CN103887815B - 基于运行数据的风电场参数辨识及动态等值方法 - Google Patents

Abstract

本发明公开了基于运行数据的风电场参数辨识及动态等值方法，包括以下步骤：a：基于实测数据对风电机组控制模型参数进行辨识；b：结合运行数据，选取能反映扰动下的风电机组和风电场的特征变量，应用改进的模糊K均值动态聚类算法进行机群划分；c：基于全局最优位置变异粒子群算法对风电场进行网络简化、参数寻优，获得风电场动态等值模型；d：在扰动输入下，比较风电场动态等值模型与详细模型动态响应，验证等值模型的有效性。本发明建立的风场动态等值模型能准确地反映风场并网点的动态特性，具有重要的工程应用价值，可用于双馈型风电场接入电力系统稳定性分析中，为含风电场电力系统的规划与运行调度提供理论支撑。

Description

基于运行数据的风电场参数辨识及动态等值方法

技术领域

本发明属于智能电网中电力系统建模领域，具体涉及一种基于运行数据的风电场参数辨识及动态等值方法。

背景技术

风力发电作为目前可再生能源开发利用中技术最成熟、最具规模开发和商业化发展前景的发电方式，由于其在减轻环境污染、调整能源结构、解决偏远地区居民用电问题等方面的突出作用，越来越受到世界各国的重视并得到了广泛的开发和利用。近几年，风电已成为增长速度最快的发电方式，世界风力发电的发展速度每年都在30％以上。大型风电机组的制造水平及其控制技术不断提高，商业化风力机的容量已由原来的十几千瓦增长到了目前的3～10MW，接入电网后大型风电场的运行、控制技术也日趋成熟。风电并网已明显呈现大规模、区域化集中接入电网与更高电压等级接入电网的态势，多个风电基地即将实现百万甚至千万千瓦风电集中送出的目标。

与常规能源不同，由于风力发电出力的强波动性、出力动态特性的功率弱支撑性/同步强随动性/暂态弱生存性等特点，大规模风电并网将对电力系统的安全稳定运行带来重要影响。因此，在风电场建设前，需要对风电场接入电网的可行性进行论证；在运行调度中，也需要分析风电场接入的动态响应及其对电网的影响。

为了定量分析风电场并网对局部地区电网的影响，这就首先要求建立风电机组和风电场精确的动态和稳态模型数学模型，以便能够对系统的动态行为进行模拟仿真，进而为风电场的规划和运行调度提供依据。

现有的风电并网问题研究中，大家过多的把注意力集中于风电接入后对系统的各种影响及防范措施上，并未深入细致的思考所用风电模型是否可靠，而模型的准确性将直接影响分析结果的可靠性。

目前风电机组模型参数大都由厂家给定或采用经验值，然而在风电机组的实际运行中，其实际参数值并不是保持不变的，而是随着工作环境和状况的变化在一定范围内变动，如频率不同、温度变化引起的集肤效应，会使电机的定转子电阻值发生变化，磁场饱和程度不同会影响到电机的绕组电感参数等。模型参数给定值与实际值的偏离将直接影响仿真结果的可信度，因此有必要基于实测运行数据进行风电机组的参数辨识和模型验证。我国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。

国内使用较多的大型仿真计算软件有BPA(BonnevillePowerAdministration)，BPA中风电机组模型以GE机组为原型，采用封装模型，用户仅能设置几个外部参数，而用户使用时一般直接采用中国电科院提供的GE模型典型参数，或稍作修改，并未检验其模型的有效性。国际电工委员会(IEC)风电机组电气仿真模型工作组(TC88-WG27)主要致力于建立标准的通用风电机组/风电场动态仿真模型并制定相关的风电机组模型方面的标准，用于电力系统分析与电网稳定计算研究，但在双馈风电机组模型结构、参数估计、模型验证及标准化方面仍处于探索阶段。

在风电场动态建模方面，大型/巨型风电场由几百台甚至上千台风电机组组成，若对风电场中每台风电机都进行详细建模，整个风电场的模型将变得十分复杂，运算量巨大，可能导致电力系统分析与计算的维数灾，且潮流计算极可能不收敛，甚至无法进行仿真。风电场动态等值则涉及更复杂的问题，如地面粗糙度、地势海拔、尾流效应、塔筒效应、机组运行特性分散等等，国内外尚未给出较有权威性的风电机组和风电场等值的通用模型，能够结合风电场实际运行数据进行建模和验证的模型更少。

经对现有技术文献的检索发现，双馈感应风力发电机的参数辨识分析(金宇清，赵泽，鞠平等.双馈感应风力发电机的参数辨识分析.高电压技术,2011,37(7):1700-1705)，基于轨迹灵敏度和频域灵敏度研究了双馈感应风力发电机的模型参数的可辨识性，选取发电机参数R_s、X_s、X_m、R_r作为重点待辨识参数，设计了基于蚁群优化算法的双馈感应风力发电机参数辨识方法，并验证了该辨识方法的有效性；中国专利申请号为：201210060923.7，名称为：一种双馈电机参数在线辨识方法，该申请案运用递推最小二乘法反复采样和迭代计算，得到双馈电机参数。然而，对于风机模型来说，除了风机本身固有的机械参数和发电机本体参数之外，风电机组的控制器参数也是很重要的，它将直接影响风机模型输出特性。据检索，目前对风力发电机组控制系统参数辨识的研究还没有相关报道。

另经检索发现，中国专利申请号为：20110162399.X，名称为：一种含双馈风电机组的大型风电场动态等值方法，该申请案根据风电场输入风速的特性对风机进行分群，而同群的机组将被等值为一台机，之后计算输入等值机的等值风速，并得到分群机组的等值参数；然而，申请案并没有对风力发电机及控制系统的参数进行辨识和模型验证，分群机组等值参数的有效性有待商榷；中国专利申请号为：200910238099.8，名称为：一种大规模风电集中接入电网的风电场等值建模方法，该申请案基于接入电网的各风电场并网点之间的电气距离、场内风电机组拓扑分布、机型和控制模式，采用同调机群识别聚类方法来确定同调风电机群，采用加权等效参数聚合方法求出等值风电机组各项动态电气参数，根据静态等值理论近似等效为等值机串接等值阻抗形式，并求出相关的静态参数，得到风电场等值模型。然而，申请案采用加权等效参数聚合方法求出等值风电机组各项动态电气参数，单台发电机参数来源于厂家给定或采用经验值，等值参数的有效性同样有待商榷。

据检索，目前基于运行数据对含双馈风电机组的风电场进行发电机和控制系统的参数辨识，并在此基础上采用优化算法进行动态等值建模研究，还没有相关报道，均属于空白。

发明内容

本发明的目的是为了解决上述现有技术中存在的不足之处，提供一种基于运行数据的风电场参数辨识及动态等值方法，首先基于实测运行数据对风力发电机组控制模型进行参数辨识，并对控制器参数辨识结果进行模型验证，然后使用实测数据对风电场进行聚类分析，基于全局最优位置变异粒子群算法获得含双馈风电机组的风电场动态等值模型。建立的动态等值模型能准确地反映双馈感应发电机型风电场的动态特性，可用于含双馈风电机组风电场接入电力系统稳定性分析中。

为实现上述目的，本发明通过以下技术方案实现：

基于运行数据的风电场参数辨识及动态等值方法，具体包括以下步骤：

(1)首先基于实测运行数据对风力发电机组控制模型进行参数辨识，并对控制器参数辨识结果进行模型验证；

所述基于实测运行数据对风力发电机组控制模型进行参数辨识方法包括以下步骤：

a)选择需要重点辨识的控制器模型参数。需要进行辨识的必须是变化时能引起风电机输出功率明显变化的控制器参数，经测试，模型中功率控制器的控制参数Kp、Tp、Kq、Tq和电流控制器的控制参数Kd、Td、Kq1、Tq1对发电机输出功率的影响较大；由此，选用上述8个参数进行辨识；其中，Kp、Tp分别是有功功率控制器的比例常数和积分常数；Kq、Tq分别是无功功率控制器的比例常数和积分常数；Kd、Td分别是有功电流控制器的比例常数和积分常数；Kq1、Tq1无功电流控制器的比例常数和积分常数；

b)搭建参数辨识模块。所述参数辨识模块包括测量文件，要辨识的模型元件1～n、参数辨识比较器、优化器，目标函数默认是实测数据和仿真结果的差值的平方和：

$J=\underset{i=1}{\overset{n}{\Σ}}{\[(M_i-S_i){\mathrm{\ω}}_i\]}^p$

其中，M_i是测量文件中的数据；S_i是仿真文件中的数据；ω_i是权重因子，可根据实际情况进行调整；p是指数值，默认为2；目标函数越小指示参数辨识效果越好；

测量文件通过读取实际的发电机有功功率给比较器模块，再通过功率测量环节将仿真中发电机有功功率特性提供给比较器模块，根据实际的数据和仿真结果计算目标函数值；

c)设置参数初始值。所述参数初始值为双馈风力发电机组经典控制模型参数；

d)实测数据处理及导入。所述实测数据为风电机组的输入风速；

e)获得控制器参数辨识结果；

f)基于控制器参数辨识结果，进行模型验证。将获得的控制器参数辨识结果作为该时段风电机组控制器模型参数，与对应采样功率数据进行比较，以验证控制器参数辨识的可用性。

(2)结合运行数据，选取能反映扰动下的风电机组和风电场的特征变量，应用改进的模糊K均值动态聚类算法进行机群划分：结合风电机组和风电场实测数据，分析风力发电机组的有功、无功、电压、转速、桨距角等参量对风力发电机组和风电场暂态特性的影响，并提炼出能反映大扰动下的风电机组和风电场的特征变量。以大扰动发生前一刻、大扰动期间和大扰动消失后风力发电机组具有相同或相近的运行点为风电机组动态机群划分为准则，综合利用各风电机组在大扰动期间实测风速、有功、无功等反映发电机组暂态运行点的特征变量的测量数据为数据样本，应用改进的模糊K均值动态聚类算法进行机群划分，使同一机群内的风电机组的动态响应尽可能相似，不同机群的风电机组的动态响应差别尽可能大。借鉴同调等值的思想，认为同一风电组群具有相同或相近的动态过程，并将其等效为一台等值风电机组。

本发明的优选方案：采用扰动期间实测风力发电机组有功功率作为聚类分群的特征变量，具体包括以下步骤：

a)首先选取风电场在扰动期间设定时间段内各风力发电机组的实测有功功率数据作为运行数据样本，样本的测量数据点数为L，将N台风力发电机组的有功功率数据记录按行建立实测有功功率样本矩阵：

其中第i行表示第i台风力发电机组实际测得的有功功率记录，第j列表示n台风力发电机组在第j个时刻测得的有功功率。把实测有功功率样本矩阵P的每一行看作为空间中的一个数据点(样本数量为n，样本维数为k)；

b)确定聚类数目K，将全部数据随机分成K类。其中，聚类的簇的个数K值根据实际风电场规模和模型精度要求选取；

c)定义μ_j(x_i)是第i个样本对于第j类的隶属度函数，用隶属度函数定义相应的聚类损失函数为： $J_f=\underset{j=1}{\overset{k}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}{\[{\mathrm{\μ}}_j\left(x_i\right)\]}^b\left|\right|x_i-m_j|{|}^2$ 公式一

其中，b>1是一个可以控制聚类结果的模糊程度的常数；x_i是聚类样本。

改进模糊K均值算法要求所有样本对于各个聚类的隶属度总和为n，即

$\underset{j=1}{\overset{k}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\μ}}_j\left(x_i\right)=n$ 公式二

在公式一条件下，令J_f对m_i和μ_j的偏导数为0，可得必要条件：

$m_j=\frac{\underset{i=1}{\overset{n}{\Σ}}{\[{\mathrm{\μ}}_j\left(x_i\right)\]}^b{x}_i}{\underset{i=1}{\overset{n}{\Σ}}{\[{\mathrm{\μ}}_j\left(x_i\right)\]}^b},j=1,2,...,k$ 公式三

${\mathrm{\μ}}_j\left(x_i\right)=\frac{n{(1/||x_i-m_j|{|}^2)}^{1/(b-1)}}{\underset{k=1}{\overset{k}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(1/||x_l-m_k|{|}^2)}^{1/(b-1)}},i=1,2,\mathrm{...},n;j=1,2,\mathrm{...},k$ 公式四

d)重复下面的运算，直到各个样本的隶属度值稳定：

①用当前的聚类中心根据公式四计算隶属度函数；

②用当前的隶属度函数按公式三更新计算各类聚类中心；

当算法收敛时，就得到了各类的聚类中心和各个样本对与各类的隶属度值，从而完成了基于改进模糊的K均值动态聚类算法的风力发电机组机群划分，风电场的风力发电机组按相似动态特性被划分成K群。

