热门论文
最新论文
直驱发电系统模型参数智能辨识方法研究
发布时间：2022-11-22 10:49
目 录
摘 要 I
Abstract II
目 录 IV
第1 章 绪 论 1
1.1课题研究背景和意义 1
1.2国内外研究现状 2
1.2.1直驱发电系统建模研究现状 2
1.2.2直驱发电系统模型参数辨识研究现状 3
1.3本文的主要工作 4
第2 章 直驱发电系统数学模型及参数辨识介绍 6
2.1直驱发电机结构基本原理 6
2.2直驱式风电机组数学模型 6
2.2.1风速数学模型 6
2.2.2传动系统数学模型 7
2.2.3永磁直驱风力发电机数学模型 8
2.2.4变流器模型 9
2.3变流器控制策略 11
2.3.1发电机侧控制策略 12
2.3.2直流侧控制策略 13
2.3.3电网侧控制策略 14
2.4直驱发电系统模型参数辨识过程及辨识方法 15
2.4.1辨识基本过程 15
2.4.2辨识方法 16
2.5本章小结 16
第3 章 计及风速特性的直驱发电系统模型参数辨识 17
3.1差分算法及其改进 17
3.1.1基本差分算法 17
3.1.2改进差分算法 18
3.1.3改进差分算法性能测试 19
3.2直驱发电系统模型待辨识参数分析 20
3.3直驱发电系统辨识算法局限性 21
3.3.1灵敏度分析简介 21
IV
3.3.2传统辨识算法局限 22
3.4计及风速特性直驱发电系统参数辨识方法研究 22
3.4.1计及风速特性辨识方法原理 23
3.4.2模型参数辨识步骤 23
3.4.2.1低风速模型参数辨识方法 23
3.4.2.2高风速模型参数辨识方法 24
3.4.2.3全风速直驱发电系统模型参数辨识算法 25
3.5模型参数智能辨识流程 26
3.6本章小结 27
第4 章 考虑恢复暂态直驱发电系统低电压穿越模型辨识方法 28
4.1引言 28
4.2直驱发电系统低电压穿越模型 28
4.2.1直驱发电系统低电压穿越模型控制策略 28
4.2.2考虑恢复暂态直驱发电系统低电压穿越模型 29
4.3低电压穿越模型辨识参数耦合问题 30
4.3.1恢复暂态参数对输出特性的影响 30
432 PI控制参数对输出特性的影响 32
433直驱发电系统LVRT模型参数辨识耦合问题 33
4.4直驱发电系统低电压穿越模型参数解耦辨识 34
4.4.1直驱发电系统内环PI参数辨识算法 34
4.4.2直驱发电系统LVRT参数辨识算法 35
4.5直驱发电系统低电压穿越模型参数解耦辨识流程 36
4.6本章小结 38
第5章 直驱发电系统模型参数辨识平台设计与仿真分析 39
5.1直驱发电系统模型参数辨识平台设计 39
5.1.1用户可视化界面搭建 39
5.1.2辨识算例 40
5.2直驱发电系统模型参数辨识平台算例分析 41
5.2.1传统分步辨识算法效果验证 41
5.2.1.1风速稳定下传统分步辨识算法 41
5.2.1.2风速随机波动下传统分步辨识算法 42
5.2.2计及风速特性辨识算法验证 42
5.3直驱发电系统低电压穿越模型参数辨识算例分析 44
5.3.1传统辨识方法效果验证 45
5.3.2直驱发电系统低电压穿越模型参数解耦辨识方法效果验证 46
V
5.3.3直驱发电系统低电压穿越模型参数解耦辨识方法稳定性验证 49
5.4本章小结 50
结 论 51
参考文献 52
攻读硕士学位期间发表的论文及其它成果 56
东北电力大学学位论文原创性声明和使用权限 57
《中国优秀博硕士学位论文全文数据库》和《中国学位论文全文数据库》投稿声明 58
致 谢 59
VI
第 1 章 绪 论
1.1课题研究背景和意义
20 世纪 70 年代以来，全球气候变化以及能源短缺等问题逐渐成为全人类共同面临的 问题，主要发达国家开始重视新能源发电技术的发展，并在世界各地形成了一定的规模， 成为常规能源发电的一种替代能源［1］。目前，我国正处于发展转型时期，同时也是世界上 最大的发展中国家之一，为世界提供工业品以及基本必需品，所以我国能源消耗逐年增加， 碳排放也是逐年增加，2021 年随着煤炭价格大幅上涨，全国各地更是出现了“限电”情况
［2］，因此我国亟需减少依赖传统化石能源进口，大力发展新能源。2020年9月22日， 习 近平总书记在第75 届联合国大会上提出：“中国将提高国家自主贡献力度，采取更加有力 的政策和措施，二氧化碳排放力争于2030 年前达到峰值，努力争取2060 年前实现碳中和。
得益于技术进步和商业模式创新，新能源发展速度加快，其中风能作为新能源的一部 分，以其分布广泛，蕴藏量丰富的特点，风力发电行业正在快速发展，根据全球风力发展 报告数据显示，累计装机容量从2015年433GW上升至2020年的742GW,同时全球风电 新增装机容量快速上升，新增装机容量从2015年的63.8GW上升到2020年的93GW，2020 年新增装机容量同比增长了52.9%。表1-1 所示为2015年-2020年全球风力发电发展情况 。
表 1-1 2015 年 -2020 年全球风力发电发展数据
年份 新增装机容量
(GW) 增长率 累计装机容量
(GW) 增长率
2015 63.8 433
2016 54.9 487 12.4%
2017 53.5 541 11.1%
2018 50.7 591 9.2%
2019 60.8 19.9% 650 9.1%
2020 93 52.9% 724 10.2%
目前，我国已成为世界风机装机总容量第一， 2020 年我国风电累计核准容量达 28153 万千瓦，较2019年增加了7148 万千瓦，同比增长34.03%。随着我国风电装机容量增长迅 速，所占比重逐年增大［3-7］，风电并网特性成为影响电网安全稳定运行的重要因素，风力发 电系统模型及参数是否准确，关系到电力系统仿真计算的可信度，进而影响到风电场规划 设计、调度运行、电网安全等各个环节［8-9］ 。因此，风力发电系统模型模型与参数辨识研 究对电力系统的安全稳定及经济运行至关重要。
直驱发电系统在风电场中的应用占比越来越高，在直驱风机稳态建模研究中，虽然已 经提出了一些模型［10-11］，但相对直驱风机是非耦合型变速风电机组，直驱风电系统并网外
- 1 - 特性与全功率变流器强相关，模型仍需进一步完善。同时为满足风电场并网的需求，还需 要研究直驱风力发电系统功率变流器模型，从而准确表示直驱风机在各种工况下真实的工 作状态。
当电网发生故障且风电装机比例较高时，风电机组由于电网故障而大量脱网，会导致 系统潮流大幅度变化，甚至可能引起大范围的停电［12-13］，为此需要通过直驱发电系统故障 穿越动态特性，建立直驱发电系统低电压穿越模型控制方程，获得能够真实反应其输出特 性的模型参数，并采用参数辨识方法获得准确的模型参数，从而真实反应直驱发电系统的 动态响应，保障电力系统安全稳定经济运行。
1.2国内外研究现状
1.2.1直驱发电系统建模研究现状
在国外的研究当中，文献［14］基于相似矩阵具有相同特征值的原理， 对具有直驱风电 场系统的多机风电场进行振荡模式分析，将其简化为两个单机系统，仿真结果对比表明， 所提出的简化等效模型仍能反映各种场景下的直驱风电场内和风电场电网振荡模式。文献 ［15］基于灵活扩展谐波域方法，直驱的谐波瞬态分析需要可靠的模型来重现谐波，仿真表 明本文所提方法具有有效性。文献［16］建立了风力涡轮发电机的有效电磁暂态模型，其模 型对电力系统暂态分析至关重要，但制造商特定的风力涡轮发电机的电磁暂态模型通常是 黑箱，针对这个问题，提出了一个针对型风力发电机组提故障特性的四步通用电磁模型建 模方法，通过现场试验表明该方法可行性。文献［17］提出了直驱滑动模型全参数扰动和负 载观测器，可以同时估计电参数干扰机械参数干扰，仿真和实验结果表明该方法实用且有 效。文献［18］提出了风速和转子位置直驱风力发电机的无传感器控制磁力发电机，通过使 用测量的一个滑模观测器估计直驱风力发电机转子位置，利用反向传播人工神经网络方 法，用来通过使用估计的风速来实时估计风速涡轮轴转速和机械功率，仿真表明该方法简 单有效。
在国内的研究中，直驱发电具有较高的系统效率和低维护成本等优点，在风电场中得 到了广泛的应用，国内外学者对其数学模型进行了大量的研究。文献［19］提出了一种利用 特征因子与反向BP算法建立直驱风电场聚合特性模型，相比于传统BP算法有较大的提升。 文献［20］通过考虑电网谐波，调制死区效应以及功率因素影响，建立了能够准确反应直驱 风电机组谐波电流的动态模型，为直驱风电并网谐波电流分析提供较好方法。文献［21］针 对直驱风场并网振荡问题，通过简化机侧变流器为受控电流源，建立序阻抗详细模型，仿 真验证了该模型的准确性。文献［22］研究了直驱风电场经LCC-HVDC送出的序阻抗模型以 及振荡机理分析，获得了较好的效果。文献［23］基于矢量解耦控制策略，建立了可用于大 规模分析直驱风电厂接入电力系统安全稳定性的机电暂态模型，仿真表明该模型与实际动 态响应曲线一致。文献［24-25］基于恒定功率电流源方法，推导出了以三阶微分方程描述的 机电暂态等效数学模型，通过仿真验证了所提出模型的合理性和有效性。 文献［26］基于聚
- 2 -
类算法对直驱式风电机组进行分群，以等值机的风力机与单台风电机组风力机的功率转换 特性不变为原则，通过仿真验证了该方法的有效性。文献［27］利用改进D-K算法聚类算法 对直驱风电机组进行等值建模，通过仿真表明该方法能够准确的反映的低电压穿越特性。 文献［28］采用频域阻抗法研究含直驱永磁风电机组的风电场的等值问题，提出一种逐点消 去的聚合等值方法,该方法简单有效，能够提高次/超同步振荡特性的模拟精度,仿真验证了 该方法的有效性。文献［29］提出了一种在考虑风电随机性的情况下评价直驱风机等值模型 适用性的方法，通过计算特征根的平均欧氏距离为判别依据，并利用高斯混合模型刻画风 功率的概率分布，仿真表明该方法有效性，能较好地更准确地反映真实风电场的动态特性。 文献［30］提出了一种用于大规模永磁同步发电机风电场电磁暂态仿真分析的聚合模型的建 模方法，建立了含PMSG的风电场简化电磁暂态仿真模型，对简化模型及其对应的全仿真模 型的仿真结果进行了对比验证，仿真结果验证了该方法的有效性。
1.2.2直驱发电系统模型参数辨识研究现状
针对直驱风力发电系统辨识的相关问题，研究者们进行了大量相关的实验研究。文献 ［31］ 系统地阐明了直驱风力发电系统工作原理、结构类型介绍、控制策略以及分析检测方 法，并提出了今后技术发展与展望。文献［32］通过对直驱风力发电机模型的特性研究，提 出了一种在辨识之前将模型初始化的策略，在该控制策略中，通过初始化转速来给定机侧 变流器的有功电流，根据各个参数的轨迹灵敏度，来分步辨识出直驱风机模型的控制参数 和电机参数，电压外环非线性PI控制提高了装置的响应速度。文献［33］根据直驱同步发电 机的电气数学模型，根据不同工况分析了各个参数的可辨识性的分析，最后根据优选初值 -微变搜索算法辨识了各个参数。文献［34］直驱永磁风电机组的通用模型结构，计算各参数 的轨迹灵敏度，获得低电压穿越模型的关键参数，通过参数调整和参数优化的方法，基于 实测数据辨识了直驱永磁风电机组低电压穿越模型，通过实测数据和仿真比对，验证其方 法的有效性。文献［35］提出了一种光伏发电单元的辨识方法首先在 d 轴内环控制器的参考 电流上施加阶跃扰动，辨识内环控制模型的基本参数，然后简化等效内环控制器模型为一 阶惯性环节，辨识其模型参数，最后在光伏阵列最大功率点输出侧的直流电压上施加阶跃 扰动，以等效内环控制模型为基础，辨识外环控制模型的参数，结果验证了所提模型的合 理性。文献［36-37］基于对大量实测数据的拟合及与厂家的沟通分析，建立了具备斜率功率 恢复特性的低电压穿越模型，通过低电压穿越试验验证了模型的有效性，在此基础上，对 风机在不同风速下的并网点有功暂态响应特性和风电场在典型风速分布下的等值效果进 行了研究，提出了基于有功响应的风电场实用化等值方法。采用实际风电场的多组风速数 据，对等值前后的并网点有功、无功、电压和电流的故障响应特性进行了对比分析。结果 表明，文中方法具有良好的等值效果，对风速数据和故障点位置具有良好的适应性。文献 ［38］ 针对直驱风力发电机的多参数辨识及传统辨识算法精度差的问题，提出了一种改进粒 子群算法，通过降阶处理及离散化，建立了直驱风力发电机的模型，有效地辨识了直驱风 力发电机的参数。文献［39-40］ 建立直驱风电场的详细动态等值模型并采用初始化方法，对
- 3 -
高灵敏度的控制参数采用改进基因学习粒子群算法辨识，获得了较好的辨识效果。文献［41］ 采用抗差扩展卡尔曼滤波器，对永磁电机的磁链和转速进行估计，提高了永磁电机模型受 扰时的鲁棒性。根据国家规定的参数辨识的步骤、标准和模型校验的要求，直驱风机参数 辨识分为 3 组，第 1 组涵盖了低电压穿越控制参数，第 2 组包括了风机本体参数，第 3 组 涉及功率变流器的PI控制参数［42-43］，文献［44］基于现场低电压穿越实验的实测数据，结合 实测曲线确定了双馈风电机组特性，最后建立了电磁暂态仿真模型，有较好的应用价值。
