本發(fā)明涉及風(fēng)力發(fā)電控制領(lǐng)域，尤其涉及一種基于引力搜索算法的直驅(qū)風(fēng)機(jī)結(jié)構(gòu)化辨識方法及系統(tǒng)。

背景技術(shù)：

1、近年來，風(fēng)電占比的不斷提升給電力系統(tǒng)的安全穩(wěn)定運(yùn)行帶來了巨大挑戰(zhàn)。低電壓穿越(low?voltage?ride?through，lvrt)能力是評估新能源發(fā)電系統(tǒng)暫態(tài)性能的重要指標(biāo)，而我國風(fēng)力發(fā)電設(shè)備廠商眾多，不同型號風(fēng)機(jī)的lvrt能力差異較大，獲取準(zhǔn)確的lvrt控制模式和參數(shù)并建立準(zhǔn)確的風(fēng)電機(jī)組模型，是分析風(fēng)電機(jī)組運(yùn)行特性的前提和關(guān)鍵。風(fēng)電機(jī)組的機(jī)電暫態(tài)模型一般忽略變流器內(nèi)環(huán)控制和鎖相環(huán)動態(tài)過程，但需要考慮lvrt期間風(fēng)電機(jī)組的電氣特性，因此，機(jī)電暫態(tài)模型中的lvrt控制參數(shù)相比變流器比例積分(proportional-integrator，pi)控制參數(shù)更為關(guān)鍵，需要通過參數(shù)辨識的方法獲取。目前，在風(fēng)電機(jī)組lvrt控制參數(shù)辨識領(lǐng)域，已有相關(guān)研究，但在實(shí)際應(yīng)用中仍面臨諸多困難。例如，未考慮lvrt控制參數(shù)對風(fēng)電機(jī)組暫態(tài)特性的影響、忽略了lvrt控制中有功電流控制系數(shù)對風(fēng)電機(jī)組暫態(tài)特性的影響和辨識算法的不穩(wěn)定性；傳統(tǒng)最小二乘法對局部工況適應(yīng)性差與粒子群算法(particle?swarm?optimization，pso)易陷入局部最優(yōu)的缺陷等。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種基于引力搜索算法的直驅(qū)風(fēng)機(jī)結(jié)構(gòu)化辨識方法及系統(tǒng)，結(jié)合svr與gsa的結(jié)構(gòu)化辨識方法，提高算法的局部尋優(yōu)能力，以實(shí)現(xiàn)對直驅(qū)風(fēng)機(jī)控制模式和參數(shù)的精確辨識。

2、本發(fā)明實(shí)施例解決其技術(shù)問題所采用的技術(shù)方案是：

3、一種基于引力搜索算法的直驅(qū)風(fēng)機(jī)結(jié)構(gòu)化辨識方法，包括：

4、步驟s1，基于直驅(qū)風(fēng)機(jī)數(shù)學(xué)模型的控制結(jié)構(gòu)，確定出lvrt控制策略中各lvrt控制模式需要辨識的控制參數(shù)；

5、步驟s2，采用svr算法對直驅(qū)風(fēng)機(jī)原始數(shù)據(jù)集進(jìn)行訓(xùn)練，得到個體初值和尋優(yōu)范圍；

6、步驟s3，采用gsa算法對直驅(qū)風(fēng)機(jī)lvrt控制模式和控制參數(shù)進(jìn)行辨識。

7、較優(yōu)地，所述步驟s1中，所述直驅(qū)風(fēng)機(jī)數(shù)學(xué)模型的數(shù)學(xué)模型包括：

8、在電網(wǎng)未遭遇電壓跌落故障的穩(wěn)態(tài)條件下，風(fēng)電機(jī)組維持恒定的功率因數(shù)，以常規(guī)方式運(yùn)行，定義從變流器側(cè)流向網(wǎng)側(cè)的電流方向?yàn)檎?，此時流過并網(wǎng)逆變器的初始有功電流ip0和初始無功電流iq0分別為：

9、

10、式中：p0和q0分別為風(fēng)電機(jī)組正常運(yùn)行時的初始有功功率和無功功率標(biāo)幺值，基準(zhǔn)值為額定功率，u0為并網(wǎng)點(diǎn)初始電壓標(biāo)幺值，u0＝1.0p.u.，基準(zhǔn)值為并網(wǎng)點(diǎn)的額定電壓un；

11、有功功率的穩(wěn)態(tài)控制模式：在此模式下，系統(tǒng)的控制策略保持不變，即不進(jìn)行電流指令的切換，維持當(dāng)前正常運(yùn)行狀態(tài)下的有功和無功電流，同時，系統(tǒng)中的積分控制環(huán)節(jié)被凍結(jié)，以防止積分飽和現(xiàn)象的發(fā)生；

12、無功功率的穩(wěn)態(tài)控制模式：電流指令為正常運(yùn)行狀態(tài)時凍結(jié)積分環(huán)節(jié)后的無功電流指令；

13、當(dāng)電網(wǎng)發(fā)生電壓跌落故障時，風(fēng)電機(jī)組動態(tài)無功電流增量δit應(yīng)滿足：

14、△it＝kuq(0.9-ut)in(0.2≤ut≤0.9)

15、式中：kuq為動態(tài)無功電流支撐系數(shù)，in和ut分別為風(fēng)電機(jī)組額定電流和電網(wǎng)電壓跌落深度的標(biāo)幺值，基準(zhǔn)值分別為并網(wǎng)點(diǎn)額定電流in和額定電壓un；

16、風(fēng)電機(jī)組進(jìn)行低電壓穿越lvrt過程中，pmsg從恒功率因數(shù)控制變?yōu)闊o功電流優(yōu)先控制，其中：

17、lvrt過程中有功功率的控制策略分為三種模式：指定功率控制模式、指定電流控制模式和基于穿越前電流的控制模式；

18、有功功率的指定功率控制模式：在此模式下，系統(tǒng)在低電壓穿越期間設(shè)定一個特定的有功功率目標(biāo)值plvrt，計(jì)算公式為：

19、

20、式中：kp,lvrt為低穿有功功率系數(shù)；pset,lv為低穿有功功率設(shè)定值；p0為初始有功功率；iplvrt為有功電流指令；ut為機(jī)端電壓；

21、有功功率的指定電流控制模式：在此模式下，系統(tǒng)在lvrt期間設(shè)定一個特定的有功功率目標(biāo)值iplvrt，計(jì)算公式為：

22、iplvrt＝k1,ip,lvut+k2,ip,lvip0+ipset

23、式中，k1,ip,lv和k2,ip,lv均為低穿有功電流計(jì)算系數(shù)；ipset為低穿有功電流設(shè)定值；ip0為初始有功電流；

24、有功功率的基于穿越前電流的控制模式：在此模式下，系統(tǒng)在低電壓穿越期間維持進(jìn)入穿越前的有功電流和無功電流不變，同時令有功電流指令iplvrt與初始有功電流ip0保持相同：

25、iplvrt＝ip0

26、lvrt過程中無功功率的控制策略分為兩種模式：指定功率控制模式、指定電流控制模式；

27、無功功率的指定功率控制模式：指定低電壓穿越期間無功功率qlvrt，除以機(jī)端電壓ut得到無功電流指令iqlvrt，計(jì)算公式為：

28、

29、式中：kp,lvrt為低穿無功功率系數(shù)；qset,lv為低穿無功功率設(shè)定值；q0為初始無功；

30、無功功率的指定電流控制模式：引入低電壓穿越閾值ulin，此時電流指令iqlvrt為：

31、iqlvrt＝k1,iq,lv(ulin-ut)+k2,iq,lviq0+iqset

32、式中：k1,iq,lv和k2,iq,lv均為低穿無功電流計(jì)算系數(shù)；iqset為低穿無功電流設(shè)定值；iq0為初始無功電流；

33、當(dāng)lvrt控制策略為指定功率控制模式時，需要辨識的控制參數(shù)為kp,lvrt、pset,lv、kq,lvrt和qset,lv；

34、當(dāng)lvrt控制策略為指定電流控制模式或基于穿越前電流的控制模式時，需要辨識的控制參數(shù)為k1,ip,lv、k2,ip,lv、ipset、k1,iq,lv、k2,iq,lv和iqset。

35、較優(yōu)地，所述步驟s1之前，還包括：

36、步驟s4，基于plecs仿真平臺建立pwmt電磁暫態(tài)仿真模型，所述pwmt電磁暫態(tài)仿真模型中的lvrt控制策略采用典型lvrt控制策略，通過低電壓發(fā)生裝置模擬各個深度的電壓跌落ut進(jìn)行電磁暫態(tài)仿真，將電磁暫態(tài)仿真獲取的機(jī)端響應(yīng)曲線作為參考結(jié)果；所述機(jī)端響應(yīng)曲線包含的電氣量為風(fēng)電機(jī)組輸出端處的電壓u、電流i、有功功率p和無功功率q。

37、較優(yōu)地，所述步驟s2采用svr算法對直驅(qū)風(fēng)機(jī)原始數(shù)據(jù)集進(jìn)行訓(xùn)練，得到個體初值和尋優(yōu)范圍；

38、步驟s21，數(shù)據(jù)準(zhǔn)備：對于每一種lvrt控制策略，模擬不同電壓跌落深度ut的故障工況，提取目標(biāo)參數(shù)和影響因素?cái)?shù)據(jù)，所述目標(biāo)參數(shù)為k1,ip,lv、k2,ip,lv、ipset、k1,iq,lv、k2,iq,lv和iqset，所述影響因素包括電壓跌落深度ut、功率因數(shù)pf、電壓u、電流i、有功功率p和無功功率q；

39、步驟s22，數(shù)據(jù)預(yù)處理：將收集到的數(shù)據(jù)作歸一化和標(biāo)準(zhǔn)化處理：

40、

41、式中，bi和bi為歸一化前和歸一化后的特征值；μ為均值，σ為標(biāo)準(zhǔn)差；

42、步驟s23，定義目標(biāo)函數(shù)f(x)，其中，利用svm回歸算法進(jìn)行特征映射：

43、f(x)＝w·φ(x)+b

44、其中，f(x)是預(yù)測的參數(shù)值；w是權(quán)重向量；b是偏置項(xiàng)；φ(x)是特征映射函數(shù)，用于將輸入特征映射到高維特征空間，采用徑向基函數(shù)rbf作為特征映射函數(shù)φ(x)進(jìn)行映射：

45、k(x,x′)＝exp(-γ||x-x′||2)

46、其中，γ是核函數(shù)參數(shù)，k(x,x')為核函數(shù)；

47、步驟s24，參數(shù)調(diào)整：利用平方損失函數(shù)進(jìn)行模型參數(shù)調(diào)整，得出svr模型參數(shù)：

48、

49、式中，c是正則化參數(shù)；∈i是松弛變量；w是svr模型的權(quán)重，是損失函數(shù)；n為數(shù)據(jù)庫長度；

50、步驟s25，模型訓(xùn)練：使用選定的核函數(shù)和調(diào)整好的svr模型參數(shù)，訓(xùn)練svm回歸模型；

51、步驟s26，模型驗(yàn)證：使用測試數(shù)據(jù)集來驗(yàn)證模型的預(yù)測性能，通過計(jì)算模型的預(yù)測誤差、決定系數(shù)r2、均方誤差mse指標(biāo)確定模型是否訓(xùn)練完畢；

52、步驟s27，模型應(yīng)用：將訓(xùn)練好的svm回歸模型應(yīng)用于新數(shù)據(jù)，預(yù)測目標(biāo)參數(shù)。

53、較優(yōu)地，所述步驟s3采用gsa算法對直驅(qū)風(fēng)機(jī)lvrt控制模式和控制參數(shù)進(jìn)行辨識包括：

54、步驟s31，識別出最優(yōu)的lvrt控制參數(shù)；

55、步驟s32，將所述最優(yōu)的lvrt控制參數(shù)中kp,lvrt、pset,lv、kq,lvrt和qset,lv代入所述直驅(qū)風(fēng)機(jī)數(shù)學(xué)模型并按照指定功率控制模式執(zhí)行，計(jì)算出指定功率誤差fpq；

56、步驟s33，將所述最優(yōu)的lvrt控制參數(shù)中k1,ip,lv、k2,ip,lv、ipset、k1,iq,lv、k2,iq,lv和iqset代入所述直驅(qū)風(fēng)機(jī)數(shù)學(xué)模型并按照指定電流控制模式執(zhí)行，計(jì)算出指定電流誤差f1；

57、步驟s34，判斷是否fpq＜f1，若是，則辨識結(jié)果為指定功率控制模式、所應(yīng)選用的參數(shù)為kp,lvrt、pset,lv、kq,lvrt和qset,lv；若否，則繼續(xù)執(zhí)行步驟s35；

58、步驟s35，判斷所述最優(yōu)的lvrt控制參數(shù)是否同時滿足k1,ip,lv≈0、k2,ip,lv≈1、ipset≈0，若是，則辨識結(jié)果為基于穿越前電流的控制模式、所應(yīng)選用的參數(shù)為k1,ip,lv、k2,ip,lv、ipset、k1,iq,lv、k2,iq,lv和iqse；若是，則辨識結(jié)果為指定電流控制模式、所應(yīng)選用的參數(shù)為k1,ip,lv、k2,ip,lv、ipset、k1,iq,lv、k2,iq,lv和iqse。

59、較優(yōu)地，所述步驟s31包括：

60、步驟s311，初始化：隨機(jī)生成數(shù)量為n的天體，每個天體代表一組lvrt控制參數(shù)；初始化算法的各個參數(shù)；

61、步驟s312，計(jì)算適應(yīng)度：對每個天體計(jì)算適應(yīng)度fi(k)：

62、

63、式中，i代表天體；nastart表示初始計(jì)數(shù)；naend表示結(jié)束計(jì)數(shù)，naend∈[1,n]；ui、ii、pi和qi為執(zhí)行第i組lvrt控制參數(shù)時所對應(yīng)的機(jī)端電壓、電流、有功功率、無功功率；

64、步驟s313，更新天體質(zhì)量：根據(jù)適應(yīng)度更新每個天體的質(zhì)量mi，適應(yīng)度越高，質(zhì)量越大：

65、

66、式中，m0是初始質(zhì)量，fi是第i個天體的適應(yīng)度，fmin和fmax分別是適應(yīng)度的最小值和最大值；

67、步驟s314，計(jì)算引力和加速度：對于每一對天體，根據(jù)它們之間的質(zhì)量差異和距離，計(jì)算相互之間的引力，并根據(jù)引力計(jì)算加速度：

68、

69、式中，yij是第i個和第j個天體之間的引力，g是引力常數(shù)，rij是兩個天體之間的距離，其中ai是第i個天體的加速度；

70、步驟s315，更新位置：根據(jù)加速度和速度更新每個天體的位置，即lvrt控制參數(shù)：

71、ri(t+1)＝ri(t)+vi(t)+ai(t)

72、式中，ri(t)是第i個天體在時間t的位置，vi(t)是速度；

73、步驟s316，速度更新：根據(jù)算法規(guī)則更新速度和加速度，同時設(shè)定速度最大值和加速度最大值：

74、vi(t+1)＝vi(t)+ai(t)

75、步驟s317，檢查收斂條件：如果達(dá)到最大迭代次數(shù)或滿足誤差需求，則算法結(jié)束；所述誤差需求是指u、i、p和q的誤差之和不高于誤差閾值；

76、步驟s318，選擇最優(yōu)解：選擇適應(yīng)度值最小的天體作為所述最優(yōu)的lvrt控制參數(shù)。

77、由上述技術(shù)方案可知，本發(fā)明實(shí)施例提供的一種基于引力搜索算法的直驅(qū)風(fēng)機(jī)結(jié)構(gòu)化辨識方法及系統(tǒng)。首先基于直驅(qū)風(fēng)機(jī)數(shù)學(xué)模型的控制結(jié)構(gòu)，確定出lvrt控制策略中各lvrt控制模式需要辨識的控制參數(shù)；采用svr算法對直驅(qū)風(fēng)機(jī)原始數(shù)據(jù)集進(jìn)行訓(xùn)練，得到個體初值和尋優(yōu)范圍；基于選定的lvrt控制模式，采用gsa算法對lvrt控制模式所對應(yīng)的參數(shù)進(jìn)行辨識，得出最優(yōu)的lvrt控制參數(shù)。本發(fā)明以直驅(qū)風(fēng)機(jī)為研究對象，針對傳統(tǒng)智能算法易陷入局部最優(yōu)的缺陷，在種群初始化前通過svr出待辨識參數(shù)初步結(jié)果，并以此為依據(jù)設(shè)置個體初值，縮小尋優(yōu)范圍，再引入gsa算法在位置更新階段基于物體間引力和質(zhì)量的優(yōu)化算法，模擬物體在引力場中的運(yùn)動過程來搜索最優(yōu)解，提高算法的局部尋優(yōu)能力。