[go: up one dir, main page]

CN112800676B - 基于ide-bas算法的风电场参数分步辨识动态等值方法 - Google Patents

基于ide-bas算法的风电场参数分步辨识动态等值方法 Download PDF

Info

Publication number
CN112800676B
CN112800676B CN202110121073.6A CN202110121073A CN112800676B CN 112800676 B CN112800676 B CN 112800676B CN 202110121073 A CN202110121073 A CN 202110121073A CN 112800676 B CN112800676 B CN 112800676B
Authority
CN
China
Prior art keywords
ide
algorithm
bas
parameter
parameters
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
Application number
CN202110121073.6A
Other languages
English (en)
Other versions
CN112800676A (zh
Inventor
李敬祥
李玉
汪国庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges Renewables Group Co Ltd
Original Assignee
China Three Gorges Renewables Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges Renewables Group Co Ltd filed Critical China Three Gorges Renewables Group Co Ltd
Priority to CN202110121073.6A priority Critical patent/CN112800676B/zh
Publication of CN112800676A publication Critical patent/CN112800676A/zh
Application granted granted Critical
Publication of CN112800676B publication Critical patent/CN112800676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于IDE‑BAS算法的风电场参数分步辨识动态等值方法，首先改进DE算法，对缩放因子F、交叉概率因子CR进行自适应调整生成IDE算法，再将BAS算法与IDE算法融合生成IDE‑BAS算法，并利用Rastrigin函数测试IDE‑BAS算法的收敛性；最后对风电场等值模型参数进行灵敏度分析，同时利用IDE‑BAS算法对风电场等值模型参数辨识，即在电网故障下辨识电气参数、在阵风扰动下辨识机械参数。本发明构建了一种收敛速度更快、全局搜索能力更高、搜索精度更好的融合算法，对风电场等值模型参数分步辨识，极大提高了在对风电场等值模型参数辨识时的速度和精度，在电力系统仿真中为准确分析风电并网带来的影响提供了一种行之有效的方法。

Description

基于IDE-BAS算法的风电场参数分步辨识动态等值方法
技术领域
本发明属于风电场动态等值技术领域，具体涉及一种基于IDE-BAS算法的风电场参数分步辨识动态等值方法。
背景技术
分布式风电在并网过程中产生谐波会对电网的稳定性和可靠性产生较大影响，为了在电力系统仿真中准确分析风电并网带来的影响，从保持原始系统特性角度出发，建立风电场的详细模型是目前解决这一问题的有效方法。但由于风电场包含众多元件，从计算量和计算时间角度出发，对风电场详细建模很困难，可以采用动态等值方法对风电场模型降阶化简。
然而，系统的特性不是一成不变的，要对系统特性实时分析需要实时等值。估计等值方法可以在故障扰动下实时估计等值系统参数，通过对等值模型的特性与实际系统对比，估计系统参数更加准确。鉴于系统的工况多变性以及电力企业对电场运行数据的保密，若要分析系统的实时动态特性，一般都要进行在线等值分析。目前的动态等值方法存在等值精度低等问题，寻找一种更为行之有效的动态等值方法迫在眉睫。
发明内容
本发明所要解决的技术问题是提供一种基于IDE-BAS算法的风电场参数分步辨识动态等值方法，该装置解决了现有估计等值方法中采用的算法收敛速度慢、全局搜索能力差，导致等值精度较低、效率差的问题，具有算法收敛速度快、全局搜索能力强，等值精度高、效率高，可以对电网故障及阵风扰动激励下，重点辨识电气参数和机械参数，根据风电场的实际运行数据算例分析，对比等值模型与原始系统输出特性，从而在大型风电场前期规划及后期运行维护期间，为分析风电场并网对电网的影响提供了有力依据的特点。
为解决上述技术问题，本发明所采用的技术方案是：一种基于IDE-BAS算法的风电场参数分步辨识动态等值方法，包括以下步骤：
S1，基于DE算法进行缩放因子F和交叉概率因子CR的自适应调整，生成IDE算法；
S2，将BAS算法融入到IDE算法中生成IDE-BAS算法；
S3，对生成的IDE-BAS算法进行收敛性测试；将测试合格后的IDE-BAS算法作为风电场等值模型参数辨识的工具；
S4，对风电场等值模型参数进行灵敏度分析，同时利用IDE-BAS算法对风电场等值模型参数辨识；包括在电网故障下辨识电气参数、在阵风扰动下辨识机械参数；
S5，将辨识的电气参数、机械参数典型值代入等值模型；通过仿真对比等值模型与原始系统的输出特性，判断两者特性是否接近。
优选地，所述步骤S1中，IDE算法的生成方法如下：
S101，初始化：首先建立N个D维群体，个体向量表示为xi(G)(i＝1,2,…NP)，i表示种群中个体的序列号，G为当前进化代数；
S102，变异：变异生成新的个体，设xr1,G，xr2,G，xr3,G是在一个群体随机选择的个体向量，新的向量个体产生方法：
vi,G+1＝xr1,G+F·(xr2,G-xr3,G)；
其中，缩放因子F为0～1之间常数；
S103，交叉：新个体向量产生后，将变异向量vi,G+1与目标向量xi,G离散交叉，得到新的相量个体ui,j,G+1，操作方法如下：
其中，rand(j)为平均分布的随机数、CR为交叉概率因子；
S104，选择：将新的个体与父代个体适应度比较，将适应度更优的保存到下一代，操作方法如下：
S105，对缩放因子F进行自适应调整，调整方法如下：
其中，Fu、Fl分别为Fi的上限和下限；fta、ftb、ftc分别为xr1,G，xr2,G，xr3,G的适应度；
S106，对交叉概率因子CR进行自适应调整，生成IDE算法；调整方法如下：
式中，CRmax、CRmin为交叉概率因子的最大、最小值，T为总的迭代次数。
优选地，BAS算法即天牛须算法，其搜索策略包括：
1，天牛的位置作为整个空间的中心点；
2，天牛每搜索一处空间，其单位时间搜索的距离为步长step，天牛须的间距为d0，两者满足公式step＝c·d0；其中，c是常数；
3，天牛搜索到一定位置时，它的朝向是不固定的，其系统建模步骤：
dir＝rands(n,1)；
dir＝dir/norm(dir)；
xl＝x+d0·dir/2；
xr＝x-d0·dir/2；
fleft＝f(x)；
fright＝f(xr)；
x＝x-step·dir·sign(fleft-fright)；
4，其中两种步长设定如下：
4.1，设置多次迭代，满足：
step＝eta·step；
其中，eta一般为0.95；
4.2，引入变量temp和最终分辨率step0，满足：
temp＝eta·temp；
step＝temp+step0。
优选地，所述步骤S2中，IDE-BAS算法的生成及计算方法如下：
S201，初始化群体，首先建立N个D维群体，个体向量表示为xi(G)(i＝1,2,…NP)，i表示种群中个体的序列号，G为当前进化代数；然后初始化BAS参数，满足step＝eta·step，其中eta取值为0.95；在BAS算法中引入变量temp和最终分辨率step0，满足temp＝eta·temp、step＝temp+step0；
S202，随机将群体分为两个子群体P1、P2；
S203，P1执行BAS算法；P2执行IDE算法，执行变异、交叉操作；执行过程中两算法同时进行，并时刻交换信息；
S204，计算个体适应度值，将适应度高的个体迭代为下一代个体；
S205，执行算法终止判断，达到终止条件则算法搜索结束，输出最优解；否则令iter＝iter+1，继续转到第二步，重复以上过程。
优选地，所述步骤S3中，IDE-BAS算法进行收敛性测试的方法如下：
S301，利用Rastrigin函数测试IDE-BAS算法的收敛性；通过IDE-BAS算法运算该函数并寻找全局最优解；
S302，测试IDE-BAS算法的收敛性时，设定迭代次数为M1次；IDE和IDE-BAS分别独立运行M2次。
优选地，所述步骤S4中，所述电网故障下辨识电气参数的方法如下：
S401，在0s时，设置风电场并网点处电网三相短路故障，故障持续时长根据实际需要确定；仿真分析并网点处的有功功率Pe、无功功率Qe和母线电压Ue变化趋势；
S402，选择相关电气参数和机械参数，电气参数选择参数Rr、Rs、Llr、Lls、Lm，机械参数选择参数H、F，分别以有功功率Pe、无功功率Qe和母线电压Ue作为参考量对每个选定的参数进行轨迹灵敏度分析；然后采用IDE-BAS算法辨识电气参数，得到电气参数辨识结果。
其中：Rr表示转子电阻；Rs表示定子电阻；Llr表示转子漏感；Lls表示定子漏感；Lm表示激磁电抗；H表示转子惯性系数；F表示轴系摩擦系数。
优选地，所述步骤S402中，对电气参数进行辨识时，将机械参数设定为固定值。
优选地，所述步骤S4中，所述阵风扰动下辨识机械参数的方法如下：
S403，设置仿真时长，在时间T1时加入阵风扰动，阵风持续时长T；仿真分析并网点处的有功功率Pe、无功功率Qe和母线电压Ue变化趋势；
S404，选择相关电气参数和机械参数，电气参数选择参数Rr、Rs、Llr、Lls、Lm，机械参数选择参数H、F，分别以有功功率Pe、无功功率Qe和母线电压Ue作为参考量对每个选定的参数进行轨迹灵敏度分析；然后采用IDE-BAS算法辨识机械参数，得到机械参数辨识结果。
优选地，所述步骤S404中，对机械参数进行辨识时，将电气参数设定为固定值。
优选地，所述轨迹灵敏度分析方法如下：
其中，θi为系统中的参数；△θ为参数偏差量、θi0为参数θi的给定值；Sθi表示某一参数θi的灵敏度；y表示系统输出，即有功功率Pe或无功功率Qe或母线电压Ue。
本发明提供的基于IDE-BAS算法的风电场参数分步辨识动态等值方法的有益效果如下：
本发明旨在电力系统仿真中准确分析风电并网带来的影响，从保持原始系统特性角度出发，采用参数分步辨识的动态等值策略，对风电机组等值模型参数辨识；基于现有的DE算法和BAS算法进行调整和融合，生成收敛速度快、全局搜索能力强，等值精度高、效率高的IDE-BAS算法用于辨识风电等值机组参数，且根据电气参数和机械参数对于不同激励下响应速度的差别，分别在电网故障及阵风扰动激励下，重点辨识电气参数和机械参数，极大地提高了风电场动态等值的精度和速度，根据风电场的实际运行数据算例分析，对比等值模型与原始系统输出特性，在大型风电场前期规划及后期运行维护期间，为分析风电场并网对电网的影响提供了有力依据；整套方法高效便捷、易于实用，具有极大的工程应用价值。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的IDE-BAS算法与IDE算法基于Rastrigin函数适应度对比曲线；
图2为本发明在电网三相短路故障下以有功功率Pe作为参考量的参数灵敏度轨迹；
图3为本发明在电网三相短路故障下以无功功率Qe作为参考量的参数灵敏度轨迹；
图4为本发明在电网三相短路故障下以母线电压Ue作为参考量的参数灵敏度轨迹；
图5为本发明的阵风扰动故障下以有功功率Pe作为参考量的参数灵敏度轨迹；
图6为本发明的阵风扰动故障下以无功功率Qe作为参考量的参数灵敏度轨迹；
图7为本发明的阵风扰动故障下以母线电压Ue作为参考量的参数灵敏度轨迹；
图8为本发明的将辨识得到的电气参数、机械参数典型值代入等值模型，有功功率Pe对比曲线；
图9为本发明的将辨识的电气参数、机械参数典型值代入等值模型，无功功率Qe对比曲线；
图10为本发明的将辨识的电气参数、机械参数典型值代入等值模型，母线电压Ue对比曲线；
图11为本发明的将辨识得到的机械参数、电气参数典型值代入等值模型，有功功率Pe对比曲线；
图12为实施例2中风电机组单机等值模型的示意图。
具体实施方式
实施例1：
一种基于IDE-BAS算法的风电场参数分步辨识动态等值方法，包括以下步骤：
S1，基于DE算法进行缩放因子F和交叉概率因子CR的自适应调整，生成IDE算法；
S2，将BAS算法融入到IDE算法中生成IDE-BAS算法；
S3，对生成的IDE-BAS算法进行收敛性测试；将测试合格后的IDE-BAS算法作为风电场等值模型参数辨识的工具；
S4，对风电场等值模型参数进行灵敏度分析，同时利用IDE-BAS算法对风电场等值模型参数辨识；包括在电网故障下辨识电气参数、在阵风扰动下辨识机械参数；
S5，将辨识的电气参数、机械参数典型值代入等值模型；通过仿真对比等值模型与原始系统的输出特性，判断两者特性是否接近。
优选地，所述步骤S1中，IDE算法的生成方法如下：
S101，初始化：首先建立N个D维群体，个体向量表示为xi(G)(i＝1,2,…NP)，i表示种群中个体的序列号，G为当前进化代数；
S102，变异：变异生成新的个体，设xr1,G，xr2,G，xr3,G是在一个群体随机选择的个体向量，新的向量个体产生方法：
vi,G+1＝xr1,G+F·(xr2,G-xr3,G)；
其中，缩放因子F为0～1之间常数；
S103，交叉：新个体向量产生后，将变异向量vi,G+1与目标向量xi,G离散交叉，得到新的相量个体ui,j,G+1，操作方法如下：
其中，rand(j)为平均分布的随机数、CR为交叉概率因子；
S104，选择：将新的个体与父代个体适应度比较，将适应度更优的保存到下一代，操作方法如下：
S105，对缩放因子F进行自适应调整，调整方法如下：
其中，Fu、Fl分别为Fi的上限和下限；fta、ftb、ftc分别为xr1,G，xr2,G，xr3,G的适应度；
S106，对交叉概率因子CR进行自适应调整，生成IDE算法；调整方法如下：
式中，CRmax、CRmin为交叉概率因子的最大、最小值，T为总的迭代次数。
优选地，BAS算法即天牛须算法，其搜索策略包括：
1，天牛的位置作为整个空间的中心点；
2，天牛每搜索一处空间，其单位时间搜索的距离为步长step，天牛须的间距为d0，两者满足公式step＝c·d0；其中，c是常数；
3，天牛搜索到一定位置时，它的朝向是不固定的，其系统建模步骤：
dir＝rands(n,1)；
dir＝dir/norm(dir)；
xl＝x+d0·dir/2；
xr＝x-d0·dir/2；
fleft＝f(x)；
fright＝f(xr)；
x＝x-step·dir·sign(fleft-fright)；
4，其中两种步长设定如下：
4.1，设置多次迭代，满足：
step＝eta·step；
其中，eta一般为0.95；
4.2，引入变量temp和最终分辨率step0，满足：
temp＝eta·temp；
step＝temp+step0。
优选地，所述步骤S2中，IDE-BAS算法的生成及计算方法如下：
S201，初始化群体，首先建立N个D维群体，个体向量表示为xi(G)(i＝1,2,…NP)，i表示种群中个体的序列号，G为当前进化代数；然后初始化BAS参数，满足step＝eta·step，其中eta取值为0.95；在BAS算法中引入变量temp和最终分辨率step0，满足temp＝eta·temp、step＝temp+step0；
S202，随机将群体分为两个子群体P1、P2；
S203，P1执行BAS算法；P2执行IDE算法，执行变异、交叉操作；执行过程中两算法同时进行，并时刻交换信息；
S204，计算个体适应度值，将适应度高的个体迭代为下一代个体；
S205，执行算法终止判断，达到终止条件则算法搜索结束，输出最优解；否则令iter＝iter+1，继续转到第二步，重复以上过程。
如图1所示，所述步骤S3中，IDE-BAS算法进行收敛性测试的方法如下：
S301，利用Rastrigin函数测试IDE-BAS算法的收敛性；通过IDE-BAS算法运算该函数并寻找全局最优解；Rastrigin函数表达式如下：
Rax(x)＝20+x1 2+x2 2-10(cos2πx1+cos2πx2)；
S302，测试IDE-BAS算法的收敛性时，设定迭代次数为1000代；IDE和IDE-BAS分别独立运行50次。
优选地，所述步骤S4中，所述电网故障下辨识电气参数的方法如下：
S401，在0s时，设置风电场并网点处电网三相短路故障，故障持续时长0.15s；仿真分析并网点处的有功功率Pe、无功功率Qe和母线电压Ue变化趋势；
S402，选择相关电气参数和机械参数，电气参数选择参数Rr、Rs、Llr、Lls、Lm，机械参数选择参数H、F，分别以有功功率Pe、无功功率Qe和母线电压Ue作为参考量对每个选定的参数进行轨迹灵敏度分析；然后采用IDE-BAS算法辨识电气参数，得到电气参数辨识结果。
优选地，所述步骤S402中，对电气参数进行辨识时，将机械参数设定为固定值。
优选地，所述步骤S4中，所述阵风扰动下辨识机械参数的方法如下：
S403，设置仿真时长20s，在时间8s时加入阵风扰动，阵风持续时长6s；仿真分析并网点处的有功功率Pe、无功功率Qe和母线电压Ue变化趋势；
S404，选择相关电气参数和机械参数，电气参数选择参数Rr、Rs、Llr、Lls、Lm，机械参数选择参数H、F，分别以有功功率Pe、无功功率Qe和母线电压Ue作为参考量对每个选定的参数进行轨迹灵敏度分析；然后采用IDE-BAS算法辨识机械参数，得到机械参数辨识结果。
优选地，所述步骤S404中，对机械参数进行辨识时，将电气参数设定为固定值。
优选地，所述轨迹灵敏度分析方法如下：
其中，θi为系统中的参数；△θ为参数偏差量、θi0为参数θi的给定值；Sθi表示某一参数θi的灵敏度；y表示系统输出，即有功功率Pe或无功功率Qe或母线电压Ue。
实施例2：
选取某一风电场为例，对风电机组等值；此风电场概况：32台双馈异步风电机组，每台风机额定容量为1.5MW，该风电场总额定容量为48MW。双馈风机型号为PWE1570/65，轮毂高度65m，出口电压575V，与0.575KV/25KV变压器相连，高压25KV；每台双馈风力发电机经1km电缆与一台变压器相连，变压器高压端经35KV电缆与整个发电场并网点处相连；风电场通过25/120KV升压变压器与外部电缆相连接；再经过单回路，通过110KV电缆连接14km外的变电站。完成并网发电。
将风电场内所有风电机组按照风速大小等值，近似认为同一排风电机组输入风速相同，则将每一排风电机组等值成一台风电机组，共6台等值机。考虑尾流效应及时滞影响，近似认为后一个等值机输入风速较前一个等值机延迟3s，输入风速减小0.5m/s；等值风速模型如下：
v3＝av1 3+bv2 3+cv3 3+dv4 3+ev5 3+fv6 3；
式中，vi为第i排风速；
a、b、c、d、e、f分别为各排风速的加权值，满足以下条件：
vi+1(t)＝vi(t+3)-0.5,i＝1,2,3,4,5,6；
a+b+c+d+e+f＝1；
风电机组单机等值模型如图12所示。
如图2～图4所示，设置电网三相短路故障：
0.2s时，在B3母线上设置三相短路故障，持续0.15s；由于故障时间非常短，近似认为风速没有变化，先设定机械参数为固定值；然后采用IDE-BAS辨识算法辨识电气参数；电网三相短路故障下参数轨迹灵敏度平均值如下表1所示：
表1
如图5～图7所示，设置阵风扰动故障：
仿真时间设为8s，基本风速12m/s；在2s时加入阵风，持续1.25s，阵风峰值4m/s；先设定电气参数为固定值；然后采用IDE-BAS辨识算法辨识机械参数；电网阵风扰动故障下参数轨迹灵敏度平均值如下表2所示：
表2
风电机组等值模型电气参数辨识值如下表3所示：
表3
风电机组等值模型机械参数辨识值如下表4所示；
表4
如图8～图11所示，将辨识的电气参数、机械参数典型值代入等值模型，通过仿真对比等值模型与原始系统的输出特性，判断两者特性是否接近。由图中可以看出，等值模型的输出特性曲线与原始系统重合率较高，具有良好的精度。
利用IDE-BAS辨识算法对风电场等值机组参数辨识，通过仿真后验证了该算法的有效性。
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。

Claims (8)

1.一种基于IDE-BAS算法的风电场参数分步辨识动态等值方法，其特征在于：包括以下步骤：
S1，基于DE算法进行缩放因子F和交叉概率因子CR的自适应调整，生成IDE算法；
S2，将BAS算法融入到IDE算法中生成IDE-BAS算法；IDE-BAS算法的生成及计算方法如下：
S201，初始化群体，首先建立N个D维群体，个体向量表示为xi(G)(i＝1,2,…NP)，i表示种群中个体的序列号，G为当前进化代数；然后初始化BAS参数，满足step＝eta·step，其中eta取值为0.95；在BAS算法中引入变量temp和最终分辨率step0，满足temp＝eta·temp、step＝temp+step0；
S202，随机将群体分为两个子群体P1、P2；
S203，P1执行BAS算法；P2执行IDE算法，执行变异、交叉操作；执行过程中两算法同时进行，并时刻交换信息；
S204，计算个体适应度值，将适应度高的个体迭代为下一代个体；
S205，执行算法终止判断，达到终止条件则算法搜索结束，输出最优解；否则令iter＝iter+1，继续转到第二步，重复以上过程；
S3，对生成的IDE-BAS算法进行收敛性测试；将测试合格后的IDE-BAS算法作为风电场等值模型参数辨识的工具；
S4，对风电场等值模型参数进行灵敏度分析，同时利用IDE-BAS算法对风电场等值模型参数辨识；包括在电网故障下辨识电气参数、在阵风扰动下辨识机械参数；
S5，将辨识的电气参数、机械参数典型值代入等值模型；通过仿真对比等值模型与原始系统的输出特性，判断两者特性是否接近。
2.根据权利要求1所述的基于IDE-BAS算法的风电场参数分步辨识动态等值方法，其特征在于：步骤S1中，IDE算法的生成方法如下：
S101，初始化：首先建立N个D维群体，个体向量表示为xi(G)(i＝1,2,…NP)，i表示种群中个体的序列号，G为当前进化代数；
S102，变异：变异生成新的个体，设xr1,G，xr2,G，xr3,G是在一个群体随机选择的个体向量，新的向量个体产生方法：
vi,G+1＝xr1,G+F·(xr2,G-xr3,G)；
其中，缩放因子F为0～1之间常数；
S103，交叉：新个体向量产生后，将变异向量vi,G+1与目标向量xi,G离散交叉，得到新的相量个体ui,j,G+1，操作方法如下：
其中，rand(j)为平均分布的随机数、CR为交叉概率因子；
S104，选择：将新的个体与父代个体适应度比较，将适应度更优的保存到下一代，操作方法如下：
S105，对缩放因子F进行自适应调整，调整方法如下：
其中，Fu、Fl分别为Fi的上限和下限；fta、ftb、ftc分别为xr1,G，xr2,G，xr3,G的适应度；
S106，对交叉概率因子CR进行自适应调整，生成IDE算法；调整方法如下：
式中，CRmax、CRmin为交叉概率因子的最大、最小值，T为总的迭代次数。
3.根据权利要求1所述的基于IDE-BAS算法的风电场参数分步辨识动态等值方法，其特征在于：步骤S3中，IDE-BAS算法进行收敛性测试的方法如下：
S301，利用Rastrigin函数测试IDE-BAS算法的收敛性；通过IDE-BAS算法运算该函数并寻找全局最优解；
S302，测试IDE-BAS算法的收敛性时，设定迭代次数为M1次；IDE和IDE-BAS分别独立运行M2次。
4.根据权利要求1所述的基于IDE-BAS算法的风电场参数分步辨识动态等值方法，其特征在于：步骤S4中，所述电网故障下辨识电气参数的方法如下：
S401，在0s时，设置风电场并网点处电网三相短路故障，故障持续时长根据实际需要确定；仿真分析并网点处的有功功率Pe、无功功率Qe和母线电压Ue变化趋势；
S402，选择相关电气参数和机械参数，分别以有功功率Pe、无功功率Qe和母线电压Ue作为参考量对每个选定的参数进行轨迹灵敏度分析；然后采用IDE-BAS算法辨识电气参数，得到电气参数辨识结果。
5.根据权利要求4所述的基于IDE-BAS算法的风电场参数分步辨识动态等值方法，其特征在于：步骤S402中，对电气参数进行辨识时，将机械参数设定为固定值。
6.根据权利要求1所述的基于IDE-BAS算法的风电场参数分步辨识动态等值方法，其特征在于：步骤S4中，所述阵风扰动下辨识机械参数的方法如下：
S403，设置仿真时长，在时间T1时加入阵风扰动，阵风持续时长T；仿真分析并网点处的有功功率Pe、无功功率Qe和母线电压Ue变化趋势；
S404，选择相关电气参数和机械参数，分别以有功功率Pe、无功功率Qe和母线电压Ue作为参考量对每个选定的参数进行轨迹灵敏度分析；然后采用IDE-BAS算法辨识机械参数，得到机械参数辨识结果。
7.根据权利要求6所述的基于IDE-BAS算法的风电场参数分步辨识动态等值方法，其特征在于：步骤S404中，对机械参数进行辨识时，将电气参数设定为固定值。
8.根据权利要求4或6所述的基于IDE-BAS算法的风电场参数分步辨识动态等值方法，其特征在于：轨迹灵敏度分析方法如下：
其中，θi为系统中的参数；Δθ为参数偏差量、θi0为参数θi的给定值；Sθi表示某一参数θi的灵敏度；y表示系统输出。
CN202110121073.6A 2021-01-28 2021-01-28 基于ide-bas算法的风电场参数分步辨识动态等值方法 Active CN112800676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110121073.6A CN112800676B (zh) 2021-01-28 2021-01-28 基于ide-bas算法的风电场参数分步辨识动态等值方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110121073.6A CN112800676B (zh) 2021-01-28 2021-01-28 基于ide-bas算法的风电场参数分步辨识动态等值方法

Publications (2)

Publication Number Publication Date
CN112800676A CN112800676A (zh) 2021-05-14
CN112800676B true CN112800676B (zh) 2023-12-26

Family

ID=75812611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110121073.6A Active CN112800676B (zh) 2021-01-28 2021-01-28 基于ide-bas算法的风电场参数分步辨识动态等值方法

Country Status (1)

Country Link
CN (1) CN112800676B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306260A (zh) * 2023-02-27 2023-06-23 国网福建省电力有限公司经济技术研究院 一种基于参数辨识的风电场等值仿真方法及终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103887815A (zh) * 2014-02-21 2014-06-25 华南理工大学 基于运行数据的风电场参数辨识及动态等值方法
CN106786524A (zh) * 2016-12-19 2017-05-31 清华大学 基于类噪声信号及改进差分进化的负荷模型参数辨识方法
CN109284579A (zh) * 2018-11-12 2019-01-29 东南大学 基于改进差分进化算法的非线性系统参数辨识方法
CN110806541A (zh) * 2019-11-12 2020-02-18 湖南大学 一种基于ad-bas的锂电池模型参数辨识方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11360137B2 (en) * 2017-12-29 2022-06-14 Hitachi Energy Switzerland Ag Parameter free identification of fault location in multi-terminal power transmission lines

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103887815A (zh) * 2014-02-21 2014-06-25 华南理工大学 基于运行数据的风电场参数辨识及动态等值方法
CN106786524A (zh) * 2016-12-19 2017-05-31 清华大学 基于类噪声信号及改进差分进化的负荷模型参数辨识方法
CN109284579A (zh) * 2018-11-12 2019-01-29 东南大学 基于改进差分进化算法的非线性系统参数辨识方法
CN110806541A (zh) * 2019-11-12 2020-02-18 湖南大学 一种基于ad-bas的锂电池模型参数辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Xiaohui Yuan 等 .Paramrter Identification of Nonlinear Muskingum Model with Backtracking Search Algorithm.《Water Resourcrs ,anagement》.2016,第2767-2783页. *
基于改进差分进化算法的估计等值法研究;张宝珍 等;《华南理工大学学报 ( 自然科学版)》;第42卷(第4期);第7-12页 *

Also Published As

Publication number Publication date
CN112800676A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
Liu et al. A dynamic equivalent model for DFIG-based wind farms
Jin et al. Modeling of wind speeds inside a wind farm with application to wind farm aggregate modeling considering LVRT characteristic
CN103558768B (zh) 一种基于风电场内风速分布特性的等值建模方法
Wang et al. Dynamic equivalent modeling for wind farms with DFIGs using the artificial bee colony with K-means algorithm
CN104392056B (zh) 一种直驱风电机组建模方法及装置
CN105576654B (zh) 直驱风电场等值方法和系统
CN106451539A (zh) 一种计及永磁直驱风电机组动态特性的风电场并网稳定分析方法
CN114513004A (zh) 基于改进k-means算法新能源场站等值方法及应用
CN105741188A (zh) 双馈风力发电机群电磁暂态同调分群方法
CN113783223A (zh) 直驱风电机组变流器并网系统稳定方法
CN112800676B (zh) 基于ide-bas算法的风电场参数分步辨识动态等值方法
CN116738636A (zh) 考虑阻抗特性及同步机制的双馈风电场站的多机等值方法
CN115622053A (zh) 一种用于考虑分布式电源的自动负荷建模方法及装置
Li et al. Dynamic aggregation of doubly-fed induction generators (DFIGs) for stability analysis of wind power systems
CN118157154A (zh) 一种计及暂态电压稳定性机理的约束构建方法
CN117094209A (zh) 一种基于bp神经网络的混合风电场故障特性分群方法
CN109412204A (zh) 用于次同步振荡仿真分析的风电场仿真建模方法及装置
Chen et al. Generalized composite load aggregation considering different distributed PV systems based on improved K-means algorithm
Qi et al. Dynamic equivalent modeling of direct-drive PMSG wind farms based on the transient active power response characteristics
CN105320825A (zh) 基于简化模型的双馈机组风电场动态等值建模系统及方法
CN115495913A (zh) 风电场机群划分及等值建模方法
Shen et al. Modeling and Parameter Identification of the Photovoltaic Inverter based on VSG
Cao et al. Research on Real-time Monitoring Technology of Power Quality in Distributed Smart Grid
Pingping et al. Equivalent model of wind farm based on DBSCAN
CN111934357A (zh) 一种风光电源联合并网的系统仿真分析方法及系统

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
GR01 Patent grant
GR01 Patent grant