CN117251995A - 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 - Google Patents
基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 Download PDFInfo
- Publication number
- CN117251995A CN117251995A CN202311168187.1A CN202311168187A CN117251995A CN 117251995 A CN117251995 A CN 117251995A CN 202311168187 A CN202311168187 A CN 202311168187A CN 117251995 A CN117251995 A CN 117251995A
- Authority
- CN
- China
- Prior art keywords
- inertia
- doubly
- fed
- fan
- forgetting factor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 230000001360 synchronised effect Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010408 sweeping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Wind Motors (AREA)
Abstract
本发明所述方法及系统,涉及电力系统技术领域包括:通过在MPPT模式下变风速场景双馈风机作为扰动源的干扰模型,构建采变风速场景下双馈风机惯量数学模型;根据双馈风机惯量的离散模型,构建双馈风机惯量的最小二乘形式模型;基于可变遗忘因子对双馈风机的最大可用惯量进行评估。本发明提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法依靠双馈风机出力不确定的特点,可以对双馈风机的虚拟惯量进行实时在线评估,可用于双馈风机本身惯量参数的测算,同时可变遗忘因子递归最小二乘法,避免了由于数据量增加带来的对参数矩阵θ修正能力下降的问题和新采集的数据对实时参数辨识失败的情况出现,本发明在精确度和稳定性方面都取得更加良好的效果。
Description
技术领域
本发明涉及电力系统技术领域,具体为基于可变遗忘因子最小二乘法的双馈风机惯量评估方法。
背景技术
随着碳中和目标的推进,可再生能源将逐步取代火电机组,电力系统将向新能源高占比的方向演进。近年来,我国光伏、风电装机容量大幅增长。预计到2035年,我国新能源装机容量将超过火电机组,成为我国能源结构的最大组成部分。对于风电、光伏等可再生能源,由于其通过电子变流器与电网相连,电网的频率波动与新能源侧的功率响应解耦。因此,新型电力系统下的新能源机组往往无法主动响应电网的频率波动,这将大大降低实际电网的惯量水平,从而影响电力系统的安全稳定运行。为解决新型电力系统低惯量带来的问题,将虚拟惯量控制技术引入新能源电力电子变换器的控制部分,实现新能源的频率响应,作为新型电力系统的频率稳定提升措施。
在同步惯量逐渐减小的新型电力系统的背景下,对电力系统中可用的惯量资源(如同步机组、风电等)进行准确的惯量评估对于电力系统规划和调度非常重要。对于同步机组惯量,它是一个常数值。目前,对于同步惯量的评估已有比较成熟的在线和离线评估方法。在电网中发生扰动的情况下,同步发电机的惯性可以从相位测量单元(PMU)获得的在线数据评估出来。或者基于系统惯量和频率波动的丰富历史数据,通过机器学习的方式实现对同步惯量的评估。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的技术方法存在准确度低,无法快速收敛,稳定性低的问题。
为解决上述技术问题,本发明提供如下技术方案:基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,包括:通过在MPPT模式下变风速场景双馈风机作为扰动源的干扰模型,构建采变风速场景下双馈风机惯量数学模型;根据双馈风机惯量的离散模型,构建双馈风机惯量的最小二乘形式模型;基于可变遗忘因子对双馈风机的最大可用惯量进行评估。
作为本发明所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的一种优选方案,其中:所述在MPPT模式下变风速场景双馈风机作为扰动源的干扰模型包括双馈风机的运行状况会随着风速的变化而变化,风机的机械功率数学模型可表示为:
Pwm=kwω3
其中,kw为双馈风机动力学模型的近似常数,ρ为空气密度,Cp为风能转换效率,A为扫风面积,Pwm为风机的机械功率。
作为本发明所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的一种优选方案,其中:所述构建采变风速场景下双馈风机惯量数学模型包括双馈风机在MPPT模式下,由虚拟惯量控制进行频率响应时的惯性功率在变风速下的表示为:
其中,λopt为最佳叶尖速比,J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数,ωn为DFIG额定转速,R为风机转桨半径,vw为风速大小,ωmax为风机转子最高转速,PI双馈风机的惯性功率;
基于惯量与频率和惯性功率之间的关系,变风速场景下双馈风机惯量表示为:
其中,H为变风速场景下双馈风机惯量,λopt为最佳叶尖速比,J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数,ωn为DFIG额定转速,vw为风速大小,ωmax为风机转子最高转速,R为风机转桨半径。
作为本发明所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的一种优选方案,其中:所述双馈风机惯量的离散模型包括基于机械功率变化量、测量得到的电磁功率的变化量和双馈风机节点母线频率变化量构建双馈风机惯量的离散模型,表示为:
其中,Ts为采样时间,k为系统运行的第k个时刻。
作为本发明所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的一种优选方案,其中:所述双馈风机惯量的最小二乘形式模型包括基于离散模型构建双馈风机惯量的最小二乘形式模型,表示为:
其中,y(k)和为系统的输入参数,θ(k)为待识别参数,T为时间。
作为本发明所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的一种优选方案,其中:所述基于可变遗忘因子对双馈风机的最大可用惯量进行评估包括基于双馈风机惯量评估的最小二乘形式模型,初始化协方差矩阵G(0),并给惯量赋初值θ(0),引入动态变化的遗忘因子μ(k),表示为:
其中,β为一个可调系数,范围为0.9~1.0,y(k)和为系统的输入参数,θ为参数矩阵,ε为误差修正量,T为时间,k为系统运行的第k个时刻。
作为本发明所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的一种优选方案,其中:所述基于可变遗忘因子对双馈风机的最大可用惯量进行评估包括输出计算增益矩阵,根据Sherman-Morrison-Woodbery公式输出待辨识参数的求解数学模型,并输出参数矩阵,同时更新协方差矩阵G(k),并且重复引入动态变化的遗忘因子μ(k),输出增益矩阵L(k),修正遗忘因子;
计算增益矩阵L(k)表示为:
其中,G为初始化协方差矩阵,μ为动态优化遗忘因子,ε为误差修正量,T为时间,为系统的输入参数,k为系统运行的第k个时刻;
对参数矩阵和更新后协方差矩阵表示为:
其中,L(k)为计算增益矩阵,k为系统运行的第k个时刻,μ为动态优化遗忘因子,θ为对参数矩阵,G为初始化协方差矩阵,T为时间,I为单位矩阵。
本发明的另外一个目的是提供一种基于可变遗忘因子最小二乘法的双馈风机惯量评估系统,其能通过建立在MPPT模式下变风速场景双馈风机作为扰动源的干扰模型,并建立变风速场景下双馈风机惯量的表达式,以计算得到的机械功率变化量、测量得到的电磁功率的变化量和双馈风机节点母线频率变化量作为输入量,得到双馈风机惯量的离散方程,并由此形成双馈风机惯量的最小二乘形式表达式。在递归最小二乘法(RLS)中引入可变遗忘因子,利用可变遗忘因子在参数辨识过程中可以根据误差动态调整可变遗忘因子、对辨识结果具有快速收敛性和较好稳定性的特性,对双馈风机的最大可用惯量进行评估。
作为本发明所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估系统的一种优选方案,其中:包括数据采集模块、变风速场景下双馈风机惯量构建模块、最大可用惯量评估模块。所述数据采集模块用于采集实际电网中风机转子侧惯量、实际转速、DFIG额定转速、电网侧实际同步转速、额定同步转速、系统同步转速,所述变风速场景下双馈风机惯量构建模块用于基于机械功率变化量、测量得到的电磁功率的变化量和双馈风机节点母线频率变化量,输出双馈风机惯量的离散模型和双馈风机惯量的最小二乘形式模型,所述最大可用惯量评估模块用于根据误差动态调整可变遗忘因子对双馈风机的最大可用惯量进行评估。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序是实现基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的步骤。
本发明的有益效果:本发明提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法不需要引入外来故障使电网频率产生波动进行双馈风机虚拟惯量评估,依靠双馈风机出力不确定的特点,可以对双馈风机的虚拟惯量进行实时在线评估,可用于双馈风机本身惯量参数的测算,也揭示风机可用惯量在风速变化的情况下具有时变的特性,同时可变遗忘因子递归最小二乘法,避免了由于数据量增加带来的对参数矩阵θ修正能力下降的问题和新采集的数据对实时参数辨识失败的情况出现,本发明在精确度和稳定性方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的整体流程图。
图2为本发明第一个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的总体实现流程图。
图3为本发明第二个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法中双馈风机在MPPT模式运行下的运行工况。
图4为本发明第二个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的双馈风机控制拓扑图。
图5为本发明第二个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法中双馈风力发电机在虚拟惯量控制模式下的频率响应曲线图。
图6为本发明第二个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法中双馈风力发电机输出电磁功率曲线图。
图7为本发明第二个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法中双馈风力发电机在不同风速下转子侧机械功率曲线图。
图8为本发明第二个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法中双馈风力发电机在虚拟惯量控制模式下惯性功率曲线图。
图9为本发明第二个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法中由可变遗忘因子递归最小二乘法进行惯量实时评估曲线与实际惯量曲线和其他方法进行惯量评估曲线的对比图。
图10为本发明第三个实施例提供的基于可变遗忘因子最小二乘法的双馈风机惯量评估系统的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-2,为本发明的一个实施例,提供了一种基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,包括:
S1:建立在MPPT模式下变风速场景双馈风机作为扰动源的干扰模型,并建立变风速场景下双馈风机惯量的表达式。
更进一步的,虚拟惯量控制使DFIG能够表现出与同步电机相似的功率响应。这样,DFIG就可以实现对电网侧频率变化做出响应,并释放或吸收动能。释放或吸收的动能可以表示为:
其中,基本参数Jr为风机转子侧惯量,可以从铭牌上的数据中获得,ω为DFIG的实际转速,ωn为DFIG额定转速,值为1.0(p.u.),J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数,ωs电网侧实际同步转速,ωsn为额定同步转速,值为1.0(p.u.),是系统同步转速。
应说明的是,功率为动能的微分关系,因此双馈风力发电机的功率变化表达式可表示为:
其中,Pvir为最大可用虚拟惯量识别模型的离散,Jr为风机转子侧惯量,ω为DFIG的实际转速;ωn为DFIG额定转速,值为1.0(p.u.);J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数;ωs电网侧实际同步转速;ωsn为额定同步转速,值为1.0(p.u.),是系统同步转速,t为时间。
还应说明的是,电力系统惯量的定义为额定转速下,发电机的额定动能与额定容量的比值表示为:
其中,Sn为双馈风机的额定功率,En为额定转速。
更进一步的,标幺值条件下表征虚拟惯量响应功率和系统频率的关系式表示为:
其中,H为额定转速下发电机的额定动能与额定容量的比值。
应说明的是,图2显示了双馈风机在变风速场景中的运行工况。在低风速(5m/s≤v<6.4m/s)的情况下,双馈风机处于启动阶段,不参与频率响应。在中等风速(6.4m/s≤v<11m/s)的情况下,双馈风机处于最大功率点跟踪(Maximum Power Point Tracking,MPPT)运行状态,输出功率运行在最高点。在高风速(v>11m/s)的情况下,转子转速达到最大值,双馈风机侧只能通过降低转速来响应负载增加的情况。双馈风机正常运行时,风机转子存在最低转速,低于最低转速风机将会被切除。因此,转子侧可以释放的最大动能是有上限的,转子不能完全释放其所拥有的动能。同样,当转子转速超过切出风速时,风机也会自动切除。因此,转子对可吸收的动能也有上限。当风机转子速度为ω时,最大可用动能可表达为式表示为:
其中,E为动能,Jr为风机转子侧惯量,ω为DFIG的实际转速,ωrmin为风机转子存在的最低转速。
还应说明的是,结合以上关于双馈风机运行在MPPT模式下的分析,不同风速等级下的可释放动能可表示为:
其中,λopt为最佳叶尖速比,J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数,vw为风速大小,ωrmin为风机转子存在的最低转速,ωrmax为风机转子存在的最高转速。
更进一步的,λopt为最佳叶尖速比,其物理意义表示为当双馈风机工作在MPPT区域时,存在一个最佳叶尖速比λopt,使双馈风机能够获得最大的转子动能。λopt可以表示为:
其中,ω为风机转子转速,R为风机转桨半径,v为风速大小。
应说明的是,在MPPT模式下,双馈风机的惯性功率随风速的变化可表达为:
其中,λopt为最佳叶尖速比,J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数,ωn为DFIG额定转速,R为风机转桨半径,vw为风速大小,ωmax为风机转子最高转速,PI双馈风机的惯性功率。
还应说明的是,风机最大可用惯量可表示为:
其中,H为变风速场景下双馈风机惯量,λopt为最佳叶尖速比,J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数,ωn为DFIG额定转速,vw为风速大小,ωmax为风机转子最高转速,R为风机转桨半径。
更进一步的,考虑到双馈风机的运行状况会随着风速的变化而变化,风机的机械功率可表示为:
Pwm=kwω3
其中,kw为双馈风机动力学模型的近似常数,该常数可表达为其中,ρ为空气密度,Cp为风能转换效率,A为扫风面积。
应说明的是,在MPPT模式下,双馈风机采用最优叶尖速比法(optimum tip speedratio,OTSR)捕获最大风功率。此时,在风速发生变化时,通过控制风机转子侧的叶尖速比保持在最优叶尖速比使风机获得最大风能。OTSR的值可以通过理论计算或者装置实验获得,表示为:
其中,Pwm为机械功率,v为风速大小,R为风机转桨半径,λopt为最佳叶尖速比,kw为双馈风机动力学模型的近似常数。
还应说明的是,双馈风机在虚拟惯性控制下,输出电磁功率会响应频率变化。因此,可依据图3所示双馈风机在MPPT模式下的运行工况曲线,建立以双馈风机作为扰动源的干扰模型。此时惯性响应功率可以表示为机械功率与实际输出电磁功率之差,表示为:
Pvir=Pwm-Pwe
其中,Pwm为机械功率,Pwe为实际输出电磁功率。
更进一步的,由以上分析,可以得到最大可用虚拟惯量识别模型的离散表示为:
其中,Ts为采样时间,k为系统运行的第k个时刻。
应说明的是,双馈风机惯量的最小二乘形式模型,表示为:
其中,y(k)和为系统的输入参数,θ(k)为待识别参数,T为时间。
S2:在递归最小二乘法(RLS)中引入可变遗忘因子,对双馈风机的最大可用惯量进行评估。
更进一步的,根据构建的最小二乘形式的表达式,采用遗忘因子递归最小二乘法对双馈风机的最大可用惯量进行实时评估。通过引入Sherman-Morrison-Woodbery公式,可以对最小二乘法表达式的迭代解进行求解。最小二乘法通过最小化误差方程的平方找到最优参数,实现系统参数的识别。当识别出的参数突然变化时,传统的递归最小二乘法可以通过周期性地重置协方差矩阵G来跟踪参数。为了优化传统递归最小二乘法不断重置协方差矩阵时由于数据量增加导致的历史数据作用大于新采集的数据的作用的问题,避免待辨识矩阵在多次迭代之后出现误差逐渐增大的现象,在传统递归最小二乘法的基础上引入可变遗忘因子。引入可变遗忘因子之后,可以增强新采集数据对辨识结果的修正,即增大新采集数据的权重,削弱历史数据的作用,实现对待辨识参数矩阵的优化辨识。
(A+UV)-1=A-1-(A-1U)(I+VA-1U)-1(VA-1)
其中,N为数据量,A为一个可逆矩阵,U为与A维度相同的列向量,V为与A维度相同的行向量,y(k)和为系统的输入参数,θ(k)为待识别参数,T为时间,I为单位矩阵。
应说明的是,可变遗忘因子递归最小二乘法的步骤分为以下几点:
1、初始化协方差矩阵G(0),并给惯量赋初值θ(0)。协方差矩阵初值通常表示为:
G(0)=αI
其中,α唯一个足够大的值,I为单位矩阵。
2、引入动态变化的遗忘因子μ(k),以提升算法的跟踪能力和稳定性。β为一个可调系数,范围为0.9~1.0。遗忘因子μ(k),表示为:
其中,β为一个可调系数,范围为0.9~1.0,y(k)和为系统的输入参数,θ为参数矩阵,ε为误差修正量,T为时间,k为系统运行的第k个时刻。
3、计算增益矩阵L(k)表示为:
其中,G为初始化协方差矩阵,μ为动态优化遗忘因子,ε为误差修正量,T为时间,为系统的输入参数,k为系统运行的第k个时刻。
4、根据Sherman-Morrison-Woodbery公式计算待辨识参数的求解方程,计算θ(k)。同时更新协方差矩阵G(k),并且重复步骤2-步骤4,修正遗忘因子,对参数矩阵和更新后协方差矩阵表示为:
其中,L(k)为计算增益矩阵,k为系统运行的第k个时刻,μ为动态优化遗忘因子,θ为对参数矩阵,G为初始化协方差矩阵,T为时间,I为单位矩阵。
实施例2
参照图3-9,为本发明的一个实施例,提供了一种基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
实际电网中,对于各类信息的采集,其采样周期为每15分钟采集一次。假设在这15分钟之内,风速缓慢变化或在某一段时间内保持不变。本发明中,假设为某一天的一小时中,风速在0到15分钟之间为5m/s,在15到30分钟之间为9m/s,在30到45分钟之间为6.5m/s,在45到60分钟之间为13m/s,所设置风速包含图3所示MPPT运行模式下所有的运行工况。
在双馈风力发电机中采用如图4所示虚拟惯量控制和一次调频控制,使其能够对电网的频率扰动做出类似于同步发电机的响应。并在simulink中搭建如图3关于双馈风力发电机的频率响应模型;
此时,根据仿真可获得的数据集为D={[Vf(1),VPe(1)]L[Vf(k),VPe(k)]L},数据集中各参数均为标幺值。其中,Vf(k)表示第k个时刻的双馈风机节点频率偏差(如图5),VPe(k)表示双馈风机输出电磁功率偏差(如图6)。通过中采集的关于风速的数据,可以通过理论计算获得标幺值情况下的风机转子侧的机械功率曲线(如图7),进而计算获得惯性功率VPvir的曲线(如图8)。依据图2所示本发明总体实现流程图,根据经验值,将β设置为0.95,第k个时刻的惯量迭代结果H(k)根据前k个时刻获得的数据集D(k)通过可变遗忘因子递归最小二乘法进行求解,因此可以实现对双馈风机的最大可用惯量的实时评估。
双馈风机最大可用惯量评估结果如图9所示。相比较于递归最小二乘法(RLS),RLS算法在900~1800秒内的仿真结果与可变遗忘因子递归最小二乘法(VFFRLS)的结果接近,误差较小。但由于RLS算法存在数据饱和的缺点,后续连续估计的误差越来越大,最大误差可达10%。此外,DFIG惯量的实时变化无法准确跟踪。相比较于固定遗忘因子递归最小二乘法(FFRLS),引入固定遗忘因子的经验值μ=0.96后虽然削弱了历史数据对评估结果的作用,提升了部分结果精确度,但是不能保证全局评估结果最优。FFRLS评估结果存在较大振荡,稳定性不够高。直观地说,VFFRLS的实时惯性评估具有更高的跟随性和准确性。而可变遗忘因子递归最小二乘法(VFFRLS)在风速的三个阶段的评估结果平均误差分别为5%、3.9%和4.1%。相比之下,VFFRLS的实时评估结果更加稳定、精确,更适用于双馈风机惯量的实时估计。
实施例3
参照图10,为本发明的一个实施例,提供了基于可变遗忘因子最小二乘法的双馈风机惯量评估系统,包括:数据采集模块、变风速场景下双馈风机惯量构建模块、最大可用惯量评估模块。
其中数据采集模块用于采集实际电网中风机转子侧惯量、实际转速、DFIG额定转速、电网侧实际同步转速、额定同步转速、系统同步转速,变风速场景下双馈风机惯量构建模块用于基于机械功率变化量、测量得到的电磁功率的变化量和双馈风机节点母线频率变化量,输出双馈风机惯量的离散模型和双馈风机惯量的最小二乘形式模型,最大可用惯量评估模块用于根据误差动态调整可变遗忘因子对双馈风机的最大可用惯量进行评估。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,其特征在于,包括:
通过在MPPT模式下变风速场景双馈风机作为扰动源的干扰模型,构建采变风速场景下双馈风机惯量数学模型;
根据双馈风机惯量的离散模型,构建双馈风机惯量的最小二乘形式模型;
基于可变遗忘因子对双馈风机的最大可用惯量进行评估。
2.如权利要求1所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,其特征在于:所述在MPPT模式下变风速场景双馈风机作为扰动源的干扰模型包括双馈风机的运行状况会随着风速的变化而变化,风机的机械功率数学模型可表示为:
Pwm=kwω3
其中,kw为双馈风机动力学模型的近似常数,ρ为空气密度,Cp为风能转换效率,A为扫风面积,Pwm为风机的机械功率。
3.如权利要求1所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,其特征在于:所述构建采变风速场景下双馈风机惯量数学模型包括双馈风机在MPPT模式下,由虚拟惯量控制进行频率响应时的惯性功率在变风速下的表示为:
其中,λopt为最佳叶尖速比,J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数,ωn为DFIG额定转速,R为风机转桨半径,vw为风速大小,ωmax为风机转子最高转速,PI双馈风机的惯性功率;
基于惯量与频率和惯性功率之间的关系,变风速场景下双馈风机惯量表示为:
其中,H为变风速场景下双馈风机惯量,λopt为最佳叶尖速比,J为风机在虚拟惯量控制方式下向交流电网侧表现的等效惯量时间常数,ωn为DFIG额定转速,vw为风速大小,ωmax为风机转子最高转速,R为风机转桨半径。
4.如权利要求1所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,其特征在于:所述双馈风机惯量的离散模型包括基于机械功率变化量、测量得到的电磁功率的变化量和双馈风机节点母线频率变化量构建双馈风机惯量的离散模型,表示为:
其中,Ts为采样时间,k为系统运行的第k个时刻。
5.如权利要求4所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,其特征在于:所述双馈风机惯量的最小二乘形式模型包括基于离散模型构建双馈风机惯量的最小二乘形式模型,表示为:
其中,y(k)和为系统的输入参数,θ(k)为待识别参数,T为时间。
6.如权利要求5所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,其特征在于:所述基于可变遗忘因子对双馈风机的最大可用惯量进行评估包括基于双馈风机惯量评估的最小二乘形式模型,初始化协方差矩阵G(0),并给惯量赋初值θ(0),引入动态变化的遗忘因子μ(k),表示为:
其中,β为一个可调系数,范围为0.9~1.0,y(k)和为系统的输入参数,θ为参数矩阵,ε为误差修正量,T为时间,k为系统运行的第k个时刻。
7.如权利要求1所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法,其特征在于:所述基于可变遗忘因子对双馈风机的最大可用惯量进行评估包括输出计算增益矩阵,根据Sherman-Morrison-Woodbery公式输出待辨识参数的求解数学模型,并输出参数矩阵,同时更新协方差矩阵G(k),并且重复引入动态变化的遗忘因子μ(k),输出增益矩阵L(k),修正遗忘因子;
计算增益矩阵L(k)表示为:
其中,G为初始化协方差矩阵,μ为动态优化遗忘因子,ε为误差修正量,T为时间,为系统的输入参数,k为系统运行的第k个时刻;
对参数矩阵和更新后协方差矩阵表示为:
其中,L(k)为计算增益矩阵,k为系统运行的第k个时刻,μ为动态优化遗忘因子,θ为对参数矩阵,G为初始化协方差矩阵,T为时间,I为单位矩阵。
8.一种采用如权利要求1~7任一所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的系统,其特征在于:包括数据采集模块,变风速场景下双馈风机惯量构建模块,最大可用惯量评估模块;
所述数据采集模块用于采集实际电网中风机转子侧惯量、实际转速、DFIG额定转速、电网侧实际同步转速、额定同步转速、系统同步转速;
所述变风速场景下双馈风机惯量构建模块用于基于机械功率变化量、测量得到的电磁功率的变化量和双馈风机节点母线频率变化量,输出双馈风机惯量的离散模型和双馈风机惯量的最小二乘形式模型;
所述最大可用惯量评估模块用于根据误差动态调整可变遗忘因子对双馈风机的最大可用惯量进行评估。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于可变遗忘因子最小二乘法的双馈风机惯量评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168187.1A CN117251995A (zh) | 2023-09-12 | 2023-09-12 | 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168187.1A CN117251995A (zh) | 2023-09-12 | 2023-09-12 | 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251995A true CN117251995A (zh) | 2023-12-19 |
Family
ID=89132336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311168187.1A Pending CN117251995A (zh) | 2023-09-12 | 2023-09-12 | 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251995A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435873A (zh) * | 2023-12-21 | 2024-01-23 | 山东中都机器有限公司 | 一种基于智能喷雾降尘的数据管理方法 |
-
2023
- 2023-09-12 CN CN202311168187.1A patent/CN117251995A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435873A (zh) * | 2023-12-21 | 2024-01-23 | 山东中都机器有限公司 | 一种基于智能喷雾降尘的数据管理方法 |
CN117435873B (zh) * | 2023-12-21 | 2024-03-08 | 山东中都机器有限公司 | 一种基于智能喷雾降尘的数据管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103887815A (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
EP3791060A1 (en) | Wind turbine control method | |
CN103093027B (zh) | 基于双馈风电场等值模型的电力系统分析方法 | |
CN107947228B (zh) | 基于Markov理论的含风电电力系统随机稳定性分析方法 | |
CN117251995A (zh) | 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 | |
CN109063276A (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
TWI708893B (zh) | 風力發電系統 | |
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 | |
CN110350540B (zh) | 一种基于在线估计负荷频率特性的精细切负荷方法 | |
CN109412163B (zh) | 一种分散式风电接入配电网的精确潮流计算方法 | |
CN116845886B (zh) | 一种基于模型预测的多端口自主光伏系统构网型控制方法 | |
CN106894949A (zh) | 基于环境因素的风机功率信号反馈方法 | |
CN108708823A (zh) | 风力发电机组的最优增益参数在线优化方法与系统 | |
CN111293693A (zh) | 基于扩展卡尔曼滤波的双馈风机变流器控制参数辨识方法 | |
CN111997833A (zh) | 基于激光测风前馈的风电机组复合智能变桨控制方法 | |
CN115977874A (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 | |
CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
CN115313499A (zh) | 一种风机频率控制参数计算方法、装置、终端及介质 | |
Bao et al. | Iterative modeling of wind turbine power curve based on least‐square B‐spline approximation | |
CN115392110A (zh) | 基于ppo算法的数据模型混合驱动风电场建模方法 | |
Naba | Fuzzy logic principles for wind speed estimation in wind energy conversion systems | |
CN110210167A (zh) | 基于多面体滤波的风力发电机的系统参数估计方法 | |
CN116599163B (zh) | 基于调频控制的高可靠性风电场功率控制系统 | |
CN114251222B (zh) | 风力发电机组的风能捕获方法及装置 | |
CN109751185A (zh) | 一种变速风电机组的分频控制方法及控制系统 |
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 |