CN106058937B - 一种含直驱永磁风电场的配电网广义负荷建模方法 - Google Patents
一种含直驱永磁风电场的配电网广义负荷建模方法 Download PDFInfo
- Publication number
- CN106058937B CN106058937B CN201610616460.6A CN201610616460A CN106058937B CN 106058937 B CN106058937 B CN 106058937B CN 201610616460 A CN201610616460 A CN 201610616460A CN 106058937 B CN106058937 B CN 106058937B
- Authority
- CN
- China
- Prior art keywords
- parameter
- magnetism
- broad sense
- identification
- drive permanent
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000035945 sensitivity Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims abstract description 6
- 230000003068 static effect Effects 0.000 claims description 8
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims 3
- 230000001172 regenerating effect Effects 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 7
- 230000001052 transient effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H02J3/386—
-
- 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]
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种含直驱永磁风电场的配电网广义负荷建模方法，提出了直驱永磁风电机组(DDPMSG)的简化模型，并将其并联传统负荷作为含直驱永磁风电场的配电网广义负荷模型结构。基于轨迹灵敏度方法，分析了广义负荷中各参数的可辨识性及辨识难易度。参数辨识先采用粒子群优化算法(PSO)进行全局寻优，再利用Levenberg‑Marquardt(LM)算法在PSO优化结果基础上进行局部寻优。本发明简化了直驱永磁风电机组的模型结构，提出的参数辨识方法具有较高的辨识精度；本建模方法可以为其它含全变流器型的可再生能源接入配电网的广义负荷建模提供参考。
Description
技术领域
本发明涉及一种含直驱永磁风电场的配电网广义负荷建模方法，属于电力***建模技术领域。
背景技术
以可再生能源为主的分布式电源大量、分散接入配电网，传统的负荷模型无法描述含分布式电源的广义负荷动态特性，因此需要研究含分布式电源的广义负荷模型结构及参数辨识方法。风力发电是近期内最具开发利用前景的可再生能源，研究含风力发电的广义负荷模型，其首要任务建立风电机组本身的模型，了解其动态特性。
现有的含风力发电的广义负荷等值模型，有的过于简化，无法反映广义负荷的动态特性，误差较大。有的过于复杂，存在模型阶数高、待辨识参数个数多，且模型参数可能存在冗余的缺点。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种含直驱永磁风电场的配电网广义负荷的建模方法，所建立的模型能较准确地反映不同风力发电比例、不同电压跌落程度下广义负荷的动态特性，具有较强的适应性。
为了实现上述目标，本发明采用如下的技术方案：
一种含直驱永磁风电场的配电网广义负荷建模方法，其特征是，包括如下步骤：
1)建立直驱永磁风电机组(DDPMSG)的简化模型；
2)在风电机组出口设置三相对称电压跌落，将某一电压跌落场景下的有功功率和无功功率受扰轨线作为参考，基于步骤1)所建立的简化模型进行曲线拟合，先采用粒子群优化算法(PSO)获得优化结果，再采用Levenberg–Marquardt(LM)算法在PSO优化结果基础上进一步局部寻优，最后得到直驱永磁风电机组简化模型中各参数的辨识值；
以参数辨识结果为基准，分析其它扰动场景下实际受扰轨线与基于参数辨识值的受扰轨线偏差，分析模型的适应性；
3)将步骤1)所建立的风电机组简化模型与传统负荷(即电动机负荷并联静态负荷)并联，建立含直驱永磁风电场的配电网广义负荷模型结构；
4)在广义负荷出口设置对称三相电压跌落扰动，将广义负荷出口的有功功率、无功功率作为输出信号，计算广义负荷模型中各参数的轨迹灵敏度；根据轨迹灵敏度幅值大小，确定广义负荷模型中的重点参数；根据轨迹灵敏度相位，确定广义负荷模型参数的可辨识性；
5)根据步骤4)确定的重点参数，设定其搜索范围并随机生成初始值；以步骤4)设置的电压跌落扰动，基于广义负荷出口的有功功率、无功功率作为参考信号，采用PSO算法辨识广义负荷模型中的重点参数；
6)将基于PSO算法的参数辨识结果作为LM算法的初始值，进一步采用LM方法进行局部寻优，获得参数的最终辨识结果；
7)计算实际轨线和基于辨识结果的仿真轨线的偏差，选取偏差指标最小时的参数辨识结果，作为最终的参数辨识值。
进一步地，所述步骤1)中直驱永磁风电机组的简化模型包括有功环节和无功环节；所述有功环节的输入量为风电机组有功功率参考值与有功功率实际值的偏差，输出环节为d轴电流；所述无功环节的输入量与风电机组的控制方式有关。
进一步地，所述步骤2)中曲线拟合，辨识直驱永磁风电机组模型参数的方法。辨识的目标函数为偏差指标err达到最小，即：其中，n为辨识时间窗口内的总点数；Pest(k)和Qest(k)分别为辨识时间窗口内第k个基于辨识结果仿真得到的直驱风电机组出口的有功功率和无功功率；Preal(k)和Qreal(k)分别为辨识时间窗口内第k个基于实际值仿真得到直驱风电机组出口的有功功率和无功功率。
进一步地，所述步骤4)中轨迹灵敏度的获取方法如下：
41)将待辨识参数θ的数值增大Δθ，基于Matlab/Simulink平台搭建的配电网广义负荷并网***，仿真得到观测量y的受扰轨迹y(θ)，其中Δθ为增量，Δθ＝10％θ0，其中θ0为待辨识参数θ的初始值；
42)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)；
43)根据公式计算参数θ的轨迹灵敏度Sj，式中，n为观测量的采样点个数。
进一步地，所述步骤4)中重点参数的选择方法为：在所有参数的轨迹灵敏度中，选择轨迹灵敏度最小值η倍以上的参数作为重点参数，η依据经验值选择。
进一步地，其特征是，所述η＝5。
进一步地，所述步骤5)辨识广义负荷中的重点参数辨识的目标函数为偏差指标err达到最小，即： 其中θmax和θmin分别为待辨识参数的最大设定值和最小设定值，其他参数值与步骤2)中涉及的参数值代表含义相同。
本发明所达到的有益效果：本发明提出的直驱永磁风电机组的简化模型，不仅结构简单，还能反映风电机组在不同电压跌落程度下的动态特性，具有较强的适应性；采用该简化的直驱永磁风电机组并联传统负荷的模型结构，作为含直驱永磁风电场的配电网广义负荷模型结构，参数辨识先用粒子群(PSO)优化算法进行全局寻优，再利用LM算法在PSO优化结果基础上进一步局部寻优。所提建模方法不仅简化了广义负荷的模型结构，且提出的参数辨识方法具有较高的辨识精度。
附图说明
图1是本发明的工作流程图；
图2(a)(b)分别是简化的直驱永磁风电机组模型的有功环节和无功环节；
图3是含直驱永磁风电机组的仿真***接线图；
图4(a)(b)分别是简化模型辨识结果对三相电压跌落10％UN程度、电压跌落30％UN的适应性；
图5是含直驱永磁风电场的配电网广义负荷模型结构；
图6是含直驱风电场的广义负荷仿真测试***；
图7是电压跌落20％UN下的参数的轨迹灵敏度；
图8是电压跌落80％UN下的参数的轨迹灵敏度；
图9是电压跌落20％UN下基于实际参数与辨识参数的受扰轨线；
图10是电压跌落80％UN下基于实际参数与辨识参数的受扰轨线。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
下面具体结合实施例对本发明进行阐述：
步骤1)提出直驱永磁风电机组的简化模型，见图2所示。
图2中，Pref和Qref分别为有功功率及无功功率设定值，其数值由2种方式确定，一种由风电场场站级控制***直接下达，一种由直驱永磁风电机组的运行状态确定。P、Q、U和θ分别为风电机组的有功功率、无功功率、端电压幅值和功率因数角。分别为有功控制环节的比例和积分系数。TP为有功控制环节的测量时间常数。Uref为电压参考值。分别为无功控制的积分系数和电压控制的积分系数。id为d轴实际值；idN、iqN分别为d轴及q轴电流的额定值；id.cmd、iq.cmd分别为d轴及q轴电流的控制量；lmt为d轴电流的限幅值；S1、S2和S3为开关；s为拉氏变换因子。
开关S1-S3的不同状态，用以切换直驱永磁风电机组的不同控制方式，具体如下：
1)当S1＝0且S3＝0时，对应定无功功率控制方式；
2)当S1＝1且S3＝0时，对应定功率因数控制方式；
3)当S2＝0且S3＝1时，对应定电压控制方式；
4)当S2＝1且S3＝1时，对应电压/无功控制方式。
步骤2)对直驱永磁风电机组的简化模型进行适应性分析。
以图3***为例。其中，T1和T2为升压变，l1和l2为输电线路；故障设置为t＝1.7s时，母线B1处发生三相短路故障f，此时母线B2电压跌落了20％UN左右，故障持续0.2s后恢复。仿真得到该故障下风电机组有功功率P及无功功率Q的受扰轨线，以该受扰轨线为基准，采用图2所示的简化模型进行拟合，根据曲线拟合结果辨识简化模型中的各参数
曲线拟合时，先采用粒子群优化算法(PSO)获得优化结果，进一步利用Levenberg–Marquardt(LM)算法在PSO优化结果基础上局部寻优：辨识的目标函数为偏差指标err达到最小，即辨识的时间窗口选为[1.7,2.3]s，输出曲线的步长为0.00005s。
为校验图2所示简化模型的适应性，仍旧在母线B1处设置三相短路故障，通过调整接地电阻，使得母线B2电压跌落分别为10％UN和30％UN，基于电压跌落20％UN下的参数辨识结果获得风电机组有功功率和无功功率的受扰轨线。2种情况下参考模型和估算模型的受扰轨线见图4，曲线偏差结果分别为err(10％UN)＝0.0029，err(30％UN)＝0.0115，UN表示额定电压。根据图4说明了直驱永磁风电机组的模型具有较强的适应性。
步骤3)提出含直驱永磁风电场的配电网广义负荷的模型结构，如图5。其中，Pwg和Qwg分别为风电场发出的总有功功率和无功功率。Pim和Qim分别为电动机吸收的有功功率及无功功率。Pzip和Qzip分别为静态负荷吸收的有功功率及无功功率。PL和QL分别为总负荷有功功率和无功功率。P和Q分别为***侧供给广义负荷的有功功率和无功功率。j为虚数单位。
定义风电场发电功率以及电动机负荷功率比例系数，分别为其中，ZIP表示静态负荷，IM表示感应电动机负荷，它们的模型表达式如下。
ZIP静态负荷模型：其中，ZP、IP、PP、Zq、Iq、Pq分别为有功恒阻抗系数、有功恒电流系数、有功恒功率系数、无功恒阻抗系数、无功恒电流系数和无功恒功率系数，且满足LDP、LDQ分别为有功和无功的频率特性系数。PZIP和QZIP分别为静态负荷的有功功率和无功功率。PZIP0和QZIP0分别为静态负荷的初始有功功率和无功功率。UL为负荷端口电压。UL0负荷端口电压初始值。f0为***频率初始值。Δf为频率偏差，Δf＝f-f0，f为***频率。
IM电动机负荷模型：式中，ωr和ωs分别为转子角速度和***角速度；E′和E′f分别为暂态电势和励磁电势；X′为暂态电抗；T′为时间常数；H为惯性时间常数；C为常数；U为电动机端口电压幅值；δ为转子角；Tm为机械转矩。
对于电动机负荷，灵敏度较大的参数为定子电抗Xs，初始滑差s0，以及对暂态稳定计算影响较大的电动机比例Kim，因此确定广义负荷中待辨识参数为θ＝[KPp,KPi,Tp,lmt,Xs,H,s0,Kwg,Kim]，其它参数采用典型值。
步骤4)将含直驱永磁风电场的配电网广义负荷接入无穷大电网，分析各参数的可辨识性及辨识难易度。仿真***如图6所示，图中WG表示风电机组；Z表示恒阻抗负荷；l1-l3为输电线路；T1—T3为变压器。该仿真***搭建于Matlab 2010b软件中，***中直驱永磁风电场取自Matlab自带的风电场算例(power_wind_type_4_avg)，风电机组采用定无功功率控制方式(Qref＝0)。直驱永磁风电场和常规负荷通过升压变接在25kV的母线B1处，母线B1进一步升压并入120kV的无穷大***，静态负荷部分采用恒阻抗负荷模型。
扰动设置为母线B1处设置三相短路故障，通过改变接地电阻使得母线B1处电压跌落分别为20％UN和80％UN，故障起始时间为1.7s，持续时间为0.2s，采集B1处的电压、有功功率、无功功率作为实测数据。
计算各参数的轨迹灵敏度，方法如下：
41)将待辨识参数θ的数值增大Δθ，基于Matlab/Simulink平台搭建的配电网广义负荷并网***，仿真得到观测量y的受扰轨迹y(θ)；
42)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)；
43)根据公式计算参数θ的轨迹灵敏度Sj，式中，n为观测量的采样点个数，Δθ＝10％θ0，其中θ0为待辨识参数θ的初始值。
电压跌落分别为20％UN和80％UN，且风电比例为Kwg＝50％，Kim＝50％下各参数的轨迹灵敏度曲线，分别见图7和图8。
根据图7在电压跌落较小情况下的轨迹灵敏度曲线，看出广义负荷模型中各参数[KPp,KPi,Tp,Xs,H]的轨迹灵敏度曲线不同时过零，据此判别参数可唯一辨识。根据图6的轨迹灵敏度大小，判断参数[Tp,Xs,H]的轨迹灵敏度数值较大，容易辨识；参数[KPp，KPi]的轨迹灵敏度数值较小，相对难以辨识。且由于电动机的初始滑差s0、风电场发电功率比例系数Kwg以及电动机负荷功率比例系数Kim对广义负荷的动态影像较大，因此在电压跌落较小时，选择参数[KPp,KPi,Tp,Xs,H,s0,Kwg,Kim]作为待辨识参数。
根据图8在三相电压跌落较大情况下的轨迹灵敏度大小，得出参数[KPp,KPi,Tp]的轨迹灵敏度较小，但参数[lmt,Xs,H]的轨迹灵敏度较大。根据图8的轨迹灵敏度曲线形状来看，参数[lmt,Xs,H]的轨迹灵敏度曲线不同时过零，可唯一辨识。因此在电压跌落较大情况下，选择参数[lmt,Xs,H,s0,Kwg,Kim]作为待辨识参数。
步骤5)综合PSO及LM方法对含直驱永磁风电场的配电网广义负荷模型进行参数辨识。
设工况为：Kwg＝50％，Kim＝50％，基于Matlab/Simulink平台搭建的详细模型，仿真获得三相电压跌落下广义负荷出口有功功率和无功功率受扰轨线，并以此为基准，基于所提出的含直驱永磁风电场的配电网简化模型进行拟合，据此辨识简化模型中各参数。
辨识时先采用PSO方法获得优化结果，再采用LM算法在PSO优化结果基础上局部寻优。
目标函数为
在Kwg＝50％，Kim＝50％工况下的参数辨识结果见表1。三相电压跌落20％UN下的PSO方法的参数辨识结果，见表1。
表1电压跌落20％UN下PSO方法的参数辨识结果
步骤6)将PSO算法的结果作为LM算法的初始点，进行局部寻优，目标函数与粒子群算法目标函数一致，电压跌落20％UN下LM算法辨识结果，见表2。选取表2中误差最小的辨识结果作为参数的最终的辨识值，见表2中的第2列参数。根据参数的辨识结果进行实际与辨识结果的仿真曲线对比，见图9。
表2电压跌落20％UN下LM方法的参数辨识结果
采用相同的方法，可得电压跌落80％UN的PSO及LM方法的参数辨识结果，见表3。
表3电压跌落50％UN下的参数辨识结果
步骤7)选取表3中误差最小的辨识结果作为参数的最终的辨识值，见表3中的第3列参数。根据参数的辨识结果进行实际与辨识结果的仿真曲线对比，见图10。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种含直驱永磁风电场的配电网广义负荷建模方法，其特征是，包括如下步骤：
1)建立直驱永磁风电机组的简化模型；
2)在风电机组出口设置三相对称电压跌落，将某一电压跌落场景下的有功功率和无功功率受扰轨线作为参考，基于步骤1)所建立的简化模型进行曲线拟合，先采用粒子群优化算法获得优化结果，再采用Levenberg–Marquardt算法在粒子群优化算法优化结果基础上进一步局部寻优，最后得到直驱永磁风电机组简化模型中各参数的辨识值；
以参数辨识结果为基准，分析其它电压跌落场景下实际受扰轨线与基于参数辨识值的受扰轨线偏差，分析模型的适应性；
3)将步骤1)所建立的简化模型与传统负荷并联，所述传统负荷表示的是静态负荷，建立含直驱永磁风电场的配电网广义负荷模型结构；
4)在广义负荷出口设置对称三相电压跌落扰动，将广义负荷出口的有功功率、无功功率作为输出信号，计算广义负荷模型中各参数的轨迹灵敏度；根据轨迹灵敏度幅值大小，确定广义负荷模型中的重点参数；根据轨迹灵敏度相位，确定广义负荷模型参数的可辨识性，所述重点参数指的是：在所有参数的轨迹灵敏度中，选择轨迹灵敏度数值大于等于轨迹灵敏度最小值η倍的一个或多个参数作为重点参数，η依据经验值选择；
5)根据步骤4)确定的重点参数，设定其搜索范围并随机生成初始值；以步骤4)设置的电压跌落扰动，基于广义负荷出口的有功功率、无功功率作为参考信号，采用粒子群优化算法辨识广义负荷模型中的重点参数；
6)将基于粒子群优化算法的参数辨识结果作为Levenberg–Marquardt算法的初始值，进一步采用Levenberg–Marquardt算法进行局部寻优，获得参数的最终辨识结果；
7)计算实际轨线和基于辨识结果的仿真轨线的偏差，选取偏差指标最小时的参数辨识结果，作为最终的参数辨识值。
2.根据权利要求1所述的一种含直驱永磁风电场的配电网广义负荷建模方法，其特征是，所述步骤1)中直驱永磁风电机组的简化模型包括有功环节和无功环节；所述有功环节的输入量为风电机组有功功率参考值与有功功率实际值的偏差，输出环节为d轴电流；所述无功环节的输入量与风电机组的控制方式有关。
3.根据权利要求1所述的一种含直驱永磁风电场的配电网广义负荷建模方法，其特征是，所述步骤2)中曲线拟合辨识直驱永磁风电机组模型参数，辨识的目标函数为偏差指标err1达到最小，
即：其中，n1为辨识时间窗口内的总点数；Pest(k)和Qest(k)分别为辨识时间窗口内第k个基于辨识结果仿真得到的直驱风电机组出口的有功功率和无功功率；Preal(k)和Qreal(k)分别为辨识时间窗口内第k个基于实际值仿真得到直驱风电机组出口的有功功率和无功功率。
4.根据权利要求1所述的一种含直驱永磁风电场的配电网广义负荷建模方法，其特征是，所述步骤4)中轨迹灵敏度的获取方法如下：
41)将待辨识参数θ的数值增大Δθ，基于Matlab/Simulink平台搭建的配电网广义负荷并网***，仿真得到观测量y的受扰轨迹y(θ)，其中Δθ为增量，Δθ＝10％θ0，其中θ0为待辨识参数θ的初始值；
42)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)；
43)根据公式计算参数θ的轨迹灵敏度Sj，式中，n为观测量的采样点个数。
5.根据权利要求1所述的一种含直驱永磁风电场的配电网广义负荷建模方法，其特征是，所述η＝5。
6.根据权利要求1所述的一种含直驱永磁风电场的配电网广义负荷建模方法，其特征是，所述步骤5)辨识广义负荷中的重点参数时，辨识的目标函数为偏差指标err2达到最小，
即：其中θmax和θmin分别为待辨识参数的最大设定值和最小设定值，n2为辨识时间窗口内的总点数；Pest(k)和Qest(k)分别为辨识时间窗口内第k个基于辨识结果仿真得到的直驱风电机组出口的有功功率和无功功率；Preal(k)和Qreal(k)分别为辨识时间窗口内第k个基于实际值仿真得到直驱风电机组出口的有功功率和无功功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610616460.6A CN106058937B (zh) | 2016-07-29 | 2016-07-29 | 一种含直驱永磁风电场的配电网广义负荷建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610616460.6A CN106058937B (zh) | 2016-07-29 | 2016-07-29 | 一种含直驱永磁风电场的配电网广义负荷建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106058937A CN106058937A (zh) | 2016-10-26 |
| CN106058937B true CN106058937B (zh) | 2018-05-08 |
Family
ID=57195958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610616460.6A Expired - Fee Related CN106058937B (zh) | 2016-07-29 | 2016-07-29 | 一种含直驱永磁风电场的配电网广义负荷建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106058937B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107453401B (zh) * | 2017-09-13 | 2019-12-31 | 河海大学 | 一种双馈风力发电机参数辨识方法 |
| CN108460228B (zh) * | 2018-03-21 | 2021-06-04 | 电子科技大学 | 一种基于多目标优化算法进行风电场等值的方法 |
| CN109217336B (zh) * | 2018-09-05 | 2020-06-16 | 河海大学 | 基于分区建模的同步发电机阻尼系数在线辨识方法 |
| CN110688808B (zh) * | 2019-09-24 | 2022-06-24 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
| CN111416377B (zh) * | 2020-03-16 | 2021-07-30 | 南方电网科学研究院有限责任公司 | 一种提高电网暂态稳定性的柔性直流控制方法及装置 |
| CN111651939B (zh) * | 2020-06-08 | 2024-02-06 | 华北电力大学 | 计及变流器控制参数差异的永磁风电场动态等值建模方法 |
| CN111725840B (zh) * | 2020-06-29 | 2021-09-21 | 浙江大学 | 一种直驱风电机组控制器参数辨识方法 |
| CN114462218B (zh) * | 2022-01-19 | 2023-01-24 | 中国人民解放军陆军工程大学 | 一种电力电子设备用电功率的模拟方法及模拟装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103825521A (zh) * | 2014-02-25 | 2014-05-28 | 河海大学 | 一种双馈风电机组驱动***及发电机参数辨识方法 |
| EP2955807A1 (en) * | 2014-06-13 | 2015-12-16 | Renergetica S.r.l. | Method and apparatus for controlling hybrid grids |
-
2016
- 2016-07-29 CN CN201610616460.6A patent/CN106058937B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103825521A (zh) * | 2014-02-25 | 2014-05-28 | 河海大学 | 一种双馈风电机组驱动***及发电机参数辨识方法 |
| EP2955807A1 (en) * | 2014-06-13 | 2015-12-16 | Renergetica S.r.l. | Method and apparatus for controlling hybrid grids |
Non-Patent Citations (1)
| Title |
|---|
| 基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究;王振树等;《电工技术学报》;20141231;第29卷(第12期);第211-217页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106058937A (zh) | 2016-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106058937B (zh) | 一种含直驱永磁风电场的配电网广义负荷建模方法 | |
| Zou et al. | A fuzzy clustering algorithm-based dynamic equivalent modeling method for wind farm with DFIG | |
| Ellis et al. | Description and technical specifications for generic WTG models—A status report | |
| Li et al. | An improved single-machine equivalent method of wind power plants by calibrating power recovery behaviors | |
| CN107453401B (zh) | 一种双馈风力发电机参数辨识方法 | |
| Martínez et al. | Design and analysis of a slope voltage control for a DFIG wind power plant | |
| CN106169747A (zh) | 一种双馈感应发电机参数辨识方法 | |
| CN111384725A (zh) | 一种新能源电站的短路电流计算方法和*** | |
| CN101937483A (zh) | 基于桨距角动作情况的双馈机组风电场动态等值建模方法 | |
| CN106058922B (zh) | 一种含虚拟惯量控制的双馈风电机组降阶仿真***及方法 | |
| CN105576654B (zh) | 直驱风电场等值方法和*** | |
| CN105243230B (zh) | 一种计及卸荷电路的直驱风电场的等值建模方法 | |
| CN104820741A (zh) | 兼顾风场分散性与机组差异性的风电场动态等值方法 | |
| Elizondo et al. | Model reduction, validation, and calibration of wind power plants for dynamic studies | |
| CN106406272A (zh) | 一种风电场中静止无功发生器的控制器性能测试方法 | |
| CN114491886A (zh) | 含多类型分布式新能源的主动配电网通用建模方法和装置 | |
| CN104538979B (zh) | 风电场动态无功补偿容量优化的仿真建模方法 | |
| CN106156390B (zh) | 一种双馈风电机组机电暂态模型的建模方法 | |
| CN110210170B (zh) | 一种大规模风电机群等值小信号模型建模方法 | |
| Altimania | Modeling of doubly-fed induction generators connected to distribution system based on eMEGASim® real-time digital simulator | |
| CN116187082A (zh) | 风电场单机等值建模方法 | |
| Wang et al. | Development of wind-energy modeling technology and standards | |
| CN113872189B (zh) | Vsc接入薄弱电网时低频振荡特性的等效pll分析方法 | |
| CN112186767B (zh) | 含高比例可再生能源的海岛微电网频率稳定的优化控制方法 | |
| CN110957723B (zh) | 一种数据驱动的在线快速评估电网暂态电压安全性的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180508 Termination date: 20210729 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |