买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉三峡大学申请的专利一种基于LSTM-IPSO的双馈风机控制参数辨识方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116227320B 。

龙图腾网通过国家知识产权局官网在2026-04-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211550049.5，技术领域涉及：G06F30/27；该发明授权一种基于LSTM-IPSO的双馈风机控制参数辨识方法是由徐恒山;李颜汝;李文昊;赵铭洋;朱士豪;王思维;程杉;潘鹏程;王灿;魏业文设计研发完成，并于2022-12-05向国家知识产权局提交的专利申请。

本一种基于LSTM-IPSO的双馈风机控制参数辨识方法在说明书摘要公布了：本发明公开一种基于LSTM‑IPSO的双馈风机控制参数辨识方法，包括如下步骤：利用RT‑LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，在Matlabsimulink平台搭建双馈风机真实控制器的同构辨识模型；增加输入特征集维度并去除无关特征，选择相关性较高的特征值作为该神经网络模型的输入特征集；输入特征集和对应控制参数集组成控制参数‑输入特征集；使用LSTM神经网络对控制参数‑输入特征集进行训练预测，得到预测初始值和寻优范围；利用IPSO算法作为精确辨识的二次寻优方法，达到精确寻优的目的；判断辨识模型的可靠性；本发明解决了低电压穿越工况下传统辨识方法难以高精度辨识出双馈风机电磁模型控制参数的技术问题。

本发明授权一种基于LSTM-IPSO的双馈风机控制参数辨识方法在权利要求书中公布了：1.一种基于LSTM-IPSO的双馈风机控制参数辨识方法，其特征在于：它包括如下步骤： 步骤一、利用RT-LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，在Matlabsimulink平台搭建双馈风机真实控制器的同构辨识模型； 步骤二、增加输入特征集维度并去除无关特征，选择相关性较高的特征值作为神经网络模型的输入特征集；输入特征集和对应控制参数集组成控制参数-输入特征集； 步骤三、使用LSTM神经网络对控制参数-输入特征集进行训练预测，得到预测初始值和寻优范围； 步骤四、基于步骤四所得预测初始值和寻优范围，利用IPSO算法作为精确辨识的二次寻优方法，达到精确寻优的目的； 步骤五、对辨识得到的辨识模型与硬件在环实验数据进行对比验证，判断辨识模型的可靠性； 步骤一中所述利用RT-LAB半实物仿真平台获得来源于真实控制器的双馈风机硬件在环实验数据，包括直流母线电压udc、输出电流的dq分量idg和iqg，其中d轴参考电流idg由直流电压控制得到，而q轴参考电流iqg设置为零，并在Matlabsimulink平台搭建双馈风机真实控制器的同构辨识模型； 所述双馈风机包括风力机、齿轮箱、感应异步发电机、背靠背变流器及其控制器； 在Matlabsimulink平台搭建双馈风机真实控制器的同构辨识模型涉及的控制方程如下： 根据能量守恒定律，可得直流电容C的KCL方程为： 1； 式中，Pr为机侧变流器输出到C的有功功率，Prc为网侧变流器注入到电网的有功功率； 滤波电抗的动态模型为： 2； 式中，ucd、ucq与usd、usq分别表示网侧变流器和机侧变流器出口处电压在d轴和q轴上的分量，Xr为滤波电抗值； 网侧控制器控制方程写为： 3； 式中，udcref为直流电压的参考值，idgref和iqgref分别为网侧d轴和q轴电流的实际值，Kp1为电压外环PI控制器比例系数、Kp2为q轴电流内环比例系数，Kp3为q轴电流控制内环比例系数，设PI控制器积分环节输出的中间变量分别为x1、x2和x3，则控制器的动态方程为： 4； 式中，Ki1为电压外环PI控制器积分系数、Ki2为q轴电流内环积分系数，Ki3为q轴电流控制内环积分系数，iqgref一般为0，但在故障工况下，iqgref由低穿控制模块直接给定为： 5； 6； 式中，为无功电流支撑系数，为风机并网点额定电压，为GSC额定电流；当低电压穿越发生时，网侧变流器会发出一定的无功功率，无功电流的数值可根据式5得到，此时，q轴电流内环切换到低穿控制模式，q轴参考值由低穿控制模块给定； 所述步骤二具体包括以下步骤： 步骤A1、采集同构辨识模型控制参数-输入特征集，其中输入特征值为与风机网侧控制器有关的参数：dcdgqg及其与硬件在环测试数据的误差值，控制参数集为与输入特征值相对应网侧变流器的控制参数数据集； 步骤A2、剔除异常数据点的样本数据，避免影响辨识准确度； 步骤A3、依据《风电机组电气仿真模型建模导则》，将仿真时间划分为5个区间：稳态区间①和⑤，低电压穿越区间②、③和④，并将输入特征值中的dgqg也通过此方式分区间取值作为特征集，其中dc通过分区间取值得到特征值dg通过分区间取值得到特征值dadbdcddqeqg通过分区间取值得到特征值qaqbqcqdqe 步骤A4、采用最大信息系数MaximalInformationCoefficient，MIC对输入控制参数-输出特征变量进行关联程度分析，首先对控制参数K与特征变量T构成的散点图进行a列b行网格化，求出最大的互信息值，再对最大互信息值进行归一化，最后选择不同尺度下最大互信息值作为MIC值； 其中互信息是一个随机变量中包含的关于另一个随机变量的信息量，K与T的互信息IK,T定义为： 7； 式中，K为变量k的样本和，T为变量t的样本和，Pk,t为变量k和t之间的联合概率，Pk和Pt分别为k和t的边缘概率； 8； 式中，n为样本数； 由式8所得MIC值范围在0~1之间，MIC值越大，表明两个变量间的关联程度越高，得到输出信号的MIC值后，选取关键输出信号指标作为LSTM神经网络的输入特征； 步骤A5、对数据集进行归一化处理，无量纲化数据后，可加快梯度下降求最优解的速度； 所述步骤四中，PSO算法速度与位置更新公式如下： 10； 11； 式中，V表示粒子更新速度，x表示粒子，u表示当前时刻，u+1表示下次更新时刻，c1、c2为学习因子，r1、r2为0~1之间的随机值，pbest为个体最优值，gbest为全局最优值，ω为自适应惯性权重； PSO根据每个粒子实际位置的输出值与最优位置输出值的均方差值作为算法的目标函数，得到每个粒子在当前迭代次数时的适应度值，目标函数表示为： 12； 式中，Ui,error、Idi,error和Iqi,error为udc、idg和iqg的误差，Ui、Idi和Iqi为udc、idg和iqg的实测数据值，Uti、Idti和Iqti为udc、idg和iqg辨识结果得到的输出响应值； 步骤C1、改进目标函数：根据自适应权重法，在对多目标输出值进行目标函数构建时，根据各输出值的MIC值及实际值大小，非线性的动态调整权值分配，使多输出值的目标函数对关联程度高或实际值小的输出值进行自适应调整，改进公式如下: 13； 式中，kU、kID和kIQ为Ui、Idi和Iqi自适应加权系数； 其中kU如式14所示，其余各输出值的自适应加权系数按式14： 14； 其中micU为udc各区间MIC值之和，在迭代过程中，每个粒子都使用算法更新pbest和gbest，然后计算每个样本的目标函数FI，保存最优值和对应参数值； 步骤C2、改进惯性权重ω：采用惯性权重非线性递减方式，使得ω随粒子迭代次数而自适应调整，保证粒子前期的全局搜索能力的同时，同时提高后期局部寻优的能力，改进如公式15： 15； 式中，ωmin和ωmax为ω最小值和最大值，e和G为当前和总迭代次数； 步骤C3、改进学习因子c1，c2：粒子速度更新公式中的学习因子c1和c2反映了粒子个体最优和种群最优的寻优能力，合适的学习因子能提高辨识精度、缩短收敛时间和减小陷入局部最优的概率，学习因子在寻优过程中随迭代次数的增加而非线性减小，改进公式16： 16。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。