CN115967098A - 一种基于无模型自适应控制的次同步阻尼控制方法 - Google Patents
一种基于无模型自适应控制的次同步阻尼控制方法 Download PDFInfo
- Publication number
- CN115967098A CN115967098A CN202210322666.3A CN202210322666A CN115967098A CN 115967098 A CN115967098 A CN 115967098A CN 202210322666 A CN202210322666 A CN 202210322666A CN 115967098 A CN115967098 A CN 115967098A
- Authority
- CN
- China
- Prior art keywords
- subsynchronous
- partial derivative
- output
- subsynchronous damping
- model
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于无模型自适应控制的次同步阻尼控制方法,先基于无模型自适应控制方法设计次同步阻尼控制器结构,利用系统输入输出数据动态建立电力系统的虚拟等效时变线性化数据模型以自适应控制被控系统,达到抑制次同步振荡的目的;采用所述方法后闭环系统的跟踪误差一致最终有界性及有界输入‑有界输出稳定性。本发明依托动态线性化技术从系统输入输出数据中提取动态特征,以摆脱控制方法对建模准确性的依赖,增强控制器自适应性,所需的数据量小,控制算法复杂度低,实时性好。
Description
技术领域
本发明涉及电力系统控制技术领域,具体是一种基于无模型自适应控制的次同步阻尼控制方法。
背景技术
截至2020年末,风力发电装机容量已达2.81亿千瓦,且风电接入规模将不断增大。当风电远距离并网外送时,常接入固定串联补偿电容器提高系统的输电能力及稳定性。然而,事实与研究表明经固定串补并网的风电系统易发生次同步振荡(sub-synchronousoscillation,SSO)问题。2009年10月,因线路串补度变化,美国德州的某双馈风机–固定串补系统发生了次同步振荡事故,导致大批风电机组的损坏、脱网。加拿大布法罗岭地区及中国华北地区等也曾发生过类似的事故。
目前,在抑制风电场次同步振荡的研究中,在双馈风机变流器中附加次同步阻尼控制器因低成本及低控制难度而受到广泛关注。然而,在风电场运行过程中,不确定因素较多,风机运行状态变化大,现有的附加次同步阻尼控制器仅考虑单个或几个运行点的情况设计控制器的控制参数,存在无法适应系统所有运行状态的情况;此外,现有的附加次同步阻尼控制器的参数设计均依赖于风电系统准确的动态模型,属于模型驱动的控制(model-based control,MBC)。由于风电外送系统控制过程复杂且非线性强,基于MBC的控制方法不可避免地存在未建模的动态环节和其他不确定性因素,影响附加次同步阻尼控制器的控制效果。
发明内容
本发明的目的在于提供一种基于无模型自适应控制的次同步阻尼控制方法,基于无模型自适应控制方法设计次同步阻尼控制器结构,利用系统输入输出数据动态建立电力系统的虚拟等效时变线性化数据模型以自适应控制被控系统,达到抑制次同步振荡的目的;随后从理论上证明了采用所述方法后闭环系统的跟踪误差一致最终有界性及有界输入-有界输出稳定性。本发明依托动态线性化技术从系统输入输出数据中提取动态特征,以摆脱控制方法对建模准确性的依赖,增强控制器自适应性,所需的数据量小,控制算法复杂度低,实时性好。
本发明的目的可以通过以下技术方案实现:一种基于无模型自适应控制的次同步阻尼控制方法,包括如下步骤:
S1:选取发生次同步振荡时具有显著次同步分量的信号作为次同步阻尼控制器的输入信号;
S2:采集选取的输入信号;
S3:采用遗传算法对次同步阻尼控制器初始参数进行优化;
S4:所述次同步阻尼控制器采用紧格式线性化方法,利用S2中采集到的输入信号建立电力系统虚拟时变等效线性化数学模型;
S5:所述次同步阻尼控制器采用适用于阻尼控制的一步向前加权预测算法,根据S4中构建的线性化数学模型生成控制信号;
S6:将S4中生成的控制信号附加到风机变流器中。
