CN103825521A - 一种双馈风电机组驱动***及发电机参数辨识方法 - Google Patents
一种双馈风电机组驱动***及发电机参数辨识方法 Download PDFInfo
- Publication number
- CN103825521A CN103825521A CN201410063297.6A CN201410063297A CN103825521A CN 103825521 A CN103825521 A CN 103825521A CN 201410063297 A CN201410063297 A CN 201410063297A CN 103825521 A CN103825521 A CN 103825521A
- Authority
- CN
- China
- Prior art keywords
- parameter
- identification
- generator
- drive system
- trace sensitivity
- 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.)
- Granted
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种双馈风电机组驱动***及发电机参数辨识方法,将双馈风电机组驱动***及发电机参数辨识分为两个阶段,首先进行第一轮分块辨识,即单独辨识驱动***及发电机参数,然后进行多轮次的交叉辨识:即将前一轮的参数辨识结果作为初始值,重新辨识发电机参数与驱动***参数。本发明不仅增加了待辨识参数的个数,还整体上提高了参数的辨识精度。该辨识方法还可以为其它类型的风电机组参数辨识提供参考。
Description
技术领域
本发明属于电力***建模领域,特别涉及一种双馈风电机组驱动***及发电机参数辨识方法。
背景技术
自从风力发电引入电力***以来,风电机组的模型问题特别是动态模型一直是研究的热点。目前风电机组在机理建模方面的研究已有较多的成果,辨识建模与模型验证方面的工作正在世界范围内展开。2009年国家电网公司颁布的《风电并网运行控制技术规定》中对风电并网分析模型及方法要求之一即为:“在风电并网分析工作中应采用风电机组的详细数学模型,模型的参数应由风电场提供实测参数。对没有实测参数的风电机组,暂时可以采用同类机型的典型模型和参数,风电机组模型和参数确定后应重新校核”。
风力发电机及驱动***是风电机组的重要组成部分,对其进行准确建模对计算分析风电机组的动态非常重要。现有的文献在辨识风电机组驱动***及发电机参数时,一般采用电网侧电压跌落作为扰动。但在电网侧电压跌落故障下,虽然风力发电机的电气参数容易辨识,但驱动***的参数辨识精度较低。相反,在风速激励下,驱动***参数的可观性较高,容易辨识,但发电机参数却难以辨识。
在现有技术中,采用分块辨识发电机或驱动***参数时,一般假设另一模块的参数已知。这样做的缺点在于:当待辨识模块与另一模块的耦合性较强时,如另一模块的参数给定值不准确,将直接影响本模块的参数辨识精度。
发明内容
发明目的:本发明的目的在于针对现有技术的不足,提供一种有效提高***参数的辨识精度的同时,还能增加待辨识参数个数的双馈风电机组驱动***及发电机参数辨识方法。
技术方案:一种双馈风电机组驱动***及发电机参数辨识方法,包括如下步骤:
步骤1:设定驱动***参数及发电机参数的搜索范围,随机生成参数的初始值;
步骤2:以阵风激励作为扰动,以发电机出口的有功功率、无功功率、电压以及电流有效值作为输出信号,计算驱动***各参数的轨迹灵敏度,选择轨迹灵敏度幅值较大的输出信号作为观测量;根据所选的观测量分析驱动***各参数的轨迹灵敏度,选择轨迹灵敏度幅值较大的参数作为重点参数,根据各参数轨迹灵敏度相位判断参数的可辨识性;将步骤1中发电机参数的初始值作为已知,采用粒子群优化算法辨识驱动***参数;
步骤3:以发电机端口电压跌落作为扰动,以发电机出口的有功功率、无功功率、电压以及电流有效值作为输出信号,计算发电机各参数的轨迹灵敏度,选择轨迹灵敏度幅值较大的输出信号作为观测量;根据该观测量分析发电机各参数的轨迹灵敏度,选择轨迹灵敏度幅值较大的参数为重点参数,根据各参数轨迹灵敏度相位判断参数的可辨识性;将步骤2中辨识得到的驱动***参数作为已知,采用粒子群优化算法辨识发电机参数;
步骤4:以步骤2和步骤3辨识得到的参数为基准,缩小辨识的参数搜索范围再进行步骤2和步骤3对驱动***参数及发电机参数下一轮辨识;
步骤5:设定偏差阈值,将重点参数的两次辨识值之差与设定的偏差阈值进行比较,如果两次两次辨识值之差小于设定值,则结束辨识过程,执行下一步骤,否则回到步骤4继续辨识过程;
其中,步骤2和步骤3中所述轨迹灵敏度的获取方法为:a:将一个待辨识参数θ的数值增大Δθ,仿真得到观测量y的受扰轨迹y(θ);b:将待辨识参数θ的数值减少Δθ,仿真得到观测量y的受扰轨迹y′(θ);c:然后根据公式计算参数θ的轨迹灵敏度Sj,式中,n为观测量的总采样点数,Δθ=10%θ0,其中θ0为待辨识参数θ的初始值;
步骤2和步骤3中所述重点参数的选择方法:所有参数的轨迹灵敏度中,选择大于轨迹灵敏度最小值5倍的参数作为重点参数。
进一步,所述步骤4中所述缩小下一轮辨识的参数搜索范围是以当前辨识结果为中心上、下扩展上一轮辨识结果的50%为新的参数搜索范围。
进一步,所述步骤5中设定的偏差阈值为上一轮辨识所得参数值的2%。
有益效果:与现有技术相比,本发明提出采用这2种不同类型的扰动,分块辨识发电机及驱动***参数,将双馈风电机组驱动***及发电机参数辨识分为两个阶段,首先进行第一轮分块辨识,即单独辨识驱动***及发电机参数,然后进行多轮次的交叉辨识:即将前一轮的参数辨识结果作为初始值,重新辨识发电机参数与驱动***参数,这样不仅克服了参数的近似所带来的辨识误差,还能整体上提高参数的辨识精度。本发明还增加了待辨识参数的个数,该辨识方法还可以为其它类型的风电机组参数辨识提供参考。
附图说明
图1为基于DFIG风力发电机并网的仿真测试***结构图;
图2为基于DFIG的双馈风电机的结构图;
图3为基于DFIG的风电机组的驱动***单质块结构;
图4为DFIG发电机准稳态模型图;
图5为发电机端口电压跌落下发电机的参数Ls、Lr的轨迹灵敏度曲线;
图6为本发明的工作流程图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例1:将一台基于双馈感应电机(下文中简称DFIG)的风电机组直接并网,仿真***如图1所示,该仿真***搭建于Matlab2012b软件中,***中所有元件均取自Matlab自带的风电场算例(Wind Farm(DFIG Phasor Model)Demo),元件参数均取默认值。其中,基于DFIG的双馈风电机的结构图如图2所示,Tm代表风力机输出的机械功率,β代表风力机叶片的桨距角,ωr代表DFIG转子转速,Tsh代表传动***输出给DFIG转子的机械功率,ir代表转子绕组中的电流(以下简称“转子电流”),vdr、vqr分别代表转子励磁电压的d、q轴分量;VDC代表直流侧电容的电压;vg和ig是网侧变流器的输出电压和电流;vdg、vqg分别代表网侧变流器输出电压的d、q轴分量。基于DFIG的风电机组的驱动***单质块结构如图3所示,其中,H为风力机、齿轮箱和同步发电机总的惯性时间常数;Dsh是阻尼系数;Tem是电磁转矩。DFIG发电机准稳态模型如图4所示。其中,vds、vqs分别为发电机定子电压的d、q轴分量;ids、iqs分别为发电机定子注入电流的d、q轴分量;idr、iqr分别为发电机转子注入电流的d、q轴分量;Rs、Xs分别为定子电阻和电抗;Rr、Xr分别为转子电阻和电抗;Xm为定子和转子之间的互抗;ωs代表同步转速,s为转子滑差。且Xs=ωs×Ls,Xr=ωs×Lr,Xm=ωs×Lm;Ls、Lr和Lm分别为定子电感、转子电感以及定转子互感。
下面首先对如何设置扰动进行说明。
(1)阵风激励
设在t=5s输入侧阵风激励,阵风持续10s后风速回到原来数值,观测时间为扰动后20s,各参数在该扰动下的轨迹灵敏度见表1。其中PDFIG表示DFIG的发电机出口的有功功率响应,QDFIG表示DFIG的发电机出口的无功功率响应,Vs为母线电压,Is为双馈风电机组的电流。可以看到,在阵风激励下驱动***参数的轨迹灵敏度较高,以无功功率为观测量时优势更加明显,非常有利于驱动***参数的辨识,所以选择QDFIG为观察量。
表1扰动结束后20s时窗内参数的轨迹灵敏度×10-4
(2)电压跌落扰动
发电机出口设置三相瞬时性故障,故障持续0.15s后消失,***恢复至原状态。各参数在该扰动下的轨迹灵敏度见表2,由表2可以看到,在电压跌落扰动下发电机参数的灵敏度较高,以有功功率/无功功率为观测量时优势更加明显,非常有利于发电机参数的辨识。如以QDFIG作为观测量时,此时参数Ls、Lr和Lm的灵敏度较高,因为参数Ls、Lr和Lm的值均在轨迹灵敏度最小值5倍以上,所以视为重点待辨识参数。由图5可见参数Ls、Lr的轨迹灵敏度基本同相,不可区分辨识,所以将两者合并辨识。
表2故障消除后0.5s时窗内参数的轨迹灵敏度
如图6所示,本发明提供的双馈风电机组驱动***及发电机参数辨识方法的具体步骤如下:
步骤1:设定驱动***参数及发电机参数的搜索范围,随机生成参数的初始值,按分块辨识的思路,对双馈风电机组驱动***及发电机参数进行第一轮辨识。
步骤2,根据步骤1中随机生成的发电机参数初始值,如Ls=0.2354,Lr=0.0521,Lm=5.3029,Rs=0.0322,Rr=0.0091。以发电机无功功率QDFIG作为观测量,驱动***参数初始搜索范围见表3第3列,在各个参数的搜索范围内随机生成一组参数的初值,如表3中第4列。根据阵风激励下的受扰轨线辨识驱动***参数H和Dsh。辨识结果见表3。
表3传动***参数分块辨识结果
参数 | 真值 | 搜索范围 | 随机初值 | 辨识结果 | 误差/% |
H | 5.0400 | [0.5040,10.0000] | 10.0000 | 5.0468 | 0.1349 |
Dsh | 0.0100 | [0,0.1000] | 0.10000 | 0.0087 | 13.0000 |
目标函数L1 | / | / | 0.1738 | 0.0016 | / |
表3中目标函数L1的计算如下:其中,QDFIG_real为阵风激励下的实测无功功率受扰轨线;为根据驱动***参数H、Dsh的辨识结果仿真得到的无功功率受扰轨线;QDFIG_real和在仿真***中仿真获得;m为根据参数H、Dsh的辨识结果仿真得到的无功功率的总采样点数,在本实施例中,即为扰动结束后20s时窗内无功功率总观测点数。
步骤3:以发电机出口无功功率QDFIG作为观测量,根据驱动***参数的初始值H=10s,Dsh=0.1pu。发电机参数初始搜索范围见表4第3列,在各个参数的搜索范围内随机生成一组参数的初值,如表4中第4列。根据电网侧故障下的发电机无功功率受扰轨线辨识发电机参数,辨识结果见表4。
表4发电机的参数分块辨识结果
参数 | 真值 | 搜索范围 | 随机初值 | 辨识结果 | 误差/% |
Ls | 0.1710 | [0.0171,0.8550] | 0.2354 | 0.2124 | 24.2105 |
Lr | 0.1560 | [0.0156,0.7800] | 0.0521 | 0.1067 | -31.6020 |
Lm | 2.9000 | [0.2900,10.0000] | 5.3029 | 3.1770 | 9.5517 |
Rs | 0.0076 | [0,0.0380] | 0.0322 | 0.0080 | 5.2632 |
Rr | 0.0050 | [0,0.0250] | 0.0091 | 0.0053 | 6.0000 |
Ls+Lr | 0.3270 | / | 0.2875 | 0.3191 | -2.4159 |
目标函数值L2 | / | / | 0.1474 | 0.0035 | / |
由于参数Ls和Lr不能够区分辨识,故它们各自的辨识误差较大;但Ls+Lr可辨识,且辨识精度较高。
由表1和表2可知,驱动***及发电机参数存在一定的耦合性,当发电机参数的初始估计误差较大时,有可能影响传动***的参数辨识精度;同样,当驱动***参数的初始估计误差较大时,也有可能影响到发电机参数的辨识精度。将表1和表2的传动***和发电机的参数辨识作为第一轮辨识结果,进行多轮交叉辨识,重新辨识驱动***及发电机参数。
步骤4:以步骤2和步骤3辨识得到的参数为基准,缩小辨识的参数搜索范围再进行步骤2和步骤3对驱动***参数及发电机参数下一轮辨识;比如若第一轮辨识得到某个参数的寻优结果是0.6,则取N=1表示为第一轮迭代辨识,新的参数搜索范围下限就是0.6-0.6×50%=0.3、新的搜索上限就是0.6+0.6×50%=0.9;经过第2轮辨识后,若该参数的搜索结果是0.62,则取N=2表示为第二轮迭代辨识,新的参数搜索范围下限就是0.62-0.62×50%=0.31、新的搜索上限就是0.62+0.62×50%=0.93。后续迭代中参数搜索范围的修改方法相同。
步骤5:设定偏差阈值,将重点参数的两次辨识值之差与设定的偏差阈值进行比较,如果两次辨识得到的参数之差小于设定值,则结束辨识过程,执行下一步骤,否则回到步骤4继续辨识过程。本实施例中将偏差阈值设置为不超过2%,偏差阈值可以根据不同的精度要求修改。当迭代辨识满足该终止条件时,表明非辨识参数精度问题对待辨识参数辨识结果的影响已经基本消除,或者降低到了工程上可以接受的范围,所示辨识过程结束。辨识算法使用标准粒子群算法(简称:PSO),粒子数量设置为20个,迭代次数上限为50次,惯性权重从0.9~0.45按迭代次数递减,学习因子C1=C2=2。
表5
根据前后轮次的误差判别标准,需经过4轮辨识,辨识结果如表5所示。总体来说,随着交叉辨识轮次的增加,辨识参数逐渐接近于实际值,说明增加交叉辨识环节整体上可提高参数的辨识精度。偶尔也可能会出现后一轮次辨识精度小于前一轮的情况,这是因为在每一轮的参数辨识时,参数搜索范围设定为前一轮辨识值附近的某一范围,参数初始值在该范围内随机确定。当该轮的参数初始值与前一轮相比,与真值相差较大时,有可能出现这种情况。表明了“迭代辨识”对于提高参数辨识精度所起到的积极作用。参数Ls、Lr不可区分辨识,它们各自的辨识误差较大,但Ls+Lr的辨识精度较高;参数Rs的辨识精度次之;参数Rr的自身数值小且灵敏度低,最终辨识误差最大;传动***参数中Dsh的灵敏度小,辨识误差大。
Claims (3)
1.一种双馈风电机组驱动***及发电机参数辨识方法,其特征在于:包含如下步骤:
步骤1:设定驱动***参数及发电机参数的搜索范围,随机生成参数的初始值;
步骤2:以阵风激励作为扰动,以发电机出口的有功功率、无功功率、电压以及电流有效值作为输出信号,计算驱动***各参数的轨迹灵敏度,选择轨迹灵敏度幅值较大的输出信号作为观测量;根据所选的观测量分析驱动***各参数的轨迹灵敏度,选择轨迹灵敏度幅值较大的参数作为重点参数,根据各参数轨迹灵敏度相位判断参数的可辨识性;将步骤1中发电机参数的初始值作为已知,采用粒子群优化算法辨识驱动***参数;
步骤3:以发电机端口电压跌落作为扰动,以发电机出口的有功功率、无功功率、电压以及电流有效值作为输出信号,计算发电机各参数的轨迹灵敏度,选择轨迹灵敏度幅值较大的输出信号作为观测量;根据该观测量分析发电机各参数的轨迹灵敏度,选择轨迹灵敏度幅值较大的参数为重点参数,根据各参数轨迹灵敏度相位判断参数的可辨识性;将步骤2中辨识得到的驱动***参数作为已知,采用粒子群优化算法辨识发电机参数;
步骤4:以步骤2和步骤3辨识得到的参数为基准,缩小待辨识参数的搜索范围后,再进行步骤2和步骤3对驱动***参数及发电机参数下一轮辨识;
步骤5:设定偏差阈值,将重点参数的两次辨识值之差与设定的偏差阈值进行比较,如果两次辨识值之差小于设定值,则结束辨识过程,执行下一步骤,否则回到步骤4继续辨识过程;
其中,步骤2和步骤3中所述轨迹灵敏度的获取方法为:a:将一个待辨识参数θ的数值增大Δθ,仿真得到观测量y的受扰轨迹y(θ);b:将待辨识参数θ的数值减少Δθ,仿真得到观测量y的受扰轨迹y′(θ);c:然后根据公式计算参数θ的轨迹灵敏度Sj,式中,n为观测量的总采样点数,Δθ=10%θ0,其中θ0为待辨识参数θ的初始值;
步骤2和步骤3中所述重点参数的选择方法:所有参数的轨迹灵敏度中,选择大于轨迹灵敏度最小值5倍的参数作为重点参数。
2.根据权利要求1所述的双馈风电机组驱动***及发电机参数辨识方法,其特征在于:所述步骤4中所述缩小下一轮辨识的参数搜索范围是以当前辨识结果为中心上、下扩展上一轮辨识结果的50%为新的参数搜索范围。
3.根据权利要求1所述的双馈风电机组驱动***及发电机参数辨识方法,其特征在于:所述步骤5中设定的偏差阈值为上一轮辨识所得参数值的2%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410063297.6A CN103825521B (zh) | 2014-02-25 | 2014-02-25 | 一种双馈风电机组中驱动***及发电机参数的辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410063297.6A CN103825521B (zh) | 2014-02-25 | 2014-02-25 | 一种双馈风电机组中驱动***及发电机参数的辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103825521A true CN103825521A (zh) | 2014-05-28 |
CN103825521B CN103825521B (zh) | 2016-08-31 |
Family
ID=50760409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410063297.6A Expired - Fee Related CN103825521B (zh) | 2014-02-25 | 2014-02-25 | 一种双馈风电机组中驱动***及发电机参数的辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103825521B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117530A (zh) * | 2015-06-03 | 2015-12-02 | 贵州电力试验研究院 | 一种粗细结合调节实现汽轮机及其调速***参数辨识方法 |
CN106058937A (zh) * | 2016-07-29 | 2016-10-26 | 河海大学 | 一种含直驱永磁风电场的配电网广义负荷建模方法 |
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 |
CN108809192A (zh) * | 2018-06-07 | 2018-11-13 | 江苏江荣智能科技有限公司 | 一种参数自整定永磁同步电机控制*** |
CN109194225A (zh) * | 2018-09-30 | 2019-01-11 | 江南大学 | 一种双馈电机参数在线辨识方法 |
CN110071667A (zh) * | 2019-05-10 | 2019-07-30 | 福建省宏闽电力工程监理有限公司 | 一种双馈风力发电机参数辨识方法 |
CN112464437A (zh) * | 2020-10-30 | 2021-03-09 | 海南电网有限责任公司电力科学研究院 | 一种电力仿真模型的参数辨识方法 |
CN112632766A (zh) * | 2020-12-18 | 2021-04-09 | 河海大学 | 一种基于bp神经网络的双馈风电机组参数辨识方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798205B (zh) * | 2017-12-11 | 2020-04-21 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2096750A2 (en) * | 2008-02-26 | 2009-09-02 | General Electric Company | Method and apparatus for assembling electrical machines |
CN102904518A (zh) * | 2012-09-27 | 2013-01-30 | 安徽省电力公司 | 一种同步发电机q轴参数在线辨识方法 |
CN102332728B (zh) * | 2011-09-30 | 2013-06-05 | 长沙理工大学 | 一种永磁风力发电机组全风况下按给定功率控制的*** |
CN103543363A (zh) * | 2013-10-31 | 2014-01-29 | 国家电网公司 | 一种光伏逆变器参数辨识装置 |
-
2014
- 2014-02-25 CN CN201410063297.6A patent/CN103825521B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2096750A2 (en) * | 2008-02-26 | 2009-09-02 | General Electric Company | Method and apparatus for assembling electrical machines |
CN102332728B (zh) * | 2011-09-30 | 2013-06-05 | 长沙理工大学 | 一种永磁风力发电机组全风况下按给定功率控制的*** |
CN102904518A (zh) * | 2012-09-27 | 2013-01-30 | 安徽省电力公司 | 一种同步发电机q轴参数在线辨识方法 |
CN103543363A (zh) * | 2013-10-31 | 2014-01-29 | 国家电网公司 | 一种光伏逆变器参数辨识装置 |
Non-Patent Citations (1)
Title |
---|
潘学萍 鞠平 徐倩 刘永康 吴峰 金宇清: "《双馈风力发电机参数分步辨识及观测量的旋转》", 《中国电机工程学报》, 5 May 2013 (2013-05-05), pages 116 - 123 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117530A (zh) * | 2015-06-03 | 2015-12-02 | 贵州电力试验研究院 | 一种粗细结合调节实现汽轮机及其调速***参数辨识方法 |
CN105117530B (zh) * | 2015-06-03 | 2021-07-13 | 贵州电网有限责任公司 | 一种粗细结合调节实现汽轮机及其调速***参数辨识方法 |
CN106169747B (zh) * | 2016-07-20 | 2018-07-10 | 河海大学 | 一种双馈感应发电机参数辨识方法 |
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 |
CN106058937B (zh) * | 2016-07-29 | 2018-05-08 | 河海大学 | 一种含直驱永磁风电场的配电网广义负荷建模方法 |
CN106058937A (zh) * | 2016-07-29 | 2016-10-26 | 河海大学 | 一种含直驱永磁风电场的配电网广义负荷建模方法 |
CN108809192B (zh) * | 2018-06-07 | 2020-12-04 | 江苏江荣智能科技有限公司 | 一种参数自整定永磁同步电机控制*** |
CN108809192A (zh) * | 2018-06-07 | 2018-11-13 | 江苏江荣智能科技有限公司 | 一种参数自整定永磁同步电机控制*** |
CN109194225A (zh) * | 2018-09-30 | 2019-01-11 | 江南大学 | 一种双馈电机参数在线辨识方法 |
CN109194225B (zh) * | 2018-09-30 | 2021-08-20 | 江南大学 | 一种双馈电机参数在线辨识方法 |
CN110071667A (zh) * | 2019-05-10 | 2019-07-30 | 福建省宏闽电力工程监理有限公司 | 一种双馈风力发电机参数辨识方法 |
CN110071667B (zh) * | 2019-05-10 | 2020-09-25 | 福建省宏闽电力工程监理有限公司 | 一种双馈风力发电机参数辨识方法 |
CN112464437A (zh) * | 2020-10-30 | 2021-03-09 | 海南电网有限责任公司电力科学研究院 | 一种电力仿真模型的参数辨识方法 |
CN112464437B (zh) * | 2020-10-30 | 2022-11-08 | 海南电网有限责任公司电力科学研究院 | 一种电力仿真模型的参数辨识方法 |
CN112632766A (zh) * | 2020-12-18 | 2021-04-09 | 河海大学 | 一种基于bp神经网络的双馈风电机组参数辨识方法及装置 |
CN112632766B (zh) * | 2020-12-18 | 2022-11-15 | 河海大学 | 一种基于bp神经网络的双馈风电机组参数辨识方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103825521B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103825521B (zh) | 一种双馈风电机组中驱动***及发电机参数的辨识方法 | |
CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN107002636B (zh) | 用于估计风速,包括计算针对叶片扭转调节的桨距角的方法 | |
CN106169747A (zh) | 一种双馈感应发电机参数辨识方法 | |
CN108664671B (zh) | 一种风电场多机聚合模型参数辨识方法及装置 | |
CN103701389B (zh) | 一种双馈感应发电机控制器参数辨识方法 | |
CN103825298B (zh) | 一种定速风电机组驱动***参数辨识方法 | |
CN109800455B (zh) | 一种双馈风电机组暂态无功特性仿真方法和装置 | |
CN102684586B (zh) | 一种交直流大电网动态等值的主导发电机参数聚合方法 | |
CN104218864A (zh) | 一种双馈风电机组转子侧控制器参数辨识的频域方法 | |
CN110518632A (zh) | 一种风电场并网对电网惯量削弱的定量计算方法 | |
CN103853888B (zh) | 一种适用于无功补偿的海上风电***等值建模方法 | |
Bouchiba et al. | Real-time integration of control strategies for an isolated DFIG-based WECS | |
Pan et al. | Hierarchical parameter estimation of DFIG and drive train system in a wind turbine generator | |
Altimania | Modeling of doubly-fed induction generators connected to distribution system based on eMEGASim® real-time digital simulator | |
CN105140957A (zh) | 基于风电场和光伏电站聚合模型的机电振荡模式估算方法 | |
Hanic et al. | Steady-state synchronous machine model which incorporates saturation and cross-magnetization effects | |
Sun et al. | Design and optimization of control parameters based on direct-drive permanent magnet synchronous generator for wind power system | |
CN115719975A (zh) | 一种风电场等效虚拟惯量常数在线评估方法、装置及存储介质 | |
CN112260225B (zh) | 一种基于组合模型的双馈风电机组三相短路电流计算方法及*** | |
CN104809268A (zh) | 一种汽轮发电机负载励磁电流计算方法 | |
CN104361170B (zh) | 适于大规模风电并网暂态稳定分析的风电场等值建模方法 | |
CN109407543B (zh) | 一种风电机组电气模型电压响应特性的验证方法和装置 | |
Gao et al. | Improved extended kalman filter based dynamic equivalent method of DFIG wind farm cluster | |
Bayat et al. | Modeling and linearization of DFIG based wind turbine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160831 Termination date: 20190225 |