一种适用于双馈感应发电机的动态状态估计方法及系统与流程

本发明涉及电力系统状态估计，尤其涉及一种适用于双馈感应发电机的动态状态估计方法及系统。

背景技术：

1、近年来，随着全球人口的增加和生活水平的提高，对能源的需求也在上升。如今化石燃料储量的逐渐减少以及存在的污染性，使得风能作为一种可再生能源逐渐成为满足社会需求和取代化石燃料的绝佳替代品。现在风力发电已经达到相当成熟的水平，双馈感应发电机(doubly-fed induction generator，dfig)由于其高效、稳定和多功能性已成为主流选择。

2、由于dfig的高度非线性和复杂性，确保其在电网中的安全稳定运行是一项具有挑战性的任务。为了应对这些挑战，动态状态估计(dynamic state estimation，dse)已成为dfig相关研究的有效辅助和重要组成部分。dse利用数学模型和算法对风力涡轮机的实际运行状态进行实时估计和预测，确保其在电力系统中的安全可靠运行。

3、集合卡尔曼滤波(ensemble kalman filter，enkf)是卡尔曼滤波的一种非线性变体，其采用集成方法，使用样本集成来估计状态空间的分布，这更适合处理高维状态空间。enkf提供了并行计算的优势，确保了大规模系统的实时估计，同时保持了滤波精度。因此enkf在风电系统dse中具有很大应用前景。然而传统的enkf是以均方误差(mean squareerror，mse)作为代价函数，其在量测噪声为高斯假设下表现最优。但当数据中有离群值时或量测噪声服从非高斯分布时，其估计精度会受到严重影响。而在dse时往往会存在一些外部干扰，也即相量测量单元(phasor measurement units,pmu)所得的数据会受到物理或人为影响，从而使得实际获取的数据中包含非高斯噪声。此种情况下应用传统enkf进行dse，则会产生较大的估计误差。因此，针对实际工况中非高斯噪声条件下增强enkf对风电场dse的鲁棒性具有重要意义。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了一种适用于双馈感应发电机的动态状态估计方法及系统解决现有方法针对非高斯测量噪声环境下的估计精度较差导致风力涡轮机安全性较低的问题。

4、为解决上述技术问题，本发明提供如下技术方案：

5、第一方面，本发明提供了一种适用于双馈感应发电机的动态状态估计方法，包括：

6、获取风力涡轮机的实际运行状态，通过相量测量单元获得电压和电流数据并作为测量向量；

7、将定子电压和电流电抗输入双馈感应发电机模型；

8、采用扩展核风险敏感损失作为代价函数，得到ekrsl-enkf算法；

9、利用测量数据和得到的ekrsl-enkf算法进行动态状态估计，实现非高斯噪声下双馈感应发电机准确估计。

10、作为本发明所述的适用于双馈感应发电机的动态状态估计方法的一种优选方案，其中：

11、所述测量向量分别是双馈感应发电机转子转速ωr，直流电压量udc，风机注入电网电流的d轴分量和q轴分量id，iq，测量向量的公式表示为：

12、zk＝[ωr，udc，id，iq]t

13、作为本发明所述的适用于双馈感应发电机的动态状态估计方法的一种优选方案，其中：

14、所述双馈感应发电机模型中的非线性离散状态空间模型表示为：

15、

16、其中，f表示系统动力学方程的离散形式，wk-1和vk分别是过程噪声和测量噪声协防差分别为qk和rk，h表示测量方程的离散形式，xk表示状态向量，uk表示输入向量，zk表示测量向量。

17、作为本发明所述的适用于双馈感应发电机的动态状态估计方法的一种优选方案，其中：

18、所述ekrsl-enkf算法包括预测阶段和更新阶段，其中ekrsl-enkf预测阶段，包括以下步骤：

19、通过状态方程和测量方程得到状态向量集合状态集合的平均值

20、定义测量集合和测量集合的平均值

21、通过状态向量集合状态集合的平均值测量集合和测量集合的平均值得到状态向量和测量向量的协方差矩阵以及状态向量和测量向量之间的互协方差

22、作为本发明所述的适用于双馈感应发电机的动态状态估计方法的一种优选方案，其中：

23、所述状态向量集合状态集合的平均值表示为：

24、

25、其中，n表示样本的数量并且i表示第i个样本。

26、所述测量集合和测量集合的平均值表示为：

27、

28、所述状态向量和测量向量的协方差矩阵以及状态向量和测量向量之间的互协方差表示为：

29、

30、作为本发明所述的适用于双馈感应发电机的动态状态估计方法的一种优选方案，其中：

31、所述ekrsl-enkf算法包括预测阶段和更新阶段，其中ekrsl-enkf更新阶段，包括以下步骤：

32、定义伪测量矩阵hk和先验估计误差δ；

33、将测量方程线性化，得到统计线性回归方程；

34、将统计线性回归方程带入扩展核风险敏感损失中求解；

35、采用梯度法，令损失函数jekrsl对最优估计的微分项等于0；

36、应用矩阵求逆定理将更新方程化简为卡尔曼滤波的更新形式，得到最优状态估计的解。

37、作为本发明所述的适用于双馈感应发电机的动态状态估计方法的一种优选方案，其中：

38、定义伪测量矩阵hk和先验估计误差δ表示为：

39、

40、

41、所述测量方程线性化的公式表示为：

42、

43、所述得到统计线性回归方程表示为：

44、

45、所述令损失函数jekrsl对最优估计的微分项等于0的公式表示为：

46、

47、所述应用矩阵求逆定理将更新方程化简为卡尔曼滤波的更新形式表示为：

48、

49、

50、

51、

52、第二方面，本发明提供了一种适用于双馈感应发电机的动态状态估计系统，包括：

53、获取模块，获取风力涡轮机的实际运行状态，通过相量测量单元获得电压和电流数据并作为测量向量；

54、输入模块，将定子电压和电流电抗输入双馈感应发电机模型；

55、得到模块，采用扩展核风险敏感损失作为代价函数，得到ekrsl-enkf算法；

56、实现模块，利用测量数据和得到的ekrsl-enkf算法进行动态状态估计，实现非高斯噪声下双馈感应发电机准确估计。

57、第三方面，本发明提供了一种计算设备，包括：

58、存储器，用于存储程序；

59、处理器，用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述适用于双馈感应发电机的动态状态估计方法的步骤。

60、第四方面，本发明提供了一种计算机可读存储介质，包括：所述程序被处理器执行时，实现所述的适用于双馈感应发电机的动态状态估计方法的步骤。

61、本发明的有益效果：本发明基于ekrsl-enkf的dfig状态估计，能有效减少非高斯噪声对估计精度的影响，保证dfig状态估计的有效性；在非高斯噪声条件下估计精度高于传统的以mse为代价函数的enkf的估计精度，确保风力涡轮机在电力系统中的安全可靠运行。