Page 157 - 《中国电力》2026年第3期

王宇等：基于多时间尺度故障过程分区的 DFIG 参数分层递进式辨识策略
表 7 本文方法与传统方法误差和耗时对比
Table 7 Comparison of error and time consumption
between the proposed method and the traditional method
辨识方法 测试故障
大功率下电压跌落至0.2 p.u.
本文方法
小功率下电压跌落至0.2 p.u.
大功率下电压跌落至0.2 p.u.
传统方法
小功率下电压跌落至0.2 p.u.
由表 7 可知，本文提出的基于多时间尺度故
障过程分区的参数分层递进式方法，与传统方法
相比耗时更短辨识更精确。进一步证明了该方法
的有效性，根据各参数主导动态过程的不同进行
的分区分层辨识中，将数据进行分区可以缩短辨
识时间，分层辨识可以降低参数之间的耦合提高
辨识准确性。
4 结论
本文针对 DFIG 黑盒模型参数辨识中存在的待
辨识参数众多、多时间尺度下单一方法难以兼顾
辨识精度等问题，提出了基于多时间尺度故障过
程分区的参数分层递进辨识策略，建立了适用于
不同厂家、不同机型的白盒模型参数辨识方法；
与厂家黑盒模型进行对比，同时与传统方法进行
比较，得出以下结论。
1）基于摄动理论，可有效分析各参数对不同
动态过程的主导特性，并据此建立了
辨识架构。
2）通过对实测数据进行分区处理，输入不同
区间的实测数据依据层级关系辨识各参数，与传
统辨识方法对比结果显示，通过该方式可以提高
辨识速度。
3）针对不同厂家及机型的黑盒模型，应用所
提方法进行辨识并建立相应的白盒模型，与厂家
提供的黑盒模型进行对比验证。测试结果表明，
误差均符合国家标准要求，证明了所提方法具有
良好的机型适用性。
本文研究主要聚焦于对称跌落故障下的控制
参数辨识，尚未覆盖不对称故障情形。后续工作
将重点针对不对称故障下的参数辨识进行研究，
以进一步提升该方法的适用性与鲁棒性。
2026 年第 3 期
参考文献：
[1] 李丹, 秦世耀, 李少林, 等. 基于混沌粒子群的双馈风电机组
误差/% 时间/s
LVRT 实 测 建 模 及 暂 态 参 数 辨 识 [J]. 中 国 电 力 , 2024, 57(8):
1.33 186
75–84.
1.45 178
LI Dan, QIN Shiyao, LI Shaolin, et al. LVRT measurement model
3.17 255
and transient parameter identification of wind turbine based on
4.98 246
chaotic particle swarm[J]. Electric Power, 2024, 57(8): 75–84.
[2] 张兴, 孙艳霞, 李丽娜, 等. 风电机组电磁暂态建模及验证 [J]. 中国
电力, 2020, 53(7): 106–112.
ZHANG Xing, SUN Yanxia, LI Lina, et al. Electromagnetic transient
modelling and verifying of wind turbine generator[J]. Electric Power,
2020, 53(7): 106–112.
[3] 田芳, 黄彦浩, 史东宇, 等. 电力系统仿真分析技术的发展趋势 [J].
中国电机工程学报, 2014, 34(13): 2151–2163.
TIAN Fang, HUANG Yanhao, SHI Dongyu, et al. Developing trend
of power system simulation and analysis technology[J]. Proceedings
of the CSEE, 2014, 34(13): 2151–2163.
[4] TANG W, HU J B, CHANG Y Z, et al. Modeling of DFIG-based
wind turbine for power system transient response analysis in rotor
speed control timescale[J]. IEEE Transactions on Power Systems,
2018, 33(6): 6795–6805.
[5] DU K J, MA X P, ZHENG Z X, et al. LVRT capability improvement
of DFIG-based wind turbines with a modified bridge-resistive-type
SFCL[J]. IEEE Transactions on Applied Superconductivity, 2021,
31(8): 5603005.
[6] 徐恒山, 曾宪金, 张旭军, 等. 基于 RT-LAB 的 DFIG 网侧变流器控
4 层递进式
制参数多目标分步辨识方法 [J]. 电网技术, 2025, 49(2): 771–780.
XU Hengshan, ZENG Xianjin, ZHANG Xujun, et al. Multi-objective
step-by-step identification method of control parameters for DFIG
grid side converter based on RT-LAB[J]. Power System Technology,
2025, 49(2): 771–780.
[7] 郭强, 王鹤, 聂永辉, 等. 考虑恢复暂态过程的直驱发电系统低电压
穿 越 模 型 参 数 解 耦 辨 识 方 法 [J]. 高 电 压 技 术 , 2021, 47(10):
3430–3440.
GUO Qiang, WANG He, NIE Yonghui, et al. Decoupling
identification method of low-voltage ride-through model parameters
of direct drive power generation system considering recovery
transient process[J]. High Voltage Engineering, 2021, 47(10):
3430–3440.
[8] JIN Y Q, LU C J, JU P, et al. Probabilistic preassessment method of
parameter identification accuracy with an application to identify the
153