申请/专利权人：三峡大学

申请日：2022-05-26

公开（公告）日：2024-04-19

公开（公告）号：CN114977939B

主分类号：H02P21/14

分类号：H02P21/14;H02P21/00;H02P9/00;H02J3/38

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2022.09.16#实质审查的生效;2022.08.30#公开

摘要：本发明公开了一种基于改进多目标粒子群算法的双馈风机控制参数辨识方法，本方法将双馈风机的控制参数划分为关键控制参数和非关键控制参数，在PSASP中搭建双馈风机低电压穿越暂态模型，通过调节关键控制参数得到多组输出数据，构建原模型与辨识模型的多目标误差函数；采用改进多目标粒子群算法基于关键控制参数和输出数据对建立的多目标误差函数寻优求解，得到双馈风机待辨识控制参数的辨识结果，并对辨识得到的辨识模型和原模型进行对比验证；本方法能准确可靠辨识出双馈风机暂态模型中关键控制参数。

主权项：1.基于改进多目标粒子群算法的双馈风机控制参数辨识方法，其特征在于：包括以下步骤：S1：将双馈风机的控制参数划分为关键控制参数和非关键控制参数，非关键控制参数采用典型参数，关键参数通过结合测试数据进行参数辨识；S2：在PSASP中搭建双馈风机低电压穿越暂态模型，通过调节关键控制参数得到多组输出数据，构建原模型与辨识模型的多目标误差函数：S201，原模型基于原始控制参数，运行得到原模型输出信号发电机机端电压V、机端电流I、有功功率P和无功功率Q；S202，辨识模型通过调节关键控制参数，运行得到双馈风机低电压穿越暂态模型输出信号发电机机端电压Vt、机端电流It、有功功率Pe和无功功率Qe；S203，将数据导入Python，在Python中调用numpy库处理PSASP软件输出的DAT数据格式；S204，构建原模型与辨识模型的多目标误差函数：如下式所示，以四组输出信号的方差和，按计算所得的多目标误差函数公式计算所有寻优值的适应度值； 式中n为输出数据总组数；S205，根据四组输出数据分别之和计算四组输出信号对应的自适应加权系数a、b、c、d，公式如下： 式中自适应加权系数a、b、c、d用于对所述四组输出信号的值进行调整；S3：采用改进多目标粒子群算法基于关键控制参数和输出数据对建立的多目标误差函数寻优求解，寻优结果即为辨识模型关键控制参数辨识结果，得到双馈风机待辨识控制参数的辨识结果；具体步骤如下：301，粒子寻优过程受个体最优值和种群最优值影响，种群中个体速度的更新公式和个体位置更新公式如下式所示：Vi,j＝w×Vi,j+c1×rand×gbest-Xi,j+c2×rand×BestX-Xi,j6；Xi,j＝Vi,j+Xi,j7；式中V表示粒子更新速度，X表示粒子，i，j分别为种群中粒子编号和维度，gbest为个体最优值，BestX为全局最优值，c1、c2为学习因子，w为自适应惯性权重wmin、wmax为w的最小、最大值；其中自适应变量c1决定寻优过程偏向局部寻优，自适应变量c2决定寻优过程偏向全局最优，自适应惯性权重w偏向全局搜索；由下式可知，学习因子c1、c2和惯性权重随迭代次数G增大而减小，表现为先全局大范围搜索后减小速度局部的寻优方式，有效避免陷入局部最优，减少迭代次数； S302，初始化粒子迭代基本参数，设置种群个体为Size，迭代次数G次，粒子维度CodeL，粒子X最大值MaxX、最小值MinX，速度v最大值Vmax、最小值Vmin，以及临界适应度值ε；S303，初始化种群速度和初始位置，在一定范围内随机生成每个粒子位置；S304，按公式1的多目标误差函数公式计算所有寻优解的适应度值；S305，更新最优适应度Best_J和全局最优位置Best_X；S306，按种群中速度和粒子位置的更新公式更新Xi，j的位置；S307，若满足Best_Jε或达到迭代次数，则停止迭代，输出最优解即为辨识结果，否则重复步骤B3-B6，直至满足Best_Jε或达到迭代次数，则停止迭代；S4：对辨识得到的辨识模型和原模型进行对比验证：判断辨识模型的可靠性。

全文数据：

权利要求：

百度查询： 三峡大学 基于改进多目标粒子群算法的双馈风机控制参数辨识方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD