CN111045329A - 基于自适应模式切换的双馈风机数字物理混合仿真新方法 - Google Patents

Abstract

一种基于自适应模式切换的双馈风机数字物理混合仿真新方法，属于新能源发电技术领域。本发明的目的是提出了利用小波神经网络时间序列预测算法对延时（包括设备延时及计算延时）进行补偿策略的基于自适应模式切换的双馈风机数字物理混合仿真新方法。本发明步骤是：设计接口及其开关判据，动态阻抗实时匹配及延时补偿，利用Morlet小波作为神尽元激励函数，最后输出学习结果，完成延时补偿。本发明所提新型接口算法解决了数字物理混合仿真中，因风速波动造成传统接口对电流谐波造成放大影响的问题，在面对励磁冲击电流的影响，接口稳定性和精确性均表现良好，能够精确模拟双馈风机接入对交流电网的影响。为实现风机并网系统数字物理混合仿真提供了技术支撑，具有较好的应用前景。

Description

基于自适应模式切换的双馈风机数字物理混合仿真新方法

技术领域

本发明属于新能源发电技术领域。

背景技术

风能是一种可再生、无污染且储量巨大的清洁资源，全球范围内一年产生的风能相当于耗煤所产生能量的一千多倍。随着风力发电系统日趋庞大，风机并网仿真技术逐渐成为风力发电系统的重要部分之一。在风机的动态过程中，由于定子电压及磁链的急剧变化，采用传统忽略定子磁链变化的简化风机模型无法达到精确控制的效果；动态物理模拟仿真则可以实现双馈风机并网系统特性的真实模拟，但由于实验成本等因素的限制，无法对整体风机组并网进行等效模拟。数字物理混合仿真，又称功率硬件在环(powerhardware-in-the-loop，PHIL)仿真，结合了实时数字物理仿真和动态物理模拟仿真的优点，不仅能够直观地反映双馈风机的并网运行特性，也可以对其动态过程进行设计分析，逐渐成为研究风机并网仿真的新方法。

接口算法是解决PHIL仿真系统稳定性和精确性问题的关键技术，理想变压器模型(ideal transformer model，ITM)是PHIL仿真中较为常用的接口算法，其物理仿真系统具有较高的仿真精度，但数字仿真系统的精确性相对较差，且接口稳定性受限于数字侧等效阻抗和物理侧等效阻抗的大小关系，容易失稳。阻抗实时匹配的阻尼阻抗法(dampingimpedance method，DIM)具有较高的稳定裕度，且数字侧仿真结果几乎不受扰动和延时的影响，精确性要优于其他接口算法，但由其波特图频谱分析可以得知在受到电流冲击等扰动时会放大谐波，且在阻抗匹配的过程中需要实时采集并传输风机转速，然而由于I/O接口等设备及计算延时必然会造成等效阻抗延时的匹配，大幅降低接口精确性。

发明内容

本发明的目的是提出基于自适应模式切换以及小波神经网络时间序列预测延时补偿的双馈风机数字物理混合仿真新方法。

本发明步骤是：

(1)设计功率接口及其开关判据

在功率接口数字侧添加接地滤波器Z_k，在风机起动以及并网等动态过程中保持开关闭合，感性滤波器接入电路；在风机达到稳态运行后开关断开，滤波器切离功率接口。

对风机定子三相电流进行快速傅里叶变换，提取电流中的非周期分量即直流分量，并获得直流分量含有率δ_DC，设定δ_DC作为衡量系统临界稳态判断的指标：

(2)物理侧动态阻抗实时匹配

求取定转子电压方程：

U_s＝R_sI_s+jω₁ψ_s

U_r＝R_rI_r+jsω₁ψ_r

其中U_s为定子电压，R_s为定子绕组电阻，I_s为定子电流，ψ_s为电机定子磁链相量，U_r为折算到定子侧的转子电压，R_r为折算到定子侧的转子绕组电阻，I_r为折算到定子侧的转子电流，ω₁为同步角速度，ψ_r为电机转子磁链相量，s为转差率；

求取磁链方程：

ψ_s＝L_sI_s+L_mI_r

ψ_r＝L_mI_s+L_rI_r

其中，L_s为定子绕组自感，L_m为双馈感应电机互感，L_m为转子绕组自感；

求取电磁转矩方程：

其中，T_e为电机电磁转矩，n_p为电机极对数，I_m为励磁电流相量；

进一步做戴维南等效变换得到等效阻抗为：

最后通过风机I\O接口实时传输发电机转速完成阻抗匹配。

(3)基于小波神经网络预测延时补偿首先，利用Morlet小波作为神尽元激励函数，可达到计算式简单以及收敛速度快的要求

其中C是重构归一化常数；

得到该输出的连续小波过程神经网络：

将十组模拟风机转速历史数据作为学习样本，一份样本作为测试样本，可求取该神经网络的误差函数为：

其中，在给定的10个学习样本(x_1s(t),x_2s(t),…,x_ns(t),d_s)，s＝1,2,…,10)中，x_is(t)的第一个下标表示输入函数向量分量序号，第二个表示学习样本序号，d_s为网络期望，y_s为网络实际输出；

设定连续小波过程神经网络的待训练参数调整规则：

最后输出学习结果，完成延时补偿。

本发明提出了一种基于自适应模式切换的双馈风机并网数字物理混合仿真新型接口算法。首先，设计了接口切换判据及风机接口模式切换方案，设计动态开关判据，在电流有较大波动时切入感性滤波器，避免了传统接口对动态电流谐波的放大效应；设计稳态开关判据，使滤波器在风机达到稳态时切离功率接口，避免滤波器对DIM接口传递信号中正常谐波造成多滤。同时，构建了物理侧等效风机数学模型，准确计算出双馈风机实时动态匹配阻抗，保证了阻尼阻抗实时匹配的精确性。在双馈风机实时阻抗匹配的基础上，采用Morlet小波神经网络，对DFIG转速传输延时进行时间序列补偿，搭建了延时补偿学习模型并设计其学习流程。

本发明所提新型接口算法解决了数字物理混合仿真中，因风速波动造成传统接口对电流谐波造成放大影响的问题，在面对励磁冲击电流的影响，接口稳定性和精确性均表现良好，能够精确模拟双馈风机接入对交流电网的影响。为实现风机并网系统数字物理混合仿真提供了技术支撑，具有较好的应用前景。

附图说明

图1是数字物理混合仿真整体结构图；

图2是传统DIM原理结构图；

图3是新型接口算法原理图；

图4是风机定子电流及直流分量含有率变化图；

图5是双馈感应电机T型等效电路图；

图6是小波神经网络学习算法流程图；

图7是双馈风机并网数字物理混合仿真系统图；

图8是ITM、DIM与新型接口系统并网点电流波形；

图9是风机快速傅里叶变换分析谐波对比；

图10a是ITM、DIM与新型接口系统的精确性对比图-----电网侧有功功率稳态相对误差；

图10b是ITM、DIM与新型接口系统的精确性对比图-----风机侧有功功率稳态相对误差。

具体实施方式

本发明数字物理仿真系统主要分为三个主要部分：数字实时仿真系统(DigitalSimulation System，DSS)、物理风机仿真系统(Physical Simulation System，PSS)以及功率接口，整体PHIL系统结构如图1所示。接口算法是数字物理混合仿真系统的关键技术，针对风机并网以及风速波动可造成功率接口对电流谐波放大的问题，本申请提出了一种适用于双馈风机并网数字物理混合仿真的新型接口算法——感性滤波器DIM算法。同时，在求取物理侧等效阻抗时，为解决风机转速的传输时延问题，提出了利用小波神经网络时间序列预测算法对延时(包括设备延时及计算延时)进行补偿的策略，从而保证双馈风机数字物理混合仿真顺利完成。

为达到上述目的，本发明的技术方案是这样实现的：

步骤1：设计基于模式选择的新接口算法

传统DIM接口算法如图2所示，在DIM基础上，新型接口算法在接口数字侧添加接地滤波器Z_k，其结构原理图如图3所示。当风机在起动以及并网等动态过程中开关闭合，感性滤波器接入电路，避免了传统接口对动态电流谐波的放大效应；当风机达到稳态运行后开关关断，滤波器切离功率接口，避免滤波器对DIM接口传递信号中正常谐波造成多滤。

步骤2：设计新算法开关切换判据

功率接口稳定是实现数字物理混合仿真分析的前提，将其作为新型接口算法开关切换的基本依据，以保证系统的安全稳定运行。

对风机定子三相电流进行快速傅里叶变换，提取电流中的非周期分量即直流分量，并计算出直流分量含有率δ_DC。如图4所示，风机在起动以及并网过程中，其定子电流中直流分量含有率迅速增长，经大约十个周波后逐渐衰减至零。风机达到稳态运行时，直流分量含有率降低到0.5％以下，设定δ_DC作为衡量系统临界稳态判断的指标：

当在双馈风机起动过程及并网过程中，开关保持闭合状态，滤波器Z_k可有效抑制冗余谐波分量。系统达到稳态，控制开关自动弹开切除滤波器，避免稳态下造成实际原电流谐波缺失降低接口精确性。

步骤3：动态阻抗实时匹配

阻抗匹配是接口算法的核心环节，因此对于双馈风机并网数字物理仿真平台，需要建立其物理侧等效模型并求取阻抗。

步骤301：各电气变量采用相量表述，定子绕组直接接电网电源，其频率固定，而转子侧电压电流的频率是变化的，与转差成正比。转子漏感抗也是变化的，与电机转速有关。

步骤302：确定等效理想变压器匝间比k，它与定转子每项绕组串联的匝数比以及定转子基波绕组系数比有关。双馈风机在发电时，此时定转子基波绕组系数比近似等于1，将转子侧完全折算到定子侧。

步骤303：将变比k带入等效电路中，可获得图5所示的双馈感应电机T型等效电路图。

步骤304：求取定转子电压方程：

U_s＝R_sI_s+jω₁ψ_s

U_r＝R_rI_r+jsω₁ψ_r

其中U_s为定子电压，R_s为定子绕组电阻，I_s为定子电流，ψ_s为电机定子磁链相量，U_r为折算到定子侧的转子电压，R_r为折算到定子侧的转子绕组电阻，I_r为折算到定子侧的转子电流，ω₁为同步角速度，ψ_r为电机转子磁链相量，s为转差率。

步骤305：求取磁链方程：

ψ_s＝L_sI_s+L_mI_r

ψ_r＝L_mI_s+L_rI_r

其中，L_s为定子绕组自感，L_m为双馈感应电机互感，L_m为转子绕组自感。

步骤306：求取电磁转矩方程：

其中，T_e为电机电磁转矩，n_p为电机极对数，I_m为励磁电流相量。

步骤307：将T型等效电路进一步做戴维南等效变换得到等效阻抗为：

步骤308：步骤307求取的等效阻抗与风机转速直接相关，通过实验室通信I\O接口实时采集发电机转速进行实时阻抗匹配以达到接口传递最佳效果。

步骤4：等效阻抗匹配延时补偿步骤3中实验室采集发电机转速进行阻抗匹配过程中存在信号转换延时。针对延时所导致接口精确度下降问题，本申请采用Morlet小波神经网络算法在频域上对匹配延时进行补偿，连续小波过程神经网络的的学习算法整体流程如图6所示。

步骤401：进行小波神经网络时间序列预测算法学习过程，针对转速的波动特性选择了基于函数正交基展开的学习算法。

步骤402：利用Morlet小波作为神尽元激励函数，可达到计算式简单以及收敛速度快的要求，其数学表达式如下：

其中C是重构归一化常数。

步骤403:将十组模拟风机转速历史数据作为学习样本，一份样本作为测试样本，可得到该输出的连续小波过程神经网络：

步骤404：求取该神经网络的误差函数为：

其中，在给定的10个学习样本(x_1s(t),x_2s(t),…,x_ns(t),d_s)，s＝1,2,…,10)中，x_is(t)的第一个下标表示输入函数向量分量序号，第二个表示学习样本序号。d_s为网络期望。y_s为网络实际输出。

步骤405：设定连续小波过程神经网络的待训练参数调整规则为：

步骤406：最后输出学习结果，完成延时补偿。

以下对本发明做详细的描述：

基于自适应模式切换的双馈风机并网数字物理混合仿真新型接口算法，具体实施步骤如下：步骤1：建立PHIL整体模型

本发明PHIL仿真系统主要分为三个主要部分：数字实时仿真系统(DigitalSimulation System，DSS)、物理风机仿真系统(Physical Simulation System，PSS)以及功率接口。

设定DSS子系统为常规大电网系统，其中包括了交直流系统、升压变压器、输电线路和阻抗负载等电力元件。将其运行于RT-LAB实时数字仿真器中，在规定仿真步长内，完成信号传输和运算等工作。

设定PSS子系统为被测试的双馈异步风机等物理装置，能够弥补将数字仿真中真实性精确性不足的缺点。

通过功率接口连接DSS和PSS，完成DSS和PSS之间能量与信号交换，其主要包括接口算法以及接口硬件装置

步骤2：设计新接口算法及其开关判据

新型接口算法是在DIM的基础上进行了改进，在接口数字侧添加接地滤波器Z_k，该算法在风机起动的动态过程中既不影响接口传递函数整体稳定判据，又可以在数字仿真中解决受控电流源直接与感性原件相连的冲突问题。

风机在起动以及并网过程中，三相电流中将产生非周期分量；而当风机达到稳态运行时，三相电流中含有极少的非周期分量，其波形为标准正弦波。对风机定子三相电流进行快速傅里叶变换，提取电流中的非周期分量即直流分量，并计算出直流分量含有率δ_DC。

在风机运动状态发生变化时，其定子电流中直流分量含有率迅速增长，经大约十个周波后逐渐衰减至零。当直流分量含有率降低到0.5％以下时，风机达到稳态运行，因此设定δ_DC作为衡量系统临界稳态判断的指标：

当在双馈风机起动过程及并网过程中，开关保持闭合状态，滤波器Z_k可有效抑制冗余谐波分量。系统达到稳态，控制开关自动弹开切除滤波器，避免稳态下造成实际原电流谐波缺失降低接口精确性。

步骤3：动态阻抗实时匹配及延时补偿阻抗匹配是接口算法的核心环节，因此对于双馈风机并网数字物理仿真平台，需要建立其物理侧等效模型并求取阻抗。双馈感应电机T型等效电路图如图5所示，根据等效电路图可求取定转子电压方程：

U_s＝R_sI_s+jω₁ψ_s

U_r＝R_rI_r+jsω₁ψ_r

其中U_s为定子电压，R_s为定子绕组电阻，I_s为定子电流，ψ_s为电机定子磁链相量，U_r为折算到定子侧的转子电压，R_r为折算到定子侧的转子绕组电阻，I_r为折算到定子侧的转子电流，ω₁为同步角速度，ψ_r为电机转子磁链相量，s为转差率。

求取磁链方程：

ψ_s＝L_sI_s+L_mI_r

ψ_r＝L_mI_s+L_rI_r

其中，L_s为定子绕组自感，L_m为双馈感应电机互感，L_m为转子绕组自感。

求取电磁转矩方程：

其中，T_e为电机电磁转矩，n_p为电机极对数，I_m为励磁电流相量。

进一步做戴维南等效变换得到等效阻抗为：

等效阻抗与风机转速直接相关，通过实验室通信I\O接口实时采集发电机转速进行实时阻抗匹配以达到接口传递最佳效果。，但进行阻抗匹配过程中存在信号转换延时。针对延时所导致接口精确度下降问题，采用Morlet小波神经网络算法在频域上对匹配延时进行补偿。

连续小波过程神经网络的的学习算法整体流程图6所示，首先进行小波神经网络时间序列预测算法学习过程，针对转速的波动特性选择了基于函数正交基展开的学习算法。

利用Morlet小波作为神尽元激励函数，可达到计算式简单以及收敛速度快的要求，其数学表达式如下：

其中C是重构归一化常数。

将十组模拟风机转速历史数据作为学习样本，一份样本作为测试样本，可得到该输出的连续小波过程神经网络：

求取该神经网络的误差函数为：

其中，在给定的10个学习样本(x_1s(t),x_2s(t),…,x_ns(t),d_s)，s＝1,2,…,10)中，x_is(t)的第一个下标表示输入函数向量分量序号，第二个表示学习样本序号。d_s为网络期望。y_s为网络实际输出。

设定连续小波过程神经网络的待训练参数调整规则：

最后输出学习结果，完成延时补偿。

实例：

搭建如图7所示的双馈风机并网在数字物理混合仿真系统，在双馈风机与换流变压器之间设置功率解耦点，该仿真系统步长设置为100μs，系统参数如表1所示。分别采用ITM、DIM、以及新型接口算法连接，其中DIM接口采用阻尼阻抗实时匹配方法，再通过对比分析相同工况下各接口系统的稳定性和精确性，验证所提新型接口算法的有效性。

为了验证新接口算法模式切换及阻抗匹配方法的有效性，分别将三种不同接口算法接入DFIG并网系统，并对比分析风机起动过程以及恒压稳态运行时三种接口的仿真特性，进而验证所提接口算法的稳定性及精确性。仿真运行的1s当中设置0.3s为并网点且0.7s为风速波动点，包含了整个风机起动的状态变化和部分稳态恒压运行时系统状态，以物理侧双馈风机定子的三相电流有效值作为测试变量，仿真对比图如图8所示。

根据仿真结果可以看出，ITM接口算法在电机稳态并网之后可以保证系统的稳定运行，但在面对励磁冲击电流时出现一定程度上的失稳，并放大接口信号误差，将严重影响到系统的稳定性；DIM接口和L-DIM接口并网时延较小，系统总体上能够始终保持系统安全稳定运行，具有较高的稳定裕度。

对系统包括了起动、并网和风速波动整个基本工况流程进行仿真，提取电流信号进行快速傅里叶变换信号分析，计算得出原系统以及两种算法的谐波含量对比如图9所示。在风机起动阶段、并网阶段以及风速波动阶段可以观察到系统中存在大量谐波，使用DIM接口的系统谐波率远大于原系统，暴露了其在动态过程中具有放大谐波的特性。新型接口则在动态过程中表现良好，相比DIM算法更加真实的反映了物理侧真实波形。在系统稳态运行阶段，新型接口算法及时将滤波器切除电路避免对原有波形过多滤波，具有更高的精确性。新型接口在并网运行中相对以上两种接口表现良好，有效地克服了由于电流冲击导致接口稳定性和精确性下降的问题，该算法能够自动根据所设电压阈值在短暂延时内平稳地将滤波器切出接口，最终运行于DIM接口模式，从而保证了系统安全稳定运行。对比分析结果表明，所提新型接口算法法具有较好稳定性性能，同时也验证了阻尼断路器及阻抗实时匹配方法的有效性。

为了更好分析不同接口算法的精确性，给出如下衡量指标：

式中δ_P为有功功率稳态相对误差；P_N为有功功率参考值；P为实际稳态有功功率。以DSS子系统和PSS子系统的δ_P为依据对比分析ITM、DIM以及新型接口系统的仿真精度，进而验证所提算法的仿真精确性，仿真对比结果如图10a、10b所示。

各接口系统两侧仿真精度的对比结果表明：在风机起动至并网稳态的过程中，新型接口算法中由于接地滤波器的存在，其误差略小于DIM接口且远小于ITM接口。在数字侧：ITM接口系统有功功率最大相对误差为5.62％，DIM接口系统为2.49％，新型接口系统为0.26％；在物理侧：ITM接口系统有功功率最大相对误差为3.6％，DIM则达到了0.39％，而新型接口系统为0.12％。

当风机并网达到稳态后，新型接口算法中的接地滤波器支路断开，系统恢复DIM模式，其误差与DIM基本相等，但也远小于ITM。在数字侧：ITM接口系统有功功率最大相对误差为4.56％，DIM接口系统为0.21％，新型接口系统为0.19％；在物理侧：ITM接口系统有功功率最大相对误差为2.49％，DIM则达到了0.15％，而新型接口系统为0.14％。

综合上述对比分析可知，本发明所提新型接口算法有效融合了DIM接口算法的优点，新型接口算法具有较好的仿真精确性，能够保证PHIL仿真系统安全稳定运行的同时提高物理侧双馈风机并网仿真精度，实现DFIG空载并网实时动态特性的精确模拟。表1DFIG数字物理混合仿真系统参数

Claims (1)

1.一种基于自适应模式切换的双馈风机数字物理混合仿真新方法，其特征在于：其步骤是：

(1)设计功率接口及其开关判据

在功率接口数字侧添加接地滤波器Z_k，在风机起动以及并网等动态过程中保持开关闭合，感性滤波器接入电路；在风机达到稳态运行后开关断开，滤波器切离功率接口。

对风机定子三相电流进行快速傅里叶变换，提取电流中的非周期分量即直流分量，并获得直流分量含有率δ_DC，设定δ_DC作为衡量系统临界稳态判断的指标：

(2)物理侧动态阻抗实时匹配

求取定转子电压方程：

U_s＝R_sI_s+jω₁ψ_s

U_r＝R_rI_r+jsω₁ψ_r

其中U_s为定子电压，R_s为定子绕组电阻，I_s为定子电流，ψ_s为电机定子磁链相量，U_r为折算到定子侧的转子电压，R_r为折算到定子侧的转子绕组电阻，I_r为折算到定子侧的转子电流，ω₁为同步角速度，ψ_r为电机转子磁链相量，s为转差率；

求取磁链方程：

ψ_s＝L_sI_s+L_mI_r

ψ_r＝L_mI_s+L_rI_r

其中，L_s为定子绕组自感，L_m为双馈感应电机互感，L_m为转子绕组自感；

求取电磁转矩方程：

其中，T_e为电机电磁转矩，n_p为电机极对数，I_m为励磁电流相量；

进一步做戴维南等效变换得到等效阻抗为：

最后通过风机I\O接口实时传输发电机转速完成阻抗匹配。

(3)基于小波神经网络预测延时补偿

首先，利用Morlet小波作为神尽元激励函数，可达到计算式简单以及收敛速度快的要求

其中C是重构归一化常数；

得到该输出的连续小波过程神经网络：

将十组模拟风机转速历史数据作为学习样本，一份样本作为测试样本，可求取该神经网络的误差函数为：

其中，在给定的10个学习样本(x_1s(t),x_2s(t),…,x_ns(t),d_s)，s＝1,2,…,10)中，x_is(t)的第一个下标表示输入函数向量分量序号，第二个表示学习样本序号，d_s为网络期望，y_s为网络实际输出；

设定连续小波过程神经网络的待训练参数调整规则：

最后输出学习结果，完成延时补偿。

Images