收稿日期：2023-02-09

基金項(xiàng)目：國(guó)家自然科學(xué)基金（51877174）；國(guó)網(wǎng)陜西省電力有限公司科技項(xiàng)目（5226KY220013）

通信作者：段建東（1973—），男，博士、教授，主要從事電力系統(tǒng)分析、繼電保護(hù)、新能源接入等方面的研究。duanjd@xaut.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2023-0127 文章編號(hào)：0254-0096（2024）05-0018-09

摘 要：該文通過(guò)構(gòu)建雙饋風(fēng)力發(fā)電機(jī)組轉(zhuǎn)子側(cè)與網(wǎng)側(cè)控制系統(tǒng)包含8個(gè)PI控制器待辨識(shí)參數(shù)的內(nèi)、外環(huán)傳遞函數(shù)作為參數(shù)辨識(shí)模型，基于此提出內(nèi)外環(huán)施加不同擾動(dòng)源的激勵(lì)方法和基于改進(jìn)灰狼算法的分步參數(shù)辨識(shí)方法。為避免內(nèi)外環(huán)PI控制器之間的級(jí)聯(lián)問(wèn)題，特別選出3個(gè)合理的內(nèi)外環(huán)觀測(cè)量。最后，建立雙饋風(fēng)力發(fā)電機(jī)組仿真模型，測(cè)試所提分步辨識(shí)方法可行性，對(duì)比擾動(dòng)下實(shí)際模型與辨識(shí)模型的觀測(cè)量輸出，證明辨識(shí)方法的準(zhǔn)確性。

關(guān)鍵詞：變流器；參數(shù)辨識(shí)；傳遞函數(shù)；雙饋風(fēng)力發(fā)電機(jī)組；灰狼算法

中圖分類(lèi)號(hào)：TM614" " " " " " 文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著風(fēng)電機(jī)組高比例大規(guī)模并網(wǎng)，電網(wǎng)安全穩(wěn)定運(yùn)行問(wèn)題突出［1-2］。雙饋風(fēng)力發(fā)電機(jī)組作為風(fēng)力發(fā)電最主要使用的機(jī)型而備受關(guān)注。合理且準(zhǔn)確的控制器參數(shù)，是研究其并網(wǎng)暫態(tài)特性的基礎(chǔ)［3-6］。因此，對(duì)于雙饋風(fēng)力發(fā)電機(jī)組變流器控制參數(shù)辨識(shí)具有重要的研究?jī)r(jià)值。

雙饋風(fēng)力發(fā)電機(jī)組待辨識(shí)參數(shù)分為自身電氣參數(shù)［7-9］以及與變流器相關(guān)的控制參數(shù)兩類(lèi)。本文主要將針對(duì)變流器控制參數(shù)進(jìn)行辨識(shí)，常用的控制器參數(shù)辨識(shí)可分為時(shí)域法和頻域法兩類(lèi)：頻域法［10-12］通過(guò)在輸入端給系統(tǒng)施加擾動(dòng)信號(hào)，后根據(jù)輸出信號(hào)的頻率響應(yīng)進(jìn)行參數(shù)辨識(shí)；時(shí)域法［13-17］在控制器數(shù)學(xué)模型的基礎(chǔ)上，采用智能算法進(jìn)行參數(shù)辨識(shí)。

文獻(xiàn)［10-11］推導(dǎo)了雙饋感應(yīng)式發(fā)電機(jī)（doubly fed induction generator， DFIG）轉(zhuǎn)子側(cè)與網(wǎng)側(cè)變流器控制系統(tǒng)傳遞函數(shù)，在參考信號(hào)上施加偽隨機(jī)信號(hào)，根據(jù)輸入輸出信號(hào)的功率譜，得到傳遞函數(shù)的頻率序列，利用優(yōu)化算法進(jìn)行參數(shù)辨識(shí)。但是，在工程應(yīng)用中，無(wú)法實(shí)現(xiàn)將隨機(jī)序列直接施加至實(shí)際DFIG控制器的參考信號(hào)上。文獻(xiàn)［12］提出將變化的風(fēng)速作為激勵(lì)信號(hào)，根據(jù)風(fēng)速的自功率譜以及風(fēng)速與轉(zhuǎn)速的互功率譜，計(jì)算DFIG驅(qū)動(dòng)系統(tǒng)的頻率序列，并進(jìn)行參數(shù)辨識(shí)。

文獻(xiàn)［13］建立永磁直驅(qū)風(fēng)力發(fā)電機(jī)逆變器控制傳遞函數(shù)模型，提出基于粒子群優(yōu)化算法的分步辨識(shí)方法，實(shí)現(xiàn)了無(wú)功電流支撐系數(shù)與內(nèi)環(huán)PI控制參數(shù)的分步辨識(shí)；文獻(xiàn)［14］提出一種基于卡爾曼濾波的DFIG變流器控制系統(tǒng)參數(shù)辨識(shí)方法，并構(gòu)建離散化迭代方程作為參數(shù)辨識(shí)模型；文獻(xiàn)［15］建立含有虛擬慣量控制的DFIG簡(jiǎn)化模型，在此基礎(chǔ)上，提出一種基于自適應(yīng)擴(kuò)展卡爾曼濾波的控制參數(shù)在線辨識(shí)方法；文獻(xiàn)［16］建立DFIG轉(zhuǎn)子側(cè)變流器控制系統(tǒng)雙輸入單輸出的等效模型，在此基礎(chǔ)上提出基于正余弦優(yōu)化算法的參數(shù)辨識(shí)方法，然而，并未驗(yàn)證所提方法在網(wǎng)側(cè)的適用性；文獻(xiàn)［17］提出一種“分步辨識(shí)、交互迭代”的參數(shù)辨識(shí)方法，選擇功率作為觀測(cè)量，通過(guò)多輪迭代提高辨識(shí)精度，但是，由于內(nèi)外環(huán)控制器之間存在級(jí)聯(lián)，選擇功率作為觀測(cè)量會(huì)增加辨識(shí)難度，需要通過(guò)多輪實(shí)驗(yàn)，操作復(fù)雜。

為此，本文在建立轉(zhuǎn)子側(cè)變流器（rotor side converter，RSC）與網(wǎng)側(cè)變流器（grid side converter，GSC）控制系統(tǒng)參數(shù)辨識(shí)模型的基礎(chǔ)上，分析擾動(dòng)源與觀測(cè)量的合理選取，進(jìn)而提出雙饋風(fēng)力發(fā)電機(jī)組控制參數(shù)的分步辨識(shí)方法及其算法。

1 變流器及控制系統(tǒng)參數(shù)辨識(shí)模型

DFIG變流器由GSC與RSC組成。GSC用于維持直流母線電壓的穩(wěn)定、保證輸入電流正弦和控制輸入功率因數(shù)，RSC主要用以對(duì)DFIG定子輸出有功、無(wú)功功率控制。2個(gè)控制器雖然控制目標(biāo)不同，但均采用電壓定向矢量控制，且均為雙PI結(jié)構(gòu)。RSC的PI控制參數(shù)為有功功率外環(huán)[[kp1，ki1]]，電流內(nèi)環(huán)[[kp2，ki2]]。GSC的PI控制參數(shù)為電壓外環(huán)[[kp3，ki3]]，電流內(nèi)環(huán)[[kp4，ki4]]。由于考慮無(wú)功補(bǔ)償能力，轉(zhuǎn)子與網(wǎng)側(cè)無(wú)功控制外環(huán)均采用電流參考值輸入，不存在無(wú)功功率外環(huán)PI。

如表1所示，待辨識(shí)的控制器參數(shù)共有8個(gè)，且存在控制器之間級(jí)聯(lián)的情況，因此在單一擾動(dòng)下參數(shù)無(wú)法進(jìn)行同時(shí)辨識(shí)［18-19］。本文提出一種使用“不同擾動(dòng)、分步辨識(shí)”方法。

考慮到合理且準(zhǔn)確反映控制器動(dòng)態(tài)特性的模型是參數(shù)辨識(shí)的基礎(chǔ)，本文首先需要建立轉(zhuǎn)子側(cè)與網(wǎng)側(cè)內(nèi)外參數(shù)辨識(shí)的模型。

1.1 轉(zhuǎn)子側(cè)數(shù)學(xué)模型

RSC內(nèi)外環(huán)總體控制邏輯如圖1所示。

1.1.1 RSC電流內(nèi)環(huán)

內(nèi)環(huán)控制邏輯如圖1所示，據(jù)此建立轉(zhuǎn)子側(cè)一階開(kāi)環(huán)傳遞函數(shù)，作為RSC內(nèi)環(huán)參數(shù)辨識(shí)模型，輸入為[Irdref-Ird]，輸出為[urd]。由于[dq]軸電流內(nèi)環(huán)參數(shù)相同，且不考慮無(wú)功外環(huán)，故本文以[d]軸為例展開(kāi)分析與研究。

在定子電壓定向到[d]軸的矢量控制策略下，轉(zhuǎn)子側(cè)電壓可表達(dá)為：

[urd=Rrird+σLrdirddt-ωslip-Lmω1LsUs+σLrirqurq=Rrirq+σLrdirqdt+ωslipσLrird] （1）

式中：[urd]、[urq]——RSC電壓[d、q]軸分量；[ird]、[irq]——轉(zhuǎn)子電流[d、q]軸分量；[Rr]、[Lr]——RSC阻抗；[σ]——漏磁系數(shù)，[σ=1-Lm/LrLs]。

通過(guò)電機(jī)參數(shù)查詢和轉(zhuǎn)子電流測(cè)量，可依據(jù)以上參數(shù)及變量計(jì)算得到轉(zhuǎn)子電壓作為參數(shù)辨識(shí)過(guò)程中的實(shí)際模型的結(jié)果。忽略高頻電力電子變流器的時(shí)滯，則有：

[urd=urdrefurq=urqref] （2）

根據(jù)式（1），消去前饋補(bǔ)償項(xiàng)[vrd_comp]后，可得到轉(zhuǎn)子電壓與轉(zhuǎn)子電流的方程。

[urd=Rrird+σLrdirddturq=Rrirq+σLrdirqdt] （3）

建立轉(zhuǎn)子電壓至轉(zhuǎn)子電流的傳遞函數(shù)：

[ird（s）urd（s）=1Rr+σLrsirq（s）urq（s）=1Rr+σLrs] （4）

根據(jù)式（4）建立RSC內(nèi)環(huán)傳遞函數(shù)作為參數(shù)辨識(shí)模型如圖2所示。

1.1.2 RSC功率外環(huán)

外環(huán)控制邏輯如圖1所示，據(jù)此建立轉(zhuǎn)子側(cè)雙PI三階閉環(huán)傳遞函數(shù)，作為RSC外環(huán)參數(shù)辨識(shí)模型，輸入為[Psref-Ps]，輸出為[Ird]。

根據(jù)建立的雙閉環(huán)控制邏輯可得到，內(nèi)環(huán)有兩部分構(gòu)成，其一為電流參考值經(jīng)過(guò)PI與系統(tǒng)傳遞函數(shù)，其二為補(bǔ)償項(xiàng)經(jīng)過(guò)系統(tǒng)傳遞環(huán)數(shù)，最終建立電流內(nèi)環(huán)至轉(zhuǎn)子電流的閉環(huán)傳遞函數(shù)：

[ird（s）=kp2s+ki2σLrs2+（kp2+Rr）s+ki2irdref（s）+" " " " " " " " " " " sσLrs2+（kp2+Rr）s+ki2vd_compirq（s）=kp2s+ki2σLrs2+（kp2+Rr）s+ki2irqref（s）+" " " " " " " " " " " sσLrs2+（kp2+Rr）s+ki2vq_comp] （5）

進(jìn)一步推導(dǎo)加入外環(huán)PI控制后得到最終功率外環(huán)至轉(zhuǎn)子電流的三階閉環(huán)傳遞函數(shù)為：

[Pchazhi（s）=kp1kp2s2+（kp1ki2+ki1kp2）s+ki1ki2σLrs3+（kp2+Rr）s2+ki2sird（s）+" " " " " " " " " " " " " " " " "sσLrs3+（kp2+Rr）s2+ki2svd_compirq（s）=kp2s+ki2σLrs2+（kp2+Rr）s+ki2irqref（s）+" " " " " " " " " " " sσLrs2+（kp2+Rr）s+ki2vq_comp] （6）

將雙閉環(huán)控制框圖進(jìn)一步化簡(jiǎn)，得到RSC外環(huán)參數(shù)辨識(shí)模型，如圖3所示。

1.2 網(wǎng)側(cè)數(shù)學(xué)模型

GSC內(nèi)外環(huán)總體控制邏輯如圖4所示。

1.2.1 GSC電流內(nèi)環(huán)

根據(jù)圖4內(nèi)環(huán)控制邏輯建立單PI內(nèi)環(huán)二階傳遞函數(shù)，作為GSC內(nèi)環(huán)參數(shù)辨識(shí)模型，輸入為[Igdref-Igd]，輸出[Igd]。在電網(wǎng)電壓定向到[d]軸的矢量控制策略下，網(wǎng)側(cè)電壓可以表達(dá)為：

[vgd=-Lgdigddt-Rgigd+ω1Lgigq+ugdvgq=-Lgdigqdt-Rgigq-ω1Lgigd] （7）

式中：[vgd]、[vgq]——GSC交流側(cè)電壓[dq]軸分量；[ugd]——電網(wǎng)電壓[d]軸分量；[igd]、[igq]——GSC輸入電流的[dq]軸分量；[ω1]——同步轉(zhuǎn)速；[Rg]、[Lg]——GSC進(jìn)線阻抗。

通過(guò)電機(jī)參數(shù)查詢和網(wǎng)側(cè)電流、并網(wǎng)點(diǎn)電壓測(cè)量，可依據(jù)以上參數(shù)及變量計(jì)算并在消去前饋補(bǔ)償項(xiàng)，得到網(wǎng)側(cè)電壓方程。

[vgd=-Lgdigddt-Rgigdvgq=-Lgdigqdt-Rgigq] （8）

根據(jù)電壓方程可推導(dǎo)出網(wǎng)側(cè)電壓到電流的傳遞函數(shù)：

[igd（s）vgd（s）=1Lgs+Rgigq（s）vgq（s）=1Lgs+Rg] （9）

與內(nèi)環(huán)PI傳遞函數(shù)相結(jié)合，最終形成完整內(nèi)環(huán)傳遞函數(shù)：

[igd（s）=kp4s+ki4Lgs2+（kp4+Rg）s+ki4igdref（s）+" " " " " " " " " " " "sLgs2+（kp4+Rg）s+ki4vgd_comp（s）igq（s）=kp4s+ki4Lgs2+（kp4+Rg）s+ki4igqref（s）+" " " " " " " " " " " sLgs2+（kp4+Rg）s+ki4vgq_comp（s）] （10）

根據(jù)二階閉環(huán)傳遞函數(shù)建立GSC內(nèi)環(huán)參數(shù)辨識(shí)模型如圖5所示。

1.2.2 GSC電壓外環(huán)

首先根據(jù)圖4外環(huán)控制邏輯建立雙閉環(huán)傳遞函數(shù)，外環(huán)輸入為[vdcref-vdc]，經(jīng)過(guò)外環(huán)PI得到網(wǎng)側(cè)[d]軸電流參考值，與[d]軸電流實(shí)際值做差，經(jīng)過(guò)第2個(gè)PI，在消除前饋補(bǔ)償項(xiàng)后，最終輸出為[Igd]。

[igd（s）=kp3kp4s2+（kp3ki4+ki3kp4）+ki3ki4Lgs3+（kp4+Rg）s2+ki4svdcref（s）-vdc（s）+" " " " " " " " " " " sLgs2+（kp4+Rg）s+ki4vgd_comp（s）igq（s）=kp4s+ki4Lgs2+（kp4+Rg）s+ki4igqref（s）+" " " " " " " " " " " sLgs2+（kp4+Rg）s+ki4vgq_comp（s）] （11）

根據(jù)式（11）建立GSC外環(huán)參數(shù)辨識(shí)模型，如圖6所示。

2 控制參數(shù)分步辨識(shí)思想與方法

2.1 控制參數(shù)辨識(shí)的總體思路

本文提出的分步辨識(shí)通過(guò)施加不同擾動(dòng)，選取合理的觀測(cè)量進(jìn)行分步辨識(shí)的邏輯框圖如圖7所示。

1）擾動(dòng)源選擇。由于單一擾動(dòng)下無(wú)法實(shí)現(xiàn)內(nèi)外環(huán)參數(shù)同時(shí)辨識(shí)，所以必須施加不同擾動(dòng)。內(nèi)環(huán)參數(shù)辨識(shí)時(shí)，首先屏蔽前一級(jí)PI控制器的干擾，并選擇偽隨機(jī)序列作為擾動(dòng)源向電流施加；外環(huán)參數(shù)辨識(shí)時(shí)，選擇機(jī)端電壓抬升作為擾動(dòng)源。

2）觀測(cè)信號(hào)選擇。首先需要考慮易測(cè)量計(jì)算得到的，其次是能夠直接反映PI控制器響應(yīng)的物理量。因此RSC內(nèi)環(huán)參數(shù)辨識(shí)時(shí)，選擇轉(zhuǎn)子電壓[ur]作為觀測(cè)信號(hào)；外環(huán)參數(shù)辨識(shí)時(shí)選擇轉(zhuǎn)子電流[Ir]作為觀測(cè)信號(hào)。GSC內(nèi)外環(huán)均選擇網(wǎng)側(cè)電流[Ig]作為觀測(cè)信號(hào)。

3）分步辨識(shí)方法。對(duì)電流內(nèi)環(huán)PI控制器施加擾動(dòng)，并屏蔽前一級(jí)控制器干擾，將辨識(shí)結(jié)果作為已知量代入外環(huán)參數(shù)辨識(shí)過(guò)程中，實(shí)現(xiàn)內(nèi)外環(huán)分步辨識(shí)。

2.2 參數(shù)辨識(shí)方法

在建立網(wǎng)側(cè)、轉(zhuǎn)子側(cè)內(nèi)外環(huán)參數(shù)辨識(shí)模型的基礎(chǔ)上，進(jìn)一步研究采用引入萊維飛行與動(dòng)態(tài)權(quán)重的改進(jìn)灰狼算法 ［20］的DFIG控制參數(shù)尋優(yōu)辨識(shí)方法。個(gè)體更新位置公式如式（12）所示：

[Xk（t+1）=13i=1，2，3biXi（t+1）] （12）

式中：[bi]——基于適應(yīng)度的比例權(quán)重，[X]——個(gè)體位置，其更新公式如式（13）所示：

[bi=f（Xi）f（X1）+f（X2）+f（X3）] （13）

式中：[f（Xi）]——3頭精英狼在目標(biāo)函數(shù)下的適應(yīng)度值。

基于參數(shù)辨識(shí)模型與引入萊維飛行與動(dòng)態(tài)權(quán)重的改進(jìn)灰狼算法的分步辨識(shí)方法邏輯框圖如圖8所示，具體步驟為：

1） 屏蔽外環(huán)信號(hào)變化，對(duì)內(nèi)環(huán)施加擾動(dòng)。得到實(shí)際模型的仿真結(jié)果[Ri]。將辨識(shí)模型中的PI參數(shù)值作為待辨識(shí)量，并初始化狼群。

2） 對(duì)辨識(shí)模型施加相同擾動(dòng)，并得到仿真結(jié)果Si。

3） 按式（14）計(jì)算所有解的適應(yīng)度。

[f=i=1n（Ri-Si）2] （14）

4） 利用式（14）計(jì)算灰狼個(gè)體的適應(yīng)度并按排序，將前3位定義為[α、β、δ]狼，并保存其位置為[Xα、Xβ、Xδ]；

5） 根據(jù)適應(yīng)度排序更新前3頭狼，不斷進(jìn)行迭代搜索，直至到達(dá)最大迭代次數(shù)，截止迭代，輸出最優(yōu)適應(yīng)度函數(shù)值。

6） 將內(nèi)環(huán)參數(shù)辨識(shí)結(jié)果作為已知量代入外環(huán)辨識(shí)模型中，重復(fù)步驟2）～5）。

7） 得到內(nèi)外環(huán)2個(gè)PI的參數(shù)值。

8） 將結(jié)果代入?yún)?shù)辨識(shí)模型中進(jìn)行仿真驗(yàn)證。

3 模型測(cè)試與辨識(shí)仿真分析

為了測(cè)試本文提出的分步參數(shù)辨識(shí)方法的有效性，在Matlab/Simulink仿真平臺(tái)建立DFIG并網(wǎng)模型，圖9為DFIG并網(wǎng)結(jié)構(gòu)示意圖，其主要電氣參數(shù)如表2所示。PI控制器真實(shí)值參考項(xiàng)目提供的廠家實(shí)際模型參數(shù)，其搜索范圍如表2所示。

待辨識(shí)的參數(shù)真實(shí)值及其搜索范圍如表3所示。

3.1 參數(shù)辨識(shí)模型驗(yàn)證

RSC參數(shù)辨識(shí)模型與實(shí)際模型在相同擾動(dòng)下觀測(cè)量的波形對(duì)比，結(jié)果如圖10所示。

皮爾遜（Pearson）相關(guān)系數(shù)r法是衡量變量[X]與[Y]相關(guān)程度的一種方法，取值范圍是［[-1，1]］。相關(guān)系數(shù)絕對(duì)值越大，則表明相關(guān)度越高。通常根據(jù)表4中的區(qū)間范圍判斷變量之間的相關(guān)性。

對(duì)仿真得到的相同擾動(dòng)下實(shí)際與參數(shù)辨識(shí)模型結(jié)果使用Pearson分析波形相似度。由表4、表5可知，RSC內(nèi)外環(huán)參數(shù)辨識(shí)模型與實(shí)際模型在相同擾動(dòng)下的動(dòng)態(tài)響應(yīng)結(jié)果存在極強(qiáng)相關(guān)性。

GSC內(nèi)外環(huán)參數(shù)辨識(shí)模型與實(shí)際模型在相同擾動(dòng)下觀測(cè)量結(jié)果，如圖11所示。

對(duì)仿真得到的相同擾動(dòng)下實(shí)際與參數(shù)辨識(shí)模型結(jié)果使用Pearson分析波形相似度。根據(jù)表6中Pearson結(jié)果分析，GSC內(nèi)、外環(huán)辨識(shí)模型與實(shí)際模型在相同擾動(dòng)下的動(dòng)態(tài)響應(yīng)結(jié)果存在強(qiáng)相關(guān)性。

通過(guò)上述波形對(duì)比與分析，證明在相同擾動(dòng)下本研究建立的RSC、GSC參數(shù)辨識(shí)模型均能準(zhǔn)確反映實(shí)際模型的動(dòng)態(tài)及穩(wěn)態(tài)響應(yīng)。

3.2 RSC參數(shù)辨識(shí)

屏蔽電網(wǎng)電壓信號(hào)，向轉(zhuǎn)子電流輸入偽隨機(jī)序列擾動(dòng)，將轉(zhuǎn)子電壓作為觀測(cè)量進(jìn)行辨識(shí)，設(shè)置電壓抬升至1.3 pu情況將內(nèi)環(huán)辨識(shí)結(jié)果代入辨識(shí)外環(huán)。RSC參數(shù)辨識(shí)結(jié)果如表7所示。

根據(jù)參數(shù)辨識(shí)結(jié)果分析，RSC內(nèi)外環(huán)PI辨識(shí)結(jié)果與真實(shí)值之間的相對(duì)誤差均在7.5%以下，且[ki1]與[ki2]的誤差極小不足1%，證明了本文方法的可行性。由于在實(shí)際方法運(yùn)用中，參數(shù)真實(shí)值無(wú)從得知。因此，需要將辨識(shí)值代入辨識(shí)模型中，得到仿真結(jié)果，并與實(shí)際結(jié)果進(jìn)行對(duì)比，如圖12所示。

對(duì)仿真得到的相同擾動(dòng)下實(shí)際值與辨識(shí)值對(duì)應(yīng)的轉(zhuǎn)子電壓結(jié)果使用Pearson分析波形相似度。根據(jù)表8中Pearson結(jié)果分析，RSC辨識(shí)值與真實(shí)值對(duì)應(yīng)的波形的相似度達(dá)到0.98以上，外環(huán)全過(guò)程的波形相似度為1.0，具有極強(qiáng)相關(guān)性，證明了RSC辨識(shí)值與真實(shí)值之間誤差滿足精度要求。

3.3 GSC參數(shù)辨識(shí)

屏蔽母線電壓信號(hào)，向網(wǎng)側(cè)電流輸入偽隨機(jī)序列擾動(dòng)，將網(wǎng)側(cè)電流作為觀測(cè)量使用改進(jìn)灰狼算法進(jìn)行辨識(shí)，設(shè)置電壓抬升至1.3 pu情況下，使用改進(jìn)灰狼算法進(jìn)行辨識(shí)。網(wǎng)側(cè)參數(shù)辨識(shí)結(jié)果如表9所示。

根據(jù)參數(shù)辨識(shí)結(jié)果分析，網(wǎng)側(cè)PI辨識(shí)結(jié)果與真實(shí)值之間的相對(duì)誤差均在3%以下，[kp3、kp4、ki4]的相對(duì)誤差小于2%，表明了本文方法的準(zhǔn)確性。同樣將辨識(shí)值代入辨識(shí)模型中，得到仿真結(jié)果，并與真實(shí)結(jié)果進(jìn)行對(duì)比，如圖13所示。對(duì)仿真得到的相同擾動(dòng)下真實(shí)值與辨識(shí)值對(duì)應(yīng)的網(wǎng)側(cè)電流結(jié)果使用Pearson相關(guān)系數(shù)分析波形相似度。根據(jù)表10中Pearson結(jié)果分析，GSC外環(huán)辨識(shí)值與真實(shí)值對(duì)應(yīng)的網(wǎng)側(cè)電流

波形相似度達(dá)到0.70以上，具有強(qiáng)相關(guān)性；內(nèi)環(huán)波形相似度均高于0.99，具有極強(qiáng)相關(guān)性，證明了網(wǎng)側(cè)辨識(shí)值與真實(shí)值之間誤差滿足精度要求。

4 結(jié) 論

本文提出一種DFIG變流器PI控制參數(shù)分步辨識(shí)方法，建立了準(zhǔn)確的數(shù)學(xué)模型表征變流器控制系統(tǒng)信號(hào)傳遞過(guò)程，并采用改進(jìn)灰狼算法作為辨識(shí)算法，最終通過(guò)仿真驗(yàn)證了研究的參數(shù)辨識(shí)方法對(duì)于變流器兩側(cè)控制系統(tǒng)辨識(shí)具備可行性，且辨識(shí)精度較高。本文的主要研究工作如下：

1）本文建立了RSC、GSC內(nèi)外環(huán)傳遞函數(shù)表征變流器控制系統(tǒng)信號(hào)傳遞過(guò)程，將其作為參數(shù)辨識(shí)模型，實(shí)際模型與辨識(shí)模型之間波形相似度均高于0.7，表明建立模型的合理性與準(zhǔn)確性。

2）提出針對(duì)不同環(huán)節(jié)的4組PI控制器參數(shù)施加不同擾動(dòng)，進(jìn)行分步辨識(shí)的方法及引入改進(jìn)灰狼算法辨識(shí)算法，有效避免了存在級(jí)聯(lián)的2個(gè)控制器相互干擾無(wú)法準(zhǔn)確辨識(shí)的問(wèn)題。

3）大量仿真測(cè)試標(biāo)明所研究的參數(shù)辨識(shí)方法對(duì)于變流器兩側(cè)控制系統(tǒng)辨識(shí)具備可行性，轉(zhuǎn)子側(cè)辨識(shí)誤差小于7.5%，網(wǎng)側(cè)辨識(shí)誤差小于3%，表明辨識(shí)精度較高，與實(shí)際工程中無(wú)法得知待辨識(shí)值的情況相符。

本文研究的辨識(shí)方法，可以為新能源控制系統(tǒng)PI參數(shù)辨識(shí)提供思路參考。值得一提的是，本文在后續(xù)研究中將深入開(kāi)展基于雙饋風(fēng)力發(fā)電機(jī)組真實(shí)控制器實(shí)測(cè)數(shù)據(jù)的參數(shù)辨識(shí)方法驗(yàn)證。

［參考文獻(xiàn)］

［1］ 何世恩， 董新洲. 大規(guī)模風(fēng)電機(jī)組脫網(wǎng)原因分析及對(duì)策［J］. 電力系統(tǒng)保護(hù)與控制， 2012， 40（1）： 131-137， 144.

HE S E， DONG X Z. Cause analysis on large-scale wind turbine tripping and its countermeasures［J］. Power system protection and control， 2012， 40（1）： 131-137， 144.

［2］ WESSELS C， FUCHS F W. High voltage ride through with FACTS for DFIG based wind turbines［C］//2009 13th European Conference on Power Electronics and Applications. Barcelona， Spain， 2009： 1-10.

［3］ ASMINE M， BROCHU J， FORTMANN J， et al. Model validation for wind turbine generator models［J］. IEEE transactions on power systems， 2011， 26（3）： 1769-1782.

［4］ 田芳， 黃彥浩， 史東宇， 等. 電力系統(tǒng)仿真分析技術(shù)的發(fā)展趨勢(shì)［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2014， 34（13）： 2151-2163.

TIAN F， HUANG Y H， SHI D Y， et al. Developing trend of power system simulation and analysis technology［J］. Proceedings of the CSEE， 2014， 34（13）： 2151-2163.

［5］ DU W J， CHEN X， WANG H F. Impact of dynamic interactions introduced by the DFIGs on power system electromechanical oscillation modes［J］. IEEE transactions on power systems， 2017， 32（6）： 4954-4967.

［6］ TANG W， HU J B， CHANG Y Z， et al. Modeling of DFIG-based wind turbine for power system transient response analysis in rotor speed control timescale［J］. IEEE transactions on power systems， 2018， 33（6）： 6795-6805.

［7］ 李輝， 吳優(yōu)， 謝翔杰， 等. 基于改進(jìn)PSO的雙饋風(fēng)電機(jī)組傳動(dòng)鏈參數(shù)辨識(shí)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（12）： 134-142.

LI H， WU Y， XIE X J， et al. Parameter identification of transmission chain for doubly-fed wind turbine based on improved particle swarm optimization［J］. Acta energiae solaris sinica， 2021， 42（12）： 134-142.

［8］ 王紅， 梁俊霞， 胡佳琳. 基于[αβ]坐標(biāo)系模型的雙饋風(fēng)力發(fā)電機(jī)參數(shù)辨識(shí)［J］. 電力系統(tǒng)保護(hù)與控制， 2014， 42（20）： 81-85.

WANG H， LIANG J X， HU J L. Doubly-fed wind power generator parameter identification based on the αβ coordinate model［J］. Power system protection and control， 2014， 42（20）： 81-85.

［9］ 張鑄， 姜金美， 張小平. 改進(jìn)灰狼優(yōu)化算法的永磁同步電機(jī)多參數(shù)辨識(shí)［J］. 電機(jī)與控制學(xué)報(bào)， 2022， 26（10）： 119-129.

ZHANG Z， JIANG J M， ZHANG X P. Multi-parameter identification of permanent magnet synchronous motor based" on" improved" grey" wolf" optimization" algorithm［J］. Electric machines and control， 2022， 26（10）： 119-129.

［10］ 潘學(xué)萍， 溫榮超， 鞠平， 等. 雙饋風(fēng)電機(jī)組網(wǎng)側(cè)控制器參數(shù)辨識(shí)的頻域方法［J］. 電網(wǎng)技術(shù)， 2015， 39（3）： 634-638.

PAN X P， WEN R C， JU P， et al. A frequency-domain based method to identify parameters of grid side converter controller" for" doubly" fed" induction" generators［J］. Power system technology， 2015， 39（3）： 634-638.

［11］ 潘學(xué)萍， 鞠平， 溫榮超， 等. 解耦辨識(shí)雙饋風(fēng)電機(jī)組轉(zhuǎn)子側(cè)控制器參數(shù)的頻域方法［J］. 電力系統(tǒng)自動(dòng)化， 2015， 39（20）： 19-25， 108.

PAN X P， JU P， WEN R C， et al. Decoupling estimation of parameters in rotor side controller of DFIG-based wind turbine by frequency domain method［J］. Automation of electric power systems， 2015， 39（20）： 19-25， 108.

［12］ PAN X P， JU P， WU F， et al. Parameter estimation of drive system in a fixed-speed wind turbine by utilising turbulence excitations［J］. IET generation， transmission amp; distribution， 2013， 7（7）： 665-673.

［13］ 秦繼朔， 賈科， 孔繁哲， 等. 基于尋優(yōu)算法的永磁風(fēng)機(jī)并網(wǎng)逆變器故障穿越控制參數(shù)分步辨識(shí)［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2021， 41（S1）： 59-69.

QIN" "J" S，" JIA" K，" KONG" "F" Z，" et" al." Step-by-step identification of fault ride-through control parameters of grid-connected inverter with permanent magnet fan based on" optimization" algorithm［J］. Proceedings" of" the CSEE， 2021， 41（S1）： 59-69.

［14］ 李立， 鄭天悅， 黃世樓， 等. 基于擴(kuò)展卡爾曼濾波的DFIG變流器控制系統(tǒng)參數(shù)辨識(shí)方法［J］. 電網(wǎng)與清潔能源， 2022， 38（12）： 50-60.

LI L， ZHENG T Y， HUANG S L， et al. A parameters identification method of DFIG converter control system based on extended Kalman filter［J］. Power system and clean energy， 2022， 38（12）： 50-60.

［15］ 王彤， 邢其鵬， 李鴻恩， 等. 計(jì)及虛擬慣量控制的DFIG等效慣量在線評(píng)估與響應(yīng)特性分析［J］. 電力系統(tǒng)保護(hù)與控制， 2022， 50（11）： 52-60.

WANG T， XING Q P， LI H E， et al. Online evaluation and response characteristics analysis of equivalent inertia of a doubly-fed induction generator incorporating virtual inertia control［J］. Power system protection and control， 2022， 50（11）： 52-60.

［16］ 許饒琪， 彭曉濤， 秦世耀， 等. 基于M序列的雙饋風(fēng)機(jī)變流器參數(shù)辨識(shí)方法研究［J］. 電網(wǎng)技術(shù)， 2022， 46（2）： 578-586.

XU R Q， PENG X T， QIN S Y， et al. Parameter identification of doubly-fed induction generator converter based" "on" "M-sequence［J］." "Power" "system" "technology， 2022， 46（2）： 578-586.

［17］ 金宇清， 鞠平， 劉偉航， 等. 基于量測(cè)信號(hào)擾動(dòng)的DFIG變流器控制參數(shù)辨識(shí)方法［J］. 電力系統(tǒng)自動(dòng)化， 2016， 40（8）： 36-42.

JIN Y Q， JU P， LIU W H， et al. Parameter identification method for converter controller of DFIG based on measurement signal disturbance［J］. Automation of electric power systems， 2016， 40（8）： 36-42.

［18］ 金宇清， 趙澤， 鞠平， 等. 雙饋感應(yīng)風(fēng)力發(fā)電機(jī)的參數(shù)辨識(shí)分析［J］. 高電壓技術(shù)， 2011， 37（7）： 1700-1705.

JIN Y Q， ZHAO Z， JU P， et al. Analysis on the identification of doubly fed induction generator［J］. High voltage engineering， 2011， 37（7）： 1700-1705.

［19］ QIN C， JU P， WU F， et al. Distinguishability analysis of controller parameters with applications to DFIG based wind" turbine［J］. Science" China" technological" sciences， 2013， 56（10）： 2465-2472.

［20］ 丁瑞成， 周玉成. 引入萊維飛行與動(dòng)態(tài)權(quán)重的改進(jìn)灰狼算法［J］. 計(jì)算機(jī)工程與應(yīng)用， 2022， 58（23）： 74-82.

DING R C， ZHOU Y C. Improved grey wolf optimization algorithm based on Levy flight and dynamic weight strategy［J］. Computer engineering and applications， 2022， 58（23）： 74-82.

STEPWISE IDENTIFICATION METHOD OF CONVERTER CONTROL PARAMETERS FOR DOUBLY-FED INDUCTION GENERATORS

Qi Zhenghao1，Duan Jiandong1，Gao Tong1，Deng Jun2，Zhang Yang1，Chen Jie1

（1. School of Electrical Engineering， Xi’an University of Technology， Xi’an 710048， China；

2. Power Research Institute of State Grid Shaanxi Electric Power Company Limited， Xi’an 710100， China）

Abstract：In this paper， the inner and outer loop transfer functions of the rotor-side and grid side control systems of doubly-fed wind turbines containing eight PI controllers to be identified are constructed as the parameter identification model， based on which an excitation method with different disturbance sources applied to the inner and outer loops and a stepwise parameter identification method based on the improved Gray Wolf algorithm are proposed. Among them， in order to avoid the cascade problem between the inner and outer loop PI controllers， three reasonable inner and outer loop observations are especially selected. Finally， a simulation model of the doubly fed wind turbine is established to test the feasibility of the proposed stepwise identification method， and the results show the accuracy of the identification method by comparing the observed output of the actual model and the identification model under perturbation.

Keywords：converter； parameter identification； transfer function； double fed wind turbine； grey wolf algorithm