CN106451527A - 基于转子电流动态特性的双馈风电场机群聚合方法及系统 - Google Patents

Abstract

本发明属于风力发电技术领域，尤其涉及一种基于转子电流动态特性的双馈风电场机群聚合方法及系统，建立双馈风电场模型，通过随机风速和随机电压跌落程度的两者随机组合获取不同风况和故障情况下每台风机的转子电流峰值来作为云滴样本数据；根据获取的云滴样本数据利用逆向云发生器，求取每台风机的转子电流峰值云模型3个数字特征：期望、熵、超熵；将求取的每台风机的3个数字特征作为风电场分群指标，利用聚类算法对大型风电场分群聚合。本发明风电场聚合方法能够较准确地反映随机风速和随机电压跌落程度下的风电场的暂态故障特性，为风电场的短路电流计算和继电保护整定提供模型支持。

Description

基于转子电流动态特性的双馈风电场机群聚合方法及系统

技术领域

本发明属于风力发电技术领域，尤其涉及一种基于转子电流动态特性的双馈风电场机群聚合方法及系统。

背景技术

随着风电装机规模的超常规增长，大规模风电接入后对电力系统的影响越来越不可忽视。在风电发展的早期，电力系统短路电流计算时并不考虑风电机组对系统短路电流的贡献。但是随着风电装机规模的增加，上述做法已经不满足计算分析的要求，风电对短路电流的贡献不容忽视。

风电场短路电流直接计算比较困难，目前的主要思路是根据单台风电机组的短路电流特性推导整个风电场短路电流的变化规律。有研究根据已推导的DFIG定子短路电流表达式求取发电机支路的短路电流周期分量的运算曲线，采用传统的运算曲线法计算系统支路短路电流周期分量的幅值，进而可得短路点短路电流周期分量的幅值。但是上述方法在计算风电机组短路容量时用风电机组的次暂态电抗进行计算，准确性不足。

目前对于双馈风电场的动态等值建模，目前主要集中在机群划分和参数等值的研究。机群划分是指通过合适的机群划分指标和算法，将具有相同或相近运行点的机组归为同一机群。如以DFIG机组桨距角动作情况作为机群划分的依据，利用SVM分类器算法，将能够反映桨距角动作的风速、有功功率和极端电压作为输入，实现DFIG风电场的机群划分。也可以将故障前瞬间风机转子转速作为DFIG风机分群指标，或将反映DFIG机组状态的滑差、桨距角、电磁及机械转矩、以及定转子电流电压等13个状态变量构成状态矩阵，在此基础上，通过K-means聚类算法对风电场进行机群划分。王振树等(王振树,刘岩,雷鸣,卞绍润,石云鹏.基于Crowbar的双馈机组风电场等值模型与并网仿真分析[J].电工技术学报,2015,30(04),44-51.)根据DFIG转子电流判别是否投入Crowbar，将DFIG风电场分为投入与不投入两组。这就需要针对每次故障分别计算每台风机的转子电流峰值。也可以根据DFIG机组功率特性曲线来求取等效风速，并将输入风速在机组功率特性曲线同一份段区间的DFIG机组分群。总体上看，目前风电场的动态等值建模研究主要关注风电场总体有功、无功出力的动态等值，忽略了故障期间风电场短路电流的动态特性。

实际上风电场的动态特性受到风电机组的低电压穿越控制特性、风机出力的波动性以及PCC点电压跌落程度等诸多因素的影响，这些因素的发生和影响具有一定的随机性和模糊性，因此综合考虑风电场动态等值过程中的随机性和模糊性，准确描述这些因素及其相互作用以形成合理聚类是建立风电场动态等值模型的关键。针对此问题，周明等(周明，葛江北，李庚银.基于云模型的DFIG型风电场动态电压等值方法[J].中国电机过程学报2015,35(5),1097-1105.)采用了云模型的方法，但是只是针对风电机组的连锁脱网动态过程，基于风机端电压，并未考虑风机的Crowbar动作特性对于风电场出口电气量的暂态特性的影响，特别是暂态短路电流。

发明内容

为了解决上述问题，本发明提出了一种基于转子电流动态特性的双馈风电场机群聚合方法，包括：

步骤1：建立双馈风电场模型，通过随机风速和随机电压跌落程度的两者随机组合获取不同风况和故障情况下每台风机的转子电流峰值来作为云滴样本数据；

步骤2：根据获取的云滴样本数据利用逆向云发生器，求取每台风机的转子电流峰值云模型3个数字特征：期望、熵、超熵；

步骤3：将求取的每台风机的3个数字特征作为风电场分群指标，利用聚类算法对大型风电场分群聚合。

所述随机风速通过考虑尾流效应的风速模型计算：式中，R为风机叶轮半径，k为尾流衰减系数，V_w(x)为距上风机x处的尾流风速，V₀为输入风速，C为推力系数。

所述逆向云发生器在估计期望和熵时，利用全部样本信息进行估计；在估计超熵时，如果超熵估计值为虚数，则逐步删除离期望最近的云滴样本，从新计算超熵，直到超熵为正实数，从而将人为可能产生的误差降低到最小程度。

一种基于转子电流动态特性的双馈风电场机群聚合系统，包括依次相连的：双馈风电场建模模块1、逆向云发生器模块2、风电场分群聚合模块3；

双馈风电场建模模块1用于建立双馈风电场模型，通过随机风速和随机电压跌落程度的两者随机组合获取不同风况和故障情况下每台风机的转子电流峰值来作为云滴样本数据；

逆向云发生器模块2根据双馈风电场建模模块1获取的云滴样本数据求取每台风机的转子电流峰值云模型3个数字特征：期望、熵、超熵；

风电场分群聚合模块3将逆向云发生器模块2求取的每台风机的3个数字特征作为风电场分群指标，利用聚类算法对大型风电场分群聚合。

本发明的有益效果在于：

本发明提出一种基于转子电流动态特性的风电场动态聚合方法及系统，描述风电机组运行状态的随机性和分群结果的模糊性。在随机风速和电压跌落的情况下，选择转子电流峰值作为云滴样本，通过改进的逆向云发生器求取的各云滴的期望、熵、超熵，这三个数字特征共同体现了随机风速和电压跌落情况下对于转子电流峰值的影响，也间接反应了在上述随机情况下表Crowbar的动作情况。本发明风电场聚合方法能够较准确地反映随机风速和随机电压跌落程度下的风电场的暂态故障特性，为风电场的短路电流计算和继电保护整定提供模型支持。

附图说明

图1为双馈风电场机组结构及其转子侧撬棒保护电路图；

图2为转子侧变频器不退出运行时的转子回路等效图；

图3为故障后立即投入撬棒保护的双馈感应电机等效电路图；

图4为用云模型刻画“年轻”的概念图；

图5为逆向云发生器示意图；

图6为基于转子电流云模型的双馈风电场分群指标计算流程；

图7为双馈风电场模型示意图；

图8a～8d分别为双馈风电场详细模型与等值模型的PCC电压、有功功率、无功功率、电流波形图对比图；

图9为基于转子电流动态特性的双馈风电场机群聚合系统结构图。

具体实施方式

下面结合附图，详细说明实施方案。

本发明提供了一种基于转子电流动态特性的双馈风电场机群聚合方法及系统，综合考虑了双馈风电场中风机低电压穿越特性、风机出力和PCC电压跌落程度等因素的影响。所述聚合方法的分析过程如下：

根据图1所示的双馈风电场机组结构及其转子侧撬棒保护电路示意图。双馈异步发电机定子直接与电网相连，转子通过背靠背三相PWM变换器实现交流励磁。由于定子侧直接与电网相连，使得风电机组对电网故障非常敏感。

当电网发生三相短路，若机端电压跌落轻微，此时转子侧过电流小于撬棒保护电流的动作阀值，无法投入撬棒保护电流，而转子侧仍然连接有变频器。此时转子侧变频器的PI控制器可调节转子侧励磁电压，从而影响故障过程中的定子电流。转子侧变频器不退出运行时的转子回路等效图如图2所示，对应的转子侧电压方程和PWM控制方程如下。

当机端电压跌落比较严重时，由于受到变流器容量的限制，单靠控制策略的调控已经不能到达限制转子电流和直流母线电压的目的，此时很大的转子电流立即激活Crowbar保护装置，使转子电流迅速衰减达到实现低电压穿越的目的。投入Crowbar保护的同时闭锁转子侧变流器，网侧变流器依然保持对于直流母线电压的控制并发出无功功率支持电网电压恢复。在Crowbar装置动作期间，DFIG以并网笼型异步发电机形式运行。故障后立即投入撬棒保护的双馈感应电机等效电路如图3所示。

因此在电网故障情况下，双馈风电机组Crowbar动作情况严重影响风电机组出口功率和故障电流。此外风机的Crowbar动作与否还与风机故障时刻的输入风速和机端电压的跌落程度有关。对于大型的双馈风电场由大量风电机组构成，在空间上占据了巨大面积，风电由于具有随机性、波动性和间歇性的特点，已有的风电场分群方法受到风机机端电压跌落程度、Crowbar动作情况和随机风速的影响。

云模型在统计数学和模糊数学的基础上，统一刻画了不确定性语言值和精确值之间的随机性和模糊性。它主要由随机性、模糊性和未确知行等多种要素的影响。它以概率理论中的正态分布和模糊集中的高斯隶属函数为基础，构造特定的算法，来实现定性定量的不确定转换。图4为用云模型刻画“年轻”的概念，横坐标表示人的年龄，纵坐标表示每个年龄对“年轻”这个概念的隶属度。

云模型的构建主要通过逆向云发生器和正向云发生器实现。其中，逆向云发生器用于求取一定数量的数据样本(云滴)分布特征，并将其转换为以数字特征表示的定性概念，如图5所示

考虑到双馈风电机组的暂态故障特性受到Crowbar动作的影响，在故障情况下，当转子电流峰值大于Crowbar动作设定值之后，Crowbar才会投入。因此选取能反应转子电流动态特性之一的转子电流峰值作为云模型的云滴样本，通过逆向云发生器求取各云滴的3个数字特征值，得到的各风机的云模型存在固有差异性，反映了这些影响因素共同作用的效果。转子电流的幅值动态特性相近的风机得到的云模型数字特征也相对更为接近，因此可以用得到的云模型的数字特征作为风电机组的聚类指标。

如图6所示，基于转子电流云模型的双馈风电场分群指标计算流程包括以下步骤：

步骤101：考虑随机风速和随机PCC电压跌落程度，获取每台风机转子电流峰值的云滴数据样本；

在DIgSILENT仿真软件中搭建45MW的双馈风电场模型，风场包含三条干线，风机台数依次分别为8、12、10。每台风机1.5MW，经0.69/20kV的箱变升压，经不同长度的电缆线路汇集到20kV的PCC母线，如图7所示。

考虑尾流效应的Jensen风速模型：

式中：R为风机叶轮半径，在此取值为40m；k为尾流衰减系数，典取值为0.075；V_w(x)为距上风机x处的尾流风速；V₀为输入风速；C为推力系数，一般取0.8。

针对已经建好的双馈风电场模型，对应每一个随机的输出风速V₀，利用尾流效应的Jensen风速模型求取每台风机的对应输入风速。在随机故障的情况下，通过随机风速和随机电压跌落程度的随机组合，取不同风况和故障情况下各风机的转子电流峰值I_rot为一个云滴样本数据。

步骤102：根据获取的每台风电机组的转子电流云滴样本，利用逆向云发生器，求取每台风机的转子电流峰值云模型3个数字特征(Ex，En，He)；

在云模型理论中，通过用云的数字特征用期望Ex、熵En和超熵He来表征，反映定性概念整体上的定量特征。

(1)期望：概念在论域空间的中心值，最能代表定性概念的点。

(2)熵：熵反映定性概念的不确定性，这种不确定性表现在三个方面。熵反映了在数域空间可以被定性概念接受的云滴群的范围大小，即模糊度，是定性概念模糊性的度量。En越大，定性概念所接受的云滴的取值范围越大，定性概念就越模糊。熵反映了这个定性概念的云滴的离散程度，表示代表定性概念的云滴出现的随机性。熵还揭示了模糊性与随机性的关联性。熵越大，概念越宏观，模糊性和随机性也越大，确定性量化越难。

(3)超熵：是对熵的不确定性的度量，是熵的熵，反映在论域空间代表该语言值的所有点的不确定的凝聚性，它的大小间接反映了云的厚度。所有的云滴都在期望曲线附近做随机的波动，而波动程度的大小由He控制。

根据逆向云发生器算法计算数字特征的主要步骤如下：

(1)计算每台风机转子电流数据的样本均值样本方差(二阶中心距)样本四阶中心距

(2)计算样本的云模型数字特征：期望熵超熵

在计算超熵He过程中，计算得到超熵值为虚数，则意味着本次计算失效，需要获得更多的云滴样本进行更精确的参数估计。如果进一步的数据无法获得，则超熵无从计算。超熵He是描述定性概念不可或缺的数字特征，对表达概念的定量数据的范围和分布情况有着重要影响。因此，对逆向云算法进行改进，提出更合理，更精确的逆向云算法。

新的逆向云算法：尽可能的利用样本点的信息，减少估计误差，同时保证超熵估计值为正实数。因此，在估计Ex和En时，利用全部样本信息；在估计超熵He时，如果超熵估计值He为虚数，则逐步删除离期望Ex最近的云滴样本，从新计算He，直到He为正实数。这样可将人为可能产生的误差降低到最小程度。

步骤3：将每台风电机组的3个数字特征作为风电场分群指标，利用聚类算法对大型风电场分群聚合。

得到各风机对应的云模型数字特征后，以云模型3的个特征量作为分群指标，应用k-means聚类算法进行风电机组的聚类分析。K-Means聚类算法主要分为三个步骤：

(1)第一步是为待聚类的点寻找聚类中心

(2)第二步是计算每个点到聚类中心的距离，将每个点聚类到离该点最近的聚类中去

(3)第三步是计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心

反复执行(2)、(3)，直到聚类中心不再进行大范围移动或者聚类次数达到要求为止。

实施例

在附图7所示的风电场模型中，1.5MW风机的参数为:Pe＝1.5MW,Ue＝690kV,Rs/p.u.＝0.01,Xs/p.u.＝0.1,Rr/p.u.＝0.01,Xr/p.u.＝0.1,Xm/p.u.＝3.5；H＝4.02s,D＝1.5s,K＝80.27。其中Rs、Xs、Rr、Xr、Xm分别为发电机的定子电阻、定子电抗、转子电阻、转子电抗、励磁电抗参数。H、D、K分别为风机的惯性时间常数、轴系阻尼系数和轴系刚度系数。

风机低电压穿越能力采用仿真软件DIgSILENT的默认设置。其中Crowbar设置：转子电流大于2pu，Crowbar投入；转子电流小于2pu，Crowbar切除。

在随机输入风速和随机PCC电压跌落程度的情况下，获取不同情况下风机的转子电流峰值为一次随机实现，即为一个云滴样本，通过随机模拟产生大量的云滴样本，然后用逆向云发生器即可得到反映该风机转子电流峰值动态过程的云模型数字特征。

得到各风机对应的云模型数字特征后，以云模型3的个特征量作为分群指标，应用k-means聚类算法进行风电机组的聚类分析。

表1双馈风电场分群结果

根据确定的DFIG分组，分别按照容量加权的方法进行等值，对发电机的功率(容量)、定转子阻抗参数、风机的机械参数、控制系统PI参数进行等值计算求等值风机的参数，建立DFIG的风电场多机等值模型。

仿真：t＝1s时PCC外输电线路发生三相故障，1.5s时故障切出，对比详细模型与仿真模型PCC输出功率、电压、电流波形。PCC输出功率、电压、电流波形如附图8所示。由此可见，等值模型相对于详细模型的误差较小，具有良好的暂态等值精度。

因此，若采用基于转子电流动态特性的双馈风电场机群聚合方法，能够较综合考虑风电场动态等值过程中的随机性和模糊性，准确地反映随机风速和随机电压跌落程度下的风电场的暂态故障特性，为风电场的短路电流计算提供模型支持。

图9为本发明的所述系统结构图，包括依次相连的：双馈风电场建模模块1、逆向云发生器模块2、风电场分群聚合模块3；

双馈风电场建模模块1用于建立双馈风电场模型，通过随机风速和随机电压跌落程度的两者随机组合获取不同风况和故障情况下每台风机的转子电流峰值来作为云滴样本数据；

逆向云发生器模块2根据双馈风电场建模模块1获取的云滴样本数据求取每台风机的转子电流峰值云模型3个数字特征：期望、熵、超熵；

风电场分群聚合模块3将逆向云发生器模块2求取的每台风机的3个数字特征作为风电场分群指标，利用聚类算法对大型风电场分群聚合。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于转子电流动态特性的双馈风电场机群聚合方法，其特征在于，包括：

步骤1：建立双馈风电场模型，通过随机风速和随机电压跌落程度的两者随机组合获取不同风况和故障情况下每台风机的转子电流峰值来作为云滴样本数据；

步骤2：根据获取的云滴样本数据利用逆向云发生器，求取每台风机的转子电流峰值云模型3个数字特征：期望、熵、超熵；

步骤3：将求取的每台风机的3个数字特征作为风电场分群指标，利用聚类算法对大型风电场分群聚合。

2.根据权利要求1所述方法，其特征在于，所述随机风速通过考虑尾流效应的风速模型计算：式中，R为风机叶轮半径，k为尾流衰减系数，V_w(x)为距上风机x处的尾流风速，V₀为输入风速，C为推力系数。

3.根据权利要求1所述方法，其特征在于，所述逆向云发生器在估计期望和熵时，利用全部样本信息进行估计；在估计超熵时，如果超熵估计值为虚数，则逐步删除离期望最近的云滴样本，从新计算超熵，直到超熵为正实数，从而将人为可能产生的误差降低到最小程度。

4.一种基于转子电流动态特性的双馈风电场机群聚合系统，其特征在于，包括依次相连的：双馈风电场建模模块(1)、逆向云发生器模块(2)、风电场分群聚合模块(3)；

双馈风电场建模模块(1)用于建立双馈风电场模型，通过随机风速和随机电压跌落程度的两者随机组合获取不同风况和故障情况下每台风机的转子电流峰值来作为云滴样本数据；

逆向云发生器模块(2)根据双馈风电场建模模块(1)获取的云滴样本数据求取每台风机的转子电流峰值云模型3个数字特征：期望、熵、超熵；

风电场分群聚合模块(3)将逆向云发生器模块(2)求取的每台风机的3个数字特征作为风电场分群指标，利用聚类算法对大型风电场分群聚合。