CN108459506B - 一种风机虚拟惯量控制器的参数整定方法 - Google Patents

一种风机虚拟惯量控制器的参数整定方法 Download PDF

Info

Publication number
CN108459506B
CN108459506B CN201810231882.0A CN201810231882A CN108459506B CN 108459506 B CN108459506 B CN 108459506B CN 201810231882 A CN201810231882 A CN 201810231882A CN 108459506 B CN108459506 B CN 108459506B
Authority
CN
China
Prior art keywords
network
fan
controller
output
virtual inertia
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810231882.0A
Other languages
English (en)
Other versions
CN108459506A (zh
Inventor
刘锋
郭文涛
姚亚鑫
梅生伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201810231882.0A priority Critical patent/CN108459506B/zh
Publication of CN108459506A publication Critical patent/CN108459506A/zh
Application granted granted Critical
Publication of CN108459506B publication Critical patent/CN108459506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Control Of Eletrric Generators (AREA)
  • Wind Motors (AREA)

Abstract

一种风机虚拟惯量控制器的参数整定方法，包括两个迭代更新的设计步骤，第一个是定义各采样点的控制效果及累计控制效果评价网络通过风机系统反馈的状态信息采用梯度下降法进行权重更新；第二个是采用执行网络对控制量进行逼近，再根据比例积分结构更新控制器参数，执行网络通过风机系统反馈的状态信息采用梯度下降法进行权重更新；得优化后的虚拟惯量控制器参数，本参数整定方法可在风机控制器的在线运行中进行，无需停机就可以进行控制器的参数设计，无需风机的数学模型，降低了建立控制对象数学模型的难度，减少风机虚拟惯量控制器参数设计的难度和复杂度；对风机工作点、模型的变化具有自适应能力使风机虚拟惯量控制器始终保持最优性能。

Description

一种风机虚拟惯量控制器的参数整定方法
技术领域
本发明涉及风机自动控制技术领域，具体涉及一种风机虚拟惯量控制器的参数整定方法。
背景技术
风电大规模接入电力系统，给电力系统的频率稳定性带来了新的挑战。风机虚 拟惯量控制技术通过吸收/释放转子动能实现对系统频率的惯量支撑。风机虚拟惯量 控制器有多种实现方式，其中最常见的一种是在风机功率环上附加频率的比例及微 分信号进行反馈，其本质是一种比例-微分控制器。和经典的比例-微分控制器一样， 风机虚拟惯量控制器是针对某个工作点的近似线性化系统设计，系统工况和结构参 数的变化会造成控制性能恶化。另外，虚拟惯量控制器参数由工程师凭经验调试， 缺乏系统化的整定方法，控制器性能有待进一步提高。因此，有必要提出一套自适 应性、最优性的虚拟惯量控制器参数整定方法解决上述问题。
目前，风机虚拟惯量控制器参数主要通过经验或者时域仿真方法确定，缺乏一 般性理论方法。2009年，Tarnowski在Variable Speed Wind Turbines Capability forTemporary Over-Production(Power&Energy Society General Meeting会议)一文中 从风机转速安全性的角度研究了风机虚拟惯量参数取值范围。然而，由风机的转速 安全性入手分析仅能给出虚拟惯量参数的上限，无法得到其最优值。此外，其研究 基于时域仿真的方法，缺乏理论依据。2015年，Wang Shuo等在IEEE Transcations on Energy Conversion(30卷：1-12页)上发表On inertial dynamics of virtual-synchronous-controlledDFIG-based wind turbines一文。该文由风机内电压相位 运动方程导出虚拟惯量表达式。其表达式由两部分组成，第一部分是风机的虚拟惯 量，反映了风机惯性响应的程度。第二部分是惯量的修正项，由含拉布拉斯算子的 算式构成，反映了风机虚拟惯量控制过程中转速及桨距角变化带来的功率波动量。 该研究首次将运动方程引入风机惯量研究中，对风机惯量进行了理论修正。但对于 惯量表达式第一部分，即风机虚拟惯量的具体整定方法，研究中依然采用经验值进 行选取，同样无法获得最优的控制效果。
另外，上述设计方法均是离线设计，难以根据风机不同的运行条件进行调整， 缺乏自适应性。
发明内容
本发明的目的是提出一种风机虚拟惯量控制器的参数整定方法，采用直接启发式动态规划(Direct Heuristic Dynamic Programming,DHDP)方法作为在线学习结构， 通过评估当前虚拟惯量控制器的控制效果，实现对虚拟惯量控制器的不断更新，进 而逼近最优的虚拟惯量控制器。
为达到以上目的，本发明采用如下技术方案：
一种风机虚拟惯量控制器的参数整定方法，包括如下步骤：
步骤1：系统频率f和双馈风机转子转速w在输入基于DHDP的在线学习结构 之前需要进行预处理，预处理算法将f和w转化为偏差量；
步骤2：设风机虚拟惯量控制器的控制对象为：
x(t+1)＝F(x(t),v(t))
v(t)＝h(x(t),K)
其中，t为离散时间，x(t)∈Rn为t时刻状态向量，v(t)∈Rn为t时刻控制向量， K∈Rl为控制器参数向量，F(x(t),v(t)):Rn×Rm→Rn为系统动态， h(x(t),K):Rn×Rl→Rm为控制策略。R为实数，n，m，l为空间维数，一般取值为 正整数。
步骤3：利用下式计算在风机虚拟惯量控制器的作用下控制对象在第t个采样点的控制效果：
r(t)＝(rf(t)+rw(t)+ru(t))Δt
根据上述计算结果，得到控制对象从第t个采样点开始的累积控制效果为：
Figure BDA0001602810110000031
其中0＜α＜1为折扣因子。
步骤4：建立一个以神经网络为逼近结构的评价网络，评价网络以状态x(t)和 控制u(t)为输入，评价网络输出近似代价函数
Figure BDA0001602810110000032
来逼近代价函数J(t)，J(t)应 满足Bellman方程
J(t-1)＝r(t-1)+αJ(t)；
步骤5：建立一个以神经网络为逼近结构的执行网络，执行网络将输入的状态 x(t)映射为输出u(t)，再根据一个比例-积分结构更新控制器参数
K(t+1)＝K(t)+ΔK(t)＝K(t)+Mu(t)
其中K(0)为控制器的初始参数，M∈R+为调制因子，执行网络的目标是最小化评价网络估计的代价函数J(t)；
步骤6：设虚拟惯量控制器参数更新的最大时步为tmax，若系统运行采样点t大 于tmax，训练即可停止，进行步骤9，否则，采用当前虚拟惯量控制器参数对控制对 象进行控制，采集控制对象的状态向量，进行步骤7；
步骤7：更新评价网络的权重；
步骤8：更新执行网络的权重；
步骤9：输出当前控制器优化后参数K(t)。
所述的步骤1中的预处理算法为：
x1＝f-fref
Figure BDA0001602810110000041
其中，x1和x2为系统的状态向量，分别反映了系统的频率信息和转速信息，wcl和wcu为风机安全运行允许的上、下临界转速值。
所述的步骤3中
rf(t)＝Qf(f-fref)2
ru(t)＝uTRuu
Figure BDA0001602810110000042
r(t)包括rf(t)、ru(t)和rw(t)三个部分，其中rf(t)用于约束系统的频率偏移， Qf＞0为正的常数；ru(t)用于约束虚拟惯量控制器的参数变化，Ru∈R2×2为对称 正定矩阵；rw(t)用于约束双馈风机的转子转速，wll和wlu为风机安全运行允许的最 高、最低转速值。当w＜wll或w＞wlu意味着转子转速超出安全工作区，会导致很 大的代价M2；wll≤w≤wcl或wcu≤w≤wlu意味着转子转速在临界安全工作区，会导 致从0逐渐增大到M1的代价；wcl≤w≤wcu意味着转子转速在安全工作区，代价为 0。
所述的步骤4具体分为：
步骤4.1：评价网络由三层感知器实现，其隐层节点采用S型激励函数：
Figure BDA0001602810110000051
评价网络的输入输出映射关系为
Figure BDA0001602810110000052
Figure BDA0001602810110000053
