粒子群和强化学习结合的双馈式风机系统模型参数智能辨识方法

作     者：甄鸿越 赵利刚 周保荣 赵傲 向轩辰 刁瑞盛 

作者机构：南方电网科学研究院有限责任公司新型电力系统研究所 浙江大学伊利诺伊大学厄巴纳香槟校区联合学院 

出 版 物：《电力系统及其自动化学报》 (Proceedings of the CSU-EPSA)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 080801[工学-电机与电器] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金企业创新发展联合基金资助项目(U22B6007) 依托项目:中国南方电网公司科技项目(ZBKJXM20232419) 

主　　题：深度强化学习 双馈感应发电机 混合算法 参数辨识 粒子群优化 

摘      要：准确辨识风力发电厂模型关键参数对确保电网的安全、稳定和经济运行具有重要意义。本文提出一种基于粒子群优化(PSO)和最大熵强化学习(SAC)的混合算法，旨在提高双馈式感应风力发电机组模型参数辨识的精度和效率。首先，使用双向摄动法对模型参数进行有功-无功灵敏度分析，识别出高灵敏度参数集；其次，使用最大熵强化学习(SAC)算法训练智能体模型，对模型坏参数进行初步估计；最后，结合PSO算法进一步优化参数空间，以最小化模型有功-无功动态响应与录波数据的均方误差(MSE)。实验结果表明，本文所提出的SAC-PSO混合方法在参数辨识方面表现出更高的精度，MSE降低了87.84%，验证了SAC-PSO方法在提高DFIG参数辨识精度和鲁棒性方面的有效性。