双馈风机结构参数在线参数辨识方法与流程

本发明属于风力发电机电气控制领域，具体涉及一种双馈风机结构参数在线辨识方法，根据双馈风机的数学模型，采集相应电压电流转速数据计算出双馈风机参数。

背景技术：

随着国家对环境保护的逐渐重视，传统的化石能源逐步被新能源所取代，像风能、太阳能等可再生能源获得了极大地发展。在风力发电领域双馈恒频风力发电机占据了主导地位，但风力发电的不确定性也给电网带来了挑战。

双馈风机在运行过程中，其中的异步发电机的结构参数电阻、电感、互感等参数，会随着温度、磁场等因素发生变化，这种变化会与标定的值产生出入，在风机控制、功率预测上，需要准确地风机结构参数，所以双馈风机的结构参数辨识是一个重要的方面，基于此，文献《吴碧巧,曾实,王天一.面向双馈风机的分层型免疫协同进化粒子群算法多参数辨识[j].科学技术与工程,2019,19(33):179-185.》中应用采集的相关数据进行分析，应用粒子群算法进行双馈风机结构参数的辨识，但粒子群算法易陷入局部最优解，在辨识精度上可能会不令人满意，而且该方法计算时间过长，风机的结构参数往往会在短时间内变化，所以该方法虽然也为在线辨识但其辨识效果并不能完全满足实际要求。

技术实现要素：

本发明的目的在于，提供一种双馈风机结构参数在线辨识方法。该方法通过进行建立双馈风机数学模型，根据风电场监控软件采集的各种实时数据，进行处理分析计算，得到较为准确地风机结构参数，实现双馈风机结构参数的在线实时精确辨识。

为实现本发明目标，采用以下技术方案：

一种双馈风机结构参数在线辨识方法，该方法包括以下步骤：

步骤1、建立待辨识双馈风机整体数学模型；

电磁转矩方程：

定子侧微分方程：

转子侧微分方程：

根据以上方程得到：

式中，uds、uqs为双馈风机定子电压d轴和q轴的分量，udr、uqr为双馈风机转子电压的d轴和q轴分量，ids、iqs为双馈风机定子电流的d轴和q轴分量，idr、iqr为双馈风机转子电流d轴和q轴分量，ψds、ψqs为双馈风机定子磁链的d轴和q轴分量，ψdr、ψqr为双馈风机转子磁链的d轴和q轴分量，rs为双馈风机定子绕组电阻，rr为双馈风机转子绕组电阻，ls为双馈风机定子绕组电感，lr为双馈风机转子绕组自感，lm为双馈风机定转子绕组间互感，ω1为同步转速，ωr为转子转速。

步骤2、明确双馈风机要辨识的参数：双馈风机转子绕组电阻rr、双馈风机定子绕组电阻rs、双馈风机转子绕组自感lr、双馈风机定子绕组电感ls、定转子绕组间互感lm；依据公式(6)的中间矩阵确定四个参数向量k，分别为[rs、ls、0、lm]、[ls，rs，lm，0]、[0，lr，rr，lm]、[lm，0，lr，rr]；

步骤3、根据所建立的双馈风机数学模型，在风电场监控系统上采集相同时间段的所需要的电流电压转速值，即双馈风机定子电压、转子电压、定子电流、转子电流，同步转速、转子转速，每个采集的实际数据量为n；

步骤4、根据式(6)将每个电压分量整理成u＝u*k^t的形式，将n组实际数据中的定子电流、转子电流、同步转速、转子转速带入整理后的式子中计算得到每个时间点的计算压电分量hj，记gj是与电流值相对应的每个时间点的采集的实际电压分量数据，j∈(1、2、3……n)；

其中，u表示电压分量，u表示对应电压分量的定子电流、转子电流，同步转速、转子转速的关系矩阵；k的初值为双馈风机标定的值；

计算gj与hj的每个时间点的误差z，并应用梯度下降法确定参数向量k与相对加权因子矩阵α和梯度误差的关系：

kj+1＝kj+δkj(11)

公式(7)为uds为双馈风机定子电压d轴分量的n组数据整理后的式子：

其中，

uds即可整理成uds＝uds*kds^t。

步骤5、α的取值对于运算结果的准确度极为重要，因为rs、ls、lm等双馈风机结构参数的值可能会相差巨大，所以在每次迭代调整其值时，调整量最好依据其自身大小，避免调整量过大造成辨识结果偏差，此外也需要根据迭代次数j确定每个参数自身的相对加权因子，取当前迭代次数下待辨识参数向量中最大值的参数kmax：

kmax＝max(k)(12)

首先确定最大参数的相对加权因子，确定最大参数的相对加权因子：首先将运算总次数n与10^a进行比较，确定满足n>10^a条件时a的取值范围，并令b＝max(a)，则最大参数的相对加权因子为10^-b；

然后以所确定最大值的那个参数作为分子，参数向量中的其他参数作为分母，得到最大值的参数与其他参数的各自比值，将各自比值与10^ai进行比较，确定满足比值大于10^ai时所对应ai的取值范围，找到ai中的最大值，记为si，则其他参数的相对加权因子为10^-b-si；i为其他参数的个数；

以k＝[rs、ls、0、lm]为例，当前待辨识参数为rs、ls、lm，若rs为最大值：

n＞10^a(13)

b＝max(a)(14)

αrs＝10^-b(15)

再确定其他参数ls、lm：

e＝rs/ls(16)

e＞10^a1(17)

s1＝max(a1)(18)

αls＝10^-b-s1(19)

v＝rs/lm(20)

v＞10^a2(21)

s2＝max(a2)(22)

αlm＝10^-b-s2(23)

上述中a、ai均是根据不等式所确定的一个范围。

得到当前待辨识参数的相对加权因子矩阵α＝[αrs，αls，0，αlm]，带入步骤4中式(8)至式(11)中进行计算，经过n次以上计算得到的当前参数向量k的最终值，从而得到要辨识的rs、ls、lm的值；在每次迭代时都对相对加权因子的进行动态调整，提高辨识的精度。

步骤6、再令k分别为[ls，rs，lm，0]、[0，lr，rr，lm]、[lm，0，lr，rr]，应用步骤4和步骤5的方法计算ls、rs、rr、lr、lm的值，每个参数得到多个结果，对每个参数的结果求均值得到最终ls、rs、rr、lr、lm的辨识值。

本发明方法中迭代次数优选n＝8000～10000，采集周期为5ms。

与现有方法相比，本发明的有益效果在于：

(1)本方法应用相对加权因子，解决了迭代过程中参数调整量过大的问题，根据参数相对大小和迭代次数计算每个参数适合自己的相对加权因子，从而提高了辨识精度。

(2)本方法相对于粒子群、遗传等算法计算速度快，在风机运行过程中，风机结构参数电阻电感等可能会在短时间内变化，本方法在短时间内就可以辨识出真实值，提高了辨识的效率，对于风并网控制拥有重要意义。

(3)本方法与卡尔曼滤波法等离线参数辨识方法相比，实现了在线辨识，辨识过程只需要完成双馈风机的建模，在风电场监控系统上采集所需的数据即可实现辨识，双馈风机的数学模型相同，不需要考虑风机型号差别带来的差异，一次建模即可大规模应用，具有良好的实用性，易融入到风机监控系统中。

附图说明

图1为分别应用最小二乘法、粒子群算法、本发明方法进行辨识结果的误差率曲线图。

图2本发明方法流程图。

具体实施方式

下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。

本实施例一种双馈风机结构参数在线辨识方法：

步骤1、建立待辨识双馈风机整体数学模型；

电磁转矩方程：

定子侧微分方程：

转子侧微分方程：

根据以上方程得到：

式中，uds、uqs为双馈风机定子电压d轴和q轴的分量，udr、uqr为双馈风机转子电压的d轴和q轴分量，ids、iqs为双馈风机定子电流的d轴q轴分量，idr、iqr为双馈风机转子电流d轴和q轴分量，ψds，ψqs为双馈风机定子磁链的d轴和q轴分量，ψdr，ψqr为双馈风机转子磁链的d轴和q轴分量，rs为双馈风机定子绕组电阻，rr为双馈风机转子绕组的电阻，ls为双馈风机定子绕组电感，lr为双馈风机转子绕组自感，lm为双馈风机定转子绕组间互感，ω1为同步转速，ωr为转子转速。

步骤2、明确双馈风机要辨识的参数：双馈风机转子绕组电阻rr、双馈风机定子绕组电阻rs、双馈风机转子绕组自感lr、双馈风机定子绕组电感ls、定转子绕组间互感lm；依据公式(6)的中间矩阵确定四个参数向量k，分别为[rs、ls、0、lm]、[ls，rs，lm，0]、[0，lr，rr，lm]、[lm，0，lr，rr]；