Figure BDA0001602810110000054
其中q(t)和p(t)分别是t时刻隐层节点的输入和输出，Nhc为隐层节点数，
Figure BDA0001602810110000055
为t时刻连接第j个输入节点和第i个隐层节点的网络权重，
Figure BDA0001602810110000056
为t时刻连接第i 个隐层节点和输出节点的网络权重，p(t)、q(t)、x(t)、u(t)的下标为对应向量中 的元素编号，如pi(t)为p(t)中的第i个元素；
步骤4.2：记t时刻评价网络的隐层到输出层网络权重
Figure BDA0001602810110000057
的估计值为
Figure BDA0001602810110000058
隐层节点输出记为
Figure BDA0001602810110000059
则评价网络输出
Figure BDA00016028101100000510
为
Figure BDA00016028101100000511
所述的步骤5的具体步骤为：
步骤5.1：评价网络由三层感知器实现，其隐层节点采用S型激励函数，
执行网络的输入输出映射关系为
Figure BDA00016028101100000512
Figure BDA00016028101100000513
Figure BDA00016028101100000514
其中h(t)和g(t)分别是t时刻隐层节点的输入和输出，Nha为隐层节点数，
Figure BDA00016028101100000515
为t时刻连接第j个输入节点和第i个隐层节点的网络权重，
Figure BDA00016028101100000516
为t时刻连接 第i个隐层节点和第k个输出节点的网络权重，g(t)、h(t)、x(t)、u(t)的下标为 对应向量中的元素编号，如gi(t)为g(t)中的第i个元素；
步骤5.2：t时刻执行网络的隐层到输出层网络权重
Figure BDA0001602810110000061
的估计值为
Figure BDA0001602810110000062
执行网络的隐层节点输出为
Figure BDA0001602810110000063
则执行网络输出u(t)、控制其参数的估计值
Figure BDA0001602810110000064
分别为
Figure BDA0001602810110000065
Figure BDA0001602810110000066
所述的步骤7具体过程包括以下步骤；
步骤7.1：设定评价网络权重的更新次数指标为i，初始化时使i＝0；
步骤7.2：设评价网络的逼近误差为
Figure BDA0001602810110000067
设定评价网络的训练精度εc，为了防止训练出现死循环，设评价网络的最大迭 代次数为imax，当评价网络的逼近误差大于训练精度，且评价网络权重的更新次数小 于最大迭代次数时，进行步骤7.3，否则训练停止。此时，令第t个采样点评价网络 权重
Figure BDA0001602810110000068
为
Figure BDA0001602810110000069
评价网络隐层节点输出φc(t)为φc(t,i)，输出
Figure BDA00016028101100000610
为
Figure BDA00016028101100000611
进 行步骤8。
步骤7.3：根据梯度下降算法训练评价网络
Figure BDA00016028101100000612
步骤7.4：更新评价网络输出
Figure BDA00016028101100000613
步骤7.5：更新评价网络权重的更新次数指标，使i＝i+1，进行步骤7.2。
所述的步骤8具体过程包括以下步骤：
步骤8.1：设执行网络权重的更新次数指标为j，初始化时使j＝0；
步骤8.2：设定执行网络的逼近误差为
Figure BDA00016028101100000614
Uc(t)为近似代价函数需要逼近的目标值，不失一般性，可令Uc(t)＝0，设定执 行网络的训练精度εc，为了防止训练出现死循环，设执行网络的最大迭代次数为jmax， 当执行网络的逼近误差大于训练精度，且执行网络权重的更新次数小于最大迭代次 数时，进行步骤8.3，否则训练停止，进行步骤6，
步骤8.3：根据梯度下降算法训练执行网络
Figure BDA0001602810110000071
其中lc为评价网络的学习因子，la为执行网络的学习因子，矩阵
Figure BDA0001602810110000072
在第x行第y列的元素为
Figure BDA0001602810110000073
步骤8.4：更新评价网络权重的更新次数指标，使i＝i+1，进行步骤8.2。
本发明提出的一种风机虚拟惯量控制器的参数整定方法，其优点是：
本发明的用于风机虚拟惯量控制器参数整定的设计过程，可以在风机控制器的在线运行中进行，无需停机就可以进行控制器的参数设计，因此可以在不影响控制 对象正常工作的前提下改善控制对象的控制效果；
本发明的设计方法无需风机的数学模型，降低了建立控制对象数学模型的难度，减少了风机虚拟惯量控制器参数设计的难度和复杂度；
本发明设计方法对风机的工作点变化和模型变化具有自适应能力，使风机虚拟惯量控制器始终保持最优性能。
附图说明
图1为测试系统进行仿真分析图。
图2为Kp和Kd的变化曲线图。
图3为参数优化前后系统频率图。
图4为参数优化后风机转子转速示意图。
图5为系统频率示意图。
图6为风机转子转速示意图。
图7为算例1系统频率示意图。
图8为算例1风机转子转速示意图。
图9为Kp和Kd的变化曲线示意图。
具体实施方式
以下结合具体实施例，对本发明的步骤作进一步的详细描述。
步骤1：系统频率f和双馈风机转子转速w在输入基于DHDP的在线学习结构 之前需要进行预处理，预处理算法为：
x1＝f-fref
Figure BDA0001602810110000081
预处理算法将f和w转化为偏差量，其中，x1和x2为系统的状态向量，分别反映了 系统的频率信息和转速信息。wcl和wcu为风机安全运行允许的上、下临界转速值。
步骤2：设风机虚拟惯量控制器的控制对象为：
x(t+1)＝F(x(t),v(t))
v(t)＝h(x(t),K)
其中，t为离散时间，x(t)∈Rn为t时刻状态向量，v(t)∈Rn为t时刻控制向量， K∈Rl为控制器参数向量，F(x(t),v(t)):Rn×Rm→Rn为系统动态， h(x(t),K):Rn×Rl→Rm为控制策略。R为实数，n，m，l为空间维数，一般取值为 正整数。
步骤3：利用下式计算在风机虚拟惯量控制器的作用下控制对象在第t个采样点的控制效果：
r(t)＝(rf(t)+rw(t)+ru(t))Δt
其中
rf(t)＝Qf(f-fref)2
ru(t)＝uTRuu
Figure BDA0001602810110000091
r(t)包括rf(t)、ru(t)和rw(t)三个部分，其中rf(t)用于约束系统的频率偏移， Qf＞0为正的常数。ru(t)用于约束虚拟惯量控制器的参数变化，Ru∈R2×2为对称 正定矩阵。rw(t)用于约束双馈风机的转子转速，wll和wlu为风机安全运行允许的最 高、最低转速值。当w＜wll或w＞wlu意味着转子转速超出安全工作区，会导致很 大的代价M2；wll≤w≤wcl或wcu≤w≤wlu意味着转子转速在临界安全工作区，会导 致从0逐渐增大到M1的代价；wcl≤w≤wcu意味着转子转速在安全工作区，代价为 0。
根据上述计算结果，得到控制对象从第t个采样点开始的累积控制效果为：
Figure BDA0001602810110000092
其中0＜α＜1为折扣因子。
步骤4：建立一个以神经网络为逼近结构的评价网络，评价网络以状态x(t)和 控制u(t)为输入。评价网络输出近似代价函数
Figure BDA0001602810110000093
来逼近代价函数J(t)。J(t)应 满足Bellman方程
J(t-1)＝r(t-1)+αJ(t)
步骤4.1：评价网络由三层感知器实现，其隐层节点采用S型激励函数：
Figure BDA0001602810110000101
评价网络的输入输出映射关系为
Figure BDA0001602810110000102
Figure BDA0001602810110000103
Figure BDA0001602810110000104
其中q(t)和p(t)分别是t时刻隐层节点的输入和输出，Nhc为隐层节点数，
Figure BDA0001602810110000105
为 t时刻连接第j个输入节点和第i个隐层节点的网络权重，
Figure BDA0001602810110000106
为t时刻连接第i 个隐层节点和输出节点的网络权重，p(t)、q(t)、x(t)、u(t)的下标为对应向量中 的元素编号，如pi(t)为p(t)中的第i个元素。
步骤4.2：记t时刻评价网络的隐层到输出层网络权重
Figure BDA0001602810110000107
的估计值为
Figure BDA0001602810110000108
隐层节点输出记为
Figure BDA0001602810110000109
则评价网络输出
Figure BDA00016028101100001010
为
Figure RE-GDA0001687225250000105
步骤5：建立一个以神经网络为逼近结构的执行网络，执行网络将输入的状态 x(t)映射为输出u(t)，再根据一个比例-积分结构更新控制器参数
K(t+1)＝K(t)+ΔK(t)＝K(t)+Mu(t)
其中K(0)为控制器的初始参数，M∈R+为调制因子。执行网络的目标是最小化评价网络估计的代价函数J(t)。
步骤5.1：评价网络由三层感知器实现，其隐层节点采用S型激励函数。
执行网络的输入输出映射关系为
Figure BDA0001602810110000111
Figure BDA0001602810110000112
Figure BDA0001602810110000113
其中h(t)和g(t)分别是t时刻隐层节点的输入和输出，Nha为隐层节点数，
Figure BDA0001602810110000114
为t时刻连接第j个输入节点和第i个隐层节点的网络权重，
Figure BDA0001602810110000115
为t时刻连接 第i个隐层节点和第k个输出节点的网络权重，g(t)、h(t)、x(t)、u(t)的下标为 对应向量中的元素编号，如gi(t)为g(t)中的第i个元素。
步骤5.2：t时刻执行网络的隐层到输出层网络权重
Figure RE-GDA0001687225250000119
的估计值为
Figure RE-GDA00016872252500001110
执行网络的隐层节点输出为
Figure RE-GDA00016872252500001111
则执行网络输出u(t)、控制其参数的估计值
Figure RE-GDA0001687225250000114
分别为
Figure BDA00016028101100001110
Figure BDA00016028101100001111
步骤6：设虚拟惯量控制器参数更新的最大时步为tmax，若系统运行采样点t大 于tmax，训练即可停止，进行步骤9。否则，采用当前虚拟惯量控制器参数对控制对 象进行控制，采集控制对象的状态向量，进行步骤7
步骤7：更新评价网络的权重，具体过程包括以下步骤：
步骤7.1：设定评价网络权重的更新次数指标为i，初始化时使i＝0；
步骤7.2：设评价网络的逼近误差为
Figure BDA00016028101100001112
设定评价网络的训练精度εc，为了防止训练出现死循环，设评价网络的最大迭 代次数为imax。当评价网络的逼近误差大于训练精度，且评价网络权重的更新次数小 于最大迭代次数时，进行步骤7.3。否则训练停止。此时，令第t个采样点评价网络 权重
Figure BDA0001602810110000121
为
Figure BDA0001602810110000122
评价网络隐层节点输出φc(t)为φc(t,i)，输出
Figure BDA0001602810110000123
为
Figure BDA0001602810110000124
进 行步骤8。
步骤7.3：根据梯度下降算法训练评价网络
Figure BDA0001602810110000125
步骤7.4：更新评价网络输出
Figure BDA0001602810110000126
步骤7.5：更新评价网络权重的更新次数指标，使i＝i+1，进行步骤7.2。
步骤8：更新执行网络的权重，具体过程包括以下步骤：
步骤8.1：设执行网络权重的更新次数指标为j，初始化时使j＝0；
步骤8.2：设定执行网络的逼近误差为
Figure BDA0001602810110000127
Uc(t)为近似代价函数需要逼近的目标值，不失一般性，可令Uc(t)＝0，设定执 行网络的训练精度εc，为了防止训练出现死循环，设执行网络的最大迭代次数为jmax。 当执行网络的逼近误差大于训练精度，且执行网络权重的更新次数小于最大迭代次 数时，进行步骤8.3。否则训练停止，进行步骤6。
步骤8.3：根据梯度下降算法训练执行网络
Figure BDA0001602810110000128
其中lc为评价网络的学习因子，la为执行网络的学习因子，矩阵
Figure BDA0001602810110000129
在第x行第y列的元素为
Figure BDA00016028101100001210
步骤8.4：更新评价网络权重的更新次数指标，使i＝i+1，进行步骤8.2。
步骤9：输出当前控制器优化后参数K(t)。
实施例
为了验证所提出的风机虚拟惯量控制器的参数整定方法是否能够达到预期的效果，对如图1所示测试系统进行仿真分析。
仿真系统包括3台同步发电机和1个含10台双馈风机的风电场，假设所有发 电机连接到同一母线。总负荷为190MW，单台同步发电机和单台双馈风机的额定容 量分别为120MVA和2MVA。在仿真中，假设风速为12.8m/s。根据最大功率跟踪 控制，该风速下双馈风机的最优转速为wopt＝1.167pu。将风电场建模为等效的单台 双馈风机。同步发电机参数为：额定电压13.8kV，惯性时间常数3.117s，定子时间 常数0.278s，保梯电抗0.163pu，d轴电抗1.014pu，d轴暂态电抗0.314pu，d轴 次暂态电抗0.28pu，d轴暂态开路时间常数6.55s，d轴次暂态开路时间常数0.039s， q轴电抗0.77pu，q轴次暂态电抗0.375pu，q轴次暂态开路时间常数0.071s。
仿真测试在PSCAD/EMTDC上进行，基于Direct HDP在线附加学习结构的控 制器参数优化算法用MATLAB实现。基于FORTRAN语言编写了接口程序，在 PSCAD/EMTDC中以用户自定义模型的方式调用MATLAB中的控制器参数优化算 法。
仿真中采用如下参数：wll＝0.8pu，wcl＝0.9pu，wcu＝1.2pu，wlu＝1.25pu，M1＝1，M2＝2，Qf＝2，Ru为以0.1为对角线元素的2阶对角矩阵，Nhc＝Nha＝10，α＝0.25， lc＝0.002，la＝0.002，Kp和Kd的调制因子均为自身的2％。控制器参数优化算法 的调用周期为0.2s。
以下从在线优化能力、在线自适应能力两方面对所提出的风机虚拟惯量控制器的参数整定方法进行测试。
算例1：在线优化能力测试
初始PD控制器参数设为Kp＝0.03和Kd＝0.1。在仿真中，令系统受到[5％,15％] 的均匀分布随机负荷变化的扰动，每一次负荷变化事件称为一次运行(Run)，每次 运行持续40s。基于Direct HDP在线附加学习结构的控制器参数优化算法可根据当 前惯性响应控制器的在线响应效果，来优化控制器参数。
15次运行中Kp和Kd的变化曲线如图2所示。可见Kp和Kd在第12次运行 后基本平稳，这意味着基于Direct HDP在线附加学习结构的学习过程已经收敛，得 到了近似最优的控制器参数Kp和Kd。
为验证在线参数优化算法的有效性，测试了参数优化前后系统频率和风机转子转速在5％、10％和15％负荷扰动下的时域响应，如图3-4所示。由图3可见，系 统频率响应在参数优化后得到显著改善，最低频率明显提高。根据图4，可见参数优 化后风机转子转速仍保持在安全工作区。
进一步研究系统频率和风机转子转速在参数优化过程中的时域响应。令系统采用不同次运行中得到的惯性响应控制器参数，在10％负荷扰动下系统频率和风机转 子转速的时域响应如图5-6所示。可见，控制效果随运行次数增加逐渐改善。换言 之，即使是学习尚未收敛时的中间参数，也优于初始控制器参数，能在一定程度上 改善系统的控制性能。
算例1表明，引入基于Direct HDP在线附加学习结构的控制器参数优化后，双 馈风机惯性响应控制能在给定工作点充分发挥风机转子释放和吸收动能的能力，抑 制系统频率偏差，同时使风机转子转速保持在安全工作区。
算例2：在线自适应能力测试
算例2中，1台同步发电机因故障退出运行。采用算例1中得到的惯性响应控 制器参数，系统频率和风机转子转速在11％负荷扰动下的时域响应曲线如图7-8所 示。由图7可见，系统频率在恢复过程中出现了二次跌落。这是因为系统中1台同 步发电机退出运行后，在算例1中得到的惯性响应控制器的作用下，风机转子释放 的动能过多，导致风机转子转速下降过多(如图8)，风机的风能利用系数急剧降低， 捕获的风功率急剧减少，进而导致系统频率在恢复过程中出现二次跌落。因此，在 系统中1台同步发电机退出运行这一变化发生后，算例1中得到的惯性响应控制器 参数不再是最优的。
基于Direct HDP的在线附加学习结构可以在线优化Kp和Kd。15次运行中Kp和Kd的变化曲线如图9所示，可见参数收敛。参数优化后，系统频率和风机转子转 速在11％负荷扰动下的时域响应曲线如图7-8所示。可见通过参数优化，消除了频 率二次跌落现象，提高了系统最低频率，同时使风机转子转速回到安全工作区。
算例2表明，引入基于Direct HDP在线附加学习结构的控制器参数优化后，能 在系统变化后对PD型惯性响应控制器的参数进行自适应调整，重新优化系统的频率 响应，同时使风机转子转速回到安全工作区，消除频率二次跌落现象。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术 人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些 改进和变形也应视为本发明的保护范围。
表1
Figure BDA0001602810110000151
表1展示了参数优化前后的系统最低频率，可见通过参数优化，系统在5％、10％和15％负荷扰动下的最低频率分别提高了32mHz、64mHz和92mHz。

Claims (5)

1.一种风机虚拟惯量控制器的参数整定方法，其特征在于：包括如下步骤：
步骤1：系统频率f和风机转子转速w在输入基于DHDP的在线学习结构之前进行预处理，利用预处理算法将f和w转化为偏差量；
步骤2：设风机虚拟惯量控制器的控制对象为：
x(t+1)＝F(x(t),v(t))
v(t)＝h(x(t),K)
其中，t为离散时间，x(t)∈Rn为t时刻状态向量，v(t)∈Rn为t时刻控制向量，K∈Rl为控制器参数向量，F(x(t),v(t)):Rn×Rm→Rn为系统动态，h(x(t),K):Rn×Rl→Rm为控制策略，R为实数，n，m，l为空间维数，取值为正整数；
步骤3：利用下式计算在风机虚拟惯量控制器的作用下控制对象在第t个采样点的控制效果：
r(t)＝(rf(t)+rw(t)+ru(t))Δt
其中rf(t)用于约束系统的频率偏移，ru(t)用于约束虚拟惯量控制器的参数变化，rw(t)用于约束风机的转子转速，根据上式计算结果，得到控制对象从第t个采样点开始的累积控制效果为：
Figure FDA0002722998850000011
其中0＜α＜1为折扣因子，αi-1表示α的i-1次方；
步骤4：建立一个以神经网络为逼近结构的评价网络，评价网络以状态x(t)和控制u(t)为输入，评价网络输出近似代价函数
Figure FDA0002722998850000012
来逼近代价函数J(t)，J(t)应满足Bellman方程
J(t-1)＝r(t-1)+αJ(t)；
步骤5：建立一个以神经网络为逼近结构的执行网络，执行网络将输入的状态x(t)映射为输出u(t)，再根据一个比例-积分结构更新控制器参数
K(t+1)＝K(t)+ΔK(t)＝K(t)+Mu(t)
其中K(0)为控制器的初始参数，M∈R+为调制因子，执行网络的目标是最小化评价网络估计的代价函数J(t)；
步骤6：设虚拟惯量控制器参数更新的最大时步为tmax，若系统运行采样点t大于tmax，训练即可停止，进行步骤9，否则，采用当前虚拟惯量控制器参数对控制对象进行控制，采集控制对象的状态向量，进行步骤7；
步骤7：更新评价网络的权重；
步骤8：更新执行网络的权重；
步骤9：输出当前控制器优化后参数K(t)；
所述的步骤7具体过程包括以下步骤：
步骤7.1：设定评价网络权重的更新次数指标为i，初始化时使i＝0；
步骤7.2：设评价网络的逼近误差为
Figure FDA0002722998850000021
设定评价网络的训练精度εc，为了防止训练出现死循环，设评价网络的最大迭代次数为imax，当评价网络的逼近误差大于训练精度，且评价网络权重的更新次数小于最大迭代次数时，进行步骤7.3，此时，令第t个采样点第i次更新中评价网络权重
Figure FDA0002722998850000022
为
Figure FDA0002722998850000023
评价网络隐层节点输出φc(t)为φc(t,i)，输出
Figure FDA0002722998850000024
为
Figure FDA0002722998850000025
否则训练停止，进行步骤8；
步骤7.3：根据梯度下降算法训练评价网络
Figure FDA0002722998850000026
其中lc为评价网络的学习因子；
步骤7.4：更新评价网络输出
Figure FDA0002722998850000031
步骤7.5：更新评价网络权重的更新次数指标，使i＝i+1，进行步骤7.2；
所述的步骤8具体过程包括以下步骤：
步骤8.1：设执行网络权重的更新次数指标为j，初始化时使j＝0；
步骤8.2：设定执行网络的逼近误差为
Figure FDA0002722998850000032
Uc(t)为近似代价函数需要逼近的目标值，令Uc(t)＝0，设定执行网络的训练精度εa，为了防止训练出现死循环，设执行网络的最大迭代次数为jmax，当执行网络的逼近误差大于训练精度，且执行网络权重的更新次数小于最大迭代次数时，进行步骤8.3，此时，令第t个采样点第j次更新中执行网络权重
Figure FDA0002722998850000033
为
Figure FDA0002722998850000034
执行网络隐层节点输出φa(t)为φa(t,j)，否则训练停止，进行步骤6，
步骤8.3：根据梯度下降算法训练执行网络
Figure FDA0002722998850000035
其中la为执行网络的学习因子，矩阵
Figure FDA0002722998850000036
在第x行第y列的元素为
Figure FDA0002722998850000037
其中，φcx(t)为评价网络隐层节点输出φc(t)的第x个元素，
Figure FDA0002722998850000038
为t时刻连接第(n+y)个输入节点和第x个隐层节点的评价网络权重；
步骤8.4：更新评价网络权重的更新次数指标，使i＝i+1，进行步骤8.2。
2.根据权利要求1所述的一种风机虚拟惯量控制器的参数整定方法，其特征在于：所述的步骤1中的预处理算法为：
x1＝f-fref
Figure FDA0002722998850000041
其中，x1和x2为系统的状态向量，分别反映了系统的频率信息和转速信息，wcl和wcu为风机安全运行允许的上、下临界转速值。
3.根据权利要求1所述的一种风机虚拟惯量控制器的参数整定方法，其特征在于：所述的步骤3中
rf(t)＝Qf(f-fref)2
ru(t)＝uTRuu
Figure FDA0002722998850000042
r(t)包括rf(t)、ru(t)和rw(t)三个部分，其中rf(t)用于约束系统的频率偏移，Qf＞0为正的常数；ru(t)用于约束虚拟惯量控制器的参数变化，Ru∈R2×2为对称正定矩阵；rw(t)用于约束风机的转子转速，wll和wlu为风机安全运行允许的最高、最低转速值；当w＜wll或w＞wlu意味着转子转速超出安全工作区，会导致很大的代价M2；wll≤w≤wcl或wcu≤w≤wlu意味着转子转速在临界安全工作区，会导致从0逐渐增大到M1的代价；wcl≤w≤wcu意味着转子转速在安全工作区，代价为0。
4.根据权利要求1所述的一种风机虚拟惯量控制器的参数整定方法，其特征在于：所述的步骤4具体分为：
步骤4.1：评价网络由三层感知器实现，其隐层节点采用S型激励函数：
Figure FDA0002722998850000051
评价网络的输入输出映射关系为
Figure FDA0002722998850000052
Figure FDA0002722998850000053
Figure FDA0002722998850000054
其中q(t)和p(t)分别是t时刻隐层节点的输入和输出，Nhc为隐层节点数，
Figure FDA0002722998850000055
为t时刻连接第j个输入节点和第i个隐层节点的评价网络权重，
Figure FDA0002722998850000056
为t时刻连接第i个隐层节点和输出节点的评价网络权重，p(t)、q(t)、x(t)、u(t)的下标为对应向量中的元素编号，如pi(t)为p(t)中的第i个元素；
步骤4.2：记t时刻评价网络的隐层到输出层网络权重
Figure FDA0002722998850000057
的估计值为
Figure FDA0002722998850000058
隐层节点输出记为
Figure FDA0002722998850000059
则评价网络输出
Figure FDA00027229988500000510
为
Figure FDA00027229988500000511
5.根据权利要求1所述的一种风机虚拟惯量控制器的参数整定方法，其特征在于：所述的步骤5的具体步骤为：
步骤5.1：评价网络由三层感知器实现，其隐层节点采用S型激励函数，
执行网络的输入输出映射关系为
Figure FDA00027229988500000512
Figure FDA00027229988500000513
Figure FDA00027229988500000514
其中h(t)和g(t)分别是t时刻隐层节点的输入和输出，Nha为隐层节点数，
Figure FDA0002722998850000061
为t时刻连接第j个输入节点和第i个隐层节点的执行网络权重，
Figure FDA0002722998850000062
为t时刻连接第i个隐层节点和第k个输出节点的执行网络权重，g(t)、h(t)、x(t)、u(t)的下标为对应向量中的元素编号，如gi(t)为g(t)中的第i个元素；
步骤5.2：t时刻执行网络的隐层到输出层网络权重
Figure FDA0002722998850000063
的估计值为
Figure FDA0002722998850000064
执行网络的隐层节点输出为
Figure FDA0002722998850000065
则执行网络输出u(t)、控制器参数的估计值
Figure FDA0002722998850000066
分别为
Figure FDA0002722998850000067
Figure FDA0002722998850000068
CN201810231882.0A 2018-03-20 2018-03-20 一种风机虚拟惯量控制器的参数整定方法 Active CN108459506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810231882.0A CN108459506B (zh) 2018-03-20 2018-03-20 一种风机虚拟惯量控制器的参数整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810231882.0A CN108459506B (zh) 2018-03-20 2018-03-20 一种风机虚拟惯量控制器的参数整定方法

Publications (2)

Publication Number Publication Date
CN108459506A CN108459506A (zh) 2018-08-28
CN108459506B true CN108459506B (zh) 2020-12-08

Family

ID=63237625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810231882.0A Active CN108459506B (zh) 2018-03-20 2018-03-20 一种风机虚拟惯量控制器的参数整定方法

Country Status (1)

Country Link
CN (1) CN108459506B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111725833A (zh) * 2019-03-22 2020-09-29 中国电力科学研究院有限公司 一种虚拟同步发电机转动惯量动态区间的计算方法和系统
CN111950765B (zh) * 2020-07-06 2024-04-19 四川大川云能科技有限公司 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法
CN111864769B (zh) * 2020-07-29 2021-04-23 国网山东省电力公司日照供电公司 考虑风机和系统频率响应特性的调频参数确定方法及系统
CN112910007B (zh) * 2021-03-24 2022-04-05 太原理工大学 一种基于可释放动能的双馈风电机组虚拟惯性控制方法
CN113629728B (zh) * 2021-07-13 2024-06-07 南京理工大学 一种基于执行依赖启发式动态规划的风电机组变下垂控制方法
CN114884143A (zh) * 2022-07-08 2022-08-09 西南交通大学 基于转子动能调节的风电机组输出功率虚拟滤波控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6532454B1 (en) * 1998-09-24 2003-03-11 Paul J. Werbos Stable adaptive control using critic designs
CN102588129A (zh) * 2012-02-07 2012-07-18 上海艾铭思汽车控制系统有限公司 高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法
CN103217899A (zh) * 2013-01-30 2013-07-24 中国科学院自动化研究所 基于数据的q函数自适应动态规划方法
CN105279978A (zh) * 2015-10-15 2016-01-27 青岛智能产业技术研究院 交叉口交通信号控制方法和设备
CN106842948A (zh) * 2017-03-01 2017-06-13 长春工业大学 基于bp网络的hdp分子蒸馏系统的最优控制方法
CN107791970A (zh) * 2017-10-17 2018-03-13 长春工业大学 基于启发式动态规划的汽车主动降噪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9110453B2 (en) * 2011-04-08 2015-08-18 General Cybernation Group Inc. Model-free adaptive control of advanced power plants

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6532454B1 (en) * 1998-09-24 2003-03-11 Paul J. Werbos Stable adaptive control using critic designs
CN102588129A (zh) * 2012-02-07 2012-07-18 上海艾铭思汽车控制系统有限公司 高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法
CN103217899A (zh) * 2013-01-30 2013-07-24 中国科学院自动化研究所 基于数据的q函数自适应动态规划方法
CN105279978A (zh) * 2015-10-15 2016-01-27 青岛智能产业技术研究院 交叉口交通信号控制方法和设备
CN106842948A (zh) * 2017-03-01 2017-06-13 长春工业大学 基于bp网络的hdp分子蒸馏系统的最优控制方法
CN107791970A (zh) * 2017-10-17 2018-03-13 长春工业大学 基于启发式动态规划的汽车主动降噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Direct heuristic dynamic programming based on an improved PID neural network;Jian Sun等;《ICritical Infrastructure (CRIS), 2010 5th International Conference on》;20100615;全文 *
一种改进的近似动态规划方法及其在SVC的应用;孙健等;《电机与控制学报》;20110531;第15卷(第5期);第95-102页全文 *

Also Published As

Publication number Publication date
CN108459506A (zh) 2018-08-28

Similar Documents

Publication Publication Date Title
CN108459506B (zh) 一种风机虚拟惯量控制器的参数整定方法
Tabesh et al. Small-signal dynamic model and analysis of a fixed-speed wind farm-a frequency response approach
CN108475929B (zh) 用于控制风力发电厂的方法
Jafarnejadsani et al. Gain-Scheduled $\ell _ {1} $-Optimal Control of Variable-Speed-Variable-Pitch Wind Turbines
CN106295001B (zh) 适用于电力系统中长时间尺度的准稳态变步长仿真方法
CN108964127B (zh) 一种双馈风力发电系统故障穿越的控制方法
Salem et al. Implementation and validation of an adaptive fuzzy logic controller for MPPT of PMSG-based wind turbines
CN107947228B (zh) 基于Markov理论的含风电电力系统随机稳定性分析方法
Chetouani et al. Self-adapting PI controller for grid-connected DFIG wind turbines based on recurrent neural network optimization control under unbalanced grid faults
Liang et al. The modeling and numerical simulations of wind turbine generation system with free vortex method and simulink
CN110968958A (zh) 一种基于单机等值与选择模态分析的风电场等值建模方法
CN111384730A (zh) 一种风机虚拟惯量控制参数的确定方法
Munteanu et al. Control-based strategy for effective wind speed estimation in wind turbines
Essadki et al. LQR controller design for a nonlinear, doubly fed induction generator model
Chakib et al. Contribution of variable speed wind turbine generator based on dfig using adrc and rst controllers to frequency regulation
Belmokhtar et al. Online parameter identification for a DFIG driven wind turbine generator based on recursive least squares algorithm
CN111654039A (zh) 判断双馈风电并网系统次/超同步振荡稳定性的方法及系统
Manjeera et al. Design and Implementation of Fuzzy logic-2DOF controller for Emulation of wind turbine System
CN109657380A (zh) 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法
CN110311409B (zh) 一种不平衡电压下改进型双环dfig低电压穿越控制策略
Boobalan et al. A fuzzy-PI based power control of wind energy conversion system using PMSG
Naik et al. Type-2 fuzzy logic based pitch angle controller for fixed speed wind energy system
CN110912180A (zh) 基于选择模式分析的双馈风机模型降阶方法
Veloso et al. Application of model order reduction to a DFIG-based wind farm in the chilean system
Zeng et al. DCNN-based virtual synchronous generator control to improve frequency stability of PV-ESS station

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant