雙饋風力發電場的建模及低電壓穿越能力探究

郭 賀, 王君艷

(上海交通大學 電子信息與電氣工程學院, 上海 200240)

?

新能源

雙饋風力發電場的建模及低電壓穿越能力探究

郭 賀, 王君艷

(上海交通大學 電子信息與電氣工程學院, 上海 200240)

建立雙饋機組的等值模型，以雙饋風機槳距角控制動作情況作為分類依據，采用K-means聚類算法對機群進行分類；同時應用改進粒子群算法實現最優參數辨識，從而建立了電網故障情況下雙饋風力機組的動態模型，分析了Crowbar電路在實現低電壓穿越上的重要作用，其在故障期間和故障清除后均可平穩風電機組的功率，實現平穩的低電壓穿越。

雙饋風機建模； 風力發電場； K-means算法; 低電壓穿越； Crowbar電路

風能由于儲量豐富、技術發展相對成熟，成為具有商業化和規?；瘧们熬暗男履茉矗阅昃鲩L率超過30%的速度迅猛發展[1]。雙饋風力發電機組具有變速運行、變流器相對容量較小的優勢，是廣泛應用的風力發電機組。

為了獲取更多的電能，大多并網發電場多采用多臺雙饋發電機組，按一定的規律組成機群，然后發電并網。但其輸出功率的波動性和間歇性給電網安全穩定運行帶來了挑戰，在發生故障時，易導致機端電壓降低，無法完成功率的傳輸，引起轉子電流急劇上升、電容充電、直流電壓快速升高、電動機轉子加速、電磁轉矩突變等一系列問題。另外，隨著風力發電機容量和發電場規模的不斷擴大，不能再在故障時通過保護設備使風機解列，而需要風電場具備一定的電壓支撐能力，即低電壓穿越的能力。

為了對雙饋風電場在故障條件下的性能進行分析，國內外學者對風力發電場建模和低電壓穿越技術進行了很多相關的研究[1-3]。常用的風電場等值方法分為聚合法和降階法。考慮到降階法無法保持風機的原有模型，對采用電力系統軟件進行驗證分析帶來了困難[1]。筆者采用聚合法，特別是基于機群分類指標和K-means[4]聚類算法的多機表征法，建立了故障情況下雙饋發電機組的等值模型。采用改進粒子群算法求解參數辨識模型，克服了傳統參數辨識算法無法有效解決非線性系統的問題，并基于故障情況下雙饋風電機組的等值模型，對Crowbar電路[5]可以有效提高風電場故障情況下的低電壓穿越能力進行了驗證分析。

1 電網故障情況下雙饋風力機組的動態建模

在風機的聚合模型中，常用的等值方法有單機表征法和多機表征法，前者主要用于定速機組風電場的等值，將所有的發電機等值為一臺風機，后者則是根據在電力系統動態等值中應用較多的同調等值方法，把系統中的風電機組是否具有相近的運行點作為機組分群原則，建模較為準確。本文中雙饋發電機組的動態建模就是基于多機表征法的思想，以雙饋機組槳距角控制動作情況作為分群原則，使用參數辨識的方法計算相應的等值參數。

1.1運用K-means聚類算法進行機群分類

K-means算法是聚類算法中應用最為廣泛的一種算法。該算法使用標準測度函數最小作為具體分類原則，把N個樣本點分為K個簇，由此得到的聚類結果會使得同簇的樣本點具有較高的相似性，而簇與簇之間的樣本點差異性較大。標準度函數為:

(1)

式中：mi為第i個簇的樣本均值；Ni為第i個簇的樣本總數；Ci為第i個簇的樣本點集合；τ為樣本點；E為標準測度函數。

K-means算法的具體分類步驟見圖1。

雙饋風力發電機組以槳距角控制動作情況作為分類依據，可以分為3個群：(1)故障發生前槳距角就已經動作的風電機組；(2)故障前槳距角不動作，而故障發生期間槳距角動作的風電機組；(3)故障發生前和故障期間槳距角均不動作的風電機組[1]。而槳距角的動作情況與故障前風電機組的有功功率、機端電壓和風速有關，可將其通過SVM分類器選擇后作為分類指標[1]，設置分類數K=3，從而得到按槳距角控制動作情況分類的3個種群，得到風電場的風機分類結果。

