CN110245428B - 模块化多电平动模平台以及测试方法 - Google Patents
模块化多电平动模平台以及测试方法 Download PDFInfo
- Publication number
- CN110245428B CN110245428B CN201910523791.9A CN201910523791A CN110245428B CN 110245428 B CN110245428 B CN 110245428B CN 201910523791 A CN201910523791 A CN 201910523791A CN 110245428 B CN110245428 B CN 110245428B
- Authority
- CN
- China
- Prior art keywords
- converter
- generating set
- wind generating
- devices
- grid
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种模块化多电平动模平台及测试方法,该平台包括:动模测试管理系统,用于运行遗传算法确定变流器的多个器件的参数值直到获得最优参数值,变流器的多个器件的最优参数值使得风力发电机组在预定风速段的并网功率最大;RTDS系统,用于根据遗传算法确定变流器的多个器件的参数值,建立变流器的硬件仿真模型,仿真运行风力发电机组;Bladed系统;风机主控器;变流器控制器,用于生成对变流器的硬件仿真模型的控制信息,以使仿真风力发电机组的运行,得到风力发电机组的并网功率。本发明能实现根据仿真测试得到的变流器转换效率指导变流器关键器件的选型,以实现从整个风力发电机组功率最大化设计变流器,提升变流器设计的质量。
Description
技术领域
本发明涉及变流器性能测试领域,尤其涉及一种模块化多电平动模平台以及测试方法。
背景技术
当前市场对风力发电机组的发电量已经成为衡量机组竞争力的关键指标。如何通过风力发电机组的精细化设计、定制化设计,最大限度的挖掘机组的发电能力已经成为行业发展的趋势。风电变流器作为风力发电机组重要的电能转换部件,现有的风电变流器的主要器件,比如机侧网侧IGBT、机侧网侧滤波器等参数的确定是以风力发电机组运行在额定功率点下的变流器转换效率最佳作为衡量标准。而且变流器转换效率为理论估算值。
然而风力发电机组并非时时处于理想的额定功率状态,同时变流器转换效率涉及的器件损耗因素很多,由变流器主回路上几十到上百个器件的效率决定,以转换效率理论估算值很难准确衡量变流器的实际效能,难以实现变流器的最优设计。
发明内容
本发明旨在提供一种模块化多电平动模平台以及测试方法,以实现从整个风力发电机组功率最大化设计变流器,提升变流器设计的质量。
根据本发明的第一方面,一种模块化多电平动模平台,包括:
动模测试管理系统,用于预先存储风力发电机组的变流器的多个器件的参数取值范围,并运行遗传算法确定变流器的多个器件的参数值直到获得最优参数值,每个器件的参数值属于对应器件的参数取值范围内,变流器的多个器件的最优参数值使得所述风力发电机组在预定风速段的并网功率最大;
RTDS系统,与所述动模测试管理系统连接,用于根据所述遗传算法确定变流器的多个器件的参数值,建立所述变流器的硬件仿真模型,并基于所述变流器的硬件仿真模型组建风力发电机组的电气部分的模型,仿真运行所述风力发电机组;
Bladed系统,与所述RTDS系统连接,用于模拟所述风力发电机组所属风电场的气动模型和所述风力发电机组的机械模型;
风机主控器,用于与Bladed系统、变流器控制器以及RTDS系统连接;
变流器控制器,用于与RTDS系统连接;根据所述风机主控器的控制指令生成对所述变流器的硬件仿真模型的控制信息,以使所述风力发电机组的电气部分的模型联合气动模型和机械模型,仿真所述风力发电机组的运行,得到所述风力发电机组的并网功率。
优选地,所述动模测试管理系统包括:
参数存储模块,用于预先存储风力发电机组的变流器的多个器件的参数取值范围;
第一算法运行模块,用于运行遗传算法生成多个个体,每个个体的维数与所述多个器件的参数的数量相同,每个个体的取值对应为多个器件的参数取值,每个器件的参数取值均属于对应器件的参数取值范围内;
输入输出模块,用于依次输出每一个体至所述RTDS系统,以使所述RTDS系统根据每个个体建模所述变流器的硬件仿真模型,进而仿真运行所述风力发电机组,并用于接收RTDS系统输出的每个个体对应建模的所述风力发电机组的并网点电流以及并网点电压;
第二算法运行模块,用于根据并网点电流以及并网点电压,计算每个个体对应建模的所述风力发电机组在预定风速段的总并网功率值的倒数,作为对应个体的适应度评价函数;所述遗传算法在所述各个个体的适应度评价函数值最小时达到收敛,获得所述最优参数值。
优选地,所述变流器的多个器件包括:机侧断路器、机侧DUDT滤波器、机侧IGBT模块、母线支撑电容、网侧IGBT模块、网侧电抗器、网侧滤波电容、以及网侧断路器。
优选地,所述变流器为模块化多电平换流器。
优选地,所述遗传算法为多目标遗传算法NSGA-II。
本发明还提供一种模块化多电平动模测试方法,包括:
动模测试管理系统预先存储风力发电机组的变流器的多个器件的参数取值范围,并运行遗传算法确定变流器的多个器件的参数值;每个器件的参数值属于对应器件的参数取值范围内;
RTDS系统根据所述遗传算法确定变流器的多个器件的参数值,建立所述变流器的硬件仿真模型,并基于所述变流器的硬件仿真模型组建风力发电机组的电气部分的模型;
Bladed系统模拟所述风力发电机组所属风电场的气动模型和所述风力发电机组的机械模型;
变流器控制器根据风机主控器的控制指令生成对所述变流器的硬件仿真模型的控制信息,以使所述风力发电机组的电气部分的模型联合气动模型和机械模型,仿真所述风力发电机组的运行,得到变流器的多个器件的参数值对应建模的所述风力发电机组的并网功率;
动模测试管理系统运行遗传算法直到获得变流器的多个器件的最优参数值,变流器的多个器件的最优参数值使得所述风力发电机组在预定风速段的并网功率最大。
优选地,所述运行遗传算法确定变流器的多个器件的参数值包括:
运行遗传算法生成多个个体,每个个体的维数与所述多个器件的参数的数量相同;
依次输出每一个体至所述RTDS系统,以使所述RTDS系统根据每个个体建模所述变流器的硬件仿真模型,进而仿真运行所述风力发电机组;
所述动模测试管理系统运行遗传算法直到获得变流器的多个器件的最优参数值的步骤包括:
接收RTDS系统输出的每个个体对应建模的所述风力发电机组的并网点电流以及并网点电压;
根据并网点电流以及并网点电压,计算每个个体对应建模的所述风力发电机组在预定风速段的总并网功率值的倒数,作为对应个体的适应度评价函数;所述遗传算法在所述各个个体的适应度评价函数值最小时达到收敛,获得所述最优参数值。
优选地,所述变流器的多个器件包括:机侧断路器、机侧DUDT滤波器、机侧IGBT模块、母线支撑电容、网侧IGBT模块、网侧电抗器、网侧滤波电容、以及网侧断路器。
优选地,所述变流器为模块化多电平换流器。
优选地,所述遗传算法为多目标遗传算法NSGA-II。
本发明提出的一种模块化多电平动模平台以及测试方法,通过利用动模测试管理系统运行遗传算法随机产生变流器的多个器件的参数值,并利用RTDS系统根据随机产生的变流器的多个器件的参数值建模变流器的硬件仿真模型,联合Bladed系统、风机主控器、变流器控制器仿真风力发电机组的运行,得到风力发电机组的并网功率,并将风力发电机组的并网功率最大值对应的变流器的多个器件的参数值作为最优参数值,由此实现根据仿真测试得到的变流器转换效率指导变流器关键器件的选型,以实现从整个风力发电机组功率最大化设计变流器,提升变流器设计的质量。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例,并且与描述一起用于解释本发明的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例,而不是全部实施例。对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1示例性地示出了本发明提供的一种模块化多电平动模平台的结构框图。
图2示例性地示出了本发明提供的一种模块化多电平动模测试方法的流程图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
如图1所示,一种模块化多电平动模平台,包括:
动模测试管理系统101,用于预先存储风力发电机组的变流器的多个器件的参数取值范围,并运行遗传算法确定变流器的多个器件的参数值直到获得最优参数值,每个器件的参数值属于对应器件的参数取值范围内,变流器的多个器件的最优参数值使得所述风力发电机组在预定风速段的并网功率最大;
RTDS系统102,与所述动模测试管理系统101连接,用于根据所述遗传算法确定变流器的多个器件的参数值,建立所述变流器的硬件仿真模型,并基于所述变流器的硬件仿真模型组建风力发电机组的电气部分的模型,仿真运行所述风力发电机组;
Bladed系统103,与所述RTDS系统102连接,用于模拟所述风力发电机组所属风电场的气动模型和所述风力发电机组的机械模型;
风机主控器104,用于与Bladed系统103、变流器控制器105以及RTDS系统102连接;
变流器控制器105,用于与RTDS系统102连接;根据所述风机主控器104的控制指令生成对所述变流器的硬件仿真模型的控制信息,以使所述风力发电机组的电气部分的模型联合气动模型和机械模型,仿真所述风力发电机组的运行,得到所述风力发电机组的并网功率。
优选地,所述动模测试管理系统101包括:
参数存储模块(图中未示出),用于预先存储风力发电机组的变流器的多个器件的参数取值范围;
第一算法运行模块(图中未示出),用于运行遗传算法生成多个个体,每个个体的维数与所述多个器件的参数的数量相同,每个个体的取值对应为多个器件的参数取值,每个器件的参数取值均属于对应器件的参数取值范围内;
输入输出模块(图中未示出),用于依次输出每一个体至所述RTDS系统,以使所述RTDS系统根据每个个体建模所述变流器的硬件仿真模型,进而仿真运行所述风力发电机组,并用于接收RTDS系统输出的每个个体对应建模的所述风力发电机组的并网点电流以及并网点电压;
第二算法运行模块(图中未示出),用于根据并网点电流以及并网点电压,计算每个个体对应建模的所述风力发电机组在预定风速段的总并网功率值的倒数,作为对应个体的适应度评价函数;所述遗传算法在所述各个个体的适应度评价函数值最小时达到收敛,获得所述最优参数值。
优选地,所述变流器的多个器件包括:机侧断路器、机侧DUDT滤波器、机侧IGBT模块、母线支撑电容、网侧IGBT模块、网侧电抗器、网侧滤波电容、以及网侧断路器。
优选地,所述变流器为模块化多电平换流器。
优选地,所述遗传算法为多目标遗传算法NSGA-II。
本实施例通过利用动模测试管理系统运行遗传算法随机产生变流器的多个器件的参数值,并利用RTDS系统根据随机产生的变流器的多个器件的参数值建模变流器的硬件仿真模型,联合Bladed系统、风机主控器、变流器控制器仿真风力发电机组的运行,得到风力发电机组的并网功率,并将风力发电机组的并网功率最大值对应的变流器的多个器件的参数值作为最优参数值,由此实现根据仿真测试得到的变流器转换效率指导变流器关键器件的选型,以实现从整个风力发电机组功率最大化设计变流器,提升变流器设计的质量。
如图2所示,本发明还提供一种模块化多电平动模测试方法,本方法实施例为图1所示平台实施例对应的方法,图1与图2的解释说明可以互用,该测试方法包括:
步骤201:动模测试管理系统预先存储风力发电机组的变流器的多个器件的参数取值范围,并运行遗传算法确定变流器的多个器件的参数值;每个器件的参数值属于对应器件的参数取值范围内;
具体地,所述变流器的多个器件包括:机侧断路器、机侧DUDT滤波器、机侧IGBT模块、母线支撑电容、网侧IGBT模块、网侧电抗器、网侧滤波电容、以及网侧断路器。各个器件的参数取值范围可以根据经验值,并结合变流器的设计需要实现确定,具体操作时,每个器件可以包括多个参数。
优选地,所述运行遗传算法确定变流器的多个器件的参数值的步骤包括:
运行遗传算法生成多个个体,每个个体的维数与所述多个器件的参数的数量相同;比如机侧断路器的参数有1个、机侧DUDT滤波器的参数有3个、机侧IGBT模块的参数有5个、母线支撑电容的参数有1个、网侧IGBT模块的参数有5个、网侧电抗器的参数有1个、网侧滤波电容的参数有1个、以及网侧断路器的参数有1个,则总参数的个数为18个,则遗传算法每个个体的维数为18,分别对应为上述各个器件的参数;个体各维的取值要在各个器件参数的取值范围之内;
依次输出每一个体至所述RTDS系统,以使所述RTDS系统根据每个个体建模所述变流器的硬件仿真模型,进而联合Bladed系统、风机主控器、变流器控制器仿真运行所述风力发电机组;
步骤202:RTDS系统根据所述遗传算法确定变流器的多个器件的参数值,建立所述变流器的硬件仿真模型(根据个体的取值对变流器的各个器件赋予参数值),并基于所述变流器的硬件仿真模型组建风力发电机组的电气部分的模型;
步骤203:Bladed系统模拟所述风力发电机组所属风电场的气动模型和所述风力发电机组的机械模型;
步骤204:变流器控制器根据风机主控器的控制指令生成对所述变流器的硬件仿真模型的控制信息,以使所述风力发电机组的电气部分的模型联合气动模型和机械模型(各模型中除了变流器的硬件仿真模型外,建模参数根据待仿真运行的风力发电机机组的设计需要确定,本实施例主要是基于风力发电机的并网功率测试评估变流器关键器件的参数选型),仿真所述风力发电机组的运行,得到变流器的多个器件的参数值对应建模的所述风力发电机组的并网功率(可以通过仿真运行的风力发电机组的并网点的电流以及电压确定并网功率);
步骤205:动模测试管理系统运行遗传算法直到获得变流器的多个器件的最优参数值,变流器的多个器件的最优参数值使得所述风力发电机组在预定风速段的并网功率最大。
具体操作时,所述动模测试管理系统运行遗传算法直到获得变流器的多个器件的最优参数值的步骤包括:
接收RTDS系统输出的每个个体对应建模的所述风力发电机组的并网点电流以及并网点电压;
根据并网点电流以及并网点电压,计算每个个体对应建模的所述风力发电机组在预定风速段的总并网功率值的倒数,作为对应个体的适应度评价函数;预定风速段可以参考风力发电机组正常运行的实际风速取值范围,比如选择启动风速~切出风速作为预定风速段,启动风速可以选择2.5米/秒或者3米/秒;切出风速不同厂家不一样,一般是瞬时风速大于25米,或1秒平均风速大于22米,或10秒平均风速大于19米。具体可以选择3米/秒至22米/秒的风速作为预定风速段。风力发电机组在预定风速段的总并网功率值可以根据风力发电机组的并网功率值(并网点电流以及并网点电压的乘积)在该预定风速段的积分得到。
所述遗传算法在所述各个个体的适应度评价函数值最小时达到收敛,获得所述最优参数值。
优选地,所述变流器为模块化多电平换流器。
优选地,所述遗传算法为多目标遗传算法NSGA-II。
本实施例具有图1所示实施例相应的技术效果,在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (8)
1.一种模块化多电平动模平台,其特征在于,包括:
动模测试管理系统,用于预先存储风力发电机组的变流器的多个器件的参数取值范围,并运行遗传算法确定变流器的多个器件的参数值直到获得最优参数值,每个器件的参数值属于对应器件的参数取值范围内,变流器的多个器件的最优参数值使得所述风力发电机组在预定风速段的并网功率最大;
RTDS系统,与所述动模测试管理系统连接,用于根据所述遗传算法确定变流器的多个器件的参数值,建立所述变流器的硬件仿真模型,并基于所述变流器的硬件仿真模型组建风力发电机组的电气部分的模型,仿真运行所述风力发电机组;
Bladed系统,与所述RTDS系统连接,用于模拟所述风力发电机组所属风电场的气动模型和所述风力发电机组的机械模型;
风机主控器,用于与Bladed系统、变流器控制器以及RTDS系统连接;
变流器控制器,用于与RTDS系统连接;根据所述风机主控器的控制指令生成对所述变流器的硬件仿真模型的控制信息,以使所述风力发电机组的电气部分的模型联合气动模型和机械模型,仿真所述风力发电机组的运行,得到所述风力发电机组的并网功率,
所述动模测试管理系统包括:
参数存储模块,用于预先存储风力发电机组的变流器的多个器件的参数取值范围;
第一算法运行模块,用于运行遗传算法生成多个个体,每个个体的维数与所述多个器件的参数的数量相同,每个个体的取值对应为多个器件的参数取值,每个器件的参数取值均属于对应器件的参数取值范围内;
输入输出模块,用于依次输出每一个体至所述RTDS系统,以使所述RTDS系统根据每个个体建模所述变流器的硬件仿真模型,进而仿真运行所述风力发电机组,并用于接收RTDS系统输出的每个个体对应建模的所述风力发电机组的并网点电流以及并网点电压;
第二算法运行模块,用于根据并网点电流以及并网点电压,计算每个个体对应建模的所述风力发电机组在预定风速段的总并网功率值的倒数,作为对应个体的适应度评价函数;所述遗传算法在所述各个个体的适应度评价函数值最小时达到收敛,获得所述最优参数值。
2.根据权利要求1所述的模块化多电平动模平台,其特征在于,所述变流器的多个器件包括:机侧断路器、机侧DUDT滤波器、机侧IGBT模块、母线支撑电容、网侧IGBT模块、网侧电抗器、网侧滤波电容、以及网侧断路器。
3.根据权利要求2所述的模块化多电平动模平台,其特征在于,所述变流器为模块化多电平换流器。
4.根据权利要求3所述的模块化多电平动模平台,其特征在于,所述遗传算法为多目标遗传算法NSGA-II。
5.一种模块化多电平动模测试方法,其特征在于,包括:
动模测试管理系统预先存储风力发电机组的变流器的多个器件的参数取值范围,并运行遗传算法确定变流器的多个器件的参数值;每个器件的参数值属于对应器件的参数取值范围内;
RTDS系统根据所述遗传算法确定变流器的多个器件的参数值,建立所述变流器的硬件仿真模型,并基于所述变流器的硬件仿真模型组建风力发电机组的电气部分的模型;
Bladed系统模拟所述风力发电机组所属风电场的气动模型和所述风力发电机组的机械模型;
变流器控制器根据风机主控器的控制指令生成对所述变流器的硬件仿真模型的控制信息,以使所述风力发电机组的电气部分的模型联合气动模型和机械模型,仿真所述风力发电机组的运行,得到变流器的多个器件的参数值对应建模的所述风力发电机组的并网功率;
动模测试管理系统运行遗传算法直到获得变流器的多个器件的最优参数值,变流器的多个器件的最优参数值使得所述风力发电机组在预定风速段的并网功率最大,
所述运行遗传算法确定变流器的多个器件的参数值包括:
运行遗传算法生成多个个体,每个个体的维数与所述多个器件的参数的数量相同;
依次输出每一个体至所述RTDS系统,以使所述RTDS系统根据每个个体建模所述变流器的硬件仿真模型,进而仿真运行所述风力发电机组;
所述动模测试管理系统运行遗传算法直到获得变流器的多个器件的最优参数值的步骤包括:
接收RTDS系统输出的每个个体对应建模的所述风力发电机组的并网点电流以及并网点电压;
根据并网点电流以及并网点电压,计算每个个体对应建模的所述风力发电机组在预定风速段的总并网功率值的倒数,作为对应个体的适应度评价函数;所述遗传算法在所述各个个体的适应度评价函数值最小时达到收敛,获得所述最优参数值。
6.根据权利要求5所述的模块化多电平动模测试方法,其特征在于,所述变流器的多个器件包括:机侧断路器、机侧DUDT滤波器、机侧IGBT模块、母线支撑电容、网侧IGBT模块、网侧电抗器、网侧滤波电容、以及网侧断路器。
7.根据权利要求6所述的模块化多电平动模测试方法,其特征在于,所述变流器为模块化多电平换流器。
8.根据权利要求7所述的模块化多电平动模测试方法,所述遗传算法为多目标遗传算法NSGA-II。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523791.9A CN110245428B (zh) | 2019-06-17 | 2019-06-17 | 模块化多电平动模平台以及测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523791.9A CN110245428B (zh) | 2019-06-17 | 2019-06-17 | 模块化多电平动模平台以及测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245428A CN110245428A (zh) | 2019-09-17 |
CN110245428B true CN110245428B (zh) | 2022-12-09 |
Family
ID=67887605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910523791.9A Active CN110245428B (zh) | 2019-06-17 | 2019-06-17 | 模块化多电平动模平台以及测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245428B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115191A (zh) * | 2021-11-23 | 2022-03-01 | 国网冀北电力有限公司电力科学研究院 | 柔直新能源场站功率控制系统的硬件在环测试方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942608A (zh) * | 2014-03-28 | 2014-07-23 | 华北电力大学 | 一种基于尾流模型的风电场优化调度方法 |
CN104865845A (zh) * | 2015-05-06 | 2015-08-26 | 上海交通大学 | 大型风电机组实时运行控制联合仿真平台及其构建方法 |
CN105549420A (zh) * | 2015-12-22 | 2016-05-04 | 南京南瑞集团公司 | 直驱风机变流控制系统的实时仿真测试方法 |
CN106602592A (zh) * | 2016-10-20 | 2017-04-26 | 湖南大学 | 一种垂直轴风电系统中变流器与蓄电池容量优化配置策略 |
CN109494714A (zh) * | 2018-11-13 | 2019-03-19 | 中国电力科学研究院有限公司 | 一种协调分布式潮流控制器多目标控制的优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013163760A1 (en) * | 2012-05-01 | 2013-11-07 | Rajiv Kumar Varma | Enhanced utilization of real power generating capacity of distributed generator (dg) inverters as statcom |
-
2019
- 2019-06-17 CN CN201910523791.9A patent/CN110245428B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942608A (zh) * | 2014-03-28 | 2014-07-23 | 华北电力大学 | 一种基于尾流模型的风电场优化调度方法 |
CN104865845A (zh) * | 2015-05-06 | 2015-08-26 | 上海交通大学 | 大型风电机组实时运行控制联合仿真平台及其构建方法 |
CN105549420A (zh) * | 2015-12-22 | 2016-05-04 | 南京南瑞集团公司 | 直驱风机变流控制系统的实时仿真测试方法 |
CN106602592A (zh) * | 2016-10-20 | 2017-04-26 | 湖南大学 | 一种垂直轴风电系统中变流器与蓄电池容量优化配置策略 |
CN109494714A (zh) * | 2018-11-13 | 2019-03-19 | 中国电力科学研究院有限公司 | 一种协调分布式潮流控制器多目标控制的优化方法 |
Non-Patent Citations (1)
Title |
---|
风电系统中变流器与蓄电池容量优化配置策略;荣飞等;《湖南大学学报(自然科学版)》;20171031;第44卷(第10期);85-90 * |
Also Published As
Publication number | Publication date |
---|---|
CN110245428A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105826918A (zh) | 电网理论线损的计算方法和系统 | |
CN115358079B (zh) | 风电场场站实时仿真模型的构建方法和阻抗特性评估方法 | |
CN108508360B (zh) | 基于RT-Lab双馈型风电虚拟同步发电机性能测试方法及系统 | |
CN102830692B (zh) | 风电机组主控制系统低电压穿越一致性测试方法 | |
JP2012005346A (ja) | 発電ユニットを制御する方法及びシステム | |
CN113675878B (zh) | 海上风电场并网性能测试方法、系统、计算机设备和介质 | |
WO2011150941A1 (en) | Device and method for testing a wind power plant component | |
Jassmann et al. | CertBench: Conclusions from the comparison of certification results derived on system test benches and in the field | |
CN116031887A (zh) | 一种电网仿真分析算例数据生成方法、系统、设备及介质 | |
CN110245428B (zh) | 模块化多电平动模平台以及测试方法 | |
CN116488267B (zh) | 一种基于建模的风电场无功容量极限仿真计算方法及装置 | |
Rudion et al. | Non-linear load modeling—Requirements and preparation for measurement | |
Acosta et al. | Wind power plant modelling benchmark of RMS vs EMT simulation models for the electric reliability council of Texas (ERCOT) market | |
Ajewole et al. | Development of a lab-demo facility for wind energy conversion systems | |
Gherasim et al. | Development of a flickermeter for grid-connected wind turbines using a DSP-based prototyping system | |
Borodulin | Accounting for wind Gusts in stability and fault ride-through studies for a wind power plant | |
Musca et al. | Experimental testing of a wind power plant with IEC 61400-27 models for voltage regulation service in Italy | |
Ruiz et al. | Validation of a wind turbine harmonic model based on the generic type 4 wind turbine Standard | |
Fetzer et al. | Modelling of small-scale photovoltaic systems with active and reactive power control for dynamic studies | |
CN116545023B (zh) | 一种风电机组并网点闪变特性的仿真验证方法及装置 | |
Joos et al. | Microgrid controller standardization-principles and implementation | |
CN116738677B (zh) | 一种风电场场站运行的适应性能力评价方法及装置 | |
Billinton et al. | Adequacy assessment of composite power generation and transmission systems with wind energy | |
CN113536532A (zh) | 一种双馈风机提供短路电流的计算方法及系统 | |
Su et al. | Analysis of Wind Generation System by Real-Time Simulation |
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 |