基于多層神經網絡的直驅風機低穿控制參數辨識

趙 康，張志軒，周 寧，王 亮，賀政華，陳俊超

（1.國網山東省電力公司電力科學研究院，山東 濟南 250003；2.國網山東省電力公司，山東 濟南 250001；3.山東大學電氣工程學院，山東 濟南 250061）

0 引言

隨著碳達峰、碳中和“3060 目標”的提出和持續推進，能源開發利用的低碳化、綠色化將成為必然。在眾多低碳能源的開發利用中，風力發電是一種應用較為廣泛、技術較為成熟的能源開發利用方式［1］。風電機組裝機容量在電力系統中所占的比例越來越高，其運行特性對電力系統安全穩定運行的影響也越來越大［2］。

為應對風電機組大量接入帶來的不利影響，世界各國都對風電機組制定了嚴格的入網要求，其中低電壓穿越能力往往被認為是其中最重要的一項［3-4］。針對風電機組低電壓穿越能力的研究已經得到了廣泛的開展并取得了可觀的研究成果。文獻［3-5］闡述了風電機組低電壓穿越的原理和控制策略，并通過仿真表明風電機組低電壓穿越能力對區域電網承受故障擾動的能力影響很大。文獻［6-8］介紹了實現風電機組低電壓穿越運行的技術要點和關鍵問題，并分析對比了現有的低電壓穿越技術方案。文獻［9］分析了發生低電壓穿越時風電機組保護控制措施與系統動態特性之間的聯系，探討了撬棒保護電阻取值和投切控制策略。文獻［10］分析了風電機組低電壓穿越期間變流器直流電壓波動的原因，提出了一種新型的有功和無功協調控制策略。文獻［11］針對電網對無功控制和低電壓穿越能力的技術要求，提出了一種改進型功率變換控制方法。文獻［12］研究了電網故障下永磁直驅風電機組的運行特性以及提高其低電壓穿越運行能力的原理，提出一種適用于采用雙脈寬調制變換器并網的永磁直驅風電機組低電壓穿越運行控制方案。通過以上文獻研究可知，低電壓穿越能力作為風電機組本身的固有屬性，取決于風電機組采取的低穿控制策略及其對應的低穿控制參數。出于商業機密的原因，風電機組廠家一般不會公開具體的低穿控制策略和參數。然而作為電網運行方式工作人員，鑒于風電機組低穿能力對電網安全穩定運行越來越大的影響，迫切需要對風電機組的低穿控制策略和參數有較為精準的把握。文獻［13］針對內埋式永磁同步風電機組，提出了一種基于遺傳算法的參數辨識方法，但該方法只能辨識風電機組的穩態運行參數。因此，根據風電場提供的風電機組低穿試驗曲線，辨識風電機組采取的低穿控制策略和參數，對于電網運行方式數字仿真和輔助決策，具有十分重要的現實意義。

在直驅風電機組低電壓穿越一般控制模型的基礎上，提出一種基于多層神經網絡的低電壓穿越控制參數辨識方法。首先，基于經典的M-P 神經元模型和Sigmoid 激活函數，結合直驅風機低電壓穿越一般控制模型，構建多層神經網絡。然后，根據收集得到的實際風電場直驅風機低穿試驗曲線和對應的低穿控制參數，構造多層神經網絡的訓練數據集，采用標準BP 算法訓練得到所需多層神經網絡模型。最后，通過對某型號直驅風電機組的案例研究，驗證所提多層神經網絡低穿控制參數辨識方法的有效性。

1 直驅風機低電壓穿越控制模型

不同型號直驅風電機組的具體低穿控制策略及對應的控制參數千差萬別，但基本的低穿控制原理［14-15］是一致的。因此，可以采用統一的直驅風機低電壓穿越控制模型來描述。采用統一的直驅風機低穿控制模型，以不同的控制參數來表征不同型號直驅風機的不同低穿性能，也為電網運行方式的數字仿真提供了極大的便利。

直驅風機發電系統的基本結構如圖1 所示。在正常穩態運行情況下，機側換流器以最大功率點跟蹤的方式控制直驅風機的有功功率，而網側換流器則控制與電網交換的無功功率。當電網發生故障或擾動引起機端電壓降低到設定值以下時，直驅風機發電系統進入低電壓穿越運行狀態，將會調整有功和無功的出力水平，并保持并網運行。直驅風機的低電壓穿越能力必須滿足一定的標準要求，現行的并網標準如圖2 所示，當機端電壓跌落水平在圖中曲線以上時，必須能夠維持并網運行，并對電網提供一定的無功支撐。

圖1 直驅風機發電系統基本結構

圖2 直驅風機低電壓穿越能力標準要求

直驅風機發電系統的有功和無功控制是相互解耦的，且分別通過對機側換流器的有功電流控制分量和網側換流器的無功電流控制分量進行控制，典型的直驅風機穩態有功和無功控制邏輯如圖3所示。

圖3 典型的直驅風機有功和無功控制邏輯

參照圖3 所示穩態控制邏輯，直驅風機低電壓穿越一般控制模型可按照如下方式建立。

1）低穿期間的有功采用控制有功電流控制分量的方式，具體如式（1）所示。

式中：K1p、K2p和K3p為有功電流計算系數；Vt為機端電壓；Ip0為低穿初始有功電流控制分量。

2）低穿期間的無功采用控制無功電流控制分量的方式，具體如式（2）所示。

式中：K1q、K2q和K3q為無功電流計算系數；V0為低穿初始電壓；Iq0為低穿初始無功電流控制分量。

2 多層神經網絡模型的建立與訓練

神經網絡在電力系統方面的應用研究已經取得了豐碩的成果［16-20］，通過對研究對象建立合適的神經網絡模型，并以大量的樣本數據加以訓練，便可以由原始數據準確、快速地得到最終結果。

2.1 多層神經網絡模型的建立

神經網絡最基本的元素是神經元模型，其可以將輸入值按照一定的規則映射為輸出值，其中M?P神經元模型是最為經典、也是應用最為廣泛的一種。M?P 神經元模型接受來自n個其他神經元傳遞來的輸入信號，這些輸入信號按照各自的權重計算總輸入值并與神經元的閾值比較，然后通過激活函數產生輸出信號，具體如式（3）和圖4所示。

圖4 M?P神經元模型

M?P 神經元模型的激活函數可以采用不同的形式，其中Sigmoid 函數因為具有良好的微分性質，因而得到了廣泛的應用。Sigmoid 函數的微分性質如式（4）所示。

選用以Sigmoid 函數作激活函數的經典M-P 神經元模型作為多層神經網絡的基礎。建立該神經網絡的一般原則為：

1）輸入層的確定。風電場低穿試驗測試數據一般包括三相電壓曲線、三相電流曲線、有功曲線、無功曲線、有功電流曲線以及無功電流曲線。考慮電網發生三相對稱故障引起直驅風機進入低穿運行的情況，為實現參數辨識只需要A 相電壓曲線、有功電流曲線和無功電流曲線即可。將這三條曲線數據預處理并提取特征信息后即可作為多層神經網絡的輸入。曲線特征信息包括A 相電壓、有功電流以及無功電流各自的低穿初始值和低穿穩定值，因此多層神經網絡的輸入層由6個神經元組成。

2）隱含層（以下簡稱隱層）的確定。根據直驅風機低電壓穿越一般控制模型的數學公式，選用雙隱層前饋神經網絡即可滿足參數辨識的需要。隱層中神經元的個數一般按照經驗指定，并可在神經網絡訓練的過程中加以調整，因此在訓練前可暫將兩個隱層的神經元個數均取為8個。

3）輸出層的確定。神經網絡的輸出，即參數辨識的結果，包括式（1）和式（2）中所列的6 個計算系數，因此多層神經網絡的輸出層由6個神經元組成。

按照以上原則建立的神經網絡模型如圖5所示。

圖5 用于低穿參數辨識的雙隱層前饋神經網絡

2.2 多層神經網絡模型的訓練

神經網絡的訓練需要指定學習算法和訓練數據集。訓練數據集可通過已經收集到的直驅風機低穿試驗數據處理得到，學習算法采用標準BP 算法。標準BP 算法是迄今為止最為成功的神經網絡訓練算法，實際應用中的大部分神經網絡都使用該算法進行訓練，其基本原理介紹如下。

假定第k個訓練數據(xk，yk)，由神經網絡計算得到對應的輸出為，因此神經網絡的均方誤差為

式中：l為神經網絡輸出層神經元的個數；和分別為第k個訓練數據的輸入量xk對應的第j個輸出的實際值和計算值；系數的引入是為了后續微分計算方便。

神經網絡訓練的目的是得到最優的神經元連接權重和閾值的組合，使得誤差Ek最小。因此可以采用梯度下降策略，以誤差目標的負梯度方向對相應的參數進行調整。針對式（5）定義的均方誤差，以輸出層與最后隱層神經元之間連接的權重調整量為例說明如下。

式中：ωhj和Δωhj分別為最后隱層中第h個神經元與輸出層第j個神經元之間的權重和權重調整量；η為學習率，須人為指定，取值范圍為η∈(0，1)。

定義輸出層第j個神經元的加權輸入值為

式中：q為最后隱層的神經元總數；bh為最后隱層第h個神經元的輸出。

根據微分計算的傳遞原則，并結合式（7），式（6）可進一步推導為

由于采用Sigmoid 函數作為激活函數，考慮其微分特性，權重調整量Δωhj可最終推導為

類似地，可推導閾值調整量為

式中：θj和Δθj分別為輸出層第j個神經元的閾值和閾值調整量。

通過以上方法可從輸出層向輸入層逐步反向推算出神經網絡中各神經元的閾值調整量和神經元之間連接的權重調整量，從而更新整個神經網絡。不斷重復上述正向計算誤差和反向修正參數的過程，最終將使神經網絡的輸出結果與訓練數據之間的誤差減小到設定誤差標準之內，此時即可認為神經網絡訓練完成。通過標準BP 算法訓練神經網絡的具體過程如圖6所示，設定誤差標準為ε<0.01。

圖6 標準BP算法的訓練過程

3 算例研究

以待并網的某型號直驅風機為例檢驗所提基于多層神經網絡的低穿控制參數辨識方法。該型號直驅風機半實物試驗現場如圖7所示，其半實物試驗低穿錄波數據將用作后續檢驗參數辨識方法有效性的基準。

圖7 某型號直驅風機的半實物低穿試驗現場

按圖5 所示神經網絡結構，采用標準BP 算法進行訓練。由于訓練數據集是通過收集到的某實際地區電網107 種不同型號直驅風機低穿試驗數據處理得到，樣本數量有限，因此需要反復多次訓練，最終可以得到滿足訓練數據整體誤差ε<0.01 的神經網絡。用訓練完成的神經網絡處理某型號直驅風機的低穿試驗數據。由于低穿試驗數據包括機端電壓分別跌落至20%、35%、50%和75%額定電壓時的4 組數據，應用神經網絡進行處理將得到4 個不同的參數辨識結果。分別將4 組參數代入式（1）和式（2）所示的低穿控制模型，進行不同低穿工況下的數字仿真并計算仿真結果與半實物試驗數據的誤差。選取誤差最小的一組，將其作為最終的參數辨識結果。

采用最終參數辨識結果后，某型號直驅風機的有功和無功響應特性仿真曲線與半實物試驗曲線的對比情況如圖8—圖11所示。

圖8 電壓跌落至20%額定電壓低穿有功和無功響應特性對比

圖9 電壓跌落至35%額定電壓低穿有功和無功響應特性對比

圖10 電壓跌落至50%額定電壓低穿有功和無功響應特性對比

圖11 電壓跌落至75%額定電壓低穿有功和無功響應特性對比

由圖8—圖11 可見，采用多層神經網絡辨識所得低穿控制參數后，直驅風機的低穿仿真曲線與半實物試驗錄波曲線的吻合度較高，由此可充分驗證所提出的基于多層神經網絡的直驅風機低穿控制參數辨識方法的有效性。

4 結語

直驅風機在新并網風機中的比例越來越高，其低穿特性對電網運行的影響也越來越大。在直驅風機低穿一般控制模型的基礎上，提出了一種應用多層神經網絡辨識直驅風機低穿控制參數的方法。應用該方法對某型號直驅風機進行了案例分析和對比研究，驗證了所提方法的有效性。

由于本文中神經網絡訓練數據可用樣本較少，導致最終神經網絡的訓練過程較為漫長，效率不高。因此，進一步提高神經網絡的訓練效率，快速得到可用的神經網絡模型，將是下一步探索的方向。