1.2等值模型參數的計算

常用的參數計算方法有基于公式法和參數辨識法：前者要求所有風電機組為同一型號，并只能計算基本參數；而后者可用于變速恒頻發電機組的參數計算，操作方便，結果更為準確。

筆者采用的是參數辨識法。

1.2.1參數辨識法的基本原理

對系統進行參數辨識，其本質上就是通過各種不同的辨識算法尋找最優參數組合。在對雙饋風力發電機進行參數辨識時，需要考慮到對槳距控制模塊的非線性環節參數進行準確辨識，同時也要反映風電機組各元件之間的線性和非線性相互作用。由于風電機組的過渡時間較長，需要參數辨識的結果更為準確。

具體的參數辨識原理見圖2。

詳細風機模型和等值風機模型在同一測試風速vω(t)的作用下，產生詳細模型輸出信號P(t)和等值模型輸出信號Peq(t)，其誤差為e(t)，規定代價函數(或稱等價準則)E(θ)。

(2)

式中：tk為采樣時間；N為樣本數量。

經過辨識算法計算之后，修正等值模型中的參數，反復進行，直到找到一組模型參數θe使得誤差e(t)滿足代價函數最小的條件為止，由此得到的θe就是等值模型的參數。

1.2.2參數辨識的求解方法

由于電力系統為非線性系統，而傳統的參數辨識方法，如頻域內的快速傅里葉變換/最小二乘(FFT/LSE)法和時域內的分段線性多項式函數(PLPF)法等，難以處理非線性問題。所以筆者采用了操作簡單、易實現和魯棒性強的粒子群人工智能算法進行參數辨識求解。

粒子群算法最早由Kennedy博士和Eberhart博士在1995年提出，源自于對鳥群捕食行為的研究和模擬，即鳥群通過搜尋目前離食物最近的鳥的周圍區域來尋覓食物。每個優化問題的解是搜索空間中以一定速度飛行的一只鳥的最優位置。算法中的每一次迭代，各個粒子都會依據式(3)和式(4)來更新自己的位置和速度：

(3)

但傳統的粒子群算法容易陷入局部最優，為了將其應用于多節點大系統的模型計算，筆者提出采用慣性因子的自適應調整策略獲得改進的粒子群算法，即每次迭代的時候，對粒子的自適應度做如下的調整：

(5)

式中：i為迭代次數；n為最大迭代次數，即慣性權重從ωmax到ωmin線性減少。

改進粒子群算法應用于系統參數辨識的流程如下：

(1) 建立原模型和待辨識模型，確定待辨識參數。

(2) 隨機初始化粒子群的速度和位置。

(3) 計算粒子群中各個粒子的適應值。

(4) 將每個粒子xi的適應值與其經歷過的最好位置Pi的適應值進行比較，如果更好，則將其作為粒子個體歷史最優值，用當前位置更新個體歷史最好位置。

(5) 把各個粒子的適應值與所有粒子所經歷過的最好位置Pg的適應值進行比較，如果更優，那么將此適應值作為當前所有粒子的最好位置Pg。

(6) 根據式(3)和式(4)的算法更新粒子的位置和速度(與此同時進行自適應調整)，如果達到終止條件(通常設定為一個足夠好的適應值或者最大迭代次數)，那么就輸出結果，否則返回步驟(4)[2]。

1.3雙饋機組多機表征的步驟

(1) 故障前風電機組的機端電壓、有功功率均和風機風速有關，因此可將其通過SVM分類器選擇后作為機群分類指標。

(2) 利用K-means聚類算法和機群分類指標對所有雙饋風機進行分群。

(3) 依據第1.2節介紹的參數辨識法，將同群的機組進行等值。

(4) 計算每個等值電容和變壓器參數以及等值風電機組與風電場公共連接點之間的電纜參數，得出多機表征的風電場等值模型[1]。

2 雙饋機組的低電壓穿越能力分析

電力企業運營商規定，并網的風電場必須具有低電壓穿越的能力，即在不危及電網穩定運行的前提下，當電網發生電壓跌落故障(一定范圍內)或擾動時，風機必須保持不間斷并網運行狀態，并且可以像常規電源一樣，繼續向電網側提供有功功率(頻率)和無功功率(電壓)支撐。

雙饋感應發電機是定子側直接連接電網，電網電壓直接反映在定子端電壓上，因而在發生電壓跌落故障時，由于定子磁鏈不能發生突變，從而會產生較大的直流分量和負序分量[6]。因而提高雙饋機組低電壓穿越能力的關鍵在于如何消除這兩種不和諧的分量。目前，在硬件電路的實現方面，主要有增加Crowbar電路、增設能量存儲系統(ESS)和加設定子側電子開關。

2.1Crowbar電路

Crowbar工作的基本原理是在電網電壓發生驟降時，通過采用電阻短接轉子繞組的方法來旁路掉轉子側變換器，從而為轉子側電流提供一條通路。目前，常用的Crowbar電路主要有主動式和被動式兩種形式。

