本文關(guān)鍵詞：雙饋異步風(fēng)力發(fā)電機參數(shù)辨識

  更多相關(guān)文章： 雙饋異步風(fēng)力發(fā)電機 參數(shù)辨識 時域辨識方法 粒子群優(yōu)化算法 參數(shù)評估

【摘要】：在傳統(tǒng)煤炭石油資源日漸短缺和環(huán)境保護要求日益提高的今天,人們對新能源不斷的發(fā)展和利用,風(fēng)能已成為新能源領(lǐng)域中可開發(fā)利用水平最高,最具商業(yè)化發(fā)展的新型清潔能源。隨著風(fēng)電機組裝機容量的不斷擴大,其運行狀況對電網(wǎng)運行的穩(wěn)定性和可靠性影響也越來越大,不僅對電力系統(tǒng)的頻率、電壓和波形產(chǎn)生干擾,而且直接影響了電力系統(tǒng)調(diào)度。所以,獲取準確的風(fēng)力發(fā)電機參數(shù)有助于電力調(diào)度部門統(tǒng)籌安排調(diào)度計劃,對研究大規(guī)模風(fēng)電接入的影響和電力系統(tǒng)實時潮流計算等有著重要意義。針對實際運行中的雙饋異步風(fēng)力發(fā)電機參數(shù)難以直接測量的問題,本文以甘肅某風(fēng)電場1.5MW雙饋異步風(fēng)力發(fā)電機為研究對象,分別采用帶遺忘因子的遞推最小二乘法、模型參考自適應(yīng)法和模擬退火粒子群優(yōu)化算法來進行參數(shù)辨識,然后以辨識精度最高的算法辨識得到的發(fā)電機參數(shù)作為參數(shù)評估的依據(jù),采用基于數(shù)學(xué)模型的方法對辨識得到的參數(shù)進行評估研究。首先,在分析雙饋異步風(fēng)力發(fā)電機工作運行原理的基礎(chǔ)上,搭建三相靜止和兩相旋轉(zhuǎn)坐標系下的雙饋異步風(fēng)力發(fā)電機數(shù)學(xué)模型,并對參數(shù)的可辨識性進行分析。之后提出了兩種時域辨識算法,基于帶遺忘因子的遞推最小二乘法和基于模型參考自適應(yīng)法的雙饋異步風(fēng)力發(fā)電機參數(shù)辨識。帶遺忘因子的遞推最小二乘法克服了遞推最小二乘法因新采集的觀測數(shù)據(jù)積累造成待辨識參數(shù)值飽和而起不到更新作用的缺點,大大提高了待辨識參數(shù)的精度。模型參考自適應(yīng)法通過搭建以定子電流為狀態(tài)變量的數(shù)學(xué)模型來構(gòu)造雙饋異步風(fēng)力發(fā)電機的觀測模型和誤差模型,通過Lyapunov穩(wěn)定性設(shè)計參數(shù)的自適應(yīng)律,在MATLAB中搭建仿真模型得到參數(shù)的辨識結(jié)果,與帶遺忘因子的遞推最小二乘法相比,基于模型參考自適應(yīng)法辨識得到的參數(shù)精度更高。其次,隨著智能控制的發(fā)展,粒子群算法因計算簡單、收斂性好等特點,被廣泛的應(yīng)用到實際工程問題。但是,粒子群算法在尋優(yōu)的過程中容易因早熟而陷入局部最優(yōu)解,導(dǎo)致尋優(yōu)后期粒子多樣性不足而無法獲得全局最優(yōu)值。將模擬退火算法可以有效跳出局部最優(yōu)解的特點與粒子群算法快速尋優(yōu)的特性相結(jié)合,達到增強全局尋優(yōu)能力的目的,提出了基于模擬退火粒子群優(yōu)化算法的電氣參數(shù)辨識,通過在MATLAB中仿真驗證,基于模擬退火粒子群優(yōu)化算法辨識得到的電氣參數(shù)精度最高。最后,通過搭建雙饋異步風(fēng)力發(fā)電機的功率預(yù)測模型及建立評估可信度指標,仿真比較實際測量的功率曲線和計算功率曲線的相似度并進行計算分析,最終達到雙饋異步風(fēng)力發(fā)電機參數(shù)評估的目的。為電力系統(tǒng)調(diào)度部門評估發(fā)電機組的運行狀態(tài)、電網(wǎng)的潮流計算及研究大規(guī)模風(fēng)電接入對電網(wǎng)的影響提供依據(jù)。
【關(guān)鍵詞】：雙饋異步風(fēng)力發(fā)電機 參數(shù)辨識 時域辨識方法 粒子群優(yōu)化算法 參數(shù)評估
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM315
【目錄】：

• 摘要4-6
• Abstract6-10
• 1 緒論10-16
• 1.1 論文的選題背景和研究意義10-12
• 1.1.1 論文的選題背景10-12
• 1.1.2 論文的研究意義12
• 1.2 雙饋異步風(fēng)力發(fā)電機參數(shù)辨識的國內(nèi)外研究現(xiàn)狀12-15
• 1.3 論文的主要研究內(nèi)容15-16
• 2 雙饋異步風(fēng)力發(fā)電機的數(shù)學(xué)模型16-26
• 2.1 雙饋異步風(fēng)力發(fā)電機的工作原理16-18
• 2.2 雙饋異步風(fēng)力發(fā)電機在三相靜止坐標系下的數(shù)學(xué)模型18-22
• 2.2.1 電壓方程19-20
• 2.2.2 磁鏈方程20-21
• 2.2.3 轉(zhuǎn)矩和運動方程21-22
• 2.3 雙饋異步風(fēng)力發(fā)電機在兩相旋轉(zhuǎn)坐標系下的數(shù)學(xué)模型22-24
• 2.3.1 電壓方程23
• 2.3.2 磁鏈方程23
• 2.3.3 轉(zhuǎn)矩和運動方程23-24
• 2.4 雙饋異步風(fēng)力發(fā)電機參數(shù)可辨識性分析24-25
• 2.5 小結(jié)25-26
• 3 雙饋異步風(fēng)力發(fā)電機參數(shù)的時域辨識方法26-48
• 3.1 最小二乘法26-29
• 3.1.1 最小二乘法原理26-27
• 3.1.2 帶遺忘因子的遞推最小二乘法27-29
• 3.2 基于FFRLS的雙饋異步風(fēng)力發(fā)電機參數(shù)辨識29-37
• 3.2.1 電氣參數(shù)辨識模型29-32
• 3.2.2 機械參數(shù)辨識模型32-33
• 3.2.3 仿真分析33-37
• 3.3 基于MRAS的雙饋異步風(fēng)力發(fā)電機參數(shù)辨識37-47
• 3.3.1 模型參考自適應(yīng)系統(tǒng)37-38
• 3.3.2 電氣參數(shù)辨識模型38-41
• 3.3.3 機械參數(shù)辨識模型41
• 3.3.4 參數(shù)自適應(yīng)律的設(shè)計41-43
• 3.3.5 仿真分析43-47
• 3.4 小結(jié)47-48
• 4 基于SA-PSO的雙饋異步風(fēng)力發(fā)電機電氣參數(shù)辨識48-57
• 4.1 粒子群優(yōu)化算法48-49
• 4.1.1 帶慣性權(quán)重的粒子群算法49
• 4.1.2 帶收縮因子的粒子群算法49
• 4.2 模擬退火粒子群優(yōu)化算法49-50
• 4.3 數(shù)學(xué)模型50-51
• 4.4 基于SA-PSO算法的電氣參數(shù)辨識步驟51-53
• 4.5 基于不同算法的測試函數(shù)算例分析53-54
• 4.6 電氣參數(shù)辨識仿真分析54-56
• 4.7 小結(jié)56-57
• 5 雙饋異步風(fēng)力發(fā)電機辨識參數(shù)的評估57-64
• 5.1 參數(shù)評估的意義57
• 5.2 參數(shù)評估方法57-60
• 5.2.1 辨識參數(shù)的評估模型58-59
• 5.2.2 可信度指標的建立59-60
• 5.3 算例分析60-63
• 5.4 小結(jié)63-64
• 結(jié)論64-66
• 致謝66-67
• 參考文獻67-70
• 附錄A 仿真模型70-71
• 附錄B 機組參數(shù)及采集數(shù)據(jù)表71-74
• 攻讀學(xué)位期間的研究成果74

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 羅慧;劉軍鋒;萬淑蕓;;感應(yīng)電機參數(shù)的離線辨識[J];電氣傳動;2006年08期

，

本文編號：875034