CN103995977A - 基于lvrt暂态响应特性分析的双馈风电机组参数辨识方法 - Google Patents

Abstract

本发明提供一种基于LVRT暂态响应特性分析的双馈风电机组参数辨识方法，该方法包括如下步骤：搭建双馈风机并网电路模型；改进遗传算法；导入数据，确定目标函数；判断是否满足目标函数的终止条件。通过本发明提供的方法，可以反映双馈风机整体的参数特性，具有较快的计算速度和较高的计算精度；本发明提出的双馈风机暂态特性参数辨识方法通用性强，可以应用于不同平台搭建的不同型号的风机；本发明在传统遗传算法的基础上提出了一种改进的遗传算法来对实测数据以及仿真数据进行处理，以提高计算速度，防止陷入局部最优解。

Description

基于LVRT暂态响应特性分析的双馈风电机组参数辨识方法

技术领域

本发明涉及新能源发电技术中的一种风机建模参数辨识方法，具体讲涉及一种用于双馈风机模型中的参数辨识的方法。

背景技术

双馈风机模型的参数辨识是风机建模的重要一环，近几年随着风电在电网中的比重逐渐提高，大规模风电并网对电力系统安全运行的影响也越来越突出。我国电网中陆续发生了多起因单台风机故障引起的大范围的风机脱网事故，给电网的安全稳定运行和可靠性供电造成了严重影响。为促进风电的健康发展，保证大规模风电并网的可靠运行，有必要从电网的角度对风机控制及其并网技术等问题进行研究。而建立准确的风机数学模型是展开上述研究的基础。

目前对于风机模型的参数辨识，常用的方法是针对风机的某一模块，在其数学简化公式的基础上，采用某种算法进行辨识。这类方法不能够反映风机的整体性能，更重要的是仅能对风机的稳态运行参数进行辨识，无法准确反映风机的暂态特性，尤其是风机在低电压穿越过程中的参数特性。

目前常用的算法主要有传统类辨识方法和进化类算法两种。传统类辨识算法包括：爬山法、广义Kalman滤波法、最小二乘法等方法。但是因为传统类辨识方法对信号的输入有一定要求，所以这些方法不能直接应用而且对非线性系统往往不能得到满意的辨识结果。所以目前比较倾向于采用进化类算法。

进化类算法主要包括：遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)、BP神经网络法和模拟退火算法等。虽然进化类算法较之传统的辨识算法，显著的提高了在较大干扰的情况下算法对系统参数的辨识精度。但进化类算法在收敛性、大干扰下辨识的有效性方面仍难以满足较高辨识精度和实时辨识效率的要求，因此有必要研究更有效的算法来辨识风电机组参数。

鉴于以上现有的风机参数辨识中存在的问题，本发明人多年大量观察、仔细研究、综合对比提出了一种基于改进遗传算法的双馈风机暂态特性参数辨识方法，以解决现有技术中存在的问题。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于LVRT暂态响应特性分析的双馈风电机组参数辨识方法。

为了实现上述发明目的，本发明采取如下技术方案：

一种基于LVRT暂态响应特性分析的双馈风电机组参数辨识方法，其特征在于，所述方法包括如下步骤：

A.搭建双馈风机并网电路模型；

B.改进遗传算法；

C.导入数据，确定目标函数；

D.判断是否满足目标函数的终止条件。

优选地，步骤B中，所述改进遗传算法包括改进选择算子；所述改进选择算子包括：结合最优策略保存法和适应度比例算法；所述结合包括：通过最优策略保存法将适应度最高的个体直接复制到下一代，再通过适应度比例算法挑选其他个体。

优选地，步骤B中，所述改进遗传算法包括改进交叉算子；所述改进交叉算子如下式表示：

C＝P₁+R×(P₁-P₂)；

式中：C为父代个体交叉产生的子个体；R为0到1之间的随机值；P₁、P₂分别为父代个体1与父代个体2，且P₁比P₂适应度高。

优选地，步骤B中，所述改进遗传算法包括改进变异算子；所述改进变异算子用下式表示：

M＝P+S×D；

式中：M为父个体变异产生的子个体；P为父个体；S为变异步长；D为进化方向。

优选地，步骤B中，所述改进遗传算法包括提出进化策略；所述提出进化策略如下式表示：

O＝E+C+M；

式中：O为子代种群；E为父代种群中选择出的精英个体；C为父代个体交叉产生的子个体；M为父个体变异产生的子个体。

优选地，步骤B包括：改进选择算子；改进交叉算子；改进变异算子和提出进化策略；所述选择算子、所述交叉算子和所述变异算子的个数比例为E:C:M＝1:7:2。

优选地，步骤C中，确定目标函数的求取原则如下式表示：

J＝J_p+J_q

J_p＝0.1×ΔP₁+0.6×ΔP₂+0.3×ΔP₃

J_q＝0.1×ΔQ₁+0.6×ΔQ₂+0.3×ΔQ₃；

J为实测数据与仿真数据的总误差；J_p、J_q分别为有功输出和无功输出的综合误差；ΔP₁、ΔP₂、ΔP₃分别为实测系统与仿真系统的有功输出在故障前、故障中、故障恢复阶段的分段误差；ΔQ₁、ΔQ₂、ΔQ₃分别为实测系统与仿真系统的无功输出在故障前、故障中、故障恢复阶段的分段误差。

优选地，步骤C中，所述数据包括实测数据和仿真数据；所述仿真数据为电力系统暂态仿真软件得出的数据；实测数据和仿真数据导入到MATLAB软件中。

优选地，步骤D包括：如果不满足终止条件，MATLAB调用改进的遗传算法生成新一代种群；如果目标函数满足要求，程序结束。

与现有技术相比，本发明的有益效果在于：

1.本发明提出的双馈风机暂态特性参数辨识方法反映了双馈风机在故障状态下的参数特性，可以反映双馈风机整体的参数特性，具有较快的计算速度和较高的计算精度；

2.本发明提出的双馈风机暂态特性参数辨识方法通用性强，可以应用于不同平台搭建的不同型号的风机；

3.本发明在传统遗传算法的基础上提出了一种改进的遗传算法来对实测数据以及仿真数据进行处理，以提高计算速度，防止陷入局部最优解。

附图说明

图1是本发明中基于改进遗传算法的双馈风机的参数辨识方案示意图；

图2是本发明中参数辨识流程图；

图3是本发明中风机连接电网的仿真电路图；

图4是本发明中风机发生暂态故障时电压的变化曲线图；

图5是本发明中风机发生暂态故障时有功功率的变化曲线图；

图6是本发明中风机发生暂态故障时无功功率的变化曲线图；

图7是本发明中风机发生暂态故障时风机的电流与转速的变化曲线图；

图8是本发明实施例中适应度函数值各代分布图；

图9是本发明实施例中个体间平均距离各代分布图；

图10是本发明实施例中实测与辨识参数电压对比图；

图11是本发明实施例中实测与辨识参数有功功率对比图；

图12是本发明实施例中实测与辨识参数无功功率对比图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

基于改进遗传算法的双馈风机的参数辨识方案如图1所示。参数辨识过程为从软件接口读取仿真输出Y_s。计算当前代种群中个体的适应度，由问题的目标函数(Y_m与Y_s的误差J)转换得到，判断是否满足终止条件。

依照该辨识方案，本发明设计的的参数辨识流程如图2所示，基于改进遗传算法的双馈风机暂态特性参数辨识方法，包括如下步骤：

a.搭建双馈风机并网电路模型；

b.改进遗传算法；

c.导入数据，确定改进遗传算法的目标函数(适应度函数)；

d.判断是否满足目标函数的终止条件。

步骤a中所述的建立双馈风机仿真模型包括如下步骤：

双馈风机模型主要包括以下子模块：双馈感应电机模型(内置机侧变频器)、风速模型、空气动力学模型(风力机模块)、浆距角控制模型、轴系模型、最大功率追踪模型、转速控制模型、功率控制模型、电流控制模型、坐标控制补偿模型、保护模块和各种测量模块等。

参照国标GB/T19963-2011《风电场接入电力系统技术规定》中关于风电场低电压穿越的规定，风电场内的风机具有在并网点电压跌落至20％额定电压时能够保持不脱网连续运行0.625s的能力；风电场并网点电压在发生跌落后2s内能够恢复到额定电压的90％时，风电场内的风机能够保证不脱网连续运行。设置风机并网点突然发生三相接地短路故障，导致并网点电压跌落至0.2p.u，故障持续时间为0.625s。风机连接电网的电路图如图3所示，风机发生暂态故障时的相关变量的变化曲线如图4～7所示。