文献［45］提出了一种在二次侧量测信号上施加扰动的方法,该方法优点是施加某个量测信号 激励时可以屏蔽其他量测信号的变化,从而可以实现内外环控制器动作的解耦,进而解决参 数的可辨识性问题，最后通过仿真验证该方法的有效性。文献［46］基于直驱永磁风电机组 的通用模型结构，计算各参数的轨迹灵敏度，获得LVRT模型的关键参数。指出由于参数的非 线性特性,现有的基于轨迹灵敏度的参数辨识方法难以适用，提出将参数调整与参数优化相 结合的参数整定方法。结果验证了所提方法的可行性和有效性。文献［47］分析逆变器控制 策略与逆变型新能源电源短路电流特性间关联规律,进一步从理论上推导出了不依赖逆变 器控制结构及参数的逆变型新能源电源稳态短路电流计算公式。但上述研究只单独针对第 一组的低电压穿越控制参数进行了分析，对于存在功率恢复过程低电压穿越模型并未计及 功率变流器PI控制参数对其低电压穿越外特性的影响
综上所述，虽然对直驱发电系统已经有了很多的研究，但是大都将研究重点放在其稳 态模型上，对于高精度稳态模型以及考虑恢复暂态低电压穿越参数辨识方法的研究极少， 选择适应于直驱发电系统模型参数辨识的算法，研究高精度的模型辨识方法，具有重要的 理论和实践价值。
1.3本文的主要工作
本文以提高直驱发电系统安全稳定运行为目标，建立能够准确反映实际系统特性的、 适用不同应用需求的直驱发电系统稳态模型及恢复暂态低电压穿越模型。随后分析和比较 经典系统辨识方法和智能算法系统辨识法，通过对比辨识算法适用范围和优缺点，结合直 驱发电系统稳态模型特性和恢复暂态低电压穿越模型参数耦合特性，选择合适的智能优化 方法，将其应用到实际工程中，并将其辨识方法编写成一款参数辨识软件，实现对直驱发 电系统模型参数的一键式智能辨识。最后通过仿真算例表明所提辨识方法的有效性。图 1-1 为各个章节示意图。
图 1-1 各章节关系示意图
主要研究内容如下：
(1)现有直驱发电系统模型主要考虑低电压穿越时刻逻辑，没有考虑故障结束后恢 复暂态环节，无法充分体现实际直驱发电系统特性。由于故障穿越和恢复暂态控制环节是 保证风电场能在系统故障情况稳定运行，所以能够同时反应故障穿越逻辑和恢复暂态的全 时间尺度模型也是其重点研究内容之一。
(2)研究稳态控制下直驱发电系统模型参数辨识算法，考虑风电场随机特性对直驱 发电系统稳态模型参数辨识精度的影响，基于改进差分算法提出计及风速特性方法对其模 型参数进行辨识，以此降低风电场随机特性对参数辨识精度的影响，达到提高辨识精度的 目的。
(3)研究直驱发电系统低电压穿越模型参数辨识算法，考虑低电压穿越期间存在控 制策略切换且稳态参数与低电压穿越参数相互耦合的问题，提出一种考虑恢复暂态过程的 直驱发电系统的低电压穿越模型参数解耦辨识方法，选择差分算法对直驱发电系统模型参 数进行辨识，并对其进行改进，通过仿真实验测试验证所提辨识方法的优越性。
(4)建立 Matlab/Simulink 平台搭建直驱发电系统模型，对本文提出的直驱发电系统 模型和相对的模型参数辨识方法的有效性进行验证。
(5)搭建基于MATLAB GUI的具有工程实用价值的直驱发电系统模型参数辨识可视 化软件平台，并将其应用于参数辨识仿真实验中。
第2 章 直驱发电系统数学模型及参数辨识介绍
直驱发电系统较高的系统效率成为风电场的主力机型之一，不需要从外界励磁，其控 制逻辑简单易于维护，可靠性较高，本章主要介绍直驱发电系统的基本工作原理以及控制 原理，建立反应真实动态的直驱发电系统稳态模型，为后续考虑恢复暂态控制模型及直驱 发电系统参数辨识研究打下基础。
2.1直驱发电机结构基本原理
图 2-1 直驱发电系统结构示意图
直驱风力发电系统结构如图 2-1 所示，由风力机、永磁同步发电机、机侧变流器、直 流侧电容、Crowbar保护电路、网侧变流器、滤波器以及相对应的控制系统组成所构成。 其中风力机直接与永磁同步发电机相连，省略的齿轮箱，定子绕组与全功率变流器相连后 并入电网。当风力机吸收风能带动叶片旋转时，转子旋转磁场被定子绕组切割产生交流电。
直驱发电系统属于非耦合型变速风电机组，通过全功率变流器连接电网，目前直驱式 发电系统功率变流器常用方案有背靠背双PWM变流方案和不控整流Boost+PWM方案， 本文变流器选择常用的背靠背双PWM结构变流方案。
2.2直驱式风电机组数学模型
2.2.1风速数学模型
风力机是直驱发电系统能持续发出电能的首要构件，它将大自然当中的风能转化为直 驱发电系统转子的机械能，现有风力发电机组通常采用三叶片、水平轴结构的风力机。
由空气动力学原理可知，风力机输入功率为：
P =1 pSv3 (2-1)
2
式中：p为空气密度；S为风力机叶片的扫风面积；v为风速。
风力功率并不会完全被风力机转化为机械能，风能利用系数反应风力机吸收风能的效 率，定义为风力机捕获的机械功率Pm比上风力机扫掠面积内的气流功率P即
- 6 -
= 风力机捕获的机械功率 上 （2一2）
p-风力机扫掠面积内的气流功率—P -
由此可知，风力机捕获的风能为：
Pm *Pw = 1 pSv3Cp （2-3）
风能利用系数Cp不是常数，其值与风速、风力机转速都有关系，它是桨距角B和叶尖 速比九的函数，典型风能利用系数关系曲线如图2-2所示。
变桨距角的风能利用率曲线
图 2-2 风能利用曲线图
由图2-2可知当桨距角B—定时，Cp随着九先增大后减小且存在极大值，故叶尖速比九 取得最优值时，风力机的风力利用率最高，若能控制风力机转速保证叶尖速比九为最优值, 可实现直驱发电系统最大风能捕获。
2.2.2传动系统数学模型
直驱发电系统的发电机采用多级结构，以实现低速运行，其传动系统是由风力机连接 传动轴，再由传动轴连接发电机，风力机吸收风能后产生机械转矩带动发电机发电。目前 传动系统的数学模型通常有三种，分别是三质量体-弹簧模型、二质量体-弹簧模型和单质 量体-弹簧模型［48］，上述数学模型中单质量模型最为简单，常用于风电系统功率控制当中， 三质量模型最精确，但因为复杂程度较高很少被采用，两质量块模型具有较少复杂程度和 较高的模型精度，常用于电网故障情况下风电场和电力系统暂态稳定，本文主要研究直驱 发电系统稳态模型参数辨识及考虑恢复暂态的低电压穿越模型，故选择两质量块模型，两 质量块模型如图 2-3 所示：
图 2-3 两质量块轴系模型示意图 两质量块-弹簧系统动态模型为；
式中：Jt、Jg—分别为风力机、同步发电机的惯性时间常数； 伽、嘔一分别为风力机、同步发电机转子转速； 几、Tg—分别为风力机机械转矩、同步发电机电磁转矩; Dt、Dg—分别为风力机、同步发电机转子的阻尼系数; &g—为两个质量块的刚性系数； &sg—为两个质量块的相对角位移； 00—为同步转速。
2.2.3永磁直驱风力发电机数学模型
永磁同步发电机的转子磁链由永磁体产生，因无转子绕组而具有较高的功率密度和较 低的重量，为简化分析，在对其进行数学建模时，通常不考虑非线性的因素，将三相坐标 系下的变系数非线性微分方程转换为同步旋转坐标系常系数非线性微分方程，假设如下：
1） 永磁材料的电导率为0，三相绕组对称；
2） 忽略空间磁场高次谐波的干扰，定子磁动势按照正弦规律沿气隙圆周分布；
3） 磁饱和与铁损忽略不计，电感固定；
4） 假设同步电机运行时无干扰，永磁体磁链不会收到干扰。
根据上述假设，永磁同步发电机的动态模型，在发电机惯例下，定子电压方程为：
dW
usd = -Rsisd - 0 Wsq + Sd
dW
Rsisq +0 Wsd + 于
Wsd = -Lsdisd +Wr
Lsd、Lsq分别为定子的d轴、q轴电感，定义为：
Lsd = Lmd + 厶s
“ Lsq = Lmq + 厶s ( 2-7 )
W r = Lmd If
忽略系统动态微分项，可得dq0坐标系下同步发电机的稳态模型即:
. . di
< Usd = — Rsisd + 0几隔 + 厶。才
Usq =-Rsisq -0rLsdisd +0r Wr
永磁同步发电机输出的有功功率为：
式中：Usd、Usq—分别为d轴、q轴定子电压；
Rs—为定子电阻；isd、isq分别为d轴、q轴定子电流;
Vsd>屮sq—分别为d轴、q轴定子磁链；
0—为发电机角频率；
屮r为转子磁链；
Lmd、Lmq—分别为发电机d轴、q轴励磁电感。
2.2.4变流器模型
同步发电机采用背靠背变流器与电网相连，直驱发电系统是非耦合变速风电机组，发 电机与电网经变流器隔离，机组向电网输出的有功功率由机侧和网侧变流器共同决定，而 无功功率由网侧变流器决定。通过控制变流器，可以灵活控制输出的功率，本文涉及恢复 暂态过程的直驱发电系统低电压穿越模型参数辨识，因此首先介绍传统网侧变流器控制策 略，在此基础上考虑恢复过程的无功功率以及有功功率的控制。
本文建模采用背靠背PWM结构全功率变流器，结构如图所示，主要有永磁同步电机、 机侧变流器、直流侧电容、网侧变流器、滤波器以及相对应的控制系统组成所构成。由图 所知，机侧变流器和网侧变流器结构完全相同，以网侧变流器为例进行建模，机侧变流器 的模型可以类推得到，从直流母线流向电网为正，机侧变流器等效为直流电源，采用开关 函数法进行建模网侧变流器等效电路，变流器工作时，一组桥臂的连个全控电力电子器件 的开关状态相反，可定义每组桥臂的开关函数Sa、Sb、Sc：
° [1 上桥臂等效开关导通，下桥臂等效开关关断
S=
曲（-1下桥臂等效开关导通，上桥臂等效开关关断
根据桥臂的通断状态，可得网侧变流器的受控源模型如图
图 2-3 网侧变流器受控源模型
据图2-3所示的电路，根据KVL和KCL，得到网侧变流器的数学模型:
[ d i
Uga + RJga +Lg 肯-dc
di"
=ugb + RgZgb + Lg 石-SbUdc
( digc
=ugc + Rjgc + Lg _- ScUdc
C = -Saiga 一 Sbigb 一 Scigc + idc-s
因为电网为三相对称交流系统，因此有式
联立式（ 2-12）与（ 2-13）可得
当变流器正常工作时，开关元件的开关频率远远大于系统工频，忽略器件的瞬态过程， 上述模型还可以进一步简化为开关周期平均模型即：
diga
L g- = — R i + mU — u
g g ga a dc ga
dZ
Lg = -Rgigb + mbUdc - "gb
digc
Lg =- Rgigc + mcUdc - "gc
dUdc
C —=-叫iga - mbigb —叫Igc + idc
根据式（2-14）可知，在静止三相坐标系下各个变量相互耦合且随时间变化，方程为 变系数微分方程，因此其控制器的控制律设计困难，对此需要利用坐标变换将变流器的数 学模型进行处理，本文采用clark -park变换后，将上述模型转化为在dq坐标系下为；
'digd , ,
Lg 石=—Rgigd + mdUdc - "gd + 0Lgigq
di
< Lg〒=-Rgigq + mqUdc -"gq -0gLJgd （2-15）
C = I （-叫忌-mqigq）+ idc_s
式中：md、mq为旋转变换后的等效dq轴调制比
式（2-15）为网侧变流器的在dq坐标系下的动态方程，机侧变流器模型按照上述方法 可以得到。
- 11 -
2.3直驱发电系统的控制策略
2.3.1发电机侧控制策略
机侧变流器的控制目标通常设定为实现风电系统的最大风能捕获，即控制有功功率及 无功功率，进一步基于磁场定向或者电压定向的 dq 轴旋转坐标系下，可以实现有功功率 和无功功率解耦控制。
发电机电磁转矩方程为：
机侧变流器通过控制发电机转矩大小，间接控制发电机变速运行，实现变速运行以捕 获最大风能，根据上式可知发电机转矩与 dq 轴电流相关，为了实现解耦控制，常用的方 法有定子磁链定向控制、定子电压定向控制，零d轴电流控制，本文采用零d轴控制，当 d轴电流为零时，q轴电流为定子电流。令isd=0，发电机电磁转矩公式为；
3
Te =寸屮為 (2-17)
从式(2-17)可以看出发电机转矩与q轴定子电流成正比，通过控制q轴定子电流可 以实现对发电机电磁转矩的控制，简化电磁转矩的控制。
联立式可得：
Usd = - Rsisd + ®r Lsqisq + Ls^~7d'
( dt ( 2-18)
( di
Usq = -Rsisq 一 ®rLsdisd + ®r ^ - Lsq -
由式(2-18)可以看出d轴转子电流与q轴转子电流分别处于dq轴定子电压方程当中， 为了实现解耦控制，采取前馈补偿策略消除交叉耦合项，使得Usd、Usq分别对isd、isq近似 解耦，因此设置如下控制策略：
usd = (Kpl + “)(7； - isd ) + ®rLsqisq
< s (2-19)
u：q = (Kp1 + 牛)(i：q - isq ) 一 ®rLsd7sd + ①也
根据式(2-19)， PMSG 的机侧变流器的控制框图为：
- 12 -
a b c
图 2-5 机侧变流器控制策略
2.3.2直流侧控制策略
直流侧电容为易损元件，当电网故障导致网侧变流器输出有功功率下降，而直驱发电 系统运行在MPPT时，直流母线因储存多余能量致使电压升高，为了防止功率不匹配导致 直流侧电压越限，本文采取 chopper 电路， chopper 电路与直流侧电容并联，当直流侧母线 电压越限，控制信号输出 1 至 chopper 电路， chopper 电路动作，将多余能量经附加电路释 放，保证直流母线电压运行在合理区间。控制策略如图，直流侧初始电压值为1150V，其 中Udc-max为1500V、UdC-mm为1250V直流侧母线波形如图2-7所示。
- 13 -
i = 0
I gq
式中U*c —为直流侧电压Udc参考值； 心一为正常工作阶段时，外环反馈电流参考值；
Kp2、Ki2—外环PI控制器的比例增益、积分常数，以上变量均为标幺值。
2.3.3电网侧控制策略
网侧变流器的作用是将功率注入电网，实现发电机侧与电网侧的功率平衡，维持直流 母线侧电压越限，同时控制直驱发电系统向电网输出电能的功率因数，网侧变流器的控制 目标一是控制直流母线侧电压稳定，从而间接平衡发电机侧和电网侧的功率平衡，目标二 是根据直驱发电系统的不同工作状态及运行要求，网侧变流器在不同情况下向电网注入无 功功率。本文建立直驱发电系统模型的网侧变流器采用双闭环控制策略，为了提高直驱发 电系统的效率，网侧变流器采用单位功率因数控制，令i； =0。由网侧变流器的动态方程可 知，变流器输出电压电流存在交叉耦合项，在设计控制律时要消除交叉耦合项的影响，对 其进行动态解耦。采用前馈补偿法使 dq 轴变量解耦，根据网侧变流器的动态方程可知， 加入A"gd =0gLgigq - "gd， A"gq = -0g Lgigd - "gq补偿项可以使dq轴变量解耦，因此，设计控 制规律为：
"gd = fKp3 + 牛| (i；d - igd) + 0Lgigq- Rgigd + egd
< : 5〈 (2-21)
":q = fKP3 + 牛 | (Eq- igq)- 0 Lggd - Rgigq + 备
式中：Kp3、心一分别为内环PI控制器的比例增益、积分常数；
i；d、i；q —分别为网侧变流器dq轴电流igd、igq的参考值；
"；d、"；一为网侧变流器输出dq轴电压参考值；
盹一为电网角速度；Lg、Rg为滤波电感和滤波电阻；
egd、egq—为电网电压dq轴分量，以上变量均为标幺值。
"gm为电网相电压幅值，将同步旋转的坐标系的d轴与电网电压矢量重合，有"gd = "gm， "gq =0，此时网侧变流器向电网输出的功率为：
- 14 -
根据式（2-21）和式（2-22）可以看出网侧变流器输出电压dq轴分量可独立控制其dq 轴电流，从而实现网侧变流器解耦控制，通过控制d轴电流可以控制网侧变流器输出的有 功功率，通过控制q轴电流可以控制网侧变流器输出的无功功率，根据上述网侧变流器的 基本控制思路，网侧变流器控制框图如下所示：
2.4直驱发电系统模型参数辨识过程及辨识方法
2.4.1辨识基本过程
辨识是指在输入和输出数据的基础上，从给定的一组模型中确定一个与所测系统等价 模型。其实质就是从一组模型类中选择一个模型，采用某种指标或者准则，使被选择的模 型类的动态特性能够最好地拟合所测系统的实际过程的动态特性［49］。辨识的过程如图 3-1 所示：
规定代价函数Je，它是量测误差e的函数。原型（Mm）和模型（Ma）在同一激励信
- 15 -
号x的作用下，产生原型输出信号Zm和模型输出信号Za。其误差为e，经辨识准则计算后,
去修正模型参数。反复进行，直至误差e满足代价函数最小为止。数学表述可写为：
Ja = F (e) (2-23)
找出模型Ma訓,0为给定模型类，使
J T min ( 2-24)
则
Ma 三 Mm (2-25)
系统即被辨识。
数据、准则及模型构成系统辨识三要素，而模型的精度由Je决定。直驱风力发电系统 稳态模型以及低电压穿越模型在输入信号的作用下产生输出信号，输出信号与实测数据存 在误差，辨识算法根据误差反复修正模型参数，直到误差达到要求精度，所得参数即为系 统辨识参数，该过程就是直驱风力发电系统模型参数辨识过程。
2.4.2辨识方法
根据辨识理论，辨识方法可分为经典辨识法和现代辨识法两类，其中最小二乘法估计 是一种最基本的方法，也是应用最广泛的方法。由于直驱发电系统为非线性的复杂系统， 若采用最小二乘估计法进行参数辨识，得到的效果较差，所得模型动态特性与实际相差甚 远，无法满足要求；最小二乘法估计法进行参数辨识时，需要知道丰富的输入量，而实际 系统由于其存在非线性特性，将无法满足经典辨识在输入量方面的要求，导致经典辨识方 法在辨识误差存在一定的不足。因此，大多数情况下经典辨识方法或者最小二乘估计法对 非线性系统的辨识表现的效果并不理想。而卡尔曼滤波法需要较为复杂的过程且在应对非 线性时效果也不尽人意。
随着智能算法应用的发展，人们发现智能算法在应对非线性优化、非线性模型参数辨 识问题有较好的适应性及全面性。目前主流的智能算法有，粒子群算法、退火算法、蚁群 算法、差分进化算法等等，这些算法都是通过自然规律筛选寻优，在面对多维度、非线性 问题时具有良好的适应性。
2.5本章小结
本章对直驱发电系统作了详细的介绍，通过分析直驱发电系统工作原理，建立了直驱 发电系统的本体模型及变流器模型，根据直驱发电系统的特性，建立了机侧变流器及网侧 变流器的控制系统，为后续考虑恢复暂态低电压法穿越控制模型打下基础；同时，介绍了 参数辨识的基本思想及流程，对比了经典辨识法与智能算法辨识在不同应用场景下的优 劣，确定采用智能算法辨识直驱发电系统模型参数，为后续提供理论基础。
- 16 -
第3 章 计及风速特性的直驱发电系统模型参数辨识
直驱发电系统是风电场主力机型之一，其模型参数的准确与否将直接影响到风电系统 的仿真计算。在直驱发电系统模型参数辨识过程中，由于风速存在一定的随机特性，将对 模型参数的辨识精度产生影响［50］。由于灵敏度分析具有较好的预测性，在分析过程中，基 于参数灵敏度分析将直驱发电系统模型控制参数与风速建立映射关系，从而提高辨识算法 初值的精度。因此，本章通过对灵敏度分析方法进行简要阐述，并在此基础上提出计及风 速特性的模型参数辨识方法。
3.1差分算法及其改进
3.1.1基本差分算法
差分算法是一种仿照自然界生物种群进化的随机搜索算法，主要包括种群初始化、变 异、交叉和选择四个步骤［51］。差分算法的基本思想为：随机产生一个初始化种群，将种群 中的任意两个个体进行向量差，然后与第三个个体求和产生新个体，并将产生的新个体与 相应的当代个体进行比较，若得到的新个体适应度值优于当前个体的适应度值，新个体将 取代当前个体，否则保留当前个体。通过不断地进化，达到淘汰劣质个体，保留优质个体 的目的，引导搜索向着最优解靠近。
因为在迭代初期，差分算法具有较大差异的种群个体，因此差分算法的全局搜索能力 较强；而在迭代后期，差分算法具有较小差异的种群个体，可以使差分算法具有较强的局 部搜索能力。因此，差分算法拥有较强的全局搜索能力，且其搜索速度较快。
(1)种群初始化
种群初始化应该尽量覆盖整个搜索空间，在规定的最大和最小搜索区间内，按均匀分 布原理随机抽取个体。
X(0)= xL + rand( )x(xU -xi) i =1,2,…,Np (3-1)
其中，x; (0)代表第i个个体；rand()代表随机数；x；代表下界；x：代表上界；Np代 表种群数。
( 2)变异
在差分算法中，种群内个体的差分向量经过收缩之后，与种群内另外的相异个体相加 得到变异向量。根据变异向量生成方法的不同，形成变异策略。
V (t + 1) = X3 (/)+ M X ((t) -xr2 (t)) (3-2)
其中，r1、r2、r3为不相同的整数；M为缩放因子。
- 17 -
3)交叉
交叉操作采用将变异得到的中间个体和目标个体进行杂交。
其中，Cr代表交叉因子；k为随机挑选的与第i个个体相对应的系数。
( 4)选择 差分算法采用贪婪的选择策略，根据目标函数向量和实验向量的适应度值来选择最优 个体。
其中，f (ut (t +1))为ut (t +1)的适应度值。
3.1.2改进差分算法
差分算法在进行变异操作时使用了随机差分向量法，该方法可以提高差分算法的全局 搜索能力，但是由于需要在全部空间内进行搜索，因此其需要进行多次无效的尝试，进而 影响了差分算法的收敛速度，而且由于随机差分向量的大小不可控制，导致其搜索精度受 到了一定的影响。为了降低上述问题的影响，本文引入了权系数，从而达到在搜索初期不 对进化方向进行控制，从而提高全局搜索能力；在后期将当前最优个体设置为进化方向， 从而提高算法的搜索速度。
同时由于电力系统的非线性，会使差分算法在进行直驱发电系统模型参数辨识时出现 早熟或者局部收敛的现象，因此本文采用改进差分算法对模型参数进行辨识，可尽量避免 上述问题的影响。具体操作如下：
本文通过引入加权系数保证了初期算法的搜索能力，同时，后期具有较快搜索速 度的目的。具体操作如式(3-5)所示。
V (t )i = x (/)best + F *(f *(x (/)b - x (/)c )
+ (1-f)*( X (t )best - X (t )a) G
其中，f为递减函数，计算公式为f = e1-GM/(GM+1-M)，GM为最低迭代次数，x(t)斶为 最优个体，a、b、c为索引号，M为当前迭代次数，F为缩放因子。
为了在辨识过程中同时提高辨识精度和速度，根据文献［52］，缩放因子F的取值如式
( 3-6 )所示：
F = 0.6 + (—1『* 0.4 * rand (3・6)
其中， rand 为随机正整数。
- 18 -
本文通过对当前最优个体引入小步长振荡变异，从而提高算法后期搜索的局部搜索能 力，具体操作如下：
V (t )i = X (t Lest +(j)" *( XU — XL )/100 (3-7)
其中，k为随机正整数。
3.1.3改进差分算法性能测试
为了对本文提出的改进差分算法性能进行验证，分别用如表3-1所示的四个函数进行 测试，同时用粒子群算法、改进粒子群算法［53］、差分算法进行对比。并将实验计算得到的 平均值、标准差等作为评判指标，来对比各算法的迭代收敛性能。各算法设置相同的参数 初值，种群规模为100，分别计算50次，最大迭代次数为100次，具体各算法参数初始设 置值如表3-2所示，得到的最终结果如表3-3所示。
表 3-1 测试函数
表 3-2 各算法参数基本设定
算法 基础参数设定
PSO N=100，G=100，c1=c2=1.2，w=0.6，vmax=2，vmin=-2
IPSO N=100，G=100，c1=c2=1.2，vmax=2，vmin=-2，wmax=0.9，wmin=0.6
DE N=100，G=100，F=0.6，CR=0.8
IDE N=100，G=100， F=0.6， wmax=0.9， wmin=0.4
表 3-3 测试函数结果对比
函数 算法 最好寻优值 最差寻优值 均值 方差
PSO -2.1426 -2.1426 -2.1426 4.5842e-15
f1 IPSO -2.1426 -2.1426 -2.1426 2.6586e-22
DE -2.1426 -2.1426 -2.1426 7.1228e-25
- 19 -
IDE -2.1426 -2.1426 -2.1426 2.5635e-16
PSO 2.4779 2.4779 2.4779 2.6128e-18
IPSO 2.4779 2.4779 2.4779 2.5623e-22
f2 DE 2.4779 2.4779 2.4779 2.3862e-29
IDE 2.4779 2.4779 2.4779 2.5634e-19
PSO 0.4287 5.2856 3.5219 2.8356
IPSO 0.0443 6.2812 3.1281 1.8612
f3 DE 0.3282 1.2534 0.8121 0.1452
IDE 0.0102 1.2351 0.3815 0.5482
PSO 0.5562 3.2526 2.0611 0.4204
IPSO 0.5122 3.1841 2.0622 0.4025
f4 DE 0.0582 0.3651 0.2524 0.0224
IDE 2.34350e-08 2.2351e-05 5.6205e-06 5.3562e-12
表 3-3 给出了改进差分算法和其他算法的性能指标值。通过表 3-3 在优化同一函数时 不同智能辨识算法与改进差分算法的优化结果的比较可以得到以下结论：(1)在进行低维 度函数f1、f2和高维度函数f3和f4优化时，改进差分算法均表现出了较好的优化效果， 优于其他智能优化算法；(2)在进行低维度函数f1、f2优化时，因为函数比较简单，因此 每个优化函数均能快速、准确的对目标函数进行优化处理，均得到了较好的优化结果；当 进行高维度函数 f3 和 f4 优化时，因为优化目标函数复杂度增加了，其优化维度均达到了 20，通过优化结果可知，此时差分算法和改进差分算法在优化速度和准确性方面的表现均 优于其他智能优化算法；(3)差分算法在稳定性方面存在一定的问题，在算法的迭代过程 中，其搜索过程中出现最差解的概率相对较大，表明差分算法在进行高维度函数优化时容 易陷入局部极值，全局搜索能力相对较差，而改进差分算法在算法迭代过程中加入权系数， 使差分算法种群非最优个体在初期具有较强搜索能力，在后期具有较快的搜索速度，从而 在进行高维度函数优化时也能较稳定的得到最优值，且得到较高的收敛精度，具有较强的 全局搜索能力。
综上所述，通过低维度函数和高维度函数测试，验证了本文所提的改进差分算法在优 化速度、优化精度和优化稳定等方面相对差分算法均有了一定的改善，证明了本文所提方 法的有效性和优越性，为后面的直驱发电系统模型参数辨识研究打下了辨识算法方面的坚 实基础
