CN114865703B - 一种直驱风机逆变器高穿特性参数辨识方法 - Google Patents
一种直驱风机逆变器高穿特性参数辨识方法 Download PDFInfo
- Publication number
- CN114865703B CN114865703B CN202210644021.1A CN202210644021A CN114865703B CN 114865703 B CN114865703 B CN 114865703B CN 202210644021 A CN202210644021 A CN 202210644021A CN 114865703 B CN114865703 B CN 114865703B
- Authority
- CN
- China
- Prior art keywords
- direct
- voltage ride
- data
- high voltage
- under
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000001052 transient effect Effects 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 64
- 238000005070 sampling Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011084 recovery Methods 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
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种直驱风机逆变器高穿特性参数辨识方法，包括：1、收集直驱风机逆变器在N种高电压穿越工况下的暂态运行数据并作为实测数据；2、对N种高电压穿越运行工况下直驱风机逆变器的高电压穿越参数进行辨识，得到N个初步辨识结果：3、计算将直驱风机并网模型高电压穿越参数设置为初步结果时运行得到的模拟数据与实测数据的加权平均绝对偏差，选取偏差最小的参数辨识结果作为最佳结果。本发明能精确辨识高电压穿越控制参数，从而对高电压穿越控制精确建模。
Description
技术领域
本发明属于电力***分析技术领域，具体的说是一种直驱风机逆变器高穿特性参数辨识方法。
背景技术
在新能源电力***中，直驱风机应其噪音低、效率高、维修成本低等优势在多种风机脱颖而出得到广泛的应用。所以，对直驱风机的精确建模亦是分析新能源大电网稳定运行的基础，其中对于作为直驱风机的核心部件的直驱风机逆变器模型的准确建模直接影响的整个模型的准确性和可行性。然而，最重要的直驱风机逆变器准确控制参数无法直接取得，这将对直驱风机逆变器仿真和直驱风机场站并网特性建模分析产生严重影响。所以，对直驱风机逆变器进行参数辨识计算和研究，得到高辨识精度和高准确性的直驱风机逆变器参数，从而构建可以反应真实机组运行情况的直驱风机精确模型，是直驱风机运行特性分析的重中之重，对直驱风机并网***的安全稳定运行能力分析有着巨大意义。
由于直驱风机控制***复杂不可测，我们无法直接对直驱风机内部进行解析再现，目前对于获得新能源***模型准确参数的研究多基于不同的***辨识算法，利用实际场站或测试平台的风机运行结果得到实测数据来对相应参数进行辨识分析。这些方法可分为频域辨识法、时域辨识法和智能优化算法，前两者分别采样得到的时域数据和经快速傅里叶变换得到的频域数据来辨识模型参数，而智能优化算法利用了优化算法本身的全局寻优特性，只需提供相应的采样数据就能自行开展全局寻优计算，最终找到适应度最高的模型参数目标值，常见的智能优化算法有遗传算法、粒子群算法、灰狼寻优算法和蚁群算法等。这些算法为基础的参数辨识方法在目前的电力***新能源风机建模领域已有广泛的应用，但现有研究仅关注于直驱风机逆变器的双闭环PI控制参数，对于高电压穿越特性参数研究还处于缺失状态，且目前文献未考虑如何在不同工况下的多个辨识结果中选取最佳结果，仅是验证单次辨识结果可靠性将不能适应实际运行工程中的复杂工况，难以将成果运用于实际项目中。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种直驱风机逆变器高穿特性参数辨识方法，以期能辨识直驱风机逆变器高穿特性参数，从而能实现高电压穿越控制的精确建模。
本发明为解决技术问题采用如下技术方案：
本发明一种直驱风机逆变器的高穿特性参数辨识方法的特点在于，是按如下步骤进行：
步骤1、收集直驱风机逆变器在N种高电压穿越工况下的暂态运行数据并作为实测数据；
步骤1.1、设置直驱风机逆变器的N种高电压穿越运行工况，且每一种高电压穿越运行工况的参数包括：有功功率输出指令、故障期间电压扰动幅值和持续时间；
步骤1.2、收集所述直驱风机逆变器在N种高电压穿越运行工况下对应的N组暂态运行数据，且每组暂态运行数据包括L个采样点数据，任意第n组暂态运行数据的第i个采样点数据为交流侧并网点的无功功率数据；1≤i≤L，1≤n≤N；L为采样点个数；
将N组暂态运行数据中L个采样点的无功功率数据作为N组实测数据；
令QM,n(i)表示第n种高电压穿越运行工况下第i个采样点的实测数据；
步骤2、对N种高电压穿越运行工况下直驱风机逆变器的高电压穿越参数进行辨识，得到N个参数辨识初步结果：
步骤2.1、搭建直驱风机并网模型，包括：直驱风机、变桨控制器、机侧逆变器、机侧逆变器控制器、直流母线电容、网侧逆变器、网侧逆变器控制器、滤波器以及由理想电压源替代的电网；令所述网侧逆变器控制器包含：高电压穿越判断模块和动态无功支撑模块；
所述高电压穿越判断模块用于检测并网点电压标幺值UT是否在所设定的阈值范围内，当在阈值范围内时，所述动态无功支撑模块利用式(1)计算直驱风机逆变器在高电压穿越期间的吸收无功电流标幺值ΔIT，从而根据所述吸收无功电流标幺值ΔIT，控制所述直驱风机网侧逆变器输出无功电流；
ΔIT＝KHVRT×(UT-1.1)×IR (1)
式(1)中，KHVRT为直驱风机逆变器的无功电流比例系数，即高电压穿越参数；IR为直驱风机逆变器的额定电流；
步骤2.2、基于N组实测数据，利用基于聚集距离的自适应权重粒子群优化算法对高电压穿越参数进行辨识，得到N个初步辨识结果：
步骤2.2.1、定义粒子群的规模为K，定义任意一个粒子的序号为k，1≤k≤K；
定义并初始化当前迭代次数，定义并初始化最大迭代次数，定义并初始化粒子位置的上、下限，定义并初始化粒子速度的上限，定义并初始化算法终止的最小适应度；
初始化n＝1；
步骤2.2.2、按照第n种高电压穿越运行工况设置直驱风机并网模型中各器件参数；令第k个粒子表示第n种高电压穿越运行工况下的第k个高电压穿越参数；
定义第k个粒子的个体最优位置为Kpbest,n(k)，粒子群的全局最优位置为Kgbest,n；
初始化第k个粒子的个体最优位置Kpbest,n(k)和全局最优位置Kgbest,n对应的适应值均为无穷小；
步骤2.2.3、随机生成当前迭代的粒子群，即第n种高电压穿越运行工况下的K个高电压穿越参数，并给每个粒子赋予随机的初始位置和速度；初始化k＝1；
步骤2.2.4、将当前迭代的第k个粒子赋值给无功电流比例系数KHVRT后，运行直驱风机并网模型并得到测试数据，其中，当前迭代的第n种高穿工况下第k个粒子运行得到的第i个采样点的测试数据记为Qtext,n.k(i)，从而利用式(2)计算当前迭代的第n种高电压穿越运行工况下第k个粒子的适应度fn,k：
式(2)中，w1、w2分别为平均误差的权重和最大值误差的权重；mean()、max()分别为平均值函数和最大值函数；
步骤2.2.5、将当前迭代的第k个粒子在当前位置的适应度fn,k与自身个体最优位置Kpbest,n(k)的适应度进行比较，选取适应度大的位置赋值给当前迭代的第k个粒子的个体最优位置，并作为下一次迭代的第k个粒子的当前位置；
步骤2.2.6、将当前迭代的第k个粒子的当前位置的适应度fn,k与全局最优位置Kgbest,n的适应度进行比较，选取适应度大的位置赋值给当前迭代的全局最优位置；
步骤2.2.7、将k+1赋值给k后，判断k>K是否成立，若成立，则执行步骤2.2.8；否则，返回步骤2.2.4顺序执行；
步骤2.2.8、根据式(3)计算当前迭代的第n种高穿工况下平均聚集距离meandn和最大聚集距离maxdn，并根据式(4)确定当前迭代的第n种高穿工况下粒子群算法的权重wn，用于更新当前迭代的第n种高穿工况下K个粒子的速度与位置；
式(3)中，mean()、max()分别为平均值函数和最大值函数；Qgbest,n(i)为当前迭代的全局最优位置对应的测试数据；
式(4)中，a1、a2为两个权重系数；Δ1、Δ2为两个判断指标；
步骤2.2.9、判断当前迭代的全局最优位置Kgbest,n对应的适应度是否大于所述算法终止的最小适应度，若大于，则执行步骤2.2.10，否则，将迭代次数自加1，初始化k＝1后，返回步骤2.2.4直到循环达到最大迭代次数后，执行步骤2.2.10；
步骤2.2.10、将当前迭代的全局最佳位置Kgbest,n作为第n种高电压穿越运行工况下的高电压穿越参数的初步辨识结果，将n+1赋值给n后，判断n>N是否成立，若成立，则表示辨识结束，并得到N种高电压穿越运行工况下直驱风机逆变器的电压穿越参数的初步辨识结果；否则，返回步骤2.2.2顺序执行；
步骤3、计算将直驱风机并网模型高电压穿越参数设置为初步辨识结果时，运行得到的模拟数据与实测数据的加权平均绝对偏差，并选取偏差最小的初步辨识结果作为最佳结果；
步骤3.1、依次设置直驱风机并网模型的高电压穿越参数为N个初步辨识结果，并分别在N种高电压穿越运行工况下运行，从而得到N个模拟数据；其中，直驱风机并网模型的高穿穿越参数设置为第a个初步辨识结果时，在第n种高电压穿越工况下运行得到的第i个采样点的模拟数据记为QS,a,n(i)，1≤n≤N，1≤a≤N；
步骤3.2、按照式(5)计算模拟数据QS,a,n(i)与对应的第n种高电压穿越工况下实测数据的加权平均绝对偏差FQ,a,n，从而得到模拟数据QS,a,n(i)与N种高电压穿越工况下实测数据的加权平均绝对偏差，进而得到模拟数据QS,a,n(i)在N种高电压穿越工况下实测数据的加权平均绝对偏差之和，进一步得到N个模拟数据在N种高电压穿越工况下实测数据的加权平均绝对偏差之和，并从中选择加权平均绝对偏差之和最小的初步辨识结果作为最佳辨识结果；
式(5)中，wA、wB、wC分别为故障前、故障期间、故障后时段在加权平均绝对偏差中的权重；KAstart、KAend、KBstart、KBend、KCstart、KCend分别为故障前、故障期间、故障后时段的开始采样点和结束采样点；QAM,n(i)、QBM,n(i)、QCM,n(i)分别为故障前、故障期间、故障后时段在第n种高电压穿越工况下第i个采样点的实测数据；QAS,a,n(i)、QBS,a,n(i)、QCS,a,n(i)分别为将直驱风机并网模型高穿穿越参数设置为第a个初步辨识结果时，在第n种高电压穿越工况下运行得到的故障前、故障期间、故障后时段的第i个采样点的模拟数据。
与现有技术相比，本发明的有益效果在于：
1、本发明的实测数据是由直驱风机在不同高电压穿越工况下运行得到的，考虑了不同有功功率输出指令、故障期间电压幅值和持续时间对辨识结果带来的影响，使得参数辨识结果能适应现实运行中的复杂工况。
2、本发明的直驱风机并网模型在直驱风机逆变器无功电流控制中加入高电压穿越判断和动态无功支撑模块，使其满足在高电压穿越期间，能够从电网吸收动态无功电流来支撑电压恢复要求，维持新能源电网的稳定运行。
3、本发明的参数辨识程序使用了基于聚集距离的自适应权重粒子群优化算法，使程序收敛速度加快，能够对高电压穿越系数快速准确辨识。
4、本发明使用了加权平均绝对偏差计算方式从多组参数辨识初步结果中提取最佳参数，并根据采集的最佳结果验证数据对比计算验证参数辨识最佳结果的准确性，从而提高了参数辨识结果的可信度。
附图说明
图1为本发明直驱风机并网拓扑图。
具体实施方式
本实施例中，一种直驱风机逆变器的高穿特性参数辨识方法，是按如下步骤进行：
步骤1、收集直驱风机逆变器在N种高电压穿越工况下的暂态运行数据并作为实测数据和最佳结果验证数据；
步骤1.1、设置直驱风机逆变器的N种高电压穿越运行工况，且每一种高电压穿越运行工况的参数包括：有功功率输出指令、故障期间电压扰动幅值和持续时间；
步骤1.2、收集直驱风机逆变器在N种高电压穿越运行工况下对应的N组暂态运行数据，且每组暂态运行数据包括L个采样点数据，任意第n组暂态运行数据的第i个采样点数据包括：交流侧并网点的无功功率数据、有功功率数据、无功电流数据、总电流数据和电网电压的基波电压数据；1≤i≤L，1≤n≤N；L为采样点个数；
将N组暂态运行数据中L个采样点的无功功率数据作为N组实测数据，将N组暂态运行数据中L个采样点的其余数据作为最佳结果验证数据；
令QM,n(i)表示第n种高电压穿越运行工况下第i个采样点的实测数据；
步骤2、对N种高电压穿越运行工况下直驱风机逆变器的高电压穿越参数进行辨识，得到N个参数辨识初步结果：
步骤2.1、搭建直驱风机并网模型，具体元件如图1所示，包括：直驱风机、变桨控制器、机侧逆变器、机侧逆变器控制器、直流母线电容、网侧逆变器、网侧逆变器控制器、滤波器以及由理想电压源替代的电网；令网侧逆变器控制器包含：高电压穿越判断模块和动态无功支撑模块；
高电压穿越判断模块用于检测并网点电压标幺值UT是否在所设定的阈值范围内，当在阈值范围内时，动态无功支撑模块利用式(1)计算直驱风机逆变器在高电压穿越期间的吸收无功电流标幺值ΔIT，从而根据吸收无功电流标幺值ΔIT，控制直驱风机网侧逆变器输出无功电流；
ΔIT＝KHVRT×(UT-1.1)×IR (1)
式(1)中；KHVRT为直驱风机逆变器的无功电流比例系数，即高电压穿越参数；IR为直驱风机逆变器的额定电流；
步骤2.2、基于N组实测数据，利用基于聚集距离的自适应权重粒子群优化算法对高电压穿越参数进行辨识，得到N个初步辨识结果：
步骤2.2.1、定义粒子群的规模为K，定义任意一个粒子的序号为k，1≤k≤K；
定义并初始化当前迭代次数，定义并初始化最大迭代次数，定义并初始化粒子位置的上、下限，定义并初始化粒子速度的上限，定义并初始化算法终止的最小适应度；
初始化n＝1；
步骤2.2.2、按照第n种高电压穿越运行工况设置直驱风机并网模型中各器件参数；令第k个粒子表示第n种高电压穿越运行工况下的第k个高电压穿越参数；
定义第k个粒子的个体最优位置为Kpbest,n(k)，粒子群的全局最优位置为Kgbest,n；
初始化第k个粒子的个体最优位置Kpbest,n(k)和全局最优位置Kgbest,n对应的适应值均为无穷小；
步骤2.2.3、随机生成当前迭代的粒子群，即第n种高电压穿越运行工况下的K个高电压穿越参数，并给每个粒子赋予随机的初始位置和速度；初始化k＝1；
步骤2.2.4、将当前迭代的第k个粒子赋值给无功电流比例系数KHVRT后，运行直驱风机并网模型并得到测试数据，其中，当前迭代的第n种高穿工况下第k个粒子运行得到的第i个采样点的测试数据记为Qtext,n.k(i)，从而利用式(2)计算当前迭代的第n种高电压穿越运行工况下第k个粒子的适应度fn,k：
式(2)中，w1、w2分别为平均误差的权重和最大值误差的权重；mean()、max()分别为平均值函数和最大值函数；
步骤2.2.5、将当前迭代的第k个粒子在当前位置的适应度fn,k与自身个体最优位置Kpbest,n(k)的适应度进行比较，选取适应度大的位置赋值给当前迭代的第k个粒子的个体最优位置，并作为下一次迭代的第k个粒子的当前位置；
步骤2.2.6、将当前迭代的第k个粒子的当前位置的适应度fn,k与全局最优位置Kgbest,n的适应度进行比较，选取适应度大的位置赋值给当前迭代的全局最优位置；
步骤2.2.7、将k+1赋值给k后，判断k>K是否成立，若成立，则执行步骤2.2.8；否则，返回步骤2.2.4顺序执行；
步骤2.2.8、根据式(3)计算当前迭代的第n种高穿工况下平均聚集距离meandn和最大聚集距离maxdn，并根据式(4)确定当前迭代的第n种高穿工况下粒子群算法的权重wn，用于更新当前迭代的第n种高穿工况下K个粒子的速度与位置；
式(3)中，mean()、max()分别为平均值函数和最大值函数；Qgbest,n(i)为当前迭代的全局最优位置对应的测试数据；
式(4)中，a1、a2为两个权重系数；Δ1、Δ2为两个判断指标；
步骤2.2.9、判断当前迭代的全局最优位置Kgbest,n对应的适应度是否大于算法终止的最小适应度，若大于，则执行步骤2.2.10，否则，将迭代次数自加1，初始化k＝1后，返回步骤2.2.4直到循环达到最大迭代次数后，执行步骤2.2.10；
步骤2.2.10、将当前迭代的全局最佳位置Kgbest,n作为第n种高电压穿越运行工况下的高电压穿越参数的初步辨识结果，将n+1赋值给n后，判断n>N是否成立，若成立，则表示辨识结束，并得到N种高电压穿越运行工况下直驱风机逆变器的电压穿越参数的初步辨识结果；否则，返回步骤2.2.2顺序执行；
步骤3、计算将直驱风机并网模型高电压穿越参数设置为初步辨识结果时，运行得到的模拟数据与实测数据的加权平均绝对偏差，并选取偏差最小的初步辨识结果作为最佳结果；
步骤3.1、依次设置直驱风机并网模型的高电压穿越参数为N个初步辨识结果，并分别在N种高电压穿越运行工况下运行，从而得到N个模拟数据；其中，直驱风机并网模型的高穿穿越参数设置为第a个初步辨识结果时，在第n种高电压穿越工况下运行得到的第i个采样点的模拟数据记为QS,a,n(i)，1≤n≤N，1≤a≤N；
步骤3.2、按照式(5)计算模拟数据QS,a,n(i)与对应的第n种高电压穿越工况下实测数据的加权平均绝对偏差FQ,a,n，从而得到模拟数据QS,a,n(i)与N种高电压穿越工况下实测数据的加权平均绝对偏差，进而得到模拟数据QS,a,n(i)在N种高电压穿越工况下实测数据的加权平均绝对偏差之和，进一步得到N个模拟数据在N种高电压穿越工况下实测数据的加权平均绝对偏差之和，并从中选择加权平均绝对偏差之和最小的初步辨识结果作为最佳辨识结果；
式(5)中，wA、wB、wC分别为故障前、故障期间、故障后时段在加权平均绝对偏差中的权重；KAstart、KAend、KBstart、KBend、KCstart、KCend分别为故障前、故障期间、故障后时段的开始采样点和结束采样点；QAM,n(i)、QBM,n(i)、QCM,n(i)分别为故障前、故障期间、故障后时段在第n种高电压穿越工况下第i个采样点的实测数据；QAS,a,n(i)、QBS,a,n(i)、QCS,a,n(i)分别为将直驱风机并网模型高穿穿越参数设置为第a个初步辨识结果时，在第n种高电压穿越工况下运行得到的故障前、故障期间、故障后时段的第i个采样点的模拟数据。
步骤4、计算将直驱风机并网模型高电压穿越参数设置为最佳结果时运行得到的暂态运行数据与最佳结果验证数据的加权平均绝对偏差，验证所得最佳参数辨识结果的准确性。
步骤4.1、设置直驱风机并网模型高电压穿越系数为最佳结果，建立最佳直驱风机并网模型；
步骤4.2、收集最佳直驱风机逆变器在N种高电压穿越运行工况下的暂态运行数据，计算其与步骤1.2所记录的最佳结果验证数据的加权平均绝对偏差，从而验证所得所最佳参数辨识结果的准确性。
实施例：
1、按照步骤1.1设置6组直驱风机逆变器的高电压穿越运行工况如表1所示。
表1运行工况
| P/pu | U/pu | 持续时间/s | |
| 工况1 | 0.2 | 1.2 | 10 |
| 工况2 | 0.2 | 1.3 | 0.5 |
| 工况3 | 0.4 | 1.2 | 10 |
| 工况4 | 0.4 | 1.3 | 0.5 |
| 工况5 | 0.8 | 1.2 | 10 |
| 工况6 | 0.8 | 1.3 | 0.5 |
2、按照步骤1.2收集6组工况下交流侧并网点的交流侧并网点的无功功率数据、有功功率数据、无功电流数据、总电流数据和电网电压的基波电压数据；将6组暂态运行数据中的无功功率数据作为6组实测数据，将6组暂态运行数据中的其余数据作为最佳结果验证数据；
3、按照步骤2.1在Matlab仿真平台搭建辨识所需的直驱风机并网模型，具体元件如图1所示，包括直驱风机、变桨控制器、机侧逆变器、机侧逆变器控制器、直流母线电容、网侧逆变器、网侧逆变器控制器、滤波器以及由理想电压源替代的电网，并按照表2对其内部参数赋值。
表2模型参数
| 风机额定电压 | 110V | 电网频率 | 50Hz |
| 直流母线电压 | 350V | 电网电压 | 190.53V |
| 直流母线电容 | 1.7mF | 滤波电感电抗 | 3mH |
| 母线电压上限 | 1.1p.u. | 风机容量 | 2MW |
| 风机额定转速 | 25rad/s | GSC最大电流 | 1.1p.u. |
| 同步机极对数 | 4 | 同步机电感 | 2mH |
| 额定风速 | 12m/s | 同步机转动惯量 | 0.5kg.m2 |
5、按照步骤2.2对6组实测数据进行辨识，得到表3所示的6个初步辨识结果。
表3初步辨识结果
| 结果\参数 | 高电压穿越系数K_HVRT |
| 结果1 | 50.5247 |
| 结果2 | 49.5269 |
| 结果3 | 49.9783 |
| 结果4 | 49.7399 |
| 结果5 | 50.2063 |
| 结果6 | 49.9784 |
6、按照步骤3.1依次设置直驱风机并网模型的高电压穿越参数为6个初步辨识结果，并分别在6种高电压穿越运行工况下运行，从而得到6个模拟数据；按照步骤3.2计算模拟数据与对应的高电压穿越工况下实测数据的加权平均绝对偏差，其中wA、wB、wC分别取0.1、0.6、0.3，计算结果如下表4所示；选择加权平均绝对偏差之和最小的初步辨识结果作为最佳辨识结果，即结果3，即K_HVRT＝49.9783。
表4 6组参数辨识结果在6组工况下的无功功率加权平均绝对偏差(单位：％pu)
7、按照步骤4.2运行并得到6组电气数据，计算其与步骤1.2所记录的最佳结果验证数据的加权平均绝对偏差，计算结果如下表5所示。
表5最佳结果参数下的加权平均偏差(单位：％pu)
| 工况\电气参数 | 有功功率P | 无功功率Q | 无功电流Iq | 并网电压U | 电流I |
| 工况1 | 0.0063 | 0.0004 | 0.0001 | 0.0011 | 0.0040 |
| 工况2 | 0.0080 | 0.0110 | 0.0081 | 0.0060 | 0.0210 |
| 工况3 | 0.0025 | 0.0051 | 0.0040 | 0.0013 | 0.0044 |
| 工况4 | 0.0002 | 0.0035 | 0.0031 | 0.0019 | 0.0068 |
| 工况5 | 0.0033 | 0.0003 | 0.0004 | 0.0001 | 0.0004 |
| 工况6 | 0.0028 | 0.0117 | 0.0076 | 0.0047 | 0.0166 |
8、根据《NBT 31066-2015风电机组电气仿真模型建模导则》可知，误差在允许范围内，验证了辨识结果的准确性。
Claims (1)
1.一种直驱风机逆变器的高穿特性参数辨识方法，其特征在于，是按如下步骤进行：
步骤1、收集直驱风机逆变器在N种高电压穿越工况下的暂态运行数据并作为实测数据；
步骤1.1、设置直驱风机逆变器的N种高电压穿越运行工况，且每一种高电压穿越运行工况的参数包括：有功功率输出指令、故障期间电压扰动幅值和持续时间；
步骤1.2、收集所述直驱风机逆变器在N种高电压穿越运行工况下对应的N组暂态运行数据，且每组暂态运行数据包括L个采样点数据，任意第n组暂态运行数据的第i个采样点数据为交流侧并网点的无功功率数据；1≤i≤L，1≤n≤N；L为采样点个数；
将N组暂态运行数据中L个采样点的无功功率数据作为N组实测数据；
令QM,n(i)表示第n种高电压穿越运行工况下第i个采样点的实测数据；
步骤2、对N种高电压穿越运行工况下直驱风机逆变器的高电压穿越参数进行辨识，得到N个参数辨识初步结果：
步骤2.1、搭建直驱风机并网模型，包括：直驱风机、变桨控制器、机侧逆变器、机侧逆变器控制器、直流母线电容、网侧逆变器、网侧逆变器控制器、滤波器以及由理想电压源替代的电网；令所述网侧逆变器控制器包含：高电压穿越判断模块和动态无功支撑模块；
所述高电压穿越判断模块用于检测并网点电压标幺值UT是否在所设定的阈值范围内，当在阈值范围内时，所述动态无功支撑模块利用式(1)计算直驱风机逆变器在高电压穿越期间的吸收无功电流标幺值ΔIT，从而根据所述吸收无功电流标幺值ΔIT，控制所述直驱风机网侧逆变器输出无功电流；
ΔIT＝KHVRT×(UT-1.1)×IR (1)
式(1)中，KHVRT为直驱风机逆变器的无功电流比例系数，即高电压穿越参数；IR为直驱风机逆变器的额定电流；
步骤2.2、基于N组实测数据，利用基于聚集距离的自适应权重粒子群优化算法对高电压穿越参数进行辨识，得到N个初步辨识结果：
步骤2.2.1、定义粒子群的规模为K，定义任意一个粒子的序号为k，1≤k≤K；
定义并初始化当前迭代次数，定义并初始化最大迭代次数，定义并初始化粒子位置的上、下限，定义并初始化粒子速度的上限，定义并初始化算法终止的最小适应度；
初始化n＝1；
步骤2.2.2、按照第n种高电压穿越运行工况设置直驱风机并网模型中各器件参数；令第k个粒子表示第n种高电压穿越运行工况下的第k个高电压穿越参数；
定义第k个粒子的个体最优位置为Kpbest,n(k)，粒子群的全局最优位置为Kgbest,n；
初始化第k个粒子的个体最优位置Kpbest,n(k)和全局最优位置Kgbest,n对应的适应值均为无穷小；
步骤2.2.3、随机生成当前迭代的粒子群，即第n种高电压穿越运行工况下的K个高电压穿越参数，并给每个粒子赋予随机的初始位置和速度；初始化k＝1；
步骤2.2.4、将当前迭代的第k个粒子赋值给无功电流比例系数KHVRT后，运行直驱风机并网模型并得到测试数据，其中，当前迭代的第n种高穿工况下第k个粒子运行得到的第i个采样点的测试数据记为Qtext,n.k(i)，从而利用式(2)计算当前迭代的第n种高电压穿越运行工况下第k个粒子的适应度fn,k：
式(2)中，w1、w2分别为平均误差的权重和最大值误差的权重；mean()、max()分别为平均值函数和最大值函数；
步骤2.2.5、将当前迭代的第k个粒子在当前位置的适应度fn,k与自身个体最优位置Kpbest,n(k)的适应度进行比较，选取适应度大的位置赋值给当前迭代的第k个粒子的个体最优位置，并作为下一次迭代的第k个粒子的当前位置；
步骤2.2.6、将当前迭代的第k个粒子的当前位置的适应度fn,k与全局最优位置Kgbest,n的适应度进行比较，选取适应度大的位置赋值给当前迭代的全局最优位置；
步骤2.2.7、将k+1赋值给k后，判断k>K是否成立，若成立，则执行步骤2.2.8；否则，返回步骤2.2.4顺序执行；
步骤2.2.8、根据式(3)计算当前迭代的第n种高穿工况下平均聚集距离meandn和最大聚集距离maxdn，并根据式(4)确定当前迭代的第n种高穿工况下粒子群算法的权重wn，用于更新当前迭代的第n种高穿工况下K个粒子的速度与位置；
式(3)中，mean()、max()分别为平均值函数和最大值函数；Qgbest,n(i)为当前迭代的全局最优位置对应的测试数据；
式(4)中，a1、a2为两个权重系数；Δ1、Δ2为两个判断指标；
步骤2.2.9、判断当前迭代的全局最优位置Kgbest,n对应的适应度是否大于所述算法终止的最小适应度，若大于，则执行步骤2.2.10，否则，将迭代次数自加1，初始化k＝1后，返回步骤2.2.4直到循环达到最大迭代次数后，执行步骤2.2.10；
步骤2.2.10、将当前迭代的全局最佳位置Kgbest,n作为第n种高电压穿越运行工况下的高电压穿越参数的初步辨识结果，将n+1赋值给n后，判断n>N是否成立，若成立，则表示辨识结束，并得到N种高电压穿越运行工况下直驱风机逆变器的电压穿越参数的初步辨识结果；否则，返回步骤2.2.2顺序执行；
步骤3、计算将直驱风机并网模型高电压穿越参数设置为初步辨识结果时，运行得到的模拟数据与实测数据的加权平均绝对偏差，并选取偏差最小的初步辨识结果作为最佳结果；
步骤3.1、依次设置直驱风机并网模型的高电压穿越参数为N个初步辨识结果，并分别在N种高电压穿越运行工况下运行，从而得到N个模拟数据；其中，直驱风机并网模型的高穿穿越参数设置为第a个初步辨识结果时，在第n种高电压穿越工况下运行得到的第i个采样点的模拟数据记为QS,a,n(i)，1≤n≤N，1≤a≤N；
步骤3.2、按照式(5)计算模拟数据QS,a,n(i)与对应的第n种高电压穿越工况下实测数据的加权平均绝对偏差FQ,a,n，从而得到模拟数据QS,a,n(i)与N种高电压穿越工况下实测数据的加权平均绝对偏差，进而得到模拟数据QS,a,n(i)在N种高电压穿越工况下实测数据的加权平均绝对偏差之和，进一步得到N个模拟数据在N种高电压穿越工况下实测数据的加权平均绝对偏差之和，并从中选择加权平均绝对偏差之和最小的初步辨识结果作为最佳辨识结果；
式(5)中，wA、wB、wC分别为故障前、故障期间、故障后时段在加权平均绝对偏差中的权重；KAstart、KAend、KBstart、KBend、KCstart、KCend分别为故障前、故障期间、故障后时段的开始采样点和结束采样点；QAM,n(i)、QBM,n(i)、QCM,n(i)分别为故障前、故障期间、故障后时段在第n种高电压穿越工况下第i个采样点的实测数据；QAS,a,n(i)、QBS,a,n(i)、QCS,a,n(i)分别为将直驱风机并网模型高穿穿越参数设置为第a个初步辨识结果时，在第n种高电压穿越工况下运行得到的故障前、故障期间、故障后时段的第i个采样点的模拟数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210644021.1A CN114865703B (zh) | 2022-06-08 | 2022-06-08 | 一种直驱风机逆变器高穿特性参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210644021.1A CN114865703B (zh) | 2022-06-08 | 2022-06-08 | 一种直驱风机逆变器高穿特性参数辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114865703A CN114865703A (zh) | 2022-08-05 |
| CN114865703B true CN114865703B (zh) | 2024-03-08 |
Family
ID=82623863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210644021.1A Active CN114865703B (zh) | 2022-06-08 | 2022-06-08 | 一种直驱风机逆变器高穿特性参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114865703B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109698521A (zh) * | 2019-02-25 | 2019-04-30 | 合肥工业大学 | 一种基于实测数据的光伏逆变器的低穿特性辨识方法 |
| CN114513004A (zh) * | 2022-02-10 | 2022-05-17 | 华北电力大学 | 基于改进k-means算法新能源场站等值方法及应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108616141B (zh) * | 2018-03-13 | 2021-07-06 | 上海交通大学 | 微电网中lcl并网逆变器功率非线性的控制方法 |
-
2022
- 2022-06-08 CN CN202210644021.1A patent/CN114865703B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109698521A (zh) * | 2019-02-25 | 2019-04-30 | 合肥工业大学 | 一种基于实测数据的光伏逆变器的低穿特性辨识方法 |
| CN114513004A (zh) * | 2022-02-10 | 2022-05-17 | 华北电力大学 | 基于改进k-means算法新能源场站等值方法及应用 |
Non-Patent Citations (2)
| Title |
|---|
| 一种考虑广义负荷时变性的动态模型研究方法;郑秋宏;韩蓓;李国杰;徐晨博;张利军;;电气自动化;20200330(第02期);全文 * |
| 基于低电压穿越试验的光伏发电***建模研究;曹斌;刘文焯;原帅;许冰;贾焦心;颜湘武;;电力***保护与控制;20200916(第18期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114865703A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106169747A (zh) | 一种双馈感应发电机参数辨识方法 | |
| CN103093027B (zh) | 基于双馈风电场等值模型的电力***分析方法 | |
| CN107451364A (zh) | 一种dfig风电场等值参数的辨识方法 | |
| CN111130136A (zh) | 一种基于附加虚拟阻抗控制的次同步振荡抑制方法 | |
| Al-Bayati et al. | Aggregated models of wind farms: Current methods and future trends | |
| CN110311415B (zh) | 一种可再生能源发电基地的暂态稳定裕度评估方法 | |
| CN110707728B (zh) | 一种基于次同步振荡短路比指标的次同步振荡抑制方法 | |
| CN107561437A (zh) | 一种风电机组一次调频测试方法 | |
| CN114865703B (zh) | 一种直驱风机逆变器高穿特性参数辨识方法 | |
| CN104200027B (zh) | 一种考虑低电压穿越特性的风电场等效建模方法与装置 | |
| Li et al. | Dynamic aggregation of doubly-fed induction generators (DFIGs) for stability analysis of wind power systems | |
| CN112036010A (zh) | 一种基于数据驱动的光伏***动态过程混合等效建模方法 | |
| Sirichai | Experimental assessment with wind turbine emulator of variable-speed wind power generation system using boost chopper circuit of permanent magnet synchronous generator | |
| CN111856185A (zh) | 用于风电机组电能质量监测与改善的嵌入式***和方法 | |
| Wang et al. | Evaluation method of wind turbine group classification based on calinski harabasz | |
| CN115659601A (zh) | 一种双馈风电场单机等值并网模型的参数辨识方法及装置 | |
| CN116306236A (zh) | 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及*** | |
| CN116047222A (zh) | 一种新能源变流器控制器电压故障穿越控制参数自动辨识方法 | |
| CN113725910A (zh) | 一种风电场并网***的稳定性分析与量化评估方法 | |
| Shen et al. | Modeling and Parameter Identification of the Photovoltaic Inverter based on VSG | |
| Ye et al. | A New Method of Wind Farm Clustering Based on Improved Fuzzy C-Means Clustering and MPSO | |
| CN116581757B (zh) | 考虑高比例电力电子化设备的负荷模型建模方法及*** | |
| CN116526465A (zh) | 双馈式风电机组暂态模型高电压穿越参数辨识方法及*** | |
| CN116545023A (zh) | 一种风电机组并网点闪变特性的仿真验证方法及装置 | |
| CN117665445A (zh) | 基于整组故障穿越测试的新能源机组机电模型校核方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |