CN117195115A - 一种变频器crowbar状态识别方法 - Google Patents
一种变频器crowbar状态识别方法 Download PDFInfo
- Publication number
- CN117195115A CN117195115A CN202310630884.8A CN202310630884A CN117195115A CN 117195115 A CN117195115 A CN 117195115A CN 202310630884 A CN202310630884 A CN 202310630884A CN 117195115 A CN117195115 A CN 117195115A
- Authority
- CN
- China
- Prior art keywords
- doubly
- crowbar
- fed wind
- rotor current
- coordinate system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001360 synchronised effect Effects 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 230000014509 gene expression Effects 0.000 claims abstract description 23
- 238000010248 power generation Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000001052 transient effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011217 control strategy Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000004804 winding Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Control Of Eletrric Generators (AREA)
Abstract
本发明提供的一种变频器CROWBAR状态识别方法,包括以下步骤:步骤1,建立双馈型风力发电机组Crowbar电路保护动作期间的模型;步骤2,根据步骤1中所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系条件下转子电流解析式;步骤3,根据得到的同步坐标系条件下转子电流解析式计算得到同步坐标系下转子电流;步骤4,获取仿真数据,所述仿真数据包括双馈型风力发电机组正常运行数据、双馈型风力发电故障或电压跌落发生后的运行数据;步骤5,根据优化后的ANN网络计算得到故障期间同步坐标系条件下的转子电流;步骤7,根据步骤3和步骤6中得到的转子电流对Crowbar状态进行分类;本发明能够及早识别出Crowbar电路的状态异常,提高了Crowbar电路的使用寿命。
Description
技术领域
本发明属于风力发电领域,具体涉及一种变频器CROWBAR状态识别方法。
背景技术
为了保障风力发电系统的安全性与可靠性,电力相关部门对风电场低电压穿越(low voltage ride-through,LVRT)提出了明确要求,即风电机组在并网点电压跌落的一定范围内,必须在保证自身系统安全运行的前提下不脱网运行,并应能够向电网提供无功功率,帮助电网恢复电压。
为了使风电机组具备低电压穿越能力,一般采用Crowbar电路对变流器和机组的稳定运行进行保护,检测到电压跌落后,变流器切换为故障控制策略运行,转子侧并接Crowbar回路开始吸收暂态转子电流,防止电流过大,并同时闭锁机侧变流器,待暂态电流衰减后,Crowbar回路退出;由于双馈型风力发电机需依赖附加电路与控制完成各种故障穿越要求,导致了双馈型风力发电机组具有不同于传统同步发电机的复杂故障电机电流特征,同时,在实际工程中应用的Crowbar电路中包含工频整流二极管与IGBT等电力电子器件,因此,双馈型风力发电机组中采用Crowbar电路对变流器和机组的稳定运行进行保护时,Crowbar电路需要长时间承受开关脉冲,导致Crowbar电路中各个器件工作状态极其严酷,进而造成Crowbar电路寿命受到影响。
发明内容
本发明的目的在于提供一种变频器CROWBAR状态识别方法,解决了现有的双馈型风电机组变频器存在复杂故障电机电流特征,导致Crowbar器件寿命受到影响。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种变频器CROWBAR状态识别方法,包括以下步骤:
步骤1,建立双馈型风力发电机组Crowbar电路保护动作期间的模型;
步骤2,根据步骤1中所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系条件下转子电流解析式;
步骤3,根据得到的同步坐标系条件下转子电流解析式计算得到同步坐标系下转子电流;
步骤4,获取仿真数据,所述仿真数据包括双馈型风力发电机组正常运行数据、双馈型风力发电故障或电压跌落发生后的运行数据;
步骤5,利用仿真数据对预设的ANN网络进行优化,得到优化后的ANN网络;
步骤6,根据优化后的ANN网络计算得到故障期间同步坐标系条件下的转子电流;
步骤7,根据步骤3和步骤6中得到的转子电流对Crowbar状态进行分类。
本优选实施例在于,在于,步骤2中,根据步骤1中所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系条件下转子电流解析式,具体方法是:
S21,根据步骤1中所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系下双馈型风力发电机组的定子电流方程和转子电流方程;
S22,根据S21中得到的定子电流方程和转子电流方程得到同步坐标系条件下转子电流的微分方程;
S23,求解S22中得到的微分方程,得到同步坐标系条件下转子电流解析式。
本优选实施例在于,在于,S22中,根据S21中得到的定子电流方程和转子电流方程得到同步坐标系条件下转子电流的微分方程,具体方法是:
S221,当双馈型风力发电机组发生故障时,假设控制器设定的控制策略能够使双馈型风力发电机的转子电压能够无差跟踪控制器给定的参考值,且不计开关暂态过程,则得到转子侧变流器的暂态方程表达式;
S222,根据控制器设定的故障控制策略将暂态方程表达式中的转子电流参考值的向量形式分别分解至d轴、q轴,得到d轴幅值和q轴幅值的表达式;
S223,将S21中得到的定子电流方程和转子电流方程、转子侧变流器的暂态方程表达式以及d轴幅值和q轴幅值的表达式相结合,得到同步坐标系条件下转子电流的微分方程。
本优选实施例在于,在于,S23中,求解S22中得到的微分方程,得到同步坐标系条件下转子电流解析式,具体方法是:
设定同步坐标系条件下转子电流的微分方程的边界条件:
其中,表示正常运行工况下转子电流参考值;
根据得到的边界条件求解微分方程,得到同步坐标系条件下转子电流解析式:
其中,λ1、λ2分别为步骤5中微分方程的特征根。
本优选实施例在于,在于,步骤5中,利用仿真数据对预设的ANN网络进行优化,得到优化后的ANN网络,具体方法是:
将仿真数据中双馈型风力发电机组故障前的端口电压us|0-、双馈型风力发电机机组视在功率S0、转子角速度ωr以及双馈型风力发电机故障期间的端口电压us|0+与计算获得的故障期间同步坐标系条件下转子电流ir作为训练集训练步骤9中的ANN网络,得到优化后的ANN网络。
本优选实施例在于,在于,步骤7中,根据步骤3和步骤6中得到的转子电流对Crowbar状态进行分类,具体方法是:
根据步骤3和步骤6中得到的转子电流判断Crowbar电路是否应该动作;
利用双馈型风力发电机组历史运行数据汇总的风速对历史运行数据进行分仓处理,得到多个子阶段;
分别在每个子阶段利用双馈型风力发电机组的实时运行数据对Crowbar电路判断结果进行KNN聚类;
对KNN聚类结果进行赋值;
根据赋值结果对Crowbar状态进行分类。
本优选实施例在于,根据赋值结果对Crowbar状态进行分类,具体方法是:
统计双馈型风力发电机组的实时运行数据中故障发生的次数;
利用该故障发生的次数和赋值结果,结合下式对Crowbar状态进行分类:
表明Crowbar正常;
表明Crowbar状态开始偏移正常;
表明Crowbar状态已经出现异常;
其中,为/>向下取整,k为双馈型风力发电机组的实时运行数据中故障发生的次数。
本优选实施例提供一种双馈型风电机组变频器Crowbar状态分类系统,包括:
模型建立单元,用于建立双馈型风力发电机组Crowbar电路保护动作期间的模型;
转子电流计算单元,用于根据所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系条件下转子电流解析式;
根据得到的同步坐标系条件下转子电流解析式计算得到同步坐标系下转子电流;
数据获取单元,用于获取仿真数据,所述仿真数据包括双馈型风力发电机组正常运行数据、双馈型风力发电故障或电压跌落发生后的运行数据;
网络优化单元,用于利用仿真数据对预设的ANN网络进行优化,得到优化后的ANN网络:
转子电流输出单元,用于根据优化后的ANN网络计算得到故障期间同步坐标系条件下的转子电流;
状态分类单元,用于根据得到的转子电流对Crowbar状态进行分类。
与现有技术相比,本发明的有益效果是:
本发明提供的一种变频器CROWBAR状态识别方法,现有的故障电流解析分析结果均包含大量的数学运算及中间变量,因而在具体应用中十分复杂。因此本发明通过利用电流解析算法与神经网络算法综合的方法分别识别出Crowbar电路的状态异常,及早发现电路异常,解决了现有的双馈型风电机组变频器存在复杂故障电机电流特征,导致Crowbar器件寿命受到影响的问题。
附图说明
图1是本发明的流程示意图;
图2为电网短路故障导致并网点电压降低时Crowbar动作示意图;
图3为不同风速段分仓示意图;
图4为KNN聚类结果示意图。
具体实施方式
下面结合附图,对本发明进一步详细说明。
实施例具体流程如附图1所示,本发明提供的一种变频器CROWBAR状态识别方法,具体步骤如下:
步骤1,建立双馈型风力发电机Crowbar电路保护动作期间的模型,该模型的电路拓扑图如图2所示,叶片收集风能转换为机械能,机械能由齿轮箱传送至双馈发电机,双馈发电机将机械能转化为电能,通过变频器转化后经过变压器传送至电网;Crowbar电路通过控制开关与双馈发电机连接。
当并网点电压发生降低时,控制开关由连接机侧变流器转换至连接Crowbar电路,Crowbar电路开始动作,将网侧故障大电流、谐波电流、高频电流以及失真电压等加速衰减,维持转子转速在可控范围之内,实现风电机组的低电压穿越过程。
步骤2,根据步骤1中所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,通过常规计算可以得到同步旋转坐标系下双馈型风力发电机组的定子电流方程和转子电流方程,方程如下所示:
其中,ψs为定子绕组磁链,ψr为转子绕组磁链,us为定子电压;ur为转子电压;is为定子绕组电流;ir为转子绕组电流;Rs为定子电阻;Rr为转子电阻;Ls、Lr分别为定子、转子绕组等效自感;Lm为激磁电感;ωs为同步角速度;ωslip为转差角速度,即ωslip=ωs-ωr,ωr为转子角速度;j为虚数,无具体含义。
步骤3,当双馈型风力发电机组外部发生故障或电压跌落期间,双馈型风力发电机组中的变流器的故障控制策略直接给定。
此处假定双馈型风力发电机的转子电压能无差跟踪故障控制策略给定的参考值,且忽略开关暂态过程,则转子侧电压的暂态方程可表示为:
其中,Kp为控制器的比例系数,Ki为控制器积分系数,为转子电流参考值的向量形式;σ为电感差率。
步骤4,根据设定的故障控制策略将分解至d、q轴,则幅值为:
其中,分别为/>分解至d、q轴的幅值;U为标准端口电压;Usf为出现故障时端口电压幅值;Kd为无功增益系数;P0为故障前有功功率;Ilim为电流限制值,min表示取/>与/>中较小的一个。
步骤5,故障发生至Crowbar电路动作前的暂态过程由发电机与转子侧变流器共同决定,该阶段磁链守恒,则有:
ψs|0-=ψs|0+
ψr|0-=ψr|0+
假设故障瞬间机组端口电压由us|0-变化为us|0+,则根据步骤1至步骤3中的公式,可以得出同步坐标系条件下转子电流ir微分方程:
其中,Ts为暂态常数,B1、B2、B3、B4为前置系数。
B1=σLr
B2=Rr+Kp
B3=Ki
其中,us|0-为双馈型风力发电机组故障前的端口电压;us|0+为双馈型风力发电机组故障期间的端口电压。
步骤6,根据故障前后转子电流、PI控制积分环节输出值不变原理,确定步骤5中微分方程边界条件为:
其中,表示正常运行工况下转子电流参考值;
步骤7,根据步骤6得到的边界条件求解步骤5中微分方程,得到同步坐标系条件下转子电流ir解析式:
其中,λ1、λ2分别为步骤5中微分方程的特征根。
其中,C1、C2、C3分别为同步坐标系条件下转子电流ir解析式中的系数;t为时间。
步骤8,通过对步骤7中解析式的计算,得到同步坐标系条件下转子电流ir;
步骤9,之前步骤1至步骤8虽然得到了故障期间同步坐标系条件下转子电流ir的解析式,但实际运行中,电流解析式计算比较复杂,同时机组处于不同风速-功率运行特性条件下,转子角速度不同。
因此本发明中建立ANN网络用以计算故障期间同步坐标系条件下转子电流ir用做电流解析式补充判断,具体地:
首先,确定输入层,包含双馈型风力发电机组故障前的端口电压us|0-、双馈型风力发电机组视在功率S0、转子角速度ωr以及双馈型风力发电机组故障期间的端口电压us|0+。
其次,确定输出层为故障期间同步坐标系条件下转子电流ir。
最后,设置隐含层与模型相关初始参数。
步骤10,完成模型初设后,利用仿真数据对该模型进行优化,具体地:
通过仿真方法得到双馈型风力发电机组正常运行数据、双馈型风力发电故障或电压跌落发生后的运行数据;
将仿真数据中双馈型风力发电机组故障前的端口电压us|0-、双馈型风力发电机机组视在功率S0、转子角速度ωr以及双馈型风力发电机故障期间的端口电压us|0+与计算获得的故障期间同步坐标系条件下转子电流ir作为训练集训练步骤9中的ANN网络。
步骤11,完成模型训练优化后,进一步统计长时间某风电场各双馈型风力发电机组历史运行数据,利用故障或电压跌落发生后的运行数据进一步进行ANN网络优化。
步骤12,完成模型优化后,得到优化后的ANN网络;
根据步骤1至步骤8计算得到的同步坐标系条件下转子电流与ANN网络输出得到的同步坐标系条件下转子电流判断Crowbar电路是否应该动作,判断方法为:
若电流解析式方法计算获得的转子电流超过电流额定值的β倍,或ANN网络计算获得的转子电流超过电流额定值的β倍,或者两者计算结果均超过电流额定值的β倍,则判定Crowbar电路应该动作;其余情况,则判定Crowbar电路不应该动作。
步骤13,利用Crowbar电路是否动作首先将故障期间机组分为两大类,即动作与不动作,Crowbar电路动作记为Class1,不动作记为Class0。
步骤14,根据双馈型风力发电机组不同风速段对历史数据(包含风速、功率、Crowbar状态量)进行分仓,在本例中,将机组功率曲线对应的风速分为启动阶段、最大风能跟踪阶段、同步阶段(转速恒定)与恒定功率阶段,如图3所示。
步骤15,分别在不同阶段利用实际运行数据记录开展对于步骤13中的Class1与Class0开展KNN聚类,则可以得到Class1与Class0的子类,有:
Class1-1,即Crowbar电路确实动作,也预判应该动作;
Class1-0,即Crowbar电路没有动作,但预判应该动作;
Class0-0,即Crowbar电路没有动作,也预判不应该动作;
Class0-1,即Crowbar电路确实动作,但预判不应该动作。
如图4所示。
步骤16,根据步骤15中得到的结果进行赋值λ,Class1-1与Class0-0赋值为1,Class1-0与Class0-1赋值为-1。
步骤17,利用双馈型风力发电机组的实时运行数据中故障发生的次数k,识别各机组Crowbar电路是否正常,方法如下:
表明Crowbar正常;
表明Crowbar状态开始偏移正常;
表明Crowbar状态已经出现异常。
其中,为/>向下取整。
本优选实施例提供一种双馈型风电机组变频器Crowbar状态分类系统,包括:
模型建立单元,用于建立双馈型风力发电机组Crowbar电路保护动作期间的模型;
转子电流计算单元,用于根据所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系条件下转子电流解析式;
根据得到的同步坐标系条件下转子电流解析式计算得到同步坐标系下转子电流;
数据获取单元,用于获取仿真数据,所述仿真数据包括双馈型风力发电机组正常运行数据、双馈型风力发电故障或电压跌落发生后的运行数据;
网络优化单元,用于利用仿真数据对预设的ANN网络进行优化,得到优化后的ANN网络:
转子电流输出单元,用于根据优化后的ANN网络计算得到故障期间同步坐标系条件下的转子电流;
状态分类单元,用于根据得到的转子电流对Crowbar状态进行分类。
Claims (8)
1.一种变频器CROWBAR状态识别方法,其特征在于,包括以下步骤:
步骤1,建立双馈型风力发电机组Crowbar电路保护动作期间的模型;
步骤2,根据步骤1中所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系条件下转子电流解析式;
步骤3,根据得到的同步坐标系条件下转子电流解析式计算得到同步坐标系下转子电流;
步骤4,获取仿真数据,所述仿真数据包括双馈型风力发电机组正常运行数据、双馈型风力发电故障或电压跌落发生后的运行数据;
步骤5,利用仿真数据对预设的ANN网络进行优化,得到优化后的ANN网络;
步骤6,根据优化后的ANN网络计算得到故障期间同步坐标系条件下的转子电流;
步骤7,根据步骤3和步骤6中得到的转子电流对Crowbar状态进行分类。
2.根据权利要求1所述的一种变频器CROWBAR状态识别方法,其特征在于,步骤2中,根据步骤1中所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系条件下转子电流解析式,具体方法是:
S21,根据步骤1中所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系下双馈型风力发电机组的定子电流方程和转子电流方程;
S22,根据S21中得到的定子电流方程和转子电流方程得到同步坐标系条件下转子电流的微分方程;
S23,求解S22中得到的微分方程,得到同步坐标系条件下转子电流解析式。
3.根据权利要求2所述的一种变频器CROWBAR状态识别方法,其特征在于,S22中,根据S21中得到的定子电流方程和转子电流方程得到同步坐标系条件下转子电流的微分方程,具体方法是:
S221,当双馈型风力发电机组发生故障时,假设控制器设定的控制策略能够使双馈型风力发电机的转子电压能够无差跟踪控制器给定的参考值,且不计开关暂态过程,则得到转子侧变流器的暂态方程表达式;
S222,根据控制器设定的故障控制策略将暂态方程表达式中的转子电流参考值的向量形式分别分解至d轴、q轴,得到d轴幅值和q轴幅值的表达式;
S223,将S21中得到的定子电流方程和转子电流方程、转子侧变流器的暂态方程表达式以及d轴幅值和q轴幅值的表达式相结合,得到同步坐标系条件下转子电流的微分方程。
4.根据权利要求2所述的一种变频器CROWBAR状态识别方法,其特征在于,S23中,求解S22中得到的微分方程,得到同步坐标系条件下转子电流解析式,具体方法是:
设定同步坐标系条件下转子电流的微分方程的边界条件:
其中,表示正常运行工况下转子电流参考值;
根据得到的边界条件求解微分方程,得到同步坐标系条件下转子电流解析式:
其中,λ1、λ2分别为步骤5中微分方程的特征根。
5.根据权利要求1所述的一种变频器CROWBAR状态识别方法,其特征在于,步骤5中,利用仿真数据对预设的ANN网络进行优化,得到优化后的ANN网络,具体方法是:
将仿真数据中双馈型风力发电机组故障前的端口电压us|0-、双馈型风力发电机机组视在功率S0、转子角速度ωr以及双馈型风力发电机故障期间的端口电压us|0+与计算获得的故障期间同步坐标系条件下转子电流ir作为训练集训练步骤9中的ANN网络,得到优化后的ANN网络。
6.根据权利要求1所述的一种变频器CROWBAR状态识别方法,其特征在于,步骤7中,根据步骤3和步骤6中得到的转子电流对Crowbar状态进行分类,具体方法是:
根据步骤3和步骤6中得到的转子电流判断Crowbar电路是否应该动作;
利用双馈型风力发电机组历史运行数据汇总的风速对历史运行数据进行分仓处理,得到多个子阶段;
分别在每个子阶段利用双馈型风力发电机组的实时运行数据对Crowbar电路判断结果进行KNN聚类;
对KNN聚类结果进行赋值;
根据赋值结果对Crowbar状态进行分类。
7.根据权利要求6所述的一种变频器CROWBAR状态识别方法,其特征在于,根据赋值结果对Crowbar状态进行分类,具体方法是:
统计双馈型风力发电机组的实时运行数据中故障发生的次数;
利用该故障发生的次数和赋值结果,结合下式对Crowbar状态进行分类:
表明Crowbar正常;
表明Crowbar状态开始偏移正常;
表明Crowbar状态已经出现异常;
其中,为/>向下取整,k为双馈型风力发电机组的实时运行数据中故障发生的次数。
8.一种双馈型风电机组变频器Crowbar状态分类系统,其特征在于,包括:
模型建立单元,用于建立双馈型风力发电机组Crowbar电路保护动作期间的模型;
转子电流计算单元,用于根据所建立的双馈型风力发电机组Crowbar电路保护动作期间的模型,计算得到同步坐标系条件下转子电流解析式;
根据得到的同步坐标系条件下转子电流解析式计算得到同步坐标系下转子电流;
数据获取单元,用于获取仿真数据,所述仿真数据包括双馈型风力发电机组正常运行数据、双馈型风力发电故障或电压跌落发生后的运行数据;
网络优化单元,用于利用仿真数据对预设的ANN网络进行优化,得到优化后的ANN网络;
转子电流输出单元,用于根据优化后的ANN网络计算得到故障期间同步坐标系条件下的转子电流;
状态分类单元,用于根据得到的转子电流对Crowbar状态进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630884.8A CN117195115A (zh) | 2023-05-29 | 2023-05-29 | 一种变频器crowbar状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630884.8A CN117195115A (zh) | 2023-05-29 | 2023-05-29 | 一种变频器crowbar状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117195115A true CN117195115A (zh) | 2023-12-08 |
Family
ID=88996721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310630884.8A Pending CN117195115A (zh) | 2023-05-29 | 2023-05-29 | 一种变频器crowbar状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195115A (zh) |
-
2023
- 2023-05-29 CN CN202310630884.8A patent/CN117195115A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ko et al. | Active use of DFIG-based variable-speed wind-turbine for voltage regulation at a remote location | |
CN104078999B (zh) | 一种双馈风电机组超速脱网临界时间的计算方法 | |
CN107394791B (zh) | 防止撬棒反复投切的双馈风机撬棒自适应切除控制方法 | |
CN113346562B (zh) | 一种永磁直驱式风电机组低电压穿越的控制方法 | |
CN106066944A (zh) | 低电压穿越下双馈风力发电系统短路电流计算方法 | |
CN107482678A (zh) | 一种双馈风电场经柔直并网系统故障穿越控制方法 | |
CN106451539A (zh) | 一种计及永磁直驱风电机组动态特性的风电场并网稳定分析方法 | |
CN111769597A (zh) | 一种双馈风力发电机的降维建模分析方法 | |
CN107732969A (zh) | 考虑低电压穿越全过程的双馈风电机组短路电流计算方法 | |
CN115492724A (zh) | 电压源风电机组运行性能在线测试系统和自动化测试方法 | |
CN104682433A (zh) | 一种基于模糊隶属函数的双馈风电机组Crowbar电阻设计方法 | |
CN106443135A (zh) | 混合风电场输出工频短路电流计算方法 | |
EP4075629B1 (en) | Method and system for controlling continuous low voltage ride-through and high voltage ride-through of permanent magnet direct-driven wind turbine | |
US10871145B2 (en) | System and method for preventing voltage collapse of wind turbine power systems connected to a power grid | |
CN104135207B (zh) | 一种大型双馈风力发电机并网联合优化控制方法 | |
CN117195115A (zh) | 一种变频器crowbar状态识别方法 | |
CN116191374A (zh) | 基于频域阻抗模型的双馈风电场纵联保护方法和系统 | |
CN114024304A (zh) | 一种基于双馈风力发电机振荡抑制的附加阻尼控制方法 | |
EP4075628B1 (en) | Method and system for controlling continous high voltage ride-through and low voltage ride-through of permanent magnet direct-driven windturbine | |
CN109888831B (zh) | 一种基于虚拟同步发电机的控制参数识别方法 | |
Yonis et al. | Dynamic Analysis of Current Loops Behavior in a Wind Turbine Based Doubly-fed Induction Generator | |
CN114172431B (zh) | 一种双馈风机故障电流控制参数辨识方法 | |
US11549493B2 (en) | System and method for frequency filtering of a renewable energy power system | |
CN113922423A (zh) | 一种电压故障穿越的控制方法 | |
CN116663297B (zh) | 计及硬件协同保护暂态特性的双馈型风电场通用等值方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |