基于硬件在环和SVM的风机控制器振荡风险预测方法及系统与流程

基于硬件在环和svm的风机控制器振荡风险预测方法及系统
技术领域
1.本发明属于新能源电力系统技术领域，尤其涉及基于硬件在环和svm的风机控制器振荡风险预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.与传统旋转发电机不同，新能源机组多采用电力电子变流器接入电网，变流器与电网相互作用，可能引发谐振或振荡问题，造成机组跳闸乃至设备损坏，危及电网的安全稳定运行。随着新能源大规模并网以及其他大容量电力电子装置的广泛应用，振荡稳定性问题正越来越成为巨大的潜在风险，若不能及时系统全面地研究应对策略和解决措施，可能会给设备厂商、发电企业和电网公司造成巨大的经济损失，甚至可能造成大范围稳定性事故，危及电网的安全可靠运行。
4.近年来，世界各地发生了与新能源机组相关的多种形态振荡稳定性问题。次同步振荡现象严重威胁了电网的设备安全、系统稳定和用电质量，制约了风光等新能源大规模接入和消纳。
5.针对直驱风电场振荡问题，国内外学者做的研究主要是对风电机组的并网逆变器系统进行建模后分析，包括频率扫描法、特征根法、时域仿真法、阻抗分析法等，前三种方法可以解决部分振荡问题，但直驱风电场中的变流器含有大量的电力电子器件，是典型的非线性系统，建模异常复杂。阻抗分析法通过建立电力电子设备的小信号宽频域阻抗模型，利用奈奎斯特稳定判据对系统进行稳定性分析，阻抗法分dq轴模型和正负序模型；三相系统下dq轴的d、q轴相互耦合且计算复杂，不可直接测量。


技术实现要素：

6.为了解决上述背景技术中存在的至少一项技术问题，本发明提供基于硬件在环和svm的风机控制器振荡风险预测方法及系统，其利用rt-lab控制器半实物仿真测试获取的数据，结合在二分类领域有较好应用的支持向量机(svm)算法，对风电机组控制器并网硬件在环仿真数据对svm进行训练，并通过训练后的模型完成对非测试工况的预测。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明的第一个方面提供基于硬件在环和svm的风机控制器振荡风险预测方法，包括如下步骤：
9.获取风机控制器扰动反馈信号；
10.基于扰动反馈信号和四级支持向量机进行次同步振荡风险预测，得到振荡风险预测结果；其中，所述四级支持向量机的构建过程包括：
11.基于最小代价函数构建最优超平面，引入松弛变量，根据松弛变量和阈值分析信号数据点和最优超平面的关系，根据该关系得到二分类结果；
12.根据扰动反馈信号的振荡条件和对应的svm分类器逐级分类，当满足振荡条件时，输出最终的分类结果，将最终分类结果和二分类结果对比得到振荡风险预测结果。
13.本发明的第二个方面提供基于硬件在环和svm的风机控制器振荡风险预测系统，包括：
14.信号获取模块，用于获取风机控制器扰动反馈信号；
15.振荡风险预测模块，用于基于扰动反馈信号和四级支持向量机进行次同步振荡风险预测，得到振荡风险预测结果；其中，所述四级支持向量机的构建过程包括：
16.基于最小代价函数构建最优超平面，引入松弛变量，根据松弛变量和阈值分析信号数据点和最优超平面的关系，根据该关系得到二分类结果；
17.根据扰动反馈信号的振荡条件和对应的svm分类器逐级分类，当满足振荡条件时，输出最终的分类结果，将最终分类结果和二分类结果对比得到振荡风险预测结果。
18.本发明的第三个方面提供一种计算机可读存储介质。
19.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于硬件在环和svm的风机控制器振荡风险预测方法中的步骤。
20.本发明的第四个方面提供一种计算机设备。
21.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于硬件在环和svm的风机控制器振荡风险预测方法中的步骤。
22.与现有技术相比，本发明的有益效果是：
23.本发明利用rt-lab控制器半实物仿真测试获取的数据，结合在二分类领域有较好应用的支持向量机(svm)算法，对风电机组控制器并网硬件在环仿真数据对svm进行训练，并通过训练后的模型完成对非测试工况的预测，这种基于svm的分类识别方法对训练样本数的要求较低，实时性能好，可很好地应用于风机控制器次同步振荡风险预测，为保障新能源安全并网及预防次同步振荡风险提供了良好的算法基础。
24.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
25.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
26.图1是本发明实施例基于硬件在环和svm的风机控制器振荡风险预测方法流程示意图；
27.图2是本发明实施例硬件在环示意图；
28.图3是本发明实施例svm分类器逐级分类示意图。
具体实施方式
29.下面结合附图与实施例对本发明作进一步说明。
30.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常
理解的相同含义。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
32.通常全工况的hil测试需要耗费大量的时间，随着智能算法的兴起，可以基于有限工况开展全工况的预测，次同步振荡的分析本质上可看做是对扰动反馈信号的分类或模式识别问题，本发明利用rt-lab控制器半实物仿真测试获取的数据，结合在二分类领域有较好应用的支持向量机(svm)算法，对风电机组控制器并网硬件在环仿真数据对svm进行训练，并通过训练后的模型完成对非测试工况的预测。
33.实施例一
34.如图1所示，本实施例提供基于硬件在环和svm的风机控制器振荡风险预测方法，包括
35.如下步骤：
36.步骤1：基于搭建的硬件在环模型获取风机控制器扰动反馈信号；
37.如图2所示，所述硬件在环模型的搭建过程包括：
38.将风电机组的电路按照实际参数模型在rt-lab仿真平台中搭建可控电压源数字模型，将待测风机控制器通过数据线与rt-lab仿真平台相连，扰动信号发生器通过物理接口与rt-lab仿真平台相连，将扰动信号注入可控电压源数字模型的可控电压源，通过与物理接口连接的数据采集卡采集扰动反馈信号。
39.其中，所述扰动信号为在交流电网和目标电力设备之间注入幅值较小的三相谐波交流电压源h
ha
、h
hb
、h
hc
，生成不同频率、幅值的扰动信号矩阵，其解析表达式为：
[0040][0041]
其中，h
ha
、h
hb
、h
hc
表示待注入的谐波电压或电流信号；a
hp
和a
hu
表示谐波电压幅值；ωs和ωc表示注入谐波角频率，其中ωs＝2πfs，ωc＝2πfc，fs+fc＝2f1，f1为工频50hz。
[0042]
上述方案的优点在于：
[0043]
(1)通常，风机控制器的控制策略是影响振荡的重要因素，但仿真建模过程中由于控制器厂家对控制策略的技术保密，使得搭建控制器模型变得十分复杂，为获取与现场一致的控制策略，本方法通过对新能源场站实际风机控制器的rt-lab硬件在环建模，使仿真建模更准确的与实际新能源场站一致的控制器的性能保持一致，从而不必搭建复杂的风机控制器模型，大大降低了获取振荡反馈信号的工作量，简化了建模过程，同时提高测试精度；
[0044]
(2)通过可控电压源模块将扰动信号矩阵注入rt-lab硬件在环仿真模型，可以准确模拟电网中扰动信号与电网汇总设备间的功率信号之间的耦合关系，同时可任意调整扰动信号的幅值、频率及相位，使得本方案可以模拟更加复杂的扰动情况，扰动信号覆盖范围广，可以更准确地模拟电网中实际发生的扰动。
[0045]
步骤2：对扰动反馈信号进行预处理；
[0046]
通过rt-lab物理接口采集扰动反馈信号，为了获取合适的训练样本，需要对扰动反馈信号进行标签化处理，对扰动反馈信号设置标签，即训练样本数据的期望。
[0047]
由于在rt-lab半实物仿真模型中，给电网注入了不同频率fi(i＝1,2,3,...,100)的扰动信号，此时经风机控制器后的反馈功率信号pi不再为恒定值，通过pi的变化轨迹判断振荡状态，当pi满足如下条件，则认为触发振荡：
[0048]
所述第一振荡条件为：扰动反馈信号瞬时采样功率与采样窗口内平均功率之差的绝对值大于次同步振荡门槛；
[0049]
所述第二振荡条件为：扰动反馈信号引起的次同步振荡周期的最大功率和最小功率之差的绝对值大于次同步振荡的功率振幅门槛；
[0050]
所述第三振荡条件为：扰动反馈信号引起的次同步振荡频率介于次同步振荡频率上限和次同步振荡频率下限之间；
[0051]
所述第四振荡条件为：扰动反馈信号引起的当前次同步振荡的振荡次数大于次同步振荡的振荡次数门槛。
[0052]
其表达式如下所示：
[0053]
条件1：|p
i-pm|》p
t
[0054]
条件2：|p
imax-p
imin
|》pa[0055]
条件3：f
min
《f
ic
《f
max
[0056]
条件4：ni》n
set
[0057]
其中，pi为瞬时采样功率，pm为采样窗口时间内的功率平均值，p
t
为次同步振荡门槛值。p
imax
为fi频率扰动引起的次同步振荡周期的最大功率，p
imin
为fi频率扰动引起的次同步振荡周期的最小功率，pa为次同步振荡的功率振幅门槛，f
ic
为fi频率扰动引起的次同步振荡频率，f
max
次同步振荡频率上限，f
min
为次同步振荡频率下限，ni为fi频率扰动引起的当前次同步振荡的振荡次数，n
set
为次同步振荡的振荡次数门槛。
[0058]
当满足以上约束条件时则认为发生次同步振荡。
[0059]
对不同频率fi的扰动反馈信号按照条件1～条件4的满足情况设置数据标签，即其期望值标签，若满足条件，则其对应的扰动信号fi的期望值为1，若不满足条件，则其对应的扰动信号fi期望值为-1。
[0060]
采用如下映射对扰动信号进行归一化处理：
[0061][0062]
其中，x代表扰动信号，y为归一化后的结果，x
min
、x
max
分别代表扰动信号的最小值和最大值。归一化后的原始数据将被规整到[0，1]范围。
[0063]
归一化后的数据根据扰动反馈信号的振荡条件判别结果获取响应频率下的期望值，从而构建出完整的支持向量机svm训练样本和测试样本。其中，样本中包含有不同幅值的扰动响应信号。
[0064]
步骤3：基于最小代价函数构建最优超平面，引入松弛变量，根据松弛变量和阈值分析信号数据点和最优超平面的关系，根据该关系得到二分类结果；具体包括：
[0065]
支持向量机(support vector machine，svm)可用于模式分类和非线性回归，主要
思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化；支持向量机是由算法从训练数据中抽取的小的子集构成。支持向量机具能够在很广的各种函数集中构造函数，鲁棒性好，不需要微调，计算简单，方法的实现只需要利用简单的优化技术，理论上较为完善。
[0066]
对p个样本数据{(x1，d1)，(x2，d2)，...，(x
p
，d
p
)，...，(x
p
，d
p
)}，对于任一输入样本x
p
，其输出期望为d
p
＝
±
1，分别代表满足振荡条件和不满足振荡条件的类别标识。用于分类的超平面为：
[0067]wt
x+b＝0
[0068]
式中，x为输入样本向量，w为权值向量，b为偏置，则有：
[0069]wt
x
p
+b》0，当d
p
＝1
[0070]wt
x
p
+b《0，当d
p
＝-1
[0071]
也可表示为：
[0072]dp
(w
t
x
p
+b)≥1p＝1，2，...，p
[0073]
因此确定最优超平面的权值w0和偏置b0应是唯一的。最优超平面的方程为：
[0074]wt
x0+b0＝0
[0075]
最优超平面的构建等价于找到最佳权值向量w，对于给定的训练样本，最小化代价函数：
[0076][0077]
引入lagrange函数：
[0078][0079]
式中，α
p
为lagrange系数，求解lagrange函数可得：
[0080][0081]
从而：
[0082][0083]
令q(α)＝l(w,b,α)，从而问题转化为给定训练样本，求解一组满足约束条件：α
p
≥0，p＝1，2，...，p的lagrange系数{α1，α2，...α
p
，...，α
p
}，使q(α)取得最大值。
[0084]
设q(α)的最优解为{α
01
，α
02
，...α
0p
，...，α
0p
}，则最优权值向量为：
[0085][0086]
上标s为离最优超平面最近的特殊样本的标记，sv为支持向量。
[0087]
则最优分类判别函数为：
[0088][0089]
为增强判别函数的泛化能力，引入松弛变量，适当放宽约束，令：
[0090]dp
(w
t
x
p
+b)≥1-ξ
p
,p＝1，2，...，p
[0091]
其中，松弛变量ξ
p
≥0,p＝1，2，...，p，当0≤ξ
p
≤1时，数据点落入分离区域的内部，且在分类超平面的正确一侧，当ξ
p
》1时，数据点进入分类超平面的错误一侧；当ξ
p
＝0时，相应地数据点为精确超平面的支持向量xs。
[0092]
根据f(x)为1或-1，即可完成对训练样本x的类别判断。
[0093]
步骤4：根据扰动反馈信号的振荡条件和对应的svm分类器逐级分类，当满足振荡条件时，输出最终的分类结果，将最终分类结果和二分类结果对比得到振荡风险预测结果。
[0094]
如图3所示，本实施例采用了4个svm进行4级分类训练与识别。
[0095]
首先采用一级svm分类器进行第一级分类训练，当扰动反馈信号瞬时采样功率与采样窗口内平均功率之差满足第一振荡条件，即输出为1，否则输出-1；输出为1的样本进一步输入到二级svm分类器，用以进一步训练扰动反馈信号最大功率与最小功率之间的关系是否满足第二振荡条件，满足则输出1，不满足则输出-1；输出为1的样本继续输入到三级svm分类器，用以训练扰动反馈信号频率是否满足第三振荡条件，满足则输出1，不满足则输出-1；
[0096]
最后将满是以上三级svm的样本进一步输入到四级svm分类器，判断振荡次数是否满足第四振荡条件，若满足则输出1，不满足则输出-1，经过四级svm训练，即可得到次同步振荡预测模型。
[0097]
上述方案的技术优点在于：
[0098]
(1)通过判断次同步振荡是否发生的svm算法，其最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，避免了“维数灾难”，可以充分利用关键样本，剔除大量冗余样本，该方法不但算法简单，而且对非必要样本或异常样本的敏感性较低，具有较好的“鲁棒”性，从而可以降低rt-lab硬件在环测试维度，简化所需扰动反馈信号的获取流程，降低测试样本的数量，对于提高测试效率具有重要意义；
[0099]
(2)将振荡反馈信号通过四级svm细分为功率、幅值、频率、振荡次数四个方面来判断是否发生次同步振荡，可以有效避免因电网负荷波动、功率转带、故障导致的潮流重新分布等原因产生对振荡信号的误判，可以更加准确地区分出次同步振荡信号与非次同步振荡信号或伪次同步振荡信号，使得用于判断控制器是否会引发次同步振荡的扰动反馈信号的分类更加可靠。
[0100]
实施例二
[0101]
本实施例提供基于硬件在环和svm的风机控制器振荡风险预测系统，包括：
[0102]
信号获取模块，用于获取风机控制器扰动反馈信号；
[0103]
振荡风险预测模块，用于基于扰动反馈信号和四级支持向量机进行次同步振荡风险预测，得到振荡风险预测结果；其中，所述四级支持向量机的构建过程包括：
[0104]
基于最小代价函数构建最优超平面，引入松弛变量，根据松弛变量和阈值分析信
号数据点和最优超平面的关系，根据该关系得到二分类结果；
[0105]
根据扰动反馈信号的振荡条件和对应的svm分类器逐级分类，当满足振荡条件时，输出最终的分类结果，将最终分类结果和二分类结果对比得到振荡风险预测结果。
[0106]
实施例三
[0107]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于硬件在环和svm的风机控制器振荡风险预测方法中的步骤。
[0108]
实施例四
[0109]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于硬件在环和svm的风机控制器振荡风险预测方法中的步骤。
[0110]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0111]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0112]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0113]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0114]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0115]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。