吴林林,张家安,刘东,李飞,王潇,刘辉
(1.国网冀北电力有限公司电力科学研究院,北京 100045;2.河北工业大学人工智能与数据科学学院,天津 300401;3.河北建筑工程学院信息管理系,河北张家口 075400)
风力发电以其发电量大、环境污染小等优点,得到了政府的大力支持。风力发电机根据运行原理不同分为多种类型,其中,双馈异步风力发电机目前占主导地位。双馈异步风力发电机可以根据风速的变化进行恒频发电、最大功率跟踪[1]、变桨矩控制等。风机通过变流器[2]将风机转子与电网连接,在转子、定子、电网之间进行功率交换。在风电场运行中,存在机组老化、控制系统版本升级等情况,使得调度运行分析中的风电场发电机模型参数产生一定的不确定性,在一定程度上对电力系统仿真及安全稳定运行产生影响,使得风机参数辨识成为解决该问题的重要手段。目前风电控制系统中,转子侧控制器[3]、网侧控制器多采用PID控制[4],[5],所以须要针对性地开展相关研究。
目前,参数辨识方法主要有最小二乘法[6]、卡尔曼滤波法[7]、人工神经网络算法[8]、遗传算法[9]、参考模型法[10]、蚁群算法[11]、模拟退火算法[12]、粒子群优化算法及相关方法的混合算法[13]等。其中最小二乘法在处理非线性系统时,其辨识偏差较大,如对于风机控制器等参数要求极高、不确定性较强的系统,最小二乘法及其衍生方法不能满足精度要求。卡尔曼滤波法是用于线性系统状态估计的方法。神经网络[14]方法能够模拟复杂的非线性系统,多层神经网络、大量数据反复训练能够逼近复杂的非线性函数,但风机运行过程风速不断变化,数据特性相关性会较小,辨识过程也要在风机运行中进行,神经网络方法难以满足实时辨识的要求。……