基于参数辨识的波浪发电场等效建模研究

发布时间：2021-09-24 00:22

　　提出了基于参数辨识的波浪发电场等效建模策略,将波浪发电场等效为单机模型。以阿基米德波浪摆（AWS）发电场内某一测点的实测波浪力作为输入,整个发电场稳态有功功率作为输出,采用粒子群算法（PSO）辨识单机等效模型中驱动系统的等效参数。在Matlab/Simulink中搭建了计及尾流和时滞的AWS波浪发电场详细模型,并利用多组实测波浪数据对等效建模策略进行了仿真验证。仿真结果表明,在不同实测数据下辨识得到的等效模型驱动参数相差不大,参数辨识结果平稳合理;对于某一组实测数据下辨识得到的等效驱动参数,在不同实测数据下获得的等效模型和详细模型功率曲线均基本一致。 

【文章来源】：电力工程技术. 2019,38(02)

【文章页数】：6 页

【部分图文】：

AWS波浪发电系统Fig．1AWS-basedwaveenergyconversionsystem

对原有速度的继承;学习因子c1，c2分别反映了粒子对自身历史最优点和群体最优点的靠拢;r1，r2为［0，1］间均匀分布的随机数，体现群体的多样性。(4)判断继续循环或结束。在未达到设定的迭代次数之前，算法继续循环;否则，结束循环，输出粒子最优解。图2PSO辨识驱动参数流程Fig．2FlowchartofPSO3仿真算例由于现在实际波浪发电场还很少，波浪发电场的实际数据，尤其是输出功率数据更加难以获得，根据文献［22—23］的波浪发电场布局结构，基于Matlab/Simulink平台搭建AWS波浪发电场详细仿真模型，并考虑发电场的尾流、时滞效应，期以更精确地模拟实际发电场情况。波浪发电场内设置2行8列共16个波浪发电装置，2行之间间距设为2．7D(单台AWS波浪发电装置宽度D=28m［8］)，公共连接点(pointofcommoncoupling，PCC)母线电压25kV，每一列中的2台波浪发电装置采用常用的辐射型布局，然后接入PCC母线，并通过双回30km的110kV海底交流电缆与电网相连，发电场详细模型参数如表1、表2所示，其中单台AWS波浪发电装置参数参考已经进行实际海试的AWS发电原型机［8］。在等效建模过程中，将波浪能发电场等效为1台AWS波浪能发电装置，如图3所示。3．1实测数据仿真算例中的实测数据来自江苏省近海的一个波浪站。波浪站使用SBF3-1型波浪浮标，每小时进行一次波浪数据采集，采样间隔为0．25s。图4(a)为一组120s的实测波面数据，根据式(3)和式表1单台AWS和直线永磁发电机参数Table1ParametersofanAWSandthelinearpermanentmagnetgene

00ks/(N·m－1)0．56×106λ/m0．10Ｒs/Ω0．29UN/V575表2发电场中线路及变压器参数Table2Parametersofthetransformersandlines参数数值25kV/110kV变压器电阻/p．u．0．00266725kV/110kV变压器电感/p．u．0．08575V/25kV变压器电阻/p．u．0．00083575V/25kV变压器电感/p．u．0．025发电场内辐射型线路电阻/Ω0．069发电场内辐射型线路电感/mH0．6330km海底交流电缆电阻/Ω3．45930km海底交流电缆电感/mH31．530km海底交流电缆电感/μF0．34图3AWS波浪发电场并网系统等效示意图Fig．3AWS-basedwavefarmintegratedtopowergridandthesingleequivalentmodel(4)，可以将其转换为图4(b)所示波浪力，作为仿真模型的输入激励。假设图4为波浪发电场内首行AWS所承受的波浪力，则根据尾流、时滞效应即可获得发电场内第二行发电装置所承受的波浪力，如图5所示。3．2不同实测数据下驱动参数辨识值对比利用PSO对单机等效模型中驱动部分的3个参数进行辨识，得到时域单机等效模型中驱动部分的等效参数。PSO中的部分参数设置为:粒子个数N=30，迭代次数M=300，惯性权重系数w=0．5，学习因子c1=c2=2。为充分验证所提出方法的可行性，选取观测站2011年12个月内的任意4组实测波浪数据，分别将其作为单机等效模型的输入，并进行参数辨识，结果如表3所示。刘元尊等:基于参数辨识的波浪发电场等效建模研究17


本文编号：3406719