CN115828569B - 基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法 - Google Patents

Abstract

本发明涉及双馈风机参数分析技术领域，具体公开了一种基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法。先构建双馈风电机组传动系统的辨识模型，确定待辨识参数；对双馈风电机组施加三相短路接地故障扰动，并采集施加扰动后的双馈风电机组传动系统的输出响应，构建原模型与辨识模型的误差目标函数；采用鲸鱼优化算法，基于传动系统参数和输出数据对目标函数寻优求解，输出辨识结果，并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析。本方法将鲸鱼优化算法(WOA)与轨迹灵敏度函数相结合，选取受传动系统参数影响较大的风电机组输出作为观测量，对传动系统多参数辨识，获取全局最优解，使辨识的结果更加精确。

Description

基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法

技术领域

本发明涉及双馈风机参数分析技术领域，具体涉及一种基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法。

背景技术

双馈风电机组由于其能恒频率运行且能实现最大功率追踪而成为目前风力发电的主流机组，机组传动系统为机组安全稳定运行提供保障。随着机组的运行工况不同和运行时间延长，传动系统参数会发生改变，造成机组控制振荡和运行特性误差，建立准确、可靠的风力发电系统模型迫在眉睫。而模型参数的精确值是建立模型的主要前提，其参数辨识精确程度将会直接影响模型的精准度。

双馈风电机组传动系统是双馈风电机组的重要组成部分，其系统结构和轴系参数会直接影响双馈风电机组的动态特性，特别是轴系参数因为机组长时间运行发生改变时，将会严重影响双馈风电机组的动态性能，大部分研究学者对模型的参数多采用出厂设定值，但随着机组的运行和工况变化机组的实际参数早已偏离出厂设定值，对模型仿真输出产生误差。因此对双馈风机传动系统参数进行辨识提高模型精确度对机组稳定运行控制具有重要意义。

传统的辨识算法是一种广泛应用的快速求解优化技术，但存在种群的低多样性、收敛速度慢、迭代时间长的问题。CN111817347A中公开了一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，该方法将传统量子遗传算法与非线性规划函数相结合，形成量子遗传-非线性规划算法，增强了局部搜索能力，提高辨识精度，但记忆库的存在增加了算法的复杂性，且该算法计算量大，辨识精度低。

发明内容

本发明的目的在于提供一种基于鲸鱼优化算法(WOA)的双馈风电机组传动系统参数辨识方法，解决现有优化算法中收敛速度慢、迭代时间长的问题。与其他优化算法相比，WOA具有过程简单，收敛速度快，所需调整参数少，主动搜索能力强等优点；在辨识过程中具有全局搜索能力，提高了辨识精度。

为解决上述的技术问题，本发明采用以下技术方案：一种基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法，其特征在于包括以下步骤：

步骤一、构建双馈风电机组传动系统的辨识模型，确定待辨识参数；

步骤二、对双馈风电机组施加三相短路接地故障扰动，并采集施加扰动后的双馈风电机组传动系统的输出响应，构建原模型与辨识模型的误差目标函数；

步骤三、采用鲸鱼优化算法，基于传动系统参数和输出数据对目标函数寻优求解，输出辨识结果，并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析。

更进一步的技术方案是所述双馈风电机组传动系统的辨识模型如下

式中：θ_s为风力机相对于发电机转子的扭转角，T_tur为风力机力矩，T_gen为发电机力矩，同步转速ω₀，风力机角速度ω_tur、发电机角速度ω_gen；H_tur、H_gen分别为发电机转子、风力机惯性时间常数；D_tg为风力机与发电机之间的阻尼系数；D_tur、D_gen分别为发电机、风力机自身阻尼系数；K_s为轴系刚性系数；其中，H_tur、H_gen、K_s、D_tg为待辨识参数。

更进一步的技术方案是所述步骤三具体包括如下步骤：

S1，基于原始传动系统参数运行得到原模型输出信号发电机机端电压V、机端电流I、有功功率P和无功功率Q；

S2，计算轨迹灵敏度分析输出响应受传动参数影响，以实际模型和仿真模型输出信号的增量差值，计算所有输出响应对应的轨迹灵敏度值，并选取灵敏度值最大的作为观测量；计算所有寻优值的适应度值，目标函数公式如下；

其中，K为采样总数；y_real为含有实际辨识参数对应的输出观测量实际值；y_sim为含有算法辨识参数对应的输出观测量值；θ_m为待辨识参数；

S3，采用鲸鱼优化算法基于传动系统参数和输出数据对目标误差函数寻优求解，寻优结果即为辨识模型传动系统参数辨识结果，得到双馈风电机组传动系统参数的辨识结果；

S4，输出鲸鱼优化算法参数辨识结果，并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，判断辨识模型的可靠性。

更进一步的技术方案是所述步骤S3的具体步骤如下，

S301，初始化算法迭代基本参数，设置种群数量为SearchAgents_no，迭代次数M次，粒子维度Dim，种群上下限；

S302，初始化种群速度和初始位置，在靠近下限区域内随机生成每个鲸鱼位置，将获取的仿真模型输出作为鲸鱼优化算法的输入，对鲸鱼算法进行初始化操作，根据鲸鱼包围猎物、螺旋狩猎以及搜索食物三大行为完成初始鲸鱼种群位置的初始化；

包围猎物：

D＝|C·X_q(t)-X(t)|

X(t+1)＝X_q(t)-A·D

式中X_q表示当前最优鲸鱼位置，t表示当前迭代次数，X表示当前鲸鱼个体的位置，A和C表示随机变量，其表示式为：

A＝2a·r-a

C＝2r

a＝2-2t/T

式中a表示的是从2线性减少到0的常数，r表示取值范围为[0,1]的随机数，T表示最大迭代次数；

螺旋狩猎：

X(t+1)＝D′·e^bl·cos(2πl)+X_q(t)

D′＝|X_q(t)-X(t)|

式中b表示螺旋形状参数，其值一般为1，其作用是限定搜索个体进行螺旋运动的形状，l表示取值范围为[-1,1]的一个随机数；

搜索食物：

X(t+1)＝X_rand(t)-A·D

D＝|C·X_rand(t)-X(t)|

式中X_rand表示从当前鲸鱼种群中随机选取的鲸鱼个体位置；

根据概率参数判断规则，在鲸鱼捕食过程中对鲸鱼个体位置更新，本次算法捕食行为概率均设置为50％，具体表示如下所示：

S303，按误差目标函数公式计算所有寻优解的适应度值；

S304，更新最优适应度PositionsJ和全局最优位置Positions_X；

S305，按种群中速度和鲸鱼位置更新概率判定原则更新Leader_score的位置；

S306，若满足fitness<Leader_score或达到迭代次数，则停止迭代，输出最优解即为辨识结果，否则重复步骤S302-305，直至满足fitness<Leader_score或达到迭代次数，则停止迭代。

与现有技术相比，本发明的有益效果是：

(1)本方法将鲸鱼优化算法(WOA)与轨迹灵敏度函数相结合，选取受传动系统参数影响较大的风电机组输出作为观测量，对传动系统多参数辨识，获取全局最优解，使辨识的结果更加精确。

(2)由于分别对风力机惯性时间常数(H_tur)、发电机惯性时间常数(H_gen)、轴的刚度系数(K_s)、风力机与发电机之间的阻尼系数(D_tg)的实际输出响应曲线与辨识模型的输出响应曲线进行单独拟合、采取轨迹灵敏度对实际输出响应曲线与辨识模型的输出响应曲线进行最小值拟合，增加了鲸鱼种群的多样性，提高了收敛速度和参数辨识结果的精确性。

(3)本方法能够在双馈风电机组故障和正常运行中对传动系统参数进行实时辨识，与一些传统的辨识方法如最小二乘法、KNN最近邻算法等相比，更加适用于风电工程实际应用，对双馈风电机组传动系统进行机械参数精确辨识，提高模型仿真精度。

(4)传统的辨识方法需要风电机组停机，所需辨识的机械设备取出试验，通过人为给定输入信号并施加扰动，再通过采集设备输出响应的输出曲线，辨识出机械设备的参数，而本方法通过对风电场监控数据加以提取，利用鲸鱼优化算法进行辨识，不需要对机组进行停机测试。

附图说明

图1为本发明的辨识原理图；

图2为本发明的双馈风电机组传动系统参数辨识流程图；

图3为本发明的二质量块传动系统的结构示意图；

图4为本发明的WOA算法与PSO、CPSO算法的收敛对比图；

图5为本发明的WOA算法与PSO、CPSO算法的辨识结果误差率率曲线图；

具体实施方式

下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请的保护范围。

实施例1

本发明一种基于鲸鱼优化算法的双馈风机传动系统参数辨识方法，具体包括以下步骤：

步骤一、构建双馈风机传动系统的辨识模型，确定待辨识参数；传动系统方程采用两质量块方程，如下式，参数辨识原理如图1所示，

式中：θ_s为风力机相对于发电机转子的扭转角，H_tur、H_gen为发电机转子、风力机惯性时间常数；D_tg为风力机与发电机之间的阻尼系数；D_tur、D_gen为发电机、风力机自身阻尼系数；K_s为轴系刚性系数。

步骤二、待辨识的参数包括风力机惯性时间常数(H_tur)、发电机惯性时间常数(H_gen)、轴的刚度系数(K_s)、风力机与发电机之间的阻尼系数(D_tg)，在双馈风机并网仿真中设定三相接地短路故障扰动，并采集施加扰动后的双馈风机传动系统的改变较大的输出响应，双馈风机会输出不同的响应信号，因此根据双馈风机输出信号的波动，构建原模型与辨识模型的误差目标函数；施加的扰动越大，辨识效果越精确。

步骤三、采用鲸鱼优化算法基于传动系统参数和输出数据对目标函数寻优求解，输出辨识结果并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析。具体地：

S1，基于原始传动系统参数运行得到原模型输出信号发电机机端电压V、机端电流I、有功功率P和无功功率Q。

S2，计算轨迹灵敏度分析输出响应受传动参数影响，以实际模型和仿真模型输出信号的增量差值，计算所有输出响应对应的轨迹灵敏度值，并选取灵敏度值最大的作为观测量，轨迹灵敏度计算公式如下：

式中：y_i为含待辨识参数的观测量；y_i0为含实际辨识参数的观测量；θ为待辨识参数；θ_i0为待辨识参数的实际值；Δθ为待辨识参数的增量变化；i为待辨识参数的个数。

计算所有寻优值的适应度值，目标函数公式如下；

其中，K为采样总数；y_real为含有实际辨识参数对应的输出观测量实际值；y_sim为含有算法辨识参数对应的输出观测量值；θ_m为待辨识参数。

S3，采用鲸鱼优化算法基于传动系统参数和输出数据对目标误差函数寻优求解，寻优结果即为辨识模型传动系统参数辨识结果，得到双馈风机传动系统参数的辨识结果，具体步骤如下，

S301，初始化算法迭代基本参数，设置种群数量为SearchAgents_no，迭代次数M次，粒子维度Dim，种群上下限；

S302，初始化种群速度和初始位置，在靠近下限区域内随机生成每个鲸鱼位置，将获取的仿真模型输出作为鲸鱼优化算法的输入，对鲸鱼算法进行初始化操作，根据鲸鱼包围猎物、螺旋狩猎以及搜索食物三大行为完成初始鲸鱼种群位置的初始化；

包围猎物：

D＝|C·X_q(t)-X(t)|

X(t+1)＝X_q(t)-A·D

式中X_q表示当前最优鲸鱼位置，t表示当前迭代次数，X表示当前鲸鱼个体的位置，A和C表示随机变量，其表示式为：

A＝2a·r-a

C＝2r

a＝2-2t/T

式中a表示的是从2线性减少到0的常数，r表示取值范围为[0,1]的随机数，T表示最大迭代次数。

螺旋狩猎：

X(t+1)＝D′·e^bl·cos(2πl)+X_q(t)

D′＝|X_q(t)-X(t)|

式中b表示螺旋形状参数，其值一般为1，其作用是限定搜索个体进行螺旋运动的形状，l表示取值范围为[-1,1]的一个随机数。

搜索食物：

X(t+1)＝X_rand(t)-A·D

D＝|C·X_rand(t)-X(t)|

式中X_rand表示从当前鲸鱼种群中随机选取的鲸鱼个体位置。

根据概率参数判断规则，在鲸鱼捕食过程中对鲸鱼个体位置更新，本次算法捕食行为概率均设置为50％，具体表示如下所示：

S303，按误差目标函数公式计算所有寻优解的适应度值；

S304，更新最优适应度PositionsJ和全局最优位置Positions_X；

S305，按种群中速度和鲸鱼位置更新概率判定原则更新Leader_score的位置；

S306，若满足fitness<Leader_score或达到迭代次数，则停止迭代，输出最优解即为辨识结果，否则重复步骤2-5，直至满足fitness<Leader_score或达到迭代次数，则停止迭代；

S4，输出鲸鱼优化算法参数辨识结果，并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，判断辨识模型的可靠性。

实施例2

本实施例以二质量块传动系统为例进行说明；

步骤一、构建双馈风机传动系统的辨识模型；

如图3所示，需要采集的参数包括有功功率输出值P、风力机力矩T_tur、发电机力矩T_gen、转子转速ω_r、风力机角速度ω_tur、发电机角速度ω_gen；待辨识参数包括风力机惯性时间常数H_tur；发电机惯性时间常数H_gen、轴的刚度系数K_s、风力机与发电机之间的阻尼系数D_tg；辨识参数也就是确定这些参数的具体取值；定子电感L_s、互感L_m、转子电感L_r、定子电压幅值U_s、同步转速ω₀、风力机转子阻尼系数D_tur、发电机转子阻尼系数D_gen均为已知量.

本实施例的两质量块传动系统辨识参数的真实值为：风力机惯性时间常数H_tur＝4.320；发电机惯性时间常数H_gen＝0.685、轴的刚度系数K_s＝1.110、风力机与发电机之间的阻尼系数D_tg＝1.5。

步骤二、对双馈风机施加扰动，即在辨识模型的25kv和0.575kv中间设置三相接地短路故障，故障0.3s开始，持续时间0.1s，0.4s切除，使系统逐渐恢复到正常运行；然后采集0s到0.8s之间的双馈风机传动系统实际输出响应曲线与辨识模型的输出响应曲线。

步骤三、采用鲸鱼优化算法基于传动系统参数和输出数据对目标函数寻优求解，输出辨识结果并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析。具体地：

S1，基于原始传动系统参数运行得到原模型输出信号发电机机端电压V、机端电流I、有功功率P和无功功率Q。

S2，计算轨迹灵敏度分析输出响应受传动参数影响，以实际模型和仿真模型输出信号的增量差值，计算所有输出响应对应的轨迹灵敏度值，并选取灵敏度值最大的作为观测量，轨迹灵敏度计算公式如下：

式中：y_i为含待辨识参数的观测量；y_i0为含实际辨识参数的观测量；θ为待辨识参数；θ_i0为待辨识参数的实际值；Δθ为待辨识参数的增量变化；i为待辨识参数的个数；

计算所有寻优值的适应度值，目标函数公式如下；

其中，K为采样总数；y_real为含有实际辨识参数对应的输出观测量实际值；y_sim为含有算法辨识参数对应的输出观测量值；θ_m为待辨识参数。

S3，采用鲸鱼优化算法基于传动系统参数和输出数据对目标误差函数寻优求解，寻优结果即为辨识模型传动系统参数辨识结果，得到双馈风机传动系统参数的辨识结果。具体步骤如下，

S301，初始化算法迭代基本参数，设置种群数量为SearchAgents_no，迭代次数M次，粒子维度Dim，种群上下限；

S302，初始化种群速度和初始位置，在靠近下限区域内随机生成每个鲸鱼位置，将获取的仿真模型输出作为鲸鱼优化算法的输入，对鲸鱼算法进行初始化操作，根据鲸鱼包围猎物、螺旋狩猎以及搜索食物三大行为完成初始鲸鱼种群位置的初始化；

包围猎物：

D＝|C·X_q(t)-X(t)|

X(t+1)＝X_q(t)-A·D

式中X_q表示当前最优鲸鱼位置，t表示当前迭代次数，X表示当前鲸鱼个体的位置，A和C表示随机变量，其表示式为：

A＝2a·r-a

C＝2r

a＝2-2t/T

式中a表示的是从2线性减少到0的常数，r表示取值范围为[0,1]的随机数，T表示最大迭代次数。

螺旋狩猎：

X(t+1)＝D′·e^bl·cos(2πl)+X_q(t)

D′＝|X_q(t)-X(t)|

式中b表示螺旋形状参数，其值一般为1，L表示取值范围为[-1,1]的一个随机数。

搜索食物：

X(t+1)＝X_rand(t)-A·D

D＝|C·X_rand(t)-X(t)|

式中X_rand表示从当前鲸鱼种群中随机选取的鲸鱼个体位置。

根据概率参数判断规则，在鲸鱼捕食过程中对鲸鱼个体位置更新，本次算法捕食行为概率均设置为50％，具体表示如下所示：

S303，按误差目标函数公式计算所有寻优解的适应度值；

S304，更新最优适应度PositionsJ和全局最优位置Positions_X；

S305，按种群中速度和鲸鱼位置更新概率判定原则更新Leader_score的位置；

S306，若满足fitness<Leader_score或达到迭代次数，则停止迭代，输出最优解即为辨识结果，否则重复步骤2-5，直至满足fitness<Leader_score或达到迭代次数，则停止迭代；

S4，输出鲸鱼优化算法参数辨识结果，并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，判断辨识模型的可靠性。

为验证本方法的有效性，分别采用粒子群优化算法(PSO)、混沌粒子群优化算法(CPSO)和本发明的鲸鱼优化算法(WOA)辨识风电机组传动系统的参数；三种方法的辨识结果如下表所示：

从表中可知，鲸鱼优化算法的辨识值更加接近真实值，由于粒子群算法极易陷入局部寻优，迭代求解速度相对于WOA较慢，由图4可知，PSO算法需要迭代到第三十五代才可以收敛到某一值，CPSO算法需要迭代到第二十二代才可以收敛到某一值，而WOA算法迭代至第十五代就可收敛到某一值，表明了WOA收敛速度快、辨识准确度，且该算法跳出了局部寻优，增加了全局搜索能力，其收敛效果优于PSO和CPSO，WOA提供了更高的辨识精度；

由于分别对风力机惯性时间常数(Htur)、发电机惯性时间常数(Hgen)、轴的刚度系数(Ks)、风力机与发电机之间的阻尼系数(Dtg)的实际输出响应曲线与辨识模型的输出响应曲线进行单独拟合、采取轨迹灵敏度对实际输出响应曲线与辨识模型的输出响应曲线进行最小值拟合，增加了鲸鱼种群的多样性，提高了收敛速度和参数辨识结果的精确性。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的范围之内；对于本领域技术人员来说，其他的用途也将是明显的。

Claims (2)

1.一种基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法，其特征在于包括以下步骤：

步骤一、构建双馈风电机组传动系统的辨识模型，确定待辨识参数；

所述双馈风电机组传动系统的辨识模型如下：

式中：θ_s为风力机相对于发电机转子的扭转角，T_tur为风力机力矩，T_gen为发电机力矩，同步转速ω₀，风力机角速度ω_tur、发电机角速度ω_gen；H_tur、H_gen分别为发电机转子、风力机惯性时间常数；D_tg为风力机与发电机之间的阻尼系数；D_tur、D_gen分别为发电机、风力机自身阻尼系数；K_s为轴系刚性系数；其中，H_tur、H_gen、K_s、D_tg为待辨识参数；

步骤二、对双馈风电机组施加三相短路接地故障扰动，并采集施加扰动后的双馈风电机组传动系统的输出响应，构建原模型与辨识模型的误差目标函数；

步骤三、采用鲸鱼优化算法，基于传动系统参数和输出数据对目标函数寻优求解，输出辨识结果，并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析；

所述步骤三具体包括如下步骤：

S1，基于原始传动系统参数运行得到原模型输出信号发电机机端电压V、机端电流I、有功功率P和无功功率Q；

S2，计算轨迹灵敏度分析输出响应受传动参数影响，以实际模型和仿真模型输出信号的增量差值，计算所有输出响应对应的轨迹灵敏度值，并选取灵敏度值最大的作为观测量；计算所有寻优值的适应度值，目标函数公式如下；

其中，K为采样总数；y_real为含有实际辨识参数对应的输出观测量实际值；y_sim为含有算法辨识参数对应的输出观测量值；θ_m为待辨识参数；

S3，采用鲸鱼优化算法基于传动系统参数和输出数据对目标误差函数寻优求解，寻优结果即为辨识模型传动系统参数辨识结果，得到双馈风电机组传动系统参数的辨识结果；

S4，输出鲸鱼优化算法参数辨识结果，并对实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，判断辨识模型的可靠性。

2.根据权利要求1所述的基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法，其特征在于：所述步骤S3的具体步骤如下，

S301，初始化算法迭代基本参数，设置种群数量为SearchAgents_no，迭代次数M次，粒子维度Dim，种群上下限；

S302，初始化种群速度和初始位置，在靠近下限区域内随机生成每个鲸鱼位置，将获取的仿真模型输出作为鲸鱼优化算法的输入，对鲸鱼算法进行初始化操作，根据鲸鱼包围猎物、螺旋狩猎以及搜索食物三大行为完成初始鲸鱼种群位置的初始化；

包围猎物：

D＝|C·X_q(t)-X(t)|

X(t+1)＝X_q(t)-A·D

式中X_q表示当前最优鲸鱼位置，t表示当前迭代次数，X表示当前鲸鱼个体的位置，A和C表示随机变量，其表示式为：

A＝2a·r-a

C＝2r

a＝2-2t/T

式中a表示的是从2线性减少到0的常数，r表示取值范围为[0,1]的随机数，T表示最大迭代次数；

螺旋狩猎：

X(t+1)＝D′·e^bl·cos(2πl)+X_q(t)

D′＝|X_q(t)-X(t)|

式中b表示螺旋形状参数，其值一般为1，其作用是限定搜索个体进行螺旋运动的形状，l表示取值范围为[-1,1]的一个随机数；

搜索食物：

X(t+1)＝X_rand(t)-A·D

D＝|C·X_rand(t)-X(t)|

式中X_rand表示从当前鲸鱼种群中随机选取的鲸鱼个体位置；

根据概率参数判断规则，在鲸鱼捕食过程中对鲸鱼个体位置更新，本次算法捕食行为概率均设置为50％，具体表示如下所示：

S303，按误差目标函数公式计算所有寻优解的适应度值；

S304，更新最优适应度Positions J和全局最优位置Positions_X；

S305，按种群中速度和鲸鱼位置更新概率判定原则更新Leader_score的位置；

S306，若满足fitness<Leader_score或达到迭代次数，则停止迭代，输出最优解即为辨识结果，否则重复步骤S302-305，直至满足fitness<Leader_score或达到迭代次数，则停止迭代。