被動式Crowbar電路主要從風力發電機自我保護的角度出發，在故障發生時，可控硅將電動機短路，從而雙饋電動機可以作為鼠籠式異步電動機運行；待故障消失后，雙饋電動機定子側脫網，可控硅關斷，從而雙饋電動機重新并網運行[7]。但其需要從系統中吸收大量的無功功率，主要用于小型風機并網運行的情況。

圖3為典型的被動式Crowbar結構圖。

主動式Crowbar電路使用具有強迫換流功能的SCR以及IGBT、GTO等可關斷器件，這樣可以在其動作后的任意時刻切斷轉子回路的Crowbar保護電路，從而實現風機在不脫網的情況下轉子變換器重新開始工作，滿足電力運營商對風電機組的要求[6]，其典型結構見圖4。筆者采用的是典型的主動式Crowbar電路方案，通過三對可關斷器件的反并聯連接，將旁路電阻適時接入到轉子回路中，由此可以實現變換器與電網、轉子的持續保持連接，保證了故障期間及故障恢復瞬間，雙饋風電機組與電網的同步運行，電網故障清除時，系統通過封鎖可控硅的驅動脈沖，便可將旁路電阻切除，恢復正常的并網運行。

2.2其他硬件實現方式

其他硬件實現方式，包括增設能量存儲系統(ESS)和加設定子側電子開關。

ESS是在故障期間將能量存儲起來，等故障消失后，再將能量送入電網。雖然該方法解決了Crowbar須在不同的運行方式間頻繁切換的問題，但由于無法控制轉子電流，可能會造成轉子電流過大而損壞設備。

定子側電子開關是指在定子側與電網之間每相反向并聯一對晶閘管，一旦系統出現故障，可實現定子與電網的快速分離，從而限制短路電流，避免了轉矩振蕩。但該方案實際上未能實現真正的不脫網運行。

綜上所述，由于Crowbar電路良好的控制性能和優勢，符合電網運營商的要求，筆者在后續的仿真算例中詳細探究了運用Crowbar電路對提高雙饋風電場低電壓穿越能力的具體作用。

3 算例仿真

基于上述關于雙饋風電場的多機表征理論和Crowbar電路的基本原理，筆者在DIgSILENT中建立了由4臺相同的雙饋異步風電機組組成的風電場多機仿真模型，其系統結構示意圖見圖5。

圖5是典型的雙饋風機風電場系統接線圖。該風電場共包含了4個不同的電壓等級，其中1.15kV母線為雙饋機的轉子直流母線，該母線由電網側變頻器為其提供直流電源，維持雙饋機轉子電壓，同時通過電網側變頻器控制輸出電壓和電流的頻率。電網側變頻器通過690V電壓接入三繞組升壓變壓器的低壓繞組；雙饋機定子通過3.3kV母線接入變壓器的中壓繞組；三繞組變壓器高壓側電壓為20kV，經三繞組變壓器升壓后輸出雙饋機的有功功率和無功功率至無窮大系統。

根據恒速風機的特性，對風電場的各臺風機的暫態性能進行測試。因此主要以恒定風速作為測試信號，檢驗風力機機械功率、風電機的有功功率和無功功率、風能利用系數、槳距控制角等變量的變化情況。

仿真工況如下：每臺雙饋風機初始有功功率為4.5MW，無功功率為0.2MW，恒定風速為14m/s?？疾祜L機正常運行時4臺雙饋風機有功功率、無功功率、風能利用系數、轉速、槳距角以及電網母線電壓的變化情況，其中某一臺雙饋風機的變化曲線見圖6和圖7。

3.1雙饋異步風電機組的風電場等值模型及其仿真分析

按照聚類算法和機群分類指標把風電機組劃分成K個分群，并把每個機群合并等效成一臺等值風電機組?；趫D5所示的風電場多機系統圖，將4臺相同的雙饋異步風電機組同群的風電機組按照機械功率疊加的方法等效成一臺風電機組，其系統結構見圖8。

由圖8可見：該風電場模型只有1臺等值的雙饋風機模型；4個不同的電壓等級與單臺發電機組具有類似的結構。采用與單臺發電機組同樣的測試方法，得到雙饋風機有功功率、無功功率、風能利用系數、轉速、槳距角以及電網母線電壓的變化情況見圖9和圖10。

將圖6、圖7與圖9、圖10相比較可知：4臺相同的雙饋異步風機群合并成一臺等值風電機組后，所得到的等值風電機組的風力機機械功率、風電機的有功功率、無功功率、風能利用系數、槳距控制角以及電網母線電壓等參數與前者基本一致，具有類似的變化規律，從而驗證了等值方法的正確性。

3.2Crowbar電路的低電壓穿越能力分析

單臺風機與等值后的風機在低電壓穿越上性能是一致的，為了更為明顯地觀察Crowbar電路在系統故障時的作用，此處選用在第3.1節的單臺雙饋風機中，設定DFIG穩定時輸出的有功功率為4MW，無功功率為0，分別設置如下的事件：

(1) 不配備Crowbar電路，系統0s時發生三相電壓對稱跌落故障，0.15s時故障消除。

(2) 配備了Crowbar電路，系統0s時發生三相電壓對稱跌落故障，0.005s時Crowbar電路動作，0.15s時故障消除，0.5s時切除Crowbar電路。

分別在DIgSILENT軟件中進行仿真，仿真時間為2s，得到的雙饋機組有功功率和無功功率隨時間變化的波形見圖11和圖12。

由圖11和圖12可知：事件一中低電壓穿越失??；事件二在經歷過渡過程后，恢復到了有功功率為4MW、無功功率為0的穩定運行狀態。事件一由于不具備Crowbar電路的雙饋機組出力，有功功率波動的峰值超過12MW，無功功率波動的峰值為-14MW，吸收了大量的無功功率，且過渡時間較長，波動明顯；事件二的相應值波動量大為減少，僅為6MW的有功功率和-10MW的無功功率，且波形變化較為平緩。由此可知，Crowbar的加入，在故障發生期間和故障消除恢復期間，都起到了良好的平滑功率輸出的作用。

由于所采用的雙饋風機功率較小，僅為4MW，所以Crowbar的作用并不是非常突出和明顯，但已經可以驗證Crowbar電路在實現雙饋機組低電壓穿越能力上的重要作用。

4 結語

筆者通過分析雙饋風電場的建模及低電壓穿越能力的探究，得到了以下的研究成果：

(1) 形成了電網故障情況下雙饋風電機組的動態建模的基本方法，即基于K-means聚類法按雙饋電動機槳距角控制動作情況，進行機組分群，然后采用改進粒子群算法實現最優參數的辨識，從而建立雙饋風機的多機表征模型。

(2) 通過具體算例在DIgSILENT軟件中驗證了多機表征模型的可行性。

(3) 通過具體算例分析了Crowbar電路在提升風場低電壓穿越能力上的重要作用，驗證了其在故障期間、故障消除后，均可平穩功率輸出的能力。

今后，還需進一步研究雙饋風電機組更優的建模方法，并在Crowbar電路的最優電阻、電壓跌落深度等影響因素上深入探究。

[1] 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.

[2] 高文松, 劉長良. 一種改進粒子群算法及其在熱工過程模型辨識中的應用[J]. 熱力發電, 2010, 39(3): 97-100, 103.

[3] 王偉, 孫明冬, 朱曉東. 雙饋式風力發電機低電壓穿越技術分析[J]. 電力系統自動化, 2007, 31(23): 84-89.

[4] JAIN A K, DUBES R C. Algorithms for clustering data[M]. New Jersey: Prentice Hall, 1988.

[5] 趙靜. 雙饋異步風力發電機低電壓穿越時的Crowbar保護技術[D]. 杭州: 浙江大學, 2010.

[6] 孫萬義. 提高雙饋風力發電機組低電壓穿越能力的控制技術研究[D]. 蘭州：蘭州理工大學，2010.

[7] 馬春明. 雙饋風力發電機并網低電壓穿越技術的研究[D]. 上海: 上海交通大學, 2012.

Modeling of a Doubly-fed Induction Generator and Analysis of its Low-voltage Ride-through Capability

Guo He, Wang Junyan

(School of Electronic Information and Electrical Engineering,Shanghai Jiaotong University, Shanghai 200240, China)

An equivalent model was built for doubly-fed induction generators (DFIGs), which were classified into small clusters using K-means clustering algorithm according to specific control scenarios of the propeller pitch angle. In addition, the particle swarm optimization (POS) method was used to realize the identification of optimal parameters, thus establishing a dynamic model of DFIG in case of grid fault and analyzing the important effect of Crowbar circuit in realizing low-voltage ride through (LVRT). The Crowbar circuit was proved to be effective in smoothing the power output of DFIG during fault period and after fault elimination.

DFIG modeling; wind farm; K-means clustering algorithm; LVRT ; Crowbar circuit

2016-05-09

郭 賀(1986—)，男，在讀碩士研究生，研究方向為電力電子和電氣傳動、電力系統自動化以及核電1E級電氣設備鑒定。

E-mail: guohe118@126.com

TM614

A

1671-086X(2016)06-0389-06