基于改进多目标粒子群算法的双馈风机控制参数辨识方法

摘要

本发明公开了一种基于改进多目标粒子群算法的双馈风机控制参数辨识方法，本方法将双馈风机的控制参数划分为关键控制参数和非关键控制参数，在PSASP中搭建双馈风机低电压穿越暂态模型，通过调节关键控制参数得到多组输出数据，构建原模型与辨识模型的多目标误差函数；采用改进多目标粒子群算法基于关键控制参数和输出数据对建立的多目标误差函数寻优求解，得到双馈风机待辨识控制参数的辨识结果，并对辨识得到的辨识模型和原模型进行对比验证；本方法能准确可靠辨识出双馈风机暂态模型中关键控制参数。

说明书

技术领域

本发明涉及新能源发电参数辨识技术领域，特别涉及一种基于改进多目标粒子群算法的双馈风机控制参数辨识方法。

背景技术

近年来，我国风力发电产业发展极为迅速，风电并网的规模越来越大，然而随之带来的电网稳定性问题也越来越严重；目前电网分析主要依靠数字仿真或混合仿真，随着新能源比例的不断提升，模型仿真精度对电网稳定性的影响已不能忽视，正确的仿真模型和参数是研究新能源并网逆变器故障特性及保护技术的基础，因此对风机控制器的参数辨识具有重要的研究意义。

在现有的特高压交直流混联电网中，同时接入了大规模的新能源，使得电网运行特性变得更加复杂，控制难度加大，大电网仿真而临严峻考验。加之现有电网中已并网新能源发电设备厂商众多，新能源发电机型超过上百个，不同厂商不同型号的设备结构和并网特性差异显著，采用典型模型参数仿真不能准确模拟不同机型的关键并网特性，难以满足电网仿真计算需求。

基于此，需要考虑双馈风电机组控制参数对机组输出响应的影响，设计一种基于改进多目标粒子群算法的双馈风机控制参数辨识方法来解决上述问题。

本发明对在PSASP中建立的双馈风电机组低电压穿越辨识模型，基于粒子群算法，提出一种实现风机机电暂态模型控制参数的辨识方法，对PSASP双馈风机暂态模型进行控制参数的辨识。

发明内容

本发明所要解决的技术问题是提供一种基于改进多目标粒子群算法的双馈风机控制参数辨识方法，对在PSASP中建立的双馈风电机组低电压穿越辨识模型，基于粒子群算法，提出一种实现风机机电暂态模型控制参数的辨识方法，能准确可靠辨识出双馈风机暂态模型中关键控制参数。

为解决上述问题，本发明所采用的技术方案是：

基于改进多目标粒子群算法的双馈风机控制参数辨识方法，包括以下步骤：

S1：将双馈风机的控制参数划分为关键控制参数和非关键控制参数，非关键控制参数采用典型参数，关键参数通过结合测试数据进行参数辨识；

进一步地，关键参数主要为低电压穿越控制参数，包括：进\出故障状态判断、故障期间有功\无功控制、故障结束初始时刻控制、故障结束恢复期控制4个主要环节的控制参数；关键参数的确定需要结合厂家提供的控制信息，根据实验室或现场测试数据进行整定；其中需要进行参数辨识的关键参数有低电压穿越期间有功电流控制下的指定电流参数；

进一步地，相关系数包括：有功电流计算系数1：K1_Ip_LV，有功电流计算系数2：K2_Ip_LV，有功电流设定值：Ipset_LV，以及无功电流控制下的指定电流参数无功电流计算系数1：K1_Iq_LV，无功电流计算系数2：K2_Iq_LV，无功电流设定值：Iqset_LV；

