CN112531694B - 基于数字孪生技术的交直流混合电网全域实时模拟方法 - Google Patents

Abstract

本发明公开了一种基于数字孪生技术的交直流混合电网全域实时模拟方法，首先对于电网原始数据进行采集，采用时间序列的数据清洗方法对电网原始数据进行预处理，接着基于高斯分布函数和一元线性函数的组合分段函数模拟和预测风电出力特性、基于正态分布函数模拟光伏电站出力特性，再通过将子模块电力电子开关等效为其导通电阻的方式建立交直流混合电网孪生模型。本发明在不降低模型计算准确性的前提下，通过将子模块电力电子开关等效为其导通电阻的方式，提升交直流混合电网的微秒级建模分析的效率；建立了一套高适应性的新能源建模方法，适用于不同领域及地理环境，提升了新能源出力预测的便捷性，提升模型运行效率。

Description

基于数字孪生技术的交直流混合电网全域实时模拟方法

技术领域

本发明涉及电力系统仿真建模技术领域，具体为基于数字孪生技术的交直流混合电网全域实时模拟方法。

背景技术

1)数字孪生技术

数字孪生(Digital Twin,DT)最早由美国学者Michael Grieves提出，集中应用于航空航天领域，分别于2010年、2011年被美国国家航空航天局(NASA)和美国空军研究实验室(AFRL)采用。该技术通过挖掘、分析大量实时、历史数据，映射实体的实时动作、行为和状态。由该技术建立的飞行器虚拟模型，通过传感器技术实现了虚拟和现实的同步，有利于及时了解目标的运行情况、健康状态、载荷能力等数据，极大地增强了决断有效性。目前该技术已被初步应用于建筑、交通、道路桥梁以及其他工程领域，主要做法是将现实物理系统映射至数字虚拟平台中，结合传感器与信息互联技术，实现现实与虚拟世界的结合，实时更新虚拟模型中的数据，从而通过对虚拟模型的各种观测(数据挖掘、全寿命周期管理、状态监测、工程建设进度等)，实现对现实资产的更优质的管控。

在电力系统模型日渐复杂、数据呈现井喷趋势的今天，为了充分利用已有的电网资源，通过最低限度的电网增强来满足不断变化的发电和用电需求，电网“数字孪生”便成为强大的分析和辅助设计平台，电力系统数字孪生原理如下图1所示。目前我国电网公司正在积极引入。与现行仿真或数据统计分析相比，数字孪生技术可以提供更全面、透明、多层次的观测、推演视角。

针对传统电力系统分析方式的缺点，电网“数字孪生”平台可以通过仿真在过去实际数据的支撑下，重现运行状况，观察没有测量到的信号，找出导致故障的原因。更重要的是，该平台可以分析改变运行控制策略或适当加固电网所带来的效果，例如减少弃风或弃光、保证电能质量、降低损耗、减少停电损失、调控短路水平等策略对电网的影响。该技术利用了当前计算机数据存取和模型计算的强大能力，用蒙特卡洛的方式把实际电网映射到虚拟的数字世界中。但由于采用了实际电网的历史数据，非常便于验证模型的精确性。另外，利用“数字孪生”平台还能够方便地改变电网运行数据，预测数据变化对未来电网运行可能产生的影响。

2)柔性直流输电及MMC原理

柔性直流输电是一种以电压源换流器、自关断器件和最低电平逼近(nearestlevel modulation；NLM)技术为基础的新型输电技术，该输电技术具有可向无源网络供电、不会出现换相失败、换流站间无需通信以及易于构成多端直流系统等优点。

已有柔性直流输电工程采用的电压源换流器主要有3种，即两电平换流器、二极管箝位型三电平换流器和模块化多电平换流器(MMC)。两电平换流器电路结构简单，电容器少，控制系统较容易实现。但大量直接串联的IGBT器件需配置均压电路且触发脉冲必须精确同步，否则将容易造成器件损坏。二极管箝位型三电平换流器与两电平逆变器相比，具有输出电压电流谐波小，开关器件承受的电压及开关损耗减半等优势，可有效减小滤波器等无源器件的体积和重量。因渝鄂柔直工程采用MMC作为换流器，以下主要讨论MMC。MMC的桥臂由子模块级联的方式组成，每个桥臂由N个子模块(Sub-Module，SM)和一个串联电抗器组成。同相的上下两个桥臂组成一个相单元。

MMC常用的控制方法是直接电流控制，也称作矢量控制。该控制主要分为内环电流控制、外环功率控制两部分。外环功率控制的主要物理量包括：交流侧有功功率、直流侧电压、交流系统频率、交流侧无功功率、交流侧电压。其中前三者为有功功率类物理量，后两者为无功功率物理量。而MMC的两端需要从有功功率类物理量和无功功率类物理量中各挑选出一个物理量；同时，直流侧电压是必选项。因此，MMC的控制物理量有多种组合。通常来说，连接风电场的直流换流站采用控制交流侧频率和交流侧电压的组合，而连接电网的直流换流站采用控制直流侧电压和交流侧无功功率的组合。

电网结构采用直流异步互联有诸多优势，主要表现在：

⑴避免连锁故障导致的大面积停电2019年7月13日，美国纽约发生了长达5小时涉及7万用户的供电中断，造成了巨大的经济损失和社会影响。近年来的大停电事故表明，相较于电网的庞大，小范围故障仍有引起大面积停电事故的可能。由于潮流转移很难控制，故障可以传递至不同的区域，直至系统崩溃。而采用直流异步联网结构，送端和受端的故障不会相互传递，避免了潮流的转移，也因此可以预防大面积停电事故。

⑵去除低频振荡根据国内外大电网运行经验，两个大容量电网同步互联后，容易产生低频振荡。而采用直流异步互联，从结构上就去除了低频振荡的可能性。

⑶交流侧产生的短路电流水平不会受到影响直流换流站不会为短路点提供故障电流。

MMC-HVDC(Modular Multilevel Converter-High Voltage Direct Current模块化多电平换流器直流输电)系统的电磁暂态仿真系统已被应用于交直流混合系统的仿真分析中，而由于其子模块数较多，为了保证其仿真计算精度，通常将其电力电子开关器件(IGBT)纳入仿真子模块中，仿真分析的速度受到极大的影响。

但由于MMC-HVDC通常用于传输大量功率，其电压等级和电能质量要求较高，通常电平数较多，从而造成了子模块较多。大量的子模块中含有的电力电子开关器件和电容使得模型的建立变得复杂，现有的具备微秒级分析能力的仿真模型效率较低，不利于模型调试，无法快速得出结果。

3)新能源出力特性

风电的年出力波动呈周期性变化，而日负荷波动呈现出较大的随机性。光伏发电的日出力呈现较强的规律性。

4)新能源接入对电网影响分析

⑴对电压的影响风力发电利用风力机组将风流动的动能转化为电能，受风力条件影响较大。为了减少风力影响，一般将风力发电厂建立在风速较大相对稳定的地点。风力将影响输出功率，而输出功率又将影响电压产生波动和闪变。在电力系统中，新能源机组会在开启、停止的运行过程中产生波动，并网后电网同样也容易产生闪变和波动。

⑵对电网频率的影响电网频率稳定是衡量电网安全平稳运行的一个重要指标。在新能源机组大规模并网后，电网中会出现频率的变化，给电网安全稳定运行带来隐患。经研究发现，新能源机组在0.01-1.0Hz的功率波动，对电力系统造成的影响最大，不利于电力系统的正常运行。

⑶对电网谐波的影响新能源发电站的运行会受到自身和外界的影响，易出现电压电流谐波，影响电网的电能质量。由并网光伏发电特性可知，光照强度、阴影变化、浮云阴影问题都会导致发电功率的变化，出现谐波污染和电压波动的问题。而在风力发电系统中存在电抗器和电容器，两者间相互作用将会产生谐波畸变。

⑷对电网运行的影响新能源和常规能源的相互作用会影响电网稳定性。新能源比重逐渐加大后，电网发生故障的几率也将增大；同时，继电器保护电路的难度也将增加，导致发生故障时无法准确快速地做出保护动作，甚至扩大故障范围。

新能源出力特性在不同的地理环境下差异性较大，需针对不同的地域资源情况，收集大量原始数据后，经过多次的训练得出预测模型，主要有平均值、线性回归、神经网络、支持向量机等。尚未有能够对大多数风电、光伏出力有较强适应性的模型。

但由于不同区域之间的气候、地理环境差异，其新能源(风、光)出力的波动特性有较大差异，新能源出力数学模型的建立方法较多，且较为复杂，随地理环境的变化模型的差异较大，不便于其数学模型的建立。

5)柔性高压直流输电仿真模型

在实际投入运行的柔性直流输电工程中多采用模块化多电平换流器。由于MMC电平数量多，拓扑结构复杂，MMC模型详细程度和计算效率是一对主要矛盾。为解决这一问题，目前主要采用的是电磁暂态仿真，同时对子模块进行不同程度的等效或简化。

另外，由于电力系统的正常运行需要多个专业、多个部门的人员协作才能完成，因此对交直流混合输电系统的分析较为分散，针对某一研究重点通常需要各自搭建局部的具有针对性的模型，未形成一套完整的数字孪生分析体系和架构，不利于信息的整合，无法对资产及其运行状态进行全寿命周期全方位的把控。

发明内容

针对上述问题，本发明的目的在于提供一种基于数字孪生技术的交直流混合电网全域实时模拟方法，在不降低模型计算准确性的前提下，提升交直流混合电网的微秒级建模分析的效率；并探索新能源发电在不同领域及地理环境下的强适应性数学模型建立方法，实现对新能源渗透率较高的交直流混合电网的现状电状态参数查看、故障监测以及结合潮流预测进行电网事件预演。技术方案如下：

一种基于数字孪生技术的交直流混合电网全域实时模拟方法，包括：

步骤1：对于电网原始数据进行采集，采用时间序列的数据清洗方法对电网原始数据进行预处理；

步骤2：建立新能源多阶段波动模型及对应预测模型：

根据相关地区一段时日内某固定时刻的风电出力数据，得到该时段内该时刻的风电出力波动曲线，根据风电出力波动曲线的趋势，采取高斯分布函数和一元线性函数的组合分段函数拟合得到风电场出力拟合曲线，

根据光伏电站样本数据，得到光伏电站典型日出力曲线，根据光伏电站典型日出力曲线的趋势，采用正态分布函数拟合得到光伏电站典型日出力拟合曲线；

步骤3：建立交直流混合电网孪生模型：

直流部分：建立等效子模块的MMC-HVDC的高效数学孪生模型：将MMC子模块的经典结构中开关器件T1、T2等效为一个可变电阻，该可变电阻根据控制系统调整阻值大小作为器件的导通电阻或关断电阻，实现子模块导通与关断的控制；

交流部分：建立变电站和线路杆塔虚拟模型；

进一步的，所述步骤1中对数据预处理具体为：

假设{X_t}是没有检测到输变电设备状态信息数据异常的时间序列，则{X_t}利用ARIMA模型表示如下：

α(B)＝1-α₁B-α₂B²-…-α_qB^q

β(B)＝1-β₁B-β₂B²-…-β_qB^q

其中，α(B)为光滑算子，β(B)为可逆算子，

为1-B的缩写，B为延迟算子；α₁,α₂,...,α_q代表α(B)的相应参数，β₁,β₂,...,β_q代表β(B)的相应参数，{a_t}为满足正态分布

的噪音序列；q为数据维数；

中d代表延迟算子次数；

假设{Y_t}是已被观测到的有噪音点、缺失值的时间序列；则在T时刻含有噪音点、缺失值的ARIMA模型被分为如下两个模型：

持续异常值模型：假定在时间t处有持续异常值的时间序列{Y_t}，则此序列描述如下：

其中，

为一个指标函数，用来描述在时间t处是否存在异常值；ω_φ显示持续异常值对时间序列的影响；

独立异常值模型：先将{Z_t}视为在时间T处存在持续异常值的时间序列，这个模型被独立异常值影响；表示如下：

持续异常值和独立异常值对于状态数据序列的影响分别用如下公式计算：

ω_φ＝e_t

其中，e_t和e_t+j分别为两个模型的拟合误差；j为列数；n为所需处理数据的总时长。

通过计算持续异常值模型和独立异常值模型的检测统计量来进行异常值的检测，公式如下：

其中，σ_a是e_t的系列方差。

更进一步的，所述步骤2中，对风电出力特性进行建模采用两个高斯函数和一个一元线性函数；

由于风电出力的月平均出力波动是以年为周期进行分布的，则分离出一个随月份线性增大的一次函数为：

y_initial＝0.68x+11

高斯分布1：

高斯函数的基本形式如下式所示：

其中，A、ω、x_c为常数项。

拟合结果如下式所示：

高斯分布2：

拟合结果如下式所示：

具体月均出力以年为单位的波动规律用如下所示的数学模型描述：

所述光伏出力的日特性描述为：

其中，P_x为光伏发电功率，P_总装机为光伏电站装机容量。

更进一步的，所述半桥子模块孪生模型中，在每个时刻，下桥臂投入的子模块数的实时表达式为：

对应上桥臂需要投入的子模块数的实时表达式为：

式中，N为上桥臂所含有的子模块数，u_S为调制波的瞬时值，U_C为子模块直流电压平均值；round(x)表示取与x最接近的整数；

子模块投切的约束条件为0≤n_up,n_down≤N；若n_up、n_down取满足约束条件，则最近电平逼近调制工作在正常工作区；若n_up、n_down取不满足约束条件，则n_up、n_down取对应边界值，最近电平逼近调制工作在过调制区；

在高压MMC-HVDC系统中，电压平衡控制策略采用上下桥臂所有子模块电容电压分别进行全排序或改进排序方法，然后，根据桥臂电流方向和最近电平逼近调制策略，选取上下桥臂投入子模块的个数。

更进一步的，所述步骤1中，电网原始数据包括：天气数据、风电出力、线路潮流、节假日/工作日、各节点电气量以及网络拓扑。

本发明的有益效果是：

1)本发明基于高斯分布函数和一元线性函数的组合分段函数模拟和预测风电出力特性、基于正态分布函数模拟光伏电站出力特性，建立了一套高适应性的新能源建模方法，适用于不同领域及地理环境；提升了新能源出力预测的便捷性，大大降低了由于新能源随机性、波动性为数学建模带来的困难和复杂度，提升模型运行效率。

2)本发明在不降低模型计算准确性的前提下，通过将子模块电力电子开关等效为其导通电阻的方式，提升交直流混合电网的微秒级建模分析的效率；

3)本发明建立了一整套含大规模新能源接入的交直流混合输电系统数字孪生平台架构，实现对新能源渗透率较高的交直流混合电网的现状电状态参数查看、故障监测以及结合潮流预测进行电网事件预演，较常规仿真具有较强的准确性和全面性。

附图说明

图1为电力系统数字孪生原理图。

图2为模块化多电平换流器(MMC)结构示意图。

图3为本发明电网数字孪生系统总体架构。

图4为渝东北地区风电场全年出力曲线。

图5为渝东北地区风电场出力曲线及拟合结果。

图6为光伏电站典型日出力曲线。

图7为光伏电站典型日出力拟合曲线。

图8为MMC-HVDC控制系统示意。

图9为MMC控制原理。

图10为MMC半桥子模块孪生模型。

图11为NLM调制原理图。

图12为MMC电容电压平衡策略。

图13为孪生模型直流稳态电压。

图14为孪生模型单根直流线路输送潮流。

图15为导通子模块数示意图。

图16为桥臂电压(840kV)示意图。

图17为计算所需时长示意图。

图18为交流侧故障对直流侧电压影响。

图19为交流侧故障对直流侧功率影响。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。本发明基于对直流背靠背、负荷预测以及风电出力预测的分析，建立了如图3所示的电网数字孪生系统，其主要包括原始数据收集及预处理阶段、建立新能源多阶段波动模型及对应预测模型阶段和交直流混合电网孪生模型建立阶段三个阶段，具体如下：

一、原始数据收集及预处理阶段

对于电网原始数据进行采集，采用时间序列的数据清洗方法对电网原始数据进行预处理。

(1)电网原始数据收集，需要收集的资料包括天气数据、风电出力、线路潮流、节假日/工作日、各节点电气量以及网络拓扑等。

(2)电网数据预处理，包括数据清洗及归一化。

数据清洗作为电力设备状态评估的一个重要前期步骤，其作用在于提高原始数据质量，提高数据的利用率，减少误差等。在输变电设备状态数据的清洗方面，国内外已经有了很多的研究技术与方法。采用信息熵的方法建立状态信息数据与故障类型的对应关系，然后对数据进行约简化处理，对缺失数据进行补充，对错误数据进行删除，但是原始状态信息的完整性得不到保证；采用模糊C均值聚类进行异常数据的处理时，不同维度数据之间的数据链会受到一定的破坏，不利于后面的分析，会使变压器故障分类的结果准确性受到影响。而时间序列的数据清洗方法不会对原始数据的完整性造成影响，并且可以对噪音点和缺失值进行补充，本发明采用这种方法对变压器DGA分析结果进行预处理。

假设{Xt}是没有检测到输变电设备状态信息数据异常的时间序列，则{Xt}利用ARIMA(Autoregressive Integrated Moving Average model差分整合移动平均自回归模型)模型的表示如下：

α(B)＝1-α₁B-α₂B²-…-α_qB^q (1-2)

β(B)＝1-β₁B-β₂B²-…-β_qB^q (1-3)

上式中α(B)是光滑算子，β(B)是可逆算子，

是1-B的缩写，B为延迟算子，α₁,α₂,...,α_q、β₁,β₂,...,β_q分别代表α(B)、β(B)的相应参数，{a_t}是满足正态分布

的噪音序列。

假设{Y_t}是已被观测到的有噪音点、缺失值的时间序列；则在T时刻含有噪音点、缺失值的ARIMA模型可以被分为如下两个不同的模型：

第一种是持续异常值模型，假定在时间t处有持续异常值的时间序列{Y_t}，则此序列可以被如下的公式描述：

是一个指标函数，它是用来描述在时间t处是否存在异常值；ω_φ显示了持续异常值对时间序列的影响。上述公式表明，Y_t以及其时间t以后的整个时间序列Y_t+1、Y_t+2…都会被此异常值所影响。

第二种是独立异常值模型，先将{Z_t}视为是在时间T处存在持续异常值的时间序列，这个模型被独立异常值影响。用公式表示如下:

其中，

和上述公式(4)中的含义相同，

表示了持续异常值对于时间序列的影响，从上式中可以看出，独立异常值在存在干预时仅仅影响时间T处的序列值，对其他的序列值并无影响。因此，将这种类型的值定义为是独立异常值。

持续、独立异常值对于状态数据序列的影响可以分别用如下的公式计算：

ω_φ＝e_t (1-7)

上式中e_t是模型的拟合误差。

可以通过计算持续、独立异常值模型的检测统计量来进行异常值的检测，公式如下：

上式中t含义同上，e_t是模型的拟合误差，σ_a是e_t的系列方差，如果

或者

在t₀时刻比设定值C大，我们就可以得出结论：在这个状态数据序列之中不存在这两种类型的异常值。

综上所述，观测到的时间序列可以被不同类型的异常在不同时间点影响，这些数据可以结合公式(1-5)、(1-6)来进行修正。

二、建立新能源多阶段波动模型及对应预测模型阶段

本实施例采用渝东北地区的新能源数据为例。渝东北地区具有较大的新能源开发潜力，尤其是对于风电的开发。但是，由于新能源出力的随机性和波动性，其并网会对传统交流系统的稳定运行产生一定的影响，同时，随着渝东北地区新能源的开发，火电出力在未来可预见性的会减少发电时长，更多的承担调频调峰的作用。因此，对大规模新能源渗透的交直流混合电力系统的分析具有重要意义，且需建立符合实际运行状况且具有较强适应性的新能源数字孪生模型。

(1)风功率波动分析

根据相关地区一段时日内某固定时刻的风电出力数据，得到该时段内该时刻的风电出力波动曲线，根据风电出力波动曲线的趋势，采取高斯分布函数和一元线性函数的组合分段函数拟合得到风电场出力拟合曲线。

通常来说，风电的年出力波动呈周期性变化，而日负荷波动呈现出较大的随机性。因此，针对渝东北地区的风电出力特点，收集该地区某110MW风电场全年365天的0:00时刻风电出力数据，由此得出其在0:00时刻的月平均出力如下图5所示。需要说明的是，由于该时刻负荷需求较小，风电出力可能存在未完全释放的情况，实际月均出力需根据月发电量进行测算，图4仅用于体现0:00时刻的风电出力波动趋势。

由图4可知，渝东北地区风电出力呈现4～6月、9～11月较大，冬季12月～次年2月较小的特点，据此可对该区域其他风电出力进行中长期预测。

根据风电出力波动情况，本文采取多个函数拟合的形式对其出力特性进行建模，利用软件为Origin9.0，包括两个高斯函数和一个一元线性函数。

1)基本函数线：

由于风电出力的月平均出力波动是以年为周期进行分布的，可分离出一个随月份线性增大的一次函数，如图中Baseline(起点)所示。

y_initial＝0.68x+11 (2-1)

2)高斯分布1(Gaussian1)：

高斯函数的基本形式如下式所示：

拟合结果如下式(2-3)和表1所示：

表1高斯1函数拟合结果

3)高斯分布2(Gaussian2)：

拟合结果如下式(2-4)和表2所示：

表2高斯2函数拟合结果

拟合后的风电出力拟合示意如下图5所示。

渝东北地区风电功率波动呈现出以年为单位的周期性变化，但是其日出力变化呈现出较大的随机性。

具体月均出力以年为单位的波动规律可用如下所示的数学模型描述：

这种以高斯函数和一元线性函数所构成的风电出力模型具有较广的适用范围，且不丧失新能源出力的波动性。

(2)光伏出力波动分析

根据光伏电站样本数据，得到光伏电站典型日出力曲线，根据光伏电站典型日出力曲线的趋势，采用正态分布函数拟合得到光伏电站典型日出力拟合曲线。

关于光伏电站的出力波动分析，样本数据主要采用光伏电站进行。出力曲线如下图6所示，采样步长按我国电网SCADA系统的采样间隔，为5min。

根据该光伏电站典型日出力分析可以看出，渝东北地区光伏电站出力波动以天为周期进行变化，中午出力较大，夜晚出力较小，几乎为零，其中夜晚出现了负功率，分析其主要原因为夜晚光伏电站的厂用电，需从主网获取。

根据光伏电站出力曲线趋势，可采用正态分布来描述光伏出力的日特性，拟合如下图7所示。

其中，P_x为光伏发电功率，P_总装机为光伏电站装机容量。

综上所述，可采用正态分布来衡量不同地区的光伏出力波动特性，且具有较强的鲁棒性。

三、交直流混合电网孪生模型建立阶段

(1)直流部分：建立等效子模块的MMC-HVDC的高效数学孪生模型，即半桥子模块孪生模型。将MMC子模块的经典结构中开关器件T1、T2等效为一个可变电阻，该可变电阻根据控制系统调整阻值大小作为器件的导通电阻或关断电阻，实现子模块导通与关断的控制。

MMC-HVDC系统：模块化多电平(Modular multilevel module；MMC)的桥臂是通过多个开关器件和电容构成的，但其构成方式不是简单的串联，而是采用了子模块级联的方式进行。另外，MMC的工作原理与两电平、三电平的换流器不同，MMC不采用脉冲宽度调制的方式，而是采用阶梯波的方式来逼近交流正弦波。

控制系统对于柔性直流输电系统具有重要的作用，是维持其稳定运行的核心。将MMC的控制系统深入分析，其主要可分为内环控制和外环控制，其中内环控制主要为电流控制，外环控制主要针对功率进行控制，具体控制系统内外环控制示意如下图8、9所示。

MMC的控制策略在本质上属于VSC的一种，但是MMC内部复杂的结构和数目众多的电力电子器件，需要同时执行成百上千个开关器件的触发控制，因此MMC控制层面上具有控制量较大、过程复杂的特点，与VSC控制系统相比需要实现更多的功能。

半桥子模块孪生模型：基于数字孪生概念将MMC系统半桥子模块进行转化，提升其模型映射速度，主要做法是将MMC子模块的经典结构中开关器件T1、T2等效为一个可变电阻，该电阻可根据控制系统调整阻值大小为器件的导通电阻或关断电阻，如图5所示，从而实现子模块导通与关断的控制。

最低电平逼近：MMC变换器调制策略主要有DPWM(小数点脉宽调制)、NLM(最近电平逼近调制)和CPS-PWM(载波移相脉宽调制)等。但在高压MMC-HVDC系统中，多采用NLM调制策略。主要是NLM调制策略在高电平时具有输出电压谐波含量低，易于实现等优点。

用u_s表示调制波的瞬时值，U_C表示子模块直流电压平均值。N(通常为偶数)为上桥臂所含有的子模块数，也等于下桥臂子模块数，这样每个相单元任一瞬时总是投入N个子模块。如果N个子模块由上、下桥臂平均分担，则该相单元输出的电压为0。如图11所示，随着调制波瞬时值从0开始升高，该相单元的下桥臂处于投入状态的子模块需要逐渐增加，上桥臂相应的就要逐渐减少，使该相单元输出的电压随调制波升高。理论上，NLM将MMC输出的电压与调制波的差值控制在

以内。

这样，在每个时刻，下桥臂投入的子模块数的实时表达式为

对应上桥臂需要投入的子模块数的实时表达式为

式中，round(x)表示取与x最接近的整数。

SM(Sub-module子模块)投切的约束条件为0≤n_up,n_down≤N。如果由式(3-1)、(3-2)计算得出的n_up、n_down满足约束条件，称为NLM工作在正常工作区。如果计算的n_up、n_down不满足约束条件，则n_up、n_down这时只能取对应边界值。因此，当调制波升高或降低到一定程度时，由于SM数量限制，NLM方法已经不能将MMC输出的电压与调制波电压之差限制在

以内，这种情况，称NLM工作在过调制区。

在高压MMC-HVDC系统中，电压平衡控制策略一般都采用上下桥臂所有子模块电容电压分别进行全排序或改进排序方法，然后，根据桥臂电流方向和NLM调制策略，选取上下桥臂投入SM个数。如图12所示。

(2)交流部分：建立变电站和线路杆塔虚拟模型。

四、功能实现阶段

(1)电网状态的实时监测；

(2)关键位置数据采集，

(3)电网建设辅助决策

(4)电网事件预演及数据反馈、模型修正阶段。

五、交直流混合电网数字孪生平台验证

(1)孪生模型基本参数

本次孪生模型所用的主要交流参数、背靠背换流阀参数如下表3、4所示，其中接收侧换流站交流母线出口采用戴维南等效处理，送端交流系统搭建两个500kV变电站覆盖区域。

表3主要交流参数

表4背靠背换流阀单元参数

(2)孪生模型测试结果

根据以上参数及渝东北地区网架结构，建立交直流混合仿真模型，将丰水期大负荷方式下的电气参数输入模型，同时对风电出力和关键站点负荷预测结果输入孪生模型。

其中，背靠背直流输送容量为2×500MW，换流单元正负极各输送250MW电力；直流电压设置为±420kV，具体结果如下图13、14所示。

(3)换流单元内部孪生模型主要参数

根据MMC-HVDC基本原理，以单元二为例(子模块数：500)，在每一时刻的上下桥臂子模块导通数之和，应为500。

仿真模型运行时，导通子模块数之和如图15所示，运行初始时刻至稳定期间，MMC子模块属于无序充电状态，因此，前期子模块导通数波动较大。

如图16所示，MMC-HVDC输电系统的启动充电阶段为无序充电(自由充电，控制系统未参与)，因此，启动时会产生一定的波动，这是由于导通电容数较多所造成。

如图17所示，采用将子模块的电力电子开关器件IGBT等效为导通电阻的方式搭建孪生模型，实现了将仿真时长由300分钟降低至4分钟左右，极大提升了运算效率，便于模型调试和模型更新。

综上所述，MMC等效子模块孪生模型能够在不降低仿真准确性的基础上，极大提升了模型的运算效率。

(4)孪生模型电网事件预演

为了验证电网故障瞬间孪生模型的有效性，当交流侧并网风电机组(装机共计150MW)送出交流220kV线路发生三相瞬时故障时，换流阀内直流线路直流侧电压波动如图18所示，直流侧功率波动如下图19所示。

由交流侧故障对直流侧功率影响结果可知，交流侧发生故障后，直流线路电压和输送功率发生波动。其中由于直流系统控制环节的调整，直流电压的波动较小；直流侧输送功率的波动偏移在50MW左右，能够保持交直流系统的持续稳定运行，与电网实际情况一致，证明了本孪生模型的准确性和有效性。

Claims (5)

1.一种基于数字孪生技术的交直流混合电网全域实时模拟方法，其特征在于，包括：

步骤1：对于电网原始数据进行采集，采用时间序列的数据清洗方法对电网原始数据进行预处理；

步骤2：建立新能源多阶段波动模型及对应预测模型：

根据相关地区一段时日内某固定时刻的风电出力数据，得到该时段内该时刻的风电出力波动曲线，根据风电出力波动曲线的趋势，采取高斯分布函数和一元线性函数的组合分段函数拟合得到风电场出力拟合曲线，

根据光伏电站样本数据，得到光伏电站典型日出力曲线，根据光伏电站典型日出力曲线的趋势，采用正态分布函数拟合得到光伏电站典型日出力拟合曲线；

步骤3：建立交直流混合电网孪生模型：

直流部分：建立等效子模块的MMC-HVDC的高效数学孪生模型：将MMC子模块的经典结构中开关器件T1、T2等效为一个可变电阻，该可变电阻根据控制系统调整阻值大小作为器件的导通电阻或关断电阻，实现子模块导通与关断的控制；

交流部分：建立变电站和线路杆塔虚拟模型。

2.根据权利要求1所述的基于数字孪生技术的交直流混合电网全域实时模拟方法，其特征在于，所述步骤1中对数据预处理具体为：

假设{X_t}是没有检测到输变电设备状态信息数据异常的时间序列，则{X_t}利用ARIMA模型表示如下：

α(B)＝1-α₁B-α₂B²-…-α_qB^q

β(B)＝1-β₁B-β₂B²-…-β_qB^q

其中，α(B)为光滑算子，β(B)为可逆算子，▽为1-B的缩写，B为延迟算子；α₁,α₂,...,α_q代表α(B)的相应参数，β₁,β₂,...,β_q代表β(B)的相应参数，{a_t}为满足正态分布N(0,σ_a2)的噪音序列；q为数据维数；

中d代表延迟算子次数；

假设{Y_t}是已被观测到的有噪音点、缺失值的时间序列；则在T时刻含有噪音点、缺失值的ARIMA模型被分为如下两个模型：

持续异常值模型：假定在时间t处有持续异常值的时间序列{Y_t}，则此序列描述如下：

其中，

为一个指标函数，用来描述在时间t处是否存在异常值；ω_φ显示持续异常值对时间序列的影响；

独立异常值模型：先将{Z_t}视为在时间T处存在持续异常值的时间序列，这个模型被独立异常值影响；表示如下：

持续异常值和独立异常值对于状态数据序列的影响分别用如下公式计算：

ω_φ＝e_t

其中，e_t和e_t+j分别为两个模型的拟合误差；j为列数；n为所需处理数据的总时长；

通过计算持续异常值模型和独立异常值模型的检测统计量来进行异常值的检测，公式如下：

其中，σ_a是e_t的系列方差。

3.根据权利要求1所述的基于数字孪生技术的交直流混合电网全域实时模拟方法，其特征在于，所述步骤2中，对风电出力特性进行建模采用两个高斯函数和一个一元线性函数；由于风电出力的月平均出力波动是以年为周期进行分布的，则分离出一个随月份线性增大的一次函数为：

y_initial＝0.68x+11

高斯分布1：

高斯函数的基本形式如下式所示：

其中，A、ω、x_c为常数项；

拟合结果如下式所示：

高斯分布2：

拟合结果如下式所示：

具体月均出力以年为单位的波动规律用如下所示的数学模型描述：

所述光伏出力的日特性描述为：

其中，P_x为光伏发电功率，P_总装机为光伏电站装机容量。

4.根据权利要求1所述的基于数字孪生技术的交直流混合电网全域实时模拟方法，其特征在于，所述等效子模块的MMC-HVDC的高效数学孪生模型中，在每个时刻，下桥臂投入的子模块数的实时表达式为：

对应上桥臂需要投入的子模块数的实时表达式为：

式中，N为上桥臂所含有的子模块数，u_S为调制波的瞬时值，U_C为子模块直流电压平均值；round(x)表示取与x最接近的整数；

子模块投切的约束条件为0≤n_up,n_down≤N；若n_up、n_down取满足约束条件，则最近电平逼近调制工作在正常工作区；若n_up、n_down取不满足约束条件，则n_up、n_down取对应边界值，最近电平逼近调制工作在过调制区；

在高压MMC-HVDC系统中，电压平衡控制策略采用上下桥臂所有子模块电容电压分别进行全排序或改进排序方法，然后，根据桥臂电流方向和最近电平逼近调制策略，选取上下桥臂投入子模块的个数。

5.根据权利要求1所述的基于数字孪生技术的交直流混合电网全域实时模拟方法，其特征在于，所述步骤1中，电网原始数据包括：天气数据、风电出力、线路潮流、节假日/工作日、各节点电气量以及网络拓扑。

Images