定速感應風力發電機組的等效建模探究

龔廣京

（河海大學能源與電氣學院，江蘇南京,211100）

0 引言

分析風力發電機組對接入系統的暫態影響，需要建立機組的模型。定速感應風力發電機組（FSIG）由風力機、傳動軸及齒輪箱、籠式異步發電機和無功補償電容組成，機理復雜，建立詳細的模型比較困難。系統辨識法將被研究系統當作黑箱，重點擬合系統外特性，適用于復雜系統。因此，本文基于系統辨識法，建立定速感應風力發電機組等效模型，采用粒子群優化算法辨識模型參數，并在MATLAB 中進行仿真驗證。

1 定速感應風力發電機組的等效模型結構

研究風電機組對接入系統的暫態影響時，只需計及電網故障發生前一瞬間風電機組承受的風速，由于暫態過程較短，可以忽略風速的變化。因此，只需建立反映風電機組并網點電壓和輸出功率的關系模型。

本文將電力系統勵磁模型應用到風電系統，等效模型建構如下所示：

式中：m ≤n，bm、bm-1、…、b0、an-1、…、a0為常系數；Y為風電場輸出的有功功率或無功功率；Y0為風電場輸出的有功功率或無功功率穩態值；U 為風電場并網點電壓；U0為電壓穩態值。

2 基于粒子群優化算法的參數辨識

2.1 粒子群優化算法原理

粒子群算法（PSO）是模擬自然界中鳥群覓食行為而研發出的一種智能優化算法。采用粒子群算法解決問題時，每個優化問題的解分別由搜索空間中的一個粒子表示，所有的粒子都有一個被優化的函數決定的適應值，并有一個速度向量控制每個粒子飛行的方向和距離，所有粒子通過跟蹤當前的最優粒子在解空間中搜索最優解。

假設在一個D 維搜索空間中，n 個粒子組成一個群體，第i個粒子在D 維搜索空間中的位置和速度分別表示為：

在每次迭代過程中，每個粒子在搜索過程中都

要考慮兩個最優值：一個是各粒子迄今為止搜索到的最優值；另一個是全部粒子在整個空間中搜索到的最優值。分別表示為：

則在下次迭代中，粒子的速度和位置向量迭代公式如下：

式中：i=1,2,…,n；d=1,2,…,D；k 是當前迭代次數； c1、c2為加速因子，分別表征粒子在向個體極值和全局極值靠近過程中的調整權重；w 是慣性權重，反映上次迭代中粒子速度對本次迭代中粒子速度的影響；ζ 和η 為[0,1]上均勻分布的隨機數，用來保證群體的多樣性。

2.2 參數辨識原理

非線性系統參數辨識的方法主要以優化為主，尋找一組最優參數向量θ*，使得誤差函數值E 達到最小。在定速感應風力發電機組等效模型中，待辨識參數為bm、bm-1、…、b0、an-1、…、a0，設立誤差函數為：式中：N 為采樣點數量；n 為等效模型的階次；Ym為實際觀測的有功或者無功功率值（即真實值）；Y 為等效模型的有功或無功功率值，θ 為待辨識的參數。

將誤差函數作為粒子群的適應函數，并利用實際觀測的并網點端電壓和輸出功率數據，就可以對其進行優化求解。利用粒子群優化算法辨識等效模型參數的原理如圖1 所示。

圖1 等效模型辨識原理Fig. 1 Schematic of equivalent model identification

2.3 基于粒子群優化算法的參數辨識步驟

由于粒子群優化算法是一種啟發式的隨機搜索算法，所以每次會得到不同的最優值。因此為降低隨機性的影響，本文以多次計算誤差函數后所得的平均值作為最終的評價指標。

為確定模型的階次，由低到高依次計算各階次模型的最優參數θ*及誤差函數值E(n)，通過比較不同階次下E 的值，確定等效模型的最優階次。具體步驟如下[6]：

1) 設定等效模型的階次范圍及各模型階次下的計算次數；

2) 初始化粒子群算法的各參數值，包括粒子群的規模、加速因子、慣性權重、迭代次數、搜索空間，并初始化粒子空間的位置向量和速度向量；

3) 根據誤差函數（7）計算所有粒子初始適應度，即誤差函數值；

4) 根據式（6）更新各粒子的位置、速度和適應度，并找到當前個體最優值和全局最優值；

5) 判斷是否達到設定的最大迭代次數，如果沒有則返回至步驟4，如果已經達到最大迭代次數，則轉至步驟6；

6) 根據式（7）計算誤差函數值E；

7) 判斷是否已達到設定的算法次數，如沒有則返回至步驟2，如果達到轉至步驟8；

8) 計算全部算法執行次數下E 的平均值。

9) 判斷設定的階次是否全部計算結束，如沒有則返回至步驟1，如果結束轉至步驟10；

10) 通過比較不同階次對應的E 的平均值，確定等效模型的最優階次，進而得出等效模型中的參數。

3 仿真實驗

本文采用MATLAB/Simulink 中的FSIG 風電場模型進行仿真驗證，見圖2。風電場等值機由6 臺容量為1.5MW 的FSIG 風力發電機組成，風電場出口處帶有400KVar 無功補償電容，故障點設置在25KV 與120KV 單回線路的正中間，路線長度為20km。

圖2 算例系統Fig. 2 System scheme

設定等效模型的階次范圍為1 至5 階，在每種階次下，分別運行算法15 次，然后計算誤差函數E 的平均值。通過比較E 的平均值確定模型的最優階次。

輸入風速保持恒速6m/s，系統120KV 高壓輸電線路中點設置三相短路故障，故障持續時間為0.1s，故障引起系統PCC 處電壓跌落0.05pu，電壓擾動如圖3 所示。將PCC 電壓作為輸入變量，風電場輸出有功、無功功率作為輸出變量，辨識得等效模型參數如表1 所示，模型最優階次為3 階。圖3 為詳細模型與等效模型輸出的仿真結果。

圖3 擾動電壓Fig. 3 voltage disturbance

表1 參數的辨識結果Table. 1 Estimation result

由圖4 可見，等效模型和實際模型的動態響應曲線基本保持一致，有功和無功的變化幾乎重合。有功誤差ε=2.96%，無功誤差ε=2.65%，滿足誤差要求。

4 結論

本文針對FSIG 風力發電機組，以并網電壓作為輸入變量，輸出功率為輸出變量，采用粒子群優化算法，建立了定速感應風力發電機組等效模型，通過仿真驗證了等效模型的準確性。

圖4 電網故障擾動動態響應曲線Fig. 4 dynamic response curve under system fault

[1] 王武.鼠籠式感應風力發電系統的優化控制[J].實驗室研究與探索,2013 (4):75-78.

[2] 王聰,劉永前.風力發電系統的建模與仿真研究[J].中國電力教育:上,2006 (S1).

[3] 張慧玲,郝思鵬,袁越,等.基于實測數據的雙饋風電機組外特性研究及簡化建模[J].電力系統保護與控制, 2013,41(17): 82-87.

[4] 龍云,王建全.基于粒子群游算法的同步發電機參數辨識[J].大電機技術,2003 (1): 8-11.

[5] 金宇清,趙澤,鞠平,等.雙饋感應風力發電機的參數辨識分析[J].高電壓技術,2011, 37(7): 1700-1705.

[6] 趙洋,韋莉,張逸成,等.基于粒子群優化的超級電容器模型結構與參數辨識[J].中國電機工程學報,2012, 32(15): 155-161.