CN110750907A - 一种双馈风电场等值模型参数识别方法 - Google Patents
一种双馈风电场等值模型参数识别方法 Download PDFInfo
- Publication number
- CN110750907A CN110750907A CN201911018049.9A CN201911018049A CN110750907A CN 110750907 A CN110750907 A CN 110750907A CN 201911018049 A CN201911018049 A CN 201911018049A CN 110750907 A CN110750907 A CN 110750907A
- Authority
- CN
- China
- Prior art keywords
- parameters
- particle
- power plant
- algorithm
- wind power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 8
- 230000002431 foraging effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 239000003990 capacitor Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
Abstract
本发明公开了一种双馈风电场等值模型参数识别方法,将双馈风电场等值模型需要识别的参数中非时变的参数固定为聚合值或典型值,将等值模型中其它需要识别的参数作为需要辨识的参数;以最小化电压扰动下风电场并网点有功、无功实测曲线与风电场等值模型在相同电压扰动下输出的风电场并网点有功、无功曲线的差值的平方和为目标函数,采用GA与PSO混合算法进行参数辨识,GA算法中交叉、变异与选择操作产生的模范提供给PSO算法以更新粒子的速度与位置,粒子群在觅食过程中积累的经验作为遗传物质提供给GA算法进行基因操作,如此循环,反复迭代,直至满足结束条件,输出此时的全局最优解作为参数辨识结果。本发明参数识别精度高。
Description
技术领域
本发明涉及一种双馈风电场等值模型参数识别方法。
背景技术
传统的双馈风电场等值模型参数识别采用基于风电场详细物理参数的聚合方法,但是风电场长期运行后,其等值动态特性可能因为配网阻抗与风机参数变化而改变。所以,传统的聚合方法对于分析长期运行的风电场的等值动态特性,精度较低,无法适用。
因此,有必要设计一种新的双馈风电场等值模型参数识别方法。
发明内容
本发明所解决的技术问题是,针对现有技术的不足,提供一种双馈风电场等值模型参数识别方法,能适用于分析长期运行的风电场的等值动态特性,精度高。
本发明所提供的技术方案为:
一种双馈风电场等值模型参数识别方法,包括以下步骤:
步骤1:将双馈风电场等值模型需要识别的参数中非时变的参数固定为聚合值或典型值,将等值模型中其它需要识别的参数作为需要辨识的参数;
步骤2:构建目标函数,采用参数辨识算法求解需要辨识的参数。
进一步地,所述步骤2中,构建以下目标函数:
s.t.xmin<x<xmax
其中,f(x)为x对应的目标函数值,P(x,t)和Q(x,t)分别为电压扰动下风电场并网点有功、无功实测曲线;Peq(x,t)和Qeq(x,t)分别为风电场等值模型在相同电压扰动下输出的风电场并网点有功、无功曲线;x为需要辨识的参数向量,x的每个维度对应一个需要辨识的参数,x的维度等于需要辨识的参数个数;xmax和xmin分别为向量x的上限和下限,即x中每个维度的元素值大于xmin中相应维度的元素值,且小于xmax中相应维度的元素值;xmax和xmin为经验参数。
进一步地,采用GA与PSO混合算法进行参数辨识,GA算法中交叉、变异与选择操作产生的模范提供给PSO算法以更新粒子的速度与位置,粒子群在觅食过程中积累的经验作为遗传物质提供给GA算法进行基因操作,如此循环,反复迭代,直至满足结束条件,输出此时的全局最优解G作为x的解,即参数辨识结果;其中GA算法中交叉、变异与选择操作产生的粒子i对应的模范记为Ei=[ei1,ei2,…,eiD],其产生方法为:
其中,i=1,2,...,M,M为粒子群规模;D为空间维数,其等于x的维度;c1和c2为加速系数,r1d和r2d为从区间[0,1]中生成的均匀随机数;Pi=[pi1,pi2,…,pid,…,piD]为粒子i的本身经历过的最优位置,即粒子i的本身经历过的相应的目标函数值最小的位置:G=[g1,g2,…,gd,…,gD]为整个粒子群经历过的最优位置,即整个粒子群经历过的相应的目标函数值最小的位置;
PSO算法根据模范更新粒子的速度与位置方法为:根据以下公式更新粒子i的速度与位置第d个维度:
vid=ωvid+c×rd×(eid-xid)
xid=xid+vid;
其中,ω为惯性权重系数,c为加速系数,rd为从区间[0,1]中生成的均匀随机数;
由此得到更新后粒子i的位置Xi=[xi1,xi2,…,xiD];Xi继续在GA算法进行交叉、变异与选择操作,即所述的粒子群在觅食过程中积累的经验作为遗传物质提供给GA算法进行基因操作。
进一步地,对每个粒子i的每个维度d,分别根据下式进行交叉操作:
其中,rdc为从区间[0,1]中生成的均匀随机数,粒子编号kd是在{1,2,…,M}范围内生成的均匀随机数;
由此产生后代Oi=[oi1,oi2,…,oiD]。
进一步地,对每个粒子i的每个维度d,分别从区间[0,1]中生成均匀随机数rdm,如果rdm小于变异概率pm,则oid在搜索空间按照下式重新赋值:
oid=rand(lbd,ubd)
其中,lbd和ubd分别为粒子位置第d个维度的下限和上限,两者为经验参数;
由此得到经过交叉与变异操作后产生的后代Oi。
进一步地,对每个粒子i,按照下式进行选择操作:
即若粒子i的位置Oi优于模范Ei,则替换Ei,否则Ei保持原值,由此实现精英保留。
进一步地,对粒子i进行选择操作还包括:判断粒子i的模范Ei是否连续sg代停止进化,即是否在连续sg次迭代过程中存在f(Oi)≥f(Ei),Ei保持原值,若是,则采用锦标赛策略更新粒子的模范,即在{E1,E2,…,EM}中随机选择一定数量的模范参加锦标赛,用其中相应的目标函数值(适应度值)最大的模范替换当前连续sg代停止进化的模范Ei。
有益效果:
本发明提出了将非时变参数固定为聚合值,针对时变参数采用GLPSO混合算法(改进的GA与PSO混合算法)进行参数辨识的策略,用GLPSO混合算法的级联结构,将基因操作中交叉、变异与选择操作产生的模范提供给粒子群学习以更新速度与位置,粒子群在觅食过程中积累的经验作为遗传物质提供给GA算法进行基因操作,如此循环,反复迭代,直至满足结束条件。本发明采用GLPSO混合算法能够提高程序的收敛速度、全局寻优能力,降低参数辨识结果的分散性。针对不同风速、尾流效应、部分风机离线、风速未知等运行情况下的参数辨识实验表明,本发明提供的双馈风电场等值模型参数识别方法具有很好的鲁棒性与适应性。
附图说明
图1为本发明实施例中GLPSO混合算法级联结构流程图。
图2为本发明实施例中基于MATLAB的WECC标准仿真系统详细模型。
图3为本发明实施例中等值机结构示意图。
图4为本发明实施例中等值机稳态等值电路。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明:
本实施例公开了一种双馈风电场等值模型参数识别方法,包括以下步骤:
步骤1:将双馈风电场等值模型需要识别的参数中非时变的参数固定为聚合值或典型值,将等值模型中其它需要识别的参数作为需要辨识的参数;
步骤2:根据参数辨识算法求解需要辨识的参数;
进一步地,所述步骤1中,根据测得双馈风电场的数据将双馈风电场等值模型需要识别的参数中非时变的参数固定为聚合值或典型值。双馈风电场等值模型中,将风电场中在线运行的N台DFIG(Doubly fed Induction Generator,双馈异步风力发电机)等值为一台等值机,需要获取的非时变参数包括等值机轴系机械参数、等值控制系统参数、等值背靠背电容器的电容、等值机的等值风速、风力机参数与摩擦系数;其中等值机轴系机械参数、等值控制系统参数、等值背靠背电容器的电容、等值机的等值风速可固定为聚合值,风力机参数与摩擦系数亦为非时变参数,可固定为典型值。
进一步地,所述步骤1中,需要辨识的参数包括:等值机定子、转子电阻与电抗、励磁电抗、配网等值阻抗。
进一步地,所述等值机轴系机械参数包括等值机总的容量、等值机中风力机惯性时间常数、等值机中发电机的惯性时间常数与等值机轴系刚性系数,它们的聚合值Seq、Hteq、Hteq与Dteq计算方法(聚合方法)如式(9)、(10)、(11)、(12)所示:
其中,N为风电场中在线运行的DFIG数量;Si为第i台DFIG的容量,为DFIG本身的性能参数;Hti和Hgi分别表示第i台DFIG中风力机与发电机惯性时间常数,它们的取值可通过实验测量获得;Dti表示第i台DFIG的轴系刚性系数,为DFIG本身的性能参数,可根据具体风机的生产标准确定。
进一步地,所述等值控制系统参数包括等值机中控制器的比例与积分参数,以及等值机机侧变流器有功、无功控制器与网侧变流器电压控制器输出的参考电流限幅的最大和小值;其中等值机中控制器的比例与积分参数的聚合值KPeq和KIeq等于各DFIG相应值的容量加权平均和,具体如式(13)、(14)所示:
其中,KPi和KIi分别表示第i台DFIG中控制器的比例与积分参数,其根据具体要求进行调控;
电流限幅的I(通过具体的等值机要求规定)。
进一步地,所述等值背靠背电容器的电容的聚合值Ceq等于各在线运行的DFIG背靠背电容器电容之和,如式(17)所示:
其中,Si为第i台DFIG的背靠背电容器电容,其为DFIG本身的参数;
进一步地,所述等值机的等值风速的聚合值veq,计算方法如式(18)所示:
其中,Si为第i台DFIG的风速vi,其根据具体要求进行调控;y为DFIG的功率-风速曲线,其为DFIG本身的性能参数。
所述步骤2中参数辨识是一个优化过程,目标函数为在模型结构、与待辨识参数约束条件下最小化PMU测得的电压扰动下风电场并网点有功、无功实测曲线与风电场等值模型在相同电压扰动下输出的风电场并网点有功、无功曲线的差值的平方和,可由公式(1)获得:
s.t.xmin<x<xmax
其中,f为目标函数值,P(x,t)和Q(x,t)分别为电压扰动下风电场并网点有功、无功实测曲线;Peq(x,t)和Qeq(x,t)分别为风电场等值模型在相同电压扰动下输出的风电场并网点有功、无功曲线;x为需要辨识的参数向量;xmax和xmin分别为向量x的上限和下限,x中每个维度的元素值大于xmin中相应维度的元素值,且小于xmax中相应维度的元素值;xmax和xmin为经验参数;
由于风电场等值模型参数众多,为减小参数辨识过程中的计算量,本发明只辨识对系统动态特性具有强烈影响的关键与时变参数。GA(遗传算法)与PSO(粒子群优化算法)都是十分受欢迎的参数辨识算法,在最优潮流、无功优化、电压控制、经济调度等领域得到了广泛应用。然而两种算法的缺点也是十分明显的。例如,由于GA交叉与变异操作是随机的,因而收敛速度慢。PSO全局搜索能力弱,易于陷入局部最优点导致早熟。
在标准PSO算法中,每个粒子从个体最优解pbest与全局最优解gbest中学习,更新速度与位置。具体算法包括:
令粒子i的速度Vi=[vi1,vi2,…,viD],粒子i的位置Xi=[xi1,xi2,…,xiD],i=1,2,...,M,M为粒子群(种群)规模,D为空间维数;令粒子i的本身经历过的最优位置(pbest)Pi=[pi1,pi2,…,piD],整个种群经历过的最优位置(gbest)G=[g1,g2,…,gD],粒子i的速度与位置第d个维度的更新公式分别为式(2)和式(3)所示:
vid=ωvid+c1×r1d×(pid-xid)+c2×r2d×(gd-xid) (2)
xid=xid+vid (3)
其中,ω为惯性权重系数,其为经验参数,实验表明ω取值一般在区间[0.8,1.2],c1和c2为加速系数,本实施例中c1=c2且取值区间为(0,4),r1d、r2d为从区间[0,1]中生成的均匀随机数。
在标准PSO中每个粒子i从Pi与G中学习,当二者位于Xi的反方向时,可能产生振荡,全局搜索能力弱。另一方面,如果Pi与G位于同一个局部最优点,则粒子i将困在此局部最优点,即发生早熟。而GA算法全局搜索能力远强于PSO,可以期望基因操作能够带来多样性从而克服PSO的早熟现象,本发明提出了通过对GA操作和PSO操作进行评价,并且通过遗传物质选择单一的学习模范,将Pi与G用单一模范Ei=[ei1,ei2,…,eiD]取代,按照公式(4)线性组合Pi与G,以避免标准PSO的上述问题:
由此公式(2)能够写成公式(5)的紧凑形式。
vid=ωvid+c×rd×(eid-xid) (5)
其中,c为加速系数,取值区间为(0,4),rd为从区间[0,1]中生成的均匀随机数。
采用公式(5)作为粒子i的速度第d个维度的更新公式。
进一步地,基于上述分析,本发明采用GLPSO混合算法(改进的GA与PSO混合算法)进行参数辨识,GLPSO混合算法采用图1所示的级联结构。GA操作中交叉、变异与选择操作产生的模范提供给粒子群学习以更新速度与位置,粒子群在觅食过程中积累的经验作为遗传物质提供给GA算法进行基因操作,如此循环,反复迭代,直至满足结束条件。具体步骤如下:
1)、初始化一个粒子群,其中粒子i的速度为Vi=[vi1,vi2,…,viD],粒子i的位置为Xi=[xi1,xi2,…,xiD],i=1,2,...,M,M为粒子群规模,D为空间维数,等于需要辨识的参数个数;Vi和Xi随机初始化;设定最大迭代次数T,初始化迭代次数t=0;
2)、对粒子进行GA操作;
2.1)将每个粒子i的位置Xi分别代入目标函数,计算相应的目标函数值f(Xi);
记录粒子i的本身经历过的最优位置(pbest)Pi=[pi1,pi2,…,piD],即粒子i的本身经历过的相应的目标函数值最小的位置:
记录整个粒子群经历过的最优位置(gbest)G=[g1,g2,…,gD],即整个粒子群经历过的相应的目标函数值最小的位置;
令迭代次数t=t+1;判断是否满足终止条件,即是否满足t>T或G对应的目标函数值小于预设阈值,若是,则结束,输出G;否则,进入步骤3.2)开始t次迭代过程;
3.2)计算粒子i对应的模范Ei=[ei1,ei2,…,eiD]:
2.3)交叉:对每个粒子i的每个维度d,根据式(6)进行交叉操作:
其中,rdc为从区间[0,1]中生成的均匀随机数,粒子编号kd是在{1,2,…,M}范围内生成的均匀随机数,对于每个粒子i需要进行D次上述操作,每次都需要重新生成随机数rdc和kd;
由此产生后代Oi=[oi1,oi2,…,oiD];
2.4)变异:对每个粒子i的每个维度d,从区间[0,1]中生成均匀随机数rdm,如果rdm小于变异概率pm,则oid在搜索空间按照公式(7)重新赋值:
oid=rand(lbd,ubd)若rdm<pm(7)
其中,lbd和ubd分别为粒子位置第d个维度的下限和上限,两者为经验参数;
由此得到经过交叉与变异后产生的后代Oi;
2.5)将每个粒子i的位置Oi分别代入目标函数,计算相应的目标函数值f(Oi);
2.6)选择:按照公式(8)进行选择操作:
即若粒子i的位置Oi优于模范Ei,则替换Ei,否则Ei保持原值,由此实现了精英保留;
判断粒子i的模范Ei是否连续sg代停止进化,即是否在连续sg次迭代过程中存在f(Oi)≥f(Ei),Ei保持原值,若是,则很可能意味着陷入了很深的局部最优点;为快速跳出局部最优点,采用锦标赛策略更新粒子的模范,即在{E1,E2,…,EM}中随机选择一定数量的模范(选择的模范数量依经验确定,本实施例中,粒子群规模M=50,此处选择20个模范)参加锦标赛,用其中相应的目标函数值(适应度值)最大的模范替换当前连续sg代停止进化的模范Ei;
4)、对粒子进行PSO操作;
根据以下公式更新粒子i的速度与位置第d个维度:
vid=ωvid+c×rd×(eid-xid)
xid=xid+vid;
4)、返回步骤2)。
实验验证:
构建如图2所示的WECC标准仿真系统模型,对上述实施例中风电场等值模型参数识别方法的鲁棒性和适应性进行验证。
假设在母线Bo处安装了PMU;
风电场包含20台DFIG,每台DFIG经额定容量为2MVA的升压变压器接入35kV中压配电网。各台DFIG的参数以及升压变压器的阻抗参数相同,选取系统基准容量SB=Seq=30/0.9MVA。超高压输电网采用恒定电压源表示。
设置线路L1中点经过渡电阻发生三相短路故障,故障持续时间0.15秒,仿真时间0.3秒。
将等值机定子、转子电阻与电抗、励磁电抗、配网等值电阻与电抗(即Rs、Xs、Rr、Xr、Xm、Rt、Xt)6个参数作为需要辨识的参数。
设置种群规模为50,迭代次数为60,ω=0.7298,sg=7,pm=0.01,c=1.49618。参数辨识区间如表1所示。
表1为参数辨识区间
对风机风速未知情况进行参数辨识:
假设风电场未安装任何测风设备,由于在暂态过程中各风机的机械输入转矩可近似认为不变,因此可假定等值机输入机械转矩恒定不变,固定为稳态潮流计算值。
应用上述实施例中的方法的参数辨识结果如表2所示:
表2风电场风机风速未知时的参数辨识结果
由表2可以看出,等值配网电抗、励磁电抗以及定、转子电抗的辨识结果仍然较稳定,表示各参数辨识结果已经是最优解,并且参数辨识结果不随风速的变化而变化,即鲁棒性好。
Claims (7)
1.一种双馈风电场等值模型参数识别方法,其特征在于,包括以下步骤:
步骤1:将双馈风电场等值模型需要识别的参数中非时变的参数固定为聚合值或典型值,将等值模型中其它需要识别的参数作为需要辨识的参数;
步骤2:构建目标函数,采用参数辨识算法求解需要辨识的参数。
2.根据权利要求1所述的双馈风电场等值模型参数识别方法,其特征在于,所述步骤2中,构建以下目标函数:
s.t.xmin<x<xmax
其中,f(x)为x对应的目标函数值,P(x,t)和Q(x,t)分别为电压扰动下风电场并网点有功、无功实测曲线;Peq(x,t)和Qeq(x,t)分别为风电场等值模型在相同电压扰动下输出的风电场并网点有功、无功曲线;x为需要辨识的参数向量,x的每个维度对应一个需要辨识的参数,x的维度等于需要辨识的参数个数;xmax和xmin分别为向量x的上限和下限,即x中每个维度的元素值大于xmin中相应维度的元素值,且小于xmax中相应维度的元素值;xmax和xmin为经验参数。
3.根据权利要求1所述的双馈风电场等值模型参数识别方法,其特征在于,采用GA与PSO混合算法进行参数辨识,GA算法中交叉、变异与选择操作产生的模范提供给PSO算法以更新粒子的速度与位置,粒子群在觅食过程中积累的经验作为遗传物质提供给GA算法进行基因操作,如此循环,反复迭代,直至满足结束条件,输出此时的全局最优解G作为x的解,即参数辨识结果;其中GA算法中交叉、变异与选择操作产生的粒子i对应的模范记为Ei=[ei1,ei2,…,eiD],其产生方法为:
其中,i=1,2,...,M,M为粒子群规模;D为空间维数,其等于x的维度;c1和c2为加速系数,r1d和r2d为从区间[0,1]中生成的均匀随机数;Pi=[pp1,pi2,…,pid,…,piD]为粒子i的本身经历过的最优位置,即粒子i的本身经历过的相应的目标函数值最小的位置:G=[g1,g2,…,gd,…,gD]为整个粒子群经历过的最优位置,即整个粒子群经历过的相应的目标函数值最小的位置;
PSO算法根据模范更新粒子的速度与位置方法为:根据以下公式更新粒子i的速度与位置第d个维度:
vid=ωvid+c×rd×(eid-xid)
xid=xid+vid;
其中,ω为惯性权重系数,c为加速系数,rd为从区间[0,1]中生成的均匀随机数;
由此得到更新后粒子i的位置Xi=[xi1,xi2,…,xiD];Xi继续在GA算法进行交叉、变异与选择操作,即所述的粒子群在觅食过程中积累的经验作为遗传物质提供给GA算法进行基因操作。
5.根据权利要求4所述的双馈风电场等值模型参数识别方法,其特征在于,对每个粒子i的每个维度d,分别从区间[0,1]中生成均匀随机数rdm,如果rdm小于变异概率pm,则oid在搜索空间按照下式重新赋值:
oid=rand(lbd,ubd)
其中,lbd和uba分别为粒子位置第d个维度的下限和上限,两者为经验参数;
由此得到经过交叉与变异操作后产生的后代Oi。
6.根据权利要求5所述的双馈风电场等值模型参数识别方法,其特征在于,对每个粒子i,按照下式进行选择操作:
即若粒子i的位置Oi优于模范Ei,则替换Ei,否则Ei保持原值。
7.根据权利要求6所述的双馈风电场等值模型参数识别方法,其特征在于,对粒子i进行选择操作还包括:判断粒子i的模范Ei是否连续sg代停止进化,即是否在连续sg次迭代过程中Ei保持了原值,若是,则采用锦标赛策略更新粒子的模范,即在{E1,E2,…,EM}中随机选择一定数量的模范,将Ei替换为其中相应的目标函数值最大的模范。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018049.9A CN110750907A (zh) | 2019-10-24 | 2019-10-24 | 一种双馈风电场等值模型参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018049.9A CN110750907A (zh) | 2019-10-24 | 2019-10-24 | 一种双馈风电场等值模型参数识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110750907A true CN110750907A (zh) | 2020-02-04 |
Family
ID=69279700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911018049.9A Pending CN110750907A (zh) | 2019-10-24 | 2019-10-24 | 一种双馈风电场等值模型参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750907A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032968A (zh) * | 2021-03-02 | 2021-06-25 | 国网冀北电力有限公司电力科学研究院 | 双馈风机控制器参数辨识方法及装置 |
CN115800362A (zh) * | 2022-11-14 | 2023-03-14 | 国网湖南省电力有限公司电力科学研究院 | 用于确定风电场仿真参数的方法、装置及处理器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160146190A1 (en) * | 2014-11-24 | 2016-05-26 | General Electric Company | Systems and methods for optimizing operation of a wind farm |
CN107451364A (zh) * | 2017-08-03 | 2017-12-08 | 华北电力大学 | 一种dfig风电场等值参数的辨识方法 |
CN108664671A (zh) * | 2017-03-28 | 2018-10-16 | 中国电力科学研究院 | 一种风电场多机聚合模型参数辨识方法及装置 |
-
2019
- 2019-10-24 CN CN201911018049.9A patent/CN110750907A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160146190A1 (en) * | 2014-11-24 | 2016-05-26 | General Electric Company | Systems and methods for optimizing operation of a wind farm |
CN108664671A (zh) * | 2017-03-28 | 2018-10-16 | 中国电力科学研究院 | 一种风电场多机聚合模型参数辨识方法及装置 |
CN107451364A (zh) * | 2017-08-03 | 2017-12-08 | 华北电力大学 | 一种dfig风电场等值参数的辨识方法 |
Non-Patent Citations (3)
Title |
---|
YUEJIAO GONG 等: "Genetic Learning Particle Swarm Optimization", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
YUHAO ZHOU等: "Robustness Analysis of Dynamic Equivalent Model of DFIG Wind Farm for Stability Study", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》 * |
魏旭辉: "基于双馈风电场的故障暂态等值方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032968A (zh) * | 2021-03-02 | 2021-06-25 | 国网冀北电力有限公司电力科学研究院 | 双馈风机控制器参数辨识方法及装置 |
CN113032968B (zh) * | 2021-03-02 | 2023-10-31 | 国网冀北电力有限公司电力科学研究院 | 双馈风机控制器参数辨识方法及装置 |
CN115800362A (zh) * | 2022-11-14 | 2023-03-14 | 国网湖南省电力有限公司电力科学研究院 | 用于确定风电场仿真参数的方法、装置及处理器 |
CN115800362B (zh) * | 2022-11-14 | 2023-12-19 | 国网湖南省电力有限公司电力科学研究院 | 用于确定风电场仿真参数的方法、装置及处理器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Perdana | Dynamic models of wind turbines | |
CN104314755B (zh) | 基于ipso的dfig变桨距ladrc方法及系统 | |
US11714934B2 (en) | Aggregated model of large-scale wind farms for power system simulation software tools | |
CN111555312B (zh) | 一种适用于电力系统超低频振荡稳定性评估的方法 | |
CN110750907A (zh) | 一种双馈风电场等值模型参数识别方法 | |
Abo-Khalil et al. | Sensorless control for DFIG wind turbines based on support vector regression | |
CN110829495A (zh) | 一种永磁直驱同步风电场等值模型参数辨识方法 | |
Malmir et al. | Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm | |
CN110707728B (zh) | 一种基于次同步振荡短路比指标的次同步振荡抑制方法 | |
OĞUZ et al. | Adaptive neuro-fuzzy inference system to improve the power quality of variable-speed wind power generation system | |
CN110416999A (zh) | 一种考虑风电参与调频的风电场聚合频率响应模型构建方法 | |
Ravichandran et al. | Coordinated controller design of grid connected DFIG based wind turbine using response surface methodology and NSGA II | |
CN108199391A (zh) | 一种发电机uel与pss的协调控制方法 | |
CN110417047B (zh) | 基于复转矩系数分析双馈风机ssci阻尼特性的方法 | |
CN111817347B (zh) | 基于改进量子遗传算法的双馈风机变流器参数辨识方法 | |
CN115102228A (zh) | 一种含飞轮储能的风电场多目标协调频率优化方法和装置 | |
Wang et al. | Evaluation method of wind turbine group classification based on Calinski Harabasz | |
Junyent-Ferré et al. | Wind turbine generation systems modeling for integration in power systems | |
CN109713664B (zh) | 直流孤岛频率稳定的网源协调控制策略计算方法及系统 | |
Ye et al. | A New Method of Wind Farm Clustering Based on Improved Fuzzy C-Means Clustering and MPSO | |
Kassem | Predictive voltage control of stand alone wind energy conversion system | |
CN105207234B (zh) | 一种可进行强励作用的风电机组无功控制方法 | |
Jiang et al. | FUZZY LOGIC SYSTEM FOR FREQUENCY STABILITY ANALYSIS OF WIND FARM INTEGRATED POWER SYSTEMS. | |
Zhang et al. | Research on equivalent electromechanical transient modeling of PMSG-based wind farms | |
Dong et al. | Group equivalent modeling and analysis of group subsynchronous oscillation of direct-drive wind turbine |
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 |
Application publication date: 20200204 |
|
RJ01 | Rejection of invention patent application after publication |