3.2 直驱发电系统模型待辨识参数分析
直驱发电系统模型参数变量众多，不同参数对系统并网特性各有不同。如果考虑所有 控制直驱发电系统并网特性的参数并加以辨识，势必导致辨识复杂度增加且辨识结果误差 较大，因此需要优选出主导直驱发电系统动态特性的参数。当系统发生故障时，由于暂态
- 20 -
过程时间较短，用于控制转子转速的桨距角控制来不及发挥作用，故其控制参数可采用典 型值，可以不参与辨识。永磁同步发电机属于旋转元件，长期运行可能导致其定子阻值发 生变化，因此可以选用为待辨识参数。生产风机厂家一般不公布控制器参数，同时控制器 参数对系统的动态特性有较大影响，故将机侧变流器参数与网侧变流器参数选为代辨识参 数。因此直驱发电系统待辨识参数为 Kp1、Ki1、Kp2、Ki2、Kp3、Ki3、Rs。
采用传统方法辨识系统参数的步骤 1）针对主导系统特性参数进行灵敏度分析，将系 统参数分为高灵敏度参数和低灵敏度参数 2）采用智能算法辨识所有参数，认为高灵敏度 参数辨识结果可信，固定高灵敏度参数辨识结果，再辨识低灵敏度参数辨识结果。3）将 两部分边辨识结果固定，最为最终辨识结果。
3.3直驱发电系统辨识算法局限性
3.3.1灵敏度分析简介
目前灵敏度分析有两种方法，第一种为参数灵敏度，具体为计算模型某一参数对于模 型输出相应的贡献度，第二种为特征值灵敏度，具体为分析系统模型某一特征值对与系统 模型输出的贡献度。目前参数辨识领域主要选择参数灵敏度作为分析参数变化对模型输出 特性影响方法［54］。参数灵敏度能够反映系统中某一参数的可辨识性，同时可以定量分析待 辨识参数变化对输出影响程度，进而确定参数辨识精度。
参数灵敏度计算被广泛应在参数辨识领域，具体过程为对某一个待辨识参数施加扰 动，其余系统参数不动，然后计算该参数变化时对模型输出影响程度，计算出的平均灵敏 度较大，说明该参数为系统的主要参数且容易辨识，辨识精度高。目前参数灵敏度的计算 方法包括直接求导法和有限差分法两种。其中，直接求导法适用于模型参数较少，待辨识 模型较简单的系统；有限差分法可对系统中的多个待辨识参数进行一次求解灵敏度值，为 目前主要的灵敏度求解方法，本文也是应用的此方法。综上所述，参数灵敏度分析方法具 有分析方法简单、计算量小、分析效果好、易于实现等诸多优点，在模型参数辨识等领域 得到了广泛应用。下面主要对灵敏度计算方法进行介绍。
灵敏度是指模型中单个待辨识参数变化对模型输出的影响程度。在某个运行状态下， 输出乃相对于参数夕1的灵敏度的计算公式为：
丫 _ ［7丿（&1，…+^^1，…,n 一卩丿©，…© - A0，…,n）］/ yj0
儿© = 顾瓦 （3-8）
式中：Sy”伤为乃作为观测量时，©参数的灵敏度；乃为系统观测量的输出；y为隔对 应的观测量稳态输出值；A©为系统参数©的变化量；©为参数©的给定值；n为时间采 样点。
为了更直观的对比各待辨识参数的灵敏度值大小，将平均灵敏度作为对比依据。
- 21 -
1N
S =万习昭I （3-9）
n=1
式中：S为平均灵敏度值；N为灵敏度总点数，即时间长度除以时间步长，较大的S 代表相应参数的灵敏度较高。
3.3.2传统辨识算法局限
考虑到在风电场中存在着一定的随机特性，风速时刻发生着变化，采用传统参数辨识 方法势必造成模型参数辨识结果的不精确性和辨识过程的不稳定性［55-56］，因此风电场随机 特性对直驱发电系统模型参数辨识精度和辨识稳定性的影响将成为重要考虑因素之一。直 驱发电系统在稳态工况下，系统的扰动主要来自于风速的变化，当确认了一组系统工况， 采用该工况辨识系统得到一组系统参数，但这组参数只在该工况下为最优辨识值且辨识值 与真实值偏离无法衡量。考虑到风速的随机性，这组参数与真实值可能相差过大，在随机 风速下可能不是最优参数，要使在各个风速下辨识结果能良好适应直驱发电系统动态特 性，需要考虑风电场随机特性对直驱发电系统模型参数灵敏度值的影响，构建风电场随机 特性对直驱发电系统模型参数灵敏度值的变化规律，建立直驱发电系统参数组与风电场随 机特性的映射关系，使在随机风速工况下辨识直驱发电系统参数接近其真实的动态特性。
图 3-1 不同风速下参数灵敏度变化图
由图 3-1 所示，分别显示了待辨识参数 Kp1、Ki1、Kp2、Ki2、Kp3、Ki3、Rs 关于并网点 有功功率及无功功率的灵敏度值，从图中可以看出在风速 6m/s-9m/s 时，各个待辨识参数 灵敏度值处于较大区间，在风速 10m/s-12m/s 各个待辨识参数灵敏度值处于较小区间，风 速 8m/s-9m/s 时，参数灵敏度值处于骤变状态，若在此风速区间进行辨识，对辨识精度产 生不利影响，同时每个风速对应着不同的灵敏度值，若只在一种风速工况下对直驱发电系 统参数进行辨识，其辨识结果无法准确描绘在随机风速激励下直驱发电系统动态特性。
- 22 -
3.4计及风速特性直驱发电系统参数辨识方法研究
3.4.1计及风速特性辨识方法原理 基于风力发电的随机性，本文提出了计及风速特性直驱发电系统参数辨识方法，降低 了风速特性对直驱发电系统控制参数灵敏度的影响，进而提高了直驱发电系统在风速影响 下的辨识精度。具体原理图如图 3-2 所示。
图 3-2 参数辨识原理图 首先，通过测得不同风速扰动下直驱发电系统并网点的电压和功率，对直驱发电系统 模型参数进行灵敏度分析，建立观测量与不同风速下的灵敏度的对应关系，其次确定参数 辨识最优观测量选取策略，最后根据灵敏度确定权重因子，对适应度函数进行功率加权。 该方法能够对风速特性行为影响较大的模型参数进行精确辨识。
3.4.2模型参数辨识步骤
3.4.2.1 低风速模型参数辨识方法 在直驱发电系统模型下，施加低风速激励，此时直驱发电系统处于较低风速工况，按
照 3.3.1 节灵敏度的计算公式，将待辨识参数 Kp1、Ki1、Kp2、Ki2、Kp3、Ki3、Rs 数值依次增 加 0.05pu ，为了衡量各参数在不同风速下灵敏度大小，利用式 3-9 得到个参数平均灵敏度 值。结果平均值如表 3-4 所示：
表 3-4 不同观测量下的参数灵敏度值
模型参数 平均轨迹灵敏度
并网点有功功率Pg 并网点无功功率 Qg
Kp1 0 0
Ki1 0 0
Kp2 0.0063 0.0021
Ki2 0.0076 0.0039
Kp3 0.0087 0.0157
Ki3 7.4e-4 0.0176
Rs 0.0069 0.0183
从表3-4中信息可知，机侧变流器控制参数Kp1、Ki1在较低风速下，无论采取有功功 率还是无功功率作为观测量，其平均灵敏度的结果为0,说明在此工况下Kp1、Ki1对并网 点有功功率及无功功率无影响；外环电压控制参数Kp2、Ki2有功功率灵敏度大于其无功功 率灵敏度，因此将PCC处的有功功率作为辨识参数Kp2、Ki2的观测量时，可以有效提高 参数Kp2、Ki2的辨识精度。内环电流控制参数及定子电阻Kp3、Ki3、Rs无功灵敏度大于 其有功灵敏度，故将PCC处的无功功率作为辨识参数Kp3、Ki3、Rs的观测量时，可以有 效提高参数Kp3、唇、Rs的辨识精度。
基于上文所提出的改进差分算法，对处于较低风速工况下的直驱发电系统模型参数进 行辨识，首先，当风速在6m/s-8m/s变化时，分别以直驱发电系统并网点输出有功功率Pg 和无功功率Qg作为观测量对系统进行辨识，其次，当选取Pg作为观测量时，取Kp2、Ki2 的辨识结果，舍去Kp3、屁、Rs的辨识结果，当选取Qg作为观测量时，取Kp3、辰、 Rs的辨识结果，舍去Kp2、Ki2的辨识结果。最后将两种观测量的辨识结果组合成最终辨识 结果。
3.4.2.2 高风速模型参数辨识方法
同理，在直驱发电系统模型下，施加高风速激励，此时直驱发电系统处于较高风速工 况，按照3.3.1节灵敏度的计算公式，将待辨识参数Kp1、Ki1、Kp2、Ki2、Kp3、心、Rs数值 依次增加0.05pu，为了衡量各参数在不同风速下灵敏度大小，利用式3-9得到个参数平均 灵敏度值。结果平均值如表 3-5 所示；
表 3-5 不同观测量下的参数灵敏度值
平均轨迹灵敏度
模型参数
并网点有功功率 Pg 并网点无功功率 Qg
从表3-5中信息可知，即使在较高风速情况下，机侧变流器控制参数Kp1、Ki1，其平 均灵敏度的结果为0,说明在此工况下Kp1、Ki1对并网点有功功率及无功功率无影响，综 合两种工况的灵敏度分析可知，Kp1、Ki1为次要参数，采用典型值即可；其他参数情况与 较低风速工况相同。
- 24 -
基于上文所提出的改进差分算法，对处于较高风速工况下的直驱发电系统模型参数进 行辨识，首先，当风速在 9m/s-12m/s 变化时，分别以直驱发电系统并网点输出有功功率 Pg和无功功率Qg作为观测量对系统进行辨识，其次，当选取Pg作为观测量时，取Kp2、 Ki2的辨识结果，舍去Kp3、辰、Rs的辨识结果，当选取Qg作为观测量时，取Kp3、辰、 Rs的辨识结果，舍去Kp2、Ki2的辨识结果。最后将两种观测量的辨识结果组合成最终辨识 结果。
3.4.2.3 全风速直驱发电系统模型参数辨识算法
在上述的风电场低风速模型和高风速模型的观测量最优选取策略下，均可得到风电场 直驱发电系统模型的高精度辨识结果，但是风电场存在着一定的随机特性，即风速在时刻 发生着变化，风电场的这一特性将对直驱发电系统模型参数辨识的精度产生一定的影响， 这一点已在直驱发电系统模型模型参数灵敏度随风速波动变化规律的分析中得到了验证。 因此，为了减小风电场风速波动对直驱发电系统模型参数辨识精度的不利影响，在对其模 型参数进行辨识时需将风电场的随机特性考虑到内，最终找到一种计及风速特性的直驱发 电系统模型参数的高精度辨识方法。
为了使随机风速工况下辨识得到的直驱发电系统模型接近其真实的动态特性，需要考 虑风速对其灵敏度的影响，由图 3-1 所示，不同风速下同一参数的灵敏度也不相同，为了 提高参数辨识结果的精度以及鲁棒性，因此本文在基于低风速模型算法与高风速模型算法 的基础上，提出了计及风速特性的直驱发电系统模型参数辨识算法。首先根据上文的低风 速算法与高风速算法所得最优辨识结果，作为本文所提算法的初值，然后根据不同风速模 型灵敏度值所占权重比例对目标函数进行加权，通过改进差分算法进行迭代，最后得到更 为准确的辨识结果。
由图3-3可以看出，待辨识参数Kp2、后、Kp3、唇、Rs在低风速和高风速下的平均灵 敏度不同，参数Kp3、Ki3、Rs的灵敏度在低风速工况下较大，能够较好的反应低风速模型 动态特性；而参数Kp2、Ki2的灵敏度在高风速工况下较大，能够较好反映高风速模型动态 特性，因此，选取Kp3、Ki3、Rs在低风速工况下的辨识结果和Kp2、Ki2在高风速工况下的 辨识结果作为初值。
0 0.005 0.01 0.015 0.02
灵敏度值
图 3-3 不同风速模型各参数灵敏度对比图
- 25 -
为了降低选取单个观测量带来的不利影响，本文采取双观测量进行加权，利用各工况 下待辨识参数灵敏度，对目标函数进行加权，权重因子大小通过计算每个待辨识参数在不 同工况下灵敏度占比来确定，具体步骤如下：
1） 计算输出无功功率对Kp3、Ki3、Rs的平均灵敏度值之和S］；输出有功功率对Kp2、
Ki2的平均灵敏度值之和S2。
2） 选取S = M + S2作为基准值。
3） 计算SJS，得到目标函数中无功功率的加权系数m,。
4） 计算S2/S，得到有功功率的加权系数m2。
将获得的加权系数m1=S1/S、m2=S2/S代入式（3-8）,得到计及风速特性辨识算法中 的目标函数，进行直驱发电模型的参数辨识。目标函数为
m
J = E （m2（ P - P *）T（ P - P"） + m.（Q - Q*）t（Q - Q”）） （3-8）
i=1
3.5模型参数智能辨识流程
本文所提出的计及风速随机特性的直驱发电系统参数辨识具体流程如下：
1） 建立图2-5 及图2-8 所示的直驱发电系统数学模型，确定变流器控制参数和直流侧 控制，输入并网点母线输出有功功率及无功功率。
2） 计算待辨识参数在不同风速下的平均灵敏度值，建立参数灵敏度随风速变化规律， 利用最优观测量法，在低风速工况下和高风速工况下辨识直驱发电系统模型，选取与低风 速强相关参数Kp3、Ki3、Rs辨识结果和高风速强相关参数Kp2、Ki2辨识结果作为初值。
3） 根据有功功率和无功功率相对应参数的灵敏度值占比，得到有功功率和无功功率 的加权系数m1和m2，确定计及风速特性辨识算法的目标函数。
4） 利用式（3-8）进行个体适应度计算，记录计及风速特性辨识方法中个体适应度函 数值大小。
5） 进行差分算法中的变异、交叉、选择操作。
6） 判断模型参数辨识结果是否满足精度条件或迭代次数是否达到预设最大值，是， 则输出辨识结果，否，则跳转步骤4。
7） 输出算法优化结果。
- 26 -
图 3-4 计及风速特性辨识算法框图
3.6本章小结
为了获得准确的直驱发电系统模型参数，本文提出了计及风速特性的直驱发电系统模
型智能辨识方法，得出以下结论：
1） 针对直驱发电系统稳态模型，发现不同风速与待辨识参数灵敏度存在映射关系， 风速特性对模型参数辨识结果具有较大影响，本文在灵敏度方法基础上，将直驱发电系统 模型低风速工况与高风速工况的辨识结果，作为本文所提出方法的初值。
2） 本文提出的计及风速特性辨识算法，充分考虑了风速随机特性对待辨识参数灵敏 度及辨识结果的影响，能够较好解决风速随机特性引起的辨识精度较低以及鲁棒性较差等 问题，结果由于传统辨识算法。
- 27 -
第4 章 考虑恢复暂态直驱发电系统低电压穿越模型解耦辨
识方法
4.1引言
当电网发生故障且风电装机比例较高时，若风电机组由于电网故障而大量脱网，会导 致系统潮流大幅度变化，可能引起大范围的停电，甚至风电场在系统故障情况解列。因此 低电压穿越能力是保证风电场系统稳定运行的重要因素之一，精确的低电压穿越模型将对 风电系统的仿真计算产生积极影响。直驱发电系统低电压穿越模型的准确性主要取决于网 侧变流器控制参数的精准度，但是，风机厂家出于保密的原因，各个厂商不对外公开直驱 发电系统的控制参数以及低电压穿越主导参数［57］，且现有直驱发电系统低电压穿越模型参 数辨识主要考虑在低电压穿越时的主导参数，没有考虑故障结束后的控制恢复暂态过程参 数，与实际系统相差过大。为此需要通过直驱发电系统故障穿越动态特性，建立直驱发电 系统低电压穿越模型控制方程，获得准确的低电压穿越模型参数，以保障电力系统安全稳 定经济运行。如何建立能够准确反映实际低电压穿越特性的、适用不同应用需求的直驱发 电系统低电压穿越模型成为值得研究的问题。我国低电压穿越的动态要求如下：电网故障 导致并网点电压跌落时，风电场内的风电机组必须保持不脱网连续运行，并向电网提供一 定的无功功率，以支持电网电压恢复。
针对直驱发电系统低电压穿越模型缺失的问题，本章基于直驱发电系统低电压穿越输 出曲线特性，建立了直驱发电系统低电压穿越控制方程，并分析了对网侧 PI 控制参数和 LVRT参数辨识的必要性。其次，针对网侧内环PI控制参数与LVRT参数具有耦合关系的 问题，提出了一种直驱发电系统低电压穿越模型参数解耦辨识策略，解决了现有辨识结果 无法准确描述直驱发电系统低电压穿越过程的动态特性的问题。
4.2直驱发电系统低电压穿越模型
4.2.1直驱发电系统低电压穿越模型控制策略
直驱风电系统是非耦合型变速风电机组，通过全功率变流器连接电网，其网侧变流器 是直驱发电系统低电压穿越模型的核心部件。因此，其模型的准确性依赖于所获得网侧变 流器的控制参数以及低电压穿越时刻主导参数值的准确性。当电网侧发生故障时，机侧变 流器的控制系统无法对外电网发生的故障进行响应，因此在考虑直驱发电系统低电压穿越 模型时，机侧模型采用稳态模型即可，而网侧变流器在不同工况下切换不同的控制策略， 以满足低电压穿越的需求。
- 28 -
假设当电网侧在t=t0时刻发生故障，并网点电压发生跌落，在t=t1时刻故障清除，网 侧变流器闭锁正常控制策略，按照我国低电压穿越控制标准，此时变流器输出 q 轴电流控 制指令为
直驱发电系统在故障期间有功功率与无功功率特性曲线如图 4-1 所示，直驱发电系统 低电压穿越过程可分为3个阶段，即0〜t0为稳态区间，t0~t1为故障稳态区间，t1~t2为恢复
式中：Ut—为以额定电压Un为基准的并网点电压标幺值；
幺一为无功电流支撑系数；
In—为直驱发电系统并网点额定电流
Imax—为网侧变流器限幅参数；
ide—为正常工作阶段时，外环反馈电流值。
4.2.2考虑恢复暂态直驱发电系统低电压穿越模型
在故障稳态区间时，直驱发电系统为了维持直流侧电容电压稳定，采取外加卸荷电路 的方式吸收过量的有功功率，使直流侧电压维持在一定区间；故障结束后，为降低网侧变 流器输出功率突变对电网和直流母线的冲击，提高电网稳定性，在恢复暂态区间输出的有
- 29 -
功功率具有斜坡恢复特性。相应的，为防止无功支撑突然撤出对电压造成冲击，在恢复暂 态区间输出的无功功率也应具备斜坡恢复特性。因此，网侧变流器控制策略如图 4-2 所示。
其中，/1时刻网侧变流器输出的q轴电流指令值为：
ig*q=k(0.9-UT)IN +iq0 t =t1 (4-3)
式中：iqo为故障结束时，网侧变流器和无功电流的初始值。同理可得到d轴电流指令 值为：
i*d = min^lImax2 - [k *(0.9 - UT )IN ] , idc} + id0 t = t1 ( 4-4)
式中 id0 为故障结束时，网侧变流器和有功电流的初始值。结合式(4-1)—式(4-4)可得 到故障稳态期间d轴电流和q轴电流的分段指令值为：
* \k*(0.9-Ut)In to < t < ti
[k *(0.9 — U ) In + iq o t = ti
广 _ < mind/max' — [k *(0.9 — U ”n『,idc} t <t <t
g ]mi”{J‘max' - [k *(0.9 - U 『,idc} + id0 t = t1
恢复暂态期间，dq轴电流参考值可写为：
图 4-' 网侧变流器控制模型
igd = Klvrt- p(t-t1)+id0
igq = Klvrt-q(t-t1)+iq0
式中：Klvrt-p、Klvrt-q复暂态期间有功和无功的恢复斜率；t表示当前时刻。
4.3低电压穿越模型辨识参数耦合问题
4.3.1恢复暂态参数对输出特性影响
通过对上章低电压穿越过程的控制过程分析可知，若网侧变流器控制模型不包含恢复 暂态控制过程，将无法准确描述直驱发电系统低电压穿越过程的动态特性。若仿真模型与 实际模型的恢复暂态区间有较大误差，会造成功率恢复的速率和时间不同，网侧变流器对
- 30 -
外电网表现出的特性不同。在利用仿真模型进行分析计算时，仿真模型故障特性无法满足 工程误差的要求［17-18］。
从图4-3 可以看出，有功功率为例，假设曲线1 为不包含恢复暂态过程的仿真曲线； 曲线2为包含恢复暂态过程的仿真曲线，恢复暂态的有功电流初始值为id0F、有功恢复斜 率为Krt-pF，恢复时间从tx〜t2时刻；曲线3为实测曲线有功电流初始值id0S、有功恢复斜 率为K”ps，恢复时间从彳~ t3时刻。
图 4-3 不同低电压穿越参数有功特性图
由图4-3 可得仿真数据恢复暂态有功功率可表示：
PF = Klvrt-pF (t- t1) + Pfault _ F (4-8)
同理可得实测数据恢复暂态有功功率：
PS = Klvrt - pS (t-t1)+Pfault_S (4-9)
式中：PF为曲线2输出的有功功率、Ps为曲线3输出的有功功率；Pfault_F为故障结束 后曲线2输出有功的初始值；P伽lt_s为故障结束后曲线3输出有功的初始值。
由于锁相环将同步旋转的d轴定向为电网电压矢量重合，贝惰ugd = upcc, ugq = 0。网 侧变流器输出的有功和无功为：
33
P =牙 Wgqigq +ugdigd)=牙 upccigd
22 ( 4-10)
33
Q =2 (Ugqlgq - Ugdlgd ) = — 3 Upcclgq
将式(4-10)带入式(4-8)和式(4-9)可得：
3
PF = Klvrt — pF upccid 0F
3
PS = Klvrt—pS (t — t1) + upccid 0S
根据曲线 1 和曲线 3，不包含恢复暂态过程的仿真模型与包含恢复暂态过程的实际模 型产生的不平衡能量为：
t3
M =L P ― Klvrt-pS (t — t1) ― UpcCd0Sdt ( 4-12 )
- 31 -
根据曲线' 与曲线3，利用图 4-3 可求得恢复暂态过程的不平衡能量，整上述公式理 得：
t' 3
△W' (Kivrt-pF - Klvrt-pS )(t- t1) + Upcc (id0F - id0S )dt +
t3
\ P-~ Upccid 0 S — Klvrt - pS (t-ti)dt (4-13)
t' '
若网侧变流器控制模型不包含恢复暂态控制，辨识所得的仿真模型与实际模型在恢复 暂态期间的不平衡能量为AW1，根据我国风电并网导则，低电压穿越过程最大可达2s，AW1 的值很大，若利用此仿真模型进行分析计算，故障特征无法满足误差要求。
同理，利用曲线2、3可求得不平衡能量为Aw2，若有功电流初始值和有功暂态过程斜 率辨识不准确，曲线'与曲线3功率恢复的速率和时间不同，即仿真模型与实际模型在恢 复暂态期间产生的不平衡能量Aw2不可忽略。因此，需要准确辨识功率恢复暂态参数。
4.3.2网侧变流器PI控制参数输出特性的影响
网侧控制器的控制策略切换时，将会引起内环输入量改变，相应地，内环输出量必将 影响网侧变流器对电网的外特性。从图4-4可以看出内环控制的PI参数辨识误差在50%时, 内环输出量的误差已经不可忽略，对网侧变流器的故障特征产生了较大影响。因此，内环 控制器的PI参数有必要精确辨识。
对于外环PI控制器，系统稳态时，q轴的输出量设定为0，仅考虑d轴输出量的变化, 根据图4-5所示，当外环PI参数误差在50%时，对外环输出量影响基本可以忽略，可采用 典型参数。
综上所述，待辨识的参数有：id0、iq0、Klvrt-p、Klvrt-q、k、Kp3、唇。
- 32 -
4.3.3直驱发电系统LVRT模型参数辨识耦合问题
从LVRT控制数学模型可知，网侧变流器内环PI控制参数贯穿于整个直驱发电系统运 行的过程中，当系统处于稳态时，网侧变流器 dq 轴参考值可近似等于其实际值；当系统 处于故障稳态，切换为低电压穿越控制，内环控制器的输入量为式（4-1）、（4-2）；当系统 处于恢复暂态，内环控制器的输入量为式（4-3）、（4-4）、（4-7）。联立式（2-21）、（4-1）、 （4-2）故障稳态期间控制方程：
- 33 -
ugd = (Kp3 + 牛)(minQUax -i；q, idc) - igd ) +
< % L" Rid+ 智 (4-14)
K
U；q = (Kp3 + ~^)(k(0.9 — Ut)In — igq )—
. %Lgd ― RJq + egq
由式(4-14)可知，在系统故障稳态期间，无功电流支撑系数k作为内环控制器的输入量 与内环控制器PI参数耦合，若辨识结果不当，致使内环PI控制器的输入数据误差很大， 迭代过程中的适应度函数值会随迭代次数增加无法收敛，从而导致内环PI参数辨识结果很 差，必然会影响系统辨识结果。
同理联立式(2-21)、(4-7)，可得恢复暂态期间控制方程
K
Ugd = (Kp3 + 寸)(《血—p (t — t1) + id 0 — igd ) +
< % Qq—也+ egd (4-15)
K
U；q = (Kp3 + 罟)(《1曲—q (t — t1) + iq0 — igq ) -
. %gLgd ― RJq + egq
观察式(4-15),在系统恢复暂态时段，主导恢复暂态过程的参数id0、、q0、Klvrt-p、Klvrt-q 同样位于内环PI控制器的输入数据当中，LVRT参数作为内环控制器的输入量，两者存在 耦合关系，但当高灵敏度参数id0、iq0、Klvrt-p、Klvrt-q辨识结果不精确时，致使内环PI控制 器的输入数据误差很大，输入数据和输出数据无法拟合，最终导致辨识结果误差很大。
综上所述，直驱发电系统在低电压穿越期间存在控制策略切换且主要辨识参数相互耦 合的问题，因此无法将控制参数与低电压穿越参数同步辨识。
为了解决内环控制器参数与低电压穿越参数相互耦合的问题，本文提出解耦辨识方 法。首先，辨识系统稳态工况下的内环控制器参数，在系统稳态时，网侧控制器低电压穿 越控制策略闭锁，内环控制器参数与低电压穿越参数解耦，降低了算法寻优的难度。然后， 设置系统为故障状态，将稳态工况下内环控制器的辨识结果固定，作为辨识低电压穿越参 数的已知量，虽然低电压穿越期间内环控制器参数与低电压穿越参数耦合，但此时内环控 制器参数已知，待求变量仅为低电压穿越控制策略的单一变量。最后将辨识所得稳态工况 下控制器参数和低电压穿越工况下辨识所得低电压穿越参数组合，作为直驱发电系统低电 压模型参数。
4.4直驱发电系统低电压穿越模型参数解耦辨识
4.4.1直驱发电系统内环PI参数辨识算法
直驱发电系统在稳态工况下，系统的扰动主要来自于风速的变化，为了提高内环控制 器辨识的精度，网侧内环PI控制器参数利用第三章方法进行辨识，通过计及风速特性的条
- 34 -
件下辨识。
4.4.2直驱发电系统LVRT参数辨识算法
直驱发电系统在低电压穿越期间，系统所受扰动为大扰动，不同故障下辨识LVRT参 数的难易度不同，为了准确获得直驱发电系统LVRT参数，本文分别以并网点发生三相短 路和两相短路作为系统的扰动，电压跌落深度设置为 20%、 35%、 50%、 75%，计算不同 故障下LVRT参数的灵敏度，结果如图4-6、4-7所示，其中Q-k是指并网点无功功率作为 观测量时，k的灵敏度值。
三相短路作为扰动时，由图4-6可知，当无功功率作为观测量时，参数id0> Klvrt-p灵敏 度值较小，而参数k、、q0、Klvrt-q灵敏度值较大，因此，k、iq0、Klvrt-q为主要参数，id0、Klvrt-p 为次要参数。随着并网点电压跌落深度的变化，k变化程度较小,iqO、Klvrt-q变化程度较大, 当并网点电压跌落至35%Un时，主要参数k、iq0、Klvrt-q的灵敏度均处于较大区间。
当有功功率作为观测量时，id0、Klvrt-p为主要参数，随着工况变化，主要参数id）、Klvrt-p 灵敏度值变化不明显，综上所述，选取并网点电压跌落至35%Un,作为直驱发电系统辨识 LVRT 参数最优工况。
由图 4-7 可知，两相短路作为扰动时，两相短路时各参数平均灵敏度均小于三相短路 时各参数灵敏度各个参数的灵敏度，但总体规律与三相短路类似，当无功功率作为观测量 时，参数id0、Klvrt-p灵敏度值较小，而参数k、、q0、Klvrt-q灵敏度值较大，因此，k、q0、Klvrt-q 为主要参数，id0、Klvrt-p为次要参数，当有功功率作为观测量时，id0、Klvrt-p为主要参数， 系统并网点电压跌落至35%Un时，主要参数k、环、Klvrt-q的灵敏度均处于较大区间。
4-6三相短路下不同电压跌落值LVRT参数灵敏度对比
- 35 -
图4-7两相短路下不同电压跌落值LVRT参数灵敏度对比
当选取无功功率作为辨识LVRT参数的适应度函数时，k、iq0、Kivrr的无功灵敏度较 大，容易辨识，但会导致次要参数 id0、 Klvrt-p 辨识不精确。同理，选取有功功率作为适应 度函数会造成k、iq0、Klvrt-q辨识不精确。
因此，为了降低选取单一功率辨识 LVRT 参数造成的不利影响，本文利用并网点有功 功率和无功功率的加权作为辨识LVRT参数的适应度函数：
m
」=壬(网W)TW)+ (4-16)
W2(Q—Q*)T(Q—Q*))
式中：P为仿真模型输出有功功率列向量；P*系统输出实测有功功率列向量；Q为仿 真模型输出无功功率列向量；Q*系统输出实测无功功率列向量；i表示第i个采样点；m为 列向量中元素个数。
设置并网点电压跌落至35%Un,以有功功率为观测量，计算id0、Klvrt-p灵敏度之和F1； 以无功功率为观测量，计算k、iq0、Klvrt-q灵敏度之和F2；其中权重系数W1和“2为:
F1
F + F
F2
F + F
4.5直驱发电系统低电压穿越模型参数解耦辨识流程
基于上文所述，为解决内环控制器参数与LVRT参数耦合导致辨识困难的问题，本文 采用差分进化算法，利用本文提出的直驱发电系统低电压穿越模型参数解耦辨识方法具体 步骤如下：
1） 建立本文中的直驱发电系统模型，确定待辨识内环控制参数与LVRT参数。
2） 设置不同的风速，根据内环控制器的平均灵敏度随风速变化的特性，选出灵敏度 最大时的风速，作为辨识内环控制器参数的工况，无功功率作为目标函数。
3） 对差分进化算法的种群个体进行变异、选择、交叉操作，得到内环控制器参数。
4） 设置不同深度电压跌落，根据LVRT参数平均灵敏度随故障深度变化的特性，选出 灵敏度最大时的故障工况，作为辨识LVRT参数的工况，固定步骤3辨识得到的内环控制 器参数。
5） 固定步骤3）辨识得到的内环控制器参数，算法迭代的目标函数为式（4-17）。
6） 对差分进化算法的种群个体进行变异、选择、交叉操作，得到LVRT参数。
7）最后将辨识得到的内环控制器参数与LVRT参数组合，作为直驱发电系统低电压穿 越模型参数。
差分进化算法框图见图 4-8。
开始
图4-4参数辨识流程图
- 37 -
4.6本章小结
为了能获得准确描述直驱发电系统低电压穿越特性模型，本章提出考虑恢复暂态过程 的直驱发电系统低电压穿越模型参数解耦辨识方法，得到以下结论
1） 本章搭建了具有恢复过程的直驱发电系统模型，并通过分析得到，主导其低电压 穿越过程的特性参数包括内环控制器参数和LVRT参数，内环控制器主要控制系统动态过 程， LVRT 主要控制功率恢复的斜率和时间。
2） 通过对LVRT过程的控制方程分析，得到内环控制器参数与LVRT参数耦合，LVRT 参数辨识结果的准确性对系统辨识结果具有较大影响。
3） 针对内环控制器参数与LVRT参数耦合的问题，本章提出直驱发电系统低电压穿越 模型参数解耦辨识方法，基于灵敏度分析得到各参数的最优辨识工况，有效解决了控制策 略切换且多参数相互耦合导致辨识精度较低的问题。
- 38 -
第5 章 直驱发电系统模型参数辨识平台设计与仿真分析
5.1直驱发电系统模型参数辨识平台设计
由于在进行直驱发电系统模型参数辨识时往往需要大量的迭代步骤和复杂优化计算， 同时还需要大量的曲线分析对比工作，使得辨识工作复杂且不易应用，效果较差。对此， 本文利用 MATLAB GUI 仿真界面，搭建目前缺乏的模型参数辨识可视化平台，通过平台 可视化界面可以轻松对直驱发电系统模型进行参数辨识。
5.1.1用户可视化界面搭建
可视化界面（Graphical User Interface, GUI）由窗口、菜单和按键等组成，并可通过 点击或者输入数据等方式进行操作，使计算机执行相应的代码，从而实现计算、绘图等相 应功能［58］。用户无需进行复杂的实验过程，只需在可视化界面进行操作实现用户的实验要 求，具有操作简单，界面简洁，工作效率高等优点，已在工程分析计算以及计算机科学得 到了广泛应用［58］。
GUI在设计用户可视化界面的同时，会生成相应两个文件，分别是M文件以及fig文 件，其中fig文件包含用户界面相应布局的信息，M文件包含相应控制函数信息。函数功 能可以通过回调函数进行编辑。GUI设计流程如下：
1） 根据预使GUI完成的模型参数辨识功能，将的模块组件添加到GUI中，其中包括了 按键、输入框、输出曲线显示等模块组件；
2） 对添加的各个所需控件进行合理布局，并对布局结构进行检查和调用，保证用户的 操作方便性；
3） 打开各个控件的属性编辑器，对各控件属性进行设置，使其满足设计要求，同时利 用回调函数生成所需的功能代码； 对参数辨识界面进行编译，检测功能其是否满足所需要求。
4） 根据上述流程设计直驱发电系统模型参数辨识的可视化仿真平台。如图 5-1 所示， 直驱发电系统模型参数辨识可视化平台主要由输入数据、计及风速特性辨识算法按钮、低 电压穿越模型解耦辨识按钮、算法设置模块、参数辨识结果模块、辨识结果波形图等组成， 算法设置模块又包括迭代次数、种群规模、参数个数等子模块组成。
根据图5-1 的组成模块创建如图 5-2所示的直驱发电系统模型参数辨识可视化图形界 面，并编写所对应的回调函数，从而实现对直驱发电系统模型参数的辨识。
风电场静止无功发生器模型参数可视化仿真平台的操作步骤包括：
（1） 导入相应的输入输出数据，调用直驱发电系统模型；
（2） 对辨识算法的参数进行初始化，包括算法参数、种群以及迭代次数，选择需要 进行的辨识类型；
- 39 -
(3)对模型参数进行低电压穿越解耦参数辨识或者计及风速特性辨识，辨识结果和 曲线对比将自动输出在仿真界面；
(4)验证参数辨识的准确度并记录结果。
图 5-1 平台组成结构图
5-2 直驱发电系统模型参数辨识可视化界面
5.1.2辨识算例
利用本文搭建的直驱发电系统模型参数辨识可视化平台进行辨识，不仅节省大量的辨 识过程还能得到简洁精确的模型辨识数据，现通过新疆某风区系统利用本文搭建的直驱发 电系统模型参数辨识平台对模型参数进行辨识，直驱发电系统模型参数初始值设定为： K =8、 K =500、 K =0.83、 K =8、 R =0.36。
- 40 -
根据上述风电场直驱发电系统模型参数辨识可视化平台的操作流程对其模型参数进 行辨识，平台辨识结果数据和相应波形如图5-3所示，模型参数辨识结果均能满足实际工 程的需要，结果表明实用本文所建立的直驱发电系统模型参数辨识可视化平台进行模型参 数一键化辨识，其辨识结果均能满足模型参数辨识的所有要求，并且辨识流程得到了大大 简化，使参数辨识更加便捷、结果更加直观。因为模型参数辨识可视化平台的操作简单、 功能齐全等特点，使得该平台在研究直驱发电系统模型参数辨识方面具有一定的价值。
5.2直驱发电系统模型参数辨识平台算例分析
5.2.1传统分步辨识算法效果验证
5.2.1.1 风速稳定下传统分步辨识算法
对于低风速和高风速两种工况，依次将待辨识参数Kp2、Ki2、Kp3、Ki3、Rs数值增 加 5%，求取直驱发电系统模型各参数灵敏度，确定直驱发电系统模型主要参数与次要参
数,分别以直驱发电系统并网点输出有功功率P和无功功率Q作为观测量，基于传统分步 辨识方法分别辨识直驱发电系统模型高风速参数和低风速参数，取其平均值作为风速稳定
下传统分步辨识结果，表 5-1 为传统分步辨识结果与误差，误差定义为：
表 5-1 不同观测量下传统辨识结果
由表5-1可知，对于待辨识参数Kp2、Ki2,相比于有功功率P作为观测量，当选取无 功功率Q作为观测量时，具有较小的辨识误差和较高辨识精度；对于待辨识参数Kp3、疋3、 Rs,相比于无功功率Q作为观测量，当选取有功功率P作为观测量时，具有较小的辨识误 差和较高辨识精度；这与 3.3.2 节的参数灵敏度分析基本一致；采用传统分步辨识算法辨 识固定风速下的直驱发电系统模型参数，辨识结果误差较小，能满足工程需要，但对于风 速随机波动情况下还需要进一步讨论。
5.2.1.2风速随机波动下传统分步辨识算法；
为了进一步验证不同观测量对辨识精度的影响，当风速随机变化时，分别以并网点输 出有功功率P和无功功率Q作为观测量，基于传统分步辨识方法，以上文搭建的直驱发电 系统为测试系统进行仿真分析，验证不同观测量对辨识结果的影响，表5-2为 直驱发电系 统模型参数辨识结果。
图 5-2 风速随机波动工况不同观测量传统辨识结果
参数 真实值 有功功率为观测量 无功功率为观测量
辨识值 误差(%) 辨识值 误差 (%)
Kp2 8 7.310 & 638 7.253 9.332
Ki2 500 484.5 3.100 527.5 5.500
Kp3 0.83 0.802 3.376 0.848 2.135
Ki3 8 7.770 2.875 8.094 1.178
Rs 0.36 0.390 & 324 0.386 7.261
由图3-2和图3-4可知，不同的风速激励对各个参数灵敏度和辨识误差有不同的影响， 在低风速工况下，参数Kp3、Ki3、Rs的灵敏度值较高，能较好反映低风速模型的动态响应 特性，有利于辨识参数Kp3、Ki3、Rs,不利于辨识Kp2、Ki2；在高风速工况下，参数Kp2、 Ki2灵敏度值较高且对高风速模型的表征能力更强，有利于辨识参数Kp2、Ki2,不利于辨 识Kp3、Ki3、Rs。由此可知，当不同风速工况下的参数灵敏度差别较大时，会导致在随机 风速激励下的参数辨识结果鲁棒性较差。另一方面，对比表 5-1 和表 5-2 结果可知，在低 风速与高风速过渡期，参数Rs、Kp2的灵敏度值处于骤变状态，参数Rs、Kp2的辨识结果误 差变化值远远大于其他参数误差变化值，其中参数Rs的误差由0.928%变化至7.261%,进 一步验证了参数灵敏度随风速骤变导致其辨识结果误差大的结论。因此，传统分步辨识方 法未考虑风电场随机特性对辨识精度和稳定性的影响，部分参数之间存在一定的耦合关 系，给传统分步参数辨识带来较大的难度，即使在最优观测量选取策略下，其辨识结果鲁 棒性较差，无法满足工程要求。
5.2.2计及风速特性辨识算法验证
对此，采用本文提出的计及风速特性直驱发电系统模型算法对参数进行辨识。为了较 好的比较传统辨识方法与本文所提方法，本文以参数辨识值随迭代次数的收敛特性来评价 辨识参数的精度和收敛速度。图 5-4 为选取不同观测量的传统分步辨识方法以及计及风速 特性参数辨识算法所得模型参数辨识值随迭代次数的收敛特性曲线图。其中(a) Kp2, (b)
- 42 -
Ki2, (c) Kp3, (d)Ki3, (e)Rs,(黑色曲线为真值曲线；蓝色曲线为P是观测量；红色曲 线一一Q是观测量；黄色曲线一一计及风速特性算法)
图 5-4 迭代曲线图
由图 5-4 可知本文提出的计及风速特性算法对于处于随机风速下的直驱发电系统有较 好的辨识效果，具体表现为，其参数收敛特性曲线比传统方法得到的收敛曲线更接近真实 曲线，说明参数辨识精度得到了较大提高；本文所提方法曲线收敛速度相较于传统辨识方 法的收敛速度更快，利用较少的迭代次数即可的较为精确的辨识结果，大大提高了辨识效 率。
采用本文方法与传统分步辨识方法进行多次辨识，最终基于计及风速辨识算法的直驱 发电系统模型参数辨识结果平均值如表5-3所示。由表5-3可知，模型参数的辨识精度得 到了较大提高，辨识误差较小，其辨识结果能够满足系统仿真要求。
- 43 -
表 5-3 参数辨识结果及误差
参数 真实值 本文方法 误差(%) 传统辨识方法 误差(%)
Kp2 8 8.084 1.050 7.433 7.200
Ki2 500 495.1 0.980 522.05 4.410
Kp3 0.83 0.8312 0.150 0.8605 3.680
Ki3 8 8.010 0.120 8.176 2.200
Rs 0.36 0.361 0.470 0.376 4.480
将本文方法所得的辨识结果带入直驱发电控制系统中进行仿真，并将并网点输出的功 率曲线与真实曲线进行对比，如图 5-5 所示。由图 5-5 可知，由于考虑了风电随机特性的 影响因素，并采用了模型参数的解耦辨识策略，采用计及风速特性的直驱发电系统辨识算 法得到的辨识曲线与真实值曲线高度拟合，而传统辨识方法受到风速随机波动的影响，得 到的轨迹与真实值轨迹有明显误差。
时间/s
图 5-5 仿真曲线与真实曲线对比图
综上所述，本文所提出的计及风速特性的直驱发电系统模型参数智能辨识方法相对传 统辨识方法具有较高的精度和鲁棒性，能够对模型进行更准确的参数辨识。
5.3直驱发电系统低电压穿越模型参数辨识平台算例分析
