基于分布式深度神经网络的双馈风机低压故障穿越研究

TP183; 双馈风机的低电压穿越性能不仅依靠控制策略,还取决于对控制参数的选择.然而,控制参数优化算法耗时太久,在实时控制中达不到相应的效果.本文提出了一种基于离线参数优化和模型训练、在线故障识别的方法.首先通过已经建立的双馈风机(DFIG)并网模型获取大量不同类型的故障数据,并根据故障类型进行控制参数的离线优化,形成相应的低压穿越方式;然后将不同的故障数据进行分类,构成神经网络的训练样本;最后在电网故障瞬间利用训练好的分布式深度神经网络(Deep Neural Networks,DNN)迅速判断故障种类,并选择合适的控制策略.通过半实物仿真的方式验证了该方法的可行性以及在控制效果和速度方面...

Full description

Saved in:
Bibliographic Details
Published in华东理工大学学报（自然科学版） Vol. 49; no. 3; pp. 401 - 409
Main Authors 张哲源, 顾幸生
Format Journal Article
LanguageChinese
Published 华东理工大学能源化工过程智能制造教育部重点实验室,上海200237 01.06.2023
Subjects
双馈风机
故障识别
参数优化
低压穿越
深度神经网络
Online AccessGet full text

Cover

More Information
Summary:TP183; 双馈风机的低电压穿越性能不仅依靠控制策略,还取决于对控制参数的选择.然而,控制参数优化算法耗时太久,在实时控制中达不到相应的效果.本文提出了一种基于离线参数优化和模型训练、在线故障识别的方法.首先通过已经建立的双馈风机(DFIG)并网模型获取大量不同类型的故障数据,并根据故障类型进行控制参数的离线优化,形成相应的低压穿越方式;然后将不同的故障数据进行分类,构成神经网络的训练样本;最后在电网故障瞬间利用训练好的分布式深度神经网络(Deep Neural Networks,DNN)迅速判断故障种类,并选择合适的控制策略.通过半实物仿真的方式验证了该方法的可行性以及在控制效果和速度方面的优势.
ISSN:1006-3080
DOI:10.14135/j.cnki.1006-3080.20220105005