基于IEC 61400-27标准的风力涡轮机模型参数预测的机器学习与深度学习方法 哈维尔·希门尼斯-鲁伊斯、 安德烈斯·奥恩鲁比亚-埃斯克里巴诺以及 埃米利奥·戈麦斯-拉萨罗

《Electronics》：Machine and Deep Learning Approaches for Wind Turbine Model Parameter Prediction Within the Framework of IEC 61400-27 Standard Javier Jiménez-Ruiz, Andrés Honrubia-Escribano and Emilio Gómez-Lázaro

　　

摘要

随着可再生能源在电力系统中的应用日益广泛，对在瞬态条件下准确建模发电单元的需求也愈发迫切。尽管IEC 61400-27标准中的通用风力涡轮机模型已被广泛采用，但其参数设定仍是一个重大挑战。传统的基于优化的方法耗时较长，且在高维非凸参数空间中容易陷入局部最小值，同时还需要大量的专业知识。为解决这一问题，本文提出了一种基于机器学习和深度学习的方法，用于估算III型风力涡轮机的关键机械参数。通过DIgSILENT PowerFactory的Python应用程序接口，构建了一个包含10,000组有功功率响应的合成数据库，这些数据涵盖了多种电压下降情况以及不同的机械参数组合。本文对八种机器学习和深度学习算法进行了对比分析，并在合成数据集以及两种经过制造商验证的实际风力涡轮机模型上进行了验证。实验结果表明，所提出的方法能够快速准确地识别风力涡轮机的机械参数，即使在存在测量噪声的情况下也能保持稳定的估算性能，因此可应用于电力系统稳定性研究。