为了验证所提方法的有效性，基于 Matlab/Simulink 平台搭建直驱发电系统模型，其机 侧变流器采用典型控制策略，网侧变流器采用本文提出具有恢复暂态过程的控制策略。本 文直驱风电场包含33台直驱风机，每台风机额定容量为1.5 MVA,额定电压为575 V,经 升压变压器汇入35 kV 母线，再经升压变压器接入220 kV 输电线路与无限大系统相连。
本文在直驱风电场35 kV母线上施加故障，t=3 s时发生三相短路故障，故障持续时间 为0.625 s,为验证本文的辨识方法适应性，设置不同的接地电阻值，使直驱风电场并网点 电压跌落至额定电压的 20%、 35%、 50%，得到并网点电压、电流、有功功率、无功功率 等数据。为了验证本文方法有效性，在满足差分进化算法的种群规模最小的前提下，兼顾 计算量与计算时间，选择种群规模为40，变异因子0.5，交叉因子0.7，迭代次数为 20次
- 44 -
5.3.1传统辨识方法效果验证
为了进一步验证 4.3.3 节分析过程，本文分别采取传统的整体辨识策略和分步辨识策 略，以并网点电压跌落至35%为例，以网侧变流器输出无功功率和有功功率加权作为观测 量，辨识结果如表 5-4。
表 5-4 低电压穿越模型整体辨识结果
参数 真值 辨识结果 误差/% 寻优范围
k 1.5 1.486 9 0.87 [0，3]
Kp3 0.83 0.75 9.6 [0.67，1]
Ki3 8 7.1 11.25 [6.4，9.6]
id0 0.1 0.235 135 [-2，2]
Klvrt-p -0.12 -0.235 2 96 [-2，2]
iq0 -0.5 -0.548 5 9.7 [-2，2]
Kvrty 0.65 -0.273 142 [-2，2]
由于 LVRT 参数没有典型值给出，辨识 LVRT 参数的优化区间只能选取大致的范围。 从表5-4可以看出，只参数k接受的范围，其他参数均出现巨大的误差。为了进一步排除 未知量个数过多导致算法寻优困难，本文采取分步辨识策略，基于灵敏度分析，将待辨识 参数分为主要参数和次要参数辨识结果如表5-5、表5-6所示。
表 5-5 LVRT 参数分步体辨识结果
参数 真值 辨识结果 误差/% 寻优范围
k 1.5 1.495 2 0.32 [0，3]
id0 0.1 0.117 17 [-2，2]
Klvrt-p -0.12 -0.212 77 [-2，2]
iq0 -0.5 -0.504 4 0.8 [-2，2]
Klvrt-q 0.65 0.279 5 57 [-2，2]
将辨识所得LVRT参数固定，辨识内环控制器参数。
表 5-6 内环控制器参数分步辨识结果
参数 真值 辨识结果 误差/% 寻优范围
Kp3 0.83 0.8 3.6 [0.67，1]
Ki3 8 7.4 7.5 [6.4，9.6]
根据表5-5和表5-6可得到分步辨识结果，对比表5-4所示的整体辨识结果可以得到， 当寻优范围不变，采用分步辨识策略， LVRT 参数和内环控制器参数分步辨识结果优于整 体辨识结果。验证了上文提到的LVRT参数辨识精度会影响内环控制器辨识的精度。将分 步辨识结果代入仿真模型，并网点功率如图 5-6 所示，故障稳态时拟合度较高，但由于内 环控制器参数与LVRT参数耦合，且控制策略切换导致观测量变化出现非平滑的特性，致
- 45 -
使 LVRT 参数难以辨识，以上仿真验证了 3.1 节分析得到的 LVRT 参数与内环控制器参数 耦合导致辨识困难的结论。
5.3.2直驱发电系统低电压穿越模型参数解耦辨识方法效果验证
对于内环控制器参数与高灵敏度LVRT参数，若想要准确辨识，需要根据低电压穿越 的控制策略，利用并网点输出有功功率、无功功率、电压、电流等数据，将内环控制器参 数LVRT参数进行解耦辨识，步骤如第四节所示，结果如表5-7、表5-8所示
表 5-7 风速 7 m/s 稳态工况下控制参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
Kp3 0.83 0.827 7 0.27 [0.67，1]
Ki3 8 8.276 6 3.46 [6.4，9.6]
表5-8 35%Un工况下LVRT参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
k 1.5 1.504 3 0.28 [0，3]
id0 0.1 0.099 6 0.39 [-2，2]
Klvrt-p -0.12 -0.123 9 3.33 [-2，2]
iq0 -0.5 -0.502 3 0.5 [-2，2]
Klvrt-q 0.65 0.666 6 2.56 [-2，2]
结合表5-7和表5-8可得到最终辨识结果，对比最终辨识结过和传统分步辨识结果可 知，采用最优工况下解耦辨识的辨识结果误差更小， LVRT 参数辨识结果误差远远小于传 统分步辨识算法辨识结果误差，验证了直驱发电系统解耦辨识方法的有效性。该方法辨识 结果误差均小于5%，能够满足工程计算需要。图 5-7 为两种分步辨识方法对比图，从图中 可看出本文方法精确度高于传统分步辨识方法。
1 〔 〔 〔 —真值曲线
丨 丨 丨 丨 一分步辨识码线
2 - ! 1 $ 卜“ 解耦辨识曲莎
I I I I I I
0 12 3 4 5 6 7
吋间/s
(a)有功功率
时问/s
(b)无功功率
图 5-7 两种辨识方法对比图
利用最优工况下的解耦辨识方法，提高了算法在辨识过程中的搜索效率和精度，能够较 准确的辨识恢复暂态控制过程的直驱发电系统低电压穿越模型。
为了验证本文所提方法的适应性，采用2组不同电压跌落的数据，分别利用本文方法 辨识35%Un结果作为辨识其他工况内环控制器参数与LVRT参数的初值，设置并网点电压 跌落至额定电压的20%和50%，辨识结果如表5-9—表5-12所示，其辨识曲线与真值曲线 对比见图5-8和图 5-9。
表5-9 20%Un工况下内环控制器参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
Kp3 0.83 0.826 3 0.44 [0.67，1]
Ki3 8 8.10 1.25 [6.4，9.6]
- 47 -
表5-10 20%Un工况下LVRT参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
k 1.5 1.501 9 0.28 [0，3]
id0 0.1 0.099 9 0.08 [-2，2]
Kvrt—p -0.12 -0.116 3.33 [-2，2]
iq0 -0.5 -0.498 9 0.22 [-2，2]
Klvrt-q 0.65 0.643 7 0.96 [-2，2]
“—
0 12 3 4 5 6 7
时间/s
(a)有功功率
图 5-8 并网点电压跌落至 20%真值曲线与辨识曲线对比图
表5-11 50%Un工况下内环控制器参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
Kp3 0.83 0.827 5 0.3 [0.67，1]
8 8.16 2.0 [6.4，9.6]
表 5-12 50%Un工况下LVRT参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
k 1.5 1.501 9 0.28 [0，3]
id0 0.1 0.103 7 3.7 [-2，2]
Klvrt-p -0.12 -0.117 2.22 [-2，2]
iq0 -0.5 -0.498 9 0.22 [-2，2]
- 48 -
Klvrt-q 0.65 0.673 7 3.66
3
辿W卑M云話根
时间/s
(b)无功功率
图 5-9 并网点电压跌落至 50%真值曲线与辨识曲线对比图
从表 5-9—表 5-12可以看出，本文所提方法在辨识低电压穿越模型当中有很好的适应 性，各个参数误差均小于 5%，满足工程误差要求。
5.3.3直驱发电系统低电压穿越模型参数解耦辨识方法稳定性验证
为了验证本文所提解耦辨识算法的稳定性，在直驱风电场35 kV母线上施加故障两相 短路，解耦辨识结果如表5-13、表5-14、表5-15所示。
表5-13 35%Un工况下模型参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
k 1.5 1.492 0.53 [0，3]
Kp3 0.83 0.841 2 1.35 [0.67，1]
Ki3 8 7.89 1.37 [6.4，9.6]
表 5-14 20%Un 工况下模型参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
k 1.5 1.504 0.27 [0，3]
Kp3 0.83 0.823 7 0.76 [0.67，1]
Ki3 8 8.189 2.31 [6.4，9.6]
id0 0.1 0.101 8 1.80 [-2，2]
Klvrt—p -0.12 -0.118 9 0.92 [-2，2]
iq0 -0.5 -0.503 1 0.62 [-2，2]
Klvrty 0.65 0.658 2 1.26 [—2, 2]
表 5-15 50%Un 工况下模型参数解耦辨识结果
参数 真值 辨识结果 误差/% 寻优范围
k 1.5 1.506 0.40 [0，3]
Kp3 0.83 0.835 1 0.61 [0.67，1]
Ki3 8 8.167 2.08 [6.4，9.6]
id0 0.1 0.101 2 1.20 [—2，2]
Klvrt—p -0.12 -0.122 1 1.75 [—2，2]
iq0 -0.5 —0.502 4 0.48 [—2, 2]
综上所述，本文提出的直驱发电系统模型参数解耦辨识方法能够较好的辨识主导直驱
发电系统动态特性的参数，对不同故障类型均有较好的适应性。
5.4 本章小结
为获得准确的描述直驱发电系统低电压穿越模型参数，提出一种考虑恢复暂态过程的 直驱发电系统的低电压穿越模型参数解耦辨识方法，通过算例仿真对所提方法验证，所得 结论如下：
1.本文搭建了具有恢复过程的直驱发电系统模型，并通过分析得到，主导其低电压穿 越过程的特性参数包括内环控制器参数和LVRT参数，内环控制器主要控制系统动态过程, LVRT 主要控制功率恢复的斜率和时间。
2.通过对LVRT过程的控制方程分析，得到内环控制器参数与LVRT参数耦合，LVRT 参数辨识结果的准确性对系统辨识结果具有较大影响。
3.针对内环控制器参数与LVRT参数耦合的问题，本文提出直驱发电系统低电压穿越 模型参数解耦辨识方法，基于灵敏度分析得到各参数的最优辨识工况，提高了参数辨识精 度，通过算例验证了本文方法相比传统方法的优越性。
- 50 -
结 论
目前直驱风力发电机作为风电场主力机型之一，获得其模型准确参数是极为重要的， 在实际仿真过程计算中，模型参数准确程度会影响电网潮流计算，故障分析，调度分析等 环节。本文通过分析直驱发电系统各个部分的工作原理，分别建立了直驱发电系统机电暂 态模型与考虑恢复暂态过程的低电压穿越模型，对于直驱发电系统提出了计及风速特性的 参数辨识方法；对于直驱发电系统低电压穿越模型提出了解耦辨识方法，并通过算例仿真 验证所提方法相较于传统方法的有效性和优越性。主要结论如下：
1） 针对风速随机特性对直驱发电系统模型参数辨识精度的影响，本文基于参数灵敏 度方法进行参数分类，建立了风速与参数灵敏度的映射关系，选取强相关的观测量对低风 速和高风速模型进行辨识，最后将辨识结果组合计及风速特性辨识算法的参数初值，对参 数不断迭代修正，得到真实反应全风速状态下的参数辨识结果，解决了模型参数灵敏度因 风速变化而骤变导致模型参数无法精确辨识的问题，所提方法相较于传统分步辨识算法即 保证了直驱发电系统参数辨识的全面性，又提高了直驱发电系统参数辨识的精度。
2） 为了获得准确的直驱风力发电系统低电压穿越模型参数以满足直驱发电并网系统 的安全可靠的要求，本文基于低电压穿越曲线特性建立了恢复暂态过程的低电压穿越控制 模型，发现了网侧内环PI控制参数与LVRT参数具有耦合关系，导致低电压穿越参数难以 辨识，为此提出一种考虑恢复暂态过程的直驱发电系统的低电压穿越模型参数解耦辨识方 法。基于灵敏度分析得到各参数的最优辨识工况，提高了参数辨识精度，通过算例验证了 本文方法相比传统方法的优越性。
3） 利用MATLAB GUI搭建直驱发电系统模型参数辨识可视化仿真界面，减轻了模型 参数辨识过程中存在的任务繁重、缺乏可视化仿真工具的现状，仿真界面可根据实际需要， 创建图形界面，并编写相应回调函数。工作人员只需在平台进行操作，无需进行复杂实验 就可实现对参数辨识分析，极大地提高了工作效率，具有一定的工程应用价值。
本文对直驱发电系统模型参数辨识方法进行了相关研究，也相应取得了一些进展。但 仍有部分问题尚需深入讨论和研究：
（1） 本文所提基于改进差分算法的低电压穿越模型参数解耦辨识方法需要进行更复 杂工况的实验和完善，以提高其实用性。
（2） 本文所搭建直驱发电系统模型参数可视化辨识平台目前只具有辨识功能，需要 进一步开发。
- 51 -
参考文献
[1]曾博，杨雍琦，段金辉，等．新能源电力系统中需求侧响应关键问题及未来研究展望 [J].电力系统自动化，2015, 39(17) ： 10-18.
[2]翁爽•限电视野下的电价改革[J].中国电力企业管理，2021，31： 18-23.
[3]李俊峰.2012中国风电发展报告[M].中国环境科学出版社，2012，11： 21-22.
[4]刘学强.互联网背景下风力发电关键技术展望探讨[J].中国设备工程，2020, 02： 229-230.
[5]任建明•“碳中和”背景下的风电发展[J].农村电气化，2021，07： 60-63.
⑹ 周双喜，鲁宗相.风力发电与电力系统[Z].中国电力出版社，2011，07： 26-27.
[7]陈嘉霖，周宏志,周星驰.风电新能源发展现状及技术发展前景研究[J].中国新通 信,2020,22(19):146-148.
[8]朱桂萍，王树民.电能质量控制技术综述[J].电力系统自动化，2002, 26(19)： 28-31.
[9]徐航，张启平，励刚，等•美加“8・14”大停电教训和启示一一兼谈华东电网化解“8 - 29” 和“9・4”重大风险[J].华北电力，2003，31(9)： 3-13.
[10]王凤翔.永磁电机在风力发电系统中的应用及其发展趋向[J].电工技术学报，2012， 27(03)： 12-24.
[11]付勋波，郭金东，赵栋利，等.直驱式风力发电系统的仿真建模与运行特性研究[J].电力
自动化设备， 2009， 29(02)： 1-5.
[12]姚骏，廖勇，庄凯.电网故障时永磁直驱风电机组的低电压穿越控制策略[J].电力系 统自动化， 2009， 33(12)： 91-96.
[13]肖磊，黄守道，黄科元，等.不对称电网故障下直驱永磁风力发电系统直流母线电压 稳定控制[J].电工技术学报，2010，25(07)： 123-158.
[14]Shao B B， Zhao S Q， Gao B F et al. An equivalent model for sub-synchronous oscillation analysis in direct-drive wind farms with VSC-HVDC systems[J]. International Journal of Electrical Power & Energy Systems， 2021， 125： 106498.
[ 1 5 ] Vargas U, Lazaroiu G C, Ramirez A. Experimental validation of a hybrid TD/FEHD model of a wind turbine generator for harmonic transient analysis[J]. Electric Power Systems Research， 2018， 163(5) ： 49-58.
[16]Qi J L， Li W X， Chao P P， et al. Generic EMT modeling method of Type-4 wind turbine generators based on detailed FRT studies[J]. Renewable Energy， 2021， 178： 1129-1143.
[17]Zhang X， He Y. Robust Model Predictive Direct Speed Control for SPMSM Drives Based on Full Parameters and Load Observer[J]. IEEE Transaction on Power Electronics， 2020， 35(8) ： 8364-8373.
- 52 -
[18]Qiao W， Yang X， Gong X．Wind Speed and Rotor Position Sensorless Control for Direct-Drive PMG Wind Turbines [J]．IEEE Transactions on Industry Applications， 2012， 48(1) ：3-11．
[19]王增平，杨国生，汤涌，等.基于特征影响因子和改进BP算法的直驱风机风电场建模 方法[J].中国电机工程学报，2019, 39(09)： 2604-2615.
[20]李庆，程鹏，王伟胜，等.考虑电网背景谐波影响的直驱风电机组谐波电流建模与分 析[J].电网技术，2018, 42(07)： 2178-2185.
[21]李光辉，王伟胜，张兴，等.考虑机侧模型的直驱风电机组序阻抗建模及分析[J].中 国电机工程学报， 2019， 39(21)： 6200-6212.
[22]刘斌，呼斯乐，王甲军，等.直驱风电场经LCC-HVDC外送系统阻抗建模及振荡机理 分析[J].中国电机工程学报，2021, 41(10)： 3492-3674.
[23]高峰，周孝信，朱宁辉，等.直驱式风电机组机电暂态建模及仿真[J].电网技术，2011, 35(11)： 29-34.
[24]肖园园，李欣然，张元胜，等.直驱永磁同步风力发电机的等效建模[J].电力系统及 其自动化学报， 2013， 25(01)： 12-28.
[25]Karrari， M， Malik， O. P. Synchronous generator third-order model parameter estimation using online experimental data[J]. Generation， Transmission & Distribution， IET， 2008， 2(5)： 708-719.
[26]高峰，赵东来，周孝信，等.直驱式风电机组风电场动态等值[J]•电网技术，2012, 36(12)： 222-227.
[27]王磊，盖春阳，王恒.基于改进D-K聚类算法的直驱型风电场动态等值建模[J].太阳 能学报， 2021， 42(03)： 48-55.
[28]周佩朋，李光范，孙华东，等.基于频域阻抗分析的直驱风电场等值建模方法[J].中 国电机工程学报， 2020， 40(S1)： 84-90.
[29]安之，沈沉，郑泽天，等.考虑风电随机性的直驱风机风电场等值模型评价方法[J].中 国电机工程学报， 2018， 38(22)： 6511-6520.
[30]杨晓波，岳程燕，谢海莲.用于电磁暂态仿真分析的永磁同步发电机风电场模型聚合 方法[J].电网技术，2011, 35(02)： 115-120.
[31]彭滋中，邓秋娥.永磁直驱风电机组控制系统综述[J].水电站机电技术,2015, 38(8): 31-35.
[32]耿华，刘淳，张兴，等•新能源并网发电系统的低电压穿越[M].北京：机械工业出 版社， 2014.
[33]张仰飞，李海峰，王伟胜等.直驱永磁同步发电机的电气参数辨识[J].电力系统自动
化， 2012， 36(14)： 150-153.
[34]黄桦，潘学萍，李佳伟等.直驱永磁风电机组 LVRT 模型参数的整定方法与实测验证
- 53 -
[J].电力自动化设备，2019，39(4)： 155-160.
[35]孙黎霞，林雪，金宇清等•基于粒子群优化算法的并网光伏发电单元建模[J].电网技 术， 2018， 38(6)： 1213-1218.
[36]晁璞璞，李卫星，金小明•基于有功响应的双馈型风电场实用化等值方法[J].中国电 机工程学报， 2013， 33(19)： 1639-1647.
[37]葛路明，曲立楠，陈宁，等.光伏逆变器的低电压穿越特性分析与参数测试方法[J].电 力系统自动化， 2018， 42(18)： 149-156.
[38]吴章晗，蔺红.基于MDPSO的永磁直驱风力发电机参数辨识[J].电测与仪表，2021， 58(08)： 83-87.
[39]张剑，何怡刚.基于轨迹灵敏度分析的永磁直驱风电场等值模型参数辨识[J].电工技 术学报， 2020， 35(15)： 3303-3313.
[40]Lalami A， Wamkeue R， Kamwa I， et al. Second-order sliding-mode observer with online parameter identification for sensorless induction motor drives[J]. IEEE Transactions on Industrial Electronics， 2014， 61(10)： 5280-5289.
[41]尹忠刚，张瑞峰，钟彦儒，等.基于抗差扩展卡尔曼滤波器的永磁同步电机转速估计 策略[J].控制理论与应用，2012，29(07)： 921-927.
[42]中国国家标准化管理委员会. GB/T 36995-2018 风力发电机组故障电压穿越能力测试 规程[S].北京：中国标准出版社，2012.
[43]曹斌，刘文焯，原帅，等.基于低电压穿越试验的光伏发电系统建模研究[J].电力系 统保护与控制， 2020， 48(18)： 146-155.
[44]颜湘武，崔森，孙雪薇，等.双馈风力发电机组全运行工况与快速启动电磁暂态建模 [J].电网技术，2021，45(04)： 1250-1260.
[45]金宇清，鞠平，潘学萍，等.光伏逆变器控制参数的分步辨识方法[J].电网技术，2015, 39(03)： 594-600.
[46]黄桦，潘学萍，李佳伟，等.直驱永磁风电机组 LVRT 模型参数的整定方法与实测验 证[J].电力自动化设备，2019，39(04)： 155-160.
[47]刘素梅，毕天姝，王晓阳，等.具有不对称故障穿越能力逆变型新能源电源故障电流 特性[J].电力系统自动化，2016，40(03)： 66-73.
[48]冯晨•基于实测数据辨识的直驱风力发电机组建模研究[D].华北电力大学,2014.
[49]方崇智，萧德云.过程辨识[M].北京：清华大学出版社，1988： 8-21.
[50]Lin J, Cheng L. Model parameters identification method for wind farms based on wide-area trajectory sensitivities. International Journal of Emerging Electric Power Systems, 2010;11(5): 2
[51]杨启文，蔡亮，薛云灿.差分进化算法综述[J].模式识别与人工智能，2008, 21(04)： 506-513.
- 54 -
[52]吴骅，吴耀武，娄素华，等.基于改进微分进化算法的负荷模型参数辨识[J]・高电压 技术， 2008， 34(9)： 1977-1981.
[53]曹祎，王路，雷民，等•基于改进粒子群算法的电流互感器J-A模型参数辨识[J]•电 测与仪表， 2021， 58(5)： 70-77.
[54]黄晓婷.基于Morris法的液压互联悬架关键参数灵敏度分析及优化[D].湖南大学， 2015.
[55]Babel S， Cintron-Rivera JG， Foster SN ， et al. Evaluation of a Parameter Identification Method for Permanent Magnet AC Machines Through Parametric Sensitivity Analysis[J]. IEEE Transactions on Energy Conversion， 2014， 29(01)： 240-249.
[56]ZHAO L H， HUANG J， LIU H， et al. Second-order sliding-mode observer with online parameter identification for sensorless induction motor drives[J]. IEEE Transactions on Industrial Electronics， 2014， 61(10)： 5280-5289.
[57]金宇清，赵泽，鞠平，等.双馈感应风力发电机的参数辨识分析[J]・高电压技术，2011, 37(7)： 1700-1705.
[58]张绍杰，刘春生.基于Matlab GUI的自动控制可视化仿真软件开发[J]・电气电子教学 学报， 2018， 40(6)： 105-110.
相关标签:
