CN103825298B - 一种定速风电机组驱动系统参数辨识方法 - Google Patents

Abstract

本发明公开了一种定速风电机组驱动系统参数辨识方法，首先，确定驱动系统模型及待辨识参数；然后同步采集风速序列及定速异步风力发电机的转速信号，并将风速序列分解为平均风速及湍流风速序列，将发电机转速信号分解为稳态转速及转速的随机变化分量；计算湍流风速以及发电机转速随机变化分量的功率谱，基于该功率谱获得发电机转速相对于风速的传递函数模值；利用小波方法滤除该传递函数中的高频分量；最后基于非线性最小二乘优化方法辨识驱动系统参数；并将多个滑动窗口的参数辨识结果进行平均，确定最终的参数辨识值。本发明提供的方法可使得驱动系统参数的可观性更高；辨识结果更符合风机的实际运行状态；整体上提高了参数的辨识精度。

Description

一种定速风电机组驱动系统参数辨识方法

技术领域

本发明属于电力系统建模领域，特别涉及一种定速风电机组驱动系统参数辨识方法。

背景技术

自从风力发电引入电力系统以来，风电机组的模型问题特别是动态模型一直是研究的热点。目前风电机组在机理建模方面的研究已有较多的成果，辨识建模与模型验证方面的工作正在世界范围内展开。2009年国家电网公司颁布的《风电并网运行控制技术规定》中对风电并网分析模型及方法要求之一即为：“在风电并网分析工作中应采用风电机组的详细数学模型，模型的参数应由风电场提供实测参数。对没有实测参数的风电机组，暂时可以采用同类机型的典型模型和参数，风电机组模型和参数确定后应重新校核”。

驱动系统是风电机组的重要组成部分，对其进行准确建模对计算分析风电机组的动态非常重要。现有的文献在辨识风电机组驱动系统参数时，常以电网侧短路、断线等故障作为激励。但由于实际电网中用来确定参数的故障是可遇而不可求的，难以保证参数辨识需要的充足数量的扰动。因此如果能采用系统在正常运行下的风速变化作为激励，将有效克服数据不足的困难。还由于不同扰动下的系统可观性不同，可辨识的参数也不尽相同。目前已有文献指出，电网侧故障下系统动态由机电及电气模式主导，驱动系统参数在电网侧故障下的灵敏度较小，参数辨识精度较差。

发明内容

发明目的：本发明的目的在于针对现有技术的不足，提供一种有效提高系统参数辨识精度的定速风电机组驱动系统参数辨识方法。

技术方案：一种定速风电机组驱动系统参数辨识方法，包括以下步骤：

步骤1：确定驱动系统模型及待辨识参数；定速风电机组包括风力机、驱动系统及异步发电机等模块；所述风力机采用与风能利用系数、风速三次方成正比的代数模型；所述驱动系统采用两质块模型；所述异步发电机采用忽略定子动态及转子动态的准稳态模型，将所述定速风电机组各组成模块的模型在运行点附近线性化，获得含有7个参数的定速风电机组线性化模型；所述的7个参数分别为：风电机组机械转矩T_m相对于风速v的导数风电机组机械转矩T_m相对于风力机转速ω_t的导数风力机的惯性时间常数T_t、异步发电机的惯性时间常数T_g、定速风电机组传动轴的强度系数K_sh、阻尼系数D_sh，和异步发电机电功率相对于滑差s_r的导数根据所述定速风电机组各组成模块的线性化模型获得异步发电机转速相对于风速的传递函数如下：

$\begin{array}{c}\hat{G}(s,\widehat{\mathrm{\θ}})=\frac{\mathrm{\Δ}{\mathrm{\ω}}_r\left(s\right)}{\mathrm{\Δv}\left(s\right)}\\ =\frac{-\frac{a{D}_{\mathrm{sh}}}{T_t{T}_g}s-{\mathrm{\ω}}_b{K}_{\mathrm{sh}}\frac{a}{T_t{T}_g}}{s^3-(\frac{\mathrm{\γ}-D_{\mathrm{sh}}}{T_g}+\frac{b-D_{\mathrm{sh}}}{T_t})s^2+(\frac{K_{\mathrm{sh}}}{T_t}{\mathrm{\ω}}_b+\frac{K_{\mathrm{sh}}}{T_g}{\mathrm{\ω}}_b+\frac{\mathrm{b\γ}-(b+\mathrm{\γ})D_{\mathrm{sh}}}{T_t{T}_g})s-{\mathrm{\ω}}_b{K}_{\mathrm{sh}}\frac{\mathrm{\γ}+b}{T_t{T}_g}}\end{array}$

其中，ω_b为基准角频率ω_b＝2πf_N，f_N为系统的额定频率；参数a和b与空气动力学有关，设为已知。为其余5个待辨识参数，即为

步骤2：同步采集风速序列v(t)、异步发电机转速序列ω_r(t)以及异步发电机的电功率P_e(t)；

步骤3：在每5～15分钟的时窗内，采用小波方法将风速序列v(t)分解为平均风速以及湍流风速序列v_t(t)；将测量得到的异步发电机转速序列ω_r(t)分解为异步发电机稳态转速ω_r0以及异步发电机转速的随机变化分量ω_rs(t)；将电机的电功率P_e(t)分解为稳态功率P_e0以及随机变化部分P_es(t)；

步骤4：根据公式ω_t0＝ω_r0＝1-s_r0计算出风力机的稳态转速ω_t0以及初始滑差s_r0；根据异步发电机稳态功率P_e0，根据公式P_m0＝P_e0以及T_t0＝P_m0/ω_t0得初始风电机组机械转矩T_t0；

步骤5：计算湍流风速序列v_t(t)的功率谱S_vv(ω)、异步发电机转速随机变化分量ω_rs(t)的功率谱S_YY(ω)；由公式S_YY(ω)＝|G(ω)|²S_vv(ω)，计算异步发电机转速相对于风速的传递函数模值序列|G(ω)|；

步骤6：并采用小波方法滤除|G(ω)|中的高频分量。

步骤7：将步骤1中公式中的s用jω替代，用传递函数的模拟合步骤5中异步发电机转速相对于风速的传递函数模值序列|G(ω)|，从而获得驱动系统各参数的辨识结果，其中，拟合方法采用阻尼非线性最小二乘优化方法；（其英文名称为：Levenberg–Marquardt）；

步骤8：将数据窗口向前滑动1分钟，加入1分钟的新风速数据及异步发电机转速数据，舍弃原窗口第1分钟内的旧数据。在新的时窗内，按照步骤3～步骤7的重新辨识驱动系统各参数；

步骤9：将多个时窗内驱动系统各参数的辨识值进行平均，剔除与均值偏差较大的参数；再将剩下的参数重新平均，作为驱动系统各参数的辨识结果。

进一步，所述步骤7中辨识出的驱动系统各参数满足目标函数：

其中，n为时窗内异步发电机转速相对于风速的传递函数模值序列|G(ω)|的总点数；i为总点数的标号，θ_max和θ_min分别为待辨识参数的最大设定值和最小设定值。

有益效果：与现有技术相比，本发明采用风速作为激励信号，相比于电网侧故障，驱动系统参数的可观性更高；且风电机组在环境风速激励下的受扰轨线容易获取，数据量多，辨识结果更符合风机的实际运行状态；采用多个滑动窗口的参数辨识结果确定参数辨识值，避免了单次辨识可能导致的误差较大的问题，整体上提高了参数的辨识精度。

附图说明

图1为定速风电机组的结构示意图；

图2为本发明的工作流程图；

图3为驱动系统两质块模型结构图；

图4为异步发电机的准稳态模型结构图；

图5为仿真测试系统图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例1：如图1所示，本发明采用的定速风电机组的结构示意图，图中ω_t为风力机转速，ω_r为异步发电机转子转速，C为补偿电容。

如图2所示，本发明提供的定速风电机组驱动系统参数辨识方法，具体包括以下步骤：

步骤1：确定驱动系统模型及待辨识参数。定速风电机组包括风力机、驱动系统及异步发电机模块。风力机采用与风能利用系数、风速三次方成正比的代数模型，即其中，ρ为空气密度，R为风轮叶片的长度，πR²为风轮叶片的扫风面积，C_p(λ,β)为风能利用系数，λ为叶尖速比，β为风力机叶片的桨距角度数，v为风力机承受的输入风速；驱动系统采用如图3所示的两质块模型，它们分别为风力机质块和异步发电机质块；异步发电机忽略异步发电机的定、转子动态，采用如图4所示的准稳态模型，即异步发电机采用忽略定子动态及转子动态的准稳态模型。其中，v_ds、v_qs分别为发电机端口电压的d、q轴分量；i_ds、i_qs分别为发电机定子注入电流的d、q轴分量；i_dr、i_qr分别为发电机转子注入电流的d、q轴分量；R_s、X_s分别为定子电阻和电抗；R_r、X_r分别为转子电阻和电抗；X_m为定子和转子之间的互抗；s_r为滑差；并将上述异步风电机组各组成模块的模型在运行点附近线性化，获得含有7个参数的定速风电机组线性化模型；这7个参数分别为：风电机组机械转矩T_m相对于风速v的导数风电机组机械转矩T_m相对于风力机转速ω_t的导数（由于参数a和b与空气动力学有关，设为已知）；风力机的惯性时间常数T_t、异步发电机的惯性时间常数T_g、定速风电机组传动轴的强度系数K_sh、阻尼系数D_sh，和异步发电机电功率P_e(t)相对于滑差s_r的导数γ，即根据所述线性化模型获得异步发电机转速相对于风速的传递函数如下：

$\begin{array}{c}\hat{G}(s,\widehat{\mathrm{\θ}})=\frac{\mathrm{\Δ}{\mathrm{\ω}}_r\left(s\right)}{\mathrm{\Δv}\left(s\right)}\\ =\frac{-\frac{a{D}_{\mathrm{sh}}}{T_t{T}_g}s-{\mathrm{\ω}}_b{K}_{\mathrm{sh}}\frac{a}{T_t{T}_g}}{s^3-(\frac{\mathrm{\γ}-D_{\mathrm{sh}}}{T_g}+\frac{b-D_{\mathrm{sh}}}{T_t})s^2+(\frac{K_{\mathrm{sh}}}{T_t}{\mathrm{\ω}}_b+\frac{K_{\mathrm{sh}}}{T_g}{\mathrm{\ω}}_b+\frac{\mathrm{b\γ}-(b+\mathrm{\γ})D_{\mathrm{sh}}}{T_t{T}_g})s-{\mathrm{\ω}}_b{K}_{\mathrm{sh}}\frac{\mathrm{\γ}+b}{T_t{T}_g}}\end{array}$

其中，为5个待辨识参数

步骤2：同步采集风速序列v(t)、异步发电机转速序列ω_r(t)以及异步发电机的电功率P_e(t)；

步骤3：在每10分钟的时窗内，采用小波方法将风速序列v(t)分解为平均风速以及湍流风速序列v_t(t)；将测量得到的异步发电机转速序列ω_r(t)分解为异步发电机稳态转速ω_r0以及异步发电机转速的随机变化分量ω_rs(t)；将电机的电功率P_e(t)分解为稳态功率P_e0以及随机变化部分P_es(t)；

步骤4：根据公式ω_t0＝ω_r0＝1-s₀计算出风力机的稳态转速ω_t0以及初始滑差s₀；根据异步发电机稳态功率P_e0，根据公式P_m0＝P_e0以及T_t0＝P_m0/ω_t0得初始风电机组机械转矩T_t0；

步骤5：计算湍流风速序列v_t(t)的功率谱S_vv(ω)、异步发电机转速随机变化分量ω_rs(t)的功率谱S_YY(ω)；由公式S_YY(ω)＝|G(ω)|²S_vv(ω)，计算异步发电机转速相对于风速的传递函数模值序列|G(ω)|。

步骤6：并采用小波方法滤除|G(ω)|中的高频分量。

步骤7：将步骤1中公式中的s用jω替代，用该传递函数的模拟合步骤5中异步发电机转速相对于风速的传递函数模值序列|G(ω)|，据此获得驱动系统各参数的辨识结果，其中，拟合方法采用阻尼非线性最小二乘（Levenberg–Marquardt）优化方法，使辨识的参数满足目标函数：

其中，n为10分钟时窗内异步发电机转速相对于风速的传递函数模值序列|G(ω)|的总点数；i为总点数的标号，θ_max和θ_min分别为待辨识参数的最大设定值和最小设定值。

步骤8：将数据窗口向前滑动1分钟，加入1分钟的新风速数据及异步发电机转速数据，舍弃原窗口第1分钟内的旧数据，在新的10分钟时窗内，按照步骤3～步骤7的重新辨识驱动系统各参数；

步骤9：将多个时窗内驱动系统各参数的辨识值进行平均，剔除与均值偏差较大的参数；再将剩下的参数重新平均，作为驱动系统各参数的辨识结果。

本发明采用图5所示定速风机接入无穷大系统算例，其中，C为补偿电容，T为升压变压器；L为线路，系统参数如表1所示，表1中的pu为标么值。

表1

各参数的初始搜索范围设置为真值的±50%，分别将各参数在50个时窗内辨识，将50个时窗内各参数的辨识值进行平均，剔除与均值偏差较大的参数；再将剩下的参数重新平均，作为驱动系统各参数的最终辨识结果，见表2。

表2

参数	真值	估计值	误差/％
				Tg/s	1.44	1.4421	0.20%
Tt/s	8.64	8.6229	0.15％
				Ksh/pu	0.30	0.2997	0.11％
Dsh/pu	0.01	0.0596	501％
				γ	-35.93	-35.9254	0.013％

其中，由表2可以看出，采用本发明提供的方法辨识出的参数的误差较小。

Claims (2)

1.一种定速风电机组驱动系统参数辨识方法，其特征在于：包括以下步骤：

步骤1：确定驱动系统模型及待辨识参数；定速风电机组包括风力机、驱动系统及异步发电机模块；所述风力机采用与风能利用系数、风速三次方成正比的代数模型；所述驱动系统采用两质块模型；所述异步发电机采用忽略定子动态及转子动态的准稳态模型，将所述定速风电机组各组成模块的模型在运行点附近线性化，获得含有7个参数的定速风电机组线性化模型；所述的7个参数分别为：风电机组机械转矩T_m相对于风速v的导数风电机组机械转矩T_m相对于风力机转速ω_t的导数风力机的惯性时间常数T_t、异步发电机的惯性时间常数T_g、定速风电机组传动轴的强度系数K_sh、阻尼系数D_sh，和异步发电机电功率相对于滑差s_r的导数根据所述定速风电机组各组成模块的线性化模型获得异步发电机转速相对于风速的传递函数如下：

$\begin{array}{c}\hat{G}(s,\widehat{\mathrm{\θ}})=\frac{{\mathrm{\Δ\ω}}_r\left(s\right)}{\mathrm{\Δ}v\left(s\right)}\\ =\frac{-\frac{{\mathrm{aD}}_{sh}}{T_t{T}_g}s-{\mathrm{\ω}}_b{K}_{sh}\frac{a}{T_t{T}_g}}{s^3-(\frac{\mathrm{\γ}-D_{sh}}{T_g}+\frac{b-D_{sh}}{T_t})s^2+(\frac{K_{sh}}{T_t}{\mathrm{\ω}}_b+\frac{K_{sh}}{T_g}{\mathrm{\ω}}_b+\frac{b\mathrm{\γ}-(b+\mathrm{\γ})D_{sh}}{T_t{T}_g})s-{\mathrm{\ω}}_b{K}_{sh}\frac{\mathrm{\γ}+b}{T_t{T}_g}}\end{array}$

其中，ω_b为基准角频率ω_b＝2πf_N，f_N为系统的额定频率；参数a和b与空气动力学有关，设为已知；为其余5个待辨识参数，即为

步骤2：同步采集风速序列v(t)、异步发电机转速序列ω_r(t)以及异步发电机的电功率P_e(t)；

步骤3：设定一个长度范围为5～15分钟的时窗，在每个时窗内采用小波方法将风速序列v(t)分解为平均风速v以及湍流风速序列v_t(t)；将测量得到的异步发电机转速序列ω_r(t)分解为异步发电机稳态转速ω_r0以及异步发电机转速的随机变化分量ω_rs(t)；将电机的电功率P_e(t)分解为稳态功率P_e0以及随机变化部分P_es(t)；

步骤4：根据公式ω_t0＝ω_r0＝1-s_r0计算出风力机的稳态转速ω_t0以及初始滑差s_r0；根据异步发电机稳态功率P_e0，根据公式P_m0＝P_e0以及T_t0＝P_m0/ω_t0得初始风电机组机械转矩T_t0；

步骤5：计算湍流风速序列v_t(t)的功率谱S_vv(ω)、异步发电机转速随机变化分量ω_rs(t)的功率谱S_YY(ω)；由公式S_YY(ω)＝|G(ω)|²S_vv(ω)，计算异步发电机转速相对于风速的传递函数模值序列|G(ω)|；

步骤6：并采用小波方法滤除|G(ω)|中的高频分量；

步骤7：将步骤1中公式里的s用jω替代，用传递函数的模拟合步骤5中异步发电机转速相对于风速的传递函数模值序列|G(ω)|，从而获得驱动系统各参数的辨识结果，其中，拟合方法采用阻尼非线性最小二乘优化方法；

步骤8：将数据窗口向前滑动1分钟，加入1分钟的新风速数据及异步发电机转速数据，舍弃原窗口第1分钟内的旧数据，在新的时窗内，按照步骤3～步骤7的重新辨识驱动系统各参数；

步骤9：将多个时窗内驱动系统各参数的辨识值进行平均，剔除与均值偏差较大的参数；再将剩下的参数重新平均，作为驱动系统各参数的辨识结果。

2.根据权利要求1所述的定速风电机组驱动系统参数辨识方法，其特征在于：所述步骤7中辨识出的驱动系统各参数满足目标函数：

其中，n为时窗内异步发电机转速相对于风速的传递函数模值序列|G(ω)|的总点数；i为总点数的标号，θ_max和θ_min分别为待辨识参数的最大设定值和最小设定值。