【异步风力发电机参数的辨识方法探究7000字（论文）】

异步风力发电机参数的辨识方法研究摘要在传统煤炭石油资源日渐短缺和环境保护要求日益提高的今天，人们对新能源不断的发展和利用，风能已成为新能源领域中可开发利用水平最高，最具商业化发展的新型清洁能源。随着风电机组装机容量的不断扩大，其运行状况对电网运行的稳定性和可靠性影响也越来越大，不仅对电力系统的频率、电压和波形产生干扰，而且直接影响了电力系统调度。所以，获取准确的风力发电机参数有助于电力调度部门统筹安排调度计划，对研究大规模风电接入的影响和电力系统实时潮流计算等有着重要意义。针对实际运行中的双馈异步风力发电机参数难以直接测量的问题，本文以甘肃某风电场1MW双馈异步风力发电机为研究对象，分别采用带遗忘因子的递推最小二乘法、模型参考自适应法和模拟退火粒子群优化算法来进行参数辨识，然后以辨识精度最高的算法辨识得到的发电机参数作为参数评估的依据，采用基于数学模型的方法对辨识得到的参数进行评估研究。关键词：异步电机；风力发电；电力参数；监测目录TOC\o"1-3"\h\u175271引言 1172792异步风力发电机 1320752.1异步风力发电机的工作原理 1265402.2异步风力发电机参数可辨识性分析 4276323异步风力发电机参数的辨识方法 5135333.1最小二乘法 5146173.1.1最小二乘法原理 5119843.1.2带遗忘因子的递推最小二乘法 6102613.2基于FFRLS的双馈异步风力发电机参数辨识 7184263.2.1电气参数辨识模型 7134123.2.2仿真分析 8320713.3基于MRAS的双馈异步风力发电机参数辨识 11248073.4算例分析 122864结束语 1428006参考文献 151引言近些年来，随着经济的不断增长，传统化石能源消耗快速，大量的二氧化碳和烟尘排放造成严重的环境污染、全球气候变暖等一系列问题，导致生态环境严重恶化，而且过快的化石能源消耗将造成资源枯竭，加之化石能源不可再生。为了应对日渐短缺的化石能源和环境保护的双重压力，很多国家已经开始了新能源方面的研究。早在19世纪末，丹麦建立了世界上第一个风力发电装置，风能的利用逐渐引起人们的关注。九十年代以来，美国、法国、德国、丹麦等一些发达国家率先开展了风力发电技术的研究，使世界风力发电技术取得了突飞猛进的发展。风能作为一种能够替代传统化石燃料可再生绿色环保能源，成为新能源利用中最具竞争力的重要资源。目前，风力发电机的设计、制造技术已经趋向成熟，产品进入商品化阶段，发电成本竞争力也越来越强，风力发电已经成为世界上增长速度最快的新型清洁能源发电。我国幅员辽阔，是世界上风力资源占有率最高的国家，风力发电与火力发电和水力发电相比，具有建造成本低、可分散建设的优点，作为人口大国和资源相对缺乏的国家，我国适合大规模的发展风力发电。近几年来，全国各地不断扩大风电市场规模，作为可再生能源发电的风力发电，优势逐渐显现出来。据《中国风电发展报告2010》预测：2020年，中国风电累计装机可以达到2.3亿千瓦，相当于13个三峡电站；总发电量可以达到4696亿千瓦时，相当于取代200个火电厂。目前，风力发电技术已经比较成熟，装机容量和发电量日益扩大，随着国家对能源需求和环保力度的不断加大，我国风力发电产业的发展势头迅猛。图1.1为2001年到2014年中国风电装机容量对比图，据中国风能协会的统计数据显示：截止2014年底，中国全年风力发电新增装机达2335.05万千瓦，同比增长45.1%，累计装机容量达到1.1476339亿千瓦，新增装机容量和累计装机容量两项数据均居世界第一，从中国的资源结构来看，风力发电成为火力发电和水力发电之后的第三大发电能源。2异步风力发电机2.1异步风力发电机的工作原理作为目前应用最广泛的风力发电机型，双馈异步风力发电机组具有以下特点：从结构看，双馈异步风力发电机易于安装，结构简单，可维护性好，与同步风力发电机相比，重量和体积大大减小。双馈异步风力发电机的制造技术成熟，国内风电场采用的大多数兆瓦级风力发电机均为双馈异步风力发电机，市场认可度高。由于变频器容量仅为双馈异步风力发电机额定容量的1/4到1/3，变频器的成本价格比全功率变频器低30%左右，所以双馈异步风力发电机组的价格更低。在稳态运行情况下，当定子绕组施加三相电压时，转子绕组会产生三相电流，定子绕组和转子绕组间的气隙会产生一个以同步转速1n旋转的磁场，有如下关系式：其中，f1是电网频率；p是发电机的极对数。在转子中通入频率为f2的电流时，转子本身的速度n2同频率f2间的关系为：（2-1）由式2.1可以看出，只要改变通入转子绕组的电流频率f2，就可以改变转子的转速n2，而且改变通入转子绕组电流的相序，就可以改变旋转磁场的转向。双馈异步风力发电机的同步转速n1是频率为50Hz时的旋转磁场转速，n为转子速度，只要维持，就能使定子绕组的感应电势频率始终保持为50Hz。由等式可得异步风力发电机的转差率s为：则通入转子三相绕组的电流频率f2为：（2-2）式2.2表明，只要通入转差频率为f1s的电流，定子三相绕组中就能产生50Hz的恒频电势。因此，只要控制流入转子绕组的电流频率，就可以实现变速恒频发电。双馈异步风力发电机的运行原理图如图2.1所示，根据转子速度的变化，得到双馈异步风力发电机的三种运行状态：欠同步运行：发电机的转速n小于同步转速n1，旋转磁场转速n2与转子转速方向相同，。同步运行：n=n1，转差频率f2=0，此时通入转子绕组的是直流电流。超同步运行：发电机的转速n大于同步转速n1，改变通入转子绕组中电流的相序，使旋转磁场的转速n2与转子的转速n方向相反，。图2.1双馈异步风力发电机运行原理图双馈异步风力发电机实质上是一种绕线式感应发电机，可以依据感应发电机的T型等值电路进行推导，得出双馈异步风力发电机的T型等值电路模型。在实际运行时，双馈异步风力发电机的定转子绕组匝数不同，需要将转子侧绕组的参数归算到定子侧。归算前，双馈异步风力发电机的等效电路如图2.2所示。定子侧电压电流的正方向按照发电机惯例，转子侧电压电流的正方向按电动机惯例。图2.2双馈异步风力发电机的T型等值电路由图2.2可以得到归算前的方程为：其中，Rs是定子电阻；Rr是转子电阻；Lls是定子漏感；Llr是转子漏感。将图2.2所示的等效电路中的转子侧归算到定子侧，使归算前后的转子功率保持不变，等效电路如图2.3所示。图2.3归算后的等效T型等值电路图由图2.3可得归算后的双馈异步风力发电机的方程为：通常情况下，短路实验和空载实验等参数测量方法都是基于T型等值电路来进行参数估计，利用双馈异步风力发电机的T型等值电路，适合进行粗略的参数估计，不适于精确的参数辨识。2.2异步风力发电机参数可辨识性分析异步风力发电机的参数可辨识性是指根据风电场实际测量的数据能否获得数学模型中待辨识参数的解。双馈异步风力发电机在实际运行中由于受到外界的影响，运行状况不断变化，采用解析法分析复杂的非线性模型，确定其参数是否可辨识很有难度。因此，对数学模型进行线性化处理来确定模型参数的可辨识性。用状态方程来表示双馈异步风力发电机的数学模型，然后将数学模型变换成Laplace传递函数的形式，根据风电场的实际测量数据分析参数的可辨识性。异步风力发电机的数学模型整理成状态方程为：对上式进行Laplace变换，得到：对应的传递函数为：传递函数系数矩阵为：基于双馈异步风力发电机的数学模型，根据输入输出的测量数据获得唯一的传递函数G(s)，得到传递函数中s的各次系数，来分析双馈异步风力发电机中参数的可辨识性。取传递函数中矩阵元素的系数M构成待辨识参数方程，通过求解有效方程组可获取双馈异步风力发电机的待辨识参数。分析结果表明，除了Ls和Lr不能独立唯一辨识出来，其他参数均能唯一辨识。在介绍双馈异步风力发电机特点及工作原理的基础上推导T型等值电路，然后详细介绍双馈异步风力发电机在三相静止和两相旋转坐标系下的数学模型，最后分析双馈异步风力发电机的参数可辨识性，为下文用不同方法进行参数辨识做出铺垫。3异步风力发电机参数的辨识方法3.1最小二乘法19世纪初期，科学家勒让德和高斯为最小二乘法的创立及发展作出了杰出的贡献。最小二乘法的目标是通过最小误差的平方和来寻找数据间的匹配程度，作为一种数学计算工具，通过大量的数据观测获得最佳结果或最可能表现形式。最小二乘法的思想是使观测值和估计值之差的平方和达到最小，建立一种平衡关系，防止极端误差的出现，使得到的估计值和观测值相近，有助于使系统的估计值更接近真实的状态。3.1.1最小二乘法原理系统在运行的过程中，每隔一段固定时间取得一组观测数据，就会在前一组数据估计的基础上，根据算法对结果进行修正，得出当前新的参数估计值。随着新观测数据的积累，不断的对参数估计进行修正来减少误差，直至达到满意的精确程度。假设系统为差分方程：其中，x(k)、y(k)为测量值的输入和输出；p1…pna，q1…qnb为待辨识参数。考虑噪声的影响，设输出的观测值为y(k)，则有：若已知N组输入输出数据，则观测方程为：将上式化为最小二乘法的标准形式为：设待辨识参数的估计值为，则系统输出的估计值为：将上式作差，得到：J是的二次函数。可知当非奇异时，求得极小值为：当只有一个局部最小值时，得到待辨识参数唯一的最小二乘估计。最小二乘法就是将待辨识系统模型转化成形如式3.6的标准型式，使目标函数取得最小值，从而得到待辨识参数的估计值。3.1.2带遗忘因子的递推最小二乘法最小二乘法对采集到的数据进行一次性运算，观测数据越多，计算精度就越高，但是需要较大的数据存储空间，适合离线的参数辨识，对于在线参数辨识来说，有一定的缺陷。于是首先引出了递推最小二乘法，通过迭代公式对新观测的数据进行修正，计算得到当前新的参数估计，这样就大大减少了数据的存储和计算量，成为一种实用的在线辨识方法。当差分方程增加一组观测数据时，和都增加一行。将采集到的观测数据代入迭代公式，反复迭代后得到待辨识参数的递推最小二乘估计值。由于双馈异步风力发电机的运行环境和状态实时变化，采用递推最小二乘法进行参数辨识时，随着观测数据的增加，迭代公式中的NG和NK会变得越来越小，使新采集的观测数据对待辨识参数值起不到更新作用，待辨识参数可能会出现饱和而达不到精度。为了弥补递推最小二乘法在这方面的局限，我们在用递推最小二乘法进行双馈异步风力发电机在线辨识时引入遗忘因子λ。在观测数据中加入遗忘因子λ，则有：通过遗忘因子l的衰减作用对不同时刻的观测数据进行加权，增强了新观测数据对辨识参数的更新，所以，针对双馈异步风力发电机的运行环境和状态的实时变化，我们用FFRLS算法进行双馈异步风力发电机在线辨识。3.2基于FFRLS的双馈异步风力发电机参数辨识双馈异步风力发电机在实际运行时，发电机参数是时变的；虽然双馈异步风力发电机是非线性的，但是对于待辨识的发电机参数来说，其数学模型能推导成最小二乘形式。通过上一节的分析，我们采用基于FFRLS算法进行待辨识参数的估计。FFRLS算法的辨识框图如图3.1所示。3.2.1电气参数辨识模型双馈异步风力发电机主要的待辨识电气参数有5个：Rs、Rr、Ls、Lr和Lm。由图3.1可以看出基于FFRLS算法的电机参数辨识步骤，通过迭代运算得到辨识参数的最优值。定子侧采取发电机惯例、转子侧采取电动机惯例，定子电流以流出为正，转子电流以流入为正，将两相旋转坐标系下的数学模型重写如下。电压方程为：图3.1FFRLS算法辨识框图3.2.2仿真分析(1)仿真数据以甘肃某风电场1.5MW双馈异步风力发电机组实测数据为例进行仿真，该风电场自运营起记录的数据有实时风速，发电机组的转速，电压，电流以及输出功率值等。选择2013年4月至8月记录的双馈异步风力发电机组数据为样本集，时间间隔10min采样记录一次，随机选取切入风速3.5m/s、8m/s和额定风速12.5m/s下的采样数据进行仿真验证，基于MATLAB建立仿真模型，FFRLS算法的迭代次数设计为100次，遗忘因子λ为0.98，对双馈异步风力发电机进行参数辨识，得到三种不同风速下的参数辨识结果对比。仿真结果分析切入风速3.5m/s时的参数在线辨识结果如图3.2所示。图3.2切入风速3.5m/s时的辨识结果风速为8m/s时的参数在线辨识结果如图3.3所示。图3.3风速为8m/s时的辨识结果图3.2(a)、图3.2(b)、图3.2(c)、图3.2(d)、图3.2(e)和图3.2(f)是风速为3m/s下的双馈异步风力发电机参数辨识结果，图3.3(a)、图3.3(b)、图3.3(c)、图3.3(d)、图3.3(e)和图3.3(f)是风速为8m/s下的双馈异步风力发电机参数辨识结果，图3.4(a)、图3.4(b)、图3.4(c)、图3.4(d)、图3.4(e)和图3.4(f)是风速为12.5m/s下的双馈异步风力发电机参数辨识结果。从图3.2、图3.3、图3.4可以看出，参数值的变化很小，随着风速的增大，参数值有变大的趋势。额定风速12.5m/s时的参数在线辨识结果如图3.4所示。图3.4额定风速12.5m/s下的辨识结果三种不同风速下基于FFRLS辨识得到的双馈异步风力发电机参数结果对比如表3.1所示。表3.1不同风速下基于FFRLS辨识得到的参数结果对比从表3.1中可以看出，基于FFRLS算法辨识得到的双馈异步风力发电机参数有随风速增大而变大的趋势，但是与实际值相比较误差较大，主要原因是由于在搭建数学模型时采用了稳态下的数学模型，没有反映出双馈异步风力发电机的暂态特性。所以，为了得到更加准确的辨识结果，引入模型参考自适应法对双馈异步风力发电机进行参数辨识，与FFRLS算法辨识得到的参数进行对比。3.3基于MRAS的双馈异步风力发电机参数辨识模型参考自适应系统是指包含有理想系统模型并可以根据工作状态自行调整参数的适应控制系统。最初是为设计飞机自动驾驶仪提出的，随着智能控制技术的发展，模型参考自适应系统的应用已经成熟。目前，模型参考自适应控制技术已经在特种汽车无人驾驶系统、无人飞机自动驾驶系统和机械手控制系统等方面得到应用。模型参考自适应系统框图如图3.5所示。图3.5模型参考自适应系统框图将图3.5所示的MRAS(ModelReferenceAdaptiveSystem,模型参考自适应)原理应用于双馈异步风力发电机的参数辨识中，以实际运行的双馈异步风力发电机作为参考模型，双馈异步风力发电机的状态观测方程作为可调模型，可测量作为估计偏差，以此来调整可调模型中的待辨识参数值，最终达到辨识发电机参数的目的。基于MRAS的双馈异步风力发电机参数辨识框图如图3.6所示。由图3.6可以看出，若已知双馈异步风力发电机的端电压（输入）和发电机转速，则双馈异步风力发电机的电流（输出）可以根据状态方程计算出来。由于双馈异步风力发电机的参数在运行的过程中会受到温度、磁路饱和及集肤效应等的影响而发生缓慢的改变，造成观测的输出电流和实际的输出电流发生偏差，所以运行过程中，以双馈异步风力发电机作为参考模型，以观测方程作为可调系统建立一个模型参考自适应系统，利用电流的估计偏差来实时调整模型中使用的发电机参数，使电流偏差逐渐收敛到零，达到参数辨识的目的。图3.6双馈异步风力发电机参数辨识框图3.4算例分析以2013年5月记录的双馈异步风力发电机组实测数据为样本集，从中取风速为3.5m/s、风速为8m/s和额定风速12.5m/s下的各100组实测数据进行仿真分析。首先依据采集到的实测数据通过SA-PSO算法得到辨识参数，然后将辨识得到的发电机参数带入公式得到发电机的电压值，再将得到的电压值带入公式得到计算功率值，基于MATLAB建立仿真模型，然后对实测功率和计算功率曲线进行仿真验证。不同风速下的仿真曲线图如图3.7、图3.8和图3.9所示。图3.73.5m/s风速下的实测功率和计算功率仿真曲线图图3.88m/s风速下的实测功率和计算功率仿真曲线图图3.912.5m/s风速下的实测功率和计算功率仿真曲线图由图3.7、图3.8和图3.9可以看出，计算功率值曲线和实测功率值曲线拟合度高。不同风速下的误差对比如表3.2所示，不同风速下的误差曲线如图5.5、图5.6和图5.7所示。表3.2三种不同风速下的误差对比表风速残差相似度φ平均百分比误差e(%)3.5m/s0.98670.98678m/s0.98820.988212.5m/s0.99310.9931图3.103.5m/s风速下的功率误差曲线图图3.118m/s风速下的功率误差曲线图图3.1212.5m/s风速下的功率误差曲线图从表3.2可以看出，三种不同风速下有功功率值的残差相似度高且均达到98%以上，平均百分比误差值很小，反映出两条功率曲线间的误差很小。由图3.10、图3.11和图3.12所示的功率误差曲线图可以看出，计算功率值跟实测功率值曲线的误差很小、拟合度高，也进一步说明了基于SA-PSO算法辨识得到的参数值精度高，达到了参数评估的目的，对于电力系统调度评估发电机状态及电网潮流计算等都具有重要的实际意义。4结束语异步风力发电机参数在运行过程中由于受到温度、频率、噪声等外界因素而发生变化，对于电网运行的稳定性和可靠性造成很大的影响，不仅对电力系统的频率、电压、波形产生干扰，而且直接影响了电力系统调度。为了研究大规模风电接入对电网的影响及电力系统实时潮流计算等的要求，提出了基于FFRLS方法、MRAS法和SA-PSO算法的三种参数辨识方法，充分利用风电场实际采集的各种数据，从不同的角度出发对双馈异步风力发电机进行比较分析，最终得到精度最高的参数辨识结果。在此基础上，基于数学模型的方法对辨识得到的参数进行评估分析，通过比较双馈异步风力发电机的实际输