CN111817347A - 基于改进量子遗传算法的双馈风机变流器参数辨识方法 - Google Patents

基于改进量子遗传算法的双馈风机变流器参数辨识方法 Download PDF

Info

Publication number
CN111817347A
CN111817347A CN202010739033.3A CN202010739033A CN111817347A CN 111817347 A CN111817347 A CN 111817347A CN 202010739033 A CN202010739033 A CN 202010739033A CN 111817347 A CN111817347 A CN 111817347A
Authority
CN
China
Prior art keywords
population
doubly
wind turbine
axis
output response
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.)
Granted
Application number
CN202010739033.3A
Other languages
English (en)
Other versions
CN111817347B (zh
Inventor
张家安
李经纬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202010739033.3A priority Critical patent/CN111817347B/zh
Publication of CN111817347A publication Critical patent/CN111817347A/zh
Application granted granted Critical
Publication of CN111817347B publication Critical patent/CN111817347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/22—Current control, e.g. using a current control loop
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P9/00—Arrangements for controlling electric generators for the purpose of obtaining a desired output
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P9/00—Arrangements for controlling electric generators for the purpose of obtaining a desired output
    • H02P9/007—Control circuits for doubly fed generators
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P2101/00—Special adaptation of control arrangements for generators
    • H02P2101/15—Special adaptation of control arrangements for generators for wind-driven turbines
    • 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

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，包括步骤一、构建双馈风机变流器的辨识模型，确定待辨识参数；步骤二、对双馈风机施加扰动，并采集施加扰动后的双馈风机变流器d轴和q轴的参数，获取双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线；步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果。该方法将传统量子遗传算法与非线性规划函数相结合，形成量子遗传‑非线性规划算法，增强了局部搜索能力，能够及时跳出局部最优解，获得全局最优解，辨识的结果更加精确；且记忆库的存在增加了改进量子遗传算法种群的多样性，加快了收敛速度。

Description

基于改进量子遗传算法的双馈风机变流器参数辨识方法
技术领域
本发明属于风力发电机控制领域，具体涉及一种基于改进量子遗传算法的双馈风机变流器参数辨识方法。
背景技术
双馈风电机组由于其控制效果突出而成为目前风力发电的主要机组，但是当大规模风电并入电网后，将会影响原有电网系统的潮流分布、线路传输功率等，因此为解决双馈风电机组及一些新能源发电机组的并网问题，建立准确、可靠的新能源发电系统模型迫在眉睫。而模型参数的精确值是建立模型的主要前提，其精确程度将会直接影响模型的精准度。
双馈风机变流器是双馈风电机组的主要组成部分，其控制方式以及控制参数会直接影响双馈风电机组的动态特性，特别是当控制参数与实际值相差甚远时，将会严重影响双馈风电机组的动态性能，因此对双馈风机变流器的参数进行辨识显得至关重要。
文献《基于α-β坐标系模型的双馈风力发电机参数辨识》(王红，梁俊霞，胡佳琳.基于α-β坐标系模型的双馈风力发电机参数辨识[J].电力系统保护与控制，2014，42(20):81-85)采用传统遗传算法对参数进行辨识，该算法计算量大，易陷入局部最优解，辨识精度较低。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于改进量子遗传算法的双馈风机变流器参数辨识方法；该方法在传统量子遗传算法的基础上结合非线性规划函数，构成量子遗传-非线性规划算法(QGA-NLP)，提高收敛速度，有效避免陷入局部最优解，收敛早熟的问题；在辨识过程中引进记忆库增加了种群的多样性，提高了辨识精度。
本发明解决所述技术问题的采用技术方案是：
一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，其特征在于，该方法包括以下步骤：
步骤一、构建双馈风机变流器的辨识模型，确定待辨识参数；
步骤二、对双馈风机施加扰动，并采集施加扰动后的双馈风机变流器d轴和q轴的参数，获取双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线；
步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果；
S1将步骤二中获得的双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线输入辨识模型中，采用传统量子遗传算法对双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线根据目标函数(1)和(2)单独拟合多次产生多个种群，并采用公式(1)和(2)计算每个种群中每个个体的适应度值；采取精英保留策略保留每个种群中适应度值较高的多个个体并提取这些个体的优秀基因片段，构建初始记忆库；
Figure BDA0002606151730000021
Figure BDA0002606151730000022
其中，yd(i)和yq(i)分别为双馈风机变流器d轴和q轴的实际输出响应曲线，
Figure BDA0002606151730000023
和
Figure BDA0002606151730000024
分别为双馈风机变流器辨识模型d轴和q轴的输出响应曲线，Δyd和Δyq分别为双馈风机变流器d轴和q轴的拟合误差，n为输出响应曲线的长度，i表示采集时刻点；
S2采用改进量子遗传算法辨识双馈风机变流器的参数，包括种群的初始化和进化；
S2-1种群的初始化：设置初始种群Q(t0)有M(M>P)个随机产生的个体，计算所有个体的适应度值，将初始种群Q(t0)中适应度值较低的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段全部用步骤S1的初始记忆库中的优秀基因片段进行替换，确保父代的优秀特征遗传给子代，得到初代种群Q(t)，完成初代种群的初始化；
S2-2种群的进化：测量初代种群Q(t)中每个个体的确定解P(t)，采用改进量子遗传算法对机侧变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、机侧变流器的q轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，整体拟合的目标函数满足公式(3)；通过公式(3)计算每个确定解P(t)的适应度值，并以公式(3)的值最小筛选出当代种群的最优个体，以当代种群的最优个体的适应度值作为子代种群的进化目标；
Figure BDA0002606151730000025
然后利用量子旋转门筛选出到目前为止所有种群的最优个体，并对当代种群中除最优个体外的所有剩余个体的进化方向进行调整，得到子代种群Q(t)；利用公式(3)计算子代种群Q(t)中所有个体的适应度值，并将适应度值较高的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段替换初始记忆库中的优秀基因片段，形成新的记忆库；新的记忆库中的优秀基因片段作为子代种群Q(t)初始化的替换基因；
