变速抽水蓄能机组无撬棒故障穿越控制方法及装置

本发明涉及电机故障穿越，具体是变速抽水蓄能机组无撬棒故障穿越控制方法及装置。

背景技术：

1、在电力系统中，变速抽水蓄能机组是一种重要的资源，用于平衡电力网络的供需关系和维持稳定运行。然而，当电力系统发生故障，例如电网短路等情况，需要电机机组能够快速响应并提供所需的电流来稳定电网。通常情况下，电机机组可以通过调节励磁电流来实现这一目标，但在某些情况下，如机组无法使用撬棒来进行励磁电流的调节时，可能会遇到困难。

2、无撬棒的情况下，机组可能无法满足电网故障时所需的电流要求，这可能会导致电网不稳定或甚至发生停电等问题。因此，需要采取其他高级控制策略，以调节机组的励磁电流或采用其他方法来应对电网故障，确保电力系统的稳定性和可靠性。这种情况下的挑战在于，需要准确地控制机组的输出，以适应电网故障的需要，同时避免对电网产生不必要的干扰。因此，寻找有效的控制策略对于维护电力系统的稳定性至关重要。而目前尚缺乏准确的调节励磁电流以增大电网穿越故障概率的方法；

3、申请公开号为cn116436043a的中国专利公开了一种多台变流器不对称故障穿越控制方法，变流器的峰值电流限制在变流器的额定电流内，同时有功功率振荡为零或是总输出有功功率不振荡；其中变流器的峰值电流限制在变流器的额定电流内，当出现电网电压跌落或者不平衡时，变流器产生正序电流的控制参数应当趋于无穷大或变流器产生负序电流的控制参数应当趋于零，但该方法仅考虑了对变流器的控制，未能进一步的参考对电机中的励磁电流的控制方法；

4、为此，本发明提出变速抽水蓄能机组无撬棒故障穿越控制方法及装置。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出变速抽水蓄能机组无撬棒故障穿越控制方法及装置，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。

2、为实现上述目的，根据本发明的实施例1提出变速抽水蓄能机组无撬棒故障穿越控制方法，包括以下步骤：

3、收集励磁电流参数历史数据；

4、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；

5、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为输入，以电网电流标签历史数据和励磁电流参数历史数据为输出，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；

6、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；

7、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；

8、所述收集励磁电流参数历史数据的方式为：

9、通过变速抽水蓄能机组中内置的，与励磁回路相连接的电流传感器，收集测试变速抽水蓄能机组在过去运转过程中，每一单位时间产生的历史励磁电流，并将历史励磁电流按收集的时间顺序排序，获得历史励磁电流序列；所述励磁电流参数历史数据包括历史励磁电流序列；

10、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：

11、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；

12、收集每一单位时间的电网中的电压信息、电网状态信息、电机参数以及电网负载；

13、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；

14、将每一单位时间的电压信息、电网状态信息、电机参数以及电网负载组成一组电流跟踪特征集合；

15、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；

16、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；

17、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：

18、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；

19、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：

20、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；

21、将电网中每一单位时间的电压信息、电网状态信息、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；

22、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；

23、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；

24、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；

25、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：

26、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；

27、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：

28、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；

29、将电流差值作为电流跟踪效果历史数据；

30、将容量差值作为电流容量差值历史数据；

31、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；

32、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：

33、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；

34、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：

35、收集待控制电网的实时的电压信息、电网状态信息、电机参数以及电网负载作为电流跟踪特征数据；

36、收集待控制电网的实时的电压信息、电网状态信息、电机参数以及变流器实时容量作为电网电流特征数据；

37、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：

38、初始化actor网络和critic网络的参数；

39、在判断为待控制电网出现故障时，执行以下步骤：

40、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；

41、步骤12：actor网络输出选择的励磁电流值；

42、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；

43、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；

44、所述奖励值q的计算公式为：

45、设置励磁电流变量x；

46、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f(x)；

47、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g(x)；

48、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c(f,g)；

49、则奖励值q的计算公式为q=c(f(x),g(x))；

50、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；

51、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。

52、根据本发明的实施例2提出变速抽水蓄能机组无撬棒故障穿越控制装置，包括训练数据收集模块、模型训练模块以及故障穿越控制模块；其中，各个模块之间通过电性连接；

53、其中，所述训练数据收集模块主要用于收集励磁电流参数历史数据、电流跟踪特征历史数据、跟踪效果标签历史数据、电网电流特征历史数据电网电流标签历史数据、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，并将励磁电流参数历史数据、电流跟踪特征历史数据、跟踪效果标签历史数据、电网电流特征历史数据电网电流标签历史数据、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发送至模型训练模块；

54、其中，所述模型训练模块主要用于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，以电流跟踪效果历史数据为输出，训练评估电流跟踪效果的电流跟踪预测模型；以电网电流标签历史数据和励磁电流参数历史数据为输出，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；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，并将电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型发送至故障穿越控制模块；

55、其中，所述故障穿越控制模块主要用于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。

56、根据本发明的实施例3提出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；

57、所述处理器通过调用所述存储器中存储的计算机程序，执行上述的变速抽水蓄能机组无撬棒故障穿越控制方法。

58、根据本发明的实施例4提出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；

59、当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的变速抽水蓄能机组无撬棒故障穿越控制方法。

60、与现有技术相比，本发明的有益效果是：

61、本发明通过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，以电流跟踪效果历史数据为输出，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为输入，以电网电流标签历史数据和励磁电流参数历史数据为输出，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；以在电网出现故障时，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。