(3)基于全局最优位置变异粒子群算法对风电场进行网络简化、参数聚合，获得风电场动态等值模型:基于全局最优位置变异粒子群算法以等值前后风电场有功、无功、电压偏差的平方和作为优化目标，在整个解空间上进行寻优，按概率意义找到满足优化目标函数的等值风电机组模型的参数。其中，风电场等值模型的功率控制器和电流控制器参数采用双馈风机的单机模型经过辨识后的参数值。这样，整个风电场就能用几台等值风电机组来代替。据此基于运行数据的风电场内机群划分、网络简化和参数聚合三个步骤实现了风电场动态等值建模。

所述基于全局最优位置变异粒子群算法对风电场进行动态等值方法包括以下步骤：

a)搭建双馈风电场等值模型。其中，电机参数未知，风电场等值模型的功率控制器和电流控制器参数采用双馈风机的单机模型经过辨识后的参数值，机组参数按风机容量的变化作等比例增加，风轮半径保持不变。

定义目标函数：将大小扰动下实测有功功率数据作为功率参考，将有功功率偏差平方和送入MATLAB中workplace区，以供适应度函数采集调用。式中，M为等值前后有功功率的采样点数，P_oi为样本的有功功率曲线中第i个采样点的有功功率值，P_i为等值后第i点的有功功率值。经过处理就将双馈电机参数辨识问题转化为参数优化问题；

b)选择待辨识参数R_s、R_r、L_s、L_r、X_m，初始化粒子群体的位置和速度，设定种群大小，设置粒子位置和速度上下限，设定迭代次数、收敛精度和相关权系数。其中，R_s和L_s分别为定子电阻和定子漏抗；R_r和L_r分别为归算后转子电阻和转子电抗；X_m为励磁电抗；

c)计算粒子适应值，将每个粒子适应值与个体极值进行比较，如果较优，则更新当前的个体极值；将每个粒子适应值与全局极值进行比较，如果较优，则更新当前的全局极值；

d)更新每个粒子的位置和飞行速度，在第t+1次迭代计算时，粒子i更新规则如下：

v_ik(t+1)＝wv_ik(t)+c₁×rand1(0,1)×(p_ik(t)-x_ik(t))+c₂×rand2(0,1)×(p_gk(t)-x_ik(t))

x_ik(t+1)＝x_ik(t)+v_ik(t+1)

式中ω为惯性权重,c₁、c₂为两个学习因子；rand1(0,1)和rand2(0,1)为两个均匀分布在(0，1)之间的随机数；i＝1,2,...,m；k＝1,2,...,d；另外，粒子在每一维的速度v_i都被一个最大速度V_max所限制。v_ik(t+1)和x_ik(t+1)分别为粒子i的第t+1次飞行速度和位置；

e)计算变异时机，确定是否需要变异；

f)重复步骤c到e，通过不断调整解向量，将等值模型输出的功率曲线P与P₀进行拟合，直到达到迭代次数或收敛精度，确定最优解向量，从而获得等值风电机组各项参数的最优值。

(4)模型验证，在相同扰动输入下，比较风电场动态等值模型与详细模型动态响应，验证风电场动态等值模型的有效性：结合搜索辨识后的参数完善风电场等值模型，对比采用详细风电场模型建立的仿真系统输入输出特性，以验证基于运行数据双馈型风电场动态等值模型的有效性。

本发明具有以下的优点和有益效果：

1、本发明基于实测运行数据对含双馈风电机组的风电场进行动态等值建模，首先结合经过校正处理后的采样数据，对风电机组的控制器参数进行直接辨识，使风电机组的功率输入输出特性与实际相符合，得到一套具有一定实用性的双馈风电机组模型。然后在聚类分群结果的基础上，对风电场进行动态等值，建立的风电场动态等值模型能够准确地反映风电场并网点的动态特性，具有重要的工程应用价值，可用于含双馈风电机组风电场接入电力系统稳定性分析中。

2、本发明通过对风电场内相关机群划分、网络简化和参数聚合三个步骤，大大降低了模型的阶数，显著减少仿真时间，降低阶数，从而避免维数灾，从而解决大型/巨型风电场的建模难题，结合运行数据的风电场模型将为含风电场电力系统的规划与运行调度提供理论支撑。

3、本发明采用的全局最优位置变异的粒子群算法设计了一种不同于传统变异的新的变异方法以避免陷入“早熟”，这样整个粒子群也不至于因全局最优位置处于某个局部最优点时的强大吸引而快速聚集到局部最优点。这也确保了动态等值结果的有效性。

附图说明

图1是本发明基于运行数据含双馈风电机组的风电场参数辨识及动态等值建模方法总流程图；

图2是本发明实施例国内某地双馈风电机组构建的风电场结构示意图；

图3是本发明基于实测运行数据对风力发电机组控制模型进行参数辨识的系统框图。

图4是本发明基于实测运行数据对风力发电机组控制模型进行参数辨识的流程图；

图5是本发明基于改进的模糊K均值动态聚类算法对风电场中风电机组进行聚类分群的流程图；

图6是本发明基于全局最优位置变异粒子群算法对风电场进行动态等值方法的流程图；

图7是本发明基于全局最优位置变异粒子群算法寻优结束前中风电场的并网点电压、电流、有功功率、无功功率、直流侧电压和转子转速波形图；

图8a、图8b、图8c分别是本发明实施例风电场详细模型和动态等值模型在输电线路三相短路故障过程中并网点电压、有功功率和无功功率的暂态响应过程波形图。

具体实施方式

下面结合实施例及附图，对本发明做进一步地详细说明，但本发明的实施方式不限于此。

图1是本发明基于运行数据含双馈风电机组的风电场参数辨识及动态等值建模方法总流程图。方法包括以下步骤：步骤a：基于实测数据对风电机组控制模型的功率和电流控制器参数进行参数辨识，并对辨识结果进行通用性验证；步骤b：结合运行数据，选取能反映扰动下的风电机组和风电场的特征变量，应用改进的模糊K均值动态聚类算法进行机群划分；步骤c：基于全局最优位置变异粒子群算法对风电场进行网络简化、参数聚合，获得风电场动态等值模型；步骤d：在相同扰动输入下，比较风电场动态等值模型与详细模型动态响应，验证等值模型的有效性。

图2是本发明实施例国内某地33台双馈风电机组构建的风电场结构示意图。所述风电场每台双馈风机均经由一台变比为0.69kV/35kV的理想变压器连接到每组集总母线上，每11台双馈风机为一组，再经由风电场集总变压器Trf_Grid(变比为35kV/110kV)连接到外部系统，ExternalGrid是外部等值网络。

图3是本发明基于实测运行数据对风力发电机组控制模型进行参数辨识的系统框图。所述参数辨识模块包括测量文件、要辨识的模型元件1～n、参数辨识比较器、优化器。

图4是本发明基于实测运行数据对风力发电机组控制模型进行参数辨识的流程图。所述步骤a，具体包括以下步骤：

a)选择需要重点辨识的控制器模型参数。需要进行辨识的必须是变化时能引起风电机输出功率明显变化的控制器参数，经测试，模型中功率控制器的控制参数Kp、Tp、Kq、Tq和电流控制器的控制参数Kd、Td、Kq、Tq对发电机输出功率的影响较大。由此，选用上述8个参数进行辨识；其中，Kp、Tp分别是有功功率控制器的比例常数和积分常数；Kq、Tq分别是无功功率控制器的比例常数和积分常数；Kd、Td分别是有功电流控制器的比例常数和积分常数；Kq1、Tq1无功电流控制器的比例常数和积分常数；

b)搭建参数辨识模块。目标函数默认是实测数据和仿真结果的差值的平方和：

$J=\underset{i=1}{\overset{n}{\Σ}}{\[(M_i-S_i){\mathrm{\ω}}_i\]}^p$

其中，M_i是测量文件中的数据；S_i是仿真文件中的数据；ω_i是权重因子，可根据实际情况进行调整；p是指数值，默认为2。目标函数越小指示参数辨识效果越好。

测量文件通过读取实际的发电机有功功率给比较器模块，再通过功率测量环节将仿真中发电机有功功率特性提供给比较器模块，根据实际的数据和仿真结果计算目标函数值；

c)设置参数初始值。所述参数初始值为双馈风力发电机组经典控制模型参数；

d)实测数据处理及导入。所述实测数据为风电机组的输入风速。

作为优选实施方式，对实际的采样数据经过数据过滤与还原处理后作为输入风速数据；

作为优选实施方式，为了能更好地反映双馈感应电机的动态性能，输入数据选择风速波动较大的数据进行辨识，设定标准方差在0.75以上的即为风速波动较大的数据；

e)获得控制器参数辨识结果；

f)模型验证。将获得的控制器参数辨识结果作为该时段风电机组控制器模型参数，与对应采样功率数据进行比较，以验证控制器参数辨识的可用性。

图5是本发明基于改进的模糊K均值动态聚类算法对风电场中风电机组进行聚类分群的流程图。结合风电机组和风电场实测数据，分析风力发电机组的有功、无功、电压、转速、桨距角等参量对风力发电机组和风电场暂态特性的影响，并提炼出能反映大扰动下的风电机组和风电场的特征变量。以大扰动发生前一刻、大扰动期间和大扰动消失后风力发电机组具有相同或相近的运行点为风电机组动态机群划分为准则，综合利用各风电机组在大扰动期间实测风速、有功、无功等反映发电机组暂态运行点的特征变量的测量数据为数据样本，应用改进的模糊K均值动态聚类算法进行机群划分，使同一机群内的风电机组的动态响应尽可能相似，不同机群的风电机组的动态响应差别尽可能大。借鉴同调等值的思想，认为同一风电组群具有相同或相近的动态过程，并将其等效为一台等值风电机组。

本发明的优选方案：采用扰动期间实测风力发电机组有功功率作为聚类分群的特征变量，所述步骤b，具体包括以下步骤：

a)首先选取风电场在扰动期间设定时间段内各风力发电机组的实测有功功率数据作为运行数据样本，样本的测量数据点数为L，将N台风力发电机组的有功功率数据记录按行建立实测有功功率样本矩阵：

其中第i行表示第i台风力发电机组实际测得的有功功率记录，第j列表示n台风力发电机组在第j个时刻测得的有功功率。把实测有功功率样本矩阵P的每一行看作为空间中的一个数据点(样本数量为n，样本维数为k)；

b)确定聚类数目K＝3，将全部数据随机分成K类。其中，聚类的簇的个数K值根据实际风电场规模和模型精度要求选取。计算每类的重心，并将重心作为其代表点。各代表点自成一类，将样本依顺序归入与其距离最近的代表点一类，并重新计算该类的重心以代替原来的代表点，然后再计算下一个样本的归类，直至所有的样本都归到相应的类中位置，初始化各个聚类中心m_i完成；

c)定义μ_j(x_i)是第i个样本对于第j类的隶属度函数，用隶属度函数定义相应的聚类损失函数为： $J_f=\underset{j=1}{\overset{k}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}{\[{\mathrm{\μ}}_j\left(x_i\right)\]}^b\left|\right|x_i-m_j|{|}^2$ 公式一

其中，b>1是一个可以控制聚类结果的模糊程度的常数；x_i是聚类样本。

改进模糊K均值算法要求所有样本对于各个聚类的隶属度总和为n，即

$\underset{j=1}{\overset{k}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\μ}}_j\left(x_i\right)=n$ 公式二

在公式一条件下，令J_f对m_i和μ_j的偏导数为0，可得必要条件：

$m_j=\frac{\underset{i=1}{\overset{n}{\Σ}}{\[{\mathrm{\μ}}_j\left(x_i\right)\]}^b{x}_i}{\underset{i=1}{\overset{n}{\Σ}}{\[{\mathrm{\μ}}_j\left(x_i\right)\]}^b},j=1,2,...,k$ 公式三

${\mathrm{\μ}}_j\left(x_i\right)=\frac{n{(1/||x_i-m_j|{|}^2)}^{1/(b-1)}}{\underset{k=1}{\overset{k}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}{(1/||x_l-m_k|{|}^2)}^{1/(b-1)}},i=1,2,...,n;j=1,2,...,k$ 公式四

d)重复下面的运算，直到各个样本的隶属度值稳定：

①用当前的聚类中心根据公式四计算隶属度函数；

②用当前的隶属度函数按公式三更新计算各类聚类中心。

当算法收敛时，就得到了各类的聚类中心和各个样本对与各类的隶属度值，从而完成了基于改进模糊的K均值动态聚类算法的风力发电机组机群划分，风电场的风力发电机组按相似动态特性被划分成K＝3群。

图6是本发明基于全局最优位置变异粒子群算法对风电场进行动态等值方法的流程图。基于全局最优位置变异粒子群算法以等值前后风电场有功、无功、电压偏差的平方和作为优化目标，在整个解空间上进行寻优，按概率意义找到满足优化目标函数的等值风电机组模型的参数。其中，风电场等值模型的功率控制器和电流控制器参数采用双馈风机的单机模型经过辨识后的参数值。这样，整个风电场就能用几台等值风电机组来代替。据此基于运行数据的风电场内机群划分、网络简化和参数聚合三个步骤实现了风电场动态等值建模。

所述步骤c，具体包括以下步骤：

a)搭建双馈风电场等值模型。其中，电机参数未知，风电场等值模型的功率控制器和电流控制器参数采用双馈风机的单机模型经过辨识后的参数值，机组参数按风机容量的变化作等比例增加，风轮半径保持不变。

定义目标函数：将大小扰动下实测有功功率数据作为功率参考，将有功功率偏差平方和送入MATLAB中workplace区，以供适应度函数采集调用。式中，M为等值前后有功功率的采样点数，P_oi为样本的有功功率曲线中第i个采样点的有功功率值，P_i为等值后第i点的有功功率值。经过处理就将双馈电机参数辨识问题转化为参数优化问题；

b)选择待辨识参数R_s、R_r、L_s、L_r、L_m，初始化粒子群体的位置和速度，设定种群大小，设置粒子位置和速度上下限，设定迭代次数、收敛精度和相关权系数。其中，R_s和L_s分别为定子电阻和定子电抗；R_r和L_r分别为归算后转子电阻和转子漏抗；X_m为励磁电抗；

作为优选实施方式，采用容量加权法求取等值风电机组的发电机参数，然后分别乘以2和0.3作为搜索范围的上限与下限。

容量加权法中，等值机的参数为：

$Z_{rA}=\frac{1}{\underset{\∀i\∈AS}{\Σ}{w}_i\frac{1}{Z_{ri}}},Z_{sA}=\frac{1}{\underset{\∀i\∈AS}{\Σ}{w}_i\frac{1}{Z_{si}}},Z_{mA}=\frac{1}{\underset{\∀i\∈AS}{\Σ}{w}_i\frac{1}{Z_{mi}}}$

其中，Z_s＝R_s+jX_s表示定子阻抗；Z_r＝R_r+jX_r表示转子漏抗；Z_m＝jX_m表示励磁电抗。AS表示参与等值的全部双馈发电机的集合，下标A表示等值后的双馈发电机，w_i为容量权系数；i表示第i台发电机；

c)计算粒子适应值，将每个粒子适应值与个体极值进行比较，如果较优，则更新当前的个体极值；将每个粒子适应值与全局极值进行比较，如果较优，则更新当前的全局极值；

d)更新每个粒子的位置和飞行速度，在第t+1次迭代计算时，粒子i更新规则如下：

v_ik(t+1)＝wv_ik(t)+c₁×rand1(0,1)×(p_ik(t)-x_ik(t))+c₂×rand2(0,1)×(p_gk(t)-x_ik(t))

x_ik(t+1)＝x_ik(t)+v_ik(t+1)

式中ω为惯性权重,c₁、c₂为两个学习因子；rand1(0,1)和rand2(0,1)为两个均匀分布在(0，1)之间的随机数；i＝1,2,...,m；k＝1,2,...,d；另外，粒子在每一维的速度v_i都被一个最大速度V_max所限制。v_ik(t+1)和x_ik(t+1)分别为粒子i的第t+1次飞行速度和位置；

e)计算变异时机，确定是否需要变异；

f)重复步骤c到e，通过不断调整解向量，将等值模型输出的功率曲线P与P₀进行拟合，直到达到迭代次数或收敛精度，确定最优解向量，从而获得等值风电机组各项参数的最优值。

图7是本发明基于全局最优位置变异粒子群算法寻优结束前风电场的并网点电压Vabc_B、电流Iabc_B、有功功率P、无功功率Q、直流侧电压Vdc和转子转速wr波形图。由图可知算法结束时，风电场各参量已达到稳态。

图8是本发明实施例风电场详细模型和动态等值模型在输电线路三相短路故障过程中并网点电压、有功功率和无功功率的暂态响应过程。实施例假设在第1s时A点发生三相短路故障，0.12s后故障清除。针对暂态稳定分析，可假定分析过程中各风机输入风速不变。从图可看出动态等值模型与详细模型的暂态响应过程基本一致，等效模型误差较小，建立的风电场动态等值模型能够准确地反映风电场并网点的动态特性。

Claims (3)

1.基于运行数据的风电场参数辨识及动态等值方法，其特征在于，包括以下步骤：

步骤a：基于实测数据对风电机组控制模型的功率和电流控制器参数进行参数辨识，并对辨识结果进行通用性验证；具体步骤如下：

a1)选择风机模型中功率控制器的控制参数Kp、Tp、Kq1、Tq1和电流控制器的控制参数Kd、Td、Kq2、Tq2作为需要重点辨识的控制器模型参数；其中，Kp、Tp分别是有功功率控制器的比例常数和积分常数；Kq1、Tq1分别是无功功率控制器的比例常数和积分常数；Kd、Td分别是有功电流控制器的比例常数和积分常数；Kq2、Tq2无功电流控制器的比例常数和积分常数；

a2)搭建参数辨识模块，所述参数辨识模块包括测量文件、要辨识的模型元件、参数辨识比较器、优化器和目标函数；

a3)设置参数初始值，所述参数初始值为双馈风力发电机组经典控制模型参数；

a4)实测数据处理及导入，所述实测数据为风电机组的输入风速；

a5)获得控制器参数辨识结果；

a6)基于控制器参数辨识结果，进行模型验证；

步骤b：结合运行数据，选取能反映扰动下的风电机组和风电场的特征变量，应用改进的模糊K均值动态聚类算法进行机群划分；具体步骤为：

b1)运行数据选取风电场在扰动期间设定时间段内各风力发电机组的实测有功功率数据，并作为聚类分群的特征变量，建立实测有功功率样本矩阵；

b2)确定聚类数目K，将全部数据随机分成K类，其中，聚类的簇的个数K值根据实际风电场规模和模型精度要求选取；

b3)定义隶属度函数，用隶属度函数定义聚类损失函数；

b4)重复计算隶属度函数，用当前的隶属度函数更新计算各类聚类中心直至算法收敛；

步骤c：基于全局最优位置变异粒子群算法对风电场进行网络简化、参数聚合，获得风电场动态等值模型；

步骤d：在相同扰动输入下，比较风电场动态等值模型与详细模型动态响应，验证风电场动态等值模型的有效性。

2.如权利要求1所述的基于运行数据的风电场参数辨识及动态等值方法，其特征在于，所述步骤c包括以下具体步骤：

c1)搭建双馈风电场等值模型，所述风电场等值模型的功率控制器和电流控制器参数采用双馈风机的单机模型经过辨识后的参数值，机组参数按风机容量的变化作等比例增加，风轮半径保持不变；

定义目标函数：将大小扰动下实测有功功率数据作为功率参考，将双馈电机参数辨识问题转化为参数优化问题；式中，M为等值前后有功功率的采样点数，P_oi为样本的有功功率曲线中第i个采样点的有功功率值，P_i为等值后第i个采样点的有功功率值；

c2)选择待辨识参数R_s、R_r、L_s、L_r、X_m，初始化粒子群体的位置和速度，设定种群大小，设置粒子位置和速度上下限，设定迭代次数、收敛精度和相关权系数，其中，R_s和L_s分别为定子电阻和定子电抗；R_r和L_r分别为归算后转子电阻和转子漏抗；X_m为励磁电抗；

c3)计算粒子适应值，将每个粒子适应值与个体极值进行比较，如果较优，则更新当前的个体极值；将每个粒子适应值与全局极值进行比较，如果较优，则更新当前的全局极值；

c4)更新每个粒子的位置和飞行速度；

c5)计算变异时机，确定是否需要变异；

c6)重复步骤c3到c5，通过不断调整解向量，将等值模型输出的功率曲线P与实测有功功率曲线P₀进行拟合，直到达到迭代次数或收敛精度，确定最优解向量，从而获得等值风电机组各项参数的最优值。

3.如权利要求1所述的基于运行数据的风电场参数辨识及动态等值方法，其特征在于，步骤d中验证等值模型的有效性方法为：结合搜索辨识后的参数完善风电场等值模型，对比采用详细风电场模型建立的仿真系统在相同输入条件下的动态响应特性，以验证基于运行数据的双馈型风电场动态等值模型的有效性。