人为干预的情况，将该次故障的穿越结果概率标记为0；所述训练预测电网穿越故障的概率的故障穿越预测模型的方式为：将每次电网故障时的电流跟踪效果历史数据以及电流容量差值历史数据作为故障穿越预测模型的输入，所述故障穿越预测模型以对每次电网故障的穿越结果概率的预测值作为输出，以故障穿越结果标签数据中，每次电网故障对应的穿越结果概率作为预测目标，以最小化对所有穿越结果概率的预测误差之和作为训练目标；对故障穿越预测模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据电流差值和容量差值，输出预测的能够穿越电网故障的概率的故障穿越预测模型；所述故障穿越预测模型是逻辑回归模型；所述实时获取电流跟踪特征数据和电网电流特征数据的方式为：收集待控制电网的实时的电压信息、电机参数以及电网负载作为电流跟踪特征数据；收集待控制电网的实时的电压信息、电机参数以及变流器实时容量作为电网电流特征数据；使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值，并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练包括：初始化Actor网络和Critic网络的参数；在判断为待控制电网出现故障时，执行以下步骤：步骤11：将电流跟踪特征数据和电网电流特征数据作为当前状态；步骤12：Actor网络输出选择的励磁电流值；以下一单位时间的电流跟踪特征数据和电网电流特征数据作为下一个状态；步骤13：计算实际的奖励值Q；所述实际的奖励值Q为每次在电网故障时，调整励磁电流后获得的奖励；所述奖励值Q的计算公式为：设置励磁电流变量x；将训练完成后的电流跟踪预测模型对应的函数表达式标记为Fx；将训练完成后的容量差值预测模型对应的函数表达式标记为Gx；将训练完成的故障穿越预测模型对应的函数表达式标记为Cf,g；则奖励值Q的计算公式为Q=CFx,Gx；步骤14：使用Critic网络的更新公式更新奖励值函数的值，以调整对决策结果的实际奖励值Q的估计；步骤15：使用Actor网络的更新公式更新Actor网络的参数，以提高在给定状态下选择高奖励决策结果的概率。

全文数据：

权利要求：

百度查询： 上海电子信息职业技术学院 变速抽水蓄能机组无撬棒故障穿越控制方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD