CN103544525A - 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法 - Google Patents

Abstract

本发明公开了一种基于改进粒子群优化算法的同步风力发电机参数辨识方法，以粒子群优化算法为基础，通过引入选择、交叉、变异三种遗传操作，改进了粒子群算法的全局搜索能力、局部搜索能力和收敛速度。本发明通过控制中心直接获取的测量数据，可以对同步风力发电机的参数实现在线辨识，改变了以往需要停机通过离线辨识风力发电机参数的方法，不影响同步风力发电机的正常运转。辨识所得参数更加符合同步风力发电机的实际运行工况，能更好的反映同步风力发电机的稳态、动态和暂态特性。

Description

一种基于改进粒子群优化算法的同步风力发电机参数辨识方法

技术领域

本发明涉及风力发电机参数辨识技术领域，具体的，涉及一种采用改进粒子群算法的同步风力发电机参数辨识方法。

背景技术

合理而精确的同步风力发电机模型能更好的反映同步风力发电机的稳态、动态和暂态特性，提高同步风力发电机的控制效果，研究大规模风电并网对电力系统的影响，必须要建立准确的风力发电机的数学模型和测量到准确的系统动态参数。目前用于发电机参数辨识的方法主要有以下几种：应用频域辨识法在待辨识的电机上施加具有一定频带宽度的扰动信号，根据传递函数与所要求取的电机参数之间的固有关系得到电机参数，缺点是施加的扰动信号会对机组的正常运行产生影响。应用时域辨识法对发电机进行解耦分析，将电机解耦为d轴和q轴，利用电机d轴和q轴等值电路推导得到电机的隐式微分方程，之后选取电机的电压、电流等信号作为输入量和输出量，建立合适的目标函数，采用动态拟合程序。通过电机参数变量的迭代搜索，对输出量进行拟合当目标函数值满足要求时，拟合寻优结束，此时的参数变量值便是参数辨识的结果。但它也有明显的局限性，该优化算法大多存在收敛性不好或计算速度慢等问题，导致同步风力发电机参数难以或无法辨识，进而使以参数为基础设立的同步风力发电机控制系统达不到良好控制效果，无法反映同步风力发电机的稳态、动态和暂态特性。

发明内容

针对上述问题本发明提出一种基于改进粒子群算法的同步风力发电机参数辨识方法，本方法将改进粒子群优化算法应用于同步风力发电机参数辨识中，建立同步风力发电机电气参数辨识模型和机械参数辨识模型，在粒子群优化算法的基础上，引入选择、交叉、变异三种遗传操作，通过改进种群的分割策略来提高粒子群算法摆脱局部极值的能力和提高搜索精度的能力，提高了参数辨识的精度，进而使以该参数为基础设立的同步风力发电机控制系统达到良好控制效果，准确反映同步风力发电机的稳态、动态和暂态特性。

  为实现上述目的，所采用的技术方案是：一种基于改进粒子群优化算法的同步风力发电机参数辨识方法， 

一种基于改进粒子群优化算法的同步风力发电机参数辨识方法，建立同步风力发电机五阶实用模型，利用改进粒子群优化算法优化其参数，实现参数的智能寻优，最终辨识出同步风力发电机的电气参数和机械参数。

其具体步骤如下：

建立同步风力发电机的五阶实用模型：该同步风力发电机五阶实用模型包括电气参数辨识模型和机械参数辨识模型，该五阶实用模型不计定子绕组的电磁暂态，只计阻尼绕组D,Q及励磁绕组                                                

的电磁暂态和转子的机械动态，不计g绕组而只计Q绕组而建立同步风力发电机五阶实用模型，确定电气参数和机械参数辨识模型的输入量、输出量和待辩识参数；该同步风力发电机五阶实用模型进行d、q轴电气参数解耦，实现d、q轴电气参数的分开辨识； 

同步风力发电机待辨识参数的优化：将同步风力发电机待辨识参数进行实值编码，将待辩识参数的可能出现的最大范围作为改进粒子群优化算法的求解空间得到初始种群，根据测量值和计算值之间误差的平方和建立合适目标函数，根据该目标函数编写计算适应度函数，通过该适应度函数计算每个个体的适应度值，提供给改进粒子群优化算法进行迭代寻优，其中加入选择、交叉、变异三种遗传操作，当满足收敛条件时，所得最优解即是所述同步风力发电机辨识的最佳参数，从而实现同步风力发电机的参数辨识。

本发明通过建立同步发电机电气参数辨识模型和机械参数辨识模型，利用改进粒子群优化算法优化其待辩识参数，实现了参数的智能寻优，有效解决了粒子群优化算法参数辨识过程中容易陷入局部极值，提高了收敛速度和辨识精度。为风力发电机参数辨识提供了一种有效、实用的辨识方法。通过控制中心直接获取的测量数据，可以对同步风力发电机的参数实现在线辨识，改变了以往需要停机通过离线辨识风力发电机参数的方法，不影响同步风力发电机的正常运转。辨识所得参数更加符合同步风力发电机的实际运行工况，能更好的反映同步风力发电机的稳态、动态和暂态特性。利用辨识所得参数可以建立同步风力发电机的精确模型，在精确模型的基础上设计的同步风力发电机的控制系统可以提高同步风力发电机的控制效果。利用所辨识的参数进行电力系统分析、计算、仿真，克服了以往直接采用厂家提供的参数进行仿真所得结果与实际动态过程有所出入的缺点，进而更好的研究大规模风电接入对电网产生的影响，提高了计算的准确度和可信度。

附图说明

图1为采用改进型粒子群优化算法的同步风力发电机参数辨识原理图；

图2为改进型粒子群优化算法流程图。

具体实施方式

下面结合附图对本发明及其有益效果作进一步说明。

一种基于改进粒子群优化算法的同步风力发电机参数辨识方法，其涉及到同步风力发电机的电气参数辨识和机械参数辨识；首先建立同步风力发电机五阶实用模型，利用改进粒子群优化算法优化其参数，实现参数的智能寻优，最终辨识出同步风力发电机的电气参数和机械参数。其具体步骤如下：

建立同步风力发电机的五阶实用模型：该同步风力发电机五阶实用模型包括电气参数辨识模型和机械参数辨识模型，该五阶实用模型不计定子绕组的电磁暂态，只计阻尼绕组D,Q及励磁绕组

的电磁暂态和转子的机械动态，不计g绕组而只计Q绕组而建立同步风力发电机五阶实用模型，确定电气参数和机械参数辨识模型的输入量、输出量和待辩识参数；该同步风力发电机五阶实用模型进行d、q轴电气参数解耦，实现d、q轴电气参数的分开辨识； 

同步风力发电机待辨识参数的优化：将同步风力发电机待辨识参数进行实值编码，将待辩识参数的可能出现的最大范围作为改进粒子群优化算法的求解空间得到初始种群，根据测量值和计算值之间误差的平方和建立合适目标函数，根据该目标函数编写计算适应度函数，通过该适应度函数计算每个个体的适应度值，提供给改进粒子群优化算法进行迭代寻优，其中加入选择、交叉、变异三种遗传操作，当满足收敛条件时，所得最优解即是所述同步风力发电机辨识的最佳参数，从而实现同步风力发电机的参数辨识。

上述粒子群优化算法为：在每次迭代过程中，粒子通过跟踪两个极值来更新自己: 即个体极值 

( 粒子自身目前所找到的最优解) 和全局极值  ( 整个粒子群目前寻找到的最优解)

式中，

表示粒子的编号，

表示粒子位置或速度的维，

表示迭代次数，即

，分别是第

个粒子在第

次迭代中第维的速度和位置; 

和

是学习因子，

，

;

，

，是一组均匀分布的随机数; 

第

个粒子在第

维的个体极值的坐标; 

是群体在第维的全局极值的坐标。

所述改进粒子群优化算法为：就是在粒子群优化算法中引进了选择、交叉、变异三种遗传操作，通过改进种群的分割策略来提高粒子群算法摆脱局部最佳值的能力和提高搜索精度的能力。避免参数辨识过程中陷入局部极值。

所述交叉操作使遗传算法的搜索能力得以提高，且采用实值编码以便于计算。遗传操作中的交叉通过交叉算子实现。设在

时刻的两个个体

，

进行算术交叉，在

时刻产生的两个新个体为：

                                 

    (1)

式(1)中，

是一个常数，取值0-1，所进行交叉运算为均匀算术交叉。

所述变异运算主要作用有两个: 一是使算法具有局部的随机搜索能力。当算法通过交叉算子逼近最优解邻域时，通过变异算子的局部随机搜索能力可以加速向最优解收敛。二是使可维持群体多样性，以防止出现未成熟收敛现象。用

代替粒子群中的第个粒子在维空间的位置即

，用历史最优个体代替粒子群算法中个体极值，用历史最优种群

代替全局最优

，

用的累差

代替，

表达式：

  

              （2）

引进变异算子的粒子速度与位置更新表达式为:

    （3）

改进的粒子群优化算法步骤如下:

A.     初始化和

等因子，粒子群规模、惯性权重、最大迭代次数、收敛精度和搜索空间维数等参数以及粒子的速度和位置;

B.     计算各个粒子的适应度，并对适应度排序，把当前粒子作为种群的个体极值，把种群中适应度最小的粒子作为群体极值，并按照式（2）计算最佳解，如果达到最大迭代次数或收敛精度，执行G；

C.     对粒子进行遗传选择、交叉和变异运算；

D.     重新计算粒子的适应度值，并对适应度排序，更新粒子的速度和位置；

E.      对算法的收敛次数进行计算，把当前粒子作为种群的个体极值，把粒子群中适应度最小的粒子作为全局极值，并按式（2）进行运算，达到最优值和最小值；

F.      反复执行步骤C到E，直至满足收敛条件；

G. 输出最优解。

采用改进型粒子群优化算法的同步风力发电机参数辨识的具体实施步骤：

（1）选取同步风力发电机五阶实用模型作为同步风力发电机辨识模型。不计定子绕组的电磁暂态，只计阻尼绕组D,Q及励磁绕组

的电磁暂态和转子的机械动态，不计g绕组而只计Q绕组。

轴电气模型：

q轴电气模型：

机械参数辨识模型：

                                      

电磁转矩方程：

                              

                      

上述方程中各量（包括时间常数）均为标幺值（没有单位），采用基值系统，

为d，q轴次暂态电势；

为q轴暂态电势；

为励磁电压；

为d，q轴次暂态电抗；

为d轴暂态电抗；为d，q轴同步电抗；

 为励磁绕组电阻；

为d，q轴次暂态开路时间常数；为d轴暂态开路时间常数；

为q轴与参考轴的夹角；

为转子转速；为惯性时间常数；D为阻尼系数；

为机械转矩；为电磁转矩。

（2）选取可观测量作为同步风力发电机辨识模型输出量测向量。

电气参数辨识向量：

d轴辨识向量

q轴辨识向量

机械参数辨识向量：

 

输出量测向量：

d轴：

q轴：

机械参数：

（3）将解耦后的同步风力发电机的电气参数辨识模型分为d轴电气参数辨识模型和q轴电气参数辨识模型，并分别进行辨识。

（4）以同步风力发电机的参数设计参考值为依据，参数可能出现的最大范围作为改进粒子群算法的求解空间，服从均匀分布的随机值。确定同步风力发电机参数的初始化种群数为50，每个粒子的维数即待辨识参数个数，迭代次数为1000，

=

=2。

（5）应用四阶显式龙格—库塔法求解同步风力发电机的高阶微分方程，计算出同步风力发电机的输出量。

（6）由输出变量的计算值和实际输出变量的测量值之间误差的平方和建立合适目标函数，根据该目标函数编写计算适应度函数，通过该适应度函数计算每个个体的适应度值。

目标函数：

d轴：

q轴：

机械参数：

根据适应度值的大小更新个体极值和群体极值，选择、交叉、变异三种遗传操作，不断迭代直至满足收敛条件，所得最优解即是所述同步风力发电机辨识的最佳参数，从而实现同步风力发电机的参数辨识。

Claims (2)

1.一种基于改进粒子群优化算法的同步风力发电机参数辨识方法，其特征在于：建立同步风力发电机五阶实用模型，利用改进粒子群优化算法优化其参数，实现参数的智能寻优，最终辨识出同步风力发电机的电气参数和机械参数。

2.根据权利要求1所述的一种基于改进粒子群优化算法的同步风力发电机参数辨识方法，其特征在于：其具体步骤如下：

建立同步风力发电机的五阶实用模型：该同步风力发电机五阶实用模型包括电气参数辨识模型和机械参数辨识模型，该五阶实用模型不计定子绕组的电磁暂态，只计阻尼绕组 D,Q及励磁绕组                                                

的电磁暂态和转子的机械动态，不计g绕组而只计Q绕组而建立同步风力发电机五阶实用模型，确定电气参数和机械参数辨识模型的输入量、输出量和待辩识参数；该同步风力发电机五阶实用模型进行d、q轴电气参数解耦，实现d、q轴电气参数的分开辨识； 

同步风力发电机待辨识参数的优化：将同步风力发电机待辨识参数进行实值编码，将待辩识参数的可能出现的最大范围作为改进粒子群优化算法的求解空间得到初始种群，根据测量值和计算值之间误差的平方和建立合适目标函数，根据该目标函数编写计算适应度函数，通过该适应度函数计算每个个体的适应度值，提供给改进粒子群优化算法进行迭代寻优，其中加入选择、交叉、变异三种遗传操作，当满足收敛条件时，所得最优解即是所述同步风力发电机辨识的最佳参数，从而实现同步风力发电机的参数辨识。

Images