[发明专利]基于扩展卡尔曼滤波的双馈风机变流器控制参数辨识方法

说明书

本发明公开一种基于扩展卡尔曼滤波的双馈风力发电机变流器控制参数辨识方法。该方法包括：构建完整的双馈风机变流器控制系统模型；确定待辨识参数包括控制器PI环节中的各积分系数和比例系数；结合轨迹灵敏度对变流器控制参数进行可辨识性及辨识的难易程度分析；基于扩展卡尔曼滤波(EKF)的迭代过程，利用实际运行过程中可以直接测量的相量，转子侧、定子侧和电网侧的电压和电流，建立控制系统的参数辨识模型；通过重复辨识，并对实验结果进行分析，得到最终的参数辨识结果。本发明可以有效解决由于PI控制器的输入和输出终端直接测试较为困难，导致控制器参数无法直接辨识的问题，参数辨识的结果较为准确，且整个过程简单，计算速度快。

技术领域

本发明涉及电力系统领域，特别是涉及一种基于扩展卡尔曼滤波的双馈风力发电机变流器控制参数辨识方法。

背景技术

中国风电发展迅速。截至2017年底，我国风电新增装机容量累计达到19.66千兆瓦，装机容量达到168.2兆瓦，居世界第一。永磁风力发电机(PMSG)和双馈风力发电机(DFIG)是我国常用的两种风力发电机，由于效率高、可控性好，在不同领域得到了成功的应用。在风力发电系统的研究中，需要准确的风电机组模型参数。实际上，在实际电网中安装的风电机组品牌和类型很多。但由于检测技术或知识产权保护不足，多数厂家没有提供准确的模型参数。此外，在风电场运行期间，每台风机的实际参数值可能会在运行一段时间后从初始设定值变化，这可能导致模拟与实际情况之间出现较大偏差，有时会对系统造成损害。因此，针对风机实际运行状态下的参数辨识一直是研究的热点。

目前，针对参数辨识方法主要包括：扩展卡尔曼滤波(EKF)、神经网络、基于模型参考的方法、基于最小二乘的方法、自适应技术和改进粒子群算法等优化算法。这些方法广泛应用于风力发电机的电气系统和传动系统的参数识别，但关于DFIG控制器的参数识别模型较少。控制器作为DFIG的重要组成部分。其控制方式和模型参数对动态特性有很大影响。有学者提出，可以将各个PI控制器的输入输出端引出，逐个测试PI控制器的参数。但是，这种方法只能在厂家的配合下实施，很难推广。因此考虑利用实际运行过程中可以直接测量的相量，建立控制系统的参数辨识模型。

由于不同的相量在实际运行过程中受不同控制参数的影响，因此，结合扩展卡尔曼滤波算法的迭代过程，将测量量分别作为输入向量和量测向量引入算法，可以建立完整的DFIG控制参数辨识模型，且计算精度高，速度快。

发明内容

本发明的目的是提供一种基于扩展卡尔曼滤波的双馈风力发电机变流器控制参数辨识方法，以提高风机模型参数的精准度，为后续的仿真奠定良好的基础。

为实现上述目的，本发明提供了如下方案：

构建完整的双馈风机变流器控制系统模型；

所述待辨识参数包括变流器控制系统PI环节中的各积分系数和比例系数K_p1～K_p7，K_i1～K_i7；

基于轨迹灵敏度对所述变流器控制参数进行可辨识性及辨识的难易程度分析；

基于扩展卡尔曼滤波(EKF)算法的迭代过程，利用实际运行过程中可以直接测量的相量，转子侧、定子侧和电网侧的电压和电流，建立所述控制系统的参数辨识模型；

通过重复辨识，并对实验结果进行分析，得到所述控制器参数的最终辨识结果。

可选的，所述构建完整的双馈风机变流器控制系统模型，具体包括：

建立转子侧变流器(RSC)控制系统的代数方程和动态方程；

建立网侧变流器(GSC)控制系统的代数方程和动态方程。