一種風電機組參數辨識方法
【技術領域】
[0001 ] 本發(fā)明涉及風力發(fā)電技術領域，具體地，涉及一種風電機組參數辨識方法。
【背景技術】
[0002]隨著風電技術的迅速發(fā)展，我國風電的裝機容量迅速增加，如今已經躍居世界第一位。風電在我國發(fā)電總量中比重的增加，使得風電并網后對電力系統安全穩(wěn)定運行和電能質量的影響也越來越突出。為了提高風電機組的可靠性，保證風電機組并網后電網的可靠運行，要研究大規(guī)模風電接入對電網的具體影響及解決措施，就必須有準確的風機及風電場模型和參數，因此就提出了對風電機組模型進行參數辨識的要求。
[0003]構建風電機組模型，首先需要對風電機組的各項具體參數進行辨識。風電機組部分參數由廠家提供，但是對于其他參數廠家并未明確給出。根據電力系統大電網建設的需求，需要建立風電機組模型，因此需要對風電機組進行參數辨識。
[0004]風電機組的參數辨識過程是指在風機仿真軟件中選用適當的模型描述風電機組的各種元件特性以及各項參數，其中各項參數的初始值為任意確定值，然后通過實驗模擬給該選用的模型施加擾動，得到擾動下的仿真數據曲線，將該仿真數據曲線與實際中風電機組的低電壓穿越測試錄波數據曲線或電網擾動后錄波數據曲線進行對比，整個過程中通過不斷修改各項參數的數值使仿真數據曲線與實際的低電壓穿越測試錄波數據曲線或電網擾動后錄波數據曲線達到最大限度的重合，最終各項參數的數值即為參數辨識結果。
[0005]上述風電機組的參數辨識過程一般采用遺傳算法進行各項參數數值的修改。遺傳算法是采用類似自然界生物遺傳的方法，通過模擬自然界對生物的選擇，產生適者生存、優(yōu)勝劣汰的效果，進而實現優(yōu)化。
[0006]傳統的遺傳算法操作流程是先對風電機組參數數值進行二進制編碼形成基因，隨后利用基因形成個體，再由個體組成種群；之后制定相應的適應度函數和評價函數對種群的基因進行函數值計算；計算完成后選擇當代中適應度最高的個體作為最優(yōu)個體保存起來，以后歷代都會有相應的最優(yōu)個體篩選保存機制，當代最優(yōu)基因與上代最優(yōu)基因進行對t匕，兩者中更優(yōu)者被保存；過程中不斷對當代個體基因進行交叉、復制、變異等遺傳操作產生新一代個體，直至達到優(yōu)化目標或終止條件，迭代結束后，輸出存儲的最優(yōu)個體。由于遺傳算法可以很好地避免非線性環(huán)節(jié)對風電機組參數辨識過程的影響，因此得到了廣泛應用。
[0007]但遺傳算法的種群數目一般比較龐大，適應度函數和評價函數的復雜程度與計算執(zhí)行時間有直接關系，種群個體數量達到一定值時，一代種群的適應度函數值和評價函數值的計算可能會可提升至秒級甚至分鐘級，這樣重復地進行幾百代甚至幾千代的函數值計算，流程執(zhí)行過程會因適應度函數和評價函數復雜和參數數量眾多而使得函數的計算過程耗時巨大，加之遺傳算法中各代基因出現相同的可能性非常大，傳統遺傳算法對重復出現的個體沒有甄別機制，仍會采取重復計算的方式來獲得其適應度和評價函數值，從而導致計算過程冗余度高，參數辨識的效率低。

【發(fā)明內容】

[0008]本發(fā)明的主要目的在于提供一種風電機組參數辨識方法，以解決現有的利用遺傳算法進行風電機組參數辨識的方法存在計算過程冗余度高、參數辨識效率低的問題。
[0009]為了實現上述目的，本發(fā)明提供一種風電機組參數辨識方法，包括:
[0010]步驟A，在時域仿真軟件中選取與待測風電機組的元件特性及參數相匹配的風電機組模型；
[0011]步驟B，對各項參數進行二進制編碼，得到所述各項參數對應的基因序列區(qū)間；
[0012]步驟C，基于所述基因序列區(qū)間隨機生成多個個體作為初始種群；
[0013]步驟D，計算當前種群中每個個體的適應度和評價函數值，將當前種群的所有個體及其適應度和評價函數值存入第一存儲單元，并將當前種群的最大適應度與第二存儲單元存儲的最優(yōu)個體的適應度進行比較，若當前種群的最大適應度大于所述第二存儲單元存儲的最優(yōu)個體的適應度，則將所述第二存儲單元存儲的最優(yōu)個體更新為當前種群的最大適應度所對應的個體，執(zhí)行復制、交叉和變異三種遺傳操作更新當前種群之后重復執(zhí)行步驟D，直到滿足終止條件；其中，步驟D第一次執(zhí)行時，當前種群為所述初始種群，所述第二存儲單元存儲的最優(yōu)個體為所述初始種群的最大適應度所對應的個體；
[0014]步驟E，將所述第二存儲單元存儲的最優(yōu)個體的基因序列確定為所述待測風電機組的參數辨識結果；
[0015]所述步驟D中所述的計算當前種群中每個個體的適應度和評價函數值，具體包括:
[0016]針對當前種群中的每一個個體，查找所述第一存儲單元中是否存在與該個體具有相同基因序列的個體；若有，則將該個體確定為重復個體，否則，將該個體確定為新個體；
[0017]對于每一個重復個體，直接從所述第一存儲單元中讀取該重復個體的適應度；
[0018]對于每一個新個體，將該新個體的基因序列作為風電機組模型的參數值輸入至所述時域仿真軟件中，同時利用所述時域仿真軟件對所述風電機組模型施加故障擾動以得到仿真數據曲線，將所述仿真數據曲線與所述待測風電機組的實際故障錄波數據曲線的偏差確定為該新個體的評價函數值；結合從所述第一存儲單元中讀取所有重復個體的評價函數值，得到當前種群中所有個體的評價函數值，然后確定當前種群中所有個體的評價函數值的最大值；將該新個體的適應度確定為所述評價函數值的最大值與該新個體的評價函數值之差的絕對值。
[0019]借助于上述技術方案，本發(fā)明在利用遺傳算法進行風電機組參數辨識的過程中，將計算得到的每一個個體的基因序列及其適應度存入第一存儲單元，并在后續(xù)計算個體的適應度時先判斷第一存儲單元中是否已經存儲有具有相同基因序列的重復個體，若有，則直接讀取適應度即可，不必再進行計算，否則再進行計算，相比于現有技術，本發(fā)明在遺傳算法中增加了甄別個體是否重復出現的機制，由于對重復出現的個體不必再重復計算適應度，因此可顯著降低計算冗余度，大大提高參數辨識效率，節(jié)省參數辨識時間。
[0020]相應的，本發(fā)明還提供一種風電機組參數辨識方法，包括:
[0021]在時域仿真軟件中選取與待測風電機組的元件特性及參數相匹配的風電機組模型；
[0022]對所述待測風電機組的電網故障階段、功率恢復階段和狀態(tài)恢復階段分別進行參數辨識；其中，所述電網故障階段、功率恢復階段和狀態(tài)恢復階段為預先對所述待測風電機組的實際故障錄波數據曲線在時域下進行劃分得到；所述電網故障階段起始于所述實際故障錄波數據曲線中電壓階躍式降低的時刻，終止于電壓階躍式回升的時刻；所述功率恢復階段起始于所述實際故障錄波數據曲線中電壓階躍式回升的時刻，終止于功率第一次回升至原始功率值的時刻；所述狀態(tài)恢復階段起始于所述實際故障錄波數據曲線中電壓階躍式回升的時刻，終止于功率穩(wěn)定于原始功率值的時刻；
[0023]將所述電網故障階段、功率恢復階段和狀態(tài)恢復階段的參數辨識結果合并在一起，確定為所述待測風電機組的參數辨識結果；
[0024]其中，對所述待測風電機組的電網故障階段、功率恢復階段和狀態(tài)恢復階段分別進行參數辨識，具體包括對所述電網故障階段、功率恢復階段和狀態(tài)恢復階段中的每一階段，均執(zhí)行如下步驟:
[0025]步驟A，確定該階段涉及的各項參數，為該階段分配一第一存儲單元和一第二存儲單元；
[0026]步驟B，對該階段涉及的所述各項參數進行二進制編碼，得到所述各項參數對應的基因序列區(qū)間；
[0027]步驟C，基于所述基因序列區(qū)間隨機生成多個個體作為初始種群；
[0028]步驟D，計算當前種群中每個個體的適應度和評價函數值，將當前種群的所有個體及其適應度和評價函數值存入該階段對應的第一存儲單元，并將當前種群的最大適應度與該階段對應的第二存儲單元存儲的最優(yōu)個體的適應度進行比較，若當前種群的最大適應度大于所述第二存儲單元存儲的最優(yōu)個體的適應度，則將所述第二存儲單元存儲的最優(yōu)個體更新為當前種群的最大適應度所對應的個體，執(zhí)行復制、交叉和變異三種遺傳操作更新當前種群之后重復執(zhí)行該步驟D，直到滿足終止條件；其中，步驟D第一次執(zhí)行時，當前種群為所述初始種群，所述第二存儲單元存儲的最優(yōu)個體為所述初始種群的最大適應度所對應的個體；
[0029]步驟E，將所述第二存儲單元存儲的最優(yōu)個體的基因序列確定為該階段的參數辨識結果；
[0030]所述步驟D中所述的計算當前種群中每個個體的適應度和評價函數值，具體包括:
[0031]針對當前種群中的每一個個體，查找該階段對應的第一存儲單元中是否存在與該個體具有相同基因序列的個體；若有，則將該個體確定為重復個體，否則，將該個體確定為新個體；
[0032]對于每一個重復個體，直接從所述第一存儲單元中讀取該重復個體的適應度；
[0033]對于每一個新個體，將該新個體的基因序列作為風電機組模型的參數值輸入至所述時域仿真軟件中，同時利用所述時域仿真軟件對所述風電機組模型施加故障擾動以得到仿真數據曲線，將所述仿真數據曲線與該階段對應的所述實際故障錄波數據曲線部分的偏差確定為該新個體的評價函數值；結合從所述第一存儲單元中讀取所有重復個體的評價函數值，得到當前種群中所有個體的評價函數值，然后確定當前種群中所有個體的評價函數值的最大值；將該新個體的適應度確定為