CN113721461A - 一种基于多试验场景的新能源机组参数辨识方法及系统 - Google Patents
一种基于多试验场景的新能源机组参数辨识方法及系统 Download PDFInfo
- Publication number
- CN113721461A CN113721461A CN202110829711.XA CN202110829711A CN113721461A CN 113721461 A CN113721461 A CN 113721461A CN 202110829711 A CN202110829711 A CN 202110829711A CN 113721461 A CN113721461 A CN 113721461A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- new energy
- generation equipment
- power generation
- test
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000002245 particle Substances 0.000 claims abstract description 82
- 238000010248 power generation Methods 0.000 claims abstract description 62
- 238000004088 simulation Methods 0.000 claims abstract description 58
- 230000004044 response Effects 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000010355 oscillation Effects 0.000 claims description 17
- 238000013016 damping Methods 0.000 claims description 14
- 239000003990 capacitor Substances 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多试验场景的新能源机组参数辨识方法及系统,属于发电设备参数辨识技术领域。本发明方法,包括:根据新能源发电设备的实际工程场景,搭建用于参数辨识的试验系统;针对试验系统进行扰动试验,获取新能源发电设备的多场景时频域响应曲线;构建与试验系统相对应的模拟系统,将需要辨识的新能源发电设备参数组视为粒子群优化算法的待优化参数,并随机初始化粒子群;将粒子群中每个粒子对应的参数组代入模拟系统进行计算,直至计算结果满足计算的终止条件,并确定最优参数组,所述最优参数组即为参数辨识结果。本发明采用粒子群优化算法进行多个试验场景的综合辨识,有利于实现多辨识目标的统一,同时提高了参数辨识的精度和效率。
Description
技术领域
本发明涉及发电设备参数辨识技术领域,并且更具体地,涉及一种基于多试验场景的新能源机组参数辨识方法及系统。
背景技术
典型新能源发电设备的模型及参数以直驱风电机组为例,其基本拓扑及控制原理如图1所示,主设备包括风力机、永磁同步电机、机侧变流器、网侧变流器等部分;控制系统包括主控制、机侧变流控制、网侧变流控制。
需要辨识的主要控制参数位于如下控制环节中:
1)机侧变流器采用dq电流解耦控制实现风机功率的送出;机侧变流器较多采用单环控制,即直接给定dq电流参考值。主要控制参数为比例积分参数Kim和Tim。
2)网侧变流器外环采用定直流电压控制,内环采用dq电流解耦控制,实现风机的并网控制;锁相环(phase locked loop,PLL)从网侧电压获取锁相角,用于网侧变流器的矢量控制,即网侧变流器采用电网电压定向控制方式。主要控制参数为外环比例积分参数Kpt和Tpt,内环比例积分参数Kit和Tit,以及锁相环比例积分参数Kpll和Tpll。
3)变流器控制所需的电压、电流测量值,一般经过数字滤波环节后输入至控制系统,这里考虑的是一阶滤波环节。主要控制参数为滤波时间常数Tf。
4)风机高、低穿控制,将实现高/低电压穿越期间发出感性/容性无功功率,并限制有功功率。主要控制参数为无功电压系数KQH和KQL,以及有功恢复速度VP等。
新能源发电设备的典型时域响应和频域响应在仿真模型的研究中,往往需要通过对多个时域、频域响应的对比,实现不同模型的分析和验证。这里的系统模型如图2所示。
新能源发电设备的典型时域响应包括:
1)新能源发电设备功率阶跃响应。其用途之一是考核控制系统的动态调节性能,其特征量包括超调量、调节时间等性能指标;用途之二是考核系统的稳定性,其特征量包括主导振荡模式的频率、阻尼(或衰减时间常数)。
2)电网接地故障下的暂态响应。主要关注:一是电压迅速跌落、瞬间恢复两个短暂过程(1~2个工频周期)中的响应,二是电压跌落期间的有功、无功出力特性,三是故障清除后,有功出力的恢复特性。
3)降低电网侧短路容量或电网侧接入串联补偿电容。全功率变流器如直驱风机、光伏,在接入弱交流系统中可能出现次同步频率的功率振荡现象,可用短路比(短路容量与新能源场站容量之比)作为评估振荡风险的输入条件;而对于双馈风机,在接入含串联补偿电容的交流系统中也可能出现类似功率振荡现象,可用串补度(这里指串联补偿电容的容抗与系统短路电抗之比)作为评估振荡风险的输入条件。在仿真模型的研究中,可通过对短路比适应性或串补度适应性的对比,来确认两个模型的一致性。
新能源发电设备的频域响应,指的是定义在某一组输入、输出变量下的传递函数(例如输入阻抗)的伯德图,可借助小幅值正弦信号扰动,通过频率扫描获取。这种扰动可通过两种方法实现:一是通过控制系统实现,即在一些控制器的参考值中叠加小幅值正弦信号,并将其作为扰动输入,同时在其他的控制量或电气量中也将出现该频率的响应,可将其作为输出;二是通过电气系统实现,即通过专用设备向电网中注入特定频率的小幅值谐波电流,并在系统电气量中提取该频率的信号,将所关注的一对电气量作为输入和输出。
粒子群优化算法采用优化算法对仿真模型参数进行优化,使仿真结果与实际试验结果的误差最小,是模型参数辨识的一种可行方法。
粒子群优化算法(particle swarm optimization,PSO)是一种基于群体智能演化的优化方法,对于目标函数minf=F(x1,x2,…xd),其计算过程如下:
1)设定粒子群规模N,惯性权重系数w,加速系数c1、c2,迭代次数t等参数。
2)随机初始化粒子群,用d维向量xi和vi分别表示第i个粒子的位置和速度,分别得到其N维随机初始值。根据所设定的目标函数,求得每个粒子的适应度值fi,并设定每个粒子的当前位置为粒子当前最优解pBesti=fi,取gBest=min(fi)为群体当前最优解。
3)通过下面两式,更新粒子速度和位置,并检查速度是否超过最大值Vmax或最小值Vmin,如果超出该范围,将速度限制为该极值。
4)根据所设定的目标函数,计算粒子更新位置后的适应度值fi。若粒子i的适应度值优于此前个体最优解pBesti,则将其值设为pBesti;若最佳pBesti优于此前全局最优解gBest,则将其值设为gBest。
5)如果达到最大迭代次数,则停止计算;否则返回第3)步。
通过上述可知,与传统的同步发电机组相比,新能源发电设备各控制环节的耦合较为紧密,难以通过外部单一扰动或内部模块分割的方式辨识控制参数;且新能源发电设备存在多时间尺度特性,不同的扰动特性与不同的控制参数关联较大,其规律较为复杂。
发明内容
针对上述问题,本发明提出了一种基于多试验场景的新能源机组参数辨识方法,包括:
根据新能源发电设备的实际工程场景,搭建用于参数辨识的试验系统;
针对试验系统进行扰动试验,获取新能源发电设备的多场景时频域响应曲线;
构建与试验系统相对应的模拟系统,将需要辨识的新能源发电设备参数组视为粒子群优化算法的待优化参数,并随机初始化粒子群
将粒子群中每个粒子对应的参数组代入模拟系统进行计算,直至计算结果满足计算的终止条件,并确定最优参数组,所述最优参数组即为参数辨识结果。
可选的,扰动试验,包括:电网接地故障扰动,新能源发电设备功率阶跃扰动,新能源发电设备正弦小信号扰动,降低电网侧短路容量或电网侧接入串联补偿电容扰动。
可选的,多场景时频域响应曲线,包括:
施加电网接地故障扰动后,获取的新能源发电设备功率曲线;
施加新能源发电设备功率阶跃扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据;
施加新能源发电设备正弦小信号扰动后,获取的任意电气量对扰动的频率响应曲线;
施加降低电网侧短路容量或电网侧接入串联补偿电容扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据。
可选的,模拟系统具体为数字仿真模型,或根据数字仿真模型建立的线性化数学模型。
可选的,将粒子群中每个粒子对应的参数组代入模拟系统进行计算,具体为:
针对模拟系统进行模拟扰动试验,获取模拟试验的曲线数据,针对曲线数据与多场景时频域响应曲线的加权误差作为粒子群中粒子的适应度值;
对粒子群中粒子对应的参数组,根据适应度值计算个体最优解及全局最优解,若全局最优解满足收敛条件或迭代次数达到限值,将全局最优解作为最优参数组。
本发明还提出了一种基于多试验场景的新能源机组参数辨识系统,包括:
数据采集单元,获取新能源发电设备扰动试验的多场景时频域响应曲线;
模拟初始化单元,构建新能源发电设备的待辨识参数组,将所述待辨识参数组视为粒子群优化算法的待优化参数,并随机初始化粒子群;
模拟辨识单元,将粒子群中每个粒子对应的参数组代入模拟系统进行计算,直至计算结果满足计算的终止条件,并确定最优参数组,所述最优参数组即为参数辨识结果。
可选的,扰动试验,包括:电网接地故障扰动,新能源发电设备功率阶跃扰动,新能源发电设备正弦小信号扰动,降低电网侧短路容量或电网侧接入串联补偿电容扰动。
可选的,多场景时频域响应曲线,包括:
施加电网接地故障扰动后,获取的新能源发电设备功率曲线;
施加新能源发电设备功率阶跃扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据;
施加新能源发电设备正弦小信号扰动后,获取的任意电气量对扰动的频率响应曲线;施加降低电网侧短路容量或电网侧接入串联补偿电容扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据。
可选的,模拟系统具体为数字仿真模型,或根据数字仿真模型建立的线性化数学模型。
可选的,将粒子群中每个粒子对应的参数组代入模拟系统进行计算,具体为:
针对模拟系统进行模拟扰动试验,获取模拟试验的曲线数据,针对曲线数据与多场景时频域响应曲线的加权误差作为粒子群中粒子的适应度值;
对粒子群中粒子对应的参数组,根据适应度值计算个体最优解及全局最优解,若全局最优解满足收敛条件或迭代次数达到限值,将全局最优解作为最优参数组。
本发明基于多种扰动试验场景,获取新能源发电设备在多个时间尺度的响应特性,克服了传统单一试验场景难以辨识多个控制参数的局限性,能够更准确的进行参数辨识;
本发明采用粒子群优化算法进行多个试验场景的综合辨识,有利于实现多辨识目标的统一,同时提高了参数辨识的精度和效率。
附图说明
图1为本发明背景技术中直驱风电机组的基本拓扑及控制原理图;
图2为本发明背景技术中直驱风机/双馈风机接入简化电网示意图;
图3为本发明的方法流程图;
图4为本发明的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
下面结合具体实施例对本发明进行进一步的说明:
本发明提出了一种基于多试验场景的新能源机组参数辨识方法,如图3所示,包括:
根据新能源发电设备的实际工程场景,搭建用于参数辨识的试验系统;
针对试验系统进行扰动试验,获取新能源发电设备的多场景时频域响应曲线;
构建与试验系统相对应的模拟系统,将需要辨识的新能源发电设备参数组视为粒子群优化算法的待优化参数,并随机初始化粒子群
将粒子群中每个粒子对应的参数组代入模拟系统进行计算,直至计算结果满足计算的终止条件,并确定最优参数组,所述最优参数组即为参数辨识结果。
上述方法具体说明如下:
试验系统与模拟系统的构建。
试验系统是实际工程场景,或接近于实际工程的仿真场景;而仿照试验系统建立的用于参数辨识的系统,称为模拟系统。
试验系统可采用两种方式实现,一是含新能源发电设备的实际电力系统,二是在数字—模拟混合仿真平台中接入新能源发电设备物理控制器,形成接近实际设备特性的仿真试验系统。
模拟系统包括两类模型,一是在电磁暂态仿真软件中建立的数字仿真模型,二是基于该数字仿真模型,通过推导建立线性化数学模型。
在试验系统中,分别进行如下4种扰动试验:
1)施加电网接地故障,获取新能源发电设备功率曲线;
2)施加新能源发电设备功率阶跃扰动,获取动态过程中系统主导振荡模式的频率和阻尼;
3)新能源发电设备正弦小信号扰动,获取任意电气量对该扰动的频率响应曲线;
4)降低电网侧短路容量或电网侧接入串联补偿电容,获取扰动后系统功率曲线,以及主导振荡模式的频率和阻尼。
参数优化辨识过程,如下包括:
步骤1:构建一个待辨识参数组,其中包括新能源发电设备的电流控制、直流电压控制、功率控制、锁相环等环节的控制参数。将该参数组视为粒子群优化算法的待优化参数,并随机初始化粒子群。
步骤2:将每个粒子对应的参数组代入模拟系统,对试验过程进行模拟分析,并获取分析结果,即模拟试验的曲线数据,将分析结果与实际试验结果即多场景时频域响应曲线的加权误差作为该粒子的适应度值。获取全部粒子的适应度值,记录对应的参数组,并计算个体最优解和全局最优解。
粒子适应度值计算使用的目标函数如下:
其中,下标T代表试验结果,下标S代表模拟分析结果,其后面数字代表试验序号;er代表误差,k1、k2、k3和k4为权重系数;N为时间或频率的总采样数;PT1(n)和QT1(n)分别表示试验获取的第n个时间步长的有功功率和无功功率值;λT2(n)表示根据试验曲线通过模式分析得到的系统主导特征值,λS2(n)表示通过线性化模型直接计算的系统主导特征值,系统主导特征值的实部代表该振荡模式的频率,虚部代表该振荡模式的阻尼;YT3(n)表示通过试验系统频率扫描得到的第n个频率点的新能源发电设备输入导纳值。
步骤3:基于粒子群优化算法的迭代公式,循环进行步骤2,直至满足迭代中止条件。将所获取的最优参数组作为参数辨识结果。
本发明还提出了一种基于多试验场景的新能源机组参数辨识系统200,如图4所示,包括:
数据采集单元201,获取新能源发电设备扰动试验的多场景时频域响应曲线;
模拟初始化单元202,构建新能源发电设备的待辨识参数组,将所述待辨识参数组视为粒子群优化算法的待优化参数,并随机初始化粒子群;
模拟辨识单元203,将粒子群中每个粒子对应的参数组代入模拟系统进行计算,直至计算结果满足计算的终止条件,并确定最优参数组,所述最优参数组即为参数辨识结果。
其中,扰动试验,包括:电网接地故障扰动,新能源发电设备功率阶跃扰动,新能源发电设备正弦小信号扰动,降低电网侧短路容量或电网侧接入串联补偿电容扰动。
其中,扰动试验,包括:电网接地故障扰动,新能源发电设备功率阶跃扰动,新能源发电设备正弦小信号扰动,降低电网侧短路容量或电网侧接入串联补偿电容扰动。
其中,多场景时频域响应曲线,包括:
施加电网接地故障扰动后,获取的新能源发电设备功率曲线;
施加新能源发电设备功率阶跃扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据;
施加新能源发电设备正弦小信号扰动后,获取的任意电气量对扰动的频率响应曲线;施加降低电网侧短路容量或电网侧接入串联补偿电容扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据。
其中,模拟系统具体为数字仿真模型,或根据数字仿真模型建立的线性化数学模型。
其中,将粒子群中每个粒子对应的参数组代入模拟系统进行计算,具体为:
针对模拟系统进行模拟扰动试验,获取模拟试验的曲线数据,针对曲线数据与多场景时频域响应曲线的加权误差作为粒子群中粒子的适应度值;
对粒子群中粒子对应的参数组,根据适应度值计算个体最优解及全局最优解,若全局最优解满足收敛条件或迭代次数达到限值,将全局最优解作为最优参数组。
本发明基于多种扰动试验场景,获取新能源发电设备在多个时间尺度的响应特性,克服了传统单一试验场景难以辨识多个控制参数的局限性,能够更准确的进行参数辨识;
本发明采用粒子群优化算法进行多个试验场景的综合辨识,有利于实现多辨识目标的统一,同时提高了参数辨识的精度和效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多试验场景的新能源机组参数辨识方法,所述方法包括:
根据新能源发电设备的实际工程场景,搭建用于参数辨识的试验系统;
针对试验系统进行扰动试验,获取新能源发电设备的多场景时频域响应曲线;
构建与试验系统相对应的模拟系统,将需要辨识的新能源发电设备参数组视为粒子群优化算法的待优化参数,并随机初始化粒子群
将粒子群中每个粒子对应的参数组代入模拟系统进行计算,直至计算结果满足计算的终止条件,并确定最优参数组,所述最优参数组即为参数辨识结果。
2.根据权利要求1所述的方法,所述扰动试验,包括:电网接地故障扰动,新能源发电设备功率阶跃扰动,新能源发电设备正弦小信号扰动,降低电网侧短路容量或电网侧接入串联补偿电容扰动。
3.根据权利要求1所述的方法,所述多场景时频域响应曲线,包括:
施加电网接地故障扰动后,获取的新能源发电设备功率曲线;
施加新能源发电设备功率阶跃扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据;
施加新能源发电设备正弦小信号扰动后,获取的任意电气量对扰动的频率响应曲线;
施加降低电网侧短路容量或电网侧接入串联补偿电容扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据。
4.根据权利要求1所述的方法,所述模拟系统具体为数字仿真模型,或根据数字仿真模型建立的线性化数学模型。
5.根据权利要求1所述的方法,所述将粒子群中每个粒子对应的参数组代入模拟系统进行计算,具体为:
针对模拟系统进行模拟扰动试验,获取模拟试验的曲线数据,针对曲线数据与多场景时频域响应曲线的加权误差作为粒子群中粒子的适应度值;
对粒子群中粒子对应的参数组,根据适应度值计算个体最优解及全局最优解,若全局最优解满足收敛条件或迭代次数达到限值,将全局最优解作为最优参数组。
6.一种基于多试验场景的新能源机组参数辨识系统,所述系统包括:
数据采集单元,获取新能源发电设备扰动试验的多场景时频域响应曲线;
模拟初始化单元,构建新能源发电设备的待辨识参数组,将所述待辨识参数组视为粒子群优化算法的待优化参数,并随机初始化粒子群;
模拟辨识单元,将粒子群中每个粒子对应的参数组代入模拟系统进行计算,直至计算结果满足计算的终止条件,并确定最优参数组,所述最优参数组即为参数辨识结果。
7.根据权利要求6所述的系统,所述扰动试验,包括:电网接地故障扰动,新能源发电设备功率阶跃扰动,新能源发电设备正弦小信号扰动,降低电网侧短路容量或电网侧接入串联补偿电容扰动。
8.根据权利要求6所述的系统,所述多场景时频域响应曲线,包括:
施加电网接地故障扰动后,获取的新能源发电设备功率曲线;
施加新能源发电设备功率阶跃扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据;
施加新能源发电设备正弦小信号扰动后,获取的任意电气量对扰动的频率响应曲线;施加降低电网侧短路容量或电网侧接入串联补偿电容扰动后,获取的功率曲线,以及主导振荡模式的频率和阻尼数据。
9.根据权利要求6所述的系统,所述模拟系统具体为数字仿真模型,或根据数字仿真模型建立的线性化数学模型。
10.根据权利要求6所述的系统,所述将粒子群中每个粒子对应的参数组代入模拟系统进行计算,具体为:
针对模拟系统进行模拟扰动试验,获取模拟试验的曲线数据,针对曲线数据与多场景时频域响应曲线的加权误差作为粒子群中粒子的适应度值;
对粒子群中粒子对应的参数组,根据适应度值计算个体最优解及全局最优解,若全局最优解满足收敛条件或迭代次数达到限值,将全局最优解作为最优参数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829711.XA CN113721461A (zh) | 2021-07-22 | 2021-07-22 | 一种基于多试验场景的新能源机组参数辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829711.XA CN113721461A (zh) | 2021-07-22 | 2021-07-22 | 一种基于多试验场景的新能源机组参数辨识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113721461A true CN113721461A (zh) | 2021-11-30 |
Family
ID=78673663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110829711.XA Pending CN113721461A (zh) | 2021-07-22 | 2021-07-22 | 一种基于多试验场景的新能源机组参数辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113721461A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116169687A (zh) * | 2023-04-26 | 2023-05-26 | 华北电力科学研究院有限责任公司 | 一种多类型新能源发电单元的电压控制方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529698A (zh) * | 2013-10-17 | 2014-01-22 | 广东电网公司电力科学研究院 | 发电机调速系统参数辨识方法 |
CN107798199A (zh) * | 2017-11-09 | 2018-03-13 | 华中科技大学 | 一种水电机组参数闭环辨识方法 |
CN108649562A (zh) * | 2018-05-04 | 2018-10-12 | 华北水利水电大学 | 一种基于苍狼算法的电力系统负荷建模参数辨识方法 |
CN112329323A (zh) * | 2020-10-12 | 2021-02-05 | 南京理工大学 | 基于粒子群算法的不同控制策略下vsg参数量化方法 |
CN113139295A (zh) * | 2021-04-30 | 2021-07-20 | 清华大学 | 电力系统综合状态估计方法及系统 |
-
2021
- 2021-07-22 CN CN202110829711.XA patent/CN113721461A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529698A (zh) * | 2013-10-17 | 2014-01-22 | 广东电网公司电力科学研究院 | 发电机调速系统参数辨识方法 |
CN107798199A (zh) * | 2017-11-09 | 2018-03-13 | 华中科技大学 | 一种水电机组参数闭环辨识方法 |
CN108649562A (zh) * | 2018-05-04 | 2018-10-12 | 华北水利水电大学 | 一种基于苍狼算法的电力系统负荷建模参数辨识方法 |
CN112329323A (zh) * | 2020-10-12 | 2021-02-05 | 南京理工大学 | 基于粒子群算法的不同控制策略下vsg参数量化方法 |
CN113139295A (zh) * | 2021-04-30 | 2021-07-20 | 清华大学 | 电力系统综合状态估计方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116169687A (zh) * | 2023-04-26 | 2023-05-26 | 华北电力科学研究院有限责任公司 | 一种多类型新能源发电单元的电压控制方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN109672221B (zh) | 一种用于次同步振荡分析的直驱风电场动态等值方法 | |
CN109670213A (zh) | 一种风电场多机等值建模方法及装置 | |
CN103810646B (zh) | 一种基于改进投影积分算法的有源配电系统动态仿真方法 | |
CN106684885B (zh) | 基于多场景分析的风电机组配电网无功优化方法 | |
CN106383947B (zh) | 风电场集电网络动态等值参数的快速获取方法 | |
CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及系统 | |
CN115358079B (zh) | 风电场场站实时仿真模型的构建方法和阻抗特性评估方法 | |
CN111224404B (zh) | 含可控移相器的电力系统潮流快速控制方法 | |
Wang et al. | Dynamic equivalent method of PMSG‐based wind farm for power system stability analysis | |
Jaber et al. | A new parameters identification of single area power system based LFC using Segmentation Particle Swarm Optimization (SePSO) algorithm | |
CN114884094A (zh) | 一种风电场阻抗特性监测方法、系统、设备和介质 | |
CN113721461A (zh) | 一种基于多试验场景的新能源机组参数辨识方法及系统 | |
CN112821420B (zh) | 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及系统 | |
CN112072692A (zh) | 一种新能源发电场站的阻抗等值方法及装置 | |
CN105303319A (zh) | 一种基于运行数据的风电场动态分群等值方法 | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
Ghosh et al. | Non-linear stability boundary assessment of offshore wind power plants under large grid disturbances | |
CN114465280A (zh) | 一种新能源并网系统动态等效建模方法 | |
CN111181461A (zh) | 一种基于电阻在线辨识的dfig定子磁通观测器及方法 | |
Zhang et al. | Parameter identification of hvdc transmission system model based on intelligent optimization algorithm | |
CN111651939A (zh) | 计及变流器控制参数差异的永磁风电场动态等值建模方法 | |
CN111639463A (zh) | 一种基于XGBoost算法的电力系统扰动后频率特征预测方法 | |
CN111179110A (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 | |
Veloso et al. | Application of model order reduction to a DFIG-based wind farm in the chilean system |
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 |