作为本发明进一步的方案,S2中所述输入信号选取在系统稳态时保持恒定而发生次同步振荡时变化显著的系统状态变量偏差信号。
作为本发明进一步的方案,所述S4中,电力系统虚拟等效时变线性化数据模型包括:
系统输出估计算法为:
式中,为系统输出信号y(k)的估计值;φc(k)为表示风电外送系统的伪偏导数的估计值;Δu(k)=u(k)-u(k-1);u(k)表示系统在k时刻的输入信号;γ为位于(0,1)的误差增益;为输出的估计误差;
相应伪偏导数估计值的自适应迭代算法为:
式中,Γ(k)=η/(Δu(k)2+μ),表示伪偏导数步长变化量的权重系数;η为表示伪偏导数估计算法的步长因子的正常数;μ为表示伪偏导数变化量的惩罚系数;F=1-γ。
作为本发明进一步的方案,所述S4中适用于阻尼控制的一步向前预测控制算法为:
式中,ρ0,ρ1为步长因子;λ表示系统输入信号的惩罚系数;y*表示系统的期望输出。
作为本发明进一步的方案,所述S3中次同步阻尼控制器初始参数包括惩罚系数、步长因子和误差增益;参数优化选取基于时间与误差平方乘积积分指标建立目标函数,采用遗传算法对次同步阻尼控制器初始参数进行优化。
作为本发明进一步的方案,所述参数优化方法包括如下步骤:
S31:建立基于时间与误差平方乘积积分指标的目标函数;
S32:设置次同步阻尼控制器的参数初始值[λ,ρ0,ρ1,μ,η,γ],这些参数初始值的选取对于优化效果及所需时间具有一定的影响,需要依据参数设计原则进行合理设置;其中,λ为控制准则函数的惩罚系数,ρ0,ρ1为一步向前预测器的步长因子,μ为伪偏导数估计器的惩罚系数,η为伪偏导数估计器的步长因子,γ为误差增益;
S33:采用遗传算法优化权利要求1所述的次同步阻尼控制器的参数,设置种群大小以及最大迭代次数;
S34:运行与目标函数有关的仿真程序,计算目标函数值;
S35:判断优化后的参数值是否稳定性证明的约束条件,若是,转至S36;若否,在目标函数中添加一个惩罚项,并转至S36;
S36:判断迭代次数是否达到最大迭代次数,若是,则选择目标函数值最小的一组[λ,ρ0,ρ1,μ,η,γ]值作为最终的最优解;若否,则转至S33进行下一次优化迭代;
作为本发明进一步的方案,参数设计:
步骤1:λ越小,系统的响应越快,但可能产生超调;λ越大,系统的响应越慢;
步骤2:步长引子ρ0,ρ1影响着控制器的学习速度,其值越大,控制器输出每步变化的幅值越大;
步骤3:μ为伪偏导数性能指标函数的权重系数(取值为正),用于确定伪偏导数的约束强度。μ过小,系统不稳定的可能性将增大;而μ过大,受控系统输出的振荡幅值将增大,收敛速度将减慢;
步骤4:η用于调整伪偏导数估计速度,η∈(0,2]。η越大,受控系统输出的振荡幅值越小;
步骤5:γ为输出估计误差的增益,γ∈(0,1)。影响系统的收敛速度,γ越大,受控系统输出的收敛速度将越快;但是γ过大,可能导致系统跟踪误差无法有效收敛。
本发明的有益效果:
1、本发明次同步阻尼控制器无需根据内部机理建模,适用于电力系统这一类非线性复杂系统,算法复杂度低,不受建模精确程度的影响;
2、本发明次同步阻尼控制器通过在线获取输入输出(I/O)数据,不断更新伪偏导数值,自适应能力强,适用于运行状态变化较大的风电系统;
3、本发明次同步阻尼控制器相较于基于神经网络控制等的控制方法,不需要任何外在的测试信号或训练过程,所需的实时数据量及计算量较小,成本较低,工程实用价值较高;
4、本发明次同步阻尼控制器在一些实际假设下具有较为完整的理论证明,可保证闭环系统跟踪误差的单调收敛性和有界输入-有界输出稳定性;
5、本发明提出的一种基于无模型自适应控制的次同步阻尼控制方法能有效抑制风电场的次同步振荡现象,该方法可以适应风电场运行期间可能存在的各类运行点,仅需在风机换流器中加装即可,对风电外送系统的运行方式无需做出改变,控制成本较低。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的次同步阻尼控制器结构示意图;
图2为本发明的参数优化方法流程图;
图3为本发明的次同步振荡阻尼控制器在风电系统中的安装位置图;
图4为本发明的系统运行状态在不同时刻变化时次同步阻尼控制器的抑制效果;
图5为本发明的含风机群1,2的风电外送系统;
图6为本发明在大扰动发生时风机群1的有功输出时域波形。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种基于无模型自适应控制的次同步阻尼控制方法,包括如下步骤:
S1:选取发生次同步振荡时具有显著次同步分量的信号作为次同步阻尼控制器的输入信号;
S2:采集选取的输入信号;
S3:采用遗传算法对次同步阻尼控制器初始参数进行优化;
S4:所述次同步阻尼控制器采用紧格式线性化方法,利用S2中采集到的输入信号建立电力系统虚拟时变等效线性化数学模型;
S5:所述次同步阻尼控制器采用适用于阻尼控制的一步向前加权预测算法,根据S4中构建的线性化数学模型生成控制信号;
S6:将S4中生成的控制信号附加到风机变流器中。
风电外送系统可以被视为单输入单输出的离散时间非线性系统,可以用以下模型描述:
y(k+1)=f(y(k),...,y(k-Ny),u(k),...,u(k-Nu))+d(k) (1)
式中,u(k),y(k)分别表示系统在k时刻的输入和输出;Nu,Ny分别为输入、输出的维数;f(·)为一未知的非线性函数;d(k)表示系统在k时刻受到的有限未知扰动。
当系统满足以下2个假设时,可以对式进行等价线性化:
假设1:除有限时刻点外,函数f(·)关于输入u(k)的偏导数连续。
假设2:除有限时刻点外,式满足广义Lipschitz条件,即:
|y(k+1)-y(k)|≤b|u(k)-u(k-1)|
式中,b为一正常数;|u(k)-u(k-1)|≠0。
假设1是针对一般非线性系统的典型约束,而假设2表明有界的输入能量变化应产生有界的系统输出能量变化,多数实际系统均满足这些假设。由于电力系统为一真实物理系统,能量是守恒的,满足假设1和2,其中有限时刻点代表了某些突发事件(例如断线等扰动)的发生。
利用紧格式线性化方法,式可以写为:
y(k+1)=y(k)+φc(k)Δu(k)+Δd(k) (2)
式中,φc(k)表示式(1)的伪偏导数;|φc(k)|为有界的;Δu(k)=u(k)-u(k-1);d(k)=d(k)-d(k-1),且|Δd(k)|<Ω,Ω为表示Δd(k)限值的正常数。
为了得到伪偏导数估计值的迭代算法,建立如下基于紧格式线性化方法的系统输出估计算法:
式中,即为系统输出信号y(k)的估计值;为输出的估计误差;γ为位于(0,1)的误差增益。
相应伪偏导数估计值的自适应迭代算法为:
式中,Γ(k)=η/(Δu(k)2+μ),表示伪偏导数步长变化量的权重系数,Γ(k)越大,的收敛速度越快,但如果Γ(k)过大,系统容易因过快的收敛速度而失稳;η为表示伪偏导数估计算法的步长因子的正常数;μ为正常数,表示伪偏导数变化量的惩罚系数,以确定伪偏导数的约束强度;F=1-γ,位于(0,1)区间。
为了提高迭代过程中追踪时变参数的能力,需要构建如下的算法重置机制:
式中ε为一个足够小的正数,且被证明是有界。
上述式构成所述伪偏导数估计器控制算法。
进一步的,所述一步向前预测器基于建立的数据模型,根据适用于阻尼控制的一步向前加权预测算法得到所述次同步阻尼控制器的控制信号,即:
考虑到所述次同步阻尼控制器作为附加控制,在系统恢复稳定后,所述次同步阻尼控制器的控制信号u(k)应趋近于0,以免对系统的其他正常控制功能产生影响,因此,建立如下新型的控制准则函数:
其中,y*(k+1)表示系统在(k+1)时刻的期望输出,对于抑制次同步振荡问题,期望输出为0;λ为正数,表示系统输入信号的惩罚系数。
将代入函数,得到:
对式关于u(k)求偏导,并令偏导数为0,得:
式为所述一步向前预测器的控制算法。
进一步的,所述稳定性证明从数学上证明了采用所述次同步阻尼控制器后闭环系统的跟踪误差一致最终有界性及有界输入–有界输出稳定性,即:
当y*=const.时,存在一个正实数λmin,当λ>λmin时以下结论成立:
1)风电系统输出的跟踪误差e(k)=y*-y(k)为一致最终有界(UUB)的,且
2)系统输入输出序列{u(k)},{y(k)}为有界的,即该系统为BIBO稳定。
为了证明1),引入系统估计跟踪误差则跟踪误差e(k)可表示为:
e(k)=e′(k)-e0(k) (9)
其中,
因此,若依次证明出e0(k)和e′(k)具有一致最终有界性,即可证明e(k)一致最终有界且系统整体为BIBO稳定。
对于e0(k)的一致最终有界性:
根据y(k+1)及的迭代公式,,两者相减可得e0(k+1)的迭代公式:
构造李雅普诺夫函数V1(k)=|e0(k)|以证明e0(k)的有界性,则:
其中,a1=γ且a2=|(φc(k)-φc(k))Δu(k)|+|Δd(k)|。
根据上文定义,a1=γ∈(0,1)且a2中各项均有界,则可证任意时刻k下,e0(k)为一致最终有界,且
对于e′(k)的一致最终有界性:
将代入可以得到e′(k)的迭代公式:
引入向量
U(k)=[u(k),u(k-1)]T
则e(k)=e′(k)-e0(k)可表示为:
同理,u(k)的算法模型可以进一步表示为:
将上式代入向量U(k),则有:
其中,C=[1,0]T。
由于|φc(k)|是有界的,设其上界为则存在λmin>0及正常数M1,M2,M3,M4,使得当λ>λmin时,以下结论满足:
(a)
(b)
(c)
(d)M2+M4<1
根据结论(b)及0<ρ1≤1,可知A(k)的相容范数满足||A(k)||v≤ρ1M3<1。令d1=ρ1M3,又已知||U(0)||v,对式两边取范数,则有:
将式代入式,可得:
根据结论(b),在(0,1]中选取适当的ρ0,使
令d2=1-ρ0M2,对式两边取范数,可得
令d3=ρ0M4,根据结论(c),上式可变为:
令不等式的右侧等于g(k+1),即
于是,|e′(k-1)|≤g(k-1),将e′(k)的有界性证明问题转化为证明函数g(k)的有界性。
首先求得g(k)的迭代关系:
其中,令
根据结论(d),由于M2+M4<1,可得:
d2=1-ρ0M2>ρ0(M2+M4)-ρ0M2=d3 (22)
利用该性质,可使以下证明过程成立:
将式代入式,可得g(k)的迭代关系:
g(k+1)<(d1+d2)g(k)+γd2|e0(k)| (24)
其次,构造李雅普诺夫函数V2(k)g(k),证明g(k)的有界性:
其中,a3=1-d1-d2,a4=γd2|e0(k)|。
选择合适的ρ1,使ρ1M3≤ρ0M2,此时0≤a3=1-d1-d2<1,因此可证g(k)为一致最终有界的,且
由于|e′(k-1)|≤g(k-1),则可证e′(k)在任意k时刻具有一致最终有界性,且
根据推导得到的e0(k)和e′(k)的一致有界性,可证得系统的跟踪误差e(k)为一致最终有界的,且
对于系统输入输出序列{u(k)},{y(k)}的BIBO稳定性:
由于e(k)为有界的,且y*=0,可证输出序列{y(k)}具有有界稳定性;对于输入序列{u(k)},利用式,同样可构造李雅普诺夫函数证明其有界性:
其中,a5=1-d1,a6=ρ0M1(|e′(k)|+γ|e0(k)|)。
由于0<a5<1,a6为有界的,则可证明输入序列{u(k)}同样有界稳定。
进一步的,所述参数优化方法对次同步阻尼初始参数进行优化,即:
需要优化的控制参数为[φc(1),λ,ρ0,ρ1,μ,η,γ],其中由于伪偏导数自身可根据不同的运行条件实现自适应更新,φc(1)的取值可较为粗略地设置。
优化方法步骤如下:
S1:建立目标函数。基于时间与误差平方乘积积分指标建立的函数为:
式中,e(t)表示次同步阻尼控制器的跟踪误差e(k)=y*-y(k)。
Step 2:设置[λ,ρ0,ρ1,μ,η,γ]的初始值。这些参数初始值的选取对于优化效果及所需时间具有一定的影响,需合理设置。
所依据的设计原则如下:
1)λ越小,系统的响应越快,但可能产生超调;λ越大,系统的响应越慢。
2)步长因子影响着控制器的学习速度,其值越大,控制器输出每步变化的幅值越大。
3)μ为伪偏导数性能指标函数的权重系数(取值为正),用于确定伪偏导数的约束强度。μ过小,系统不稳定的可能性将增大;而μ过大,受控系统输出的振荡幅值将增大,收敛速度将减慢。
4)η用于调整伪偏导数估计速度,η∈(0,2]。η越大,受控系统输出的振荡幅值越小。
5)γ为输出估计误差e0(k)的增益,γ∈(0,1)。影响系统的收敛速度,γ越大,受控系统输出的收敛速度将越快;但是γ过大,可能导致系统跟踪误差无法有效收敛。
S3:采用遗传算法(GA)优化控制参数。可使用MATLAB中的GA工具箱,种群大小设置为50,最大迭代次数设置为100。
S4:计算目标函数值。
S5:判断优化后[λ,ρ0,ρ1]的值是否满足如下约束条件:
1)选择合适的λ,使得当λ>λmin时,
式中,表示|φc(k)|的上界。由于伪偏导数的更新方向一般是越来越靠近0的,且根据重置机制,伪偏导数具有保号性,因此一般可认为是|φc(1)|。
2)选择合适的ρ1,使
若[λ,ρ0,ρ1]不满足约束条件,则在式所示的目标函数中添加一个惩罚项。
S6:判断迭代次数是否达到最大迭代次数。若否,则转到Step 3进行下一次优化迭代;若是,则选择目标函数值最小的一组[λ,ρ0,ρ1,μ,η,γ]值作为最终的最优解。
如图1所示为本发明的次同步阻尼控制器结构图,包含系统状态量偏差信号采集装置、利用当前时刻的系统状态量偏差信号建立系统虚拟等效时变线性化数据模型的伪偏导数估计器以及基于虚拟等效时变线性化模型得到所述次同步阻尼控制器控制信号的一步向前预测器。
图2为本发明次同步阻尼控制器参数优化流程图,包括以下步骤:
S1:建立目标函数。基于时间与误差平方乘积积分指标建立的函数为:
式中,e(t)表示次同步阻尼控制器的跟踪误差e(k)=y*-y(k)。
S2:设置[λ,ρ0,ρ1,μ,η,γ]的初始值。这些参数初始值的选取对于优化效果及所需时间具有一定的影响,需合理设置。
所依据的设计原则如下:
1)λ越小,系统的响应越快,但可能产生超调;λ越大,系统的响应越慢。
2)步长引子影响着控制器的学习速度,其值越大,控制器输出每步变化的幅值越大。
3)μ为伪偏导数性能指标函数的权重系数(取值为正),用于确定伪偏导数的约束强度。μ过小,系统不稳定的可能性将增大;而μ过大,受控系统输出的振荡幅值将增大,收敛速度将减慢。
4)η用于调整伪偏导数估计速度,η∈(0,2]。η越大,受控系统输出的振荡幅值越小。
5)γ为输出估计误差e0(k)的增益,γ∈(0,1)。影响系统的收敛速度,γ越大,受控系统输出的收敛速度将越快;但是γ过大,可能导致系统跟踪误差无法有效收敛。
S3:采用遗传算法(GA)优化控制参数。可使用MATLAB中的GA工具箱,种群大小设置为50,最大迭代次数设置为100。
S4:计算目标函数值。
S5:判断优化后[λ,ρ0,ρ1]的值是否满足如下约束条件:
1)选择合适的λ,使得当λ>λmin时,
式中,表示|φc(k)|的上界。由于伪偏导数的更新方向一般是越来越靠近0的,且根据重置机制,伪偏导数具有保号性,因此一般可认为是|φc(1)|。
2)选择合适的ρ1,使
若[λ,ρ0,ρ1]不满足约束条件,则在式所示的目标函数中添加一个惩罚项。
S6:判断迭代次数是否达到最大迭代次数。若否,则转到Step 3进行下一次优化迭代;若是,则选择目标函数值最小的一组[λ,ρ0,ρ1,μ,η,γ]值作为最终的最优解。
下面介绍本发明的一种具体实施方式。
本发明使用的验证实例为含双馈风电场和串补电容补偿的风电外送系统,加入本发明的次同步阻尼控制器后的系统结构图如图3所示,这里系统状态量偏差信号采集装置采集的是风机机端电压d轴分量的偏差信号Δuds。双馈风电场由数台相同的1.5MW双馈风机组成,每台双馈风机通过0.69/35kV场内升压变T1连接在同一母线上并网发电,整个双馈风电场采用单机等效模型来进行模拟。整个。整个风电场再经过35/220kV变压器T2连接到220kV线路,最后经过220/500kV升压变压器T3连接到500kV线路进行远距离输电,并在500kV线路中安装串补电容进行补偿。在风速vwind=8m/s,风机有功出力Poutput=0.2885p.u.,风机无功出力Qoutput=0p.u.,风机投运台数n=1000,串补度Kc=12%的工况下按照图2的流程图求解本发明的次同步阻尼控制器的参数,解得:φc(1)=-15,λ=400.13,ρ0=0.98,ρ1=0.61,μ=20.04,η=1.95,γ=0.92,考虑到次同步振荡频率范围,其采样周期为0.001s。
实施例一:
在MATLAB/SIMULINK中搭建图3所示的暂态仿真模型,设定系统的初始运行状态为vwind=9m/s,Poutput=0.4108p.u.,Qoutput=0p.u.,n=1200,系统在t=6s投入固定串补(Kc=20%),在t=9s改变Qoutput为-0.2p.u.,在t=11s改变Qoutput为-0.3p.u.。则风电场有功输出Poutput及伪偏导数φc随时间变化的时域波形如图4所示。
可以发现,当t=6s,9s,11s时,由于运行状态发生了突变,本发明的次同步阻尼控制器的伪偏导数开始根据控制输入、输出的波动情况进行实时自我更新,从而有效抑制SSCI。这表明本发明的一种基于无模型自适应控制的次同步阻尼控制方法具有较好的动态跟踪控制能力,且对于系统运行点不断发生变化的情况,所提控制器本身所具有的自适应更新能力使其每次都能成功地抑制各扰动触发的SSCI。
实施例二:
由于系统运行过程中,不可避免地会出现切机、短路故障等较大扰动。因此,还需验证大扰动发生时,控制器对次同步振荡的抑制效果。在实验例二中,使用两台聚合风机来代表不同工况下的风机群1和2,如图5所示,风机群1初始转速为7m/s,风机群2转速为9m/s。两风机群无功出力Qoutput=0p.u.,风机投运台数n=1000。串补电容(Kc=15%)在起动时便投入运行。当t=6s时,风机群2跳闸;而当t=9s时,T2高压侧发生三相接地短路故障,50ms后故障切除。无控制和本发明的用于风机换流器的基于无模型自适应控制的次同步阻尼控制方法控制下,风机群1的动态响应波形如图6所示。
可以看出,若无附加控制,系统波形在t=6s时开始振荡且不断发散,而当本发明的基于无模型自适应控制的次同步阻尼控制方法加入控制时,切机以及短路故障这两个大扰动所引起的系统次同步振荡依旧可以被成功抑制,说明本发明的用于风机换流器的基于无模型自适应控制的次同步阻尼控制方法在大扰动下依旧具有抑制振荡的有效性。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。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,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种基于无模型自适应控制的次同步阻尼控制方法,其特征在于,包括如下步骤:
S1:选取发生次同步振荡时具有显著次同步分量的信号作为次同步阻尼控制器的输入信号;
S2:采集选取的输入信号;
S3:采用遗传算法对次同步阻尼控制器初始参数进行优化;
S4:所述次同步阻尼控制器采用紧格式线性化方法,利用S2中采集到的输入信号建立电力系统虚拟时变等效线性化数学模型;
S5:所述次同步阻尼控制器采用适用于阻尼控制的一步向前加权预测算法,根据S4中构建的线性化数学模型生成控制信号;
S6:将S4中生成的控制信号附加到风机变流器中。
2.根据权利要求1所述的一种基于无模型自适应控制的次同步阻尼控制方法,其特征在于,S2中所述输入信号选取在系统稳态时保持恒定而发生次同步振荡时变化显著的系统状态变量偏差信号。
5.根据权利要求1所述的一种基于无模型自适应控制的次同步阻尼控制方法,其特征在于,所述S3中次同步阻尼控制器初始参数包括惩罚系数、步长因子和误差增益;参数优化选取基于时间与误差平方乘积积分指标建立目标函数,采用遗传算法对次同步阻尼控制器初始参数进行优化。
6.根据权利要求5所述的一种基于无模型自适应控制的次同步阻尼控制方法,其特征在于,所述参数优化方法包括如下步骤:
S31:建立基于时间与误差平方乘积积分指标的目标函数;
S32:设置权利要求1所述的次同步阻尼控制器的参数初始值[λ,ρ0,ρ1,μ,η,γ],这些参数初始值的选取对于优化效果及所需时间具有一定的影响,需要依据参数设计原则进行合理设置;其中,λ为控制准则函数的惩罚系数,ρ0,ρ1为一步向前预测器的步长因子,μ为伪偏导数估计器的惩罚系数,η为伪偏导数估计器的步长因子,γ为误差增益;
S33:采用遗传算法优化所述的次同步阻尼控制器的参数,设置种群大小以及最大迭代次数;
S34:运行与目标函数有关的仿真程序,计算目标函数值;
S35:判断优化后的参数值是否满足稳定性证明的约束条件,若是,转至S36;若否,在目标函数中添加一个惩罚项,并转至S36;
S36:判断迭代次数是否达到最大迭代次数,若是,则选择目标函数值最小的一组[λ,ρ0,ρ1,μ,η,γ]值作为最终的最优解;若否,则转至S33进行下一次优化迭代。
7.根据权利要求6所述的一种基于无模型自适应控制的次同步阻尼控制方法,其特征在于,所述S3中次同步阻尼控制器初始参数设计步骤如下:
步骤1:λ越小,系统的响应越快,但可能产生超调;λ越大,系统的响应越慢;
步骤2:步长引子ρ0,ρ1影响着控制器的学习速度,其值越大,控制器输出每步变化的幅值越大;
步骤3:μ为伪偏导数性能指标函数的权重系数(取值为正),用于确定伪偏导数的约束强度,μ过小,系统不稳定的可能性将增大;而μ过大,受控系统输出的振荡幅值将增大,收敛速度将减慢;
步骤4:η用于调整伪偏导数估计速度,η∈(0,2],η越大,受控系统输出的振荡幅值越小;
步骤5:γ为输出估计误差的增益,γ∈(0,1)。影响系统的收敛速度,γ越大,受控系统输出的收敛速度将越快;但是γ过大,可能导致系统跟踪误差无法有效收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322666.3A CN115967098A (zh) | 2022-03-29 | 2022-03-29 | 一种基于无模型自适应控制的次同步阻尼控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322666.3A CN115967098A (zh) | 2022-03-29 | 2022-03-29 | 一种基于无模型自适应控制的次同步阻尼控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115967098A true CN115967098A (zh) | 2023-04-14 |
Family
ID=87358662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210322666.3A Pending CN115967098A (zh) | 2022-03-29 | 2022-03-29 | 一种基于无模型自适应控制的次同步阻尼控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115967098A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995689A (zh) * | 2023-07-04 | 2023-11-03 | 华北电力大学(保定) | 一种双馈风电场抑制次同步振荡的混合阻尼控制方法 |
-
2022
- 2022-03-29 CN CN202210322666.3A patent/CN115967098A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116995689A (zh) * | 2023-07-04 | 2023-11-03 | 华北电力大学(保定) | 一种双馈风电场抑制次同步振荡的混合阻尼控制方法 |
CN116995689B (zh) * | 2023-07-04 | 2024-03-08 | 华北电力大学(保定) | 一种双馈风电场抑制次同步振荡的混合阻尼控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khamies et al. | A robust PID controller based on linear quadratic gaussian approach for improving frequency stability of power systems considering renewables | |
US5642000A (en) | Method for preventing power collapse in electric power systems | |
Durairasan et al. | RETRACTED: An efficient control strategy for optimal power flow management from a renewable energy source to a generalized three-phase microgrid system: A hybrid squirrel search algorithm with whale optimization algorithm approach | |
CN113179059B (zh) | 一种改进的虚拟同步发电机模型预测控制方法及系统 | |
Sabo et al. | Artificial intelligence-based power system stabilizers for frequency stability enhancement in multi-machine power systems | |
Bhukya et al. | Optimization of controllers parameters for damping local area oscillation to enhance the stability of an interconnected system with wind farm | |
CN110165667B (zh) | 计及静态电压安全约束的输配协同无功优化方法及系统 | |
CN112994022A (zh) | 一种源储荷分布式协同电压控制方法及其系统 | |
Ni et al. | Multi-machine power system control based on dual heuristic dynamic programming | |
CN115967098A (zh) | 一种基于无模型自适应控制的次同步阻尼控制方法 | |
Dizche et al. | Sparse wide-area control of power systems using data-driven reinforcement learning | |
CN111651878B (zh) | 计及态势评估的大电网静态电压稳定优化决策方法及系统 | |
CN113328425A (zh) | 一种考虑事件触发的配电网一致性经济控制方法 | |
Morovati et al. | Control coordination between DFIG-based wind turbines and synchronous generators for optimal primary frequency response | |
Gurung et al. | Impact of photovoltaic penetration on small signal stability considering uncertainties | |
Rinaldi et al. | Higher order sliding mode observers and nonlinear algebraic estimators for state tracking in power networks | |
CN113162063B (zh) | 一种抑制超低频振荡的多直流协调控制器设计方法 | |
CN111769570B (zh) | 计及暂态电压约束的日前两阶段动态无功储备优化方法、系统、存储介质 | |
Zamee et al. | Differential evolution algorithm based load frequency control in a two-area conventional and renewable energy based nonlinear power system | |
Sadhana et al. | Revamped Sine Cosine Algorithm Centered Optimization of System Stabilizers and Oscillation Dampers for Wind Penetrated Power System | |
CN113013913B (zh) | 风电场无功电压控制系统和方法 | |
Sengupta et al. | Delay dependent wide area damping controller using deep learning technique | |
CN113708367A (zh) | 一种基于一致性算法的电力系统分布式协同控制方法 | |
CN113612233A (zh) | 一种风电系统有功功率-无功功率协调的电压稳定控制方法、系统、终端及可读存储介质 | |
Bevrani et al. | Reinforcement learning based multi-agent LFC design concerning the integration of wind farms |
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 |