CN113032968A - 双馈风机控制器参数辨识方法及装置 - Google Patents

双馈风机控制器参数辨识方法及装置 Download PDF

Info

Publication number
CN113032968A
CN113032968A CN202110229436.8A CN202110229436A CN113032968A CN 113032968 A CN113032968 A CN 113032968A CN 202110229436 A CN202110229436 A CN 202110229436A CN 113032968 A CN113032968 A CN 113032968A
Authority
CN
China
Prior art keywords
doubly
parameter
historical
output data
identified
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
CN202110229436.8A
Other languages
English (en)
Other versions
CN113032968B (zh
Inventor
吴林林
王潇
张家安
杜维柱
刘�东
刘辉
李蕴红
张瑞芳
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.)
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
Hebei University of Technology
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
Hebei University of Technology
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
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 State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd, Hebei University of Technology, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110229436.8A priority Critical patent/CN113032968B/zh
Publication of CN113032968A publication Critical patent/CN113032968A/zh
Application granted granted Critical
Publication of CN113032968B publication Critical patent/CN113032968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种双馈风机控制器参数辨识方法及装置，该参数辨识方法包括：根据参数待辨识的双馈风机控制器的结构确定对应的预设数学模型；采集所述双馈风机控制器在当前运行时段的多个输入输出数据；根据所述数学模型以及所述多个输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果；根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，得到双馈风机控制器待辨识参数的最终辨识结果。本发明的双馈风机控制器参数辨识方法大大提高了参数辨识的精度。

Description

双馈风机控制器参数辨识方法及装置
技术领域
本发明属于风力发电机控制领域，特别涉及一种双馈风机控制器参数辨识方法。
背景技术
由于国家对新能源发展的大力支持，风力发电产业得以取得巨大的发展。在风力发电机中，双馈风力发电机是目前使用最广泛的风力发电机之一，双馈风力发电机通过变流器使转子侧与电网连接从而实现了功率的交流，保证了在不同风速下频率的稳定。
双馈风力发电机变流器中包括转子侧控制器、网侧控制器，这些控制器保证了励磁电流的调节，使双馈风力发电机得以稳定运行。但在双馈风力发电机长时间运行过程中，控制器的参数会发生变化，因此需要对控制器的参数进行辨识。目前应用最广泛的参数辨识方法为最小二乘法，但最小二乘法面对复杂系统计算精度往往会很低。基于此，文献《王红,梁俊霞,胡佳琳.基于αβ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》公开了一种在αβ坐标系模型应用遗传算法进行辨识的方法，然而该方法中的风机模型是在Matlab/Simulink环境中搭建的模型，该搭建的模型与实际的模型之间存在细微不同，而这种不同将会导致计算结果出现偏差；同时应用遗传算法计算过程较慢，不能实现实时辨识，即无法在风机正常运行过程中随时对参数进行辨识。因此，急需一种双馈风机控制器的参数辨识方法，在参数辨识过程既不影响风机正常运行，又能实现高精度实时辨识。
发明内容
为了解决上述技术问题，本发明提供一种双馈风机控制器参数辨识方法，包括：
根据参数待辨识的双馈风机控制器的结构确定对应的预设数学模型；
采集所述双馈风机控制器在当前运行时段的多个输入输出数据；
根据所述数学模型以及所述多个输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果；
根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，得到双馈风机控制器待辨识参数的最终辨识结果。
在一实施例中，根据所述数学模型以及所述多个当前输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果，包括：
采用最小二乘法根据所述数学模型以及所述多个当前输入输出数据进行计算，得到双馈风机控制器待辨识参数的初步辨识结果。
在一实施例中，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，包括：
根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
根据所述误差函数对所述待辨识参数的初步辨识结果进行调整。
在一实施例中，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，包括：
根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
根据所述历史输入数据以及所述历史输出数据计算待辨识参数对应的学习率；
根据所述误差函数以及所述待辨识参数对应的学习率对所述待辨识参数的初步辨识结果进行调整。
本发明还提供一种双馈风机控制器参数辨识装置，可用于实现本发明提供的任一双馈风机控制器参数辨识方法的全部步骤，该装置包括：
模型确定模块，用于根据参数待辨识的双馈风机控制器的结构确定对应的预设数学模型；
数据采集模块，用于采集所述双馈风机控制器在当前运行时段的多个输入输出数据；
参数辨识模块，用于根据所述数学模型以及所述多个输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果；
参数调整模块，用于根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，得到双馈风机控制器待辨识参数的最终辨识结果。
在一实施例中，所述参数辨识模块包括最小二乘计算单元，用于采用最小二乘法根据所述数学模型以及所述多个当前输入输出数据进行计算，得到双馈风机控制器待辨识参数的初步辨识结果。
在一实施例中，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述参数调整模块包括：
第一输出单元，用于根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
第一误差函数计算单元，用于根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
第一参数调整单元，用于根据所述误差函数对所述待辨识参数的初步辨识结果进行调整。
在一实施例中，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述参数调整模块包括：
第二输出单元，用于根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
第二误差函数计算单元，用于根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
学习率计算单元，用于根据所述历史输入数据以及所述历史输出数据计算待辨识参数对应的学习率；
第二参数调整单元，用于根据所述误差函数以及所述待辨识参数对应的学习率对所述待辨识参数的初步辨识结果进行调整。
本发明的双馈风机控制器参数辨识方法与以往最小二乘法等参数辨识方法相比，能在不影响风机正常运行的过程中进行风机控制器的参数辨识，通过风机输出的数据，也就是在风场监控平台上就能显示的数据进行参数辨识，而不需要对风机进行停机单独取出进行测试得到数据进行辨识，大大提高了参数辨识的精度；同时，本方法应用误差反馈调整权值，将不同权值根据自身大小不同和每次运算次数赋予每个权值不同的学习率，使在调整过程中不会突然调整过大，出现局部最优值，影响辨识精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的双馈风机控制器参数辨识方法的示意图。
图2为网侧控制器模型示意图。
图3为本发明的参数辨识方法与最小二乘法的辨识结果误差率图。
图4为本发明的双馈风机控制器参数辨识装置的示意图。
图5为本发明的另一种双馈风机控制器参数辨识装置的示意图。
图6为本发明的另一种双馈风机控制器参数辨识装置的示意图。
图7为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种双馈风机控制器参数辨识方法，包括：
步骤S102，根据参数待辨识的双馈风机控制器的结构确定对应的预设数学模型。
图2给出了一种网侧控制器模型，此模型为某双馈风机的网侧控制器MATLAB模型。由于不同风机控制器结构有不同之处，参数辨识前需要先对待辨识的双馈风机网侧控制器和转子侧控制器进行建模。
建模时，首先假设变量y与n维变量U，y与U为已知参量计算所得。其中，所述变量y与n维变量U＝(u1，u2，…，un)之间存在线性关系，该线性关系可用于表示风力发电机控制器数学模型的线性关系。变量y与n维变量U的线性关系可表示为
y＝θ1u1+θ2u2+···+θnun
根据上式表达的线性关系，可生成如下列向量和矩阵：
Y＝[y(1),y(2),···,y(m)]T,θ＝[θ1,θ2,···,θm]T
Figure BDA0002958088370000051
上述列向量和矩阵之间的关系可表示为
Figure BDA0002958088370000052
该关系式即为控制器数学模型方程。
向量θ为待估计的参数，需满足m≥n，当m＝n时有唯一解，即：
Figure BDA0002958088370000053
m>n时，定义误差e＝[e1，e1，…，em]T，得：
Figure BDA0002958088370000054
因为θ为待估计的参数，所以存在误差e。
步骤S104，采集所述双馈风机控制器在当前运行时段的多个输入输出数据。
可以理解的是，首先需要分析确定需要采集的多个参量，包括：网侧d轴和q轴电压，转子侧d轴和q轴电压，网侧d轴和q轴电流，网侧电流参考值，直流电压，直流电压参考值。本发明辨识的参量为PID控制器的比例系数、积分系数。
随后采集所述多个参量对应的多个输出输出数据，具体为：在风机运行过程中采集一连续时间段内的数据，此时，风机运行在风速改变状态，控制器运行在超调阶段，对数据解耦为dq轴数据，控制器控制方式为解耦控制。
步骤S106，根据所述数学模型以及所述多个输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果。具体步骤为：
建立平方误差目标函数：
Figure BDA0002958088370000055
取一组θ使得J最小，即用矢量微分，J对θ求导，令其等于零，得：
Figure BDA0002958088370000061
解得：
Figure BDA0002958088370000062
其中，
Figure BDA0002958088370000063
即为控制器参数的初步辨识结果。
步骤S108，根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，得到双馈风机控制器待辨识参数的最终辨识结果。
具体为，应用预先采集的双馈风机控制器在历史运行时段的多个运行数据，包括多个历史输入数据和多个历史输出数据。假设双馈风机控制器在历史运行时段内多个时间点的多个历史输入数据为X{x0，x1，…,xj,…}，双馈风机控制器在每个时间点的历史输入数据对应的多个历史输出数据分别为D{d0，d1，…,dj,…}，控制器待辨识参数在此处表示为权向量W{w0，w1，…，wj，…}，最小二乘法的初步辨识结果
Figure BDA0002958088370000064
即为权向量的初值，即
Figure BDA0002958088370000065
当权值取wj时，根据该权值wj计算双馈风机控制器在每一时间点的历史输入数据xj对应的第一输出数据σj。随后根据所述双馈风机控制器在每一时间点的历史输入数据对应的历史输出数据dj以及对应的第一输出数据σj计算初步辨识结果的误差，误差计算函数表示为：
Figure BDA0002958088370000066
其中，误差E为权向量W的函数，wj与误差的负梯度成正比，即可使误差趋向于最小，j为运算次数。
随后计算误差的梯度为：
Figure BDA0002958088370000067
根据所述误差梯度对权值进行调整，调整量为：
Figure BDA0002958088370000068
调整后得到新的权值为：
Wj+1＝Wj+ΔWj
其中η表示学习率，为一常数。在这一过程中，不断使用历史运行数据对新的权值逐步更新，使得控制器参数随之更接近实际值。
在一实施例中，所述步骤S106，根据所述数学模型以及所述多个当前输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果，包括：
采用最小二乘法根据所述数学模型以及所述多个当前输入输出数据进行计算，得到双馈风机控制器待辨识参数的初步辨识结果。
在一实施例中，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据X{x0，x1，…,xj,…}及历史输出数据D{d0，d1，…,dj,…}；
所述根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，包括：
步骤S1081，根据所述历史输入数据dj以及所述初步辨识结果
Figure BDA0002958088370000071
得到第一输出数据σj；
步骤S1082，根据所述第一输出数据σj和所述历史输出数据dj，计算得到一误差函数：
Figure BDA0002958088370000072
步骤S1083，根据所述误差函数以及预设的学习率η对所述待辨识参数的初步辨识结果进行调整。
在一实施例中，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据X{x0，x1，…,xj,…}及历史输出数据D{d0，d1，…,dj,…}；
所述根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，包括：
步骤S1081，根据所述历史输入数据dj以及所述初步辨识结果
Figure BDA0002958088370000073
得到第一输出数据σj；
步骤S1082，根据所述第一输出数据σj和所述历史输出数据dj，计算得到一误差函数：
Figure BDA0002958088370000074
步骤S1084，根据所述历史输入数据以及所述历史输出数据计算待辨识参数对应的学习率η；
其中，所述η的取值直接影响运算的精确度，在控制器中为PID控制，比例环节系数往往远大于积分环节系数，待辨识的系数即为权值，如果权值选择相同的学习率，会造成积分环节系数计算结果偏差较大，此外学习率的选取要根据计算数据量，即所采集的一个时间段的数据的数据量来确定，例如，假设ki、kp的学习率为ηki、ηkp，则需要根据以下公式确定学习率ηki、ηkp：
kp＜ki*10β
c＝min(β)
ηkp＝10-α
ηki＝10-α-c
其中α为采集数据量的位数(如采集20000个点数据，α为5)，c为初值kp对ki的整数倍数的位数(如kp为2、ki为0.03，c为2)。所以η＝{ηki，ηkp}经过连续一段时间采集的数据计算，最终的权值即为待辨识的参数，再将计算结果作为初值，应用其他采集数据进行本方法计算。
步骤S1085，根据所述误差函数以及所述待辨识参数对应的学习率η对所述待辨识参数的初步辨识结果进行调整。
以下以一具体示例对上述实施例作进一步说明。
首先，获得待辨识双馈风机控制器结构，如图1所示的网侧控制器模型，此模型为某双馈风机的网侧控制器MATLAB模型，不同风机控制器结构有不同之处，辨识前需要先对待辨识的双馈风机网侧控制器和转子侧控制器进行建模。
模型建立后，分析待辨识参数所需要采集的参量包括：网侧d轴和q轴电压，定子侧d轴和q轴电压，网侧d轴和q轴电流，网侧电流参考值，直流电压，直流电压参考值，本次待辨识的参数为PID控制器的比例系数、积分系数。
随后在风机运行过程中采集七个连续时间段的数据，此时，风机运行在风速改变状态，控制器运行在超调阶段，对数据解耦为dq轴数据，控制器控制方式为解耦控制。
根据网侧控制器得出其数学模型，其代数方程为：
Figure BDA0002958088370000081
Figure BDA0002958088370000091
其中Udg、Uqg分别为网侧d轴和q轴电压，Uds、Uqs分别为定子侧d轴和q轴电压，Idg、Iqg分别为网侧d轴和q轴电流，Idg_ref为网侧d轴电流参考值，Udc为直流电压，Udc-ref为直流电压参考值，kp(i)(i＝1,2,3)为PI控制器的比例常数，ki(i)(i＝1,2,3)为PI控制器的积分常数，也就是待辨识的参数。
网侧控制器数学方程为：
ΔUdg＝-ki3Δx3+kp3ΔIdg+xgΔIqg+ΔUds
ΔUqg＝kp2kp1ΔUdc-kp2ki1Δx1-ki2Δx2-xgΔIdg+kp2ΔIqg+ΔUqs
得到网侧控制器数学方程后，选择一段连续采集的数据，应用最小二乘法进行初步辨识，根据如下公式
θqg＝{kp2kp1 kp2ki1 ki2ki1 ki2kp1 ki2 kp2}，θdg＝{kp3 ki3}
即可计算得最小二乘法初步辨识结果
Figure BDA0002958088370000092
随后继续使用采集的其他连续时间段的数据，对最小二乘法得到的初步辨识结果进行调整，其中，假设权值为
Wqg＝{kp2kp1 kp2ki1 ki2ki1 ki2kp1 ki2 kp2}，
Wdg＝{kp3 ki3}
其中，Wqg、Wdg的初值与最小二乘法初步辨识结果对应，即
Figure BDA0002958088370000093
Figure BDA0002958088370000094
此处学习率η的取值直接影响运算的精确度，在控制器中为PID控制，比例环节系数往往远大于积分环节系数，待辨识的系数即为权值，如果权值选择相同的数，会造成积分环节系数计算结果偏差较大，此外学习率的选取要依据计算数据量，所以各个权值的学习率可通过如下公式确定：
kp2＜ki2*10β1
e＝min(β1)
kp2＜ki1*10β2
f＝min(β2)
kp3＜ki3*10β3
g＝min(β3)
Figure BDA0002958088370000101
Figure BDA0002958088370000102
Figure BDA0002958088370000103
Figure BDA0002958088370000104
Figure BDA0002958088370000105
Figure BDA0002958088370000106
Figure BDA0002958088370000107
Figure BDA0002958088370000108
最终得到学习率向量η：
Figure BDA0002958088370000109
Figure BDA00029580883700001010
经过计算得到一组最新权值，再将此最新权值作为权值初值，应用另一组采集的数据进行本方法计算，共六次计算，得到最终权值WZ，根据最终权值即可求得待辨识参数的最终辨识结果。
图3为本发明的参数辨识方法与最小二乘法的辨识结果误差率图，从图中可以看出，本发明的参数辨识方法的辨识结果的误差率远小于最小二乘法的误差率，因此本发明的参数辨识方法对于双馈风机的高精度参数辨识完全适用。表1为使用本发明的参数辨识方法和最小二乘辨识方法得到的某双馈风机网侧控制器参数辨识结果对比表，从中可以直观的看到本发明的参数辨识方法的辨识结果相较于最小二乘法的辨识结果更加接近实际值。本发明的参数辨识方法是根据各参数的相对大小，设置不同学习率对最小二乘辨识方法得到的参数辨识结果逐步更新，使其更加接近实际值。
表1网侧控制器参数辨识结果
Figure BDA0002958088370000111
本发明还提供一种双馈风机控制器参数辨识装置，可用于实现本发明提供的任一双馈风机控制器参数辨识方法的全部步骤，如图4所示，该装置包括：
模型确定模块41，用于根据参数待辨识的双馈风机控制器的结构确定对应的预设数学模型；
数据采集模块42，用于采集所述双馈风机控制器在当前运行时段的多个输入输出数据；
参数辨识模块43，用于根据所述数学模型以及所述多个输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果；
参数调整模块44，用于根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，得到双馈风机控制器待辨识参数的最终辨识结果。
在一实施例中，所述参数辨识模块包括最小二乘计算单元，用于采用最小二乘法根据所述数学模型以及所述多个当前输入输出数据进行计算，得到双馈风机控制器待辨识参数的初步辨识结果。
在一实施例中，如图5所示，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述参数调整模块44包括：
第一输出单元441，用于根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
第一误差函数计算单元442，用于根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
第一参数调整单元443，用于根据所述误差函数对所述待辨识参数的初步辨识结果进行调整。
在一实施例中，如图6所示，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述参数调整模块44包括：
第二输出单元444，用于根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
第二误差函数计算单元445，用于根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
学习率计算单元446，用于根据所述历史输入数据以及所述历史输出数据计算待辨识参数对应的学习率；
第二参数调整单元447，用于根据所述误差函数以及所述待辨识参数对应的学习率对所述待辨识参数的初步辨识结果进行调整。
本发明的双馈风机控制器参数辨识方法与以往最小二乘法等参数辨识方法相比，能在不影响风机正常运行的过程中进行风机控制器的参数辨识，通过风机输出的数据，也就是在风场监控平台上就能显示的数据进行参数辨识，而不需要对风机进行停机单独取出进行测试得到数据进行辨识，大大提高了参数辨识的精度；同时，本方法应用误差反馈调整权值，将不同权值根据自身大小不同和每次运算次数赋予每个权值不同的学习率，使在调整过程中不会突然调整过大，出现局部最优值，影响辨识精度。
本发明还提供一种电子设备，包括本发明的任一双馈风机控制器参数辨识装置，参见图7，所述电子设备700具体包括：
中央处理器(processor)710、存储器(memory)720、通信模块(Communications)730、输入单元740、输出单元750以及电源760。
其中，所述存储器(memory)720、通信模块(Communications)730、输入单元740、输出单元750以及电源760分别与所述中央处理器(processor)710相连接。所述中央处理器710可调用所述存储器720中存储的计算机程序，所述中央处理器710执行所述计算机程序时实现上述实施例中的双馈风机控制器参数辨识方法的全部步骤。
本发明还提供一种计算机存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现本发明的任一双馈风机控制器参数辨识方法。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (10)

1.一种双馈风机控制器参数辨识方法，其特征在于，包括：
根据参数待辨识的双馈风机控制器的结构确定对应的预设数学模型；
采集所述双馈风机控制器在当前运行时段的多个输入输出数据；
根据所述数学模型以及所述多个输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果；
根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，得到双馈风机控制器待辨识参数的最终辨识结果。
2.根据权利要求1所述的双馈风机控制器参数辨识方法，其特征在于，根据所述数学模型以及所述多个当前输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果，包括：
采用最小二乘法根据所述数学模型以及所述多个当前输入输出数据进行计算，得到双馈风机控制器待辨识参数的初步辨识结果。
3.根据权利要求2所述的双馈风机控制器参数辨识方法，其特征在于，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，包括：
根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
根据所述误差函数对所述待辨识参数的初步辨识结果进行调整。
4.根据权利要求2所述的双馈风机控制器参数辨识方法，其特征在于，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，包括：
根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
根据所述历史输入数据以及所述历史输出数据计算待辨识参数对应的学习率；
根据所述误差函数以及所述待辨识参数对应的学习率对所述待辨识参数的初步辨识结果进行调整。
5.一种双馈风机控制器参数辨识装置，其特征在于，包括：
模型确定模块，用于根据参数待辨识的双馈风机控制器的结构确定对应的预设数学模型；
数据采集模块，用于采集所述双馈风机控制器在当前运行时段的多个输入输出数据；
参数辨识模块，用于根据所述数学模型以及所述多个输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果；
参数调整模块，用于根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，得到双馈风机控制器待辨识参数的最终辨识结果。
6.根据权利要求5所述的参数辨识装置，其特征在于，所述参数辨识模块包括最小二乘计算单元，用于采用最小二乘法根据所述数学模型以及所述多个当前输入输出数据进行计算，得到双馈风机控制器待辨识参数的初步辨识结果。
7.根据权利要求6所述的参数辨识装置，其特征在于，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述参数调整模块包括：
第一输出单元，用于根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
第一误差函数计算单元，用于根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
第一参数调整单元，用于根据所述误差函数对所述待辨识参数的初步辨识结果进行调整。
8.根据权利要求6所述的参数辨识装置，其特征在于，所述多个运行数据包括：双馈风机在所述历史运行时段的多个时间点的历史输入数据及历史输出数据；
所述参数调整模块包括：
第二输出单元，用于根据所述历史输入数据以及所述初步辨识结果得到第一输出数据；
第二误差函数计算单元，用于根据所述第一输出数据和所述历史输出数据，计算得到一误差函数；
学习率计算单元，用于根据所述历史输入数据以及所述历史输出数据计算待辨识参数对应的学习率；
第二参数调整单元，用于根据所述误差函数以及所述待辨识参数对应的学习率对所述待辨识参数的初步辨识结果进行调整。
9.一种电子设备，包括：中央处理器、存储器、通信模块，所述中央处理器可调用所述存储器中存储的计算机程序，其特征在于，所述中央处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的双馈风机控制器参数辨识方法。
10.一种计算机存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的双馈风机控制器参数辨识方法。
CN202110229436.8A 2021-03-02 2021-03-02 双馈风机控制器参数辨识方法及装置 Active CN113032968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110229436.8A CN113032968B (zh) 2021-03-02 2021-03-02 双馈风机控制器参数辨识方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110229436.8A CN113032968B (zh) 2021-03-02 2021-03-02 双馈风机控制器参数辨识方法及装置

Publications (2)

Publication Number Publication Date
CN113032968A true CN113032968A (zh) 2021-06-25
CN113032968B CN113032968B (zh) 2023-10-31

Family

ID=76465703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110229436.8A Active CN113032968B (zh) 2021-03-02 2021-03-02 双馈风机控制器参数辨识方法及装置

Country Status (1)

Country Link
CN (1) CN113032968B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806907A (zh) * 2021-08-02 2021-12-17 国网冀北电力有限公司电力科学研究院 双馈风电机组机电暂态数据处理方法及装置
CN114123336A (zh) * 2021-11-30 2022-03-01 国网山东省电力公司德州供电公司 一种直驱风机变流器的控制参数辨识方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110133453A1 (en) * 2007-01-17 2011-06-09 Merswolke Paul H F Multiple generator wind turbine and method of operation thereof
CN103701389A (zh) * 2013-12-12 2014-04-02 河海大学 一种双馈感应发电机控制器参数辨识方法
CN106169747A (zh) * 2016-07-20 2016-11-30 河海大学 一种双馈感应发电机参数辨识方法
CN107453401A (zh) * 2017-09-13 2017-12-08 河海大学 一种双馈风力发电机参数辨识方法
CN107798205A (zh) * 2017-12-11 2018-03-13 河海大学 双馈感应风力发电机组轴系模型参数的单独辨识方法
CN110071667A (zh) * 2019-05-10 2019-07-30 福建省宏闽电力工程监理有限公司 一种双馈风力发电机参数辨识方法
WO2019242666A1 (zh) * 2018-06-20 2019-12-26 国网内蒙古东部电力有限公司电力科学研究院 一种双馈风力发电机组并网的谐波分析与治理方法
CN110750907A (zh) * 2019-10-24 2020-02-04 国网湖南省电力有限公司 一种双馈风电场等值模型参数识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110133453A1 (en) * 2007-01-17 2011-06-09 Merswolke Paul H F Multiple generator wind turbine and method of operation thereof
CN103701389A (zh) * 2013-12-12 2014-04-02 河海大学 一种双馈感应发电机控制器参数辨识方法
CN106169747A (zh) * 2016-07-20 2016-11-30 河海大学 一种双馈感应发电机参数辨识方法
CN107453401A (zh) * 2017-09-13 2017-12-08 河海大学 一种双馈风力发电机参数辨识方法
CN107798205A (zh) * 2017-12-11 2018-03-13 河海大学 双馈感应风力发电机组轴系模型参数的单独辨识方法
WO2019242666A1 (zh) * 2018-06-20 2019-12-26 国网内蒙古东部电力有限公司电力科学研究院 一种双馈风力发电机组并网的谐波分析与治理方法
CN110071667A (zh) * 2019-05-10 2019-07-30 福建省宏闽电力工程监理有限公司 一种双馈风力发电机参数辨识方法
CN110750907A (zh) * 2019-10-24 2020-02-04 国网湖南省电力有限公司 一种双馈风电场等值模型参数识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANFENG MA等: "Active-Reactive Additional Damping Control of a Doubly-Fed Induction Generator Based on Active Disturbance Rejection Control", 《ENERGIES》, pages 1 - 18 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806907A (zh) * 2021-08-02 2021-12-17 国网冀北电力有限公司电力科学研究院 双馈风电机组机电暂态数据处理方法及装置
CN113806907B (zh) * 2021-08-02 2024-03-01 国网冀北电力有限公司电力科学研究院 双馈风电机组机电暂态数据处理方法及装置
CN114123336A (zh) * 2021-11-30 2022-03-01 国网山东省电力公司德州供电公司 一种直驱风机变流器的控制参数辨识方法及系统

Also Published As

Publication number Publication date
CN113032968B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN113032968B (zh) 双馈风机控制器参数辨识方法及装置
CN110429648B (zh) 考虑风速随机波动的小干扰稳定裕度概率评估方法
CN107317353B (zh) 一种含分布式光伏发电配电网电压控制方法及系统
CN115313524B (zh) 一种基于构网型变流器的光伏发电并网控制方法及系统
Zhou et al. Q-learning and dynamic fuzzy Q-learning based intelligent controllers for wind energy conversion systems
Jagadeesh et al. Particle swarm optimization based power system stabilizer for SMIB system
CN114421509A (zh) 一种未知扰动下微电网储能系统的分布式自适应控制方法
CN108258725A (zh) 一种基于等效功角同调的双馈风电机动态等值方法
CN113725866B (zh) 一种配电网分布式电源的控制方法
CN113922384A (zh) 一种风电场分散式无功电压优化协调控制方法
Zenk et al. Multi zone power systems load-frequency stability using fuzzy logic controllers
CN111682552B (zh) 数据驱动的无功电压控制方法、装置、设备及存储介质
Karad et al. Enhanced control of doubly fed induction generator based wind turbine system using soft computing assisted fractional order controller
CN114726090A (zh) 基于潮流调整的中低压网络数据在线拼接方法和系统
CN109842113B (zh) 一种基于发电机群动态特征分析的电力系统简化等值方法
CN114331040A (zh) 基于模糊评价函数的系统主导失稳形态识别方法及终端
CN111049158A (zh) 基于谱半径确定电力系统宽频振荡稳定性的方法及系统
Amiri et al. Lyapunov exponent based stability assessment of power systems
Alzain et al. Improved DFIG-WPGS efficiency via the tuned PI-resonant unit controller based on BAT algorithm
CN114336791B (zh) 风电场无功功率的优化分配方法及其系统及计算机可读存储介质
CN111798049B (zh) 一种基于集成学习与多目标规划的电压稳定评估方法
CN117709766A (zh) 风电场分群指标分析方法及装置
CN116599135A (zh) 一种光伏发电并网系统亚临界霍普夫分岔点的搜索方法
Gomez et al. Distributed control for a cost-based droop-free microgrid
CN117239781A (zh) 基于电力系统受扰后频率预测的一次调频优化方法及应用

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