CN114611402B - 基于分块互联模型和数据驱动的直驱风机动态拟合方法 - Google Patents
基于分块互联模型和数据驱动的直驱风机动态拟合方法 Download PDFInfo
- Publication number
- CN114611402B CN114611402B CN202210272356.5A CN202210272356A CN114611402B CN 114611402 B CN114611402 B CN 114611402B CN 202210272356 A CN202210272356 A CN 202210272356A CN 114611402 B CN114611402 B CN 114611402B
- Authority
- CN
- China
- Prior art keywords
- pmsg
- data
- output
- input
- direct
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000000903 blocking effect Effects 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000004804 winding Methods 0.000 claims description 21
- 230000001360 synchronised effect Effects 0.000 claims description 17
- 230000004907 flux Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 9
- 239000003990 capacitor Substances 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 7
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000009123 feedback regulation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005312 nonlinear dynamic Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种基于分块互联模型和数据驱动的直驱风机动态拟合方法,包括以下步骤:S1.构建PMSG分块化模型;S2.构建RNN结构模型;S3.采用基于仿真软件的模拟数据进行数据驱动建模,通过搭建直驱风机并网仿真模型来获取不同工况下的运行数据,作为数据驱动模型的样本数据,进而建立等效模型,并据此进行基于RNN算法的PMSG分块化动态拟合。本发明极大提高了数据处理速度,且训练后的分块模型可以用于直驱风机并网运行的任何拓扑中,根据时间序列训练样本,能够准确预测直驱风机的动态特性响应。
Description
技术领域
本发明涉及直驱风机动态拟合,特别是涉及基于分块互联模型和数据驱动的直驱风机动态拟合方法。
背景技术
随着国家提出双碳目标的大力推行下,清洁能源正处在高速发展的阶段,加上海上和陆地风力发电技术的日趋成熟和我国丰富的风力资源储备,大型风电场以更大规模和容量接入到电力系统中。但随之而来的是大量电力电子设备的并网运行带来稳定性分析的复杂性,其低惯性也是风机不稳定运行的主要因素。随着更高效、更稳定的风力发电需求,传统直驱风机的PI动态响应差,并且十分依靠模型和参数的准确性,而风机的运行工况和环境复杂多变,需要更加准确和快速的方法进行风机的动态特征响应。
从上个世纪90年代以来,计算机技术和算法得到迅速发展,并且近年来,神经网络高效处理信息和学习能力强的特点,在许多领域发挥着重要的作用。所以提出了一种基于人工神经网络的风机分块化动态拟合。不同于一般模拟风机的整体模型,分块化带来模型的简化,使学习时间缩短,并且能提高动态拟合的准确度。利用人工神经网络中时间序列预测模型,根据模拟和实际风机运行的动态特征进行学习,可以运用在任何的风机并网运行的拓扑中。不同的地理环境下,直驱风机的动态特性也是有所不同,海上风力机组和陆地上风力机组并网运行的方式也有所不同,风速和风向对直驱风机的运行起着至关重要的作用,不同于水力发电和火力发电,风能的不确定性、随机性和利用效率的极限性,使得直驱风机运行也同样具有复杂的暂态特性。传统的PI矢量控制,只能从理论上实现直驱风机的基本控制,对于实际工况下的直驱风机的动态拟合特性有着不小的差距。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于分块互联模型和数据驱动的直驱风机动态拟合方法,极大提高了数据处理速度,且训练后的分块模型可以用于直驱风机并网运行的任何拓扑中,根据时间序列训练样本,能够准确预测直驱风机的动态特性响应。
本发明的目的是通过以下技术方案来实现的:基于分块互联模型和数据驱动的直驱风机动态拟合方法,包括以下步骤:
S1.构建PMSG(Permanent Magnet Synchronous Generator,直驱风机)分块化模型;
S2.构建RNN((Recurrent Neural Network,循环神经网络)结构模型;
S3.采用基于仿真软件的模拟数据进行数据驱动建模,通过搭建直驱风机并网仿真模型来获取不同工况下的运行数据,作为数据驱动模型的样本数据,进而建立等效模型,并据此进行基于RNN算法的PMSG分块化动态拟合。
进一步地,所述步骤S1包括:
S101.给定PMSG基本结构:包括PMSG转子侧、网侧VSC(Voltage sourceconverter,电压源型换流器)和交流系统;
其中PMSG转子侧包括发电机和机侧换流器,PMSG转子侧、网侧VSC之间设置有直流电压电容Cpf;Udc为Cpf上的直流电压;Ppg为PMSG转子侧输出功率,Pps为网侧VSC输出功率;Vsd、Vsq和Isd、Isq为网侧VSC经过dq轴变换后与外部系统交互的电压电流;PCC为PMSG交与交流系统节点;Xpf为网侧滤波电抗;
PMSG并网暂态稳定性中,风速在短时间内变化不大,不考虑风速变化对其暂态稳定性的影响;由此将直驱风机动态拟合分成4个小模块,小模块之间形成输入输出互联的并行互联系统,分别是:网侧VSC控制模块、同步机转子传动模块、桨距角控制模块和电磁转矩控制模块;
四个模块整体构成PMSG控制模块,设Ipgd、Ipgq是定子绕组电流的dq轴分量;α为桨距角;ωr是PMSG转子实际测量转速;νp为空气风速;Vf为PMSG机侧发电机端电压;Mpg为PMSG输入转矩;θpll为锁相环测量的相角;PWM为网侧VSC控制输出信号;
S102.构建网侧VSC控制模块:
网侧VSC通过调整输出信号PWM脉宽,以维持直流电容Cpf上的电压Udc和输出功率Pps的稳定:
式(1)中,ω0为整个系统的公频频率;
网侧VSC控制模块的输入为网侧滤波Xpf线路上经dq轴变换的电压与电流和直流电容电压;再根据电网频率确定PWM波的输出频率,再根据锁相环测量的相位θpll得到PWM脉冲信号,调节PWM脉宽宽度,从而实现直流电压和输出功率的稳定,所以,其输入信号为:Vsd、Vsq、Isd、Isq和θpll,输出信号为:PWM;
S103.构建同步机转子模块:
将PMSG转子侧,即发电机与机侧换流器的abc三相电压和电流进行Park变换得到转子dq轴的电压和电流,由于PMSG的磁通为永磁体,根据磁通变化关系有,
式(2)中ψpgd、ψpgq是PMSG定子dq轴绕组磁通,Ipgd、Ipgq是定子绕组电流的dq轴分量,Vpgd、Vpgq定子绕组dq轴电压,Ra是定子绕组电阻;
直驱风机的定子绕组磁链方程为:
式(3)中Xpgd、Xpgq分别表示定子绕组的dq轴电抗;ψpg表示永磁体的磁通,由式(2)和式(3)一同构成PMSG发电机模型,类似于同步发电机的励磁调节控制系统;其输入信号为:Ipgd、Ipgq和ωr,输出信号为:Vf;
S104.构建桨距角α控制模块:
桨距角控制一般通过PMSG转子转速ωr与机侧输出功率Ppg反馈调节方式,经过各自PI控制器分别获得输出信号αω和αp,两者共同调节桨距角的大小,αω可以实现直驱风机最大风功率追踪,而αp保持PMSG发电侧输出功率的稳定;
将发电机的转子的转速与额定参考值作比较后,经过PI控制器得到αω;同理,将PMSG机侧输出功率与预设功率作比较,得到补偿的αp,两者同时决定α的稳定输出;
当PMSG机侧转子ωr>ωrref时或Ppg>Ppgref时,桨距角α会增大,此时PMSG的叶片捕捉的风能减小,以保证PMSG的转子转速保持稳定,并且能以最大效率追踪风力的输出功率,此时PMSG机侧工作在最佳运行工况下;其输入信号为:ωr和Ppg,输出信号为:α;
S105.构建电磁转矩Mpg控制模块:
根据风电场风速可以算出直驱风机的输入转矩Mpg,表达式为,
式(4)中R为PMSG叶片半径长度,γ为叶尖速,Cp为两者的函数表达式;又根据叶尖速与桨距角的关系,
PMSG转子运动方程为,
式(6)中Mpe表示PMSG转子电磁转矩;此电磁转矩Mpg控制模块的输入为νp与α,根据风速νp的变化,从而提高输出为电磁转矩Mpg的值,而桨距角α的输入从而使整个机侧成为一个闭环控制系统,来实现控制PMSG功率输出的稳定;其输入信号为:α和νp,输出信号为:Mpg。
进一步地,步骤S2中所述的RNN结构模型包括输入层、隐藏层和输出层;
设x和o为向量输入与输出,即PMSG控制模块的输入输出信号,由此将PMSG分成4块进行动态拟合;
而隐藏层s是RNN算法中最重要的一部分,其非线性算法能够较好拟合PSMG的非线性动态响应,并且s通过上一时刻st-1的权重W进行下一个时刻的预测,使数据具有时间序列特征,这正符合PMSG在不同工况下的时序动态响应。
进一步地,所述步骤S3包括:
