基于貝葉斯神經(jīng)網(wǎng)絡的風電機組參數(shù)辨識

劉俊磊 劉思捷 錢峰 劉結(jié)

摘? 要：風速、機組故障等環(huán)境的隨機性，造成風電機組參數(shù)辨識的不確定性，給機組參數(shù)帶來困難。為此，文章將貝葉斯理論與神經(jīng)網(wǎng)絡模型進行結(jié)合，采用了基于貝葉斯神經(jīng)網(wǎng)絡的風電機組辨識策略。與傳統(tǒng)最小二乘法辨識策略結(jié)果對比表示，該方法具有全局誤差容易收斂，訓練迭代步數(shù)少等優(yōu)點。

關鍵詞：不確定性;參數(shù)辨識;風電機組;貝葉斯;神經(jīng)網(wǎng)絡;新能源

Abstract： The randomness of wind speed， unit failure and other environment results in the uncertainty of wind turbine parameter identification， which brings difficulties to the parameters of wind turbine. For this reason， this paper combines Bayesian theory with neural network model， and adopts the wind turbine identification strategy based on Bayesian neural network. Compared with the traditional least square identification strategy， the results show that this method has the advantages of easy convergence of global error and less training iterative steps.

引言

隨著風電等新能源接入電力系統(tǒng)中存在的不確定性愈發(fā)明顯。不確定性的存在，使得系統(tǒng)模型難以用固定參數(shù)精確建模。忽略這些模型誤差無法得到與實際電網(wǎng)相符的計算結(jié)果，無法準確判斷電力系統(tǒng)的穩(wěn)定狀況。

如何有效處理龐雜的不確定性從而獲得規(guī)律性認知是我們所面臨的一大難題。“不確定性”是指我們對事物“不能完全確信”的狀態(tài)，一般包括固有不確定性和認知不確定性。前者源于事物固有的隨機性，后者源于人們所掌握知識和信息的局限性[1]。其中，認知不確定性作為一種特定的不確定性， 在電力系統(tǒng)各個領域已引起足夠重視[2]。文獻[3]基于配網(wǎng)中的不確定性，研究了不確定性對分布式電源規(guī)劃的影響。文獻[4]則針對電網(wǎng)中故障的不確定性進行了分析。描述解決不確定性隨機問題，最基本的方法是利用貝葉斯定理來推理隨機事件的條件概率[5]。

傳統(tǒng)的模型參數(shù)辨識方法主要有最小二乘法、梯度下降法和神經(jīng)網(wǎng)絡法。其中前兩種辨識方法主要用于線性模型參數(shù)辨識，而神經(jīng)網(wǎng)絡方法主要用于非線性模型參數(shù)的辨識[6，7，8]。風電機組模型為非線性模型，因此對于確定的參數(shù)可以用神經(jīng)網(wǎng)絡模型來進行辨識。但由于風電并網(wǎng)運行中風速等外部條件的不確定性，風電機組部分參數(shù)需要會不斷變化，傳統(tǒng)的確定性參數(shù)辨識方法無法應對這種隨機性變化。通過分析現(xiàn)有文獻發(fā)現(xiàn)，在風電機組模型參數(shù)估計中，鮮有不確定性的考慮，本文針對風電機運行的不確定性，采用了貝葉斯方法與神經(jīng)網(wǎng)絡辨識策略相結(jié)合的貝葉斯神經(jīng)網(wǎng)絡的參數(shù)辨識策略。

1 貝葉斯神經(jīng)網(wǎng)絡原理

貝葉斯神經(jīng)網(wǎng)絡將不確定性引入神經(jīng)網(wǎng)絡，將神經(jīng)網(wǎng)絡看成條件模型p，該條件模型通過參數(shù)或者權重？茲進行參數(shù)化的，并且在給定輸入x時，需要得到對應的輸出y。

在貝葉斯神經(jīng)網(wǎng)絡中：首先使用近似分布q去逼近真實的分布p，其中q的具體形狀是有可以用被學習到的參數(shù)？茲來表示的;其次，從分布q中采取樣本數(shù)據(jù)，可得模型參數(shù)？茲*如式（4）所示。

2 貝葉斯神經(jīng)網(wǎng)絡結(jié)構模型

為了提高神經(jīng)網(wǎng)絡對已有數(shù)據(jù)的擬合能力和對未來數(shù)據(jù)的泛化能力。神經(jīng)網(wǎng)絡采用的BP網(wǎng)絡結(jié)構，根據(jù)整個神經(jīng)網(wǎng)絡的全局誤差進行訓練模型參數(shù)。全局誤差表達式如式（7）所示：

3 算例分析

為了檢驗本文所提方法的實際效果，以某時刻運行狀態(tài)下的雙饋風電機組（DFIG）控制器參數(shù)為例，進行辨識。為了利用全部2015-2018年三年全部數(shù)據(jù)進行訓練和測試，將全部數(shù)據(jù)按7：3的比例進行隨機抽取，70%的數(shù)據(jù)用于對貝葉斯神經(jīng)網(wǎng)絡參數(shù)的訓練，30%的數(shù)據(jù)用于對模型的測試。

3.1 基于貝葉斯神經(jīng)網(wǎng)絡的風電機組辨識

將需要辨識風電機組的全部參數(shù)分為：控制器參數(shù)、傳動部分參數(shù)、發(fā)電機參數(shù)三類。圖2顯示了某一運行狀態(tài)下部分參數(shù)辨識情況，曲線的橫坐標（k）表示模型的訓練步數(shù)，縱坐標表示參數(shù)隨訓練過程的進行參數(shù)辨識結(jié)果。觀察參數(shù)曲線可得到，b12（0）=1.05，b12（1）=0.701，b12（2）=-0.497。全部參數(shù)的辨識結(jié)果及與真值的對比情況如表1所示。

分析表1發(fā)現(xiàn)，風電機組三部分的參數(shù)辨識誤差絕對值最大值為10.9%，辨識結(jié)果比較滿意。

3.2 與最小二乘神經(jīng)網(wǎng)絡參數(shù)辨識效果的比較

為了觀察本文所提辨識方法的優(yōu)越性，將本文所述方法（定義為方法一）與傳統(tǒng)最小二乘參數(shù)辨識法（定義為方法二）進行辨識效果對比，對比結(jié)果如圖3所示。

分析圖3發(fā)現(xiàn)本文所提辨識方法的全局誤差值不但容易收斂，且達到穩(wěn)定值時所需的訓練步數(shù)較少，僅僅100次訓練后即可達到滿意的辨識效果;而如果采用傳統(tǒng)的最小二乘法進行辨識，全局辨識誤差容易振蕩。

4 結(jié)論

針對風電機組運行狀態(tài)不確定性帶來的參數(shù)辨識帶來的困難問題，提出了基于貝葉斯神經(jīng)網(wǎng)絡的風電機組參數(shù)辨識方法，辨識模型考慮了不確定性對風電機參數(shù)帶來的影響。

分析對比結(jié)果發(fā)現(xiàn)，本文所提出的基于貝葉斯神經(jīng)網(wǎng)絡的風電機組參數(shù)辨識方法與傳統(tǒng)的最小二乘辨識方法相比，本文所述方法具有全局誤差容易收斂，迭代步數(shù)少的優(yōu)點。從而貝葉斯神經(jīng)網(wǎng)絡模型對于處理不確定參數(shù)辨識問題具有一定的指導意義。

參考文獻：

[1]Tannert C，Elvers H，Jandrig B. The ethics of uncertainty. In the light of possible dangers，research becomes a moral duty[J]. Science and Society，2007，9（10）：892-896.

[2]胥新政，強毅，傅華棟.基于貝葉斯方法的不確定性信息處理研究進展綜述[J].能源工程，2018，1：20-24.

[3]張沈習，程浩忠，邢海軍.配電網(wǎng)中考慮不確定性的分布式電源規(guī)劃研究綜述[J].電力自動化設備，2016，36（8）：1-9.

[4]向洋洋，郝為，呂品，等.考慮不確定性因素在電網(wǎng)故障診斷中的研究綜述[J].電氣開關，2016，6（6）：1-3.

[5]董廣忠.基于貝葉斯方法的微電網(wǎng)系統(tǒng)狀態(tài)估計與優(yōu)化控制研究[D].合肥：中國科學技術大學，2018.

[6]朱澤翔.電力系統(tǒng)動態(tài)參數(shù)辨識與模型降階研究[D].杭州：浙江大學，2018.

[7]邱健，周孝信，于海承.配電網(wǎng)中考慮不確定性的分布式電源規(guī)劃研究綜述[J].中國電機工程學報，2018，36（14）：3699-3706.

[8]李鴻奎.基于量測數(shù)據(jù)的山東電網(wǎng)動態(tài)線路參數(shù)辨識研究[D].濟南：山東大學，2017.

[9]Radford M，Neal，Bayesian Learning for Neural Networks.[R/OL].https：//h5.m.taobao.com/cm/collocation.html？id=34993075&userI

d=2201514607572.

[10]李航.統(tǒng)計學習方法（第二版）[M].清華大學出版社，2019.

[11]陳慶鴻.基于貝葉斯神經(jīng)網(wǎng)絡的風電短期功率預報研究[J].廣東電力，2013，26（1）：19-22.