[发明专利]同步发电机输出电流的预测方法、装置、设备和存储介质

权利要求书

1.一种同步发电机输出电流的预测方法，其特征在于，所述方法包括：

获取同步发电机当前的工作状态数据，所述工作状态数据包括d轴电压、q轴电压、励磁电压和输入所述同步发电机的机械功率；

将所述工作状态数据输入预设混合驱动模型，所述预设混合驱动模型包括级联的同步发电机物理模型和神经网络模型；

通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流；

通过所述神经网络模型对所述初始预测d轴电流和所述初始预测q轴电流进行修正处理，获得所述同步发电机的预测d轴电流和预测q轴电流；

其中，所述同步发电机物理模型包括转子运动方程组和同步发电机绕组磁链微分方程组，其中，转子运动方程组如下：

其中，δ为发电机功角，ω表示电机转速，ω_s为电力系统同步转速，T_j为发电机的惯性常数，P_e表征发电机组的电磁功率，P_m代表发电机组的机械功率，t表示时间；

同步发电机绕组磁链微分方程组如下：

其中，表征同步发电机各绕组的开路暂态时间常数，征各绕组的开路次暂态时间常数，为暂态电动势，为次暂态电动势，表示同步发电机机端励磁电压，I代表同步发电机定子电流，与分别为同步电机暂态与次暂态下的电抗，表示与饱和相关的电机漏抗，表示d轴同步发电机的磁链饱和程度，表示q轴同步发电机的磁链饱和程度。

2.根据权利要求1所述的方法，其特征在于，所述通过所述同步发电机物理模型对所述工作状态数据进行处理，以得到初始预测d轴电流和初始预测q轴电流，包括：

将所述d轴电压、所述q轴电压、所述励磁电压和所述机械功率对应输入所述同步发电机物理模型中的转子运行方程组和发电机绕组磁链微分方程组；

对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。

3.根据权利要求2所述的方法，其特征在于，所述对所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流，包括：

对所述转子运行方程组和所述发电机绕组磁链微分方程组进行离散化处理；

对离散化后的所述转子运行方程组和所述发电机绕组磁链微分方程组进行求解，获得所述初始预测d轴电流和所述初始预测q轴电流。

4.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括级联的第一长短记忆网络模型、第一全连接层、Dropout层和第二全连接层。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述将所述工作状态数据输入预设混合驱动模型之前，所述方法还包括：

获取训练样本集以及初始混合驱动模型，所述初始混合驱动模型包括级联的初始同步发电机物理模型和初始神经网络模型；

基于所述训练样本集对所述初始混合驱动模型进行第一阶段模型训练和第二阶段模型训练，以得到所述预设混合驱动模型；

其中，所述第一阶段模型训练包括：固定所述初始同步发电机物理模型的参数不变，利用所述训练样本集训练所述初始神经网络模型，直至所述初始神经网络模型的误差小于第一阈值为止，以得到候选神经网络模型；

所述第二阶段模型训练过程包括：利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，直至所述初始混合驱动模型的误差小于第二阈值，其中，所述第二阈值小于所述第一阈值。

6.根据权利要求5所述的方法，其特征在于，所述利用所述训练样本集共同训练所述初始同步发电机物理模型和所述候选神经网络模型，包括：

利用所述训练样本集，以第一学习率训练所述初始同步发电机物理模型，并以第二学习率训练所述候选神经网络模型。

7.根据权利要求5所述的方法，其特征在于，所述获取训练样本集，包括：

以预设频率采集所述发电机在受到扰动时的工作数据，作为所述训练样本。