CN115224728A - 一种风力发电系统模型辨识方法和系统 - Google Patents

Abstract

本发明公开一种风力发电系统模型辨识方法和系统，包括：构建风力发电系统的可变参数仿真模型；确定待优化的控制参数，获取采样数据，基于采样数据对风力发电系统运行过程中的暂稳态区间进行判断，基于可变参数仿真模型计算改进的人工鱼群算法视野和步长，对采样数据进行初始化。转换个体编码，将个体编码代入可变参数仿真模型，并基于视野和步长，通过改进的人工鱼群算法对个体编码执行聚群、追尾及觅食行为，判断目标函数值是否满足约束条件，若不满足则再重复聚群、追尾及觅食行为，若满足则取优赋值作为最优参数并输出，得到最优化控制参数及控制状态。通过上述技术方案，本发明能够准确模拟风力电站的实际运行特性并确定其最优化控制参数。

Description

一种风力发电系统模型辨识方法和系统

技术领域

本发明涉及风力新能源发电技术领域，特别涉及一种风力发电系统模型辨识方法和系统。

背景技术

随着世界各国对环境问题认识的不断深入，可再生能源综合利用的技术也在不断的发展，风力发电技术本身不需要消耗自然资源、不会污染环境，国家能源局日前发布数据显示，我国风电并网装机容量突破3亿千瓦，较2016年底实现翻番，是2020年底欧盟风电总装机的1.4倍、美国的2.6倍，已连续12年稳居全球第一。2010年底，我国风力发电累计装机容量达到4182.7万千瓦，跃居世界第一。此后，风电装机一路领跑，于2015年首次突破1亿千瓦；2019年则突破2亿千瓦；而此次突破3亿千瓦，仅用时2年。

但是风是不可控能源，风力发电机多是异步或永磁式发电机，机组本身无励磁调节系统，难以维持机端电压稳定。在电网出现故障的时候不能及时做出反应，继续送电，引起震荡，最后进入停机保护状态。在此期间如果电网恢复正常，风机即可恢复正常工作，涉及到电网和风机性能。因此需要准确的风力发电辨识系统方法和技术，来模拟风力电站的实际运行特性并确定其最优化控制参数。

发明内容

为解决上述现有技术中所存在的如何准确模拟风力发电系统的问题，本发明提供一种基于风力发电系统模型的辨识方法和系统，本发明能够有效的进行风力发电在电网故障期间的相关参数辨识，并精确模拟出风力电站的实际运行特性，获取风电机组运行最优化控制参数。

为了实现上述技术目的，本发明提供了如下技术方案：一种风力发电系统模型辨识方法，包括：

构建风力发电系统的可变参数仿真模型；确定待优化的控制参数，获取采样数据，基于采样数据对风力发电系统运行过程中的暂稳态区间进行判断，基于可变参数仿真模型计算改进的人工鱼群算法视野和步长，对采样数据进行初始化。转换个体编码，将个体编码代入可变参数仿真模型，并基于视野和步长，通过改进的人工鱼群算法对个体编码执行聚群、追尾及觅食行为，判断目标函数值是否满足约束条件，若不满足则再重复聚群、追尾及觅食行为，若满足则取优赋值作为最优参数并输出，得到风力发电系统的最优化控制参数及控制状态，其中人工鱼群算法的目标为风力发电系统与仿真系统的输出值误差最小化。

可选的，对所述风力发电系统进行扰动实验，获取采样数据；其中采样数据包括对应通道的电压波动信息；

基于所述采样数据，对所述暂稳态区间进行判断，其中暂稳态区间进行判断包括判断故障线路发生的故障类型、故障发生的时间点以及故障周期。

可选的，对仿真系统进行参数辨识优化的过程包括：

基于个体编码对待优化的控制参数进行更新；

将所述待优化的控制参数代入仿真模型，通过获取激励信号，并将激励信号输入到风力发电模型及仿真模型中，获取暂态及稳态下的风力发电系统及仿真系统的输出值，并对暂态及稳态下的输出值进行误差计算，判断误差计算结果是否满足误差范围，若不满足误差范围则通过禁忌搜索对人工鱼群算法的群体进行改进更新，并基于改进更新的群体对待优化的控制参数再次进行更新，基于再次更新后的待优化的控制参数循环代入模型、误差判断、群体改进更新，在待优化的控制参数更新的过程中，判断目标函数值是否满足约束条件，其中约束条件为达到迭代次数且误差计算结果满足误差范围。

可选的，所述输出值误差包括稳态区间平均偏差、暂态区间平均偏差、稳态区间最大偏差、所有区间加权平均总偏差，其中所述人工鱼群算法的目标函数为输出值误差和的最小值。

可选的，当所述辨识过程达到迭代次数，所述误差计算结果无法满足误差范围时，对采样数据进行更换并再次执行辨识步骤，直到误差计算结果满足误差范围。

为了更好的实现上述技术目的，本发明还提供了一种风力发电系统模型辨识系统，包括：

构建风力发电系统的可变参数仿真模型；

初始数据采集模块，用于确定待优化的控制参数，获取采样数据，基于采样数据对风力发电系统运行过程中的暂稳态区间进行判断；然后基于可变参数仿真模型计算改进的人工鱼群算法视野和步长；

智能优化控制参数选择模块，用于对采样数据进行初始化和转换个体编码，然后将个体编码代入可变参数仿真模型，并基于视野和步长，通过改进的人工鱼群算法对个体编码执行聚群、追尾及觅食行为，判断目标函数值是否满足约束条件，若不满足则再重复聚群、追尾及觅食行为，若满足则取优赋值作为最优参数并输出，得到风力发电系统的最优化控制参数及控制状态，其中人工鱼群算法的目标为风力发电系统与仿真系统的输出值误差最小化。

可选的，初始数据采集模块用于对所述风力发电系统进行扰动实验，获取采样数据；其中采样数据包括对应通道的电压波动信息；

基于所述采样数据，判断故障线路发生的故障类型、故障发生的时间点以及故障周期，以作为实测输出和仿真输出的对比。

可选的，智能优化控制参数选择模块包括优化模块，所述优化模块用于基于个体编码对待优化的控制参数进行更新；

将所述待优化的控制参数代入仿真模型，通过获取激励信号，并将激励信号输入到风力发电模型及仿真模型中，获取暂态及稳态下的风力发电系统及仿真系统的输出值，并对暂态及稳态下的输出值进行误差计算，判断误差计算结果是否满足误差范围，若不满足误差范围则通过禁忌搜索对人工鱼群算法的群体进行改进更新，并基于改进更新的群体对待优化的控制参数再次进行更新，基于再次更新后的待优化的控制参数循环代入模型、误差判断、群体改进更新，在待优化的控制参数更新的过程中，判断目标函数值是否满足约束条件，其中约束条件为达到迭代次数且误差计算结果满足误差范围。

可选的，所述输出值误差包括稳态区间平均允许偏差、暂态区间平均允许偏差、稳态区间最大允许偏差、所有区间加权平均总偏差，其中所述人工鱼群算法的目标函数为输出值误差和的最小值。

可选的，所述智能优化控制参数选择模块中当达到迭代次数时，若误差计算结果无法满足误差范围时，则对初始数据采集模块中的采样数据进行更换并再次执行辨识程序，直到误差计算结果满足误差范围。

本发明具有如下技术效果：

本发明提供的一种风力发电系统模型辨识系统和方法，在供电系统中部分负荷的非线性、冲击性以及不平衡的用电特性，造成诸多电能质量问题，比如当电压波动影响敏感负荷和超敏感负荷的正常运行时，能够进行风力发电在电网故障期间的相关最优化参数辨识，大幅缩减人工的工作范围以及实地检测工作强度，方便高效、高程度地模拟出风电机组和电网的协同安全稳定运行动态过程以及电力系统特性。

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性的前提下，还可以根据这些附图获得其他的附图。

图1是风力发电机单元并网系统结构模型图。

图2是基于人工鱼群群体智能优化算法的模型参数辨识原理图。

图3是风力发电系统模型参数基于改进的AFSA辨识流程图。

图4是实施例的三相对称70％低电压故障电压扰动对比图。

图5是实施例的三相对称70％低电压故障有功响应对比图。

图6是实施例的三相对称70％低电压故障无功响应对比图。

图7是实施例的三相对称70％低电压故障无功电流响应对比图。

图8是实施例的三相对称70％低电压故障电流响应对比图。

图9是实施例的三相对称124％高电压故障电压扰动对比图。

图10是实施例的三相对称124％高电压故障有功响应对比图。

图11是实施例的三相对称124％高电压故障无功响应对比图。

图12是实施例的三相对称124％高电压故障无功电流响应对比图。

图13是实施例的三相对称124％高电压故障电流响应对比图。

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。

本发明所要解决的问题在于，针对电网产生电压波动及一系列电力系统故障时，并网接入的风力发电单元是否具备不脱离电网系统而持续保持相应的电压继续输送电能的能力，提供一种基于风力发电系统模型的辨识系统以及方法。为了解决以上问题，本发明采取如下技术方案：一种风力发电系统模型辨识系统和方法,包括如下方面：

将实地检测的录波文件进行格式转换并采集发电机组常规运行方式下的原始数据，修改对应的BPA暂、稳态运行格式和数据，建立风力发电系统的可变参数模型，确定待优化参数；

根据采集到的原始数据模拟风力发电机组的运行状态，计算改进的AFSA视野和步长，然后识别出对于风电机组在电网出现故障时继续输送电能影响较大的具体参数类型，生成对应暂、稳态的误差分析；

采用群体智能优化算法对模型参数进行辨识，在给定的数据范围内选择适合风电机组运行的最佳参数，直至风电机组模型的运行状态高度拟合于实际运行状态；

为实现所提及的技术方法，具体流程如下：

第一步：建立风力发电系统的可变参数仿真模型。

第二步：确定待优化的控制参数，获取采样数据，其中采样数据包括对应通道的电压波动信息。并基于采样数据对风力发电系统运行过程中的暂稳态区间进行判断，判断故障线路发生的故障类型、故障发生的具体时间点以及整个故障的周期，准确选取故障起始、结束时刻。

第三步：计算改进的AFSA视野和步长，以及将整个实际系统的相应数据进行BPA电力系统软件计算分析，然后初始化改进的AFSA群体，从而逐步实现寻优。

第四步：将每个个体编码转换成风力发电系统参数代入模型，得到仿真输出y_m，然后执行聚群、追尾、觅食行为，采用改进的AFSA对模型参数进行对应的类型故障辨识。

第五步：获得实测输出和仿真输出，并对二者对应的稳态、故障期间的输出阶段进行误差分析比较，将得到的仿真输出y_m，与实际系统的输出y_r，比较得到模型误差e，计算目标函数。判断所述目标能否满足标准要求，不能满足则继续通过改进的AFSA来引入禁忌搜索(Tabu)以及对部分参数的改进，使AFSA在辨识过程中具有记忆功能，对辨识过的参数以及位置设置为禁区，避免重复辨识搜索，从而提高辨识效率以及速度。然后继续对第四步中的模型参数不断进行优化辨识。

在循环以上步骤时可以通过辨识结果的仿真曲线对比图、各区间误差分析结果来实时调整最佳匹配的参数辨识控制方式，从而逐步降低每一次实测输出和仿真输出的偏差。

第六步：最终当目标函数满足误差要求并且达到最大迭代次数，辨识结果获得最优化控制参数时，赋值给公告牌并输出，结束整个算法辨识程序。

作为优选，BPA中针对风力发电系统要首先制定相应的仿真模型，其中需要考虑各种非线性环节的作用。

作为优选，在第四步以及非线性环节的处理过程中，改进的AFSA法则直接基于模型进行辨识，但需要同时考虑到变量的约束条件以及求解精度。

作为优选，改进的AFSA法需首先选择相应结构的标准模型，然后任意设定多组模型参数，就得到多个结构和参数都确定的模型，再运用改进的AFSA法其自身具备较好的全局寻优能力，快速跳出局部最优点。

作为优选，初始辨识之后若结果不理想或者出现辨识程序不运行和辨识中断故障，应该考虑更换实际系统扰动实验得到的数据，再次让仿真模拟系统采集激励信号x，然后再次从第二步继续执行辨识程序。

作为优选，模型参数辨识的目的不仅要使模型系统与实际系统的输入输出特性一致，而且它们的中间环节状态输出也应该一致。

所述的误差包括稳态区间平均允许偏差F₁，暂态区间平均允许偏差F₂，稳态区间最大允许偏差F₃，所有区间加权平均总偏差F_G。

所述的技术指标目标函数J＝F₁+F₂+F₃+F_G。

本发明所提及改进的AFSA法相比较于传统模型辨识的FFT/LSE法基于幅频特性和相频特性进行参数辨识，PLPF法基于分段线性化多项式函数进行参数辨识。改进的人工鱼群算法通过引入禁忌搜索(Tabu)和对人工鱼群部分行为的改进，使人工鱼群在参数寻优过程中具有记忆能力，将探索过的位置设为禁区以避免重复搜索；同时记录禁区中的一些优良参数及状态，保证搜索的高效性和多样性，从而通过改进的人工鱼群算法来实现风电机组最优化控制参数的寻优过程。

本发明提供的一种风力发电系统模型辨识系统和方法，在供电系统中部分负荷的非线性、冲击性以及不平衡的用电特性，造成诸多电能质量问题。比如当电压波动影响敏感负荷和超敏感负荷的正常运行时，能够进行风力发电在电网故障期间的相关参数辨识，大幅缩减人工的工作范围以及实地检测工作强度，方便高效、高程度地模拟出风电机组和电网的协同安全稳定运行动态过程。提前模拟检测风机的电力系统特性，减少经济损失。

通过结合图1-3来详述本发明的具体技术实施方案。通过计算模型仿真数据与试验数据之间的偏差，考核模型的准确程度。仿真与试验偏差计算的电气量包括：电压Us，电流I，无功电流IQ，有功功率P，无功功率Q。

数据区段划分后，应分别计算每个时段暂态和稳态区间的偏差；各时段暂态区间仅计算平均偏差，稳态区间分别计算平均偏差和最大偏差；计算模型仿真与试验数据的加权平均总偏差。

本发明所涉及到的名词解释如下：

BPA：是指中国电力科学研究院引进、开发的电力系统计算分析软件包。

本发明用到的数学模型如下：

所述的技术指标目标函数J＝F₁+F₂+F₃+F_G； (1-1)

所述的误差包括稳态区间平均允许偏差F₁；暂态区间平均允许偏差F₂；稳态区间最大允许偏差F₃；所有区间加权平均总偏差F_G；以目标函数J最小为目标；

1、稳态区间平均偏差F₁：模型仿真与试验数据在稳态区间内偏差的算术平均值；

2、暂态区间平均偏差F₂：模型仿真与试验数据在暂态区间内偏差的算术平均值；

X_M(i)：稳态区间内测试数据基波正序分量的标幺值；X_s(i)：稳态区间内仿真数据基波正序分量的标幺值；K_S-Start：计算误差区间内模型仿真数据的第一个序号；K_S-End：计算误差区间内模型仿真数据的最后一个序号；KM_-Start：计算误差区间内试验数据的第一个序号；KM_-End：计算误差区间内试验数据最后一个序号；

3、稳态区间最大偏差F₃：

X_M(i)：稳态区间内测试数据基波正序分量的标幺值；X_s(i)：稳态区间内仿真数据基波正序分量的标幺值；K_Start：计算偏差时第一个仿真、测试数据序号；K_End：计算偏差时最后一个仿真、测试数据序号；

4、加权平均绝对偏差F_{G_*}：

F_{G_*}＝AF_A*+BF_B*+CF_C*； (1-5)

F_{G_P}：有功功率加权平均绝对偏差；F_{G_Q}：无功功率加权平均绝对偏差；F_{G_IQ}：无功电流加权平均绝对偏差；F_{G_I}：电流加权平均绝对偏差；A：故障前时段权值(10％)；B：故障期间时段权值(60％)；C：故障后时段权值(30％)；F_A*：故障前时段平均绝对偏差(有功功率、无功功率、无功电流平均绝对偏差以F_AP、F_AQ、F_AIQ表示)；F_B*：故障期间时段平均绝对偏差(有功功率、无功功率、无功电流平均绝对偏差以F_BP、F_BQ、F_BIQ表示)；F_C*：故障后时段平均绝对偏差(有功功率、无功功率、无功电流平均绝对偏差以F_CP、F_CQ、F_CIQ表示)；

以B时段有功功率的平均绝对偏差F_BP为例，平均绝对偏差计算如下：

F_BP：B时段平均绝对偏差；P_M(i)：B时段内测试数据有功值；P_s(i)：B时段内仿真数据有功值；K_Start：计算偏差时第一个仿真、测试数据序号；K_End：计算偏差时最后一个仿真、测试数据序号；

网侧扰动试验时，偏差计算结果应满足以下条件：

(1)、风力发电单元升压变髙压侧电压各偏差应不大于下表1中的电压偏差最大允许值；

(2)、稳态和暂态区间的电流、无功电流、有功功率和无功功率的平均偏差、稳态区间的最大偏差以及加权平均总偏差应不大于下表1中的偏差域大允许值；

(3)、有功控制试验有功功率和电流各项偏差应不大于下表1中的最大允许偏差；

(4)、无功控制试验，无功功率和电流各项偏差应不大于表1中的最大允许偏差；表1为最大允许偏差值表；

表1最大允许偏差值

F_1.max：稳态区间平均偏差允许值；F_2.max：暂态区间平均偏差允许值；F_3.max：稳态区间最大偏差允许值；F_G.max：所有区间加权平均总偏差允许值；

5、不考虑风机叶片本身的动态特性时，风力发电机的输出功率公式：

P_f：风力发电机的输出机械功率；C_p：风能的利用系数；依据贝兹理论，C_p最大值为0.59；ρ：空气密度；R_w：风力发电机的叶轮半径；ν：空气进入风力发电机扇叶前的风速；λ：叶尖速比；ω_w：角速度；ν_w：风速；

其中：

C₁＝0.5175、C₂＝116、C₃＝0.4、C₄＝5、C₅＝21、C₆＝0.0087；

6、计算风力发电机的输出功率时，风力发电机的出力公式：

风力发电机t时刻的出力；P_r：风力发电机的额定功率；V_t：t时刻的风速；V_ci：风力发电机的切入风速；V_r：风力发电机的额定风速；V_co：风力发电机的切出风速；

通过现场实际测量录波数据进行模型仿真辨识时，对于三相对称70％低电压故障穿越类型，其故障起始时刻为153.25(周波)，故障结束时刻为229(周波)，辨识进化代数为2，辨识群体规模为4，辨识仿真时间步长为0.01秒；对于三相对称124％高电压故障穿越类型，其故障起始时刻为161.25(周波)，故障结束时刻为189.75(周波)，辨识进化代数为2，辨识群体规模为4，辨识仿真时间步长为0.01秒。上述提及百分比电压是指故障期间的平均稳态电压同正常运行状态下电压的百分比，即电压跌落至70％Un、电压升高至124％Un的情形。

在每次初始进行辨识之前BPA软件里面的辨识时间(周波)依据实测数据来设置准确的参数，辨识起始时间必须为故障发生时刻的至少前2秒以上，辨识结束时间也必须为故障结束时刻的后2秒以上，保证现场的实测录波图像同辨识的结果高度拟合，以满足目标函数J的各个暂态、稳态区间误差范围要求；扰动型号通道号、响应信号通道号根据实测录波数据的格式来选取。

通过辨识结果的图4、图9电压扰动对比图，图5、图10有功响应对比图，图6、图11无功响应对比图，图7、图12无功电流响应对比图，图8、图13电流响应对比图来看，可以分别明显看出在高低穿故障期间电压发生了短暂的电压波动，经过参数的不断迭代优化辨识，使得实测和仿真曲线高度重合。其测试数据、仿真数据二者大小也基本一致，可以通过后面的平均偏差、时段平均偏差、稳态最大偏差的大小来进行验证，各个阶段的误差都满足甚至远小于上述的偏差允许值。表2，表3的A、B、C三个区域各变量加权偏差也满足要求，表2为70％低电压故障改进的AFSA辨识法(A,B,C)区域各变量加权偏差表，表3为124％高电压故障改进的AFSA辨识法(A,B,C)区域各变量加权偏差表。

表2

表3

本发明所提及改进的AFSA法相比较于传统模型辨识的FFT/LSE法基于幅频特性和相频特性进行参数辨识，PLPF法基于分段线性化多项式函数进行参数辨识。改进的人工鱼群算法通过引入禁忌搜索(Tabu)和对人工鱼群部分行为的改进，使人工鱼群在参数寻优过程中具有记忆能力，将探索过的位置设为禁区以避免重复搜索；同时记录禁区中的一些优良参数及状态，保证搜索的高效性和多样性，从而通过改进的人工鱼群算法来实现风电机组最优化控制参数的寻优过程。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都需要落入本发明要求保护的范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种风力发电系统模型辨识方法，其特征在于，包括：

构建风力发电系统的可变参数仿真模型；确定待优化的控制参数，获取采样数据，基于采样数据对风力发电系统运行过程中的暂稳态区间进行判断，基于可变参数仿真模型计算改进的人工鱼群算法视野和步长，对采样数据进行初始化。转换个体编码，将个体编码代入可变参数仿真模型，并基于视野和步长，通过改进的人工鱼群算法对个体编码执行聚群、追尾及觅食行为，判断目标函数值是否满足约束条件，若不满足则再重复聚群、追尾及觅食行为，若满足则取优赋值作为最优参数并输出，得到风力发电系统的最优化控制参数及控制状态，其中人工鱼群算法的目标为风力发电系统与仿真系统的输出值误差最小化。

