基于粒子群算法的永磁同步风力发电机参数辨识方法技术

本发明专利技术公开了基于粒子群算法的永磁同步风力发电机参数辨识方法，步骤包括采集在i

【技术实现步骤摘要】
基于粒子群算法的永磁同步风力发电机参数辨识方法


[0001]本专利技术涉及永磁同步风力发电机领域，特别是涉及基于粒子群算法的永磁同步风力发电机参数辨识方法。

技术介绍

[0002]永磁同步风力发电机(PMSWG，Permanent Magnet Synchronous Wind Generator)凭借着功率因素高、动态性能好等优点，被广泛应用于风力发电行业中。在电机实际运行过程中，受温度、磁饱和以及噪声等因素影响，电机的电阻、电感和磁链等参数会随之发生变化。获取准确的永磁同步风力发电机参数，是保证风电机组高效运行、电力系统调度进行状态估计和实时潮流计算的重要前提。所以，对永磁同步风力发电机进行参数辨识极具实际意义；粒子群算法(PSO，Particle swarm optimization)凭借算法简单、实验成本低等优势被广泛应用于永磁同步电机参数辨识中。
[0003]现有永磁同步风力发电机由于运行过程中，电压源型逆变器非线性因素导致的电压偏差对永磁同步风力发电机参数辨识精度有不小的影响，电压偏差主要是由于死区时间的存在而导致的电压波动引发的。
[0004]公开号为CN113098342A公开了一种永磁同步风力发电机在线参数辨识方法，所述辨别方法步骤包括：随机给定永磁同步风力发电机定子电阻、dq轴电感和永磁体磁链的参数初始值；采集电气信号，计算可调模型的输出与初始参数的适应度值；确定当前个体最优参数值与群体最优参数值，并对参数值进行更新；得出新参数对应的dq轴定子电流；判断是否接受新的参数，并继续更新个体与群体参数最优值；进行快速回火退火操作，输出最优参数，所述辨别方法未考虑死亡时区存在而导致的电压波动，影响永磁同步风力发电机参数辨识精度。
[0005]因此需要一种消除死区时间影响，辨识精度高的一种基于粒子群算法的永磁同步风力发电机参数辨识方法。

技术实现思路

[0006]针对上述存在的技术问题，本专利技术提供了一种基于粒子群算法的永磁同步风力发电机参数辨识方法。
[0007]本专利技术采用以下具体的技术方案：
[0008]基于粒子群算法的永磁同步风力发电机参数辨识方法，所述方法包括以下步骤：
[0009]S1：在d
‑
q轴坐标系下，为了构建永磁同步风力发电机的电压方程的全秩方程，在d轴注入一个＝
‑
2的负序电流；
[0010]在i
d
＝0和i
d
＝
‑
2采集相同数量数据的情况下，根据永磁同步风力发电机的电压方程的四阶满秩离散化方程组，得到可调节模式下永磁同步风力发电机的电压方程：
[0011][0012]公中为可控模式下的交直轴电压，i
d
、i
q
为交直轴电流，ω
e
为电角速度,为可控模式下的定子电阻，为可控模式下的交直轴电感，为可控模式下的永磁体磁链；带下标“0”的变量表示在i
d
＝0控制策略下，带下标“1”的变量表示在i
d
＝
‑
2控制策略下，ω
e0
(k)、i
q0
(k)、为0
‑
t1时间内第k次采样的数据；ω
e1
(k)、i
d1
(k)、i
q1
(k)、为t1‑
t2时间内第k次采样的数据；
[0013]采集在i
d
＝0和i
d
＝
‑
2下的电气信号，所述电气信号包括电流、电压以及电角转速；
[0014]S2：对各粒子速度和位移进行更新，计算各粒子适应度函数值，所述粒子包括定子电阻、永磁体磁链以及交直轴电感，对各粒子速度和位移进行更新的过程如下：
[0015]S2.1：在步骤S1的基础上，构建相应的结合粒子群算法模型，其粒子群算法更新公式如下：
[0016][0017]式中，v
i
和x
i
表示粒子i的速度与位置，k表示粒子的迭代次数；P
best
为个体历史最好位置，G
best
为群体历史最好位置；r1和r2为0到1之间的随机数；c1、c2为个体和群体学习因子，ω为惯性权重；应用粒子群算法模型时，将参数学习因子c、惯性权重ω、种群数量初始化；
[0018]S2.2：采用时间补偿法对永磁同步风力发电机中逆变器死区时间进行补偿，利用时间补偿法使开关实际导通时间与理想给定时间相同，用以改善电压误差的问题，其中，驱动永磁同步风力发电机的三相脉宽调制逆变器电路中a相桥臂补偿公式如下：
[0019][0020]式中，T
aon
表示a相桥臂原信号触发导通时间，表示桥臂补偿后触发导通时间，T
error
表示实际导通时间与理想导通相差的时间；
[0021]S2.3：将最差位置加入到步骤S2.1的粒子群算法模型中，粒子群算法的社会经验部分切割成全局最好经验和全局最差经验两个部分，构建为反捕食粒子群算法，引入收缩因子其反捕食粒子群算法更新公式为：
[0022][0023]为收缩因子，c1和c3分别表示粒子飞向自身最优位置和飞离自身最差位置的加
速系数；c2和c4分别表示粒子飞向群体最优位置和飞离群体最差位置的加速系数；P
worst
为个体历史最差位置，G
worst
为群体历史最差位置；
[0024]S3：将各粒子适应度值与个体历史最好位置适应度值P
best
比较，记忆器保留适应度最小的解更新P
best
；
[0025]S4：将各粒子适应度值与群体历史最好位置适应度值G
best
比较，记忆器保留适应度最小的解更新G
best
；
[0026]S5：判断是否达到粒子群算法的终止条件，若达到条件，记忆器输出P
best
、G
best
，算法运行结束，否则返回步骤二，继续进行下一循环。
[0027]进一步地，所述步骤S2.1的标准粒子群算法中假定初始种群为N，空间维数为D，每个个体觅食过程中会产生速度和位移向量，并且粒子不断向最优位置靠近。
[0028]进一步地，所述步骤S2.3中将粒子群算法的个体认知部分切割成两部分，一部分是好经验，另一部分是坏经验。
[0029]进一步地，所述好经验指的是粒子自身最好位置的记忆，坏经验指的是粒子自身最差位置的记忆。
[0030]进一步地，所述步骤S2.3中收缩因子的表达式为：
[0031][0032]公式中收缩因子用于对c1、c2两个学习因子做出参数的限制，均衡算法收敛能力。
[0033]进一步地，所述步骤S2.3中不引入收缩因子的反捕食粒子群算法表达式为：
[0034][0035]进一步地，所述不引入收缩因子的反本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于粒子群算法的永磁同步风力发电机参数辨识方法，其特征在于，所述方法包括以下步骤：S1：在d
‑
q轴坐标系下，为了构建永磁同步风力发电机的电压方程的全秩方程，在d轴注入一个i
d
＝
‑
2的负序电流；在i
d
＝0和i
d
＝
‑
2采集相同数量数据的情况下，根据永磁同步风力发电机的电压方程的四阶满秩离散化方程组，得到可调节模式下永磁同步风力发电机的电压方程：公中为可控模式下的交直轴电压，i
d
、i
q
为交直轴电流，ω
e
为电角速度,为可控模式下的定子电阻，为可控模式下的交直轴电感，为可控模式下的永磁体磁链；带下标“0”的变量表示在i
d
＝0控制策略下，带下标“1”的变量表示在i
d
＝
‑
2控制策略下，ω
e0
(k)、i
q0
(k)、为0
‑
t1时间内第k次采样的数据；ω
e1
(k)、i
d1
(k)、i
q1
(k)、为t1‑
t2时间内第k次采样的数据；采集在i
d
＝0和i
d
＝
‑
2下的电气信号，所述电气信号包括电流、电压以及电角转速；S2：对各粒子速度和位移进行更新，计算各粒子适应度函数值，所述粒子包括定子电阻、永磁体磁链以及交直轴电感，对各粒子速度和位移进行更新的过程如下：S2.1：在步骤S1的基础上，构建相应的结合粒子群算法模型，其粒子群算法更新公式如下：式中，v
i
和x
i
表示粒子i的速度与位置，k表示粒子的迭代次数；P
best
为个体历史最好位置，G
best
为群体历史最好位置；r1和r2为0到1之间的随机数；c1、c2为个体和群体学习因子，ω为惯性权重；应用粒子群算法模型时，将参数学习因子c、惯性权重ω初始化；S2.2：采用时间补偿法对永磁同步风力发电机中逆变器死区时间进行补偿，利用时间补偿法使开关实际导通时间与理想给定时间相同，用以改善电压误差的问题，其中，驱动永磁同步风力发电机的三相脉宽调制逆变器电路中a相桥臂补偿公式如下：式中，T
aon
表示a相桥臂原信号触发导通时间，表示桥臂补偿后触发导通时间，T
error
表示实际导通时间与理想导通相差的时间；S2.3：将最差位置加入到步骤S2.1的粒子群算法模型中，粒子群算法的社会经验部分
切割成全局最好经验和全局最差经验两个部分，构建为反捕食粒子群算法，引入收缩因子其反捕食粒子群算法更新公式为：其反捕食粒子群算法更新公式为：为收缩因子，c1和c3分别表示粒子飞向自身最优位置和飞离自身最差位置的加速系数；c2和c4分别表示粒子飞向群体最优位置和飞离群体最差位置的加速系数；P
worst
为个体历史最差位置，G
worst<...

【专利技术属性】
技术研发人员：程谆，周铭锋，张阳，
申请(专利权)人：湖南铁道职业技术学院，
类型：发明
国别省市：