开云优惠体育网页版入口

专利名称：一种双馈风机变流器控制系统参数辨识方法及系统

专利类型：发明专利

专利申请号：CN202411011047.8

专利申请（专利权）人：三峡金沙江云川水电开发有限公司
权利人地址：云南省昆明市盘龙区宝云路220号昆明三峡大厦18楼

专利发明（设计）人：李友涛,宫海鹏,麻太德,吴涛,李鑫,王鼎明,杨宏,张早星,李向宇

专利摘要：本发明涉及双馈风机参数分析技术领域，公开了双馈风机变流器控制系统参数辨识方法及系统，方法包括：依据控制系统参数构建双馈风电机组变流器控制系统的原模型以及其辨识模型，通过辨识模型获取待辨识参数；施加风速波动扰动和三相短路接地故障扰动，并采集施加扰动后的输出响应，构建原模型与辨识模型的目标误差函数；采用鲸鱼优化算法，对误差目标函数寻优，输出辨识参数结果；对原模型的实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，若精度满足设定阈值，则将辨识参数赋值给仿真模型。本方法提高了整体收敛速度和参数辨识结果精确性；与其他算法相比，所需调整参数少，无需暂停；在辨识过程中具有全局搜索能力，提高了辨识精度。

主权利要求：
1.一种双馈风机变流器控制系统参数辨识方法，其特征在于，包括：依据控制系统参数构建双馈风电机组变流器控制系统的原模型以及其辨识模型，通过所述辨识模型获取待辨识参数；
待辨识的参数包括转子侧PI控制参数 ，其中， 、 分别表示转子侧电流控制器的比例、积分系数；以及网侧PI控制参数 ，其中，分别为电压PI的比例与积分控制参数； 、 分别为网侧变流器电流内环控制器的比例、积分系数；
对双馈风电机组施加风速波动扰动和三相短路接地故障扰动，并采集施加扰动后的双馈风电机组变流器控制系统的输出响应，以构建原模型与辨识模型的目标误差函数；
构建原模型与辨识模型的目标误差函数，包括，
基于原始变流器控制系统参数运行得到原模型输出信号转子侧d轴电压、转子侧q轴电压、网侧d轴电压、网侧q轴电压；
计算轨迹灵敏度分析输出响应受变流器控制参数影响，以原模型和仿真模型输出信号的增量差值，计算所有输出响应对应的轨迹灵敏度值，并选取灵敏度最大值作为观测量，所述轨迹灵敏度表示为：；
其中， 为含待辨识参数的观测量； 为含实际辨识参数的观测量； 为待辨识参数； 为待辨识参数的实际值； 为待辨识参数的增量变化； 为待辨识参数的个数；
为观测量的采样总数； 为某一时刻的时间； 为第 次迭代的待辨识参数；
计算所有寻优值的适应度值，目标误差函数表示为：
；
其中， 表示采样总数； 、 分别表示转子侧变流器的电压d轴分量； 、分别表示网侧变流器的电压d轴分量；下标 表示含有实际辨识参数对应的观测量实际值；下标 表示含有算法辨识参数对应的观测量值； 为第 次迭代的待辨识参数；
采用鲸鱼优化算法，基于变流器控制系统参数和单个变流器输出数据对误差目标函数寻优求解，输出辨识参数结果；
采用鲸鱼优化算法，基于变流器控制系统参数和单个变流器输出数据对目标误差函数寻优求解，输出辨识参数结果，包括，初始化算法迭代基本参数，设置种群数量为 ，迭代次数 次，粒子维度 ，种群上下限；
初始化种群速度和初始位置，在靠近下限区域内随机生成每个鲸鱼位置，将获取的仿真模型输出作为鲸鱼优化算法的输入，对鲸鱼算法进行数据初始化，根据鲸鱼包围猎物、气泡网捕食和搜索食物三大狩猎行为完成初始鲸鱼种群位置的初始化；
还包括，按最小误差目标函数公式计算当代寻优解的适应度值；
更新最优适应度 和全局最优位置 ；
按种群中速度和鲸鱼位置更新概率判定原则更新第 次迭代 种群的位置，即的位置；
若此时种群满足适应度小于所给定最小寻优值，即 或达到给定迭代次数，则停止迭代，此时输出最优解即为参数最优辨识结果，否则重复寻优过程，直至满足 或达到迭代次数，停止迭代；
对原模型的实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，所述误差分析，若精度满足设定阈值，则将辨识参数赋值给仿真模型。
2.如权利要求1所述的双馈风机变流器控制系统参数辨识方法，其特征在于，所述辨识模型的网侧变流器控制方程表示为：；
其中， 、 分别为网侧变流器电流内环控制器的比例、积分系数；
分别为网侧变流器电压d、q方向上的分量； 分别为网侧变流器电流d、q方向上的分量； 为转子侧变流器电流d方向上的分量； 表示参考值； 表示同步角速度； 为网侧变流器与电网之间的滤波器感抗； 为网侧电压。
3.如权利要求1或2所述的双馈风机变流器控制系统参数辨识方法，其特征在于，所述辨识模型的转子侧变流器控制方程表示为：；
其中， 、 分别表示转子侧电流控制器的比例、积分系数； 表示转差角速度； 表示发电机的漏磁系数；Ls和Lr分别表示定子绕组的电感、转子绕组的电感； 为励磁电感； 为转子侧变流器电流q方向上的分量； 表示磁通。
4.一种应用如权利要求1所述的双馈风机变流器控制系统参数辨识方法的系统，其特征在于，包括：模型构建模块，用于依据控制系统参数构建双馈风电机组变流器控制系统的原模型以及其辨识模型，通过所述辨识模型获取待辨识参数；
目标函数构建模块，用于对双馈风电机组施加风速波动扰动和三相短路接地故障扰动，并采集施加扰动后的双馈风电机组变流器控制系统的输出响应，以构建原模型与辨识模型的目标误差函数；
寻优模块，用于采用鲸鱼优化算法，基于变流器控制系统参数和单个变流器输出数据对误差目标函数寻优求解，输出辨识参数结果；
对比模块，用于对原模型的实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，所述误差分析若精度满足设定阈值，则将辨识参数赋值给仿真模型。
5.一种电子设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至3任意一项所述双馈风机变流器控制系统参数辨识方法的步骤。
6.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至3任意一项所述双馈风机变流器控制系统参数辨识方法的步骤。 说明书 : 一种双馈风机变流器控制系统参数辨识方法及系统技术领域[0001] 本发明涉及双馈风机参数分析技术领域，尤其涉及一种双馈风机变流器控制系统参数辨识方法及系统。背景技术[0002] 双馈风电机组由于其能恒频率运行且能实现最大功率追踪而成为目前风力发电的主流机组，机组变流器控制系统为机组安全稳定运行提供保障。在风电机组实际运行中其控制参数不能直接获。嗖捎霉こ叹楹褪源辗，难以实现最优控制，导致风电机组仿真过程与实际运行工况间存在较大误差，极易在电网仿真过程中系统参数误会造成机组控制振荡和特性分析误差。建立准确、可靠的风力发电系统模型迫在眉睫。而模型参数的精确值是建立模型的主要前提，其参数辨识精确程度将会直接影响模型的精准度。[0003] 传统的辨识算法是一种广泛应用的快速求解优化技术，但存在种群的低多样性、收敛速度慢、迭代时间长的问题。例如CN111817347A中公开了一种基于改进量子遗传算法的双馈风机变流器参数辨识方法，该方法将传统量子遗传算法与非线性规划函数相结合，形成量子遗传?非线性规划算法，增强了局部搜索能力，提高辨识精度，但记忆库的存在增加了算法的复杂性，且该算法计算量大，辨识精度低。[0004] 双馈风电机组变流器控制系统是双馈风电机组的重要组成部分，其参数的准确性是电力系统仿真分析计算的前提，并且变流器控制系统是一个集合交流发电机和大量电力电子元件的非线性的复杂系统，进一步增加了参数辨识难度。因此对双馈风机变流器控制系统参数进行辨识提高模型精确度对机组稳定运行控制具有重要意义。发明内容[0005] 鉴于上述现有存在的问题，提出了本发明。[0006] 因此，本发明提供了一种双馈风机变流器控制系统参数辨识方法及系统解决目前检测方法计算速度慢，正确率低，受光照影响大，无法满足产业化的问题。[0007] 为解决上述技术问题，本发明提供如下技术方案：[0008] 第一方面，本发明提供了一种双馈风机变流器控制系统参数辨识方法，包括：[0009] 依据控制系统参数构建双馈风电机组变流器控制系统的原模型以及其辨识模型，通过所述辨识模型获取待辨识参数；[0010] 对双馈风电机组施加风速波动扰动和三相短路接地故障扰动，并采集施加扰动后的双馈风电机组变流器控制系统的输出响应，以构建原模型与辨识模型的目标误差函数；[0011] 采用鲸鱼优化算法，基于变流器控制系统参数和单个变流器输出数据对误差目标函数寻优求解，输出辨识参数结果；[0012] 对原模型的实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，所述误差分析，若精度满足设定阈值，则将辨识参数赋值给仿真模型。[0013] 作为本发明所述的双馈风机变流器控制系统参数辨识方法的一种优选方案，其中：所述辨识模型的网侧变流器控制方程表示为：[0014] ；[0015] 其中， 、 分别为网侧变流器电流内环控制器的比例、积分系数；分别为网侧变流器电压d、q方向上的分量； 分别为网侧变流器电流d、q方向上的分量； 为转子侧变流器电流d方向上的分量； 表示参考值； 表示同步角速度； 为网侧变流器与电网之间的滤波器感抗； 为网侧电压。[0016] 作为本发明所述的双馈风机变流器控制系统参数辨识方法的一种优选方案，其中：所述辨识模型的转子侧变流器控制方程表示为：[0017] ；[0018] 其中， 、 分别表示转子侧电流控制器的比例、积分系数； 表示转差角速度； 表示发电机的漏磁系数；Ls和Lr分别表示定子绕组的电感、转子绕组的电感；为励磁电感； 为转子侧变流器电流q方向上的分量； 表示磁通。[0019] 作为本发明所述的双馈风机变流器控制系统参数辨识方法的一种优选方案，其中：构建原模型与辨识模型的目标误差函数，包括，[0020] 基于原始变流器控制系统参数运行得到原模型输出信号转子侧d轴电压、转子侧q轴电压、网侧d轴电压、网侧q轴电压；[0021] 计算轨迹灵敏度分析输出响应受变流器控制参数影响，以原模型和仿真模型输出信号的增量差值，计算所有输出响应对应的轨迹灵敏度值，并选取灵敏度最大值作为观测量，所述轨迹灵敏度表示为：[0022] ；[0023] 其中， 为含待辨识参数的观测量； 为含实际辨识参数的观测量； 为待辨识参数； 为待辨识参数的实际值； 为待辨识参数的增量变化； 为待辨识参数的个数； 为观测量的采样总数；为某一时刻的时间； 为第 次迭代的待辨识参数。[0024] 作为本发明所述的双馈风机变流器控制系统参数辨识方法的一种优选方案，其中：还包括，计算所有寻优值的适应度值，目标误差函数表示为：[0025] ；[0026] 其中， 表示采样总数； 、 分别表示转子侧变流器的电压d轴分量；、 分别表示网侧变流器的电压d轴分量；下标 表示含有实际辨识参数对应的观测量实际值；下标 表示含有算法辨识参数对应的观测量值； 为第 次迭代的待辨识参数。[0027] 作为本发明所述的双馈风机变流器控制系统参数辨识方法的一种优选方案，其中：采用鲸鱼优化算法，基于变流器控制系统参数和单个变流器输出数据对目标误差函数寻优求解，输出辨识参数结果，包括，[0028] 初始化算法迭代基本参数，设置种群数量为 ，迭代次数次，粒子维度 ，种群上下限；[0029] 初始化种群速度和初始位置，在靠近下限区域内随机生成每个鲸鱼位置，将获取的仿真模型输出作为鲸鱼优化算法的输入，对鲸鱼算法进行数据初始化，根据鲸鱼包围猎物、气泡网捕食和搜索食物三大狩猎行为完成初始鲸鱼种群位置的初始化。[0030] 作为本发明所述的双馈风机变流器控制系统参数辨识方法的一种优选方案，其中：还包括，按最小误差目标函数公式计算当代寻优解的适应度值；[0031] 更新最优适应度 和全局最优位置 ；[0032] 按种群中速度和鲸鱼位置更新概率判定原则更新第 次迭代 种群的位置，即的位置；[0033] 若此时种群满足适应度小于所给定最小寻优值，即或达到给定迭代次数，则停止迭代，此时输出最优解即为参数最优辨识结果，否则重复寻优过程，直至满足 或达到迭代次数，停止迭代。[0034] 第二方面，本发明提供了一种双馈风机变流器控制系统参数辨识装置，包括：[0035] 模型构建模块，用于依据控制系统参数构建双馈风电机组变流器控制系统的原模型以及其辨识模型，通过所述辨识模型获取待辨识参数；[0036] 目标函数构建模块，用于对双馈风电机组施加风速波动扰动和三相短路接地故障扰动，并采集施加扰动后的双馈风电机组变流器控制系统的输出响应，以构建原模型与辨识模型的目标误差函数；[0037] 寻优模块，用于采用鲸鱼优化算法，基于变流器控制系统参数和单个变流器输出数据对误差目标函数寻优求解，输出辨识参数结果；[0038] 对比模块，用于对原模型的实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，所述误差分析若精度满足设定阈值，则将辨识参数赋值给仿真模型。[0039] 与现有技术相比，本发明的有益效果：本发明通过构建目标误差函数与鲸鱼优化算法结合，能够解决现有传统优化算法中收敛速度慢、迭代时间长、计算过程复杂的问题。采取轨迹灵敏度对单个变流器输出分量响应曲线与辨识模型的输出响应曲线进行最小值拟合，增加了鲸鱼种群的多样性，提高了收敛速度和参数辨识结果的精确性。在双馈风电机组风速扰动工况和三相接地故障工况下对变流器控制系统参数进行实时辨识，与一些传统的辨识方法如最小二乘法、KNN最近邻算法等相比，与其他优化算法相比，WOA具有过程简单，收敛速度快，所需调整参数少，主动搜索能力强等优点；在辨识过程中具有全局搜索能力，提高了辨识精度。附图说明[0040] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。[0041] 图1为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法的整体流程示意图；[0042] 图2为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法的辨识原理图；[0043] 图3为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法中鲸鱼算法辨识流程示意图；[0044] 图4为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法中网侧变流器控制系统的结构示意图；[0045] 图5为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法中转子侧变流器控制系统的结构示意图；[0046] 图6为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法中WOA算法与实际参数udg值的对比图；[0047] 图7为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法中WOA算法与实际参数udr值的对比图；[0048] 图8为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法中WOA算法与实际参数P值的对比图；[0049] 图9为本发明一个实施例所述的双馈风机变流器控制系统参数辨识方法中WOA算法与PSO、CPSO算法的收敛对比图。具体实施方式[0050] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。[0051] 实施例1[0052] 参照图1?图4，为本发明的一个实施例，提供了一种双馈风机变流器控制系统参数辨识方法，包括，[0053] S100：依据控制系统参数构建双馈风电机组变流器控制系统的原模型以及其辨识模型，通过辨识模型获取待辨识参数；[0054] 更进一步的，辨识模型的网侧变流器（GSC）控制方程表示为：[0055] ；[0056] 其中， 、 分别为网侧变流器电流内环控制器的比例、积分系数；分别为网侧变流器电压d、q方向上的分量； 分别为网侧变流器电流d、q方向上的分量； 为转子侧变流器电流d方向上的分量； 表示参考值； 表示同步角速度； 为网侧变流器与电网之间的滤波器感抗； 为网侧电压。[0057] 更进一步的，辨识模型的转子侧变流器（RSC）控制方程表示为：[0058] ；[0059] 其中， 、 分别表示转子侧电流控制器的比例、积分系数； 表示转差角速度； 表示发电机的漏磁系数；Ls和Lr分别表示定子绕组的电感、转子绕组的电感；为励磁电感； 为转子侧变流器电流q方向上的分量； 表示磁通。[0060] S200：对双馈风电机组施加风速波动扰动和三相短路接地故障扰动，并采集施加扰动后的双馈风电机组变流器控制系统的输出响应，以构建原模型与辨识模型的目标误差函数；[0061] 应说明的是，待辨识的参数包括转子侧PI控制参数 ；以及如图4所示的网侧PI控制参数 ，其中， 分别为电压PI的比例与积分控制参数；在双馈风机并网仿真中设定风速扰动和三相接地短路故障扰动，并采集施加扰动后的双馈风机变流器控制系统的改变较大的单个变流器输出分量响应，双馈风机会输出不同的响应信号，并对其进行最小二乘拟合，构建原模型与辨识模型的误差目标函数；施加的扰动越大，辨识效果越精确。[0062] 更进一步的，构建原模型与辨识模型的目标误差函数，包括，[0063] 基于原始变流器控制系统参数运行得到原模型输出信号转子侧d轴电压、转子侧q轴电压、网侧d轴电压、网侧q轴电压；[0064] 计算轨迹灵敏度分析输出响应受变流器控制参数影响，以原模型和仿真模型输出信号的增量差值，计算所有输出响应对应的轨迹灵敏度值，并选取灵敏度最大值作为观测量，轨迹灵敏度表示为：[0065] ；[0066] 其中， 为含待辨识参数的观测量； 为含实际辨识参数的观测量； 为待辨识参数； 为待辨识参数的实际值； 为待辨识参数的增量变化； 为待辨识参数的个数； 为观测量的采样总数； 为某一时刻的时间； 为第 次迭代的待辨识参数。[0067] 更进一步的，还包括，计算所有寻优值的适应度值，目标误差函数表示为：[0068] ；[0069] 其中， 表示采样总数； 、 分别表示转子侧变流器的电压d轴分量；、 分别表示网侧变流器的电压d轴分量；下标 表示含有实际辨识参数对应的观测量实际值；下标 表示含有算法辨识参数对应的观测量值； 表示待辨识参数。[0070] 应说明的是，由于分别对转子侧PI控制参数 ；网侧PI控制参数的原始数据输出响应曲线与辨识模型的输出响应曲线进行单独拟合、采取轨迹灵敏度对单个变流器输出分量响应曲线与辨识模型的输出响应曲线进行最小值拟合，增加了鲸鱼种群的多样性，提高了收敛速度和参数辨识结果的精确性。同时，本方法能够在双馈风电机组风速扰动工况和三相接地故障工况下对变流器控制系统参数进行实时辨识，与一些传统的辨识方法如KNN最近邻算法等相比，更加适用于风电工程实际应用，对双馈风电机组变流器系统进行控制参数的精确辨识，提高模型仿真精度。[0071] S300：如图2所示，采用鲸鱼优化算法对辨识模型辨识，双馈风电机组辨识模型的外部箭头代表存在迭代过程，基于变流器控制系统参数和单个变流器输出数据对误差目标函数寻优求解，输出辨识参数结果；[0072] 更进一步的，如图3所示，包括：[0073] S301：初始化算法迭代基本参数，设置种群数量为 ，迭代次数次，粒子维度 ，种群上下限；[0074] S302：初始化种群速度和初始位置，在靠近下限区域内随机生成每个鲸鱼位置，将获取的仿真模型输出作为鲸鱼优化算法的输入，对鲸鱼算法进行数据初始化，根据鲸鱼包围猎物、气泡网捕食和搜索食物三大狩猎行为完成初始鲸鱼种群位置的初始化；[0075] 具体的，包围猎物过程包括：[0076] 每个鲸在空间中的位置表示一个特定的解，根据目标猎物所在位置确定当前个体的最优位置，鲸鱼群中任何一个鲸鱼都会根据这个解的结果，向当前最优鲸鱼个体位置移动，并更新位置，过程表示为：[0077] ；[0078] 其中， 表示目前鲸鱼个体所处的位置， 表示当前迭代的次数， 表示目前最优的鲸鱼个体所处位置， 表示位置衡量参数。[0079] A和C表示随机变量，表示为：[0080] ；[0081] 其中， 表示取值范围为[0,1]的随机数， 表示的是从2线性减少到0的常数，即：[0082] ；[0083] 其中， 表示当前迭代次数， 表示最大迭代次数。[0084] 气泡网捕食包括，收缩围合式和螺旋式上升式；[0085] 收缩围合式在包围猎物过程中降低收敛系数，即上述常数 ，从而获得缩小的包围机理；[0086] 螺旋式上升式为鲸鱼以螺旋式上升的方式接近目标，并喷出各种泡泡，对目标进行捕食，表示为：[0087] ；[0088] 其中， 表示鲸鱼与猎物所在位置之间的距离；b表示螺旋捕食参数，其值为1；l表示取值范围为[?1,1]的一个随机数；[0089] 鲸鱼在捕食时会随意采取螺旋包围或者缩小包围两种捕食路径对猎物进行捕食，表示为：[0090] ；[0091] 其中， 表示一个随机数，其取值范围为[0,1]。[0092] 搜索食物包括，[0093] 当鲸鱼接近已知猎物时，会不断寻找新的猎物，并且根据新猎物的位置调整它们的位置，位置更新公式表示为：[0094] ；[0095] 其中，Xrand表示当前鲸鱼种群中的某个鲸鱼个体的所在位置。[0096] S303：按最小误差目标函数公式计算当代寻优解的适应度值；[0097] S304：更新最优适应度 和全局最优位置 ；[0098] S305：按种群中速度和鲸鱼位置更新概率判定原则更新第 次迭代 种群的位置，即 的位置；[0099] S 3 0 6 ：若 此 时 种 群 满 足 适 应 度 小 于 所 给 定 最 小 寻 优 值 ，即或达到给定迭代次数，则停止迭代，此时输出最优解即为参数最优辨识结果，否则重复寻优过程，直至满足 或达到迭代次数，停止迭代。[0100] S400：对原模型的实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，误差分析若精度满足设定阈值，则将辨识参数赋值给仿真模型。[0101] 具体的，误差分析可以通过构建最小适应度函数进行，其阈值设定范围可以根据需要设定，可无限趋近于0。[0102] 应说明的是，传统的参数辨识方法需要风电机组停机，并将所需辨识的机械设备取出试验，通过人为给定输入信号施加扰动，再通过采集设备输出响应的输出曲线，辨识出控制系统的参数，而本方法通过对风电机组监控数据加以提。镁ㄓ阌呕惴ń斜媸，不需要对机组进行停机试验，进一步优化参数辨识流程。[0103] 上述为本实施例的一种双馈风机变流器控制系统参数辨识方法的示意性方案。需要说明的是，该双馈风机变流器控制系统参数辨识的系统的技术方案与上述的双馈风机变流器控制系统参数辨识方法的技术方案属于同一构思，本实施例中双馈风机变流器控制系统参数辨识系统的技术方案未详细描述的细节内容，均可以参见上述双馈风机变流器控制系统参数辨识方法的技术方案的描述。[0104] 本实施例中双馈风机变流器控制系统参数辨识系统，包括：[0105] 模型构建模块，用于依据控制系统参数构建双馈风电机组变流器控制系统的原模型以及其辨识模型，通过辨识模型获取待辨识参数；[0106] 目标函数构建模块，用于对双馈风电机组施加风速波动扰动和三相短路接地故障扰动，并采集施加扰动后的双馈风电机组变流器控制系统的输出响应，以构建原模型与辨识模型的目标误差函数；[0107] 寻优模块，用于采用鲸鱼优化算法，基于变流器控制系统参数和单个变流器输出数据对误差目标函数寻优求解，输出辨识参数结果；[0108] 对比模块，用于对原模型的实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，误差分析若精度满足设定阈值，则将辨识参数赋值给仿真模型。[0109] 本实施例还提供一种计算设备，适用于双馈风机变流器控制系统参数辨识的情况，包括：[0110] 存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现双馈风机变流器控制系统参数辨识方法。[0111] 本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现双馈风机变流器控制系统参数辨识方法。[0112] 本实施例提出的存储介质与上述实施例提出的实现双馈风机变流器控制系统参数辨识方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。[0113] 通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（ReadOnly，Memory，ROM)、随机存取存储器（RandomAccessMemory，RAM)、闪存（FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。[0114] 实施例2[0115] 参照图4?图8，基于上一个实施例，本实施例提供了一种双馈风机变流器控制系统参数辨识方法的应用案例，以说明我方方案的可实施性。[0116] 以背靠背变流器控制系统为例进行说明；[0117] 步骤一：构建双馈风机变流器控制系统的辨识模型；[0118] 如图4和图5所示，需要采集的参数包括有功功率输出值P、风力机力矩Ttur、发电机力矩Tgen、转子转速ωr、风力机角速度ωtur、发电机角速度ωgen；待辨识的参数包括转子侧PI控制参数 ；网侧PI控制参数 ；辨识参数也就是确定这些参数的具体取值；定子电感Ls、互感Lm、转子电感Lr、定子电压幅值Us、同步转速ω0、风力机转子阻尼系数Dtur、发电机转子阻尼系数Dgen，风力机惯性时间常数Htur；发电机惯性时间常数Hgen、轴的刚度系数Ks、风力机与发电机之间的阻尼系数Dtg均为已知量。[0119] 本实施例的背靠背变流器控制系统辨识参数的真实值为：网侧PI控制参数、 ；转子侧PI控制参数 、 、 、。[0120] 步骤二：对双馈风机施加风速阶跃扰动和三相接地短路故障扰动，即每5s风速阶跃变化；在辨识模型的25kv和0.575kv中间设置三相接地短路故障，故障0.5s开始，0.6s切除，持续时间0.1s，使系统逐渐恢复到正常运行；然后采集0s到3s之间的双馈风机变流器控制系统实际输出响应曲线与辨识模型的输出响应曲线。[0121] 步骤三：采用鲸鱼优化算法，基于变流器控制系统参数和单个变流器输出数据对目标函数寻优求解，输出辨识结果。具体寻优过程与上一实施例相同。[0122] 步骤四：对原模型的实际输出响应曲线与辨识模型的输出响应曲线进行误差分析，误差分析若精度满足设定阈值，则将辨识参数赋值给仿真模型。[0123] 具体的，可见图6?图8，通过图中可以看出在udg/uqr/P值上与实际数据采集的比较都有很高的重合度，其中，图8中的P值为有功功率，证明了我方方案在对转子侧PI控制参数 ；网侧PI控制参数 的实际输出响应曲线与辨识模型的输出响应曲线进行单独拟合、采取轨迹灵敏度选择合适观测量，对实际电压输出分量响应曲线与辨识模型的输出响应曲线进行最小值拟合，同时增加了风速阶跃和三相故障扰动，提高了收敛速度和参数辨识结果的精确性。[0124] 实施例3[0125] 参照图9，基于上一个实施例，本实施例提供了一种双馈风机变流器控制系统参数辨识方法的对比验证，以说明我方方案的有益效果。[0126] 为验证本方法的有效性，分别采用粒子群优化算法（PSO）、混沌粒子群优化算法（CPSO）和本发明的鲸鱼优化算法（WOA）辨识风电机组变流器控制系统的参数；[0127] 鲸鱼优化算法的辨识值更加接近真实值，由于粒子群算法极易陷入局部寻优，迭代求解速度相对于WOA较慢，由图9可知，PSO算法需要迭代到第七十代才可以收敛到某一值，但其适应度值较大，即辨识精度较低，CPSO算法需要迭代到第八十三代才可以收敛到某一值，而WOA算法迭代至第七十代就可收敛到某一值，且适应度值最低，表明了WOA收敛速度快、辨识准确度，与PSO相比增加了种群多样性，提高了全局搜索能力，其收敛效果优于PSO和CPSO，WOA提供了更高的辨识精度。[0128] 应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

专利地区：云南

专利申请日期：2024-07-26

专利公开日期：2024-11-29

专利公告号：CN118554808B