S2：在PSASP中搭建双馈风机低电压穿越暂态模型，通过调节关键控制参数得到多组输出数据，构建原模型与辨识模型的多目标误差函数：

S201，原模型基于原始控制参数，运行得到原模型输出信号发电机机端电压V、机端电流I、有功功率P和无功功率Q；

S202，辨识模型通过调节关键控制参数，运行得到双馈风机低电压穿越暂态模型输出信号发电机机端电压Vt、机端电流It、有功功率Pe和无功功率Qe；

S203，将数据导入Python，在Python中调用numpy库处理PSASP软件输出的DAT数据格式；

S204，构建原模型与辨识模型的多目标误差函数：如下式所示，以四组输出信号的方差和，按计算所得的多目标误差函数公式计算所有寻优值的适应度值；

式中n为输出数据总组数；

S205，根据四组输出数据分别之和计算四组输出信号对应的自适应加权系数a、b、c、d，公式如下：

式中自适应加权系数a、b、c、d用于对所述四组输出信号的值进行调整；

S3：采用改进多目标粒子群算法基于关键控制参数和输出数据对建立的多目标误差函数寻优求解，寻优结果即为辨识模型关键控制参数辨识结果，得到双馈风机待辨识控制参数的辨识结果；具体步骤如下：

301，粒子寻优过程受个体最优值和种群最优值影响，种群中个体速度的更新公式和个体位置更新公式如下式所示：

V

X

式中V表示粒子更新速度，X表示粒子，i，j分别为种群中粒子编号和维度，gbest为个体最优值，BestX为全局最优值，c

由下式可知，学习因子c

S302，初始化粒子迭代基本参数，设置种群个体为Size，迭代次数G次，粒子维度CodeL，粒子X最大值MaxX、最小值MinX，速度v最大值Vmax、最小值Vmin，以及临界适应度值ε；

S303，初始化种群速度和初始位置，在一定范围内随机生成每个粒子位置；

S304，按公式(1)的多目标误差函数公式计算所有寻优解的适应度值；

S305，更新最优适应度Best_J和全局最优位置Best_X；

S306，按种群中速度和粒子位置的更新公式更新X(i，j)的位置；

S307，若满足Best_J<ε或达到迭代次数，则停止迭代，输出最优解即为辨识结果，否则重复步骤B3-B6，直至满足Best_J<ε或达到迭代次数，则停止迭代；

S4：对辨识得到的辨识模型和原模型进行对比验证：判断辨识模型的可靠性。

优选地，上述基于改进多目标粒子群算法的双馈风机控制参数辨识方法，其中步骤S4的具体方法如下：

分别将原模型的输出信号与和最终辨识模型的输出信号进行对比，用误差函数R进行判断两者的拟合度关系；；具体公式如下：

式中，R越接近0表示误差越小，模型可靠；否则表示误差越大，模型不可靠；设定阈值，当R超过阈值时，表示模型不可用，重复上述步骤S1～S4进行调整和修正。

本发明存在以下有益效果：

1，本发明的基于双馈风机机电暂态模型的控制参数辨识方法与以往的参数辨识方法相比，能在不影响风机运行的过程中进行风机控制参数的辨识，通过Python控制PSASP模型风机重复运行，每次运行得到输出数据，进行参数辨识，与下次运行迭代比较误差值，调整辨识控制参数值，大大提高了参数辨识的精度；

2，本方法还应用自适应惯性权重和自适应学习因子，加大辨识算法前期寻优力度，避免陷入局部最优，同时减小辨识算法后期寻优范围，提高参数辨识精度；

3，本方法采用多目标误差函数反馈调整自适应加权系数，将每组输出信号的加权系数根据在总输出之和中的所占比重赋予每个输出数据不同的权值，使之在辨识过程中能增加对数值较小的输出信号的辨识力度。

附图说明

图1为本发明的双馈风机控制参数辨识方法的示意图；

图2为本发明的IMOPSO参数辨识算法步骤框图；

图3为本发明的参数辨识模型与原模型在低电压穿越工况下输出结果对比示意图，包括发电机机端电压、机端电流、有功功率和无功功率；

图4为本发明的辨识结果输出数据的误差条形图；

图5为本发明的IMOPSO参数辨识方法的辨识适应度值迭代图。

具体实施方式

如图1～图5所示，基于改进多目标粒子群算法的双馈风机控制参数辨识方法，包括以下步骤：

S1：将双馈风机的控制参数划分为关键控制参数和非关键控制参数，非关键控制参数采用典型参数，关键参数通过结合测试数据进行参数辨识；

进一步地，关键参数主要为低电压穿越控制参数，包括：进\出故障状态判断、故障期间有功\无功控制、故障结束初始时刻控制、故障结束恢复期控制4个主要环节的控制参数；关键参数的确定需要结合厂家提供的控制信息，根据实验室或现场测试数据进行整定；其中需要进行参数辨识的关键参数有低电压穿越期间有功电流控制下的指定电流参数；

进一步地，相关系数包括：有功电流计算系数1：K1_Ip_LV，有功电流计算系数2：K2_Ip_LV，有功电流设定值：Ipset_LV，以及无功电流控制下的指定电流参数无功电流计算系数1：K1_Iq_LV，无功电流计算系数2：K2_Iq_LV，无功电流设定值：Iqset_LV；

S2：在PSASP中搭建双馈风机低电压穿越暂态模型，通过调节关键控制参数得到多组输出数据，构建原模型与辨识模型的多目标误差函数：

S201，原模型基于原始控制参数，运行得到原模型输出信号发电机机端电压V、机端电流I、有功功率P和无功功率Q；

S202，辨识模型通过调节关键控制参数，运行得到双馈风机低电压穿越暂态模型输出信号发电机机端电压Vt、机端电流It、有功功率Pe和无功功率Qe；

S203，将数据导入Python，在Python中调用numpy库处理PSASP软件输出的DAT数据格式；

S204，构建原模型与辨识模型的多目标误差函数：如下式所示，以四组输出信号的方差和，按计算所得的多目标误差函数公式计算所有寻优值的适应度值；

式中n为输出数据总组数；

S205，根据四组输出数据分别之和计算四组输出信号对应的自适应加权系数a、b、c、d，公式如下：

式中自适应加权系数a、b、c、d用于对所述四组输出信号的值进行调整；

S3：采用改进多目标粒子群算法(Improved Multi-objective Particle SwarmOptimization，IMOPSO)基于关键控制参数和输出数据对建立的多目标误差函数寻优求解，寻优结果即为辨识模型关键控制参数辨识结果，得到双馈风机待辨识控制参数的辨识结果；具体步骤如下：

301，粒子寻优过程受个体最优值和种群最优值影响，种群中个体速度的更新公式和个体位置更新公式如下式所示：

V

X

式中V表示粒子更新速度，X表示粒子，i，j分别为种群中粒子编号和维度，gbest为个体最优值，BestX为全局最优值，c

由下式可知，学习因子c

S302，初始化粒子迭代基本参数，设置种群个体为Size，迭代次数G次，粒子维度CodeL，粒子X最大值MaxX、最小值MinX，速度v最大值Vmax、最小值Vmin，以及临界适应度值ε；

S303，初始化种群速度和初始位置，在一定范围内随机生成每个粒子位置；

S304，按公式(1)的多目标误差函数公式计算所有寻优解的适应度值；

S305，更新最优适应度Best_J和全局最优位置Best_X；

S306，按种群中速度和粒子位置的更新公式更新X(i，j)的位置；

S307，若满足Best_J<ε或达到迭代次数，则停止迭代，输出最优解即为辨识结果，否则重复步骤B3-B6，直至满足Best_J<ε或达到迭代次数，则停止迭代；

S4：对辨识得到的辨识模型和原模型进行对比验证：判断辨识模型的可靠性。

优选地，上述基于改进多目标粒子群算法的双馈风机控制参数辨识方法，其中步骤S4的具体方法如下：

分别将原模型的输出信号与和最终辨识模型的输出信号进行对比，用误差函数R进行判断两者的拟合度关系；；具体公式如下：

式中，R越接近0表示误差越小，模型可靠；否则表示误差越大，模型不可靠；设定阈值，当R超过阈值时，表示模型不可用，重复上述步骤S1～S4进行调整和修正。

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。