CN116167232A - 一种dfig序阻抗模型辨识方法及系统 - Google Patents

Abstract

本发明公开了一种DFIG序阻抗模型辨识方法及系统。本发明的方法首先通过知识驱动方法保证了模型输入变量的合理选取，以搭建精确度高的阻抗模型，降低了机器学习模型对数据样本大小和质量的要求；然后通过数据驱动方法搭建阻抗识别模型，利用仿真模型数据训练阻抗识别模型，从而无需向实际运行系统持续注入谐波扰动，适应于工程现场DFIG机组内部信息保密的实际情况，也减少了对实际系统运行的外部干扰；最后通过数据训练阻抗识别模型，保证了模型输出的准确性。

Description

一种DFIG序阻抗模型辨识方法及系统

技术领域

本发明属于新能源发电技术领域，具体涉及一种基于知识驱动和数据驱动相结合的DFIG序阻抗模型辨识方法及系统。

背景技术

近年来，风电等新能源发展迅猛。然而，随着新能源设备接入比例的不断提高，风电场并网系统的次/超同步振荡事件频发，严重影响了系统与设备的安全稳定运行。

阻抗分析法目前已成为研究风电并网振荡问题的主流方法之一。该方法将系统等效为“源”与“荷”两个子系统，分别建立两个子系统的阻抗模型，通过奈奎斯特判据分析系统的稳定性。其中，正负序阻抗模型具有物理意义明确、在对称系统下近似解耦等特点，被广泛用于风电并网的振荡稳定性分析然而实际应用中。

在实际应用中，由于新能源设备普遍存在“黑/灰箱”问题，阻抗解析模型难以获取，需要采用基于注入扰动信号测量设备阻抗特性的方法。H.Nian在文献[Design Methodof Multisine Signal for Broadband Impedance Measurement,"IEEEJ.Emerg.Sel.Topics Power Electron.,vol.10,no.3,pp.2737-2747,June 2022]中采用注入多正弦波测量设备阻抗，但这些方法仅能获取特定工况处的阻抗，一旦扰动信号注入时，待测设备的运行工作点发生变化，阻抗测量结果将发生较大偏差，进而造成对系统相角裕度产生误判，严重时将影响新能源电力系统的安全稳定运行。

近年来，基于数据驱动的机器学习模型具有较好拟合输入输出变量间非线性关系的优点，已成功应用于负荷预测、系统模式识别等诸多领域。然而，这种单纯以数据驱动为导向的机器学习模型也面临着输入变量的合理选择和模型物理意义不明确的问题。

发明内容

为解决上述现有技术存在的问题，本发明提出一种基于知识驱动和数据驱动相结合的DFIG序阻抗模型辨识方法及系统，其用于降低机器学习模型对数据样本大小和质量的要求，增强模型输入变量选择的可解释性，同时保障模型输出的准确性。

本发明采用的一种技术方案为：一种DFIG序阻抗模型辨识方法，其包括：

步骤1)，基于知识驱动进行DFIG小信号白箱机理建模，得到DFIG多工况序阻抗模型，分析与DFIG多工况序阻抗模型存在非线性关系的工作点参数，得到工作点参数与导纳之间的输入输出关系；

步骤2)，根据步骤1)中获取的输入输出关系建立基于数据驱动的DIFG多工况序阻抗识别模型；

步骤3)，根据步骤1)中的DFIG多工况序阻抗模型，在MATLAB/Simulink中建立DIFG仿真模型，采用扫频法获取步骤2)中需要的训练数据；

步骤4)，根据步骤3)的数据训练步骤2)中的DIFG多工况序阻抗识别模型，使DIFG多工况序阻抗识别模型的目标函数最小化。

DFIG多工况序阻抗模型通过理论计算建立，DFIG多工况序阻抗识别模型通过后续的数据训练建立，目的是使识别模型的输出值与理论值之间的误差达到预设。仿真模型获取训练数据，利用得到的数据训练阻抗识别模型，使阻抗识别模型输出的阻抗与实际仿真模型之间的误差达到预设。

本发明的方法保证了模型输入变量的合理选取，搭建精确度高的辨识模型，同时该方法无需向实际运行系统持续注入谐波扰动，适应于工程现场DFIG机组内部信息保密的实际情况，也减少了对实际系统运行的外部干扰。

进一步地，所述步骤1)中，DFIG多工况序阻抗模型定义为如下2*2导纳矩阵Y_DFIG(s)：

其中，“^”为小信号分量，定义

V_p、I_p分别为正序电压和电流小信号的幅值，/>

分别表示正序电压和电流小信号的相位，j为虚数单位；/>

分别为负序电压和电流小信号的幅值；定义/>

分别表示负序电压和电流小信号的相位；Y_pp、Y_nn分别表示正序和负序导纳，Y_pn、Y_np分别表示正序和负序耦合导纳；

更进一步地，工作点参数与导纳之间的输入输出关系表示为：

Y_pp/pn/np/nn＝F(f,w_r,I_r,V_r,V_s)，

式中，w_r为转子转速，I_r为转子电流，V_r为转子电压，V_s为定子电压，f表示DFIG的频率。

再进一步地，所述DFIG多工况序阻抗模型中，转子电流I_r和转子电压V_r通过以下公式转换为易于测量的有功功率P_s和无功功率Q_s：

V_s＝R_sI_sd1-w₁L_sI_sq1-w₁L_mI_rq1/K_e

0＝R_sI_sq1+w₁L_sI_sd1+w₁L_mI_rd1/K_e

V_rd＝(R_rI_rd1/K_e-w_sL_mI_sq1-w_sL_rI_rq1/K_e)/K_mV_dcK_e

V_rq＝(R_rI_rq1/K_e+w_sL_mI_sq1+w_sL_rI_rd1/K_e)/K_mV_dcK_e

I_rd,ref＝(2P_sL_sK_e)/(3V_s1L_m)

I_rq,ref＝-(2Q_sL_sK_e)/(3V_s1L_m)-(V_s1K_e)/(w₁L_m)

其中，I_sd1、I_sq1、I_rd1和I_rq1分别为d轴定子电流、q轴定子电流、d轴转子电流、q轴转子电流的基本分量；V_dc为直流侧电压；R_s表示定子电阻；w₁表示基频角频率；L_s表示定子电感；L_m表示定转子互感；K_e表示定转子匝比系数；V_rd表示转子d轴电压；R_r表示转子电阻；w_s表示转差角频率；L_r表示转子电感；K_m表示调制系数；V_rq表示转子q轴电压；I_rd,ref表示转子电流d轴参考值；V_s1表示定子侧电压；I_rq,ref表示转子电流q轴参考值；

此时，工作点参数与导纳之间的输入输出关系表示为：

Y_pp/pn/np/nn＝F(f,w_r,P_s,Q_s,V_s)。

进一步地，所述步骤2)中建立基于XGBoost的DIFG多工况序阻抗识别模型。

进一步地，所述步骤3)中，采集输入数据时，通过设置有功功率和无功功率命令获得P_s和Q_s，通过测量交流端口稳态电压获得V_s，通过测速获得w_r；在采集输出数据时，采用扫频法测量Y_DFIG(s)。

进一步地，所述步骤4)中，DIFG多工况序阻抗识别模型通过数据训练迭代调整模型参数，使模型的目标函数最小化：

其中，

为预测值与实数的残差，/>

为DIFG多工况序阻抗识别模型的预测值，y为实际样本输入值，Ω(f_k)为模型正则化损失函数，可有效减少模型训练过程中的过拟合现象，并在控制硬件在环平台验证了模型的准确性。

本发明采用的另一种技术方案为：一种DFIG序阻抗模型辨识系统，其包括：

输入输出关系获取单元：基于知识驱动进行DFIG小信号白箱机理建模，得到DFIG多工况序阻抗模型，分析与DFIG多工况序阻抗模型存在非线性关系的工作点参数，得到工作点参数与导纳之间的输入输出关系；

DIFG多工况序阻抗识别模型建立单元：根据所述的输入输出关系建立基于数据驱动的DIFG多工况序阻抗识别模型；

训练数据获取单元：根据输入输出关系获取单元中的DFIG多工况序阻抗模型，在MATLAB/Simulink中建立DIFG仿真模型，采用扫频法获取DIFG多工况序阻抗识别模型需要的训练数据；

模型训练单元：根据训练数据获取单元获取的数据训练DIFG多工况序阻抗识别模型，使DIFG多工况序阻抗识别模型的目标函数最小化。

本发明具有以下的有益技术效果：

1)通过知识驱动实现模型输入变量的合理选取，提高了模型的物理意义和泛化能力；2)通过数据驱动建立了阻抗识别机器学习模型，通过数据训练提高模型识别的准确性，同时可以避免向实际运行系统持续注入谐波扰动，保障了工作点的稳定运行以及系统的运行安全。

附图说明

图1为本发明DFIG序阻抗模型辨识方法的流程图；

图2为本发明具体实施方式中DFIG拓扑结构图；

图3为本发明具体实施方式中DIFG多工况序阻抗识别模型图；

图4a为本发明具体实施方式中DIFG多工况序阻抗识别模型在转速280r/min-340r/min范围内的输出阻抗伯德图；

图4b为本发明具体实施方式中DIFG多工况序阻抗识别模型在电网电压295V-325V范围内的输出阻抗伯德图；

图4c为本发明具体实施方式中DIFG多工况序阻抗识别模型在有功功率1050kw-1500kw范围内的输出阻抗伯德图；

图4d为本发明具体实施方式中DIFG多工况序阻抗识别模型在无功功率0-225kW范围内的输出阻抗伯德图；

图5a为本发明具体实施方式中DIFG多工况序阻抗识别模型在转速340r/min-380r/min范围内的输出阻抗与理论模型阻抗的幅值误差以及相位误差图；

图5b为本发明具体实施方式中DIFG多工况序阻抗识别模型在电网电压326V-345V范围内的输出阻抗与理论模型阻抗的幅值误差以及相位误差图；

图5c为本发明具体实施方式中DIFG多工况序阻抗识别模型在有功功率1500kW-1700kW范围内的输出阻抗与理论模型阻抗的幅值误差以及相位误差图；

图5d为本发明具体实施方式中DIFG多工况序阻抗识别模型在无功功率225kW-300kW范围内的输出阻抗与理论模型阻抗的幅值误差以及相位误差图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

实施例1

本实施例为一种基于知识驱动和数据驱动相结合的DFIG序阻抗识别方法，如图1所示，包括以下步骤：

(1)基于知识驱动进行DFIG小信号白箱机理建模，DFIG的拓扑结构如图2所示，主要控制结构包括锁相环、电流控制器和脉宽调制等。DFIG多工况序阻抗模型描述了设备端口电压与电流之间的小信号关系。因此，将DFIG多工况序阻抗模型定义为如下2*2导纳矩阵Y_DFIG(s)：

其中，“^”为小信号分量，定义

V_p、I_p分别为正序电压和电流小信号的幅值，/>

分别表示正序电压和电流小信号的相位，j为虚数单位；/>

分别为负序电压和电流小信号的幅值；定义/>

分别表示负序电压和电流小信号的相位；Y_pp、Y_nn分别表示正序和负序导纳，Y_pn、Y_np分别表示正序和负序耦合导纳。

DFIG多工况序阻抗模型与设备参数、转子电压、电流、转速等工作点参数存在复杂的非线性关系。设备参数可以简化为常数，并可通过外部测量得到工作点参数。因此，工作点参数与导纳之间的输入输出关系可表示为：

Y_pp/pn/np/nn＝F(f,w_r,I_r,V_r,V_s)

式中：w_r为转子转速，I_r为转子电流，V_r为转子电压，V_s为定子电压，f表示DFIG的频率。

(2)但在实际操作中，转子电压和电流的测量比较困难，需要将其转化为便于测量的变量。DFIG稳态运行时，定子电压通过锁相环向d轴定向，其在q轴上的分量为零，定子电压和转子电压的稳态值可表示为：

V_s＝R_sI_sd1-w₁L_sI_sq1-w₁L_mI_rq1/K_e

0＝R_sI_sq1+w₁L_sI_sd1+w₁L_mI_rd1/K_e

V_rd＝(R_rI_rd1/K_e-w_sL_mI_sq1-w_sL_rI_rq1/K_e)/K_mV_dcK_e

V_rq＝(R_rI_rq1/K_e+w_sL_mI_sq1+w_sL_rI_rd1/K_e)/K_mV_dcK_e

其中，I_sd1、I_sq1、I_rd1和I_rq1分别为d轴定子电流、q轴定子电流、d轴转子电流、q轴转子电流的基本分量，V_dc为直流侧电压。因此，转子电压和定子电压可以用转子电流和转速来表示。此外，在稳态运行时，可考虑实际转子电流遵循转子电流命令，转子电流命令与功率的关系可表示为：

I_rd,ref＝(2P_sL_sK_e)/(3V_s1L_m)

I_rq,ref＝-(2Q_sL_sK_e)/(3V_s1L_m)-(V_s1K_e)/(w₁L_m)

这样，转子电压和电流就可以用容易测量和获取的有功功率和无功功率来表征。结合s算子与f的线性关系，对上面的转换公式进行整理，可以看出，Y_pp、Y_pn、Y_np、Y_nn的序阻抗(即导纳)与输入变量之间的非线性关系可以用下面所示的函数统一表示：

Y_pp/pn/np/nn＝F(f,w_r,P_s,Q_s,V_s)

(3)根据步骤(2)中获取的变量关系建立基于数据驱动的DIFG多工况序阻抗识别模型，本发明中的识别模型以XGBoost算法作为基础框架。XGBoost是一种高效的梯度提升决策树算法。它利用提升思想将多个弱学习器整合为一个强学习器。XGBoost算法的建模思想是给出广义的目标函数定义，并在每次迭代中找到合适的回归树来拟合上一次预测的残差，使目标函数最小化，使估计值接近真值。

步骤(2)中多工况下输入变量与输出序阻抗之间复杂的非线性关系可以用图3所示的XGBoost阻抗识别模型来描述。考虑到机器学习模型不方便进行复数处理，DFIG序阻抗结果以幅值和相位的形式表示。

本发明使用N组训练样本{(x_i,y_i)},i∈(1,N)来训练如图3所示的模型，其中x_i＝[f_i,w_ri,P_si,Q_si,V_si],y_i＝[Y_{pp_amp},Y_{pp_pha},Y_{pn_amp},Y_{pn_pha},Y_{np_amp},Y_{np_pha},Y_{nn_amp},Y_{nn_pha}]。第t次迭代时的回归树为：

其中，

为回归树的叶权值。它的下标q(x_i)表示与样本对应的叶节点，使叶节点与输入样本一一对应。

每次迭代都会向原始模型添加一个新的回归树，所以迭代过程不会影响之前的模型结构。因此，模型预测函数定义为：

其中，

为XGBoost模型的预测值，k为第t次迭代的回归树数量。

模型的目标函数定义为：

其中，

为预测值与实数的残差，Ω(f_k)为各回归树的正则化损失函数，可有效减少模型训练过程中的过拟合现象。通过多次迭代将目标函数最小化，得到最优权重/>

和回归树的数量。

(4)步骤(3)中XGBoost模型的精度取决于DFIG多工作点序阻抗数据的质量。但在实际应用中，相关数据集相对匮乏。针对这一问题，本发明在MATLAB/Simulink中建立了仿真模型，仿真模型参数如下面的表格所示。通过调整控制结构中的有功/无功功率指令和定子电压来改变DFIG的工作状态，并利用软件中的阻抗扫描模块，得到DFIG在多种工况下的序阻抗。

参数	数值
		直流侧电压Vdc/V	1150
电网电压Ug/V	311
		基频f1/Hz	50
开关频率fr/kHz	10
		定子电感Ls/mH	0.06
转子电感Lr/mH	0.083
		互感Lm/mH	2.95
定子电阻Rs/mΩ	2.4
		转子电阻Rr/mΩ	2
定转子匝比系数Ke	0.33
		调制系数Km	8.6957*10-4
采样周期Ts/ms	0.1

其中，转速w_r范围为280r/-min340r/min，间隔为2r/min，考虑到电网电压一般在参考值的0.95-1.05倍范围内波动，电网电压V_s范围为295V-325V，间隔为3v。有功功率P_s范围为1050kw-1500kw，间隔为20kw。无功功率Q_s范围为0-225kW，间隔为10kW。频率f的变化范围是根据实际应用中所关心的频率范围来确定的。在本发明中，频率f范围为1Hz-200Hz，间隔为10Hz。

(5)步骤(4)中获取数据集的具体操作为：采集输入数据时，通过设置有功功率和无功功率命令获得P_s和Q_s，通过测量交流端口稳态电压获得V_s，通过测速获得w_r。在采集输出数据时，采用扫频法测量Y_DFIG(s)，向交流端口注入两次小信号干扰分量。第一次向端口注入特定频率的三相正序扰动，测量正负序电压的U_p1、U_n1和正负序电流的I_p1、I_n1的小扰动分量。第二次注入相同频率的三相负序扰动，得到正/负序电压/电流的小扰动分量U_p2、U_n2、I_p2、I_n2。DIFG的序阻抗可由下面的公式计算。为了在不改变系统工作点的情况下获得准确的阻抗测量值，注入扰动信号的幅值一般为稳态电压的5％～10％。

(6)将步骤(5)中获取的数据集分为训练集、验证集和测试集。训练集数据用于训练XGBoost模型。在训练过程中，需要留出一部分数据集用于评估和测试。这部分数据称为验证集，根据它选择和调整XGBoost模型参数。测试集通常使用训练过程中没有使用的样本数据来测试生成的模型的准确性。

通过不断迭代模型参数使目标函数达到最小，此时模型输出和实测值之间的误差达到最小，模型输出精确度达到要求。模型参数值为booster＝gbtree,learning_rate＝0.5,subsample＝0.8,colsample_bynode＝0.8,reg_lambda＝1e-5。模型训练完成后，XGBoost模型可以输出与可变工况输入值对应的序阻抗。图4a、4b、4c、4d展示了模型输出结果。

(7)为了进一步验证步骤(6)中训练模型的有效性和准确性，展开了基于控制硬件在环的实验。在实验中，采用该方法对DFIG的阻抗特性进行了识别。DFIG的参数与MATLAB/Simulink上构建的参数相同。DFIG模型在Typoon602+中搭建，仿真时间步长为1μs。DFIG模型的控制器安装在TMS320F28335/Spartan 6XC6SLX16 DSP+FPGA控制板，采样频率设置为10khz。为了验证所提方法的准确性，需要将基于XGBoost的模型与训练中未使用的验证数据集与相应的操作条件进行比较。在验证数据集中，w_r的范围为340r/min-380r/min，间隔为2r/min，V_s的范围为26V-345V，间隔为1v，P_s的范围为1500kW-1700kW，间隔为1kw，Q_s的范围为225kW-300kW，间隔为5kW。XGBoost模型的输出列阻抗与实际测量的阻抗之间的偏差如图5a、5b、5c、5d所示。可以看出，所有数据的误差在5％以内，这说明本发明通过MATLAB仿真得到的训练数据是可靠的；另一方面，通过本发明方法可以获得较为准确的DFIG多工况序阻抗结果。

实施例2

本实施例为一种DFIG序阻抗模型辨识系统，其由输入输出关系获取单元、DIFG多工况序阻抗识别模型建立单元、训练数据获取单元和模型训练单元组成。

输入输出关系获取单元：基于知识驱动进行DFIG小信号白箱机理建模，得到DFIG多工况序阻抗模型，分析与DFIG多工况序阻抗模型存在非线性关系的工作点参数，得到工作点参数与导纳之间的输入输出关系。

DIFG多工况序阻抗识别模型建立单元：根据所述的输入输出关系建立基于数据驱动的DIFG多工况序阻抗识别模型。

训练数据获取单元：根据输入输出关系获取单元中的DFIG多工况序阻抗模型，在MATLAB/Simulink中建立DIFG仿真模型，采用扫频法获取DIFG多工况序阻抗识别模型需要的训练数据。

模型训练单元：根据训练数据获取单元获取的数据训练DIFG多工况序阻抗识别模型，使DIFG多工况序阻抗识别模型的目标函数最小化。

所述输入输出关系获取单元中，DFIG多工况序阻抗模型定义为如下2*2导纳矩阵Y_DFIG(s)：

其中，“^”为小信号分量，定义

V_p、I_p分别为正序电压和电流小信号的幅值，/>

分别表示正序电压和电流小信号的相位，j为虚数单位，/>

分别为负序电压和电流小信号的幅值；定义/>

分别表示负序电压和电流小信号的相位；Y_pp、Y_nn分别表示正序和负序导纳，Y_pn、Y_np分别表示正序和负序耦合导纳。/>

工作点参数与导纳之间的输入输出关系表示为：

Y_pp/pn/np/nn＝F(f,w_r,I_r,V_r,V_s)，

式中，w_r为转子转速，I_r为转子电流，V_r为转子电压，V_s为定子电压。

所述DFIG多工况序阻抗模型中，转子电流I_r和转子电压V_r通过以下公式转换为易于测量的有功功率P_s和无功功率Q_s：

V_s＝R_sI_sd1-w₁L_sI_sq1-w₁L_mI_rq1/K_e

0＝R_sI_sq1+w₁L_sI_sd1+w₁L_mI_rd1/K_e

V_rd＝(R_rI_rd1/K_e-w_sL_mI_sq1-w_sL_rI_rq1/K_e)/K_mV_dcK_e

V_rq＝(R_rI_rq1/K_e+w_sL_mI_sq1+w_sL_rI_rd1/K_e)/K_mV_dcK_e

I_rd,ref＝(2P_sL_sK_e)/(3V_s1L_m)

I_rq,ref＝-(2Q_sL_sK_e)/(3V_s1L_m)-(V_s1K_e)/(w₁L_m)

其中，I_sd1、I_sq1、I_rd1和I_rq1分别为d轴定子电流、q轴定子电流、d轴转子电流、q轴转子电流的基本分量；V_dc为直流侧电压；R_s表示定子电阻；w₁表示基频角频率；L_s表示定子电感；L_m表示定转子互感；K_e表示定转子匝比系数；V_rd表示转子d轴电压；R_r表示转子电阻；w_s表示转差角频率；L_r表示转子电感；K_m表示调制系数；V_rq表示转子q轴电压；I_rd,ref表示转子电流d轴参考值；V_s1表示定子侧电压；I_rq,ref表示转子电流q轴参考值。

此时，工作点参数与导纳之间的输入输出关系表示为：

Y_pp/pn/np/nn＝F(f,w_r,P_s,Q_s,V_s)。

所述DIFG多工况序阻抗识别模型建立单元中，建立基于XGBoost的DIFG多工况序阻抗识别模型。

所述训练数据获取单元中，采集输入数据时，通过设置有功功率和无功功率命令获得P_s和Q_s，通过测量交流端口稳态电压获得V_s，通过测速获得w_r；在采集输出数据时，采用扫频法测量Y_DFIG(s)。

上述对实施例的描述是为便于本技术领域的普通技术人员能迅速理解和应用本发明。熟悉本领域技术的人员显然可以很容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种DFIG序阻抗模型辨识方法，其特征在于，包括：

步骤1)，基于知识驱动进行DFIG小信号白箱机理建模，得到DFIG多工况序阻抗模型，分析与DFIG多工况序阻抗模型存在非线性关系的工作点参数，得到工作点参数与DFIG多工况序阻抗模型之间的输入输出关系；

步骤2)，根据步骤1)中获取的输入输出关系建立基于数据驱动的DIFG多工况序阻抗识别模型；

步骤3)，根据步骤1)中的DFIG多工况序阻抗模型，在MATLAB/Simulink中建立DIFG仿真模型，采用扫频法获取步骤2)中需要的训练数据；

步骤4)，根据步骤3)的数据训练步骤2)中的DIFG多工况序阻抗识别模型，使DIFG多工况序阻抗识别模型的目标函数最小化。

2.根据权利要求1所述的DFIG序阻抗模型辨识方法，其特征在于，所述步骤1)中，DFIG多工况序阻抗模型定义为如下2*2导纳矩阵Y_DFIG(s)：

其中，“^”为小信号分量，定义

V_p、I_p分别为正序电压和电流小信号的幅值，/>

分别表示正序电压和电流小信号的相位，j为虚数单位；

分别为负序电压和电流小信号的幅值；定义/>

分别表示负序电压和电流小信号的相位；Y_pp、Y_nn分别表示正序和负序导纳，Y_pn、Y_np分别表示正序和负序耦合导纳。

3.根据权利要求2所述的DFIG序阻抗模型辨识方法，其特征在于，工作点参数与导纳之间的输入输出关系表示为：

Y_pp/pn/np/nn＝F(f,w_r,I_r,V_r,V_s)，

式中，w_r为转子转速，I_r为转子电流，V_r为转子电压，V_s为定子电压，f表示DFIG的频率。

4.根据权利要求3所述的DFIG序阻抗模型辨识方法，其特征在于，所述DFIG多工况序阻抗模型中，转子电流I_r和转子电压V_r通过以下公式转换为易于测量的有功功率P_s和无功功率Q_s：

V_s＝R_sI_sd1-w₁L_sI_sq1-w₁L_mI_rq1/K_e

0＝R_sI_sq1+w₁L_sI_sd1+w₁L_mI_rd1/K_e

V_rd＝(R_rI_rd1/K_e-w_sL_mI_sq1-w_sL_rI_rq1/K_e)/K_mV_dcK_e

V_rq＝(R_rI_rq1/K_e+w_sL_mI_sq1+w_sL_rI_rd1/K_e)/K_mV_dcK_e

I_rd,ref＝(2P_sL_sK_e)(3V_s1L_m)

I_rq,ref＝-(2Q_sL_sK_e)(3V_s1L_m)-(V_s1K_e)(w₁L_m)

其中，I_sd1、I_sq1、I_rd1和I_rq1分别为d轴定子电流、q轴定子电流、d轴转子电流、q轴转子电流的基本分量；V_dc为直流侧电压；R_s表示定子电阻；w₁表示基频角频率；L_s表示定子电感；L_m表示定转子互感；K_e表示定转子匝比系数；V_rd表示转子d轴电压；R_r表示转子电阻；w_s表示转差角频率；L_r表示转子电感；K_m表示调制系数；V_rq表示转子q轴电压；I_rd,ref表示转子电流d轴参考值；V_s1表示定子侧电压；I_rq,ref表示转子电流q轴参考值；

此时，工作点参数与导纳之间的输入输出关系表示为：

Y_pp/pn/np/nn＝F(f,w_r,P_s,Q_s,V_s)。

5.根据权利要求1所述的DFIG序阻抗模型辨识方法，其特征在于，所述步骤2)中，建立基于XGBoost的DIFG多工况序阻抗识别模型。

6.根据权利要求4所述的DFIG序阻抗模型辨识方法，其特征在于，所述步骤3)中，采集输入数据时，通过设置有功功率和无功功率命令获得P_s和Q_s，通过测量交流端口稳态电压获得V_s，通过测速获得w_r；在采集输出数据时，采用扫频法测量Y_DFIG(s)。

7.根据权利要求1所述的DFIG序阻抗模型辨识方法，其特征在于，所述步骤4)中，DIFG多工况序阻抗识别模型通过数据训练迭代调整模型参数，使模型的目标函数最小化：

其中，

为预测值与实数的残差，/>

为DIFG多工况序阻抗识别模型的预测值，y为实际样本输入值，Ω(f_k)为模型正则化损失函数。

8.一种DFIG序阻抗模型辨识系统，其特征在于，包括：

输入输出关系获取单元：基于知识驱动进行DFIG小信号白箱机理建模，得到DFIG多工况序阻抗模型，分析与DFIG多工况序阻抗模型存在非线性关系的工作点参数，得到工作点参数与导纳之间的输入输出关系；

DIFG多工况序阻抗识别模型建立单元：根据所述的输入输出关系建立基于数据驱动的DIFG多工况序阻抗识别模型；

训练数据获取单元：根据输入输出关系获取单元中的DFIG多工况序阻抗模型，在MATLAB/Simulink中建立DIFG仿真模型，采用扫频法获取DIFG多工况序阻抗识别模型需要的训练数据；

模型训练单元：根据训练数据获取单元获取的数据训练DIFG多工况序阻抗识别模型，使DIFG多工况序阻抗识别模型的目标函数最小化。

9.根据权利要求8所述的DFIG序阻抗模型辨识系统，其特征在于，所述输入输出关系获取单元中，DFIG多工况序阻抗模型定义为如下2*2导纳矩阵Y_DFIG(s)：

其中，“^”为小信号分量，定义

V_p、I_p分别为正序电压和电流小信号的幅值，/>

分别表示正序电压和电流小信号的相位，j为虚数单位；

分别为负序电压和电流小信号的幅值；定义/>

分别表示负序电压和电流小信号的相位；Y_pp、Y_nn分别表示正序和负序导纳，Y_pn、Y_np分别表示正序和负序耦合导纳；

工作点参数与导纳之间的输入输出关系表示为：

Y_pp/pn/np/nn＝F(f,w_r,I_r,V_r,V_s)，

式中，w_r为转子转速，I_r为转子电流，V_r为转子电压，V_s为定子电压，f表示DFIG的频率。

10.根据权利要求9所述的DFIG序阻抗模型辨识系统，其特征在于，所述DFIG多工况序阻抗模型中，转子电流I_r和转子电压V_r通过以下公式转换为易于测量的有功功率P_s和无功功率Q_s：

V_s＝R_sI_sd1-w₁L_sI_sq1-w₁L_mI_rq1/K_e

0＝R_sI_sq1+w₁L_sI_sd1+w₁L_mI_rd1/K_e

V_rd＝(R_rI_rd1/K_e-w_sL_mI_sq1-w_sL_rI_rq1/K_e)/K_mV_dcK_e

V_rq＝(R_rI_rq1/K_e+w_sL_mI_sq1+w_sL_rI_rd1/K_e)/K_mV_dcK_e

I_rd,ref＝(2P_sL_sK_e)(3V_s1L_m)

I_rq,ref＝-(2Q_sL_sK_e)(3V_s1L_m)-(V_s1K_e)(w₁L_m)

其中，I_sd1、I_sq1、I_rd1和I_rq1分别为d轴定子电流、q轴定子电流、d轴转子电流、q轴转子电流的基本分量；V_dc为直流侧电压；R_s表示定子电阻；w₁表示基频角频率；L_s表示定子电感；L_m表示定转子互感；K_e表示定转子匝比系数；V_rd表示转子d轴电压；R_r表示转子电阻；w_s表示转差角频率；L_r表示转子电感；K_m表示调制系数；V_rq表示转子q轴电压；I_rd,ref表示转子电流d轴参考值；V_s1表示定子侧电压；I_rq,ref表示转子电流q轴参考值；

此时，工作点参数与导纳之间的输入输出关系表示为：

Y_pp/pn/np/nn＝F(f,w_r,P_s,Q_s,V_s)。

Images