然后重复步骤S2-1完成子代种群Q(t)的初始化，对初始化后的子代种群Q(t)重复步骤S2-2，完成子代种群Q(t)的进化，得到下一代子代种群Q(t+1)；每进化一代都会得到新的子代种群，每进化一代都更新一次记忆库，直到进化m1代；
每当进化到b(b<m1)代时，以当前计算结果为初值，采用非线性规划函数寻找局部最优个体，并将找到的局部最优个体作为初始值继续进化，加快进化速度；非线性规划函数的约束条件满足公式(4)：
Figure BDA0002606151730000031
其中，x表示所有待辨识参数组成的矩阵；Ib表示x中单个元素的最小取值，ub表示x中单个元素的最大取值；；A、b取默认值0；Aeq、beq分别表示空矩阵；c(x)、ceq(x)分别表示非线性函数；
最后输出辨识结果。
步骤S1中精英保留策略的具体过程为：将每个种群中适应度值较高的前a(a<m1)个个体保留，提取被保留的所有个体中电流内环PI控制器的比例系数Kp2和积分系数Ki2的基因片段，分别计算提取的所有电流内环PI控制器的比例系数Kp2和积分系数Ki2基因片段的平均值，得到一组包含比例系数Kp2基因片段和积分系数Ki2基因片段的优秀基因片段；将所有优秀基因片段作为初始记忆库。
步骤S2-2中对种群除最优个体外的剩余个体的进化方向的调整策略为：将种群中某个个体当前测量值的适应度值与所在种群最优个体的适应度值进行大小比较，若大于该种群中最优个体的适应度值，则调整该个体相应位置的量子比特，使得其几率幅向着当前个体的方向进化；若小于该种群中最优个体的适应度值，则向着最优个体的方向进化。
与现有技术相比，本发明的有益效果是：
(1)本方法将传统量子遗传算法(QGA)与非线性规划函数相结合，形成量子遗传-非线性规划算法(QGA-NLP)，非线性规划函数采用梯度下降法求解问题，因此在传统量子遗传算法的基础上采用非线性规划，可以增强局部搜索能力，并且能够及时跳出局部最优解，获得全局最优解，辨识的结果更加精确；由于分别双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行单独拟合、采取精英保留策略构建初始记忆库、对双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，增加了种群的多样性，加快了收敛速度，同时也进一步提高了辨识结果的精确性。
(2)本方法能够在双馈风机运行中对参数进行实时辨识，与一些传统的辨识方法如最小二乘法等相比，更加适用于工程实际应用，对双馈风机变流器进行实现闭环控制，提高工作效率；传统的辨识方法需要双馈风机停机，将待辨识控制器部分取出试验，通过人为输出信号，以及在输入信号上施加扰动，再通过采集控制器响应的输出曲线，辨识出控制器的参数，而本方法通过风场平台上显示的数据加以提取进行辨识，不需要双馈风机停机测试辨识。
附图说明
图1为本发明的辨识原理图；
图2为本发明的改进量子遗传算法的流程图；
图3为本发明的机侧交流器的结构示意图；
图4为本发明的QGA算法与QGA-NLP算法的有功功率外环PI控制器的比例系数kp1的辨识结果对比图；
图5为本发明的QGA算法与QGA-NLP算法的有功功率外环PI控制器的积分系数ki1的辨识结果对比图；
图6为本发明的QGA算法与QGA-NLP算法的电流内环PI控制器的比例系数kp2的辨识结果对比图；
图7为本发明的QGA算法与QGA-NLP算法的电流内环PI控制器的积分系数ki2的辨识结果对比图；
图8为本发明的QGA算法与QGA-NLP算法的功率环PI控制器的比例系数kp3的辨识结果对比图；
图9为本发明的QGA算法与QGA-NLP算法的功率环PI控制器的积分系数ki3的辨识结果对比图。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请的保护范围。
本发明一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，具体包括以下步骤：
步骤一、构建双馈风机变流器的辨识模型，确定待辨识参数；如图1所示，本发明的原理为：将双馈风机变流器实际系统的输出响应曲线和辨识模型的输出响应曲线根据目标函数的值最小进行拟合，采用量子遗传-非线性规划算法(QGA-NLP)进行参数辨识；
步骤二、对双馈风机施加扰动，并采集施加扰动后的双馈风机变流器d轴和q轴的参数，获取双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线；在双馈风机变流器的输入信号上施加不同扰动，输入信号就会有波动，双馈风机变流器会输出不同的响应信号，因此根据双馈风机变流器输入和输出信号的波动，能够辨识出双馈风机变流器的参数；施加的扰动越大，辨识效果越精确；
步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果；
S1将步骤二中获得的双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线输入辨识模型中，通过传统量子遗传算法对双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行单独拟合多次产生多个种群，计算每个种群中每个个体的适应度值；采取精英保留策略保留每个种群中适应度值较高的多个个体并提取这些个体的优秀基因片段，构建初始记忆库；
设定单独拟合n1次，双馈风机变流器d轴和q轴单独拟合的目标函数满足公式(1)和(2)；
Figure BDA0002606151730000051
Figure BDA0002606151730000052
其中，yd(i)和yq(i)分别为双馈风机变流器d轴和q轴的实际输出响应曲线，
Figure BDA0002606151730000053
和
Figure BDA0002606151730000054
分别为双馈风机变流器辨识模型d轴和q轴的输出响应曲线，Δyd和Δyq分别为双馈风机变流器d轴和q轴的拟合误差，n为输出响应曲线的长度，i表示采集时刻点；
每次拟合都产生一个种群，每次拟合时设定初始种群Q(t0)有M(M>P)个随机产生的个体；双馈风机变流器的d轴和q轴分别产生n1个种群；设置种群进化代数为m1(m1>5)；每进化一代都生成一个个体，故每个种群由m1个个体构成；采用公式(1)和(2)计算每个种群中所有个体的适应度；
精英保留策略的具体过程为：将每个种群中适应度值较高的前a(a<m1)个个体保留，提取被保留的所有个体中电流内环PI控制器的比例系数Kp2和积分系数Ki2的基因片段，分别计算提取的所有电流内环PI控制器的比例系数Kp2和积分系数Ki2基因片段的平均值，得到一组包含比例系数Kp2基因片段和积分系数Ki2基因片段的优秀基因片段(由于机侧变流器和网侧变流器均含电流内环PI控制器，且d轴和q轴的电流内环PI控制器的比例系数和积分系数对应相等，因此将电流内环PI控制器的比例系数和积分系数作为替换基因)；每个种群都生成一组优秀基因片段，因此双馈风机变流器的d轴和q轴分别得到n1组优秀基因片段，(一组优秀基因片段包含双馈风机变流器d轴单独的优秀基因片段和双馈风机变流器q轴单独的优秀基因片段)将所有优秀基因片段作为初始记忆库，初始记忆库规模为P(P＝2*n1)；这样，初始记忆库包含双馈风机变流器d轴和q轴单独的优秀基因片段，保证了基因片段多样性的同时又为种群进化提供了初始的优秀基因；
S2采用改进量子遗传算法辨识双馈风机变流器的参数，即在传统量子遗传算法(QGA)中加入非线性规划函数构成量子遗传-非线性规划算法(QGA-NLP)，通过量子遗传-非线性规划算法辨识双馈风机变流器的参数；
S2-1种群的初始化：设置另一个初始种群Q(t0)有M(M>P)个随机产生的个体，计算所有个体的适应度值，将初始种群Q(t0)中适应度值较低的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段全部用步骤S1的初始记忆库中的优秀基因片段进行替换，确保父代的优秀特征遗传给子代，得到初代种群Q(t)，完成初代种群的初始化；
S2-2种群的进化：测量初代种群Q(t)中每个个体的确定解P(t)，采用改进量子遗传算法对机侧变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、机侧变流器的q轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，整体拟合的目标函数满足公式(3)；采用公式(3)计算每个确定解P(t)的适应度值，并以公式(3)的值最小筛选出当代种群的最优个体，以当代种群的最优个体的适应度值作为下一代子代种群的进化目标；
Figure BDA0002606151730000061
然后利用量子旋转门筛选出到目前为止所有种群的最优个体，并对当代种群中除最优个体外的所有剩余个体的进化方向进行调整，得到子代种群Q(t+1)，至此完成初代种群Q(t)的进化；采用公式(3)计算子代种群Q(t+1)中所有个体的适应度值，并将适应度值较高的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段替换初始记忆库中的优秀基因片段，形成新的记忆库；新的记忆库中的优秀基因片段作为子代种群Q(t+1)初始化的替换基因；
然后重复步骤S2-1完成子代种群Q(t+1)的初始化，对初始化后的子代种群Q(t)重复步骤S2-2，完成子代种群Q(t+1)的进化，得到下一代子代种群Q(t+2)；每进化一代都会得到新的子代种群，每进化一代都更新一次记忆库，直到进化m1代；
每当进化到b(b<m1)代时，以当前计算结果为初值，采用非线性规划函数寻找局部最优个体，并将找到的局部最优个体作为初始值继续进化，加快进化速度；非线性规划函数的约束条件满足公式(4)：
Figure BDA0002606151730000062
其中，x表示所有待辨识参数组成的矩阵；Ib表示x中单个元素的最小取值，ub表示x中单个元素的最大取值；A、b取默认值0；Aeq、beq均表示空矩阵；c(x)、ceq(x)分别表示非线性函数；
最后输出辨识结果。
所述步骤S2-2中对种群除最优个体外的剩余个体的进化方向的调整策略为：将种群中某个个体当前测量值的适应度值与所在种群最优个体的适应度值进行大小比较，若大于该种群中最优个体的适应度值，则调整该个体相应位置的量子比特，使得其几率幅向着当前个体的方向进化；若小于该种群中最优个体的适应度值，则向着最优个体的方向进化，生成子代种群Q(t)；这种调整策略始终使个体向着最优个体的方向进化，也可以加快收敛速度，完成辨识。
实施例
本实施例以机侧变流器为例进行说明；
步骤一、构建双馈风机变流器的辨识模型；
如图3所示，需要采集的参数包括有功功率参考值PS_ref、有功功率PS、无功功率参考值QS_ref、无功功率QS、机侧电压的d轴分量udr和q轴分量uqr、机侧电流的d轴分量idr和q轴分量iqr、定子侧电流的d轴分量ids和q轴分量iqs；
待辨识参数包括有功功率外环PI控制器的比例系数Kp1和积分系数Ki1、无功功率环PI控制器的比例系数Kp3和积分系数Ki3，两个电流内环PI控制器的比例系数Kp2、Kp4和两个电流内环PI控制器的积分系数Ki2、Ki4，其中Kp2＝Kp4，Ki2＝Ki4；辨识参数也就是确定这些参数的具体取值；定子电感Ls、互感Lm、转子电感Lr、定子电压幅值Us、同步转速ω1、转子转速ωr均为已知量；
本实施例的机侧变流器辨识参数的真实值为：有功功率外环PI控制器的比例系数Kp1＝0.5、积分系数Ki1＝100；无功功率环PI控制器的比例系数Kp3＝0.5、积分系数Ki3＝100；两个电流内环PI控制器的比例系数Kp2＝Kp4＝0.5和两个电流内环PI控制器的积分系数Ki2＝Ki4＝100；
步骤二、对双馈风机施加扰动，即在辨识模型的系统并网点处(HV)设置一个故障点，令其在7s时刻发生三相短路故障，并在0.15s后故障清除，使系统逐渐恢复到正常运行；然后采集6.5s到9s之间的双馈风机变流器d轴和q轴的参数，并获取双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线；
步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果；
S1将步骤二中获得的双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线输入辨识模型中，采用传统量子遗传算法对双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行单独拟合5次产生5种群，每个种群进化20代，双馈风机变流器d轴和q轴单独拟合的目标函数满足公式(1)和(2)；
Figure BDA0002606151730000071
Figure BDA0002606151730000072
其中，yd(i)和yq(i)分别为双馈风机变流器d轴和q轴的实际输出响应曲线，
Figure BDA0002606151730000073
和
Figure BDA0002606151730000074
分别为双馈风机变流器辨识模型d轴和q轴的输出响应曲线，Δyd和Δyq分别为双馈风机变流器d轴和q轴的拟合误差，n为输出响应曲线的长度，i表示采集时刻点；
采用公式(1)和(2)计算每个种群中个体的适应度值，并将每个种群中适应度值较高的前5个个体保留，提取被保留的所有个体中电流内环PI控制器的比例系数Kp2和积分系数Ki2的基因片段，分别计算提取的所有电流内环PI控制器的比例系数Kp2和积分系数Ki2基因片段的平均值，得到一组包含比例系数Kp2基因片段和积分系数Ki2基因片段的优秀基因片段(由于机侧变流器和网侧变流器均含电流内环PI控制器，且d轴和q轴的电流内环PI控制器的比例系数和积分系数对应相等，因此将电流内环PI控制器的比例系数和积分系数作为替换基因)；每个种群都生成一组优秀基因片段，因此双馈风机变流器的d轴和q轴分别得到5组优秀基因片段，将所有优秀基因片段作为初始记忆库，初始记忆库规模为P＝10；这样，初始记忆库包含双馈风机变流器d轴和q轴单独的优秀基因片段，保证了基因片段多样性的同时又为种群进化提供了初始的优秀基因；
S2采用改进量子遗传算法辨识双馈风机变流器的参数，即在传统量子遗传算法(QGA)中加入非线性规划函数构成量子遗传-非线性规划算法(QGA-NLP)，通过量子遗传-非线性规划算法辨识双馈风机变流器的参数；
S2-1种群的初始化：设置另一个初始种群Q(t0)有30个随机产生的个体，种群进化20代，计算所有个体的适应度值，将初始种群Q(t0)中适应度值较低的10个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段全部用步骤S1的初始记忆库中的优秀基因片段进行替换，确保父代的优秀特征遗传给子代，得到初代种群Q(t)，完成初代种群的初始化；
S2-2种群的进化：测量初代种群Q(t)中每个个体的确定解P(t)，采用改进量子遗传算法对机侧变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、机侧变流器的q轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，整体拟合的目标函数满足公式(3)；采用公式(3)计算每个确定解P(t)的适应度值，并以公式(3)的值最小筛选出当代种群的最优个体，以当代种群的最优个体的适应度值作为下一代子代种群的进化目标；
Figure BDA0002606151730000081
然后利用量子旋转门筛选出到目前为止所有种群的最优个体，并对当代种群中除最优个体外的所有剩余个体的进化方向进行调整，得到子代种群Q(t+1)，至此完成初代种群Q(t)的进化；采用公式(3)计算子代种群Q(t+1)中所有个体的适应度值，并将适应度值较高的10个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段替换初始记忆库中的优秀基因片段，形成新的记忆库；新的记忆库中的优秀基因片段作为子代种群Q(t+1)初始化的替换基因；
然后重复步骤S2-1完成子代种群Q(t+1)的初始化，对初始化后的子代种群Q(t)重复步骤S2-2，完成子代种群Q(t+1)的进化，得到下一代子代种群Q(t+2)；每进化一代都会得到新的子代种群，每进化一代都更新一次记忆库，直到进化20代；
每当进化到5代时，以当前计算结果为初值，采用非线性规划函数寻找局部最优个体，并将找到的局部最优个体作为初始值继续进化，加快进化速度；非线性规划函数的约束条件满足公式(4)：
Figure BDA0002606151730000091
其中，x表示所有待辨识参数组成的矩阵；Ib＝0，ub＝200；A、b取默认值0；Aeq、beq均表示空矩阵；c(x)、ceq(x)分别表示非线性函数；
在种群进化过程中，采用量子比特几率幅的表示方式对个体的染色体进行编码，随机生成R个编码为量子比特的染色体，这样使得一条染色体表示为多个态的叠加，如公式(5)：
Figure BDA0002606151730000092
Figure BDA0002606151730000093
代表一条染色体多个态的叠加；α、β为量子比特几率幅的两个幅常数，它们满足公式(6)：
|α|2+|β|2＝1 (6)
其中，|0>和|1>分别表示染色体的自旋向下态和自旋向上态，即在量子遗传算法中一个基因为“0”态或“1”态或叠加态，因此在量子遗传算法中一个基因已经不单单为某一个单一的确定信息，而是囊括了所有可能存在的信息；
在本实施例中将种群中所有染色体的基因初始化为
Figure BDA0002606151730000094
则代表着每个染色体包含的是基因所有存在状态的等概率叠加，满足公式(7)：
Figure BDA0002606151730000095
其中，
Figure BDA0002606151730000096
为第t代的第j个个体的染色体；
Figure BDA0002606151730000097
为这个染色体所有存在状态的叠加；Sk为某一染色体包含的第k种状态信息，具体表现形式为长度为m的一组二进制串；
在本实施例中测量种群中个体的确定解的具体过程为：在区间[0,1]上随机产生一个数，若这个数的值大于量子概率幅的平方，测量结果取为1；若这个数小于量子概率幅的平方，则测量结果取为0；确定解P(t)的具体表达形式为公式(8)；
Figure BDA0002606151730000098
其中，
Figure BDA0002606151730000099
代表进化到第t代时，种群中第j个个体的测量值，表现形式为由量子比特概率选择出来的长度为m的二进制串；
量子旋转门U(θi)满足公式(9)，调整个体进化方向的过程满足公式(10)：
Figure BDA0002606151730000101
Figure BDA0002606151730000102
其中，θi为量子门的旋转角；
Figure BDA0002606151730000103
代表个体第i个量子旋转门更新前的概率幅，
Figure BDA0002606151730000104
代表个体第i个量子旋转门更新后的概率幅；
最后输出辨识结果。
为验证本方法的有效性，分别采用传统量子遗传算法(QGA)和本发明的量子遗传-非线性规划算法(QGA-NLP)辨识机侧变流器的参数；两种方法的辨识结果如下表所示：
Figure BDA0002606151730000105
从表中可知，量子遗传-非线性规划算法的辨识值更加接近真实值，由于非线性规划函数会提高算法的局部搜索能力，使问题的解更近与最优解，即非线性规划函数寻找到当代种群的最优个体接近于到目前为止所有种群的最优个体，提供了辨识精度；图4-9分别为各个参数的辨识结果对比图，由图中可知，QGA算法需要在进化到第十代或更多代才可以收敛到某一值，而QGA-NLP算法进化至第八代左右收敛到某一值；
由于分别双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行单独拟合、采取精英保留策略构建初始记忆库、对双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，增加了种群的多样性，使得本方法比传统量子遗传算法在运算过程中的解更具有多样性，搜索结果更加准确，能够及时跳出局部最优解，最终获得全局最优解，达到了提高收敛速度和收敛精度的目的。
本发明未述及之处适用现有技术。

Claims (3)

1.一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，其特征在于，该方法包括以下步骤：
步骤一、构建双馈风机变流器的辨识模型，确定待辨识参数；
步骤二、对双馈风机施加扰动，并采集施加扰动后的双馈风机变流器d轴和q轴的参数，获取双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线；
步骤三、通过改进量子遗传算法辨识参数，并输出辨识结果；
S1将步骤二中获得的双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线输入辨识模型中，采用传统量子遗传算法对双馈风机变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、双馈风机变流器q轴的实际输出响应曲线与辨识模型的输出响应曲线根据目标函数(1)和(2)单独拟合多次产生多个种群，并采用公式(1)和(2)计算每个种群中每个个体的适应度值；采取精英保留策略保留每个种群中适应度值较高的多个个体并提取这些个体的优秀基因片段，构建初始记忆库；
Figure FDA0002606151720000011
Figure FDA0002606151720000012
其中，yd(i)和yq(i)分别为双馈风机变流器d轴和q轴的实际输出响应曲线，
Figure FDA0002606151720000013
和
Figure FDA0002606151720000014
分别为双馈风机变流器辨识模型d轴和q轴的输出响应曲线，Δyd和Δyq分别为双馈风机变流器d轴和q轴的拟合误差，n为输出响应曲线的长度，i表示采集时刻点；
S2采用改进量子遗传算法辨识双馈风机变流器的参数，包括种群的初始化和进化；
S2-1种群的初始化：设置初始种群Q(t0)有M(M>P)个随机产生的个体，计算所有个体的适应度值，将初始种群Q(t0)中适应度值较低的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段全部用步骤S1的初始记忆库中的优秀基因片段进行替换，确保父代的优秀特征遗传给子代，得到初代种群Q(t)，完成初代种群的初始化；
S2-2种群的进化：测量初代种群Q(t)中每个个体的确定解P(t)，采用改进量子遗传算法对机侧变流器d轴的实际输出响应曲线与辨识模型的输出响应曲线、机侧变流器的q轴的实际输出响应曲线与辨识模型的输出响应曲线进行整体拟合，整体拟合的目标函数满足公式(3)；通过公式(3)计算每个确定解P(t)的适应度值，并以公式(3)的值最小筛选出当代种群的最优个体，以当代种群的最优个体的适应度值作为子代种群的进化目标；
Figure FDA0002606151720000021
然后利用量子旋转门筛选出到目前为止所有种群的最优个体，并对当代种群中除最优个体外的所有剩余个体的进化方向进行调整，得到子代种群Q(t)；利用公式(3)计算子代种群Q(t)中所有个体的适应度值，并将适应度值较高的P个个体的电流内环PI控制器的比例系数Kp2和电流内环PI控制器的积分系数Ki2对应的基因片段替换初始记忆库中的优秀基因片段，形成新的记忆库；新的记忆库中的优秀基因片段作为子代种群Q(t)初始化的替换基因；
然后重复步骤S2-1完成子代种群Q(t)的初始化，对初始化后的子代种群Q(t)重复步骤S2-2，完成子代种群Q(t)的进化，得到下一代子代种群Q(t+1)；每进化一代都会得到新的子代种群，每进化一代都更新一次记忆库，直到进化m1代；
每当进化到b(b<m1)代时，以当前计算结果为初值，采用非线性规划函数寻找局部最优个体，并将找到的局部最优个体作为初始值继续进化，加快进化速度；非线性规划函数的约束条件满足公式(4)：
Figure FDA0002606151720000022
其中，x表示所有待辨识参数组成的矩阵；Ib表示x中单个元素的最小取值，ub表示x中单个元素的最大取值；；A、b取默认值0；Aeq、beq分别表示空矩阵；c(x)、ceq(x)分别表示非线性函数；
最后输出辨识结果。
2.根据权利要求1所述的基于改进量子遗传算法的双馈风机变流器参数辨识方法，其特征在于，步骤S1中精英保留策略的具体过程为：将每个种群中适应度值较高的前a(a<m1)个个体保留，提取被保留的所有个体中电流内环PI控制器的比例系数Kp2和积分系数Ki2的基因片段，分别计算提取的所有电流内环PI控制器的比例系数Kp2和积分系数Ki2基因片段的平均值，得到一组包含比例系数Kp2基因片段和积分系数Ki2基因片段的优秀基因片段；将所有优秀基因片段作为初始记忆库。
3.根据权利要求1所述的基于改进量子遗传算法的双馈风机变流器参数辨识方法，其特征在于，步骤S2-2中对种群除最优个体外的剩余个体的进化方向的调整策略为：将种群中某个个体当前测量值的适应度值与所在种群最优个体的适应度值进行大小比较，若大于该种群中最优个体的适应度值，则调整该个体相应位置的量子比特，使得其几率幅向着当前个体的方向进化；若小于该种群中最优个体的适应度值，则向着最优个体的方向进化。
CN202010739033.3A 2020-07-28 2020-07-28 基于改进量子遗传算法的双馈风机变流器参数辨识方法 Active CN111817347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010739033.3A CN111817347B (zh) 2020-07-28 2020-07-28 基于改进量子遗传算法的双馈风机变流器参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010739033.3A CN111817347B (zh) 2020-07-28 2020-07-28 基于改进量子遗传算法的双馈风机变流器参数辨识方法

Publications (2)

Publication Number Publication Date
CN111817347A true CN111817347A (zh) 2020-10-23
CN111817347B CN111817347B (zh) 2021-08-31

Family

ID=72862964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010739033.3A Active CN111817347B (zh) 2020-07-28 2020-07-28 基于改进量子遗传算法的双馈风机变流器参数辨识方法

Country Status (1)

Country Link
CN (1) CN111817347B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828569A (zh) * 2022-11-26 2023-03-21 昆明理工大学 基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787605A (zh) * 2016-03-24 2016-07-20 上海电力学院 基于改进型量子遗传算法的微网经济优化运行调度方法
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
CN109948859A (zh) * 2019-03-26 2019-06-28 华南理工大学 一种基于协同量子遗传算法的风火联合随机优化调度方法
CN110676870A (zh) * 2019-04-30 2020-01-10 国网新疆电力有限公司经济技术研究院 一种适用于风电并网的混合储能容量配置方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787605A (zh) * 2016-03-24 2016-07-20 上海电力学院 基于改进型量子遗传算法的微网经济优化运行调度方法
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
CN109948859A (zh) * 2019-03-26 2019-06-28 华南理工大学 一种基于协同量子遗传算法的风火联合随机优化调度方法
CN110676870A (zh) * 2019-04-30 2020-01-10 国网新疆电力有限公司经济技术研究院 一种适用于风电并网的混合储能容量配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIA-CHU LEE等: "quantum genetic algorithm for dynamic economic dispatch with valve-point effects and including wind power system", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 *
杨佳俊等: "改进量子遗传算法在无功优化中的应用", 《电力电容器与无功补偿》 *
王旭海: "基于改进量子遗传算法的含分布式电源配电网故障区段定位方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828569A (zh) * 2022-11-26 2023-03-21 昆明理工大学 基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法
CN115828569B (zh) * 2022-11-26 2023-10-31 昆明理工大学 基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法

Also Published As

Publication number Publication date
CN111817347B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN106786595B (zh) 一种考虑静态频率特性不确定性的概率潮流计算方法
Salem et al. Implementation and validation of an adaptive fuzzy logic controller for MPPT of PMSG-based wind turbines
CN107076114A (zh) 与确定风力涡轮机中的转子失衡有关的改进
CN103825521B (zh) 一种双馈风电机组中驱动系统及发电机参数的辨识方法
CN107968409A (zh) 一种考虑不平衡功率分配的概率潮流计算方法及系统
CN113507137B (zh) 基于DigSILENT/PF的风电场模型构建方法及相关装置
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
CN110932281A (zh) 一种基于电网准稳态灵敏度的多断面协同校正方法和系统
CN109274892A (zh) 一种计及饱和效应的调相机参数分步辨识方法
CN110081966A (zh) 风机振动传感器的故障诊断系统及方法
CN105741188A (zh) 双馈风力发电机群电磁暂态同调分群方法
CN109301844A (zh) 一种基于电网系统的水电机组调速器pid参数优化方法与装置
CN109586278A (zh) 一种交直流混合配电网供电能力评估方法
Yu et al. Control design and implementation of a spiral spring energy storage system connected to a grid via PMSG
CN113297861B (zh) 评估同步电网中新能源极限接入能力的实验方法及系统
CN105952499A (zh) 一种基于蚁群算法获取汽轮机高压调门组流量的方法
CN108493991A (zh) 一种基于风电机组健康程度的风电机组功率分配计算方法
Wang et al. Pareto optimization of power system reconstruction using NSGA-II algorithm
CN117060430A (zh) 一种基于改进lstm网络的构网型风电调频预测方法
CN110750907A (zh) 一种双馈风电场等值模型参数识别方法
CN116384692A (zh) 基于数据驱动的含风能电力系统环境经济调度方法及系统
CN115133540A (zh) 一种配电网无模型的实时电压控制方法
CN114709881A (zh) 一种虚拟同步发电机控制参数的优选方法
Xiang et al. An Intelligent Parameter Identification Method of DFIG Systems Using Hybrid Particle Swarm Optimization and Reinforcement Learning
CN109995036A (zh) 一种风光储孤网的黑启动路径自动寻优方法及系统

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