一种基于物理信息的深度学习风力发电机阻抗建模方法

《Energies》：A Physics-Informed Deep Learning Method for Wind Turbine Impedance Modeling

　　

准确的风力发电机（WT）阻抗建模对于评估高可再生能源渗透率电力系统的小信号稳定性至关重要。现有方法面临着根本性权衡：基于物理的“白箱”模型需要制造商专有参数，而这些参数极少公开；而纯数据驱动的“黑箱”模型则往往缺乏物理可解释性，并在未见运行工况下泛化能力较差。为弥补这一缺陷，本文提出一种灰箱框架——物理信息混合模型（PIHM），该模型以新颖的并联架构将简化物理阻抗支路与双向长短期记忆网络（Bi?LSTM）相结合。物理支路通过带约束的相位误差最小化方法进行系统参数化，捕获主导基线动态并解耦学习任务，使Bi?LSTM能够专注于复杂的非线性残差。该框架在一个双馈感应发电机（DFIG）风电场的高保真仿真平台上进行了验证。定量结果表明，PIHM在未见测试数据上的平均决定系数（R²）达到0.989，均方误差（MSE）为，同时产生平滑、物理一致的阻抗曲线，能够在四种不同风速条件下泛化。这些结果确立了PIHM作为一种可靠、无需参数的工具，可用于现代风电系统的阻抗稳定性分析。

论文《物理信息深度学习在风力发电机阻抗建模中的应用》发表在《Energies》期刊上，研究人员针对当前风电并网稳定性分析中阻抗建模面临的关键瓶颈，提出了将物理知识与深度学习有机融合的混合建模框架。以下将从研究背景、关键方法、研究结果及结论等方面对该工作进行系统解读。

一、研究背景与现存问题
随着风电大规模并网，现代风力发电机通过电力电子变流器与电网接口，其快速多环控制动态完全改变了系统的动态行为，引发次同步振荡等新型稳定性问题，严重时可能导致设备损坏甚至大面积停电。基于奈奎斯特判据的阻抗稳定性分析法已成为评估此类变流器驱动稳定性的主流方法，其成功实施高度依赖准确、宽频带的风力发电机阻抗模型。
然而，现有阻抗建模方法面临难以两全的困境。“白箱”方法基于详细物理机理推导，可解释性强，但需要精确已知控制参数、滤波器设计等制造商专有信息，实际中几乎无法获取；而纯数据驱动的“黑箱”模型虽然可仅从端口测量数据辨识系统特性，却缺乏物理可解释性，且泛化能力差，在训练数据未覆盖的运行工况下性能急剧下降。为打破这一僵局，灰箱或物理信息建模思路应运而生，旨在将先验物理知识作为约束或引导融入机器学习过程，但现有混合方法在最优并行架构设计、物理部分系统参数化以及学习任务结构分解等方面仍留有重要空白。

二、研究内容与意义
研究人员提出了一种新颖的灰箱框架——物理信息混合模型（PIHM）。该模型采用并联结构，将简化物理阻抗支路与双向长短期记忆网络（Bi?LSTM）并行耦合，通过解耦残差学习策略，使物理分支捕获占主导的基线动态，Bi?LSTM则专攻复杂的非线性残差。无需任何制造商参数，仅用端口测量数据即可实现高精度、物理一致且可泛化的阻抗建模。在双馈感应发电机（DFIG）风电场的高保真仿真平台上，PIHM取得了测试集平均R²为0.989、均方误差极低的结果，并在四种不同风速工况下展现了良好泛化能力，为现代风电系统的阻抗稳定性分析提供了可靠且无需参数的灰箱设计范式。

三、关键方法概述
研究所用关键方法包括：①基于CloudPSS电磁暂态仿真平台，构建了由三台2 MW双馈感应发电机聚合等效并网的系统模型，通过扫频注入3%额定电压的小信号扰动（10?Hz~1000?Hz），生成涵盖低、中、高及非均匀四种风速工况的训练与测试数据集；②设计并联型灰箱架构，物理支路采用串联RL阻抗与并联RC导纳构成的线性时不变电路，以双线性变换离散化为无限冲激响应（IIR）滤波器，并通过带幅值约束的相位误差最小化网格搜索辨识其最优参数；③构建以两层堆叠Bi?LSTM为核心、搭配时间分布多层感知器输出头的深度网络，专门学习物理支路无法捕捉的非线性残差动态；④采用内部节点电压迭代求解算法实现两支路闭环耦合，并利用Adam优化器结合余弦退火重启学习率调度进行端到端训练。

四、研究结果
（1）仿真平台与数据集生成
研究人员利用CloudPSS平台建立了并网风电场等效电路模型，通过扫频注入小信号扰动产生高采样率数据集，涵盖均匀低速（5.5~6?m/s）、中速（8~10.7?m/s）、高速（10.8~13.8?m/s）及非均匀四种风速场景。数据集按70%、10%、20%划分为训练、验证和测试集，保证无重叠。
（2）模型精度与性能评估
在中速标准工况下，PIHM的时间域电流预测平均MSE为极低水平，三个相位的决定系数R²均超过0.98，预示波形与真实值几乎完全吻合。在频域，各相阻抗曲线高度一致，平均阻抗曲线清晰复现了系统的主导谐振和反谐振特征，相频特性在关键动态转折处保持良好一致，证明模型具备为次同步振荡风险评估提供可靠宽频阻抗信息的能力。
（3）消融研究：物理信息架构的价值
将PIHM与纯Bi?LSTM黑箱模型在中速工况下进行对比，二者时间域波形精度相当，但PIHM在频域给出了更低的幅值与相位平均绝对误差。纯数据驱动模型倾向于追逐由开关动态引起的高频波动，导致阻抗估计不稳定且物理一致性差，而PIHM凭借物理支路的结构化基线作用，使神经网络聚焦残差学习，从而抑制了无物理意义的高频伪影，获得了更平滑、更一致的阻抗曲线，凸显了物理分支作为正则器的作用。
（4）不同风速条件下的鲁棒性与泛化能力
在单一训练模型基础上，研究人员对均匀低速（6?m/s）、中速（8?m/s）、高速（12?m/s）及非均匀四种未见风速条件下进行测试。结果表明，PIHM在所有场景下均保持稳定，输出平滑且物理合理的阻抗曲线，并正确体现了“风速增大、有功功率增加导致阻抗幅值降低”的物理趋势。即使在非均匀工况下，模型仍能提供与真值一致的平均阻抗轮廓，证实了系统化参数辨识方法提供的物理“锚点”使模型具备跨工况可预测的适应能力。

五、讨论与总结
讨论部分指出，研究结果有力支撑了论文的核心创新点。混合框架的优越性通过消融实验得到证实，物理支路作为正则器有效避免了从数据中学习到虚假阻抗动态；解耦学习策略通过将线性基线交由物理模型处理，使Bi?LSTM专注于非线性残差，从而加速收敛并提升模型稳定性；而基于相位误差最小化的参数辨识方法赋予了模型稳定物理锚点，使其在多种未见风速下均能可靠泛化。论文同时客观指出了局限性：目前验证仅限于DFIG仿真模型和风速变化，尚未覆盖不同电网强度（短路比）或故障工况，也缺乏基于SCADA或PMU的现场实测数据校验；此外，单模型在部分频段的阻抗曲线与真值仍有偏差，表明从时域训练模型到频域阻抗的全频带泛化仍是一个开放挑战，未来可将频域损失项融入训练目标。总体而言，PIHM成功融合了物理建模的可解释性与深度学习的强大拟合能力，为无参数风电阻抗建模提供了可靠基线。
结论部分翻译如下：本文解决了在缺乏制造商专有参数情况下风力发电机阻抗建模这一对现代风电系统阻抗稳定性分析具有实际重要性的难题。提出并验证了物理信息混合模型（PIHM），该模型在并联型灰箱架构中组合了简化物理阻抗支路与Bi?LSTM网络。研究的关键发现为：第一，并联混合架构将主导线性动态分配给物理支路、非线性残差分配给Bi?LSTM，获得了高保真电流预测器，其在保留测试集上的平均R²和MSE分别为0.989和极低值，并对应平滑且物理一致的频域阻抗轮廓；第二，消融研究证实物理信息结构通过抑制阻抗估计中无物理的高频成分而优于纯数据驱动Bi?LSTM；第三，单一训练PIHM成功泛化到四种不同风速条件，体现了物理支路的稳定作用。尽管取得这些结果，若干局限性推动未来工作，包括拓展到永磁同步发电机（PMSG）验证、增加不同电网强度和故障工况测试、采用现场数据验证、开发在线参数自适应机制以及扩展到多风机和多风电场耦合建模等。所提PIHM为基于阻抗的稳定性研究提供了可靠、无参数基线，并建立了一种可推广至其他变流器接口发电技术的灰箱设计原则。