CN105703396A - 一种双馈风力发电场多机表征等值建模方法 - Google Patents

Abstract

本发明属于风能发电技术领域，具体涉及一种双馈风力发电场多机表征等值建模方法，首先，选取风速、双馈发电机转速、双馈发电机输出有功功率作为单台风力机的特征状态变量矢量；其次，利用模糊C均值聚类方法通过对各个风力机的特征状态变量矢量分类，将整个风电场内的风力机划分为C个群，并将每个群内的全部风力机等值成为一台风力机；最后，累加C台等值风力机输出的有功功率和无功功率，即可得到整个双馈风电场等值模型输出的有功功率和无功功率。本发明提出的双馈风电场动态等值方法有效地改善了传统单机等值模型误差大的缺点，能更加精确地描述双馈风电场的出力情况。

Description

一种双馈风力发电场多机表征等值建模方法

技术领域

本发明属于风能发电技术领域，具体涉及一种双馈风力发电场多机表征等值建模方法。

背景技术

风力发电作为一种重要的新能源发电方式，在中国快速发展。随着风力发电技术的飞速发展，风电机组单机容量及风电场装机容量不断增加，髙穿透功率的风电并入电网势必对系统安全稳定造成影响。研究大规模风电场并网问题的基础性课题是风电机组及风电场建模，为了节约仿真时间且保留相应的模型精度，有必要对风电场进行适当的等值简化。研究风电场的等值建模方法具有非常重要的现实意义。高穿透功率、高短路容量比的风电场并入电力系统势必对电网造成大范围的冲击，对系统安全稳定造成一定影晌，主要体现在风电出力具有随机性、间歇性和波动性的特点，给电网调峰调度带来挑战；大规模风电主要分布在偏远地区，距离主网负荷中心较远，同系统功率交换能力差；此外，大规模风电场并入电力系统还对电网静态及暂态稳定性问题，电压波动及闪变、谐波等电能质量问题产生大范围影响。解决以上问题都需要首先对风电机组及风电场模型进行深入分析和研究。考虑到风电场具有单机容量小、电源数量多、场内接线结构复杂、单机模型阶数高等不同于常规电厂的特点，有必要对风电场等值建模问题进行深入研究。

经对现有技术文献的检索发现，大型风力发电场等值模型研究综述(李先允，陈小虎，唐国庆.“大型风力发电场等值模型研究综述”.华北电力大学学报，2006，33(1)：42-46)给出了一种单机表征双馈风电场等值方法，但建立的等值模型与详细模型误差较大。风电场发电机动态等值问题的研究(孙健锋，焦连伟，吴俊玲，等.风电场发电机动态等值问题的研究.电网技术，2004，28(7)：58-61)给出了一种多机表征双馈机组等值方法，并给出了双馈机组等值参数计算方法，但该方案没有给出具体的风电机组划群指标。风电场动态等值模型的多机表征方法(米增强，苏勋文，杨奇逊，等.风电场动态等值模型的多机表征方法.电工技术学报，2010，25(5)：162-169)给出了详细的双馈风电机组划群指标，采用了K-均值聚类算法对风电机组进行划群，但是此方案产生的划群结果不稳定，等值结果误差较大。

发明内容

本发明的目的为解决现有技术的不足，提供一种双馈风力发电场多机表征等值建模方法，能有效地改善单机等值模型误差大的问题以及普通聚类算法聚类结果不稳定的问题，能更加精确地体现双馈风电场的出力情况。本发明采用如下技术方案：

首先，采集各台风机所处位置的风速、双馈发电机转速、双馈发电机输出有功功率并作为风力机的特征状态变量矢量；其次，利用模糊C均值聚类方法通过对各个风力机的特征状态变量矢量分类，将整个风电场内的风机划分为C个群，并将每个群内的全部风力机等值成为一台风力机；最后，累加C台等值风机输出的有功功率和无功功率，即可得到整个双馈风电场等值模型输出的有功功率和无功功率。本发明提供一种双馈风力发电场多机表征等值建模方法，其特征在于，所述建模方法包括以下步骤：

步骤S1：采集当前时刻每台风力机所处位置的风速、双馈发电机转速、双馈发电机输出有功功率的特征状态变量数据，并将其组成矢量保存起来；

步骤S2：利用模糊C均值聚类算法对全部风力机的特征状态变量矢量进行分类，将整个双馈风电场内的风力机被划分为C个分群；

步骤S3：采用容量加权法，将被划分为同一个分群内的风力机等值为一台风力机，双馈风电场的等值模型将由C台等值风力机组成；

步骤S4：累加C台等值风力机输出的有功功率和无功功率，即可得到整个双馈风电场等值模型输出的有功功率和无功功率。

优选地，所述步骤S2利用模糊C均值聚类算法对全部风力机的特征状态变量矢量进行分类，包括以下步骤：

步骤S21，采集当前时刻每台风力机所处位置的风速V、双馈发电机转速ω、双馈发电机输出有功功率P等数据并将其组成矩阵S满足：

$S=\left[\begin{array}{cccccc}{x}_1& x_2& \mathrm{...}& x_i& \mathrm{...}& x_n\end{array}\right]=\left[\begin{array}{cccccc}{V}_1& V_2& \mathrm{...}& V_i& \mathrm{...}& V_n\\ {\mathrm{\ω}}_1& {\mathrm{\ω}}_2& \mathrm{...}& {\mathrm{\ω}}_i& \mathrm{...}& {\mathrm{\ω}}_n\\ P_1& P_2& \mathrm{...}& P_i& \mathrm{...}& P_n\end{array}\right];$

式中：i＝1,2，…,n；n为双馈风电场风力机的总台数；x_i为第i台风力机的特征状态变量列矢量；x_i＝[V_iω_iP_i]，V_i为第i台风力机所处位置的风速，ω_i为第i台双馈发电机转速，P_i为第i台双馈发电机输出有功功率；

步骤S22：模糊C均值聚类算法初始化，设置聚类个数C，模糊指数m，m＝3；误差阈值ε，ε＝0.001；

步骤S23：在x₁、x₂、…、x_i、…x_n中选取前C个特征状态变量列矢量作为初始聚类中心，其中，i＝1，…,n，并组成矩阵V：

V＝[v₁v₂...v_j...v_C]，其中，j＝1,2,…,C；

式中：v_j为聚类中心列向量，且i＝j时，x_i＝v_j；

步骤S24：计算x_i与v_j之间的欧式距离d_ij：

$d_{ij}=\left|\right|x_i-v_j\left|\right|=\sqrt{{(V_i-V_j)}^2+{({\mathrm{\ω}}_i-{\mathrm{\ω}}_j)}^2+{(P_i-P_j)}^2};$

式中：V_j为第j台风力机所处位置的风速，ω_j为第j台双馈发电机转速，P_j为第j台双馈发电机输出有功功率；

步骤S25，计算x_i相对于v_j的隶属度u_ji，并组成隶属度矩阵U：

其中，i＝1,2，…,n；j＝1,2,…,C；

$U=\left[\begin{array}{cccccc}{U}_1& U_2& \mathrm{...}& U_i& \mathrm{...}& U_n\end{array}\right]=\left[\begin{array}{ccccc}{u}_{11}& ...& u_{1i}& ...& u_{1n}\\ ...& ...& ...& ...& ...\\ u_{j1}& ...& u_{ji}& ...& u_{jn}\\ ...& ...& ...& ...& ...\\ u_{C1}& ...& u_{Ci}& ...& u_{Cn}\end{array}\right];$

式中：d_kj表示x_k与v_j之间的欧式距离，U_i＝[u_1i...u_ji...u_Ci]；

步骤S26，计算聚类损失函数J，若J≥ε，则转入步骤S27；若J＜ε，则计算结束，并从U₁开始，寻找U₁组成元素u₁₁、u₂₁、…、u_j1、…u_C1中的最小值u_q1，其中，q∈[1,2...C]，则第一台风力机被划分为第q类，用同样的方法依次寻找U₂、…、U_n中各组成元素的最小值，这样n台风力机就被分成了C类，则聚类损失函数J满足：

$J=\underset{j=1}{\overset{n}{\Σ}}\underset{i=1}{\overset{c}{\Σ}}{u}_{ij}^m{d}_{ij}^2;$

步骤S27，计算新的聚类中心v_j，重复步骤S24、S25、S26，直至满足J＜ε，即可得到整个双馈风电场被划分为C个分群的聚类结果，所述聚类中心v_j满足:

$v_j=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m{x}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m};$

优选地，所述步骤S3采用容量加权法，将被划分为同一个分群内的风力机等值为一台风力机，包括以下步骤：

步骤S31：统计每一个分群内风力机的台数，将同一个分群内的所有风力机等值成为一台风力机,以某一个分群为例，假设该分群内包含H台风力机，则该分群的双馈发电机等值模型的参数满足：

$\left\{\begin{array}{c}{S}_{seq1}=\underset{p=1}{\overset{H}{\Σ}}{S}_{sp}\\ r_{req1}=1/\underset{p=1}{\overset{H}{\Σ}}{r}_{rp},r_{seq1}=1/\underset{p=1}{\overset{H}{\Σ}}{r}_{sp},\\ L_{req1}=1/\underset{p=1}{\overset{H}{\Σ}}{L}_{rp},L_{seq1}=1/\underset{p=1}{\overset{H}{\Σ}}{L}_{sp}\\ T_{eq1}=\underset{p=1}{\overset{H}{\Σ}}{T}_p,D_{eq1}=\underset{p=1}{\overset{H}{\Σ}}{D}_p\end{array}\right.$

式中：S_sp、r_rp、r_rp、L_rp、L_sp、T_p、D_p分别为等值前一台双馈发电机的额定容量、转子电阻、定子电阻、转子电感、定子电感、惯性时间常数、轴系阻尼系数；S_seq1、r_req1、r_seq1、L_req1、L_seq1、T_eq1、D_eq1分别为等值双馈发电机的额定容量、转子电阻、定子电阻、转子电感、定子电感、惯性时间常数、轴系阻尼系数；

步骤S32，计算与等值双馈发电机相连的等值变压器的参数，仍以该分群为例，等值变压器的参数满足：

$\left\{\begin{array}{c}{S}_{Teq1}=\underset{p=1}{\overset{H}{\Σ}}{S}_{Tp}\\ r_{Teq1}=1/\underset{p=1}{\overset{H}{\Σ}}{r}_{Tp}\\ L_{Teq1}=1/\underset{p=1}{\overset{H}{\Σ}}{L}_{Tp}\end{array}\right.;$

式中：S_Tp、r_Tp、L_Tp分别为等值前一台变压器的额定容量、励磁电阻、励磁电感；S_Teq1、r_Teq1、L_Teq1分别为等值变压器的额定容量、励磁电阻、励磁电感。

综上所述，本发明由于采用了以上技术方案，本发明具有以下显著效果：本发明提出的双馈等值建模方法有效地改善了传统单机表征法等值效果偏差较大的问题和普通多机表征法双馈风电机组聚类指标选取困难和聚类结果不准确的问题，能更加精确地实现大型双馈风电场的等值建模和描述双馈风电场的出力情况。

附图说明

图1是一种双馈风力发电场多机表征等值建模方法的单台双馈发电机系统结构图。

图2是本发明一种双馈风力发电场多机表征等值建模方法的建模流程图。

图3是本发明一种双馈风力发电场多机表征等值建模方法的实际双馈风电场输出有功功率、单机等值模型输出有功功率、等值模型输出有功功率对比图。

图4是本发明一种双馈风力发电场多机表征等值建模方法的实际双馈风电场输出无功功率、单机等值模型输出无功功率、等值模型输出无功功率对比图。

具体实施方式

下面结合附图，对本发明做进一步地详细说明，但本发明的实施方式不仅限于此。

图1是一种双馈风力发电场多机表征等值建模方法的单台双馈发电机系统结构图。该系统由风力机、齿轮箱、双馈发电机(DFIG)、直流电容C、机侧变流器和网侧变流器及其相应的控制系统等组成。一定速度的风带动风力机转动，将风能转化为机械能。由于风力机的转速往往较低，而双馈发电机的转速较高，故需要利用齿轮箱实现二者的衔接。在此基础上，双馈发电机被风机力拖动，完成了机械能向电能的转化。其中，双馈发电机定子侧发出的交流电经变压器升压后，直接并入电网；转子侧发出的交流电无序、不规则，不能直接并入电网，需要经过机侧变流器整流和网侧变流器逆变，再经过变压器升压后才能并入电网。

如图2所示，一种双馈风力发电场多机表征等值建模方法的整个双馈风电场等值模型的建模流程图。首先，采集各台风力机所处位置的风速、双馈发电机转速、双馈发电机输出有功功率并作为风机的特征状态变量矢量；其次，利用模糊C均值聚类方法通过对各个风机的特征状态变量矢量分类，将整个风电场内的风机划分为C个群，并将每个群内的全部风机等值成为一台风机；最后，累加C台等值风机输出的有功功率和无功功率，即可得到整个双馈风电场等值模型输出的有功功率和无功功率，所述建模方法主要包括以下步骤：

步骤S1：采集当前时刻每台风力机所处位置的风速、双馈发电机转速、双馈发电机输出有功功率的特征状态变量数据，并将其组成矢量保存起来；

步骤S2：利用模糊C均值聚类算法对全部风力机的特征状态变量矢量进行分类，将整个双馈风电场内的风力机被划分为C个分群；

步骤S3：采用容量加权法，将被划分为同一个分群内的风力机等值为一台风力机，双馈风电场的等值模型将由C台等值风力机组成；

步骤S4：累加C台等值风力机输出的有功功率和无功功率，即可得到整个双馈风电场等值模型输出的有功功率和无功功率。

作为本发明的最佳实施例，所述步骤S2利用模糊C均值聚类算法对全部风力机的特征状态变量矢量进行分类，包括以下步骤：

步骤S21，采集当前时刻每台风力机所处位置的风速V、双馈发电机转速ω、双馈发电机输出有功功率P等数据并将其组成矩阵S满足：

$S=\left[\begin{array}{cccccc}{x}_1& x_2& \mathrm{...}& x_i& \mathrm{...}& x_n\end{array}\right]=\left[\begin{array}{cccccc}{V}_1& V_2& \mathrm{...}& V_i& \mathrm{...}& V_n\\ {\mathrm{\ω}}_1& {\mathrm{\ω}}_2& \mathrm{...}& {\mathrm{\ω}}_i& \mathrm{...}& {\mathrm{\ω}}_n\\ P_1& P_2& \mathrm{...}& P_i& \mathrm{...}& P_n\end{array}\right];$

式中：i＝1,2，…,n；n为双馈风电场风力机的总台数；x_i为第i台风力机的特征状态变量列矢量；x_i＝[V_iω_iP_i]，V_i为第i台风力机所处位置的风速，ω_i为第i台双馈发电机转速，P_i为第i台双馈发电机输出有功功率；

步骤S22：模糊C均值聚类算法初始化，设置聚类个数C，模糊指数m，m＝3；误差阈值ε，λ＝0.001；

步骤S23：在x₁、x₂、…、x_i、…x_n(其中，i＝1，…,n，)中选取前C个特征状态变量列矢量作为初始聚类中心，并组成矩阵V：

V＝[v₁v₂...v_j...v_C]，其中，j＝1,2,…,C；

式中：v_j为聚类中心列向量，且i＝j时，x_i＝v_j；

步骤S24：计算x_i与v_j之间的欧式距离d_ij：

$d_{ij}=\left|\right|x_i-v_j\left|\right|=\sqrt{{(V_i-V_j)}^2+{({\mathrm{\ω}}_i-{\mathrm{\ω}}_j)}^2+{(P_i-P_j)}^2};$

式中：V_j为第j台风力机所处位置的风速，ω_j为第j台双馈发电机转速，P_j为第j台双馈发电机输出有功功率；

步骤S25，计算x_i相对于v_j的隶属度u_ji，并组成隶属度矩阵U：

其中，i＝1,2，…,n；j＝1,2,…,C)

$U=\left[\begin{array}{cccccc}{U}_1& U_2& \mathrm{...}& U_i& \mathrm{...}& U_n\end{array}\right]=\left[\begin{array}{ccccc}{u}_{11}& ...& u_{1i}& ...& u_{1n}\\ ...& ...& ...& ...& ...\\ u_{j1}& ...& u_{ji}& ...& u_{jn}\\ ...& ...& ...& ...& ...\\ u_{C1}& ...& u_{Ci}& ...& u_{Cn}\end{array}\right];$

式中：d_kj表示x_k与v_j之间的欧式距离，U_i＝[u_1i...u_ji...u_Ci]；

步骤S26，计算聚类损失函数J，若J≥ε，则转入步骤S27；若J＜ε，则计算结束，并从U₁开始，寻找U₁组成元素u₁₁、u₂₁、…、u_j1、…u_C1中的最小值u_q1，其中，q∈[1,2...C]，则第一台风力机被划分为第q类，用同样的方法依次寻找U₂、…、U_n中各组成元素的最小值，这样n台风力机就被分成了C类，则聚类损失函数J满足：

$J=\underset{j=1}{\overset{n}{\Σ}}\underset{i=1}{\overset{c}{\Σ}}{u}_{ij}^m{d}_{ij}^2;$

步骤S27，计算新的聚类中心v_j，重复步骤S24、S25、S26，直至满足J＜ε，即可得到整个双馈风电场被划分为C个分群的聚类结果，所述聚类中心v_j满足:

$v_j=\frac{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m{x}_j}{\underset{j=1}{\overset{n}{\Σ}}{u}_{ij}^m};$

作为本发明的最佳实施例，所述步骤S3采用容量加权法，将被划分为同一个分群内的风机等值为一台风机，包括以下步骤：

步骤S31：统计每一个分群内风力机的台数，将同一个分群内的所有风力机等值成为一台风力机,以某一个分群为例，假设该分群内包含H台风力机，则该分群的双馈发电机等值模型的参数满足：

$\left\{\begin{array}{c}{S}_{seq1}=\underset{p=1}{\overset{H}{\Σ}}{S}_{sp}\\ r_{req1}=1/\underset{p=1}{\overset{H}{\Σ}}{r}_{rp},r_{seq1}=1/\underset{p=1}{\overset{H}{\Σ}}{r}_{sp},\\ L_{req1}=1/\underset{p=1}{\overset{H}{\Σ}}{L}_{rp},L_{seq1}=1/\underset{p=1}{\overset{H}{\Σ}}{L}_{sp}\\ T_{eq1}=\underset{p=1}{\overset{H}{\Σ}}{T}_p,D_{eq1}=\underset{p=1}{\overset{H}{\Σ}}{D}_p\end{array}\right.$

式中：S_sp、r_rp、r_rp、L_rp、L_sp、T_p、D_p分别为等值前一台双馈发电机的额定容量、转子电阻、定子电阻、转子电感、定子电感、惯性时间常数、轴系阻尼系数；S_seq1、r_req1、r_seq1、L_req1、L_seq1、T_eq1、D_eq1分别为等值双馈发电机的额定容量、转子电阻、定子电阻、转子电感、定子电感、惯性时间常数、轴系阻尼系数；

步骤S32，计算与等值双馈发电机相连的等值变压器的参数，仍以该分群为例，等值变压器的参数满足：

$\left\{\begin{array}{c}{S}_{Teq1}=\underset{p=1}{\overset{H}{\Σ}}{S}_{Tp}\\ r_{Teq1}=1/\underset{p=1}{\overset{H}{\Σ}}{r}_{Tp}\\ L_{Teq1}=1/\underset{p=1}{\overset{H}{\Σ}}{L}_{Tp}\end{array}\right.;$

式中：S_Tp、r_Tp、L_Tp分别为等值前一台变压器的额定容量、励磁电阻、励磁电感；S_Teq1、r_Teq1、L_Teq1分别为等值变压器的额定容量、励磁电阻、励磁电感。

为验证本发明提出的一种双馈风力发电场多机动态表征等值建模方法的的正确性和有效性，基于DIgSILENT仿真平台，分别搭建实际双馈风电场模型、单机等值模型、本发明等值模型。该双馈风电场由33台1.5MW的双馈发电机构成，共计三排，每排11台风机。设定聚类数目C＝3；图3是一种基于模糊C均值聚类算法的双馈风电场动态等值方法实际双馈风电场输出有功功率、单机等值模型输出有功功率、本发明等值模型输出有功功率对比图。由图3可知，实线表示详细模型，虚线表示单机等值模型，虚点线表示基，单机等值模型的输出有功功率与实际双馈风电场输出有功功率的误差较大，本发明等值模型输出的有功功率能较好地模拟实际双馈风电场输出的有功功率，精度较高。

图4是一种基于模糊C均值聚类算法的双馈风电场动态等值方法实际双馈风电场输出无功功率、单机等值模型输出无功功率、本发明等值模型输出无功功率对比图。从图4的有功功率曲线和无功功率曲线可以看出，本发明提出的双馈等值建模方法相比单机等值模型，与详细模型的误差较小(趋于重合)，等值结果更精确。本发明提出的双馈等值建模方法有效地改善了在单机表征法等值效果偏差较大的问题和普通多机表征法双馈风电机组聚类指标选取困难和聚类结果不准确的问题，能更加精确地实现大型双馈风电场的等值建模。

以上所述仅为发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种双馈风力发电场多机表征等值建模方法，其特征在于，所述建模方法包括以下步骤：

步骤S1：采集当前时刻每台风力机所处位置的风速、双馈发电机转速、双馈发电机输出有功功率的特征状态变量数据，并将其组成矢量保存起来；

步骤S2：利用模糊C均值聚类算法对全部风力机的特征状态变量矢量进行分类，将整个双馈风电场内的风力机被划分为C个分群；

步骤S3：采用容量加权法，将被划分为同一个分群内的风力机等值为一台风力机，双馈风电场的等值模型将由C台等值风力机组成；

步骤S4：累加C台等值风力机输出的有功功率和无功功率，即可得到整个双馈风电场等值模型输出的有功功率和无功功率。

2.根据权利要求1所述的一种双馈风力发电场多机表征等值建模方法，其特征在于，所述步骤S2利用模糊C均值聚类算法对全部风力机的特征状态变量矢量进行分类，包括以下步骤：

步骤S21，采集当前时刻每台风力机所处位置的风速V、双馈发电机转速ω、双馈发电机输出有功功率P等数据并将其组成矩阵S满足：

式中：i＝1,2，…,n；n为双馈风电场风力机的总台数；x_i为第i台风力机的特征状态变量列矢量，x_i＝[V_iω_iP_i]；V_i为第i台风力机所处位置的风速，ω_i为第i台双馈发电机转速，P_i为第i台双馈发电机输出有功功率；

步骤S22：模糊C均值聚类算法初始化，设置聚类个数C，模糊指数m，m＝3；误差阈值ε，ε＝0.001；

步骤S23：在x₁、x₂、…、x_i、…x_n中选取前C个特征状态变量列矢量作为初始聚类中心，其中，i＝1，…,n，并组成矩阵V：

V＝[v₁v₂...v_j...v_C]，其中，j＝1,2,…,C；

式中：v_j为聚类中心列向量，且i＝j时，x_i＝v_j；

步骤S24：计算x_i与v_j之间的欧式距离d_ij：

式中：V_j为第j台风力机所处位置的风速，ω_j为第j台双馈发电机转速，P_j为第j台双馈发电机输出有功功率；

步骤S25，计算x_i相对于v_j的隶属度u_ji，并组成隶属度矩阵U：

其中，i＝1,2，…,n；j＝1,2,…,C；

式中：d_kj表示x_k与v_j之间的欧式距离，U_i＝[u_1i...u_ji...u_Ci]；

步骤S26，计算聚类损失函数J，若J≥ε，则转入步骤S27；若J＜ε，则计算结束，并从U₁开始，寻找U₁组成元素u₁₁、u₂₁、…、u_j1、…u_C1中的最小值u_q1，其中，q∈[1,2...C]，则第一台风力机被划分为第q类，用同样的方法依次寻找U₂、…、U_n中各组成元素的最小值，这样n台风力机就被分成了C类，则聚类损失函数J满足：

步骤S27，计算新的聚类中心v_j，重复步骤S24、S25、S26，直至满足J＜ε，即可得到整个双馈风电场被划分为C个分群的聚类结果，所述聚类中心v_j满足:

。

3.根据权利要求1所述的一种双馈风力发电场多机表征等值建模方法，其特征在于，所述步骤S3采用容量加权法，将被划分为同一个分群内的风力机等值为一台风机，包括以下步骤：

步骤S31：统计每一个分群内风力机的台数，将同一个分群内的所有风力机等值成为一台风力机,以某一个分群为例，假设该分群内包含H台风力机，则该分群的双馈发电机等值模型的参数满足：

式中：S_sp、r_rp、r_rp、L_rp、L_sp、T_p、D_p分别为等值前一台双馈发电机的额定容量、转子电阻、定子电阻、转子电感、定子电感、惯性时间常数、轴系阻尼系数；S_seq1、r_req1、r_seq1、L_req1、L_seq1、T_eq1、D_eq1分别为等值双馈发电机的额定容量、转子电阻、定子电阻、转子电感、定子电感、惯性时间常数、轴系阻尼系数；

步骤S32，计算与等值双馈发电机相连的等值变压器的参数，仍以该分群为例，等值变压器的参数满足：

式中：S_Tp、r_Tp、L_Tp分别为等值前一台变压器的额定容量、励磁电阻、励磁电感；S_Teq1、r_Teq1、L_Teq1分别为等值变压器的额定容量、励磁电阻、励磁电感。