S301.对仿真软件的模拟数据进行分类,一共包含16组4个模块输入输出时间序列数据,网侧VSC控制模块5组输入:Vsd、Vsq、Isd、Isq、θpll和1组输出:PWM;同步机转子传动模块3组输入:Ipgd、Ipgq、ωr和1组输出:Vf;桨距角控制模块2组输入:ωr、Ppg和1组输出:α;电磁转矩控制模块2组输入α、νp和1组输出:Mpg;
S302.采用RNN算法对4个模块的输入输出进行训练,得到数据拟合模型;再将PMSG不同工况下的仿真数据作为RNN动态拟合的输入,得到拟合输出数据,对其与仿真数据进行比较,计算RNN拟合的误差大小,从而判断基于RNN算法的PMSG分块化动态拟合的准确性,包括:
步骤一:收集数据:通过PMSG并网运行的实时数据或者依据MATLAB/Sumilink、PSCAD仿真软件的模拟数据,形成训练样本集;
步骤二:数据分类处理:将收集到的大量PMSG数据信息进行分类处理,合理消除错误数据,减少冗余数据,依据PMSG分块化模型对应不同数据分类,确定每个训练模块的输入输出变量;
步骤三:确定人工神经网络算法:此时为循环神经网络RNN算法,也要同时确定神经网络的基本结构和隐藏层的非线性表达式;
步骤四:RNN训练:将训练集中的输入和输出信号同时进行迭代计算,得到的预测值进行误差计算,通过反向传播算法,不断对RNN中的参数进行调整,直到在误差范围内或者迭代次数达到限值;
步骤五:实际误差计算:将RNN训练好的样本与PMSG并网运行的实时数据或者依据MATLAB/Sumilink、PSCAD仿真软件的模拟干扰下的数据进行比较,按照式(7)中均方根误差计算,若误差较大,需采用不同的神经网络算法,所述不同的神经网络算法包括普通神经网络、闭环神经网络和前向预测神经网络中的一种;
其中yi为训练样本值,yr为PMSG实际数据,Er为误差计算;
步骤六:在线学习,离线训练:经过RNN训练后的样本对于PMSG不同工况和故障干扰下的特征拟合不完全准确,并且风电场实际地理环境气候多变,要对训练样本进行不断的学习,在PMSG实际运行和模拟仿真中进行训练,得到更好的拟合动态曲线。
本发明的有益效果是:本发明将直驱风机多控制输入输出模块进行分块化人工神经网络模拟,对直驱风机实际运行数据进行拟合,其模型的可信度较高。通过分块化可以高效处理直驱风机并网运行非线性特征拟合,每个模块可以并行学习和分析数据,处理速度会极大提高。训练后的分块模型可以用于直驱风机并网运行的任何拓扑中,根据时间序列训练样本,能够准确预测直驱风机的动态特性响应。人工神经网络可以把直驱风机控制系统的PI整定环节视作“黑箱”,能够带来降阶的准确,可以移植近似相同的动态特性响应。采用模型数据混合驱动的方法实现了直驱风机的等效建模,根据其输入输出特性,建立直驱风机的数据模型;建模时无需精确获知所有风机参数和控制方式,通过对模型的动态特性进行了多场景的对比测试,该方法与传统的线性化理论建模相比,更加容易实现。同时,在实际系统运行过程中,采用该方法能够根据其实测数据建立数据模型,并用于分析在不同运行条件和扰动作用下风机的动态特性,从而有助于分析其并网后的稳定性问题
附图说明
图1为本发明的方法流程图;
图2为PMSG基本结构示意图;
图3为PMSG控制模块结构示意图;
图4为网侧换流器控制模型示意图;
图5为桨距角控制结构示意图;
图6为RNN单个结构和展开时序结构示意图;
图7为基于RNN算法的PMSG分块化动态拟合流程图;
图8为网侧VSC模块a相电压原始量测数据和实际输出数据对比图;
图9为同步机转子模块Vf原始量测数据和实际输出数据对比图;
图10为桨距角控制模块α原始量测数据和实际输出数据对比图;
图11为电磁转矩控制模块Mpg原始量测数据和实际输出数据对比图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,基于分块互联模型和数据驱动的直驱风机动态拟合方法,包括以下步骤:
S1.构建PMSG(Permanent Magnet Synchronous Generator,直驱风机)分块化模型;
S2.构建RNN((Recurrent Neural Network,循环神经网络)结构模型;
S3.采用基于仿真软件的模拟数据进行数据驱动建模,通过搭建直驱风机并网仿真模型来获取不同工况下的运行数据,作为数据驱动模型的样本数据,进而建立等效模型,并据此进行基于RNN算法的PMSG分块化动态拟合。
进一步地,所述步骤S1包括:
S101.给定PMSG基本结构:包括PMSG转子侧、网侧VSC(Voltage sourceconverter,电压源型换流器)和交流系统,如图2所示;
其中PMSG转子侧包括发电机和机侧换流器,PMSG转子侧、网侧VSC之间设置有直流电压电容Cpf;Udc为Cpf上的直流电压;Ppg为PMSG转子侧输出功率,Pps为网侧VSC输出功率;Vsd、Vsq和Isd、Isq为网侧VSC经过dq轴变换后与外部系统交互的电压电流;PCC为PMSG交与交流系统节点;Xpf为网侧滤波电抗;
PMSG并网暂态稳定性中,风速在短时间内变化不大,不考虑风速变化对其暂态稳定性的影响;由此将直驱风机动态拟合分成4个小模块,小模块之间形成输入输出互联的并行互联系统,分别是:网侧VSC控制模块、同步机转子传动模块、桨距角控制模块和电磁转矩控制模块;
四个模块整体构成PMSG控制模块如图3所述,图3中,Ipgd、Ipgq是定子绕组电流的dq轴分量;α为桨距角;ωr是PMSG转子实际测量转速;νp为空气风速;Vf为PMSG机侧发电机端电压;Mpg为PMSG输入转矩;θpll为锁相环测量的相角;PWM为网侧VSC控制输出信号;
S102.构建网侧VSC控制模块:
网侧VSC通过调整输出信号PWM脉宽,以维持直流电容Cpf上的电压Udc和输出功率Pps的稳定:
式(1)中,ω0为整个系统的公频频率;根据网侧VSC的控制策略,其PI控制器可以得到如图4的网侧VSC控制模型;图4中,上标“ref”表示参考值;
网侧VSC控制模块的输入为网侧滤波Xpf线路上经dq轴变换的电压与电流和直流电容电压;再根据电网频率确定PWM波的输出频率,再根据锁相环测量的相位θpll得到PWM脉冲信号,调节PWM脉宽宽度,从而实现直流电压和输出功率的稳定,所以,其输入信号为:Vsd、Vsq、Isd、Isq和θpll,输出信号为:PWM;
S103.构建同步机转子模块:
将PMSG转子侧,即发电机与机侧换流器的abc三相电压和电流进行Park变换得到转子dq轴的电压和电流,由于PMSG的磁通为永磁体,根据磁通变化关系有,
式(2)中ψpgd、ψpgq是PMSG定子dq轴绕组磁通,Ipgd、Ipgq是定子绕组电流的dq轴分量,Vpgd、Vpgq定子绕组dq轴电压,Ra是定子绕组电阻;
直驱风机的定子绕组磁链方程为:
式(3)中Xpgd、Xpgq分别表示定子绕组的dq轴电抗;ψpg表示永磁体的磁通,由式(2)和式(3)一同构成PMSG发电机模型,类似于同步发电机的励磁调节控制系统;其输入信号为:Ipgd、Ipgq和ωr,输出信号为:Vf;
S104.构建桨距角α控制模块:
桨距角控制一般通过PMSG转子转速ωr与机侧输出功率Ppg反馈调节方式,经过各自PI控制器分别获得输出信号αω和αp,两者共同调节桨距角的大小,αω可以实现直驱风机最大风功率追踪,而αp保持PMSG发电侧输出功率的稳定;其PI控制结构原理如图5所示;
将发电机的转子的转速与额定参考值作比较后,经过PI控制器得到αω;同理,将PMSG机侧输出功率与预设功率作比较,得到补偿的αp,两者同时决定α的稳定输出;
当PMSG机侧转子ωr>ωrref时或Ppg>Ppgref时,桨距角α会增大,此时PMSG的叶片捕捉的风能减小,以保证PMSG的转子转速保持稳定,并且能以最大效率追踪风力的输出功率,此时PMSG机侧工作在最佳运行工况下;其输入信号为:ωr和Ppg,输出信号为:α;
S105.构建电磁转矩Mpg控制模块:
根据风电场风速可以算出直驱风机的输入转矩Mpg,表达式为,
式(4)中R为PMSG叶片半径长度,γ为叶尖速,Cp为两者的函数表达式;又根据叶尖速与桨距角的关系,
PMSG转子运动方程为,
式(6)中Mpe表示PMSG转子电磁转矩;此电磁转矩Mpg控制模块的输入为νp与α,根据风速νp的变化,从而提高输出为电磁转矩Mpg的值,而桨距角α的输入从而使整个机侧成为一个闭环控制系统,来实现控制PMSG功率输出的稳定;其输入信号为:α和νp,输出信号为:Mpg。
进一步地,如图6所示,步骤S2中所述的RNN结构模型包括输入层、隐藏层和输出层;
设x和o为向量输入与输出,即此时为图3中PMSG控制模块的输入输出信号,由此将PMSG分成4块进行动态拟合;
而隐藏层s是RNN算法中最重要的一部分,其非线性算法能够较好拟合PSMG的非线性动态响应,并且s通过上一时刻st-1的权重W进行下一个时刻的预测,使数据具有时间序列特征,这正符合PMSG在不同工况下的时序动态响应。
进一步地,,建模过程示意图如图7所示,所述步骤S3包括:
S301.对仿真软件的模拟数据进行分类,一共包含16组4个模块输入输出时间序列数据,网侧VSC控制模块5组输入:Vsd、Vsq、Isd、Isq、θpll和1组输出:PWM;同步机转子传动模块3组输入:Ipgd、Ipgq、ωr和1组输出:Vf;桨距角控制模块2组输入:ωr、Ppg和1组输出:α;电磁转矩控制模块2组输入α、νp和1组输出:Mpg;
S302.采用RNN算法对4个模块的输入输出进行训练,得到数据拟合模型;再将PMSG不同工况下的仿真数据作为RNN动态拟合的输入,得到拟合输出数据,对其与仿真数据进行比较,计算RNN拟合的误差大小,从而判断基于RNN算法的PMSG分块化动态拟合的准确性,包括:
步骤一:收集数据:通过PMSG并网运行的实时数据或者依据MATLAB/Sumilink、PSCAD仿真软件的模拟数据,形成训练样本集;
步骤二:数据分类处理:将收集到的大量PMSG数据信息进行分类处理,合理消除错误数据,减少冗余数据,依据PMSG分块化模型对应不同数据分类,确定每个训练模块的输入输出变量;
步骤三:确定人工神经网络算法:此时为循环神经网络RNN算法,也要同时确定神经网络的基本结构和隐藏层的非线性表达式;
步骤四:RNN训练:将训练集中的输入和输出信号同时进行迭代计算,得到的预测值进行误差计算,通过反向传播算法,不断对RNN中的参数进行调整,直到在误差范围内或者迭代次数达到限值;
步骤五:实际误差计算:将RNN训练好的样本与PMSG并网运行的实时数据或者依据MATLAB/Sumilink、PSCAD仿真软件的模拟干扰下的数据进行比较,按照式(7)中均方根误差计算,若误差较大,需采用不同的神经网络算法,所述不同的神经网络算法包括普通神经网络、闭环神经网络和前向预测神经网络中的一种;
其中yi为训练样本值,yr为PMSG实际数据,Er为误差计算;
步骤六:在线学习,离线训练:经过RNN训练后的样本对于PMSG不同工况和故障干扰下的特征拟合不完全准确,并且风电场实际地理环境气候多变,要对训练样本进行不断的学习,在PMSG实际运行和模拟仿真中进行训练,得到更好的拟合动态曲线。
在本申请的实施例中,对图2中PMSG接入无穷大系统的MATLAB/Sumilink仿真,在PCC节点处设置6%的电压扰动,分别获得4个模块模拟的实际数据,再将RNN动态拟合的原始数据进行比较。对比分析共截取了40万个采样点,对应0.8秒的仿真时间长度,RNN动态拟合原始数据与模拟实际数据对比如图8~11所示。其中,图8为网侧VSC模块a相电压原始量测数据和实际输出数据对比图,图9为同步机转子模块Vf原始量测数据和实际输出数据对比图,图10为桨距角控制模块α原始量测数据和实际输出数据对比图,图11为电磁转矩控制模块Mpg原始量测数据和实际输出数据对比图;
图8中为了方便分析网侧VSC模块测试的输出结果中,采用PMSG机网侧交流电压a相的实际值和模型输出值进行了对比分析,再从Vf、α和Mpg的原始数据和实际数据的对比图可以看出PMSG分块化RNN动态拟合十分接近PMSG实际的动态特性曲线,说明基于分块互联模型和数据驱动的直驱风机动态拟合方法的有效性。
综上,本发明通过PMSG分块化模型可以高效处理直驱风机并网运行非线性特征拟合,每个模块可以并行学习和分析数据,处理速度会极大提高,据其实测数据建立训练数据模型,并用于分析在不同运行条件和扰动作用下风机的动态拟合特性,从而有助于分析其并网后的稳定性问题。
Claims (3)
1.基于分块互联模型和数据驱动的直驱风机动态拟合方法,其特征在于:包括以下步骤:
S1.构建PMSG分块化模型;
S2.构建RNN结构模型;
S3.采用基于仿真软件的模拟数据进行数据驱动建模,通过搭建直驱风机并网仿真模型来获取不同工况下的运行数据,作为数据驱动模型的样本数据,进而建立等效模型,并据此进行基于RNN算法的PMSG分块化动态拟合;
所述步骤S1包括:
S101.给定PMSG基本结构:包括PMSG转子侧、网侧VSC和交流系统;
其中PMSG转子侧包括发电机和机侧换流器,PMSG转子侧、网侧VSC之间设置有直流电压电容Cpf;Udc为Cpf上的直流电压;Ppg为PMSG转子侧输出功率,Pps为网侧VSC输出功率;Vsd、Vsq和Isd、Isq为网侧VSC经过dq轴变换后与外部系统交互的电压电流;PCC为PMSG交与交流系统节点;Xpf为网侧滤波电抗;
PMSG并网暂态稳定性中,风速在短时间内变化不大,不考虑风速变化对其暂态稳定性的影响;由此将直驱风机动态拟合分成4个小模块,小模块之间形成输入输出互联的并行互联系统,分别是:网侧VSC控制模块、同步机转子传动模块、桨距角控制模块和电磁转矩控制模块;
四个模块整体构成PMSG控制模块,设Ipgd、Ipgq是定子绕组电流的dq轴分量;α为桨距角;ωr是PMSG转子实际测量转速;νp为空气风速;Vf为PMSG机侧发电机端电压;Mpg为PMSG输入转矩;θpll为锁相环测量的相角;PWM为网侧VSC控制输出信号;
S102.构建网侧VSC控制模块:
网侧VSC通过调整输出信号PWM脉宽,以维持直流电容Cpf上的电压Udc和输出功率Pps的稳定:
式(1)中,ω0为整个系统的公频频率;
网侧VSC控制模块的输入为网侧滤波Xpf线路上经dq轴变换的电压与电流和直流电容电压;再根据电网频率确定PWM波的输出频率,再根据锁相环测量的相位θpll得到PWM脉冲信号,调节PWM脉宽宽度,从而实现直流电压和输出功率的稳定,所以,其输入信号为:Vsd、Vsq、Isd、Isq和θpll,输出信号为:PWM;
S103.构建同步机转子模块:
将PMSG转子侧,即发电机与机侧换流器的abc三相电压和电流进行Park变换得到转子dq轴的电压和电流,由于PMSG的磁通为永磁体,根据磁通变化关系有,
式(2)中ψpgd、ψpgq是PMSG定子dq轴绕组磁通,Ipgd、Ipgq是定子绕组电流的dq轴分量,Vpgd、Vpgq定子绕组dq轴电压,Ra是定子绕组电阻;
直驱风机的定子绕组磁链方程为:
式(3)中Xpgd、Xpgq分别表示定子绕组的dq轴电抗;ψpg表示永磁体的磁通,由式(2)和式(3)一同构成PMSG发电机模型,类似于同步发电机的励磁调节控制系统;其输入信号为:Ipgd、Ipgq和ωr,输出信号为:Vf;
S104.构建桨距角α控制模块:
桨距角控制一般通过PMSG转子转速ωr与机侧输出功率Ppg反馈调节方式,经过各自PI控制器分别获得输出信号αω和αp,两者共同调节桨距角的大小,αω可以实现直驱风机最大风功率追踪,而αp保持PMSG发电侧输出功率的稳定;
将发电机的转子的转速与额定参考值作比较后,经过PI控制器得到αω;同理,将PMSG机侧输出功率与预设功率作比较,得到补偿的αp,两者同时决定α的稳定输出;
当PMSG机侧转子ωr>ωrref时或Ppg>Ppgref时,桨距角α会增大,此时PMSG的叶片捕捉的风能减小,以保证PMSG的转子转速保持稳定,并且能以最大效率追踪风力的输出功率,此时PMSG机侧工作在最佳运行工况下;其输入信号为:ωr和Ppg,输出信号为:α;
S105.构建电磁转矩Mpg控制模块:
根据风电场风速可以算出直驱风机的输入转矩Mpg,表达式为,
式(4)中R为PMSG叶片半径长度,γ为叶尖速,Cp为两者的函数表达式;又根据叶尖速与桨距角的关系,
PMSG转子运动方程为,
式(6)中Mpe表示PMSG转子电磁转矩;此电磁转矩Mpg控制模块的输入为νp与α,根据风速νp的变化,从而提高输出为电磁转矩Mpg的值,而桨距角α的输入从而使整个机侧成为一个闭环控制系统,来实现控制PMSG功率输出的稳定;其输入信号为:α和νp,输出信号为:Mpg。
2.根据权利要求1所述的基于分块互联模型和数据驱动的直驱风机动态拟合方法,其特征在于:步骤S2中所述的RNN结构模型包括输入层、隐藏层和输出层;
设x和o为向量输入与输出,即PMSG控制模块的输入输出信号,由此将PMSG分成4块进行动态拟合;
而隐藏层s是RNN算法中最重要的一部分,其非线性算法能够较好拟合PSMG的非线性动态响应,并且s通过上一时刻st-1的权重W进行下一个时刻的预测,使数据具有时间序列特征,这正符合PMSG在不同工况下的时序动态响应。
3.根据权利要求1所述的基于分块互联模型和数据驱动的直驱风机动态拟合方法,其特征在于:所述步骤S3包括:
S301.对仿真软件的模拟数据进行分类,一共包含16组4个模块输入输出时间序列数据,网侧VSC控制模块5组输入:Vsd、Vsq、Isd、Isq、θpll和1组输出:PWM;同步机转子传动模块3组输入:Ipgd、Ipgq、ωr和1组输出:Vf;桨距角控制模块2组输入:ωr、Ppg和1组输出:α;电磁转矩控制模块2组输入α、νp和1组输出:Mpg;
S302.采用RNN算法对4个模块的输入输出进行训练,得到数据拟合模型;再将PMSG不同工况下的仿真数据作为RNN动态拟合的输入,得到拟合输出数据,对其与仿真数据进行比较,计算RNN拟合的误差大小,从而判断基于RNN算法的PMSG分块化动态拟合的准确性,包括:
步骤一:收集数据:通过PMSG并网运行的实时数据或者依据MATLAB/Sumilink、PSCAD仿真软件的模拟数据,形成训练样本集;
步骤二:数据分类处理:将收集到的大量PMSG数据信息进行分类处理,合理消除错误数据,减少冗余数据,依据PMSG分块化模型对应不同数据分类,确定每个训练模块的输入输出变量;
步骤三:确定人工神经网络算法:此时为循环神经网络RNN算法,也要同时确定神经网络的基本结构和隐藏层的非线性表达式;
步骤四:RNN训练:将训练集中的输入和输出信号同时进行迭代计算,得到的预测值进行误差计算,通过反向传播算法,不断对RNN中的参数进行调整,直到在误差范围内或者迭代次数达到限值;
步骤五:实际误差计算:将RNN训练好的样本与PMSG并网运行的实时数据或者依据MATLAB/Sumilink、PSCAD仿真软件的模拟干扰下的数据进行比较,按照式(7)中均方根误差计算,若误差较大,需采用不同的神经网络算法,所述不同的神经网络算法包括普通神经网络、闭环神经网络和前向预测神经网络中的一种;
其中yi为训练样本值,yr为PMSG实际数据,Er为误差计算;
步骤六:在线学习,离线训练:经过RNN训练后的样本对于PMSG不同工况和故障干扰下的特征拟合不完全准确,并且风电场实际地理环境气候多变,要对训练样本进行不断的学习,在PMSG实际运行和模拟仿真中进行训练,得到更好的拟合动态曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272356.5A CN114611402B (zh) | 2022-03-18 | 2022-03-18 | 基于分块互联模型和数据驱动的直驱风机动态拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272356.5A CN114611402B (zh) | 2022-03-18 | 2022-03-18 | 基于分块互联模型和数据驱动的直驱风机动态拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611402A CN114611402A (zh) | 2022-06-10 |
CN114611402B true CN114611402B (zh) | 2023-01-06 |
Family
ID=81864484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210272356.5A Active CN114611402B (zh) | 2022-03-18 | 2022-03-18 | 基于分块互联模型和数据驱动的直驱风机动态拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611402B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110345013A (zh) * | 2019-07-24 | 2019-10-18 | 曲阜师范大学 | 基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法 |
CN113726253A (zh) * | 2021-09-03 | 2021-11-30 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
CN114004164A (zh) * | 2021-11-05 | 2022-02-01 | 上海交通大学 | 一种用于控制的电机转子温度预测方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760779A (zh) * | 2014-01-24 | 2014-04-30 | 广西电网公司电力科学研究院 | 一种直驱风力发电机组动态仿真模拟系统 |
US10333390B2 (en) * | 2015-05-08 | 2019-06-25 | The Board Of Trustees Of The University Of Alabama | Systems and methods for providing vector control of a grid connected converter with a resonant circuit grid filter |
CN106842987B (zh) * | 2017-02-26 | 2019-11-05 | 上海交通大学 | 直驱型风力发电机组的机电暂态建模方法 |
CN110867899A (zh) * | 2019-11-29 | 2020-03-06 | 国网山西省电力公司电力科学研究院 | 一种含高比例风机的电力系统惯量量测方法及系统 |
CN113162064B (zh) * | 2021-03-03 | 2022-10-18 | 山东大学 | 一种多风场最优调频方法及系统 |
CN113872190A (zh) * | 2021-09-18 | 2021-12-31 | 国网甘肃省电力公司电力科学研究院 | 一种提高小信号系统计算效率的降维方法 |
CN113688540B (zh) * | 2021-10-26 | 2022-01-11 | 国网湖北省电力有限公司经济技术研究院 | 一种永磁直驱型风力发电机组电磁暂态模型的构建方法 |
-
2022
- 2022-03-18 CN CN202210272356.5A patent/CN114611402B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110345013A (zh) * | 2019-07-24 | 2019-10-18 | 曲阜师范大学 | 基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法 |
CN113726253A (zh) * | 2021-09-03 | 2021-11-30 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
CN114004164A (zh) * | 2021-11-05 | 2022-02-01 | 上海交通大学 | 一种用于控制的电机转子温度预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
"直驱式永磁同步风力发电系统控制研究";束成;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140715;第C042-383页 * |
"风电场建模研究综述";林俐等;《现代电力》;20140430;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114611402A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aziz et al. | Implementation and validation of backstepping control for PMSG wind turbine using dSPACE controller board | |
Li et al. | High-precision dynamic modeling of two-staged photovoltaic power station clusters | |
CN115249980B (zh) | 数据和知识联合驱动的新能源场站阻抗辨识方法及系统 | |
Yan et al. | Torque estimation and control of PMSM based on deep learning | |
Ganjefar et al. | A novel-strategy controller design for maximum power extraction in stand-alone windmill systems | |
CN116738636A (zh) | 考虑阻抗特性及同步机制的双馈风电场站的多机等值方法 | |
Rhaili et al. | A new strategy based neural networks MPPT controller for five-phase PMSG based variable-speed wind turbine | |
CN111799843B (zh) | 一种概率融合式光伏电站的多维全状态数据建模方法 | |
CN114611402B (zh) | 基于分块互联模型和数据驱动的直驱风机动态拟合方法 | |
CN112036010A (zh) | 一种基于数据驱动的光伏系统动态过程混合等效建模方法 | |
He et al. | Grey prediction pi control of direct drive permanent magnet synchronous wind turbine | |
Lin et al. | Squirrel-cage induction generator system using hybrid wavelet fuzzy neural network control for wind power applications | |
CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
Sun et al. | Design and optimization of control parameters based on direct-drive permanent magnet synchronous generator for wind power system | |
CN110957723B (zh) | 一种数据驱动的在线快速评估电网暂态电压安全性的方法 | |
CN114465280A (zh) | 一种新能源并网系统动态等效建模方法 | |
CN111045329A (zh) | 基于自适应模式切换的双馈风机数字物理混合仿真新方法 | |
CN116780502B (zh) | 一种发电能源对电力系统低频振荡影响的确定方法及系统 | |
Abulizi et al. | Study on Current Controller of Doubly-Fed Induction Generator with Variable Parameters | |
Abo-Khalil et al. | Multiple Linear Regression Approach for Sensorless MPPT of PMSG Wind Power Generation Systems | |
CN114172201B (zh) | 一种模块化直驱风机控制模型结构识别方法 | |
CN116191478B (zh) | 一种多个异步电机等效惯量评估和频率响应建模方法 | |
Yang et al. | Dynamic just-in-time learning based model predictive control for variable pitch wind energy conversion system | |
Chen et al. | Neural Network-Based Control Parameter Identification Method for DFIG | |
Wang et al. | Data-driven based modelling method of a PMSG |
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 |