步骤b包括如下步骤：

通过对遗传算法中的选择算子、交叉算子以及变异算子的改进，提出了一种改进遗传算法。具有更快的计算速度以及计算精度。依据适应度的分配情况选择再生个体，适应度高的个体选择的概率高，适应度低的个体可能被淘汰。

1)选择算子(selection operator)：适应度比例算法和最优策略保存法

适应度比例算法是一种回放式随机采样方法，各个个体的选择概率和其适应度值成比例。每个个体进入到下一代的概率就等于它的适应度值与整个种群中的个体适应度值总和的比例，适应度值越高，被选中的可能性就越大，进入到下一代的概率就越大。

$F_i=P_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i$

F_i表示为当前某个个体被选中进入下一代的概率，P_i表示为当前某个体的适应度值，

最优策略保存法是把种群中适应度最高的个体(大于等于一个)不进行交叉变异而直接复制到下一代中去。这样可以保证进化过程中某一代的最优解可不被交叉和变异操作所破坏，但是有可能会使局部最优个体的遗传基因急速增加而使进化有可能限于局部解。所以本发明将适应度比例算法和最优策略保存法结合起来使用，充分发挥二者的优点。

2)交叉算子(crossover operator)：改进启发式交叉法

交叉操作是将群体的各个个体随机搭配成对，将选中的个体以交叉算子概率交换它们之间的部分染色体，以生成新的个体。新个体结合了父代个体的特征。

基于线性交叉原理，提出了改进的启发式交叉算子，假设父代个体P₁比P₂适应度强，则对两者进行启发式交叉后：

C＝P₁+R×(P₁-P₂)

式中：C为父代个体交叉产生的子个体；R为0到1之间的随机值；P₁、P₂分别为父代个体1与父代个体2，且P₁比P₂适应度高。

3)变异算子(mutation operator)：自适应变异

变异操作是对群体中选中的个体，以交叉算子概率改变个体的基因值，增加基因的多样性，创造有生命力的新个体。变异操作是产生新个体的辅助方法，扩大了选择范围，增加了种群多样性。

基于高斯变异原理，提出了改进的自适应变异算子：

M＝P+S×D

式中：M为父个体变异产生的子个体；P为父个体；S为变异步长；D为进化方向。

其中S和D是随群体中个体的多样性程度自适应的调整。

4)进化策略

本发明所提出的进化遗传算法采用的进化策略为：

O＝E+C+M

式中：O为子代种群；E为父代种群中选择出的精英个体；C为父代种群中选择出的父代个体进行启发式交叉产生的个体；M为父代种群中选择出的父个体进行自适应变异产生的个体；E、C、M在子代种群中所占的比例由遗传算法控制参数决定。

本发明中采用选择算子，交叉算子和变异算子的比例为E:C:M＝1:7:2。

步骤c包括如下步骤：

先将某型风机实测的输出Y_m导入到MATLAB软件中，然后从软件接口读取仿真输出Y_s。问题的目标函数为Y_m与Y_s的误差J。

目标函数中，有功功率和无功功率权重的划分参照德国的模型验证标准TR4《Technical Guidelines for Power Generating Unites Part4Demands on Modelling andValidating Simulation Models of the Electrical Characteristics》中对于模型验证的要求，确定目标函数的求取原则如下：

J＝J_p+J_q

J_p＝0.1×ΔP₁+0.6×ΔP₂+0.3×ΔP₃

J_q＝0.1×ΔQ₁+0.6×ΔQ₂+0.3×ΔQ₃

J为实测输出与仿真输出的总误差；J_p、J_q分别为有功输出和无功输出的综合误差；ΔP₁、ΔP₂、ΔP₃分别为实测系统与仿真系统的有功输出在故障前、故障中、故障恢复阶段的分段误差；ΔQ₁、ΔQ₂、ΔQ₃分别为实测系统与仿真系统的无功输出在故障前、故障中、故障恢复阶段的分段误差。

应用例如下：

本发明适应于双馈风机暂态特性的参数辨识。以Vestas的某型双馈风机模型的参数辨识为例，要求辨识该型风机中的11个参数。

需要辨识的参数介绍如下：

电流控制模块的四个参数：有功无功电流PI控制器的比例参数Kd/Kq和积分时间常数Td/Tq；

PQ控制模块的四个参数：有功和无功功率PI控制器的比例系数Kp/Kq和积分时间常数Tp/Tq；

转速控制模块的3个参数：

转速PI调节器的比例系数、积分系数以及输出限幅器的时间常数。

按照国标要求，采用符合IEC61400-21ed.2标准的试验配置，记录该型风机在并网点电压跌落至20％，故障持续时间为0.625s时输出的有功功率和无功功率数值，作为实测数据。在模型搭建平台，对仿真模型也设置同样的故障，记录输出的有功功率和无功功率数值，作为仿真数据初值。将实测数据以及仿真数据作为MATLAB程序的输入，调用改进遗传算法数据进行处理，如果此时的适应度值满足要求，则终止程序，反之，则将每一代辨识结果作为已知来修正仿真模型参数，记录故障下的数据作为下一次的仿真数据输入，持续这个循环直至适应度值满足要求。本算例采用IGA算法(改进遗传算法)计算200次后，适应度函数值和个体间平均距离两个参数的变化图如图8～9所示。采用IGA算法计算的辨识参数图形与实测图形的对比曲线图如图10～12所示。从仿真结果可以看出，采用本文所述的风机参数辨识方法，风电机组的暂态特性与实测模型曲线可以很好的吻合。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于LVRT暂态响应特性分析的双馈风电机组参数辨识方法，其特征在于，所述方法包括如下步骤：

A.搭建双馈风机并网电路模型；

B.改进遗传算法；

C.导入数据，确定目标函数；

D.判断是否满足目标函数的终止条件。

2.如权利要求1所述的方法，其特征在于，步骤B中，所述改进遗传算法包括改进选择算子；所述改进选择算子包括：结合最优策略保存法和适应度比例算法；所述结合包括：通过最优策略保存法将适应度最高的个体直接复制到下一代，再通过适应度比例算法挑选其他个体。

3.如权利要求1所述的方法，其特征在于，步骤B中，所述改进遗传算法包括改进交叉算子；所述改进交叉算子如下式表示：

C＝P₁+R×(P₁-P₂)；

式中：C为父代个体交叉产生的子个体；R为0到1之间的随机值；P₁、P₂分别为父代个体1与父代个体2，且P₁比P₂适应度高。

4.如权利要求1所述的方法，其特征在于，步骤B中，所述改进遗传算法包括改进变异算子；所述改进变异算子用下式表示：

M＝P+S×D；

式中：M为父个体变异产生的子个体；P为父个体；S为变异步长；D为进化方向。

5.如权利要求1所述的方法，其特征在于，步骤B中，所述改进遗传算法包括提出进化策略；所述提出进化策略如下式表示：

O＝E+C+M；

式中：O为子代种群；E为父代种群中选择出的精英个体；C为父代个体交叉产生的子个体；M为父个体变异产生的子个体。

6.如权利要求1所述的方法，其特征在于，步骤B包括：改进选择算子；改进交叉算子；改进变异算子和提出进化策略；所述选择算子、所述交叉算子和所述变异算子的个数比例为E:C:M＝1:7:2。

7.如权利要求1所述的方法，其特征在于，步骤C中，确定目标函数的求取原则如下式表示：

J＝J_p+J_q

J_p＝0.1×ΔP₁+0.6×ΔP₂+0.3×ΔP₃

J_q＝0.1×ΔQ₁+0.6×ΔQ₂+0.3×ΔQ₃；

J为实测数据与仿真数据的总误差；J_p、J_q分别为有功输出和无功输出的综合误差；ΔP₁、ΔP₂、ΔP₃分别为实测系统与仿真系统的有功输出在故障前、故障中、故障恢复阶段的分段误差；ΔQ₁、ΔQ₂、ΔQ₃分别为实测系统与仿真系统的无功输出在故障前、故障中、故障恢复阶段的分段误差。

8.如权利要求1所述的方法，其特征在于，步骤C中，所述数据包括实测数据和仿真数据；所述仿真数据为电力系统暂态仿真软件得出的数据；实测数据和仿真数据导入到MATLAB软件中。

9.如权利要求1所述的方法，其特征在于，步骤D包括：如果不满足终止条件，MATLAB调用改进的遗传算法生成新一代种群；如果目标函数满足要求，程序结束。