经典低阶频率响应模型可快速计算各项频率指标,但由于高比例新能源系统扰动类型多样,运行方式复杂多变,难以准确获取系统参数和扰动功率大小,同时模型本身线性化会引起较大误差,导致频率预测值和实际值存在较大差异。为使频率响应模型...经典低阶频率响应模型可快速计算各项频率指标,但由于高比例新能源系统扰动类型多样,运行方式复杂多变,难以准确获取系统参数和扰动功率大小,同时模型本身线性化会引起较大误差,导致频率预测值和实际值存在较大差异。为使频率响应模型适应实际应用场景中高精度的要求,该文提出了模型-数据融合驱动的频率稳定智能增强判别方法(model-data driven intelligent enhanced method for frequency stability discrimination,MD-IEFSD),利用扰动初期频率响应数据对模型关键参数进行辨识,建立结合卷积神经网络和注意力机制的CNN-Attention频率参数预测模型,构建了融合参数预测误差和频率响应曲线预测误差的损失函数,引入了参数的敏感性和学习速率的分析,实现了频率稳定性的准确判别。最后以中国电科院万节点测试系统为算例,验证所提方法的可行性和有效性。展开更多
当参数失配时,永磁同步电机的显式模型预测(explicit model predictive,EMP)直接速度控制将出现明显的稳态静差。为此,现有方法通过配置扩张状态观测器(extended state observer,ESO)来实时观测和前馈补偿模型偏差,以实现无静差、高精...当参数失配时,永磁同步电机的显式模型预测(explicit model predictive,EMP)直接速度控制将出现明显的稳态静差。为此,现有方法通过配置扩张状态观测器(extended state observer,ESO)来实时观测和前馈补偿模型偏差,以实现无静差、高精度的转速跟随控制。但实验和理论分析表明,由于ESO的带宽有限,对于变化扰动的补偿能力较弱,参数失配时系统的动态性能恶化。为同时改善参数失配时系统的稳态控制精度和动态性能,并提高鲁棒性,该文将无模型控制与EMP控制进行融合,通过构造超局部预测模型和数据驱动观测器,提出新的EMP直接速度控制策略。实验结果表明:所提方法凭借数据驱动观测器的高观测带宽,可以同时在动态和稳态阶段实现参数失配的优良补偿,兼顾动态与稳态性能。展开更多
文摘经典低阶频率响应模型可快速计算各项频率指标,但由于高比例新能源系统扰动类型多样,运行方式复杂多变,难以准确获取系统参数和扰动功率大小,同时模型本身线性化会引起较大误差,导致频率预测值和实际值存在较大差异。为使频率响应模型适应实际应用场景中高精度的要求,该文提出了模型-数据融合驱动的频率稳定智能增强判别方法(model-data driven intelligent enhanced method for frequency stability discrimination,MD-IEFSD),利用扰动初期频率响应数据对模型关键参数进行辨识,建立结合卷积神经网络和注意力机制的CNN-Attention频率参数预测模型,构建了融合参数预测误差和频率响应曲线预测误差的损失函数,引入了参数的敏感性和学习速率的分析,实现了频率稳定性的准确判别。最后以中国电科院万节点测试系统为算例,验证所提方法的可行性和有效性。
文摘当参数失配时,永磁同步电机的显式模型预测(explicit model predictive,EMP)直接速度控制将出现明显的稳态静差。为此,现有方法通过配置扩张状态观测器(extended state observer,ESO)来实时观测和前馈补偿模型偏差,以实现无静差、高精度的转速跟随控制。但实验和理论分析表明,由于ESO的带宽有限,对于变化扰动的补偿能力较弱,参数失配时系统的动态性能恶化。为同时改善参数失配时系统的稳态控制精度和动态性能,并提高鲁棒性,该文将无模型控制与EMP控制进行融合,通过构造超局部预测模型和数据驱动观测器,提出新的EMP直接速度控制策略。实验结果表明:所提方法凭借数据驱动观测器的高观测带宽,可以同时在动态和稳态阶段实现参数失配的优良补偿,兼顾动态与稳态性能。
