[发明专利]一种风电机组变桨系统执行机构的静态测试方法

说明书

技术领域

本发明涉及风力发电技术领域，具体地，涉及一种风电机组变桨系统执行机构的静态测试方法。 

背景技术

随着大规模风电机组和风电场的并网接入，给电网规划和运行都带来了新的挑战。尤其是远离负荷中心区并且容量巨大的风电基地，其运行特性势必对电网的稳定运行构成明显影响。为了应对挑战，解决风电场并网情况下电网安全稳定经济运行等问题，电网需要实施先进的技术和管理措施，而这些都离不开包含风电机组、风电场的电力系统的仿真研究，离不开风电机组和风电场数学模型以及准确参数的研究。而这些参数的测定需要通过一系列测试的方法来取得。 

风力发电机组和风电场测试数据分析方法，主要是指用于辨识风力发电机组和风电场模型参数的方法。风力发电机组和风电场的测试数据分析方法与电力系统传统建模实测参数方法一致，大体可分为线性和非线性两类。线性方法包括最小二乘估计、卡尔曼滤波等方法，这两种算法对线性模型通常是有效的，在电力系统励磁系统、调速系统以及负荷建模中都有广泛的应用。非线性模型的参数辨识方法，目前大都以优化为基础，如梯度类方法，对于连续、光滑、单峰的问题具有良好的性能，精确而快速；随机类搜索方法，具有良好的收敛性、全局性和鲁棒性，但计算效率较低；模拟进化类方法，适用范围较广，找到全局最优解或近乎全局最优解的可能性大。下面，具体针对风力发电机组和风电场建模和参数测试所需要的分析方法进行介绍。 

最小二乘法是一种优秀的数据处理分析方法，它通过使广义误差的平方和极小来确定模型的参数，其基本原理如下： 

从整体上考虑近似函数 同所给数据点（i=0，1，…，m）误差（i=0，1，…，m）的大小，常用的方法有以下三种：一是误差（i=0，1，…，m）绝对值的最大值，即误差向量的∞—范数；二是误差绝对值的和，即误差向量r的1—范数；三是误差平方和的算术平方根，即误差向量r的2—范数；前两种方法简单、自然，但不便于微分运算 ，后一种方法相当于考虑 2—范数的平方，因此在曲线拟合中常采用误差平方和来度量误差（i=0，1，…，m）的整体大小。

数据拟合的具体作法是：对给定数据（i=0，1，…，m），在取定的函数类中，求，使误差（i=0，1，…，m）的平方和最小，即：

=；

从几何意义上讲，就是寻求与给定点（i=0，1，…，m）的距离平方和为最小的曲线。函数称为拟合 函数或最小二乘解，求拟合函数的方法称为曲线拟合的最小二乘法，参见图1。

最小二乘法是解决电力系统元件建模和参数测试的经典方法，理论十分成熟，广泛应用电力系统建模参数测试。最小二乘法的缺点在于它需要求解偏微分值，计算过程相对繁琐，而且受其迭代增益矩阵的影响很大，主要在模型结构相对复杂时，计算困难。 

卡尔曼滤波在70年代初，被引入到电力系统作为数据处理的有力工具，开始在电力系统状态估计和建模实测上得到应用。卡尔曼滤波的准则是使状态向量的误差方差最小，基本做法是将未知的参数向量看成是新增加的状态向量，当新的状态向量一旦被估计出来，未知参数自然也被估计出来了，这样一个参数辨识的问题就转化为一个滤波的问题。 

对于线性系统，其动态方程简化表示为： 

；

其中，噪声为零均值的正态白噪声序列。

卡尔曼滤波方法是假设在k时刻已量测到等向量，并已推求出估计状态向量X（k）。现在要求进一步在量测到第（k+1）时刻的量测量Z（k+1）后，求出该时刻的状态向量估计X（k+1），估计的准则是使状态向量的误差方差阵为极小，即 

；

卡尔曼滤波算法要求有噪声的统计知识，并且算法对参数初值选定的敏感性强。我们所关心的电力系统通常不能用简单的线性模型来描述，而需要用非线性模型来描述，对此需要采用增广状态方程和推广卡尔曼滤波，这方面理论研究非常成熟，也广泛应用于电力系统仿真建模分析中。

在实现本发明的过程中，发明人发现现有技术中至少存在计算效率低和可靠性差等缺陷。 

发明内容

本发明的目的在于，针对上述问题，提出一种风电机组变桨系统执行机构的静态测试方法，以实现计算效率高和可靠性好的优点。 

为实现上述目的，本发明采用的技术方案是：一种风电机组变桨系统执行机构的静态测试方法，主要包括： 

a、对风电机组变桨系统执行机构中桨叶的动作速度进行试验；

b、对风电机组变桨系统执行机构中桨距角进行给定阶跃试验。