CN110571825A - 一种静止同步补偿器模型参数辨识方法及系统 - Google Patents
一种静止同步补偿器模型参数辨识方法及系统 Download PDFInfo
- Publication number
- CN110571825A CN110571825A CN201910842387.8A CN201910842387A CN110571825A CN 110571825 A CN110571825 A CN 110571825A CN 201910842387 A CN201910842387 A CN 201910842387A CN 110571825 A CN110571825 A CN 110571825A
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- synchronous compensator
- static synchronous
- axis
- 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.)
- Pending
Links
- 230000003068 static effect Effects 0.000 title claims abstract description 102
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 48
- 241000251555 Tunicata Species 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 241000251557 Ascidiacea Species 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000031016 anaphase Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 241000270666 Testudines Species 0.000 claims description 2
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
- H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
- H02J3/1835—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control
- H02J3/1842—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control wherein at least one reactive element is actively controlled by a bridge converter, e.g. active filters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/10—Flexible AC transmission systems [FACTS]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种静止同步补偿器模型参数辨识方法及系统,所述方法包括:采集预设变量;所述预设变量包括仿真模型中不同强度的阶跃扰动下,所述静止同步补偿器的输出无功功率;根据所述预设变量以及含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数;根据所述预设变量以及樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到静止同步补偿器模型参数;本发明提出了一种静止同步补偿器模型参数辨识方法,实现了对静止同步补偿器模型参数的准确辨识,辨识方法简单有效,为静止同步补偿器模型参数的准确辨识提供了解决方案。
Description
技术领域
本发明涉及电力系统建模领域,更具体地,涉及一种静止同步补偿器模型参数辨识方法及系统。
背景技术
柔性交流输电技术FACTS的出现为提升电网可靠性和经济性提供了新的技术手段。作为柔性交流输电系统核心器件的静止同步补偿器(STATCOM),能够很好的提高系统的运行稳定性以及电力系统的电压质量,并且STATCOM还具有耗能低、吸收无功连续、谐波电流小等一系列优点。
目前针对STATCOM绝大部分的研究主要集中在模型推导建立方面,而在获取准确模型参数、研究参数辨识方法方面却较少。大部分参数辨识研究集中在励磁系统、原动机、负荷模型以及发电机这四大方面。鉴于目前对STATCOM模型参数辨识的研究较少,研究有效的STATCOM模型参数辨识方法具有重要意义。因此,为实现对静止同步补偿器模型参数的准确辨识,需要一种高精度的静止同步补偿器模型参数辨识方法。
发明内容
为了解决背景技术存在的现有技术不能对静止同步补偿器模型参数的准确辨识的问题,本发明提供了一种静止同步补偿器模型参数辨识方法,所述方法包括:
采集预设变量;所述预设变量包括仿真模型中不同强度的阶跃扰动下,所述静止同步补偿器的输出无功功率;
根据所述预设变量以及含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数;
根据所述预设变量以及樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到静止同步补偿器模型参数;所述M为正数。
进一步的,在采集预设变量之前还包括:根据所述静止同步补偿器的运行特性,建立静止同步补偿器数学模型,确定待辨识模型参数。
进一步的,所述静止同步补偿器数学模型的状态空间表达式:
其中,其中Vcd,Vcq为双闭环控制输出的控制电压的dq轴分量,w为频率,Vsd与Vsq分别为装置接入点三相母线电压的dq轴分量,Id,Iq为接入点三相电流的dq轴分量,Kp_id,Ki_id,Kp_iq,Ki_iq分别为电压内环控制的PI参数,Id_ref与Iq_ref为电压外环控制得到的有功电流无功电流的参考值,Kp_Vdc,Ki_Vdc,Kp_Vq,Ki_Vq分别为电压外环控制的PI参数,L为线路电感,Vm和Vdc分别为接入点交流母线电压和直流母线电压,Vdc_ref为直流侧参考电压,V_ref为母线参考电压;所述静止同步补偿器模型参数均采用标幺值;
根据所述静止同步补偿器状态空间表达式,可以确定待辨识模型参数为θ=[Kp_vq,Ki_vq,Kp_Vdc,Ki_Vdc,Kp_iq,Ki_iq,L,Kp_id,Ki_id]。
进一步的,所述根据所述预设变量以及含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数包括:
所述含静止同步补偿器的dq轴参数解耦模型中,波器电路方程为,
所述滤波器电路方程结合所述静止同步补偿器数学模型的状态空间表达式得到如下公式,
根据上述公式,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到d轴待辨识模型参数包括Kp_Vdc,Ki_Vdc,Kp_id,Ki_id,L,q轴待辨识模型参数包括Kp_vq,Ki_vq,Kp_iq,Ki_iq,L。
进一步的,所述根据樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到最终静止同步补偿器模型参数包括:
设置所述樽海鞘群模型基本参数,进行种群初始化;设种群规模为N,更新迭代次数为k,最大迭代次数为G,设置搜索上下限分别为ub,lb,并初始化樽海鞘群,规模大小为N×D,计算初始化后的种群适应度值,并将其按大小进行排序,选定最优食物位置为对应排在首位的樽海鞘位置;所述k、G、N以及D均为正数;
选定领导者与追随者,根据迭代模型进行更新,并计算新的目标函数值;
判断迭代寻优是否满足理论最优值;若满足则输出参数辨识结果,否则跳转采集预设变量步骤;如果达到最大迭代次数,判断辨识结果是否满足条件,如果是,则参数辨识结果;否则,根据辨识结果修正算法基本参数,重新调用所述根据樽海鞘群模型进行计算。
进一步的,所述迭代模型包括:
其中,表示第j只樽海鞘(领导者)在第i维空间的位置,ubi,lbi分别为第i维位置对应的上、下限;Fi是食物源在第i维空间的位置,系数r1定义为,
其中,T表示算法最多迭代次数,t为当前算法迭代次数;系数r2,r3是在[0,1]随机数,r3负责指示下一个迭代时粒子移动方向,
其中,j>2,具体范围由种群规模确定;表示第j只樽海鞘追随者在i维空间的位置,t为时间,v0为初速度,加速度a=(vfinal-v0)/t,其中 表示第j-1只樽海鞘在i维空间的位置;
其中,c1为自适应学习因子,c1=(T-t)/T;搜索前期,c1取值较大,可促使樽海鞘快速向食物源可能存在区域移动;搜索后期,c1取值较小,樽海鞘可在食物源所在区域内仔细搜索。
进一步的,所述判断迭代寻优是否满足理论最优值包括:
所述仿真模型输出无功功率Q与实测无功功率Q*形成的目标函数取得最优值,即取得最小值。
进一步的,在所述根据樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到静止同步补偿器模型参数后还包括:
计算所述根据樽海鞘群模型对所述待辨识模型参数进行M次辨识的平均结果,剔除与均值偏差超过50%的辨识结果,并将剩余结果重新求取均值,得到优化后的静止同步补偿器模型参数。
所述一种静止同步补偿器模型参数辨识系统包括:
预设变量采集单元,所述预设变量采集单元一端分别与参数解耦模型单元以及参数辨识单元相连接;所述预设变量采集单元用于采集预设变量,并将所述预设变量发送至所述参数解耦模型单元以及参数辨识单元;所述预设变量包括仿真模型下不同强度的阶跃扰动下,所述静止同步补偿器的输出无功功率;
参数解耦模型单元,所述参数解耦模型单元一端与所述参数辨识单元相连接;所述参数解耦模型单元用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数,并将所述待辨识模型参数发送至参数辨识单元;
参数辨识单元,所述参数辨识单元用于根据所述预设变量以及樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到静止同步补偿器模型参数;所述M为正数。