步骤3、根据所建立的双馈风机数学模型，采集相同时间段的所需要的电流电压转速值，即双馈风机定子电压、转子电压、定子电流、转子电流，同步转速、转子转速，采集40s的数据，采集周期为5ms，每个采集的实际数据量为8000，n＝8000；

步骤4、根据式(6)将每个电压分量整理成u＝u*k^t的形式，将n组实际数据中的定子电流、转子电流、同步转速、转子转速带入整理后的式子中计算得到每个时间点的计算压电分量hj，记gj是与电流值相对应的每个时间点的采集的实际电压分量数据，j∈(1、2、3……n)；

其中，u表示电压分量，u表示对应电压分量的定子电流、转子电流，同步转速、转子转速的关系矩阵；k的初值为双馈风机标定的值；

计算gj与hj的每个时间点的误差z，并应用梯度下降法确定参数向量k与相对加权因子矩阵α和梯度误差的关系：

kj+1＝kj+δkj(11)

双馈风机定子电压d轴分量uds的n组数据整理后的式子为公式(7)：

其中，uds即可整理成uds＝uds*kds^t，此时k＝[rs、ls、0、lm]。

k的初值为双馈风机标定的值(rs＝1.23ω，rr＝2.855ω，ls＝0.008h，lr＝0.012h，lm＝0.0034h，为已知值)。

同理uqs即可整理成uqs＝uqs*kqs^t，此时k＝[ls，rs，lm，0]；udr即可整理成udr＝udr*kdr^t，此时k＝[0，lr，rr，lm]；uqr即可整理成uqr＝uqr*kqr^t，此时k＝[lm，0，lr，rr]。

其中α为相对加权因子矩阵，经过n(8000)次以上计算得到的k的最终值，从而得到要辨识的rs、ls、lm的值。

步骤5、α的取值对于运算结果的准确度即为重要，因为rs、ls、lm等双馈风机结构参数的值可能会相差巨大，所以在每次迭代调整其值时，调整量最好依据其自身大小，避免调整量过大造成辨识结果偏差，此外也需要根据迭代次数确定每个参数自身的相对加权因子提高辨识精度。

以k＝[rs、ls、0、lm]为例，首先选取待辨识参数向量中最大值，根据运算总次数n，确定最大值的相对加权因子值如式(13)到式(15)，再依次求取最大值对其余值的倍数，根据倍数位数和总的运算次数n计算对应参数的相对加权因子，进而得到相对加权因子矩阵。在每次迭代时都应用以上公式进行相对加权因子的动态调整，这样即使初值有较大偏差，也能弥补，提高辨识的精度。具体过程如下：

取参数向量中最大值的参数：

kmax＝max(k)(12)

首先确定最大参数的相对加权因子，若rs为最大值：

n＞10^a(13)

b＝max(a)(14)

αrs＝10^-b(15)

再确定其他参数ls、lm：

e＝rs/ls(16)

e＞10^a1(17)

s1＝max(a1)(18)

αls＝10^-b-s1(19)

v＝rs/lm(20)

v＞10^a2(21)

s2＝max(a2)(22)

αlm＝10^-b-s2(23)

上述中a、ai均是根据不等式所确定的一个范围。

得到了参数向量[rs、ls、0、lm]下的当前迭代次数下的相对加权因子矩阵α＝[αrs，αls，0，αlm]；

经过n(8000)次以上计算得到的k的最终值，从而得到要辨识的rs、ls、lm的值。

步骤6、根据式(6)整理后分别得到uqs、udr、uqr各自的参数向量，分别为[ls，rs，lm，0]，[0，lr，rr，lm]，[lm，0，lr，rr]，应用步骤4和步骤5的方法计算ls、rs、rr、lr、lm的值，每个参数得到多个结果，对每个参数的结果求均值得到最终ls、rs、rr、lr、lm的辨识值。

取一台双馈风机试验台，对其分别应用粒子群算法、最小二乘法、本方法进行双馈风机参数辨识，其辨识结果如表1所示，待辨识参数为ls、rs、rr、lr、lm。本方法辨识的误差率对于其他两种方法误差率较低。本发明方法辨识时间为7s，而粒子群算法辨识时间为15s，本发明方法计算时间短且精度高。所以本方法完全满足双馈风机结构参数在线辨识的要求。

表1多种方法获得的双馈风机结构参数辨识结果

本发明未述及之处适用于现有技术。