一种风电机组参数辨识方法
【技术领域】
[0001 ] 本发明涉及风力发电技术领域，具体地，涉及一种风电机组参数辨识方法。
【背景技术】
[0002]随着风电技术的迅速发展，我国风电的装机容量迅速增加，如今已经跃居世界第一位。风电在我国发电总量中比重的增加，使得风电并网后对电力系统安全稳定运行和电能质量的影响也越来越突出。为了提高风电机组的可靠性，保证风电机组并网后电网的可靠运行，要研究大规模风电接入对电网的具体影响及解决措施，就必须有准确的风机及风电场模型和参数，因此就提出了对风电机组模型进行参数辨识的要求。
[0003]构建风电机组模型，首先需要对风电机组的各项具体参数进行辨识。风电机组部分参数由厂家提供，但是对于其他参数厂家并未明确给出。根据电力系统大电网建设的需求，需要建立风电机组模型，因此需要对风电机组进行参数辨识。
[0004]风电机组的参数辨识过程是指在风机仿真软件中选用适当的模型描述风电机组的各种元件特性以及各项参数，其中各项参数的初始值为任意确定值，然后通过实验模拟给该选用的模型施加扰动，得到扰动下的仿真数据曲线，将该仿真数据曲线与实际中风电机组的低电压穿越测试录波数据曲线或电网扰动后录波数据曲线进行对比，整个过程中通过不断修改各项参数的数值使仿真数据曲线与实际的低电压穿越测试录波数据曲线或电网扰动后录波数据曲线达到最大限度的重合，最终各项参数的数值即为参数辨识结果。
[0005]上述风电机组的参数辨识过程一般采用遗传算法进行各项参数数值的修改。遗传算法是采用类似自然界生物遗传的方法，通过模拟自然界对生物的选择，产生适者生存、优胜劣汰的效果，进而实现优化。
[0006]传统的遗传算法操作流程是先对风电机组参数数值进行二进制编码形成基因，随后利用基因形成个体，再由个体组成种群；之后制定相应的适应度函数和评价函数对种群的基因进行函数值计算；计算完成后选择当代中适应度最高的个体作为最优个体保存起来，以后历代都会有相应的最优个体筛选保存机制，当代最优基因与上代最优基因进行对t匕，两者中更优者被保存；过程中不断对当代个体基因进行交叉、复制、变异等遗传操作产生新一代个体，直至达到优化目标或终止条件，迭代结束后，输出存储的最优个体。由于遗传算法可以很好地避免非线性环节对风电机组参数辨识过程的影响，因此得到了广泛应用。
[0007]但遗传算法的种群数目一般比较庞大，适应度函数和评价函数的复杂程度与计算执行时间有直接关系，种群个体数量达到一定值时，一代种群的适应度函数值和评价函数值的计算可能会可提升至秒级甚至分钟级，这样重复地进行几百代甚至几千代的函数值计算，流程执行过程会因适应度函数和评价函数复杂和参数数量众多而使得函数的计算过程耗时巨大，加之遗传算法中各代基因出现相同的可能性非常大，传统遗传算法对重复出现的个体没有甄别机制，仍会采取重复计算的方式来获得其适应度和评价函数值，从而导致计算过程冗余度高，参数辨识的效率低。
【发明内容】
[0008]本发明的主要目的在于提供一种风电机组参数辨识方法，以解决现有的利用遗传算法进行风电机组参数辨识的方法存在计算过程冗余度高、参数辨识效率低的问题。
[0009]为了实现上述目的，本发明提供一种风电机组参数辨识方法，包括:
[0010]步骤A，在时域仿真软件中选取与待测风电机组的元件特性及参数相匹配的风电机组模型；
[0011]步骤B，对各项参数进行二进制编码，得到所述各项参数对应的基因序列区间；
[0012]步骤C，基于所述基因序列区间随机生成多个个体作为初始种群；
[0013]步骤D，计算当前种群中每个个体的适应度和评价函数值，将当前种群的所有个体及其适应度和评价函数值存入第一存储单元，并将当前种群的最大适应度与第二存储单元存储的最优个体的适应度进行比较，若当前种群的最大适应度大于所述第二存储单元存储的最优个体的适应度，则将所述第二存储单元存储的最优个体更新为当前种群的最大适应度所对应的个体，执行复制、交叉和变异三种遗传操作更新当前种群之后重复执行步骤D，直到满足终止条件；其中，步骤D第一次执行时，当前种群为所述初始种群，所述第二存储单元存储的最优个体为所述初始种群的最大适应度所对应的个体；
[0014]步骤E，将所述第二存储单元存储的最优个体的基因序列确定为所述待测风电机组的参数辨识结果；
[0015]所述步骤D中所述的计算当前种群中每个个体的适应度和评价函数值，具体包括:
[0016]针对当前种群中的每一个个体，查找所述第一存储单元中是否存在与该个体具有相同基因序列的个体；若有，则将该个体确定为重复个体，否则，将该个体确定为新个体；
[0017]对于每一个重复个体，直接从所述第一存储单元中读取该重复个体的适应度；
[0018]对于每一个新个体，将该新个体的基因序列作为风电机组模型的参数值输入至所述时域仿真软件中，同时利用所述时域仿真软件对所述风电机组模型施加故障扰动以得到仿真数据曲线，将所述仿真数据曲线与所述待测风电机组的实际故障录波数据曲线的偏差确定为该新个体的评价函数值；结合从所述第一存储单元中读取所有重复个体的评价函数值，得到当前种群中所有个体的评价函数值，然后确定当前种群中所有个体的评价函数值的最大值；将该新个体的适应度确定为所述评价函数值的最大值与该新个体的评价函数值之差的绝对值。
[0019]借助于上述技术方案，本发明在利用遗传算法进行风电机组参数辨识的过程中，将计算得到的每一个个体的基因序列及其适应度存入第一存储单元，并在后续计算个体的适应度时先判断第一存储单元中是否已经存储有具有相同基因序列的重复个体，若有，则直接读取适应度即可，不必再进行计算，否则再进行计算，相比于现有技术，本发明在遗传算法中增加了甄别个体是否重复出现的机制，由于对重复出现的个体不必再重复计算适应度，因此可显著降低计算冗余度，大大提高参数辨识效率，节省参数辨识时间。
[0020]相应的，本发明还提供一种风电机组参数辨识方法，包括:
[0021]在时域仿真软件中选取与待测风电机组的元件特性及参数相匹配的风电机组模型；
[0022]对所述待测风电机组的电网故障阶段、功率恢复阶段和状态恢复阶段分别进行参数辨识；其中，所述电网故障阶段、功率恢复阶段和状态恢复阶段为预先对所述待测风电机组的实际故障录波数据曲线在时域下进行划分得到；所述电网故障阶段起始于所述实际故障录波数据曲线中电压阶跃式降低的时刻，终止于电压阶跃式回升的时刻；所述功率恢复阶段起始于所述实际故障录波数据曲线中电压阶跃式回升的时刻，终止于功率第一次回升至原始功率值的时刻；所述状态恢复阶段起始于所述实际故障录波数据曲线中电压阶跃式回升的时刻，终止于功率稳定于原始功率值的时刻；
[0023]将所述电网故障阶段、功率恢复阶段和状态恢复阶段的参数辨识结果合并在一起，确定为所述待测风电机组的参数辨识结果；
[0024]其中，对所述待测风电机组的电网故障阶段、功率恢复阶段和状态恢复阶段分别进行参数辨识，具体包括对所述电网故障阶段、功率恢复阶段和状态恢复阶段中的每一阶段，均执行如下步骤:
[0025]步骤A，确定该阶段涉及的各项参数，为该阶段分配一第一存储单元和一第二存储单元；
[0026]步骤B，对该阶段涉及的所述各项参数进行二进制编码，得到所述各项参数对应的基因序列区间；
[0027]步骤C，基于所述基因序列区间随机生成多个个体作为初始种群；
[0028]步骤D，计算当前种群中每个个体的适应度和评价函数值，将当前种群的所有个体及其适应度和评价函数值存入该阶段对应的第一存储单元，并将当前种群的最大适应度与该阶段对应的第二存储单元存储的最优个体的适应度进行比较，若当前种群的最大适应度大于所述第二存储单元存储的最优个体的适应度，则将所述第二存储单元存储的最优个体更新为当前种群的最大适应度所对应的个体，执行复制、交叉和变异三种遗传操作更新当前种群之后重复执行该步骤D，直到满足终止条件；其中，步骤D第一次执行时，当前种群为所述初始种群，所述第二存储单元存储的最优个体为所述初始种群的最大适应度所对应的个体；
[0029]步骤E，将所述第二存储单元存储的最优个体的基因序列确定为该阶段的参数辨识结果；
[0030]所述步骤D中所述的计算当前种群中每个个体的适应度和评价函数值，具体包括:
[0031]针对当前种群中的每一个个体，查找该阶段对应的第一存储单元中是否存在与该个体具有相同基因序列的个体；若有，则将该个体确定为重复个体，否则，将该个体确定为新个体；
[0032]对于每一个重复个体，直接从所述第一存储单元中读取该重复个体的适应度；
[0033]对于每一个新个体，将该新个体的基因序列作为风电机组模型的参数值输入至所述时域仿真软件中，同时利用所述时域仿真软件对所述风电机组模型施加故障扰动以得到仿真数据曲线，将所述仿真数据曲线与该阶段对应的所述实际故障录波数据曲线部分的偏差确定为该新个体的评价函数值；结合从所述第一存储单元中读取所有重复个体的评价函数值，得到当前种群中所有个体的评价函数值，然后确定当前种群中所有个体的评价函数值的最大值；将该新个体的适应度确定为