考慮低電壓穿越的風電場雙機聚合模型

高峰，黃鳴宇，喬穎，阮佳陽

(1. 國網寧夏電力公司電力科學研究院，銀川市 750002；2.電力系統國家重點實驗室(清華大學電機系)，北京市 100084)

考慮低電壓穿越的風電場雙機聚合模型

高峰1，黃鳴宇1，喬穎2，阮佳陽2

(1. 國網寧夏電力公司電力科學研究院，銀川市 750002；2.電力系統國家重點實驗室(清華大學電機系)，北京市 100084)

場內風速分布不均、集電線路分布不勻等因素造成各發電機間繼電保護狀態和外特性的差異，使得常規單機聚合模型難以準確反映真實風電場的故障穿越行為。為此，基于逆向建模方法與宏觀特征參數，提出了對雙饋異步機組(doubly-fed induction generator，DFIG)風電場具有更強適應的雙機聚合模型。首先，分析了過流短接保護對風電場外特性指標的影響。其次，考慮到DFIG的功率源特性，低電壓穿越中對其轉子側Crowbar的描述決定了是否能精確模擬風電場的功率調制響應，而短路電流水平又決定了Crowbar是否動作，是引起發電機間調性不同的最主要因素。基于該不同調性對故障過程中的DFIG進行分類，在雙機等值模型的基礎上實現了對風電場內分布行為的描述，并可根據具體風電場參數和風資源特性主動調節宏觀參數組，從而平滑設定影響外特性的場內分布因素水平。最后，為提高該模型的實用性，還提出了一套參數辨識策略，依據故障深度提取出能體現風電場于該次擾動中最大的可能性響應的宏觀參數組。多機系統仿真驗證了單機等值存在的問題以及雙機等值模型的性能。所提方法可考慮風電場自身的風資源特性，同時有效提高對風電場功率響應、相鄰同步機功角穩定和負荷電壓穩定行為的模擬精度。

雙機聚合模型；暫態穩定；Crowbar效應；低電壓穿越；風速分布

0 引 言

電力電子接口發電機屬于新型異步電源，轉子旋轉頻率可與同步電網保持異步，其動態行為和穩定機理都明顯區別于傳統的同步機，與同步機間的互動也十分復雜。以風力發電機為例，對于風火打捆等運行方式，大擾動下鄰近的同步機出現功角搖擺并引發異步電源并網點的電壓振蕩，進而與其低電壓穿越、功率恢復等事件耦合，形成一系列特殊的動態穩定行為[1-3]。

目前，在進行安全穩定計算時，一般將含有大量小容量、同型號風力發電機的風電場時以聚合等值方式進行工程化建模，但如何描述“聚合”對于穩定性計算的影響尚無定論。由不同類型異步電源組成的風電場，其建模適應性問題的研究難度也不盡相同。常見的風力發電機包括鼠籠異步機組(squirrel-cage induction generator，SCIG)、雙饋異步機組(doubly-fed induction generator，DFIG)和永磁直驅機組(permanent-magnet synchronous generator，PMSG)。其中，SCIG沒有勵磁控制與直流環節的電壓脈寬調制，建模方法成熟；PMSG通過全功率變流器與電網耦合，故障期間始終保持功率可控，功率調制行為也相對容易描述；DFIG同時通過發電機回路和變流器與電網耦合，且有特殊的復雜低電壓穿越動態，因而暫態穩定計算中大規模DFIG風電場的建模一直沒有形成較為統一的體系。

目前，工程中多采用單臺機等值表征DFIG風電場[4-6]，即把風電場替換成1臺風力渦輪和1臺等值發電機。也有研究將各臺風力發電機的軸系模型保留，而電氣部分等值成1臺發電機，計算等值機的等效轉速和電磁轉矩指令作為其動態方程的輸入[7-8]。然而，大型風電場受地形、地貌以及尾流效應的影響，風場內風速分布極不均勻，使用單機等值表征整個風電場易產生較大誤差[9-10]。問題的根源在于單機等值無法描述處于不同地理位置、不同工況發電機間的不同調，因而一些研究提出按風速分布進行機群分類的多機等值思路[11-13]，但是風電場中各臺風力發電機的海量風速、功率信息并不容易精確獲取[14]，導致機群分類在實際運行中可操作性差。另外，分群數隨風電場內風速差異的增大而增加，在重復、頻繁進行的大規模系統級計算中的實用性有限。

單機等值法不能描述因風速分布造成的風力發電機間的不同調，而多機等值法又偏離工程應用要求。為此，本文提出一種綜合考慮操作復雜度和仿真精度要求的改進聚合等值模型。提出的描述風電場內部狀態的宏觀特征參數可平滑設定分布性水平，從而盡量精確地模擬真實風電場的響應。

1 風電場聚合模型的適應性分析

1.1 風電場等值模型分類

“單臺機(聚合)等值”采用1臺容量放大的等值發電機代替所有小容量的發電單元，如圖1 (a)所示。等值機容量為投運發電機容量之和，參數標幺值、控制參數與單臺機相同，模型形式也完全相同。取等值機運行點為所有被等效發電機的平均運行點，并在風電場出口添加1個等值阻抗來計及場內集電線路損耗。等值機中也含有軸系模型，因此單臺機等值性能的關鍵是獲得1個輸入等值風速，目前研究主要集中在等值風速以及等值阻抗的獲取方法上[15-16]，可根據損耗相同原則獲取等值阻抗。

單臺機等值方法簡單，可以通過改變等值風速來調整斷面有功功率。其缺點也很明顯：可調變量少，難以反映場內各臺風力發電機風速、集電線路差異帶來的分布性，無法表現同一出力狀態下分布因素導致的響應差別。更重要的是，同一個出力水平下等值機的Crowbar只能處于完全動作或不動作的狀態，沒有中間狀態。而實際運行經驗表明，多數電壓跌落過程中只有部分發電機的Crowbar會動作而短暫地進入不可控態[17]，另一部分發電機的Crowbar則并沒有動作，仍然保持雙饋可控狀態。

改進思路是增加等值機臺數。如圖1(b)所示，采用多臺機等值能夠在一定程度上反映風速分布的影響。當前的多臺機等值仍需事先輸入場內各臺發電機的風速(或通過一定的算法模擬產生一組風速)，將運行點相似的機組聚類為1臺等值機。然而，實際應用中多數計算場合無法精確獲得場內所有發電機的風速。特別是在功率由風功率預測得到的場景下，只有整場的出力點值是可知的。

圖1 風電場“單機等值”與“多機等值”建模Fig.1 Single-machine and multi-machine equivalent modeling of wind farms

電力系統暫態仿真分析主要關注風電場在低電壓穿越期間的功率調制外部特性，如剩余有功和增發無功與電壓跌落程度的映射關系。據此，本文認為，適用性更強的風電場聚合模型應滿足要求：

(1)為反映分布性的特征，聚合模型的結構必須采用至少2臺等值機的形式；(2)同調機群的劃分與發電機動態數學模型的具體物理量間可以建立簡單、確定的映射關系，從而保證聚合的易操作；(3)劃分指標可以反應故障過程中Crowbar可能發生動作的機組比例，以及可能失去的(可控部分)功率輸出；(4)在已知整場出力的邊界條件下反映風電場所可能產生的最大可能響應。

1.2 單臺DFIG的Crowbar動作策略及影響

實際投運風電場的Crowbar動作策略分為2類，這2種策略的相同點都是在電壓跌落瞬間投入Crowbar，轉子通過外接電阻短接并閉鎖變流器。不同之處在于Crowbar的切出策略，一種是在轉子電流幅值衰減至切出閾值時立即切出Crowbar并啟動變流器，而另一種則在Crowbar切入后進行一個固定的延時保持，繼而在短路電流充分衰減后切出Crowbar。前一種策略的優點是Crowbar作用時間極短，此策略對DFIG可控性的影響在機電暫態時間尺度內可以忽略不計[15]，發電機近似于一直處于雙饋狀態，但可能出現故障期間Crowbar多次投切而使得設備電氣應力增大；后一種策略可以確保Crowbar只投切1次，但延時保持期間DFIG按SCIG方式運行，吸收相當的無功，低風速下甚至轉為電動機狀態，不能對電網提供功率支撐。顯然，后一種策略造成的發電機間不同調效應更顯著，本文主要考慮該策略。

為使轉子過電流盡快衰減，通常采用較高的Crowbar電阻值Rc。這樣設置的另外一個好處是保護動作的DFIG在故障期間吸收的無功較普通的SCIG大為降低。圖2是Crowbar電阻為不同值時的異步電機功率外特性。

可見當Rc增至5倍轉子電阻值以上時，發電機有功功率與轉差率在可運行的轉速范圍內已呈近似單調關系。圖2(b)中，Crowbar保護動作的DFIG所吸收無功功率隨Rc值的增大迅速降低，且同一條曲線的峰值峰谷差距減小，在轉差率小于0和大于0的

圖2 Crowbar動作期間發電機的輸出功率-轉差特性Fig.2 Power-slip curves of generator when Crowbar activating

這2個區間內分別變得近似線性。這樣，故障前不同運行點的DFIG進入SCIG狀態后輸出的功率具有強同調性，滿足疊加條件。可以推斷，將所有Crowbar動作的發電機替換成1臺等值SCIG在工程上是合理的。

1.3 分布性特征對風電場外特性的影響

風功率預測只能得到電站的整場出力，因此風速的分布性就決定了風電場對電力系統暫態穩定計算貢獻的漲落。具體表現為，風電場同等出力水平的前提下，2次暫態穩定計算的結果出現差別。

低電壓穿越過程中一種常見的情形是風電場中只有部分發電機的Crowbar保護動作。本文以圖3中的最簡原型系統說明風電場內“分布性因素”對電力系統分析的影響機理。假定2個機群內各自的發電機出力完全相同。整場功率保持一定時，2個機群的Crowbar可能都動作或都不動作，也可能只有1個機群動作，這取決于具體的出力分布、參數配置與故障深度。

首先，假定該風電場的總出力為0.515 pu。假設風速分布均勻，兩機群各含10臺機，出力水平分別為0.72和0.31pu，圖4為風電場出口處發生電壓跌落的仿真結果。圖中兩機群內DFIG的轉子電流峰值均未達到閾值2.0 pu，因此Crowbar都沒有動作。故障期間發電機輸出功率一直保持可控，在故障發生瞬間有功指令迅速降為0，無功指令按低電壓穿越指標發出。兩機群具有很強的同調性，輸出功率可以疊加。可以斷定，雖然兩機群的風速不同即故障前運行點不同，但由于兩機群都一直保持在功率可控的雙饋狀態，常規單機等值模型的模擬效果可滿足應用要求。圖5驗證了此時單臺機等值的精度。

圖3 風電場基本單元拓撲示意圖Fig.3 Topology of elementary unit of wind farms

圖4 雙機群的Crowbar均未動作時各機群的響應曲線Fig.4 Power responses of wind farm when Crowbar of neither cluster is activated

圖5 雙機群Crowbar均未動作時聚合模型的等值效果Fig.5 Equivalent results of aggregation model when Crowbar of neither cluster is activated

仍保持整場風功率為0.515 pu，設置機群1包括5臺出力為1.0 pu的發電機，機群2包括15臺出力為0.35 pu的發電機，仿真結果如圖6。可見機群1短路電流幅值超限，在故障瞬間Crowbar保護動作，此狀態保持0.10 s后才切回雙饋狀態。由于滿發的機群1事先工作在超同步速，保護動作期間仍發出一定有功，吸收一定無功，但由于SCIG狀態下吸收功率正比于電壓平方，因而與電網交換的剩余功率極低。

聚合模型Crowbar沒有動作，因而與詳細模型產生了顯著的誤差，尤其是故障發生初期的無功功率，如圖7。上述結果證實，在保持整個風電場的總出力恒定的前提下，2個不同風況中風電場的功率響應外特性出現了顯著漲落。

2 風電場內部轉子故障電流特點分析

決定場內DFIG不同調的因素(分布性因素)包括集電線路與風速分布。首先，研究前者引發的低電壓穿越響應差異。對于圖8中1組級聯接入的發電機，假定風速相同，電氣連接強度不同導致短路電流水平差別，并產生僅部分發電機Crowbar保護動作的可能。實際中還應考慮到：1根饋線不會太長，所連接的發電機通常不超過10臺，且相鄰發電機的間距不會超過1 km。因此集電線路分布引起的機端電壓和短路電流峰值差別并不明顯，該分布效應并不是主要因素。

圖6 僅機群1的Crowbar動作時各機群的響應Fig.6 Power response of wind farm when only Crowbar of cluster 1 is activated

圖7 僅機群1的Crowbar動作時聚合模型的等值效果Fig.7 Equivalent results of aggregation model when only Crowbar of cluster 1 is activated

圖8 風電場內部饋線結構示意圖Fig.8 Internal feeder structure diagram of the wind farm

這一點在圖9中能看出，集電線路導致的各臺機機端殘壓差別微弱，饋線首端與末端發電機的短路電流峰值差別并不大，末端發電機的短路電流稍低，但峰值差別不超過0.10 pu。可以推測，建模中可以將風電場簡化處理為所有發電機并聯在同一點上集中送出。該簡化將顯著降低雙機建模與參數辨識的復雜度。

圖9 集電線路分布導致的轉子短路電流峰值差異Fig.9 Differences in peak rotor current caused by collection-network distribution

相比之下，風速分布的影響要顯著得多。圖10(a)為不同出力水平下DFIG的短路電流幅值分布。可見，短路電流的第1個峰值隨出力水平上升而大幅增加，而第2個峰值大小與出力水平并無單調關系，且低出力水平下的第二峰值可能大于第一峰值。考慮到Crowbar是否動作取決于2個峰值間較大的值，可以繪制出圖10(b)中的關系。可見低出力水平下仍可能出現較大的短路電流，這一反常現象與同步機有明顯差別。

圖10 風速分布導致的轉子短路電流峰值差異Fig.10 Differences in peak rotor current caused by wind-speed distribution

3 雙機等值方案及其關鍵參數辨識

基于以上分析，本文提出一種“逆向建模”思路，先確定聚合模型的形式(包括等值機臺數、連接拓撲)，再輸入宏觀特征參數，然后根據這些特征量反算出各等值機的具體物理參數。在保持風電場關鍵穩態、動態特性的前提下，通過調整具有物理意義的特征參數來反映目標風電場外部響應由于分布性導致的漲落。宏觀特征參數的獲取可以按離線方式進行，根據目標風電場的歷史數據進行辨識，得到最能體現該風電場內部特征的參數。

3.1 模型基本形式設定

在任意電網外部擾動中，單個風電場內部的發電機都可分成2類：故障期間Crowbar動作的以及故障期間沒有動作的。然而，在仿真前并不能預先知道某發電機的Crowbar是否會動作，也不能知道有多少臺機組動作，因而需要將該指標進一步轉化，建立保護動作與轉子短路電流水平間的映射。當整場出力給定時，可以通過合理調整2臺等值機的風速來直接調節各自的短路電流，進而拉大或縮小等值機間同調性的差距。

3.2 構造模型的宏觀特征參數

輸入的宏觀特征量應足以反映風電場的關鍵分布特征，且與風電場數學模型有直觀映射關系。該模型需要輸入的宏觀特征參數為：總出力P、分布性指數λN、差異性指數λS。其中P由風功率預測得到，λN可以反映擾動發生時發電機分群的比例分布，即Crowbar不動作與動作發電機的比例關系；λS反映的是2組發電機短路電流的差異性，可由有功出力水平差異表征。

上述3個參數將最終將映射成2臺等值風力發電機中的實際物理量，主要指等值機各自包含的發電機臺數和經歷的風速。雙機聚合模型見圖11，假定單臺機機械功率與風速間滿足關系Pw=Pw(w)，2臺等值機所包含臺數為N1和N2，風速各為w1與w2。首先，忽略發電機自身的損耗，則各物理量間應滿足(令N1>N2)

(1)

且臺數應滿足

N1+N2=N

(2)

式中N為風電場中運行發電機臺數。其次，分布性指數λN的定義應滿足：N1=N2時λN=1，分布性最大；當N1=N，N2=0時λN=0，分布性最小。據此，本文中假定該特征參數具有如下形式

(3)

當N1確定，由式(1)(2)可以解出2臺等值機風速間的函數關系w2(w1)(顯然w2是w1的單調減函數)，進而得到風速的分布范圍。

圖11 基于逆向建模的風電場雙機聚合模型Fig.11 Dual-machine aggregation model based on backward modeling

差異性指數λS的定義應滿足，當w1=w2時λS=0，表明出力水平差異性最小；當λS=-1時，w1最小而w2最大，表明差異性最大；當λS=1時，w1最大而w2最小，同樣表明差異性最大。據此，本文假定該特征參數λS具有如下形式：

(4)

式中：Mmax(正值)與Mmin(負值)分別為w1/w2-1的最大值和最小值。式中已經對λS進行了歸一化。

3.3 宏觀特征參數辨識

顯然，發電機間的不同調程度與電網側故障的嚴重程度有關。例如，發生嚴重故障時，幾乎所有發電機的Crowbar都會動作，此時反映不同調度的宏觀特征參數為0。因此，即使對于同一時刻的同一風電場，其參數確定也需要根據該風電場電壓跌落深度來進行調整。本文以主變壓器低壓側的節點電壓作故障程度依據，將該處殘壓從1～0劃分為10個檔次，每個檔次內認為存在1組最能反映分布性差別的參數配置。當然，得到的參數代入大系統進行計算后，風電場節點殘壓可能又會發生變化，所以整個仿真過程如圖12所示，按照迭代方式進行。

首先，將風電場進行常規單臺機等值，代入大系統進行聯合計算，得到故障瞬間風電場主變壓器低壓側的殘壓。認為該殘壓近似各發電機的箱變高壓側電壓，將其代入DFIG動態模型，計算出單臺機“出力水平-短路電流峰值”曲線，并依據Crowbar動作閾值將曲線劃分為保護動作和不動作區域。對該風電場的歷史出力錄波數據進行掃描，對于所有與總出力吻合的時間點，將該點所有發電機的出力代入程序并確定是否保護動作，并得到Crowbar動作DFIG的總臺數和對應的平均出力。

進行掃描后，得到所有時間點上的Crowbar動作臺數和平均臺數頻率分布直方圖，得到概率最大的組合。將辨識的臺數、平均出力轉化為宏觀特征參數并輸入雙機等值模型。將更新后的模型代入大系統重新計算，若此時風電場殘壓仍位于初次計算的范圍內，則結束計算，否則更新殘壓值，重新進行參數辨識。

4 仿真驗證

使用如圖13的多機系統驗證聚合模型的適用性。風電場WF由20臺機組構成，拓撲類型為級聯式，共3根饋線，分別饋入8、6和6臺DFIG。擾動前風電場出力為0.31 pu。系統內還包含2臺同步機SG0和SG1，1個電阻負荷和1個異步電動機負荷IM，故障前穩態潮流分布如圖13。SG0代表遠端系統，通過聯絡線L1、L2向本地受端系統送電。

圖12 宏觀特征參數辨識步驟Fig.12 Identification process of macroscopic characteristic parameters

圖13 暫態穩定計算驗證所使用的多機系統Fig.13 Multi-node system adopted in transient stability calculation verification

40 s時聯絡線L1上發生三相短路，300 ms后故障清除。首先，使用常規單機聚合等值模型，計算表明風電場WF主變低壓側電壓跌至0.35 pu左右。將此殘壓值及該風電場的風資源曲線代入如圖12(b)的過程，辨識出此時場中Crowbar動作的發電機臺數最有可能為11臺，如圖14。進一步，計算可得到，此時Crowbar動作的所有發電機的最大概率平均出力為0.375 pu，如圖15。可得到出聚合模型中臺數N1=11，N2=9，等值風速w1=8.73 m/s，w2= 7.68 m/s。按照式(3)、(4)轉化為宏觀特征參數后輸入雙機聚合模型，并重新進行暫態穩定計算，發現風電場低壓側殘壓仍舊位于0.30 ～ 0.35 pu的范圍內，表明計算結果已經收斂，辨識出了待設定的宏觀特征參數組。

圖14 風電場出力為0.35 pu、風電場殘壓水平為0.31pu時 Crowbar動作發電機臺數的分布Fig.14 Number distribution of wind turbines with Crowbar activated (output power of wind farm is 0.35 pu, and residual voltage is 0.31 pu)

圖15 Crowbar動作發電機臺數為11時的平均出力分布Fig.15 Distribution of average output power when number of wind turbines with Crowbar activated is 11

為了進一步驗證雙機聚合模型的適應性，仿真WF總出力同樣為0.31 pu時該系統的暫態穩定性。圖16為該風電場的總出力水平曲線，圖中2條線相交處均滿足該總出力要求。仿真圖中2條曲線相交的各時間點，將各點上各單臺發電機出力情況代入詳細模型進行暫態穩定計算，分別比較詳細模型、常規單機等值以及本文所提出的雙機聚合模型。其中使用詳細模型時風電場內部確實有11臺發電機的Crowbar動作，且該部分發電機的平均出力為 0.39 pu，如圖17，這一結果與雙機聚合模型中辨識出的結果高度吻合，各發電機呈現出典型的分群趨勢。

圖16 風電場整場風功率曲線上采樣的仿真場景Fig.16 Sampling scenarios selected in the output sequence of wind farm

圖17 真實風電場中各臺DFIG的功率響應Fig.17 Power response of each DFIG in detailed wind farm

風電場使用單機聚合模型時，Crowbar并未動作，如圖18。而真實風電場發生了部分發電機的保護動作，在約40.1 s時該部分發電機Crowbar切出并返回雙饋狀態，并發生了有功功率的波動，單機聚合模型不能反映該現象，而雙機聚合模型可以精確體現這一切換過程導致的波動。無功功率中，單機聚合模型在故障發生起始就發出了相當的無功，而真實風電場在故障發生后的0.10 s內只有9臺發電機可以增發無功，另11臺反而吸收無功，單機聚合模型計算出的總無功偏高，并導致風電場出口處的電壓偏高。

雙機聚合模型對真實風電場特性模擬精度的提高可用相鄰同步機與異步電動機的暫態穩定性來進一步體現。圖19(a)中0.10 s時同步機的電磁功率受制于DFIG中Crowbar切出的影響而出現波動，雙機聚合模型對該現象的模擬精度高于常規單機聚合模型。

另外，如上所述，風電場采用單機等值時在故障初始階段發出的無功高于真實情況，導致相鄰異步電動機機端電壓與電磁功率偏高，如圖19(b)(c)所示。雙機聚合模型較單機聚合模型可顯著提高暫態穩定計算的精度。

圖18 風電場采用不同模型時的動態響應對比Fig.18 Dynamics response comparison of wind farm with different modeling methods

圖19 不同風電場模型下相鄰發電機與負荷的動態響應Fig.19 Dynamics response of adjacent conventional generator and motor with different modeling methods for the wind farm

5 結 論

(1)本文提出的雙機聚合模型可以平滑地改變風電場內部狀態，調節分布性水平進而調節暫態過程中因Crowbar動作而短時轉為SCIG狀態運行的DFIG臺數和失控功率比例，從而顯著提高聚合模型的精度。

(2)建模中，事先根據風資源特性離線計算一些典型宏觀參數組。宏觀特征參數同擾動的大小密切相關，須結合電壓跌落深度和風電場出力水平辨識最可能的參數組。一般來說，對于嚴重故障、輕微故障，或風電場出力水平極高、極低，分布性因素造成的發電機間不同調效應低。當故障不太嚴重或風電場處于中等出力水平時，分布性將顯著增大。每個場景下的暫態穩定計算中再根據殘壓值迭代產生相應的參數組。

(3)本文提出的風電場聚合等值模型，對現有電力電子接口異步電源的建模體系進行了重要改進，可以彌補常規單機等值模型的機理缺陷，體現出由分布式電源組成的電站相對于傳統電源的獨有特征。此外，該模型一定程度上解決了多機等值方法可操作性低的缺點，在模型復雜度與仿真精度間做到了合理的權衡。

[1]劉斯偉, 李庚銀, 周明. 雙饋風電機組對并網電力系統暫態穩定性的影響模式分析[J]. 電網技術, 2016, 40(2): 471-476. LIU Siwei, LI Gengyin, ZHOU Ming. Influence mechanism of doubly fed induction generator on power system transient stability [J]. Power System Technology,2016, 40(2): 471-476.

[2]郝正航. 雙饋風電機組的暫態行為及其對電力系統穩定性影響[D]. 天津: 天津大學, 2011. HAO Zhenghang. Transient behavior of DFIG and its influence on power system stability [D]. Tianjin: Tianjin University, 2011.

[3]馬彥宏, 丁楠, 喬穎. 異步風力發電機組小干擾穩定性機理 [J]. 電力建設, 2013, 34(8): 11-16. MA Yanhong, DING Nan, QIAO Ying. Mechanism of small signal stability of asynchronous wind turbines [J]. Electric Power Construction, 2013, 34(8): 11-16.

[4]徐玉琴, 張林浩, 王娜. 計及尾流效應的雙饋機組風電場等值建模研究[J]. 電力系統保護與控制, 2014, 42(1): 70-76. XU Yuqin, ZHANG Linhao, WANG Na. Study on equivalent model of wind farms with DFIG considering wake effects [J]. Power System Protection and Control,2014, 42(1): 70-76.

[5]SLOOTWEG J G, HAANM S. Aggregated modelling of wind parks with variable speed wind turbines in power system dynamics simulations [C]//Power Technology Conference. Bologna, Italy: IEEE, 2003: 1-7.

[6]陳瀾, 楊蘋, 周少雄, 等. 用于無功補償的海上風電場等值模型[J]. 電力建設, 2014, 35(7): 126-130. CHEN Lan, YANG Ping, ZHOU Shaoxiong,et al. Equivalent model of offshore wind farms used for reactive power compensation [J]. Electric Power Construction, 2014, 35(7): 126-130.

[7]LIU H, CHEN Z. Aggregated modelling for wind farms for power system transient stability studies [C]//Asia- Pacific Power and Energy Engineering Conference. Shanghai: IEEE, 2012: 1-6.

[8]CHOWDHURY M A, SHEN W X. A novel aggregated DFIG wind farm model using mechanical torque compensating factor [J]. Energy Conversion & Management, 2013, 67(67): 265-274.

[9]葛江北, 周明, 李庚銀. 大型風電場建模綜述[J]. 電力系統保護與控制, 2013(17): 146-153. GE Jiangbei, ZHOU Ming, LI Gengyin. Review on large-scale wind farm modeling[J]. Power System Protection and Control, 2013(17): 146-153.

[10]AKHMATOV V. Analysis of dynamic behavior of electric power systems with large amount of wind power [D]. Copenhagen: Technical University of Denmark, 2003.

[11]李輝, 韓力, 趙斌, 等. 風電機組等效模型對機組暫態穩定分析結果的影響[J]. 中國電機工程學報, 2008, 28(17) : 105-111. LI Hui, HAN Li, ZHAO Bin, et al.Effect of equivalent models of wind turbines on analysis results of transient stability for wind generator systems [J]. Proceedings of the CSEE, 2008, 28(17) : 105-111.

[12]李東東, 陳陳. 風力發電機組動態模型研究[J]. 中國電機工程學報, 2005, 25(3) :115-119. LI Dongdong, CHEN Chen. A study on dynamic model of wind turbine generator sets [J]. Proceedings of the CSEE, 2005, 25(3): 115-119.

[13]蘇勛文. 風電場動態等值建模方法研究[D]. 保定: 華北電力大學, 2010. SU Xunwen. Research on dynamic equivalent modeling of wind farms [D].Baoding: North China Electric Power University, 2010.

[14]李海波, 魯宗相, 喬穎, 等. 基于非時序生產模擬的風電消納評估方法[J]. 電力建設, 2015, 36(10): 129-137. LI Haibo, LU Zongxiang, QIAO Ying, et al. Evaluation method of wind power accommodation capacity based on non-sequential production simulation [J]. Electric Power Construction 2015, 36(10): 129-137.

[15]RUAN Jiayang, LU Zongxiang, QIAO Ying, et al. Analysis on applicability problems of the aggregation- based representation of wind farms considering DFIGs’ LVRT behaviors [J]. IEEE Transactions on Power Systems, 2016(pp): 99.

[16]侯佑華, 齊軍, 王小海, 等.大規模風電場的建模及其在內蒙古電網安全穩定運行的研究 [J]. 中國電機工程學報, 2010, 30(4): 71-78. HOU Youhua, QI Jun, WANG Xiaohai, et al. Modeling of a large-scale wind farm and the studying for its security and stability operation in Inner Mongolia grid [J]. Proceedings of the CSEE, 2010, 30(4): 71-78.

[17]MARANDI V J, PAK L F, DINAVAHI V. Real-time simulation of grid-connected wind farms using physical aggregation[J]. IEEE Transactions on Industrial Electronics, 2010, 57(9): 3010-3021.

(編輯 蔣毅恒)

A Dual-Machine Aggregation Model of Wind Farm Considering LVRT

GAO Feng1, HUANG Mingyu1, QIAO Ying2, RUAN Jiayang2

(1. State Grid Ningxia Electric Power Research Institute, Yinchuan 750002, China;2.State Key Lab of Power Systems, Department of Electric Engineering, Tsinghua University, Beijing 100084, China)

Due to differences of the relay protection status and external characteristics among generators derived from distribution of the wind speed and collection network, the conventional single-machine aggregation model cannot offer high accuracy of fault ride-through behaviors of real wind farms in all scenarios. This paper proposes a dual-machine model that is more applicable for doubly-fed induction generator (DFIG) wind farms, based on a reverse modeling method and the delicately-designed macroscopic parameters. First, we analyze the effect of over-current protection on controllability of the wind farm. Considering the power-source nature of DFIGs, the Crowbar dynamic during a large disturbance has a great impact on accuracy of the simulated power response, whereas the peak current level decides whether Crowbar is activated. Thus the current level proves to be the critical factor that generates incoherency among DFIGs, based on which the generators can be grouped. Naturally, description of the incoherency can be implemented by a dual-machine model, and its macroscopic parameters can be adjusted according to control parameters and the wind resources, so as to smoothly set the level of distribution factors that produce incoherency. In order to improve practicability of the proposed model, a reliable parameter-identification procedure is presented, which extracts macroscopic parameters reflecting power responses with the maximum probability. Simulation verifies drawbacks of the single-machine aggregation model and performances of the novel model. With the ability to consider features of wind resources, the proposed model remarkably improves accuracy of wind farms’ power modulation behaviors, adjacent synchronous generators’ power-angle dynamics, and the motor-type loads’ voltage dynamics.

dual-machine aggregation model; transient stability; Crowbar effects; low voltage ride through; wind-speed distribution

國網寧夏電力公司科技項目(SGNXDk00BGQ71400076)

TM 71

A

1000-7229(2016)06-0086-10

10.3969/j.issn.1000-7229.2016.06.013

2016-01-14

高峰(1982)，男，博士，高級工程師，從事電力系統規劃和電力系統分析方面的研究工作；

黃鳴宇(1980)，男，碩士，高級工程師，從事電力系統自動化及智能電網工程技術方面的研究工作；

喬穎(1981)，女，博士，副教授，研究方向為新能源、分布式發電和電力系統安全與控制；

阮佳陽(1987)，男，博士研究生，研究方向為新能源發電機、電站建模和電力系統動態穩定。