CN113725898A - 一种基于叠加m序列的双馈风力发电机变流器控制系统参数辨识方法 - Google Patents

Abstract

本发明公开了一种基于叠加M序列的双馈风力发电机变流器控制系统参数辨识方法，该辨识方法建立转子侧变流器双输入单输出等效模型，利用M序列的持续激励性质，对定转子电流测量信号叠加小幅值三相M序列，基于正余弦优化算法对输入输出数据寻优拟合得到控制器PI参数辨识值。基于二次测量信号叠加M序列的参数辨识方法可以避免控制器陷入非线性工作区间，同时仅需对定转子测量信号叠加激励信号避免了对控制过程中间状态变量进行操作，提高了工程实用性。同时，得益于M序列的持续激励，对控制参数辨识误差小于5％，辨识精度较高，对建立双馈风机准确数学模型具有重大意义。

Description

一种基于叠加M序列的双馈风力发电机变流器控制系统参数 辨识方法

技术领域

本发明涉及双馈风力发电机，具体为一种参数辨识方法，适用于对双馈风力发电机变流器控制系统PI参数的辨识，从而获取变流器控制系统准确的控制参数，为电力系统数字仿真分析提供更加准确的数学模型，对提高双馈风机系统数字仿真结果的可靠性具有重大意义。

背景技术

近年来风力发电发展迅速，装机规模快速增加，未来电网风电渗透率将持续走高。与此同时，高比例风电并网背景下的电网安全稳定运行问题日趋严重。目前电网分析主要依靠数字仿真或混合仿真，准确的模型和参数是获得正确仿真结果的必要条件，因此对风机控制器的参数辨识具有重要的研究意义。

参数辨识要求输入信号满足持续激励条件，目前对风力发电机参数辨识常用的激励方法有采用一次侧制造三相短路产生电压跌落，在控制系统参考值处设置阶跃扰动，输入变量直接叠加伪随机序列激励法。对于一次侧三相短路激励方法而言，若电压跌落过大容易导致控制系统陷入非线性工作区而无法得到有效的输入输出数据；对于控制系统参考值设置阶跃扰动的激励方法而言，存在部分厂家控制器无法实现人工设置参考值阶跃变化的问题；对于直接叠加伪随机序列的激励法，由于系统的输入为实际风机控制器的中间变量，在不修改控制器的前提下无法实现对输入量叠加伪随机序列。

本发明建立双馈风电机组转子侧变流器(Rotor Side Conventer，RSC)控制系统双输入单输出等效辨识模型，利用M序列的持续激励特点，从二次侧出发通过对定转子电流测量信号叠加三相M序列激励信号，在避免控制器陷入非线性工作区间的前提下，基于智能优化算法，实现对RSC控制系统功率外环和电流内环的比例、积分参数进行辨识。

发明内容

本发明针对双馈风力发电机转子侧变流器，利用M序列的持续激励性质，设计了一种基于叠加M序列的双馈风机转子侧变流器参数辨识方法，该辨识方法建立转子侧变流器双输入单输出等效模型，利用M序列的持续激励性质，对定转子电流测量信号叠加小幅值三相M序列，基于正余弦优化算法对输入输出数据寻优辨识得到控制器PI参数辨识值，本发明对该辨识方法的原理、实现步骤、以及相关参数进行了介绍，并公开了基于该辨识方法的双馈风机变流器控制参数的辨识。

本发明的一种基于叠加M序列的双馈风力发电机变流器控制系统参数辨识方法，其特征在于，基于定义：

定义一、双馈风力发电机RSC控制系统的输入输出变量，包括有功控制环输入量u₁、u₂和输出量y₁，以及无功控制环的输入量u₃、u₄和输出量y₂，表达式中P_sref、P_s、Q_sref和Q_s分别为定子有功参考值、输出有功、无功参考值和输出无功；i_rdref、i_rd、i_rqref和i_rq分别为转子电流d轴参考值、d轴分量、q轴参考值和q轴分量；R_r为转子电阻，σ为漏磁系数，L_r为转子绕组自感；

定义二、基于双输入单输出离散数学模型建立的拟合误差最小的优化目标函数如下式所示，其中Q为优化目标函数，y(k)为测量输出量，

为信息向量，其由输入变量u₁(k)、u₁(k-1)、u₁(k-2)、u₂(k)、u₂(k-1)、u₂(k-1)构成，

为参数向量，其由离散域待辨识参数

构成；

包含以下步骤：

步骤1，针对二次侧，对正常运行控制器的输入变量定转子电流叠加三相M序列激励信号，采集叠加激励信号的控制系统输入输出变量数据；

步骤2，利用正余弦优化算法(Sine Cosine Algorithm，SCA)基于输入输出数据对建立的优化目标函数寻优求解，寻优结果即为变流器控制参数辨识结果。

在上述的一种基于叠加M序列的双馈风力发电机变流器参数辨识方法，所述步骤1中叠加三相M序列激励信号的方法如下：从二次侧测量信号出发，在测量信号上叠加三相M序列信号，利用锁相环生成三相M序列，并将三相M序列与定转子电流叠加，将叠加三相M序列后的定转子电流信号作为RSC控制器的电流输入信号，实现对RSC有功控制环与无功控制环的辨识激励。

在上述的一种基于叠加M序列的双馈风力发电机变流器参数辨识方法，所述步骤1具体包括：

步骤1.1、首先对有功功率控制环，u₁与有功功率P有关，P的计算公式如下：

P＝u_sdi_sd+u_sqi_sq

其中u_sd、u_sq、i_sd和i_sq分别为定子电压dq轴分量和定子电流dq轴分量；伪随机序列m₁和m₂经坐标变换后得到三相形式的M序列信号i_sm，将该信号与定子电流测量信号i_s叠加后得到的电流信号i_s’作为RSC控制系统的定子电流输入信号，此时有：

u'₁＝P_sref-P'_s＝P_sref-(u_sdi'_sd+u_sqi'_sq)

＝u₁-(u_sd+u_sq)m₁

间接实现对输入u₁叠加伪随机序列，u₂与转子电流q轴分量i_rq有关，将转子电流叠加三相M序列信号作为RSC的转子电流输入信号，此时有：

u'₂＝u₂-m₂

此时，可间接实现对输入u₂叠加伪随机信号，从而实现对有功控制环的持续激励；

步骤1.2、对无功控制环，在叠加三相M序列激励信号后有：

对二次侧定转子电流信号叠加三相M序列激励法也能实现对无功控制环输入u₃和u₄叠加伪随机信号，实现对无功控制环的持续激励。

在上述的一种基于叠加M序列的双馈风力发电机变流器参数辨识方法，所述步骤2，SCA寻优求解过程是利用SCA进行控制参数寻优辨识的方法，寻优过程分为全局探索和局部开发两个阶段，种群中个体的更新方程如下式所示：

式中X表示种群，i,j分别为种群中个体编号和维度，t为迭代次数，P为最优适应度，r₁,r₂,r₃,r₄为随机因子；其中自适应变量r₁决定于寻优过程偏向全局搜索或局部寻优，由下式可知，第一阶段，迭代次数t小而r₁大，此为全局探索阶段；

随着迭代次数t增大因而r1减小，此时SCA为局部开发阶段，通过先全局后局部的寻优方式有效避免陷入局部最优，提高寻优精度；

式中，T_max为最大迭代次数，a为常数；基于SCA的寻优辨识过程如下，其中步骤2.6中Q_min为寻优算法最优适应度，ε为临界适应度值；

步骤2.1：初始化SCA基本参数，设置种群个体为N，最大迭代次数M次，k_p1、k_i1、k_p2和k_i2为个体的位置参数；

步骤2.2：初始化种群，随机生成每个个体位置；

步骤2.3：按定义2的优化目标函数公式计算所有解的适应度；

步骤2.4：更新最优适应度和全局最优位置；

步骤2.5：按种群中个体的更新方程公式更新解的位置；

步骤2.6：若满足Q_min<ε或达到最大迭代次数，则终止迭代，输出最优解即为辨识结果，否则重复步骤2.3-2.5直至满足Q_min<ε或达到最大迭代次数，则终止迭代。

本发明与现有技术相比，具有以下优点和效果：与一次侧三相短路激励方法、控制系统参考值设置阶跃扰动激励法、直接叠加M序列激励法对比，基于二次测量信号叠加M序列的参数辨识方法可以避免控制器陷入非线性工作区间，同时仅需对定转子测量信号叠加激励信号避免了对控制器中间变量进行操作，提高了工程实用性。对双输入单输出系统进行寻优辨识避免级联控制器的分步辨识，所用SCA优化算法操作简便，能够合理搜寻到全局最优值，为参数辨识一致性提供了有力支撑。

附图说明

图1为典型RSC控制系统框图。

图2为等效双输入单输出系统模型。

图3为转子变流器有功控制环的三相M序列激励方法。

图4为基于SCA的辨识算法步骤框图。

图5为M序列原理图。

图6为M序列功率谱密度。

图7为直接叠加M序列激励法辨识原理验证。

图8a为叠加序列m₁时序图。

图8b为叠加序列m₂时序图。

图9为基于PSCAD/EMTDC平台的双馈风机并网模型。

图10为有功控制环直接叠加M序列激励法。

图11为有功控制环直接叠加M序列激励与无激励输入信号对比。

图12为无功控制环直接叠加M序列激励法。

图13为无功控制环直接叠加M序列激励与无激励输入信号对比。

图14为三相M序列激励法与无激励信号的输入信号对比。

图15为故障工况下原系统与辨识模型有功输出对比。

具体实施方式

下面介绍所提出一种基于叠加M序列的双馈风力发电机变流器参数辨识方法，并结合具体实例进行分析计算。

下面依次来介绍本发明涉及的理论基础和方法。

一、首先介绍本发明的相关原理

1.M序列持续激励原理

参数辨识要求输入信号满足持续激励条件，即信号的功率谱密度在待辨识系统动态响应频带范围内不为零，通过充分激励系统的动态响应特性以实现参数辨识的一致性。为满足持续激励条件，要求激励信号相对辨识系统具有足够宽的频带，如果待辨识对象的通频带为ω_min＜ω＜ω_max，则要求输入信号的功率谱密度在[ω_min,ω_max]范围内不等于零。

M序列是最长线性反馈移位寄存器序列的简称，是一种典型的伪随机序列。移位寄存器由时钟控制若干串联寄存器构成，寄存器的输出进行异或运算,结果反馈为第一级寄存器的输入。如5所示，5级M序列的工作原理是：5个移位寄存器的初态非全零，一个移位脉冲来到后，每级移位寄存器的输出到下一级移位寄存器作为输入，移位寄存器A₁的输入由后级移位寄存器通过模二加法门反馈得到，移位寄存器A₅的输出即为伪随机二进制序列，即M序列。

M序列的功率谱密度表达式为：

其中，a为M序列幅值，N为M序列循环周期，

为基频，_Δ为移位脉冲周期，T为M序列周期，其表达式为T＝NΔ。

由式(14)可知：S_xx(ω)是以

为包络线的线条谱，当k为N的整数倍时S_xx(ω)＝0，M序列功率谱密度如图6所示；当

时，

因此M序列的频带B≈1/3Δ。为使M序列的有效频带能够覆盖被辨识系统的重要工作频率区，应满足式(2)：

考虑RSC控制器外环PI控制的响应频带为数Hz至数十Hz，内环PI控制的响应频带为数十Hz至数百Hz，同时为保证信号满足持续激励条件，本文选取M序列移位脉冲频率为1000Hz。M序列的幅值a则根据待辨识系统的线性运行范围和允许的信噪比确定，因为a太大易引起控制器输出饱和，a太小会导致M序列无法对控制器充分激励。考虑实际控制器的输出限幅设计值无法获取，为了避免信号激励导致控制器输出的饱和非线性，实际运用中可根据风机启动工况下控制器反馈输入最大值的5％～10％确定a大小。对处于稳定运行的双馈风力发电机有功与无功控制环的双输入变量直接叠加该M序列，可实现对控制系统的持续激励，运行得到输入输出数据，通过辨识算法即可得到RSC控制器比例、积分参数辨识值。

2.叠加三相M序列激励原理

首先对有功功率控制环，观察式(3)可知u₁与有功功率P有关，P的计算公式如下：

P＝u_sdi_sd+u_sqi_sq (3)

其中u_sd、u_sq、i_sd和i_sq分别为定子电压dq轴分量和定子电流dq轴分量。如图3所示，伪随机序列m₁和m₂经坐标变换后得到三相形式的M序列信号i_sm，将该信号与定子电流测量信号i_s叠加后得到的电流信号i_s’作为RSC控制系统的定子电流输入信号，此时有：

如式(17)所示，可间接实现对输入u₁叠加伪随机序列，同理，u₂与转子电流q轴分量i_rq有关，将转子电流叠加三相M序列信号作为RSC的转子电流输入信号，此时有：

u'₂＝u₂-m₂ (5)

此时，可间接实现对输入u₂叠加伪随机信号，从而实现对有功控制环的持续激励。同样地，无功控制环在叠加三相M序列激励信号后有：

如式(6)所示，对二次侧定转子电流信号叠加三相M序列激励法也能实现对无功控制环输入u₃和u₄叠加伪随机信号，实现对无功控制环的持续激励。

3.正余弦优化算法原理

SCA是一种新颖的随机优化算法，主要利用正弦函数和余弦函数的波动性与周期性来搜索和迭代，从而达到寻优目的。SCA是澳大利亚学者Mirjalili于2016年提出，属于群体智能优化算法中的一种，与传统的群体智能优化算法相比，具有独特的优势，其利用正弦余弦函数的性质，使优化问题的解如同正余弦函数般趋于全局最优，并且算法中的自适应参数和随机性参数较好地平衡了算法的探索和开发能力，在各类寻优问题中能够较好的得出最优解。

二、下面介绍采用上述原理的具体方法，具体包括：

步骤1，确定双馈风力发电机RSC控制系统的输入输出变量，建立双输入单输出离散数学模型，得到拟合误差最小的优化目标函数。

步骤2，从二次侧出发，对正常运行控制器的输入变量定转子电流叠加三相M序列激励信号，采集叠加激励信号的控制系统输入输出变量数据。

步骤3，利用正余弦优化算法(Sine Cosine Algorithm，SCA)基于输入输出数据对建立的优化目标函数寻优求解，寻优结果即为变流器控制参数辨识结果。

步骤1，得到优化目标函数的方法如下：

图1所示为双馈风力发电机RSC的典型控制系统框图，其是由功率外环和电流内环构成的双闭环系统。图中，k_p1、k_i1、k_p2和k_i2分别为有功外环比例、积分参数和电流内环比例、积分参数；k_p3、k_i3、k_p4和k_i4分别为无功外环比例、积分参数和电流内环比例、积分参数；P_sref、P_s、Q_sref和Q_s分别为定子有功参考值、输出有功、无功参考值和输出无功；i_rdref、i_rd、i_rqref和i_rq分别为转子电流d轴参考值、d轴分量、q轴参考值和q轴分量。

为实现对RSC中PI控制器参数进行辨识，首先需要明确输入输出量。当忽略图1所示控制器间的耦合项，RSC控制器的有功控制环和无功控制环均可以等效为图2所示的双输入单输出系统，其中u₁、u₂和y₁与u₃、u₄和y₂分别为有功与无功控制环的输入输出量。

结合图1与图2易得出：

双馈感应电机在dq坐标系下的转子电压方程为：

式(8)中u_rd、u_rq分别为转子电压d轴分量、q轴分量； ψ_rd、 ψ_rq分别为转子磁链d轴分量、q轴分量；R_r、ω_s、s分别为转子电阻、定子电压角频率、转差率。其中，转子磁链方程如式(9)所示：

式(9)中L_m为定转子绕组间互感，L_r为转子绕组自感。i_sd、i_sq分别为定子电流d轴、q轴分量。

在定子电压定向到q轴的矢量控制策略下，联立式(7)与式(8)可得：

式(10)中σ为漏磁系数，其表达式为σ＝1-L_m/L_rL_s。忽略高频电力电子变流器的时滞，可以认为：

结合图1与式(10)和式(11)可得到双闭环PI控制器输出量表达式为：

式(12)中，R_r、L_r和σ为电机参数，i_rd和i_rq为转子电流d轴、q轴分量。通过电机参数查询和转子电流测量，可依据该等效辨识数学模型获得y₁和y₂输出。仅以有功控制环为例，可以写出双闭环控制系统的传递函数表达式：

为辨识式(13)所示双输入单输出系统的PI控制器参数，需要对其进行离散化处理。由于Tustin变换法可以保证模型离散化前后稳定性不变，既不改变其稳态增益，又接近准确值，因此本文采用Tustin变换法进行离散化。将

代入式(13)可以得到：

其中：

式(15)中Tustin变换系数c与采样时间_T满足c＝2/T，假设y'(k)＝y₁(k)-2y₁(k-1)+y₁(k-2)，则式(14)可重写为：

式(16)即为双输入单输出等效辨识系统数学模型。则可根据拟合误差最小原则构建优化目标函数：

步骤2，叠加三相M序列激励信号的方法如下(采用原理第2点)：考虑到控制器之所以发生动作，是因为二次侧的测量回路检测到了一次侧电气量的变化，量测信号送入控制器后才激发了控制器的响应。因此，本发明从二次侧测量信号出发，提出一种在测量信号上叠加三相M序列信号的参数辨识激励方法。如图3所示，利用锁相环生成三相M序列，并将三相M序列与定转子电流叠加，将叠加三相M序列后的定转子电流信号作为RSC控制器的电流输入信号，实现对RSC有功控制环与无功控制环的辨识激励。

步骤3，SCA寻优求解过程如下(采用原理第3点)：

利用SCA进行控制参数寻优辨识的方法，其寻优过程分为全局探索和局部开发两个阶段，种群中个体的更新方程如式(18)所示：

式(18)中X表示种群，i,j分别为种群中个体编号和维度，t为迭代次数，P为最优适应度，r₁,r₂,r₃,r₄为随机因子。其中自适应变量r₁决定于寻优过程偏向全局搜索或局部寻优，由式(19)可知，随着迭代次数t的增加，r₁逐渐由大变小，因此SCA能通过先全局探索后局部开发的方式避免陷入局部最优，有效提高寻优精度。

式中，T_max为最大迭代次数，a为常数。如图4所示，基于SCA的寻优辨识过程为：

Step1：初始化SCA基本参数，设置种群个体为50，最大迭代次数50次，k_p1、k_i1、k_p2和k_i2为个体的位置参数；

Step2：初始化种群，随机生成每个个体位置；

Step3：按定义2的优化目标函数公式计算所有解的适应度；

Step4：更新最优适应度和全局最优位置；

Step5：按种群中个体的更新方程公式更新解的位置；

Step6：若满足Q_min<ε或达到最大迭代次数，则终止迭代，输出最优解即为辨识结果，否则重复Step3-5直至满足Q_min<ε或达到最大迭代次数，则终止迭代。

三、下面结合上述方法进行具体实例的说明，其步骤如下：

步骤1：首先对直接叠加M序列激励法对双输入单输出等效辨识模型进行寻优辨识。如图7所示，在MATLAB/SIMULINK平台搭建两输入单输出等效系统的传递函数模型，使用两M序列作为系统的激励信号，其激励信号时序图如图8a、图8b所示，仿真运行并采集输入输出数据。最后，利用SCA进行寻优辨识。结果如表1所示，可以看出理论表明各参数相对误差很小，表明基于SCA的直接叠加M序列激励的辨识方法双输入单输出模型的辨识方法具有可行性。

表1基于SCA的直接叠加M序列激励法仿真结果

步骤2：如图10所示，采取在有功控制环双输入变量中直接叠加M序列信号，实现对RSC控制系统的持续激励。

仿真运行双馈风机并网系统，采样得到输入信号u₁、u₂和输出信号y₁。如图11所示，以u₁为例，可以发现在稳定运行时，无激励时RSC有功控制环输入u₁在0.01附近小范围波动，而采取直接叠加M序列激励信号后，u₁上叠加了伪随机序列，从而实现对控制系统的持续激励。基于SCA对直接叠加激励时的输入输出数据寻优辨识，得到辨识结果如表2所示：

表2有功控制环直接叠加M序列激励法辨识结果

表2结果显示，有功控制环参数k_p1、k_i1、k_p2和k_i2的辨识误差较小，说明基于SCA的双输入变量直接叠加M序列激励法对有功控制环的辨识效果良好。

同理如图12所示，对无功控制环两输入变量直接叠加M序列信号得到此时的u₃波形如图13所示。可以看出无激励时RSC无功控制环输入u₃在0.01附近小范围波动，而采取直接叠加M序列法后，u₃上叠加了伪随机序列，从而实现对控制系统的持续激励。基于SCA对输入输出数据进行寻优辨识，结果：

表3无功控制环直接叠加M序列激励法辨识结果

由表3可知，无功控制内外环比例、积分参数的辨识误差均较小，说明基于SCA的M序列直接激励法对无功控制环的辨识效果良好。

步骤3：依据图3所示方法，对二次侧测量信号定子电流和转子电流叠加三相M序列信号，将生成的定子电流和转子电流作为RSC的输入定转子电流，仿真运行得到此时RSC输入u₁和u₃如图14所示。从图中可以看出，三相M序列激励法可以同时实现在有功和无功控制环输入量叠加伪随机序列，实现对控制系统的持续激励。基于SCA优化算法对三相M序列激励时的输入输出数据寻优，得到辨识结果：

表4三相M序列激励参数辨识结果

由表4可知，有功控制环和无功控制环比例、积分参数相对误差均小于5％，计算输出结果与测量输出结果吻合较好，这说明基于SCA的三相M序列激励辨识法辨识效果良好，具有可行性。

为验证表4参数辨识误差符合精度要求，将系统PI控制器参数设置为表4辨识结果，在一次侧制造系统短路故障，对比辨识参数模型有功功率输出与原系统有功功率输出如图15所示，可以看出辨识参数模型有功输出曲线与原系统较为吻合，说明本文参数辨识方法辨识误差符合精度要求。

Claims (4)

1.一种基于叠加M序列的双馈风力发电机变流器控制系统参数辨识方法，其特征在于，基于定义：

定义一、双馈风力发电机转子侧变流器(Rotor Side Converter,RSC)控制系统的输入输出变量，包括有功控制环输入量u₁、u₂和输出量y₁，以及无功控制环的输入量u₃、u₄和输出量y₂，表达式中P_sref、P_s、Q_sref和Q_s分别为定子有功参考值、输出有功、无功参考值和输出无功；i_rdref、i_rd、i_rqref和i_rq分别为转子电流d轴参考值、d轴分量、q轴参考值和q轴分量；R_r为转子电阻，σ为漏磁系数，L_r为转子绕组自感；

定义二、基于双输入单输出离散数学模型建立的拟合误差最小的优化目标函数如下式所示，其中Q为优化目标函数，y(k)为测量输出量，

为信息向量，其由输入变量u₁(k)、u₁(k-1)、u₁(k-2)、u₂(k)、u₂(k-1)、u₂(k-1)构成，

为参数向量，其由离散域待辨识参数

构成；

包含以下步骤：

步骤1，针对二次侧，对正常运行控制器的输入变量定转子电流叠加三相M序列激励信号，采集叠加激励信号的控制系统输入输出变量数据；

步骤2，利用正余弦优化算法(Sine Cosine Algorithm，SCA)基于输入输出数据对建立的优化目标函数寻优求解，寻优结果即为变流器控制参数辨识结果。

2.根据权利要求1所述的一种基于叠加M序列的双馈风力发电机变流器参数辨识方法，其特征在于，所述步骤1中叠加三相M序列激励信号的方法如下：从二次侧测量信号出发，在测量信号上叠加三相M序列信号，利用锁相环生成三相M序列，并将三相M序列与定转子电流叠加，将叠加三相M序列后的定转子电流信号作为RSC控制器的电流输入信号，实现对RSC有功控制环与无功控制环的辨识激励。

3.根据权利要求1所述的一种基于叠加M序列的双馈风力发电机变流器参数辨识方法，其特征在于，所述步骤1具体包括：

步骤1.1、首先对有功功率控制环，u₁与有功功率P有关，P的计算公式如下：

P＝u_sdi_sd+u_sqi_sq

其中u_sd、u_sq、i_sd和i_sq分别为定子电压dq轴分量和定子电流dq轴分量；伪随机序列m₁和m₂经坐标变换后得到三相形式的M序列信号i_sm，将该信号与定子电流测量信号i_s叠加后得到的电流信号i_s’作为RSC控制系统的定子电流输入信号，此时有：

u′₁＝P_sref-P_s′＝P_sref-(u_sdi_sd′+u_sqi_sq′)

＝u₁-(u_sd+u_sq)m₁

间接实现对输入u₁叠加伪随机序列，u₂与转子电流q轴分量i_rq有关，将转子电流叠加三相M序列信号作为RSC的转子电流输入信号，此时有：

u′₂＝u₂-m₂

此时，可间接实现对输入u₂叠加伪随机信号，从而实现对有功控制环的持续激励；

步骤1.2、对无功控制环，在叠加三相M序列激励信号后有：

对二次侧定转子电流信号叠加三相M序列激励法也能实现对无功控制环输入u₃和u₄叠加伪随机信号，实现对无功控制环的持续激励。

4.根据权利要求1所述的一种基于叠加M序列的双馈风力发电机变流器参数辨识方法，其特征在于，所述步骤2，SCA寻优求解过程是利用SCA进行控制参数寻优辨识的方法，寻优过程分为全局探索和局部开发两个阶段，种群中个体的更新方程如下式所示：

式中X表示种群，i,j分别为种群中个体编号和维度，t为迭代次数，P为最优适应度，r₁,r₂,r₃,r₄为随机因子；其中自适应变量r₁决定于寻优过程偏向全局搜索或局部寻优，由下式可知，第一阶段，迭代次数t小而r₁大，此为全局探索阶段；

随着迭代次数t增大因而r1减小，此时SCA为局部开发阶段，通过先全局后局部的寻优方式有效避免陷入局部最优，提高寻优精度；

式中，T_max为最大迭代次数，a为常数；基于SCA的寻优辨识过程如下，其中步骤2.6中Q_min为寻优算法最优适应度，ε为临界适应度值；

步骤2.1：初始化SCA基本参数，设置种群个体为N，最大迭代次数M次，k_p1、k_i1、k_p2和k_i2为个体的位置参数；

步骤2.2：初始化种群，随机生成每个个体位置；

步骤2.3：按定义2的优化目标函数公式计算所有解的适应度；

步骤2.4：更新最优适应度和全局最优位置；

步骤2.5：按种群中个体的更新方程公式更新解的位置；

步骤2.6：若满足Q_min<ε或达到最大迭代次数，则终止迭代，输出最优解即为辨识结果，否则重复步骤2.3-2.5直至满足Q_min<ε或达到最大迭代次数，则终止迭代。

Images