CN110750907A - 一种双馈风电场等值模型参数识别方法 - Google Patents

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

一种双馈风电场等值模型参数识别方法

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.x_min<x<x_max

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；P_eq(x,t)和Q_eq(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；x_max和x_min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x_min中相应维度的元素值，且小于x_max中相应维度的元素值；x_max和x_min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E_i＝[e_i1,e_i2,…,e_iD]，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，r_1d和r_2d为从区间[0,1]中生成的均匀随机数；P_i＝[p_i1,p_i2,…,p_id,…,p_iD]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,…,g_d,…,g_D]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：

v_id＝ωv_id+c×r_d×(e_id-x_id)

x_id＝x_id+v_id；

其中，ω为惯性权重系数，c为加速系数，r_d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X_i＝[x_i1,x_i2,…,x_iD]；X_i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，r_dc为从区间[0,1]中生成的均匀随机数，粒子编号k_d是在{1,2,…,M}范围内生成的均匀随机数；

由此产生后代O_i＝[o_i1,o_i2,…,o_iD]。

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r_dm，如果r_dm小于变异概率p_m，则o_id在搜索空间按照下式重新赋值：

o_id＝rand(lb_d,ub_d)

其中，lb_d和ub_d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O_i。

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O_i优于模范E_i，则替换E_i，否则E_i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E_i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(O_i)≥f(E_i)，E_i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,…,E_M}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E_i。

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S_eq、H_teq、H_teq与D_teq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；S_i为第i台DFIG的容量，为DFIG本身的性能参数；H_ti和H_gi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；D_ti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K_Peq和K_Ieq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，K_Pi和K_Ii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；

参考电流限幅的最大和小值的聚合值

和I _eq计算方法如式(15)、(16)所示：

其中，

和I _i分别为第i台DFIG电流限幅的最大值和最小值，其为DFIG本身的性能参数；

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C_eq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，S_i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v_eq，计算方法如式(18)所示：

其中，S_i为第i台DFIG的风速v_i，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.x_min<x<x_max

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；P_eq(x,t)和Q_eq(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_max和x_min分别为向量x的上限和下限，x中每个维度的元素值大于x_min中相应维度的元素值，且小于x_max中相应维度的元素值；x_max和x_min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V_i＝[v_i1,v_i2,…,v_iD],粒子i的位置X_i＝[x_i1,x_i2,…,x_iD]，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)P_i＝[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:

v_id＝ωv_id+c₁×r_1d×(p_id-x_id)+c₂×r_2d×(g_d-x_id) (2)

x_id＝x_id+v_id (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)，r_1d、r_2d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P_i与G中学习，当二者位于X_i的反方向时，可能产生振荡，全局搜索能力弱。另一方面，如果P_i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P_i与G用单一模范E_i＝[e_i1,e_i2,…,e_iD]取代，按照公式(4)线性组合P_i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。

v_id＝ωv_id+c×r_d×(e_id-x_id) (5)

其中，c为加速系数，取值区间为(0,4)，r_d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V_i＝[v_i1,v_i2,…,v_iD],粒子i的位置为X_i＝[x_i1,x_i2,…,x_iD]，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；V_i和X_i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X_i分别代入目标函数，计算相应的目标函数值f(X_i)；

记录粒子i的本身经历过的最优位置(pbest)P_i＝[p_i1,p_i2,…,p_iD]，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,…,g_D]，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E_i＝[e_i1,e_i2,…,e_iD]：

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，r_dc为从区间[0,1]中生成的均匀随机数，粒子编号k_d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r_dc和k_d；

由此产生后代O_i＝[o_i1,o_i2,…,o_iD]；

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r_dm，如果r_dm小于变异概率p_m，则o_id在搜索空间按照公式(7)重新赋值：

o_id＝rand(lb_d,ub_d)若r_dm<p_m(7)

其中，lb_d和ub_d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O_i；

2.5)将每个粒子i的位置O_i分别代入目标函数，计算相应的目标函数值f(O_i)；

2.6)选择：按照公式(8)进行选择操作：

即若粒子i的位置O_i优于模范E_i，则替换E_i，否则E_i保持原值，由此实现了精英保留；

判断粒子i的模范E_i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(O_i)≥f(E_i)，E_i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,…,E_M}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E_i；

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：

v_id＝ωv_id+c×r_d×(e_id-x_id)

x_id＝x_id+v_id；

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S_B＝S_eq＝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R_s、X_s、R_r、X_r、X_m、R_t、X_t)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，p_m＝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.x_min<x<x_max

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；P_eq(x,t)和Q_eq(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；x_max和x_min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x_min中相应维度的元素值，且小于x_max中相应维度的元素值；x_max和x_min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E_i＝[e_i1,e_i2,…,e_iD]，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，r_1d和r_2d为从区间[0,1]中生成的均匀随机数；P_i＝[p_p1,p_i2,…,p_id,…,p_iD]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,…,g_d,…,g_D]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：

v_id＝ωv_id+c×r_d×(e_id-x_id)

x_id＝x_id+v_id；

其中，ω为惯性权重系数，c为加速系数，r_d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X_i＝[x_i1,x_i2,…,x_iD]；X_i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。

4.根据权利要求3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，分别根据下式进行交叉操作：

其中，r_dc为从区间[0,1]中生成的均匀随机数，粒子编号k_d是在{1,2,…,M}范围内生成的均匀随机数；

由此产生后代O_i＝[o_i1,o_i2,…,o_iD]。

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r_dm，如果r_dm小于变异概率p_m，则o_id在搜索空间按照下式重新赋值：

o_id＝rand(lb_d,ub_d)

其中，lb_d和ub_a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O_i。

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O_i优于模范E_i，则替换E_i，否则E_i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E_i是否连续sg代停止进化，即是否在连续sg次迭代过程中E_i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,…,E_M}中随机选择一定数量的模范，将E_i替换为其中相应的目标函数值最大的模范。

Images