进一步的,所述系统还包括:
参数优化单元,所述参数优化单元一端与所述参数辨识单元相连接;所述参数优化单元用于接收所述参数辨识单元发送的对所述待辨识模型参数进行的M次辨识结果,将所述M次辨识结果求平均值,剔除与均值偏差超过50%的辨识结果,并将剩余结果重新求取均值,得到优化后的静止同步补偿器模型参数。
进一步的,所述参数解耦模型单元包括:
d轴参数模块,所述d轴参数模块一端与所述预设变量采集单元相连接,另一端与所述参数辨识单元相连接;所述d轴参数模块用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,计算得到d轴待辨识模型参数,并将所述d轴待辨识模型参数发送至所述参数辨识单元;
q轴参数模块,所述q轴参数模块一端与所述预设变量采集单元相连接,另一端与所述参数辨识单元相连接;所述q轴参数模块用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,计算得到q轴待辨识模型参数,并将所述q轴待辨识模型参数发送至所述参数辨识单元。
进一步的,所述参数辨识单元包括:
樽海鞘群模型设置模块,所述樽海鞘群模型设置模块一端分别与选择模块相以及判断最优模块连接;所述樽海鞘群模型设置模块用于设置所述樽海鞘群模型基本参数,进行种群初始化;设种群规模为N,更新迭代次数为k,最大迭代次数为G,设置搜索上下限分别为ub,lb,并初始化樽海鞘群,规模大小为N×D,计算初始化后的种群适应度值,并将其按大小进行排序,选定最优食物位置为对应排在首位的樽海鞘位置;所述樽海鞘群模型设置模块用于将设置结果发送至所述选择模块以及所述判断最优模块;所述k、G、N以及D均为正数;
选择模块,所述选择模块一端分别与所述参数解耦模型单元以及所述樽海鞘群模型设置模块相连接,另一端与判断最优模块相连接;所述选择模块用于选定领导者与追随者,根据迭代模型所述参数解耦模型单元发送的待辨识参数对进行更新,计算新的目标函数值,并将所述目标函数值发送至判断最优模块;
判断最优模块,所述判断最优模块一端分别与所述选择模块以及所述樽海鞘群模型设置模块相连接,另一端与所述采集预设变量单元相连接;所述判断最优模块用于判断迭代寻优是否满足理论最优值;若满足则输出参数辨识结果,否则发送重新采集变量信号至所述采集预设变量单元。
本发明的有益效果为:本发明的技术方案,给出了一种静止同步补偿器模型参数辨识方法及系统,所述方法包括:采集预设变量;所述预设变量包括仿真模型中不同强度的阶跃扰动下,所述静止同步补偿器的输出无功功率;根据所述预设变量以及含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数;根据所述预设变量以及樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到静止同步补偿器模型参数;本发明提出了一种静止同步补偿器模型参数辨识方法,实现了对静止同步补偿器模型参数的准确辨识,辨识方法简单有效,为静止同步补偿器模型参数的准确辨识提供了解决方案。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为本发明具体实施方式的一种静止同步补偿器模型参数辨识方法的流程图;
图2为本发明具体实施方式的一种静止同步补偿器模型参数辨识系统的结构图。
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。
图1为本发明具体实施方式的一种静止同步补偿器模型参数辨识方法的流程图。如图1所示,所述方法包括:
步骤110,建立静止同步补偿器数学模型;根据所述静止同步补偿器的运行特性,建立静止同步补偿器数学模型,确定待辨识模型参数;
具体的,利用电力系统稳定计算软件平台搭建仿真系统,其中,STATCOM待辨识参数为典型值;
进一步的,所述静止同步补偿器数学模型的状态空间表达式:
其中,其中Vcd,Vcq为双闭环控制输出的控制电压的dq轴分量,w为频率,Vsd与Vsq分别为装置接入点三相母线电压的dq轴分量,Id,Iq为接入点三相电流的dq轴分量,Kp_id,Ki_id,Kp_iq,Ki_iq分别为电压内环控制的PI参数,Id_ref与Iq_ref为电压外环控制得到的有功电流无功电流的参考值,Kp_Vdc,Ki_Vdc,Kp_Vq,Ki_Vq分别为电压外环控制的PI参数,L为线路电感,Vm和Vdc分别为接入点交流母线电压和直流母线电压,Vdc_ref为直流侧参考电压,V_ref为母线参考电压;所述静止同步补偿器模型参数均采用标幺值;
根据所述静止同步补偿器状态空间表达式,可以确定待辨识模型参数为θ=[Kp_vq,Ki_vq,Kp_Vdc,Ki_Vdc,Kp_iq,Ki_iq,L,Kp_id,Ki_id]。
步骤120,采集预设变量;所述预设变量包括仿真模型中不同强度的阶跃扰动下,所述静止同步补偿器的输出无功功率以及STATCOM装设点电压Vmes;
具体的,在1s时,对系统施加不同强度的持续阶跃扰动,获得相关的辨识数据。
步骤130,拆分dq轴两路辨识,确定待辨识模型参数;根据所述预设变量以及含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数;
进一步的,所述含静止同步补偿器的dq轴参数解耦模型中,波器电路方程为,
所述滤波器电路方程结合所述静止同步补偿器数学模型的状态空间表达式得到如下公式,
根据上述公式,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到d轴待辨识模型参数包括Kp_Vdc,Ki_Vdc,Kp_id,Ki_id,L,q轴待辨识模型参数包括Kp_vq,Ki_vq,Kp_iq,Ki_iq,L;
具体的,本实例中参数L在dq轴均可进行辨识,本文将参数L的辨识放在d轴中进行,即首先辨识d轴五个参数,q轴参数保持典型值,在得到d轴参数结果后,将L辨识结果固定,再辨识q轴四个参数,最终得到模型全部9个参数。
步骤140,根据所述预设变量以及樽海鞘群模型对所述待辨识模型参数进行M次辨识;具体的,本实例中M=50;
进一步的,所述根据樽海鞘群模型对所述待辨识模型参数进行M次辨识包括:
设置所述樽海鞘群模型基本参数,进行种群初始化;设种群规模为N,更新迭代次数为k,最大迭代次数为G,设置搜索上下限分别为ub,lb,并初始化樽海鞘群,规模大小为N×D,计算初始化后的种群适应度值,并将其按大小进行排序,选定最优食物位置为对应排在首位的樽海鞘位置;所述k、G、N以及D均为正数;
具体的,本实例中,种群规模N=30,最大迭代次数M=50及参数搜索范围为理论值的[-100%,+100%],生成初始化种群,利用下式初始化个体函数值;
XN×D=rand(N,D)×(ub-lb)+lb
选定领导者与追随者,根据迭代模型进行更新,并计算新的目标函数值;进一步的,所述迭代模型包括:
其中,表示第j只樽海鞘(领导者)在第i维空间的位置,ubi,lbi分别为第i维位置对应的上、下限;Fi是食物源在第i维空间的位置,系数r1定义为,
其中,T表示算法最多迭代次数,t为当前算法迭代次数;系数r2,r3是在[0,1]随机数,r3负责指示下一个迭代时粒子移动方向,
其中,j>2,具体范围由种群规模确定;表示第j只樽海鞘追随者在i维空间的位置,t为时间,v0为初速度,加速度a=(vfinal-v0)/t,其中 表示第j-1只樽海鞘在i维空间的位置;
其中,c1为自适应学习因子,c1=(T-t)/T;搜索前期,c1取值较大,可促使樽海鞘快速向食物源可能存在区域移动;搜索后期,c1取值较小,樽海鞘可在食物源所在区域内仔细搜索;
判断迭代寻优是否满足理论最优值;若满足则输出参数辨识结果,否则跳转采集预设变量步骤;如果达到最大迭代次数,判断辨识结果是否满足条件,如果是,则参数辨识结果;否则,根据辨识结果修正算法基本参数,重新调用所述根据樽海鞘群模型进行计算;
进一步的,所述判断迭代寻优是否满足理论最优值包括:
所述仿真模型输出无功功率Q与实测无功功率Q*形成的目标函数取得最优值,即取得最小值。
步骤150,计算静止同步补偿器模型参数;计算所述根据樽海鞘群模型对所述待辨识模型参数进行M次辨识的平均结果,剔除与均值偏差超过50%的辨识结果,并将剩余结果重新求取均值,得到所述静止同步补偿器模型参数;
具体的,本实例中,所述静止同步补偿器模型参数的辨识结果如表1所示,
表1STATCOM模型参数辨识结果
d轴参数辨识 | 真实值 | 辨识值 | 误差率% | q轴参数辨识 | 真实值 | 辨识值 | 误差率% |
Kp_Vdc | 0.0001 | 0.0001 | 0 | Kp_vq | 5 | 4.9063 | 1.874 |
Ki_Vdc | 0.02 | 0.0204 | 2 | Ki_vq | 100 | 102.7802 | 2.7802 |
Kp_id | 0.3 | 0.2985 | 0.5 | Kp_iq | 0.3 | 0.3242 | 4.733 |
Ki_id | 10 | 9.9645 | 0.355 | Ki_iq | 10 | 10.0232 | 0.232 |
L | 0.22 | 0.2243 | 1.954 |
由辨识结果可知,使用本发明设计的静止同步补偿器模型参数辨识方法所得辨识结果,与典型值辨识结果误差相当小,且本发明提供的方法采用多次辨识,避免了单次辨识可能导致的误差较大问题,辨识精度较高,计算结果鲁棒性较好,从而验证了本分明提供的方法在静止同步补偿器参数辨识方面的有效性和准确性。
图2为本发明具体实施方式的一种静止同步补偿器模型参数辨识系统的结构图。如图2所示,所述系统包括:
预设变量采集单元1,所述预设变量采集单元1一端分别与参数解耦模型单元2以及参数辨识单元3相连接;所述预设变量采集单元1用于采集预设变量,并将所述预设变量发送至所述参数解耦模型单元2以及参数辨识单元3;所述预设变量包括仿真模型下不同强度的阶跃扰动下,所述静止同步补偿器的输出无功功率以及STATCOM装设点电压Vmes;
参数解耦模型单元2,所述参数解耦模型单元2一端与所述参数辨识单元3相连接;所述参数解耦模型单元2用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数,并将所述待辨识模型参数发送至参数辨识单元3;
参数辨识单元3,所述参数辨识单元3用于根据所述预设变量以及樽海鞘群模型对所述待辨识模型参数进行M次辨识;所述M为正数;
参数优化单元4,所述参数优化单元一端与所述参数辨识单元3相连接;所述参数优化单元4用于接收所述参数辨识单元3发送的对所述待辨识模型参数进行的M次辨识结果,将所述M次辨识结果求平均值,剔除与均值偏差超过50%的辨识结果,并将剩余结果重新求取均值,得到所述静止同步补偿器模型参数;
具体的,本实例中M=50;
进一步的,所述参数解耦模型单元2包括:
d轴参数模块21,所述d轴参数模块21一端与所述预设变量采集单元1相连接,另一端与所述参数辨识单元3相连接;所述d轴参数模块21用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,计算得到d轴待辨识模型参数,并将所述d轴待辨识模型参数发送至所述参数辨识单元3;
q轴参数模块22,所述q轴参数模块22一端与所述预设变量采集单元1相连接,另一端与所述参数辨识单元3相连接;所述q轴参数模块22用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,计算得到q轴待辨识模型参数,并将所述q轴待辨识模型参数发送至所述参数辨识单元3。
进一步的,所述参数辨识单元3包括:
樽海鞘群模型设置模块31,所述樽海鞘群模型设置模块31一端分别与选择模块32相以及判断最优模块33连接;所述樽海鞘群模型设置模块31用于设置所述樽海鞘群模型基本参数,进行种群初始化;设种群规模为N,更新迭代次数为k,最大迭代次数为G,设置搜索上下限分别为ub,lb,并初始化樽海鞘群,规模大小为N×D,计算初始化后的种群适应度值,并将其按大小进行排序,选定最优食物位置为对应排在首位的樽海鞘位置;所述樽海鞘群模型设置模块31用于将设置结果发送至所述选择模块32以及所述判断最优模块33;所述k、G、N以及D均为正数;
选择模块32,所述选择模块32一端分别与所述参数解耦模型单元2以及所述樽海鞘群模型设置模块32相连接,另一端与判断最优模块33相连接;所述选择模块32用于选定领导者与追随者,根据迭代模型所述参数解耦模型单元2发送的待辨识参数对进行更新,计算新的目标函数值,并将所述目标函数值发送至判断最优模块33;
判断最优模块33,所述判断最优模块33一端分别与所述选择模块32以及所述樽海鞘群模型设置模块31相连接,另一端分别与所述采集预设变量单元1以及所述参数优化单元4相连接;所述判断最优模块33用于判断迭代寻优是否满足理论最优值;若满足则输出参数辨识结果,否则发送重新采集变量信号至所述采集预设变量单元1。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤,而并不用于限制各步骤之间的时间或逻辑的关系,除非文中有明确的限定,否则各个步骤之间的关系包括各种可能的情况。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如,在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。
以上所述仅是本公开的具体实施方式,应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开精神的前提下,可以作出若干改进、修改、和变形,这些改进、修改、和变形都应视为落在本申请的保护范围内。
Claims (12)
1.一种静止同步补偿器模型参数辨识方法,其特征在于,所述方法包括:
采集预设变量;所述预设变量包括仿真模型中不同强度的阶跃扰动下,所述静止同步补偿器的输出无功功率;
根据所述预设变量以及含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数;
根据所述预设变量以及樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到静止同步补偿器模型参数;所述M为正数。
2.根据权利要求1所述的方法,其特征在于,在采集预设变量之前还包括:根据所述静止同步补偿器的运行特性,建立静止同步补偿器数学模型,确定待辨识模型参数。
3.根据权利要求2所述的方法,其特征在于,所述静止同步补偿器数学模型的状态空间表达式:
其中,其中Vcd,Vcq为双闭环控制输出的控制电压的dq轴分量,w为频率,Vsd与Vsq分别为装置接入点三相母线电压的dq轴分量,Id,Iq为接入点三相电流的dq轴分量,Kp_id,Ki_id,Kp_iq,Ki_iq分别为电压内环控制的PI参数,Id_ref与Iq_ref为电压外环控制得到的有功电流无功电流的参考值,Kp_Vdc,Ki_Vdc,Kp_Vq,Ki_Vq分别为电压外环控制的PI参数,L为线路电感,Vm和Vdc分别为接入点交流母线电压和直流母线电压,Vdc_ref为直流侧参考电压,V_ref为母线参考电压;所述静止同步补偿器模型参数均采用标幺值;
根据所述静止同步补偿器状态空间表达式,可以确定待辨识模型参数为θ=[Kp_vq,Ki_vq,Kp_Vdc,Ki_Vdc,Kp_iq,Ki_iq,L,Kp_id,Ki_id]。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预设变量以及含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数包括:
所述含静止同步补偿器的dq轴参数解耦模型中,波器电路方程为,
所述滤波器电路方程结合所述静止同步补偿器数学模型的状态空间表达式得到如下公式,
根据上述公式,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到d轴待辨识模型参数包括Kp_Vdc,Ki_Vdc,Kp_id,Ki_id,L,q轴待辨识模型参数包括Kp_vq,Ki_vq,Kp_iq,Ki_iq,L。
5.根据权利要求1所述的方法,其特征在于,所述根据樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到最终静止同步补偿器模型参数包括:
设置所述樽海鞘群模型基本参数,进行种群初始化;设种群规模为N,更新迭代次数为k,最大迭代次数为G,设置搜索上下限分别为ub,lb,并初始化樽海鞘群,规模大小为N×D,计算初始化后的种群适应度值,并将其按大小进行排序,选定最优食物位置为对应排在首位的樽海鞘位置;所述k、G、N以及D均为正数;
选定领导者与追随者,根据迭代模型进行更新,并计算新的目标函数值;
判断迭代寻优是否满足理论最优值;若满足则输出参数辨识结果,否则跳转采集预设变量步骤;如果达到最大迭代次数,判断辨识结果是否满足条件,如果是,则参数辨识结果;否则,根据辨识结果修正算法基本参数,重新调用所述根据樽海鞘群模型进行计算。
6.根据权利要求5所述的方法,其特征在于,所述迭代模型包括:
其中,表示第j只樽海鞘(领导者)在第i维空间的位置,ubi,lbi分别为第i维位置对应的上、下限;Fi是食物源在第i维空间的位置,系数r1定义为,
其中,T表示算法最多迭代次数,t为当前算法迭代次数;系数r2,r3是在[0,1]随机数,r3负责指示下一个迭代时粒子移动方向,
其中,j>2,具体范围由种群规模确定;表示第j只樽海鞘追随者在i维空间的位置,t为时间,v0为初速度,加速度a=(vfinal-v0)/t,其中 表示第j-1只樽海鞘在i维空间的位置;
其中,c1为自适应学习因子,c1=(T-t)/T;搜索前期,c1取值较大,可促使樽海鞘快速向食物源可能存在区域移动;搜索后期,c1取值较小,樽海鞘可在食物源所在区域内仔细搜索。
7.根据权利要求5所述的方法,其特征在于,所述判断迭代寻优是否满足理论最优值包括:
所述仿真模型输出无功功率Q与实测无功功率Q*形成的目标函数取得最优值,即取得最小值。
8.根据权利要求1所述的方法,其特征在于,在所述根据樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到静止同步补偿器模型参数后还包括:
计算所述根据樽海鞘群模型对所述待辨识模型参数进行M次辨识的平均结果,剔除与均值偏差超过50%的辨识结果,并将剩余结果重新求取均值,得到优化后的静止同步补偿器模型参数。
9.一种静止同步补偿器模型参数辨识系统,其特征在于,所述系统包括:
预设变量采集单元,所述预设变量采集单元一端分别与参数解耦模型单元以及参数辨识单元相连接;所述预设变量采集单元用于采集预设变量,并将所述预设变量发送至所述参数解耦模型单元以及参数辨识单元;所述预设变量包括仿真模型下不同强度的阶跃扰动下,所述静止同步补偿器的输出无功功率;
参数解耦模型单元,所述参数解耦模型单元一端与所述参数辨识单元相连接;所述参数解耦模型单元用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,将所述静止同步补偿器模型参数辨识过程拆分为dq轴两路辨识,得到待辨识模型参数,并将所述待辨识模型参数发送至参数辨识单元;
参数辨识单元,所述参数辨识单元用于根据所述预设变量以及樽海鞘群模型对所述待辨识模型参数进行M次辨识,得到静止同步补偿器模型参数;所述M为正数。
10.根据权利要求9所述的系统,其特征在于,所述系统还包括:
参数优化单元,所述参数优化单元一端与所述参数辨识单元相连接;所述参数优化单元用于接收所述参数辨识单元发送的对所述待辨识模型参数进行的M次辨识结果,将所述M次辨识结果求平均值,剔除与均值偏差超过50%的辨识结果,并将剩余结果重新求取均值,得到优化后的静止同步补偿器模型参数。
11.根据权利要求9所述的系统,其特征在于,所述参数解耦模型单元包括:
d轴参数模块,所述d轴参数模块一端与所述预设变量采集单元相连接,另一端与所述参数辨识单元相连接;所述d轴参数模块用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,计算得到d轴待辨识模型参数,并将所述d轴待辨识模型参数发送至所述参数辨识单元;
q轴参数模块,所述q轴参数模块一端与所述预设变量采集单元相连接,另一端与所述参数辨识单元相连接;所述q轴参数模块用于根据所述预设变量以及所述含静止同步补偿器的dq轴参数解耦模型,计算得到q轴待辨识模型参数,并将所述q轴待辨识模型参数发送至所述参数辨识单元。
12.根据权利要求9所述的系统,其特征在于,所述参数辨识单元包括:
樽海鞘群模型设置模块,所述樽海鞘群模型设置模块一端分别与选择模块相以及判断最优模块连接;所述樽海鞘群模型设置模块用于设置所述樽海鞘群模型基本参数,进行种群初始化;设种群规模为N,更新迭代次数为k,最大迭代次数为G,设置搜索上下限分别为ub,lb,并初始化樽海鞘群,规模大小为N×D,计算初始化后的种群适应度值,并将其按大小进行排序,选定最优食物位置为对应排在首位的樽海鞘位置;所述樽海鞘群模型设置模块用于将设置结果发送至所述选择模块以及所述判断最优模块;所述k、G、N以及D均为正数;
选择模块,所述选择模块一端分别与所述参数解耦模型单元以及所述樽海鞘群模型设置模块相连接,另一端与判断最优模块相连接;所述选择模块用于选定领导者与追随者,根据迭代模型所述参数解耦模型单元发送的待辨识参数对进行更新,计算新的目标函数值,并将所述目标函数值发送至判断最优模块;
判断最优模块,所述判断最优模块一端分别与所述选择模块以及所述樽海鞘群模型设置模块相连接,另一端与所述采集预设变量单元相连接;所述判断最优模块用于判断迭代寻优是否满足理论最优值;若满足则输出参数辨识结果,否则发送重新采集变量信号至所述采集预设变量单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910842387.8A CN110571825A (zh) | 2019-09-06 | 2019-09-06 | 一种静止同步补偿器模型参数辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910842387.8A CN110571825A (zh) | 2019-09-06 | 2019-09-06 | 一种静止同步补偿器模型参数辨识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110571825A true CN110571825A (zh) | 2019-12-13 |
Family
ID=68778245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910842387.8A Pending CN110571825A (zh) | 2019-09-06 | 2019-09-06 | 一种静止同步补偿器模型参数辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110571825A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111817634A (zh) * | 2020-06-11 | 2020-10-23 | 湖南科技大学 | 一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法 |
CN112531725A (zh) * | 2020-11-10 | 2021-03-19 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441512A (zh) * | 2013-08-13 | 2013-12-11 | 上海交通大学 | 基于模块化多电平变流器的无功补偿(mmc-statcom)方法 |
CN103840695A (zh) * | 2014-02-27 | 2014-06-04 | 河海大学 | 一种光伏并网逆变器控制参数的辨识方法 |
CN106300411A (zh) * | 2016-08-04 | 2017-01-04 | 中国船舶重工集团公司第七〇九研究所 | 一种虚拟同步坐标系电流解耦的电压源逆变器控制方法 |
CN106655247A (zh) * | 2016-10-19 | 2017-05-10 | 哈尔滨理工大学 | 一种LCCL型光伏并网逆变器dq轴解耦控制设计方法 |
CN109446614A (zh) * | 2018-10-17 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种静止无功补偿模型参数的辨识方法及装置 |
-
2019
- 2019-09-06 CN CN201910842387.8A patent/CN110571825A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441512A (zh) * | 2013-08-13 | 2013-12-11 | 上海交通大学 | 基于模块化多电平变流器的无功补偿(mmc-statcom)方法 |
CN103840695A (zh) * | 2014-02-27 | 2014-06-04 | 河海大学 | 一种光伏并网逆变器控制参数的辨识方法 |
CN106300411A (zh) * | 2016-08-04 | 2017-01-04 | 中国船舶重工集团公司第七〇九研究所 | 一种虚拟同步坐标系电流解耦的电压源逆变器控制方法 |
CN106655247A (zh) * | 2016-10-19 | 2017-05-10 | 哈尔滨理工大学 | 一种LCCL型光伏并网逆变器dq轴解耦控制设计方法 |
CN109446614A (zh) * | 2018-10-17 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种静止无功补偿模型参数的辨识方法及装置 |
Non-Patent Citations (4)
Title |
---|
沈欣炜等: "光伏并网逆变器控制参数的dq轴解耦辨识策略", 《电力系统自动化》 * |
王梦秋: "基于改进樽海鞘群算法的PMSM多参数辨识", 《系统仿真学报》 * |
聂永辉等: "基于改进鸡群算法的静止无功补偿器模型参数辨识方法", 《电网技术》 * |
陈涛等: "基于樽海鞘群算法的无源时差定位", 《电子与信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111817634A (zh) * | 2020-06-11 | 2020-10-23 | 湖南科技大学 | 一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法 |
CN111817634B (zh) * | 2020-06-11 | 2022-04-01 | 湖南科技大学 | 一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法 |
CN112531725A (zh) * | 2020-11-10 | 2021-03-19 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
CN112531725B (zh) * | 2020-11-10 | 2022-09-30 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670213B (zh) | 一种风电场多机等值建模方法及装置 | |
CN109190672A (zh) | 电力系统运行工况无监督聚类方法及装置 | |
CN113553755B (zh) | 电力系统状态估计方法、装置及设备 | |
CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 | |
CN110826644B (zh) | 基于Copula函数的分布式电源时序联合出力典型场景生成方法 | |
CN110571825A (zh) | 一种静止同步补偿器模型参数辨识方法及系统 | |
CN111625399A (zh) | 一种计量数据恢复方法及系统 | |
CN110034573B (zh) | 含vsc-hvdc的交直流混联系统小干扰稳定性优化方法及装置 | |
CN108490115A (zh) | 一种基于分布式在线主成分分析的空气质量异常检测方法 | |
CN106503279A (zh) | 一种用于电力系统暂态稳定评估的建模方法 | |
CN111293706A (zh) | 一种电力系统低频振荡参数辨识方法和装置 | |
Yahyaie et al. | A surrogate-model based multi-modal optimization algorithm | |
CN111371088A (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
CN114597970A (zh) | 一种基于图卷积网络的主动配电网分区方法 | |
CN114330571A (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
CN110703038B (zh) | 一种适用于风机接入配电网的谐波阻抗估算方法 | |
CN117394313A (zh) | 一种电力系统暂态稳定评估方法、系统、芯片及设备 | |
CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
CN116365511A (zh) | 有源配电网模型构建方法、装置、终端及存储介质 | |
CN108459585B (zh) | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 | |
CN113794198B (zh) | 抑制宽频振荡的方法、装置、终端及存储介质 | |
Yu et al. | Analysis and Application of the Spatio-Temporal Feature in Wind Power Prediction. | |
CN110310033B (zh) | 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统 | |
CN104037756B (zh) | 一种含复杂电力设备模型的电力系统稳定评估方法 | |
CN114726280B (zh) | 等值负荷惯量辨识方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |