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

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 Download PDF

Info

Publication number
CN115828569B
CN115828569B CN202211497596.1A CN202211497596A CN115828569B CN 115828569 B CN115828569 B CN 115828569B CN 202211497596 A CN202211497596 A CN 202211497596A CN 115828569 B CN115828569 B CN 115828569B
Authority
CN
China
Prior art keywords
wind turbine
transmission system
whale
parameters
doubly
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
Application number
CN202211497596.1A
Other languages
English (en)
Other versions
CN115828569A (zh
Inventor
曾云
李友涛
钱晶
罗竹梅
杨繁杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202211497596.1A priority Critical patent/CN115828569B/zh
Publication of CN115828569A publication Critical patent/CN115828569A/zh
Application granted granted Critical
Publication of CN115828569B publication Critical patent/CN115828569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

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:θs为风力机相对于发电机转子的扭转角,Ttur为风力机力矩,Tgen为发电机力矩,同步转速ω0,风力机角速度ωtur、发电机角速度ωgen;Htur、Hgen分别为发电机转子、风力机惯性时间常数;Dtg为风力机与发电机之间的阻尼系数;Dtur、Dgen分别为发电机、风力机自身阻尼系数;Ks为轴系刚性系数;其中,Htur、Hgen、Ks、Dtg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;yreal为含有实际辨识参数对应的输出观测量实际值;ysim为含有算法辨识参数对应的输出观测量值;θm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·Xq(t)-X(t)|
X(t+1)=Xq(t)-A·D
式中Xq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′·ebl·cos(2πl)+Xq(t)
D′=|Xq(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)=Xrand(t)-A·D
D=|C·Xrand(t)-X(t)|
式中Xrand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(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。
(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:θs为风力机相对于发电机转子的扭转角,Htur、Hgen为发电机转子、风力机惯性时间常数;Dtg为风力机与发电机之间的阻尼系数;Dtur、Dgen为发电机、风力机自身阻尼系数;Ks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(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),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:yi为含待辨识参数的观测量;yi0为含实际辨识参数的观测量;θ为待辨识参数;θi0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;yreal为含有实际辨识参数对应的输出观测量实际值;ysim为含有算法辨识参数对应的输出观测量值;θm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·Xq(t)-X(t)|
X(t+1)=Xq(t)-A·D
式中Xq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′·ebl·cos(2πl)+Xq(t)
D′=|Xq(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)=Xrand(t)-A·D
D=|C·Xrand(t)-X(t)|
式中Xrand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Ttur、发电机力矩Tgen、转子转速ωr、风力机角速度ωtur、发电机角速度ωgen;待辨识参数包括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;辨识参数也就是确定这些参数的具体取值;定子电感Ls、互感Lm、转子电感Lr、定子电压幅值Us、同步转速ω0、风力机转子阻尼系数Dtur、发电机转子阻尼系数Dgen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Htur=4.320;发电机惯性时间常数Hgen=0.685、轴的刚度系数Ks=1.110、风力机与发电机之间的阻尼系数Dtg=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:yi为含待辨识参数的观测量;yi0为含实际辨识参数的观测量;θ为待辨识参数;θi0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;yreal为含有实际辨识参数对应的输出观测量实际值;ysim为含有算法辨识参数对应的输出观测量值;θm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·Xq(t)-X(t)|
X(t+1)=Xq(t)-A·D
式中Xq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′·ebl·cos(2πl)+Xq(t)
D′=|Xq(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)=Xrand(t)-A·D
D=|C·Xrand(t)-X(t)|
式中Xrand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:θs为风力机相对于发电机转子的扭转角,Ttur为风力机力矩,Tgen为发电机力矩,同步转速ω0,风力机角速度ωtur、发电机角速度ωgen;Htur、Hgen分别为发电机转子、风力机惯性时间常数;Dtg为风力机与发电机之间的阻尼系数;Dtur、Dgen分别为发电机、风力机自身阻尼系数;Ks为轴系刚性系数;其中,Htur、Hgen、Ks、Dtg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;yreal为含有实际辨识参数对应的输出观测量实际值;ysim为含有算法辨识参数对应的输出观测量值;θm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·Xq(t)-X(t)|
X(t+1)=Xq(t)-A·D
式中Xq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′·ebl·cos(2πl)+Xq(t)
D′=|Xq(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)=Xrand(t)-A·D
D=|C·Xrand(t)-X(t)|
式中Xrand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。
CN202211497596.1A 2022-11-26 2022-11-26 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 Active CN115828569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211497596.1A CN115828569B (zh) 2022-11-26 2022-11-26 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211497596.1A CN115828569B (zh) 2022-11-26 2022-11-26 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

Publications (2)

Publication Number Publication Date
CN115828569A CN115828569A (zh) 2023-03-21
CN115828569B true CN115828569B (zh) 2023-10-31

Family

ID=85531961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211497596.1A Active CN115828569B (zh) 2022-11-26 2022-11-26 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

Country Status (1)

Country Link
CN (1) CN115828569B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106169747A (zh) * 2016-07-20 2016-11-30 河海大学 一种双馈感应发电机参数辨识方法
CN107453401A (zh) * 2017-09-13 2017-12-08 河海大学 一种双馈风力发电机参数辨识方法
CN107798205A (zh) * 2017-12-11 2018-03-13 河海大学 双馈感应风力发电机组轴系模型参数的单独辨识方法
WO2020197533A1 (en) * 2019-03-22 2020-10-01 General Electric Company Surrogate of a simulation engine for power system model calibration
CN111817347A (zh) * 2020-07-28 2020-10-23 河北工业大学 基于改进量子遗传算法的双馈风机变流器参数辨识方法
CN114114922A (zh) * 2021-11-26 2022-03-01 云南电力技术有限责任公司 一种水轮机调节系统控制参数优化方法
CN114977939A (zh) * 2022-05-26 2022-08-30 三峡大学 基于改进多目标粒子群算法的双馈风机控制参数辨识方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106169747A (zh) * 2016-07-20 2016-11-30 河海大学 一种双馈感应发电机参数辨识方法
CN107453401A (zh) * 2017-09-13 2017-12-08 河海大学 一种双馈风力发电机参数辨识方法
CN107798205A (zh) * 2017-12-11 2018-03-13 河海大学 双馈感应风力发电机组轴系模型参数的单独辨识方法
WO2020197533A1 (en) * 2019-03-22 2020-10-01 General Electric Company Surrogate of a simulation engine for power system model calibration
CN111817347A (zh) * 2020-07-28 2020-10-23 河北工业大学 基于改进量子遗传算法的双馈风机变流器参数辨识方法
CN114114922A (zh) * 2021-11-26 2022-03-01 云南电力技术有限责任公司 一种水轮机调节系统控制参数优化方法
CN114977939A (zh) * 2022-05-26 2022-08-30 三峡大学 基于改进多目标粒子群算法的双馈风机控制参数辨识方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
利用最小二乘与最优控制的水轮机模型参数辨识;侯睿等;软件导刊;88-93 *
双馈风力发电机三相短路状态下的参数辨识;张建华等;电力自动化设备;86-89 *
基于改进PSO的双馈风电机组传动链参数辨识;李辉;吴优;谢翔杰;柴兆森;龚立娇;鲁敏;太阳能学报(第012期);134-142 *
基于混沌权重和精英引导的鲸鱼优化算法;黄辉先;张广炎;陈思溢;胡拚;;传感器与微系统(第05期);119-122 *
水轮发电机组振荡特性的简化分析方法;曾云;张立翔;王煜;;电机与控制学报(第S1期);30-34 *
考虑传动系统疲劳的风电机组参与电网调频控制策略;何秉宸;王晓东;;电器与能效管理技术(第07期);22-28+63 *

Also Published As

Publication number Publication date
CN115828569A (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN109217362B (zh) 一种双馈风机并网系统低频振荡扰动源定位系统及方法
CN106150904A (zh) 一种风力发电机组偏航系统控制性能优化方法及系统
CN108964046B (zh) 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法
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
Nouriani et al. Variable speed wind turbine power control: A comparison between multiple MPPT based methods
CN114263564B (zh) 考虑不变桨风速范围的风电机组有功功率控制方法及系统
Zeghdi et al. Improved backstepping control of a DFIG based wind energy conversion system using ant lion optimizer algorithm
CN110361963B (zh) 一种永磁风机pi参数优化方法及装置
CN106953566A (zh) 一种基于模糊pid控制器的频率匹配的方法与装置
CN115828569B (zh) 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
Aleksandr et al. MPPT algorithms for wind turbines: review and comparison
CN115977874B (zh) 基于激光测风雷达的风电机组偏航自适应校准方法及系统
CN116123029A (zh) 一种桨距角控制方法、装置、电子设备及风电机组
CN112682258B (zh) 基于Backstepping的大型风力机最大功率点跟踪控制方法
CN113221281B (zh) 一种预测风速对风机叶片动力特性影响的方法
CN113098057B (zh) 一种双馈风机参数的多目标高维多分数阶优化方法
CN112211782B (zh) 基于起始转速自适应搜索的收缩跟踪区间控制方法
CN115288929A (zh) 一种计及载荷计算的风电机组偏航控制方法及系统
CN113688581A (zh) 风电场有功出力优化控制的方法、装置、电子设备及介质
CN113464378A (zh) 一种基于深度强化学习的提升风能捕获的转速跟踪目标优化方法
Pan et al. Grey-box parameter identification for drive-train system of large-scale wind turbine
Amini et al. Control co-design of a hydrokinetic turbine: a comparative study of open-loop optimal control and feedback control
Živković et al. Hybrid soft computing control strategies for improving the energy capture of a wind farm
CN116499748B (zh) 基于改进smote和分类器的轴承故障诊断方法、系统
Maknunah et al. Control system design of adaptive wind turbine pitch angle using particle swarm optimization algorithm

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