2.根据权利要求1所述风力发电系统模型辨识方法，其特征在于：

对所述风力发电系统进行扰动实验，获取采样数据；其中采样数据包括对应通道的电压波动信息；

基于所述采样数据，对所述暂稳态区间进行判断，其中暂稳态区间进行判断包括判断故障线路发生的故障类型、故障发生的时间点以及故障周期。

3.根据权利要求1所述风力发电系统模型辨识方法，其特征在于：

对仿真系统进行参数辨识优化的过程包括：

基于个体编码对待优化的控制参数进行更新；

将所述待优化的控制参数代入仿真模型，通过获取激励信号，并将激励信号输入到风力发电模型及仿真模型中，获取暂态及稳态下的风力发电系统及仿真系统的输出值，并对暂态及稳态下的输出值进行误差计算，判断误差计算结果是否满足误差范围，若不满足误差范围则通过禁忌搜索对人工鱼群算法的群体进行改进更新，并基于改进更新的群体对待优化的控制参数再次进行更新，基于再次更新后的待优化的控制参数循环代入模型、误差判断、群体改进更新，在待优化的控制参数更新的过程中，判断目标函数值是否满足约束条件，其中约束条件为达到迭代次数且误差计算结果满足误差范围。

4.根据权利要求1所述风力发电系统模型辨识方法，其特征在于：

所述输出值误差包括稳态区间平均偏差、暂态区间平均偏差、稳态区间最大偏差、所有区间加权平均总偏差，其中所述人工鱼群算法的目标为输出值误差和的最小值。

5.根据权利要求3所述风力发电系统模型辨识方法，其特征在于：

当所述达到迭代次数，所述误差计算结果无法满足误差范围时，对采样数据进行更换并且再次执行辨识程序，直到误差计算结果满足误差范围。

6.一种风力发电系统模型辨识系统，其特征在于，包括：

构建风力发电系统的可变参数仿真模型；

初始数据采集模块，确定待优化的控制参数，获取采样数据，基于采样数据对风力发电系统运行过程中的暂稳态区间进行判断；

基于可变参数仿真模型计算改进的人工鱼群算法视野和步长；

智能优化控制参数选择模块，用于对采样数据进行初始化和转换个体编码，并将个体编码代入可变参数仿真模型，并基于视野和步长，通过改进的人工鱼群算法对个体编码执行聚群、追尾及觅食行为，判断目标函数值是否满足约束条件，若不满足则再重复聚群、追尾及觅食行为，若满足则取优赋值作为最优参数并输出，得到风力发电系统的最优化控制参数及控制状态，其中人工鱼群算法的目标为风力发电系统与仿真系统的输出值误差最小化。

7.根据权利要求6所述风力发电系统模型辨识系统，其特征在于：

初始数据采集模块用于对所述风力发电系统进行扰动实验，获取采样数据；其中采样数据包括对应通道的电压波动信息；

基于所述采样数据，判断故障线路发生的故障类型、故障发生的时间点以及故障周期，以实测输出和仿真输出的对比。

8.根据权利要求6所述风力发电系统模型辨识系统，其特征在于：

智能优化控制参数选择模块包括优化模块，所述优化模块用于基于个体编码对待优化的控制参数进行更新；

将所述待优化的控制参数代入仿真模型，通过获取激励信号，并将激励信号输入到风力发电模型及仿真模型中，获取暂态及稳态下的风力发电系统及仿真系统的输出值，并对暂态及稳态下的输出值进行误差计算，判断误差计算结果是否满足误差范围，若不满足误差范围则通过禁忌搜索对人工鱼群算法的群体进行改进更新，并基于改进更新的群体对待优化的控制参数再次进行更新，基于再次更新后的待优化的控制参数循环代入模型、误差判断、群体改进更新，在待优化的控制参数更新的过程中，判断目标函数值是否满足约束条件，其中约束条件为达到迭代次数且误差计算结果满足误差范围。

9.根据权利要求6所述风力发电系统模型辨识系统，其特征在于：

所述误差包括稳态区间平均允许偏差、暂态区间平均允许偏差、稳态区间最大允许偏差、所有区间加权平均总偏差，其中所述人工鱼群算法的目标函数为输出值误差和的最小值。

10.根据权利要求6所述风力发电系统模型辨识系统，其特征在于：

所述智能优化控制参数选择模块中当达到迭代次数时，若误差计算结果无法满足误差范围时，则对初始数据采集模块中的采样数据进行更换并再次重复执行辨识程序，直到误差计算结果满足误差范围。

Images