基于LSTM 多類型機組風電場等值建模研究

河海大學能源與電氣學院,江蘇 南京 211100

隨著風電技術的不斷發展，風電在電網中的比例越來越高。由于風電本身的隨機性與不穩定性，需要重視其接入電力系統后的穩定性影響。當電網發生故障或擾動時，風機的端電壓會瞬間跌落，嚴重時會造成風機脫網，導致系統頻率跌落，使得電網的安全穩定運行風險增加。因此，世界各國電網運營商要求風電接入電網時必須具備低電壓穿越(Low voltage ride through，LVRT)功能[1]，即風電場在故障沒有嚴重到超越邊界限制及耐受時間限制的情況下不能脫機。

為滿足包含風電場電網的仿真分析的需求，需建立簡化且準確的模型以表達風電場的動態特性。目前，國內風電場的動態等值建模中，大多采用風機的物理模型，而對通用模型的研究較少。由于通用模型忽略電磁暫態過程，且變流器控制環節中存在限幅環節，將對風電機組的動態特性產生主導影響。

目前常用的風功率預測方法有物理方法和統計方法兩大類。物理方法常用于風電場建設初期，需要大量的歷史數據作為支撐，模型能否準確描述風電場的地理環境及物理現象大大影響了預測精度[2]。統計方法也是近些年來的研究熱點，BP 神經網絡、人工神經網絡（ANN）[3]、支持向量機（SVM）等算法通過非線性關系，將動態時間建模問題轉化為靜態空間建模研究，因此忽略了過去時間的輸入對于預測的影響。然而風電機組的故障過程是動態的，與之前時刻的特性也有關。由此，長短期記憶網絡（LSTM）在遞歸神經網絡（RNN）基礎上設計，避免了梯度消失和梯度爆炸問題[4,5]。其廣泛應用啟發了基于此算法進行風電場動態等值建模的想法。為此，本文建立了兩種多類型機組的算例系統，運用SVM 算法與LSTM 方法，分別對實驗數據進行訓練學習，之后進行實驗對比，以預測風電機組故障期間動態特性，實現對多類型混合風電場進行動態等值。

1 風電機組的通用模型結構及動態全過程分區

1.1 風電機組的通用模型結構

WECC 推出了4 類風電機組的通用模型結構，下面以國內主流的雙饋風電機組和直驅永磁風電機組為例，給出各自模型結構[6]。雙饋變速風電機組（Type 3）包括發電機/變流器（REGC_A）、轉子側控制（REEC_A）、驅動系統（WTGT_A）、空氣動力學（WTGAR_A）、槳距角控制（WTGPT_A）、轉矩控制（WTGTRQ_A）和場站級控制（REPC_A）7 個模塊。直驅永磁風電機組（Type4）包括發電機/變流器（REGC_A）、轉子側控制（REEC_A）、驅動系統（WTGT_A）和場站級控制（REPC_A）4 個模塊。

2 種類型的風電機組，其發電機/變流器模塊、以及轉子側控制器模塊都包含低電壓工況下的控制環節，其中低壓有功電流動態限幅環節、低壓有功電流控制環節、動態電流限幅環節及低壓無功電流控制環節，在低電壓穿越期間降低有功功率且提升無功功率。

當電壓低于Vdip 值或高于Vup 時，Voltage_dip=1，正?？刂颇Ｊ绞?，風電機組由邏輯控制模塊主導，此時有功功率動態特性與低壓有功電流管理模塊、低電壓功率邏輯模塊有關；其他情況時，Voltage_dip=0，風電機組以正?？刂颇Ｊ竭\行。

1.2 風電機組的動態全過程分區

根據我國行標（NB/T31053）和國外標準，風電機組的動態全過程一般分為故障前(A)、故障期間(B)以及故障后(C)三個時段。需要說明的是：由于風電機組在低電壓穿越后的恢復策略不盡相同，因此時段C 的結束不以電壓數據劃分，而是以有功功率開始穩定輸出后的1 s 為C 時段結束。

根據規程，各時段開始和結束規定如下：1）電壓跌落前1 s 為A 時段開始；2）電壓跌落至0.9 Un 時刻為A 時段結束，B 時段開始；3）故障清除的開始時刻為B 時段結束，C 時段開始；4）故障清除后，風電機組有功功率開始穩定輸出后的1 s 為C 時段結束。

同一風電場內，即使對于不同類型的風電機組，其動態特性皆可劃分為3 個分區，不同之處在于不同分區內的動態不盡相同，因此下面進一步分析影響風電機組全過程動態的主要影響因素。

1.3 風電機組動態特性的影響因素

1.3.1 風電機組的類型 實際的風電場往往由多種不同類型的風電機組組成，而且它們的動態全過程往往不同。運行在恒轉速區和最大風能追蹤區下的不同風電機組，雙饋風電機組和永磁直驅風電機組故障清除后的動態特性差別較大。

1.3.2 風電機組初始運行狀態的影響 由于風向、地形地貌以及尾流等效應的影響，同一風電場內各機組所受風速不同。不同初始運行狀態下，1）穩態功率不同；2）故障期間的功率特性不同；3）故障恢復速度不同。

1.3.3 電壓跌落深度的影響 由于風電場內部集電網絡的結構，在風電場出口PCC 點發生故障時，不同風機所實際接受的故障程度不同。距離PCC 點距離越遠的風機，受故障影響程度越淺。因此會造成在同一故障下，風電場內部分風機經歷低壓穿越，而另一部分仍處于正?？刂频倪\行模式。

1.3.4 變流器及控制器參數的影響PSASP 中的雙饋異步風電機組和永磁直驅風電機組模型是在通用模型的基礎上進行改動，雖然模型參數不同，但低電壓穿越模塊的邏輯關系仍保持一致。當出現電壓跌落時，Zerox決定有功功率恢復的“起點”以及Brkpt決定從“起點”到Imax的速率，控制效果由端口電壓VT在Zerox和Brkpt區間的位置所決定。同時轉子側模塊中的參數rrpwr限制有功功率恢復的速率。當Zerox＜VT＜Brkpt時，垂直上升至Imax；當VT＞Brkpt時按rrpwr斜率上升；參數Ipzerox的大小決定了恢復的“高度”；斜率大小rrpwr影響故障切除后有功功率恢復斜率。

1.3.5 變流器參數的影響 由于KVI 決定了故障切除后無功功率的恢復速率，而TC0 決定了故障期間，到達穩定故障值的速率，對故障切除后功率的恢復速率影響較小。

從上述分析可以看出，當風電機組在低電壓穿越期間，其有功功率動態特性受到低電壓穿越控制邏輯中各參數的影響，無功功率動態特性受到變流器參數中各參數的影響。由于限幅環節及放大倍數等參數的存在，使得基于靈敏度分析的參數辨識變得困難，因此本文提出通過LSTM 方法進行風電場的動態等值建模。

綜上分析可知，風電場內部風機的初始輸出功率、電壓跌落程度以及不同類型風機構成比例的差異，會對風電場整體輸出的動態特性產生影響。在后續風電場的動態等值研究中，需要考慮以上因素與模型構建的聯系。

2 基于LSTM 的多類型機組風電場等值建模研究

從上述分析可以看出，風電場在經歷故障時有功功率的輸出特性受初始輸出功率、電壓跌落程度的影響較大。而初始輸出功率又與風電場所受的風況有關。由此，本文提出基于風速、風向和故障電壓跌落程度進行非機理建模的方法。

2.1 LSTM 原理及建模流程

LSTM 網絡和RNN 的時間反饋原理基本一致，而核心在于其獨特的記憶單元，包含遺忘門、輸入門和輸出門三個乘法門控制信息的傳遞。遺忘門用于刪除部分歷史信息；輸入門對當前時刻的輸入和上一時刻的輸出進行篩選，并添加有用的信息；輸出門決定了下一層神經元的輸入和下一時刻神經元的輸入。

鑒于LSTM 的記憶功能，當其與風電機組故障動態特性結合起來，即可實現風電場的動態等值建模。首先根據風電機組的動態過程分區選取輸入數據的時間點，并使用LSTM 回歸模型，最后輸出對應時間點的值。方法如下：

2.1.1 數據歸一化與反歸一化 由于輸入變量風速、風向、風功率和電壓跌落程度量綱不同，首先要對歷史數據進行處理，將其控制在[0,1]區間內，以減少對預測精度的影響。風功率的歸一化公式類似公式（1）。而風向的角度則通過正弦和余弦函數拆分進行歸一化

其中vg為歸一化后的風速，vt是用于歷史風速，vmax是統計中的最大風速。

2.1.2 數據篩選 風速的隨機性和波動性與風電機組的輸出功率直接相關，預測前需要對大量歷史數據進行相關性分析，選取其中相關性最大的數據作為訓練樣本，并對此進行測試。

2.1.3 確定LSTM 模型參數 根據LSTM 原理，模型中的輸入層確定為3，將輸入前1 個時刻的歷史數據，即時間步數為1；隱藏層數目和維數暫定為1 和10；輸出層維數為1。

2.1.4 計算誤差 使用平均相對誤差（EMAE）、最大相對誤差（EMRE）和均方根誤差（ERMSE）作為預測輸出的評價標準，計算公式如下：

其中，n為預測的數據個數，i為預測編號，A(i)為預測值，F(i)為實際值。

3 算例分析

3.1 算例設計

基于PSASP 平臺，搭建包含雙饋異步風電機組和永磁直驅風電機組的混合風電場的無窮大系統，風電場由4 行4 列共16 臺額定容量均為1.5 MW 的風電機組組成。風電機組由機端變壓器，由0.6 kV 升壓至33 kV，由集電網絡接入PCC 點，再由風電場出口變壓器升至220 kV，接入單機無窮大系統。集電網絡的標幺值為r+jx=0.01+j0.03。機組均采用恒電壓控制方式。

為了檢驗LSTM 對風電場動態等值建模的有效性，本文采用SVM 算法與之對比，采用高斯徑向量核函數（RBF）和Sigmoid 核函數，尋找風電故障過程動態特性與輸入的非線性關系。

3.2 模型參數的適應性分析

3.2.1 不同模型參數下的歷史數據匯總 由于實際的風電場中包含著成百上千臺風機，多類型的風電機組也會對風電場的整體動態特性造成不同的影響，每一臺風機都可能處在不同的運行狀態下，并有不同的控制參數。為了減小這一現象對于預測效果的干擾，需要提前準備好歷史數據，為后期數據的篩選、訓練學習打下基礎。

在搭建好的風電場模型中，每次只改變機組類型、風速、風向、RRPWR、KVI 和故障深度中的一個變量，以模擬實際風電場中可能遇到的大部分常見情況，形成數據庫。

3.2.2 特定場景下的LSTM 建模結果 為了討論該方法對于風電機組在不同參數的運行方式下均具有有效性，本文提供兩種情況的算例驗證。（1）16 臺風機參數RRPWR=1，KVI=400；（2）8 臺風機參數RRPWR=1，KVI=400；8 臺風機參數RRPWR=10，KVI=40。

圖1 算例1 有功、無功、電壓預測曲線Fig.1 Predicted curves of active power,reactive power and voltage in Example 1

圖2 算例2 有功、無功、電壓預測曲線Fig.2 Predicted curves of active power,reactive power and voltage in Example 2

3.3 誤差分析

本文分別采用SVM 和LSTM 的方法，對關鍵時刻的有功功率、無功功率和電壓值進行預測，對比各個不同核函數情況下誤差的大小。

表1 算例1 各模型預測誤差Table 1 Forecast errors of each model in Example 1

表2 算例2 各模型預測誤差Table 2 Forecast errors of each model in Example 2

4 結論

1）比較了SVM 和LSTM 對于多類型風電場故障期間特性的預測方法，在歷史樣本數據考慮全面的情況下，結果顯示，LSTM 對于任意給定運行狀態風電場的適應性較好；

2）模型的提出，較好地解決了由于通用模型中大量限幅環節的存在，彌補了傳統根據風機物理模型參數等值方法的局限性；

3）缺少實際風電場運行數據的驗證，本文所提出的模型還需在今后接受實際應用的考驗。