一种用于风场电池储能系统的虚拟惯量控制方法

    公开(公告)号:CN111146787B

    公开(公告)日:2021-04-09

    申请号:CN202010067101.6

    申请日:2020-01-20

    IPC分类号: H02J3/24 H02J3/32

    摘要: 本发明公开了一种用于风场电池储能系统的虚拟惯量控制方法。该方法首先基于电池储能系统的一般控制策略实现对风场输出有功功率波动的平抑;进一步,考虑系统扰动对频率的影响,基于同步发电机转子运动方程,建立提供惯量支撑的电池储能系统虚拟惯量控制模型;最后,根据风场频率波动的相对大小,对虚拟惯量控制模型进行动态修正,得到用于风场电池储能系统的虚拟惯量控制策略。该发明在保证系统可靠性的前提下,充分发挥电池储能系统动态吸收和释放能量的特性,在平抑风场输出功率波动的同时减少系统频率波动,提高系统的安全稳定运行。该控制方法可以作为平抑风场输出波动和提高风场惯性控制的有效参考。

    小扰动环境下基于预报误差法的电力系统闭环负荷辨识方法

    公开(公告)号:CN111555268A

    公开(公告)日:2020-08-18

    申请号:CN202010285721.7

    申请日:2020-04-13

    IPC分类号: H02J3/00

    摘要: 本发明涉及电力系统负荷辨识领域,更具体地,涉及一种小扰动环境下基于预报误差法的电力系统闭环负荷辨识方法,包括以下步骤S1,小扰动环境下,预报法应用条件验证;S2,获取序列总长度为N的负荷的电压幅值序列,电压相角序列,有功功率序列,无功功率序列;S3,建立待辨识负荷的状态空间模型;S4,将连续状态空间模型转化成离散状态空间模型;然后离散状态空间形式转化成卡尔曼滤波形式;S5,定义待辨识负荷的输出,寻找最优的负荷参数使得目标函数最小。本发明利用预报误差法进行小干扰环境下负荷的闭环辨识,克服了传统开环辨识方法存在的辨识不准确问题。

    一种基于贝叶斯神经网络的风电机组参数辨识方法

    公开(公告)号:CN111415010A

    公开(公告)日:2020-07-14

    申请号:CN202010202498.5

    申请日:2020-03-20

    摘要: 本发明公开了一种基于贝叶斯神经网络的风电机组参数辨识方法,包括以下步骤:S1,采集风电机组历史数据,并对贝叶斯神经网络模型参数初始化;S2,将全部风电机组历史数据分为训练数据及测试数据;S3,利用训练数据计算网络输出;S4,更新贝叶斯神经网络模型权值;S5,计算全局误差,判断是否满足要求,若满足要求,获得最终的网络权值矩阵,结束学习算法。否则,返回S3,进入下一轮的学习;S6,利用测试数据及网络权值计算网络输出,得到风电机组的参数辨识结果。本发明将贝叶斯理论与神经网络模型进行结合,与传统参数辨识方法相比,该方法在辨识过程中,考虑了外部环境不确定性变化时的影响,该方法具有全局误差容易收敛,迭代步数少的优点。