CN110580394B - 一种平行多层蒙特卡罗双馈异步风机参数优化方法 - Google Patents
一种平行多层蒙特卡罗双馈异步风机参数优化方法 Download PDFInfo
- Publication number
- CN110580394B CN110580394B CN201910858822.6A CN201910858822A CN110580394B CN 110580394 B CN110580394 B CN 110580394B CN 201910858822 A CN201910858822 A CN 201910858822A CN 110580394 B CN110580394 B CN 110580394B
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- controller
- monte carlo
- fed asynchronous
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims 2
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种平行多层蒙特卡罗双馈异步风机参数优化方法,该方法通过平行多层的仿真系统来减少群体智能决策的时间,其核心是在每层仿真系统中灵活运用多区域多粒度蒙特卡方法,每层每区域所使用方法的参数不同,通过使用不同的参数来寻求系统最优化的参数,从而进行必要的决策。本方法的技术效果是:即可实现快速的参数寻优决策,又可以避免一般的蒙特卡罗方法寻优所遇到的“维数灾害”问题。本发明能够对双馈异步风机的比例积分微分控制器参数进行优化。
Description
技术领域
本发明属于风力发电控制领域,涉及一种代替传统双馈异步风机控制器参数的寻找方法,适用于控制器参数的优化。
背景技术
近年来,使用双馈异步风机这种变速恒频的风力发电机型已经逐渐成为主流的形式。双馈异步风机的发电系统中有着很多个控制器,这些控制器对风力发电的效果起着至关重要的作用,因此在设计这些控制器的参数时,如果能够找到最优的控制器参数,将会大大提高整个风力发电的效率。然而采用传统的控制器参数整定方法,想要得到其最优的控制参数,将伴随着庞大的工作量和复杂的整定方法。因此,一种智能化的寻找最优控制器参数的方法就显得尤为重要。
发明内容
本发明提供一种平行多层蒙特卡罗双馈异步风机参数优化方法,该方法与传统的控制器参数的整定方法不同。首先寻找突出显示控制器的一个适应度函数,该函数体现着发电系统的性能指标。例如,在额定风速以下,风力发电机对最大输入功率点的跟踪,需要通过转子侧换流器来进行调节。风力涡轮机捕获的风能可以定义为:
其中ρ是空气密度,R表示的是浆液半径,v1表示风速。CP(λ,β)是指风力利用系数,它是叶尖速比λ和β桨距角的函数。在额定风速以下的某一风速下,只有特定的转子转速,才能使该风速下风能利用系数CP最大。对最大输入功率点的跟踪,需要获取一个最优的风能利用系数CPmax。根据以下公式:
其中ωm表示的是涡轮机叶片转速,风能利用系数中CP的c1=0.5176,c2=116,c3=0.4,c4=5,c5=21,c6=0.0068。
由于在额定风速以下的风速,桨距角β为一个固定的值,想要获得最佳风能利用系数CP,只要调节叶尖速比,即控制转子转速即可。
转子侧换流器的作用是控制转子转速和无功功率。在传统矢量控制器框架中,应用比例积分微分控制器进行控制,可以对最佳功率点进行快速、准确和稳定跟踪。为了衡量控制器的控制能力,需要一个突出控制效果的适应度函数,可以表示为:
其中Qs和Qs *分别为检测到的无功功率和某风速下无功功率的给定值;wr和wr *分别为转子转速的测量值和某风速下转子转速的给定值。式(5)的限制条件为:
其中需有优化的4组比例分微分控制器参数,分别以kPi、kIi、kDi,i=1,2,3,4。其外环参数取值范围分别为:kPi∈[0,0.5],kIi∈[0,2],kDi∈[0,1];内环参数取值范围分别为kPi∈[0,15],kIi∈[0,50],kDi∈[0,1]。T是在某种风速下的运行时间,例如随机风。风速的取值范围8m/s<v1<12m/s,电网电压us在0.2p.u.~1.0p.u.之间,无功功率Qs在-1.0p.u.~1.0p.u.之间。
在传统矢量控制器框架中,控制器分别在d轴和q轴上的外环和内环。这些控制器共有4个,当这些控制器的比例积分微分参数能够选到最优,式(5)中的适应度函数能取到最小值fmin(x)。
通过一种平行多层蒙特卡罗双馈异步风机参数优化方法,对控制器参数进行寻优。该寻优方法通过平行多层的仿真系统来减少群体智能决策的时间,其核心是在每层仿真系统中灵活运用多区域多粒度蒙特卡罗方法,每层每区域所使用方法的参数不同,通过使用不同的参数来寻求系统最优化的参数,从而进行必要的寻优决策,最后将得到适应度函数为最小值的控制器参数,即控制器的最优参数。
一种平行多层蒙特卡罗双馈异步风机参数优化方法,其方法步骤如下:
(1)找到双馈异步风机内部一个控制器的适应度函数。
(2)在平行仿真系统的第一个小区域内,随机找到n组用均匀蒙特卡罗伪随机数代替的控制器的参数,并分别对适应度函数进行计算,然后对其结果进行排序,再从小到大取q个该结果的参数点。
(3)q个参数点中,给除了适应度函数取得最小值外的q-1个参数点的周围分别定义一个小区域,然后在这q-1个参数点所定义的每一个区域内分别找到m组用均匀蒙特卡罗伪随机数代替的控制器参数,并分别带入控制器,对适应度函数进行计算,取每个区域适应度函数取得最小值的参数点。
(4)在取得的这q-1个参数点的周围分别在定义一个小区域,然后在这q-1个参数点所定义的每一个区域内分别找到v组用均匀蒙特卡罗伪随机数代替的控制器参数,并分别带入控制器,对适应度函数进行计算,找出这q-1片区域中适应度函数取得最小值的点,该点将成为平行仿真系统第一层的最优参数点。
(5)在步骤(2)中取适应度函数为最小值的参数点的周围定义一个小区域,该小区域将成为平行仿真系统第二层的第一块小区域,再通过与第一层寻找最优参数方式相同但参数不同的方法,寻找到第二层的最优参数。
(6)以此类推,通过p层平行仿真系统的参数寻优后,得到p个参数点,将这p个参数点分别代入控制器,然后对适应度函数进行计算,在得到计算结果后进行比较,其结果为最小值的参数点即为控制器的最优参数。
本发明的技术效果是:可以用智能的方法寻找到双馈异步风机控制器的最优参数,相比于传统的整定方式,其动态性能达到最佳效果,也可免去人工计算所带来的复杂性。
附图说明
图1是本发明方法一种平行多层蒙特卡罗双馈异步风机参数优化方法的示意图。
图2是本发明中双馈型风力发电机的比例积分微分控制过程示意图。
图3是本发明第一层平行仿真系统参数寻优的流程图。
具体实施方式
本发明提供一种平行多层蒙特卡罗双馈异步风机参数优化方法,结合附图详细说明如下:
图1是本发明方法一种平行多层蒙特卡罗双馈异步风机参数优化方法的示意图。在图1中A、B和C分别表示平行仿真系统的第一层、第二层和第三层,D表示第一层平行仿真系统的第一块小区域,E、F和K是第一层平行仿真系统的第一块小区域内的三块小区域,H是小区域E内的小区域,I、J小区域是区域F内的两块小区域,第二层和第三层平行仿真系统上的小区域数与第一层一样但是参数不同。
图2是本发明中双馈型风力发电机的比例积分微分控制过程示意图。图中在传统的矢量控制方法中应用比例积分微分控制策略实现最大功率点跟踪。图中转子转速wr和无功功率QS与它们的参考值wr *和QS *的偏差通过比例积分微分控制器获得dq轴上的参考电流iqr *和idr *,再把参考电流与dq轴上实际电流的偏差通过比例积分微分控制器得到uqr1和udr1,最后将uqr1和udr1通过添加补偿项uqr2和udr2,最终获得转子侧换流器控制器的输出uqr和udr。在该控制框架下,形成了四个耦合的比例积分微分控制环,其控制参数通过平行多层蒙特卡罗双馈型异步风力发电机控制器参数寻优方法来获得。
图3是本发明第一层平行仿真系统参数寻优的流程图。其详细内容为:
(1)在第一层平行仿真系统A中的第一个区域D,用蒙特卡罗随机数代替比例积分微分控制器参数。
(2)计算适应度函数,并记录结果和相应参数点。
(3)判断适应度函数的计算次数是否到达10000次,如果达到执行下一步;反之,继续执行步骤(1)和步骤(2)。
(4)对适应度函数的计算结果进行从小到大排序,取前3个结果的相应参数点。
(5)最小值参数点周围的小区域,使其成为平行仿真系统的第二层C中的第一块区域K;在第二和第三个参数点的周围分别定义小区域E和F。
(6)对在区域E中用蒙特卡罗随机数代替比例积分微分控制器的参数。
(7)计算适应度函数,并记录结果和相应参数点。
(8)判断适应度函数的计算次数是否到达10000次,如果达到执行下一步;反之,继续执行步骤(6)和步骤(7)。
(9)取适应度函数结果最小的参数点,在其周围定义一个小区域H。
(10)在区域H中用蒙特卡罗随机数代替比例积分微分控制器的参数。
(11)计算适应度函数,并记录结果和相应参数点。
(12)判断适应度函数的计算次数是否到达1000次,如果达到执行下一步;反之,继续执行步骤(10)和步骤(11)。
(13)取适应度函数结果为最小值的参数点。
(14)在区域F中用蒙特卡罗随机数代替比例积分微分控制器的参数。
(15)计算适应度函数,并记录结果和相应参数点。
(16)判断适应度函数的计算次数是否到达1000次,如果达到执行下一步;反之,继续执行步骤(14)和步骤(15)。
(17)取适应度函数结果取得最小值和次最小值的参数点,分别在其周围定义小区域I和J。
(18)在区域I中用蒙特卡罗随机数代替比例积分微分控制器的参数。
(19)计算适应度函数,并记录结果和相应参数点。
(20)判断适应度函数的计算次数是否到达1000次,如果达到执行下一步;反之,继续执行步骤(18)和步骤(19)。
(21)取适应度函数结果为最小值的参数点。
(22)在区域J中用蒙特卡罗随机数代替比例积分微分控制器的参数。
(23)计算适应度函数,并记录结果和相应参数点。
(24)判断适应度函数的计算次数是否到达1000次,如果达到执行下一步;反之,继续执行步骤(22)和步骤(23)。
(25)取适应度函数结果为最小值的参数点。
(26)对步骤(13)、步骤(21)和步骤(25)这三个参数点的适应度函数结果进行比较,取结果为最小的参数点,该点即为平行仿真系统第一层A的最优参数。
Claims (5)
1.一种平行多层蒙特卡罗双馈异步风机参数优化方法,其特征在于,用平行多层蒙特卡罗的方法对双馈异步风机参数进行寻优;该方法在使用过程中的步骤为:
(1)列出控制器输入偏差信号的表达式;
(2)列出对步骤(1)表达式在给定时间T内进行积分运算的表达式;
在矢量控制器框架中,应用比例积分微分控制器进行控制,对最佳功率点进行快速、准确和稳定跟踪;为了衡量控制器的控制能力,一个突出控制效果的适应度函数表示为:
其中Qs和Qs *分别为检测到的无功功率和某风速下无功功率的给定值;wr和wr *分别为转子转速的测量值和某风速下转子转速的给定值;限制条件为:
其中需有优化的4组比例分微分控制器参数,分别为kPi、kIi、kDi,i=1,2,3,4;其外环参数取值范围分别为:kPi∈[0,0.5],kIi∈[0,2],kDi∈[0,1];内环参数取值范围分别为kPi∈[0,15],kIi∈[0,50],kDi∈[0,1];T是在某种风速下的运行时间;风速的取值范围8m/s<v1<12m/s,电网电压us在0.2p.u.~1.0p.u.之间,无功功率Qs在-1.0p.u.~1.0p.u.之间;
(3)在第一层仿真系统第一个区域中,将控制器中的kP、kI、kD参数用均匀蒙特卡罗伪随机数代替,再把这些参数带入控制器,并对步骤(2)的表达式进行计算,并记录其计算结果和相应的参数点;
(4)对步骤(3)进行有限n次循环,然后将计算结果进行从小到大排序,并记录排序后前q个结果的相应参数点;
(5)除了步骤(4)中取得的最小值的参数点外,在剩下q-1个参数点周围区域定义q-1个小区域;
(6)在步骤(5)中这q-1个小区域中分别取参数,这些参数用均匀蒙特卡罗伪随机数代替,然后将每个区域的所取到参数代入控制器,并对步骤(2)中的表达式进行计算;
(7)对步骤(6)进行m次循环,记录下循环后每个区域所得计算结果为最小的参数点,然后再分别在这q-1个结果为最小的参数点的周围定义一个小区域;
(8)在步骤(7)中这q-1个小区域中分别取参数,这些参数用均匀蒙特卡罗伪随机数代替,然后将每个区域的所取到参数代入控制器,并对步骤(2)中的表达式进行计算;
(9)对步骤(8)进行v次循环,记录下循环后每个区域所得计算结果为最小的参数点,最后对这q-1个结果进行比较,选出结果最小的参数点作为第一层的最优参数点;
(10)定义步骤(4)中取得最小值参数点周围的小区域,使其成为平行仿真系统的第二层的第一块区域,再通过与第一层寻找最优参数方式相同但参数不同的方法,寻找到第二层的最优参数;
(11)以此类推,通过p层平行仿真系统的参数寻优后,得到p个参数点,将这p个参数点分别代入控制器,然后对步骤(2)的表达式进行计算,在得到计算结果后进行比较,其结果为最小值的参数点即为控制器的最优参数。
2.如权利要求1所述的一种平行多层蒙特卡罗双馈异步风机参数优化方法,其特征在于,步骤(4)中的q的个数,在实际的参数寻优过程中是3到5个。
3.如权利要求1所述的一种平行多层蒙特卡罗双馈异步风机参数优化方法,其特征在于,步骤(4)中的n的循环次数,在实际的参数寻优过程中设为10000次。
4.如权利要求1所述的一种平行多层蒙特卡罗双馈异步风机参数优化方法,其特征在于,步骤(7)中的m和步骤(9)中v的循环次数,在实际的参数寻优过程中设置为m=v=1000次。
5.如权利要求1所述的一种平行多层蒙特卡罗双馈异步风机参数优化方法,其特征在于,步骤(11)中的p的层数,在实际的参数寻优过程中设置为3层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910858822.6A CN110580394B (zh) | 2019-09-11 | 2019-09-11 | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910858822.6A CN110580394B (zh) | 2019-09-11 | 2019-09-11 | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580394A CN110580394A (zh) | 2019-12-17 |
CN110580394B true CN110580394B (zh) | 2022-08-12 |
Family
ID=68811769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910858822.6A Active CN110580394B (zh) | 2019-09-11 | 2019-09-11 | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580394B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308194B (zh) * | 2020-09-24 | 2022-06-21 | 广西大学 | 一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541935A (zh) * | 2018-11-23 | 2019-03-29 | 广西大学 | 一种参数自适应分数阶自抗扰自动发电控制方法 |
CN109782583A (zh) * | 2019-01-18 | 2019-05-21 | 中国电力科学研究院有限公司 | 一种风电场pi控制器参数整定方法和装置 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110084465A (zh) * | 2019-03-11 | 2019-08-02 | 杭州电子科技大学 | 基于储能的风力发电系统成本/供电可靠性评估方法 |
CN110224395A (zh) * | 2019-05-31 | 2019-09-10 | 四川大学 | 计及dg相关性和ev需求响应的配电网协同规划方法 |
-
2019
- 2019-09-11 CN CN201910858822.6A patent/CN110580394B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN109541935A (zh) * | 2018-11-23 | 2019-03-29 | 广西大学 | 一种参数自适应分数阶自抗扰自动发电控制方法 |
CN109782583A (zh) * | 2019-01-18 | 2019-05-21 | 中国电力科学研究院有限公司 | 一种风电场pi控制器参数整定方法和装置 |
CN110084465A (zh) * | 2019-03-11 | 2019-08-02 | 杭州电子科技大学 | 基于储能的风力发电系统成本/供电可靠性评估方法 |
CN110224395A (zh) * | 2019-05-31 | 2019-09-10 | 四川大学 | 计及dg相关性和ev需求响应的配电网协同规划方法 |
Non-Patent Citations (4)
Title |
---|
Quasi-Monte Carlo Based Probabilistic Small Signal Stability Analysis for Power Systems With Plug-In Electric Vehicle and Wind Power Integration;Huazhang Huang .etc;《IEEE TRANSACTIONS ON POWER SYSTEMS》;20130803;第28卷(第3期);3335-3343 * |
基于平衡流形展开模型的双馈式风电机组有功控制研究;马欣彤;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20180215(第2期);C042-134 * |
基于深度强化学习的电力系统智能发电控制;殷林飞;《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》;20190115(第12期);C042-66 * |
考虑多参数影响的风电场多状态出力概率性评估;王森等;《电网与清洁能源》;20190228;第35卷(第2期);69-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN110580394A (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106125552B (zh) | 抽水蓄能机组调速系统模糊分数阶pid控制方法 | |
CN104314755B (zh) | 基于ipso的dfig变桨距ladrc方法及系统 | |
CN109449954A (zh) | 一种双馈风电机组基于两阶段功率跟踪优化的频率支撑控制方法 | |
Dong et al. | Fully-distributed deloading operation of DFIG-based wind farm for load sharing | |
CN114844064B (zh) | 双馈型变速抽水蓄能机组自适应变参数调频方法及装置 | |
CN110429668B (zh) | 减载风电机组变速变桨协调优化频率控制方法 | |
Abo-Khalil et al. | Sensorless control for DFIG wind turbines based on support vector regression | |
CN108023367A (zh) | 一种含光热发电的混合电力系统负荷频率控制方法 | |
CN107979117A (zh) | 提升高渗透率风电接入电网暂态稳定性有功功率控制策略 | |
CN110580394B (zh) | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 | |
CN112994043A (zh) | 自同步双馈风电机组惯量与一次调频的控制方法及系统 | |
Zhang et al. | Enhanced wind turbine maximum wind-energy capture based on the inverse-system method | |
CN113093523B (zh) | 一种含抽水蓄能电站的区域负荷频率分数阶pid优化控制方法 | |
CN102661243B (zh) | 一种双馈感应风电机组的预报校正变桨控制方法 | |
CN112308194B (zh) | 一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法 | |
CN105720574A (zh) | 基于spsa的电力系统单区域负荷频率的数据驱动控制方法 | |
CN110912185B (zh) | 一种含风力发电电网自动发电控制系统pid控制器设计方法 | |
CN110350554B (zh) | 基于混联结构的风储系统辅助电网一次调频控制方法 | |
CN116345486A (zh) | 基于模型预测控制的风场内一次调频协调控制方法及装置 | |
Xia et al. | Self-optimizing pitch control for large scale wind turbine based on ADRC | |
Zheng et al. | Double fuzzy pitch controller of wind turbine designed by genetic algorithm | |
CN114977191A (zh) | 静态电压稳定分析方法、装置及计算机存储介质 | |
Yin et al. | Multi-objective high-dimensional multi-fractional-order optimization algorithm for multi-objective high-dimensional multi-fractional-order optimization controller parameters of doubly-fed induction generator-based wind turbines | |
Li et al. | Parameter optimization for turbine DEH control system based on Improved Genetic Algorithm | |
Wang et al. | Reactive power optimization of electric power system incorporating wind power based on parallel immune particle swarm optimization |
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 |