.png){kind=icon}
.png){kind=icon}
返回
A Physics-Informed Deep Learning Method for Wind Turbine Impedance Modeling
.png){kind=icon}
OA
AI
DOI：10.3390/en19133103.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的风力涡轮机(WTs)阻抗建模对于评估高可再生能源渗透率电力系统的的小信号稳定性至关重要。现有方法面临一个根本性的权衡：基于物理的“白盒”模型需要专有制造商参数，而这些参数很少公开；而纯粹数据驱动的“黑盒”模型通常缺乏物理可解释性，且在未见操作条件下泛化能力差。为解决这一差距，本文提出了一种灰盒框架——物理信息混合模型(PIHM)，该框架在一个新颖的并行架构中整合了简化的物理阻抗分支和双向长短时记忆(Bi-LSTM)网络。物理分支通过受约束的相位误差最小化方法进行系统参数化，捕获主导的基线动态并解耦学习任务，使Bi-LSTM能够专门关注复杂的非线性残差。该框架在一个双馈感应发电机(DFIG)风电场的离线仿真平台上进行了验证。定量结果表明，PIHM在未见测试数据上实现了0.989的平均决定系数(R²)和1.24×10⁻⁴的均方误差(MSE)，同时生成了平滑且物理一致的阻抗曲线，能够泛化到四种不同的风速条件。这些结果将PIHM确立为现代风力发电系统阻抗稳定性分析的一个可靠、无需参数的工具。
Keyword:
wind farm
wind turbine
impedance modeling
physics-informed neural network
LSTM
gray-box model