[发明专利]一种双馈风力发电机的量子深度强化学习控制方法

说明书

本发明提供一种双馈风力发电机的量子深度强化学习控制方法，该方法能解决电网故障切除后以及在电网电压不对称骤升时的双馈风力发电机定子磁链变化的控制问题。所提方法为贝叶斯量子反馈控制、深度学习和强化学习结合的控制方法。贝叶斯量子反馈控制过程分为状态估计和反馈控制两步，且反馈的输入为历史测量和当前测量记录。贝叶斯量子反馈能有效控制固态量子比特中的消相干。深度学习部分采用卷积神经网络模型和反向传播方法。强化学习部分利用基于马尔科夫决策过程的Q学习作为所提方法整体的控制框架。本发明所提方法能有效提升双馈风力发电机的控制稳定性，提高风能利用效率。

技术领域

本发明属于电力系统新能源风力发电调度与控制领域，涉及一种量子反馈法与人工智能算法相结合的新型控制方法，适用于电力系统双馈风力发电机的控制。

背景技术

随着电力系统新能源发电的不断应用，风力发电在电力系统的运用也变得广泛。双馈风力发电机作为风力发电的主要工作装置，在电力系统发电系统中发挥出了强大作用。但在实际生产应用中，依然存在一些问题，如果这些问题不及时得以解决，将会严重影响到发电机的正常工作。现有研究大多集中于电网故障发生伊始至切除期间的双馈风力发电机的电磁暂态分析，而往往忽视电网故障切除后其定子磁链的变化。

传统的双馈风力发电机控制方法大多仅采用了深度学习的方式进行机器学习，能够使发电机通过提供的数据进行自主学习，针对各种运行状态做出智能动作，能满足一般的工程实际问题，但是在只能提供有限数据量的应用场景下，仅靠深度学习不能够对数据的规律进行无偏差的估计。为了达到很好的精度，需要大数据支撑。同时由于深度学习中图模型的复杂化导致算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧和更多更好的硬件支持。

为了控制电网故障后双馈风力发电机定子磁链变化和整体运行状态，防止产生故障后发电机失步等问题，本发明提出了一种双馈风力发电机的量子深度强化学习控制方法。目前有关深度、强化学习的人工智能算法在电力系统发电中逐步崭露头角，特别是深度学习中的卷积、循环人工神经网络模型的反向传播算法、强化学习中的Q学习都备受研究者关注，而量子反馈控制又是现代发电技术中较为前沿的部分，三者相互配合，应用到电力系统风力发电问题中，稳定故障后定子磁链变化。

发明内容

本发明提出一种双馈风力发电机的量子深度强化学习控制方法。该方法与传统发电调度与控制框架不同，量子深度强化学习控制方法同时考虑了深度学习、强化学习、贝叶斯量子反馈控制三者。基于贝叶斯量子反馈对双馈风力发电机的历史测量和当前测量记录进行实时估计，系统经过卷积神经网络的反向传播算法进行深度学习，最后通过Q学习对整个学习后的控制决策进行最佳优化，以故障后定子磁链变化量作为输入，以双馈风力发电机的控制指令作为输出，无需其他的调度指令。

一种双馈风力发电机的量子深度强化学习控制方法，采用的卷积神经网络优点在于，其无需进行数据的预处理，可以直接将数据从输入层进行输入，再利用有监督的学习对整个网络进行训练。网络中的神经元的数据类型均为布尔型。

深度学习使用的反向传播算法具体过程如下：首先，将单个样本进行前向计算，从而得出每一层网络的节点输出。之后计算一层中每个节点的误差，而对于输出输出层的节点，可以通过计算训练样本的实际值和最终输出值的差为依据，对于隐含层来说，可以利用下一层的节点误差来计算，反向传播的目的是最终使得误差减小到可以接受的程度，具体细节如下：

对于输出层，有：

o_k＝f(net_k) k＝1,2,…,L (1)

对于隐含层，有：

y_j＝f(net_j) j＝1,2,…,M (3)

上面两式的转移函数f(x)都是单极性Sigmoid函数：