双馈风机电压穿越控制参数整定值评估方法、介质及系统

1.本发明涉及双馈风机电压穿越控制技术领域，尤其涉及一种双馈风机电压穿越控制参数整定值评估方法、介质及系统。


背景技术：

[0002]“碳达峰、碳中和”目标的设立进一步刺激了能源结构的深度调整和转型，促进风能等新能源的开发利用。然而，由于风力资源天然具有波动性和随机性，直接导致风机出力具有不确定性，因此风机直接并网难以避免地会对电网产生包括频率波动，电压波动等不良影响，危及电网安全稳定运行。当电网发生故障时，由于风机并网点电压超过风电机组允许的最低或者最高工作电压，使得风电机组发生电压故障，造成大规模风电机组脱网事故，严重威胁电网设备安全，影响输电能力。
[0003]
风电机组的电压故障分为低电压故障和高电压故障，大多数风电机组具备低电压穿越的能力。低电压穿越能力是评估风力发电系统性能的重要指标。在风电机组故障穿越标准《gb/t36995-2018》和2021年新版标准《风电场接入电力系统技术规定(第1部分：陆上风电)》中，明确规定了风电机组电压穿越能力。同时要求风电机组进行高低电压穿越过程中，可以向电网注入一定的无功功率，具备动态无功支撑能力。当电网发生电压跌落故障时，风电机组进入低电压穿越阶段，由单位功率因数运行转换为无功功率优先模式运行。同时由于变流器容量的限制，风电机组输出的有功电流会相应减小。机侧变流器的控制会以无功功率优先为限制条件，首先保证无功容量的需要，然后根据变流器容量极限计算有功功率参考指令，保证风电机的不脱网运行。在成功完成低电压穿越后，风电机组逐渐恢复有功功率的输出至正常运行水平。
[0004]
由于不同的新能源发电机型的设备结构和并网特性差异显著，采用典型模型参数仿真不能准确模拟不同机型的关键并网特性，难以满足电网仿真计算需求。


技术实现要素：

[0005]
本发明实施例提供一种双馈风机电压穿越控制参数整定值评估方法、介质及系统，以解决现有技术采用典型模型参数仿真不能准确模拟不同机型的关键并网特性，难以满足电网仿真计算需求的问题。
[0006]
第一方面，提供一种双馈风机电压穿越控制参数整定值评估方法，包括：
[0007]
采用仿真机对从rt-lab软件中下载的双馈风机硬件在环模型进行电压穿越工况仿真，得到所述电压穿越工况下的第一仿真数据集；
[0008]
建立用于拟合所述电压穿越工况下的第一仿真数据集和电压穿越控制参数的整定值的关系的神经网络模型；
[0009]
将所述电压穿越工况下的所述第一仿真数据集输入所述神经网络模型，输出所述电压穿越工况下的电压穿越控制参数的整定值；
[0010]
在psasp中建立所述电压穿越工况下的双馈风机电压穿越机电模型；
[0011]
将所述电压穿越工况下的电压穿越控制参数的整定值输入所述电压穿越工况下的双馈风机电压穿越机电模型，输出所述电压穿越工况下的第二仿真数据；
[0012]
采集双馈风机的所述电压穿越工况下的实测数据；
[0013]
根据所述电压穿越工况下的所述第二仿真数据和所述实测数据，计算得到所述电压穿越工况下的误差函数的值；
[0014]
根据所述电压穿越工况下的误差函数的值确定所述电压穿越工况下的所述电压穿越控制参数的整定值的有效性。
[0015]
第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的双馈风机电压穿越控制参数整定值评估方法。
[0016]
第三方面，提供一种双馈风机电压穿越控制参数整定值评估系统，包括：如上述第二方面实施例所述的计算机可读存储介质。
[0017]
这样，本发明实施例，基于实测数据，通过低、高电压穿越期间有功、无功电流指令计算式，采用无功优先的控制策略，在保证仿真精度的前提下，将神经网络算法模型应用于低、高电压穿越期间有功、无功电流指令计算模型公式的拟合中，计算出准确的电压穿越控制参数的整定值，提高了参数整定的精度，并对其有效性进行了评估，简化了实际设备电压穿越控制的复杂控制策略，具有较好的可操作性和通用性。
附图说明
[0018]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]
图1是本发明实施例的双馈风机电压穿越控制参数整定值评估方法的流程图；
[0020]
图2是本发明实施例的神经网络模型结构示意图；
[0021]
图3是本发明实施例的神经网络模型输出的拟合值与实际值的对比图；
[0022]
图4是本发明实施例的低电压穿越工况下的实测数据与双馈风机电压穿越机电模型在低电压穿越工况下输出的第二仿真数据的对比示意图；
[0023]
图5是本发明实施例的高电压穿越工况下的实测数据与双馈风机电压穿越机电模型在高电压穿越工况下输出的第二仿真数据的对比示意图。
具体实施方式
[0024]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
[0025]
一般来说，双馈风机的控制参数可以分为关键控制参数和非关键控制参数。其中，非关键控制参数采用典型参数。
[0026]
关键控制参数主要为低电压和高电压穿越控制等参数，包括：进/出故障状态判
断、故障期间有功/无功控制、故障结束初始时刻控制、故障结束恢复期控制4个主要环节的控制参数，结合厂家提供的控制信息，根据实测数据进行整定。
[0027]
因此，本发明实施例考虑双馈风电机组电压穿越控制参数对机组输出响应的影响，对在psasp(电力系统分析综合程序，power system analysis software package)中建立的双馈风电机组低、高电压穿越机电模型，基于神经网络模型与风电机组电压穿越控制参数整定计算式，公开了一种双馈风机电压穿越控制参数整定值评估方法，用于结合实测数据对关键参数进行参数整定值的有效性的评估。如图1所示，本发明实施例的方法包括如下步骤：
[0028]
步骤s101：采用仿真机对从rt-lab软件中下载的双馈风机硬件在环模型进行电压穿越工况仿真，得到电压穿越工况下的第一仿真数据集。
[0029]
具体的，电压穿越工况包括：低电压穿越工况和高电压穿越工况两大类。低电压穿越工况和高电压穿越工况可根据实际情况选择不同的电压变化值。例如，低电压穿越工况包括：电压跌落0.35、0.4、0.5、0.6、0.8v这五种电压变化的工况。高电压穿越工况包括：电压上升1.1、1.15、1.2、1.3v这四种电压变化的工况。
[0030]
具体的，该步骤的过程如下：
[0031]
(1)在双馈风机硬件在环模型的电网电压处设置低电压穿越信号和高电压穿越信号，并将rt-lab软件中的双馈风机硬件在环模型下载到仿真机中。
[0032]
低电压穿越信号用于模拟低电压穿越工况，高电压穿越信号用于模拟高电压穿越工况。
[0033]
双馈风机硬件在环模型通过双馈风机的实际拓扑结构利用rt-lab软件建立。这是本领域技术人员的惯用技术手段，在此不再赘述。
[0034]
(2)通过控制器将仿真机连接上位机进行并网操作，仿真电压穿越工况，对输出信号进行采样，得到该电压穿越工况下的采样数据。
[0035]
其中，采样数据包括：第一发电机机端电压v、第一发电机机端电流i、第一有功功率p、第一无功功率q。
[0036]
对于采样数据可进行如下的处理：
[0037]
将第一发电机机端电压v、第一发电机机端电流i、第一有功功率p、第一无功功率q转化为标幺值形式后，再将第一发电机机端电压v、第一发电机机端电流i通过交直流变换转化为直轴形式。
[0038]
(3)从电压穿越工况下的第一发电机极端电压v中提取初始电压v0和穿越电压v
t
，从电压穿越工况下的第一有功功率p中提取初始有功功率p0和穿越有功功率p
t
，从电压穿越工况下的第一无功功率q中提取初始无功功率q0和穿越无功功率q
t
后，与电压穿越工况下的第一发电机机端电流i组成电压穿越工况下的第一仿真数据集。
[0039]
即第一仿真数据集包括：第一发电机机端电压v中的初始电压v0和穿越电压v
t
，第一有功功率p中的初始有功功率p0和穿越有功功率p
t
，第一无功功率q中的初始无功功率q0和穿越无功功率q
t
，以及，第一发电机机端电流i。
[0040]
例如，对于低电压穿越工况，有电压跌落0.35、0.4、0.5、0.6、0.8v这五种电压变化工况，分别在这五种电压变化工况下得到对应的第一仿真数据，集成第一仿真数据集。
[0041]
步骤s102：建立用于拟合电压穿越工况下的第一仿真数据集和电压穿越控制参数
的整定值的关系的神经网络模型。
[0042]
具体的，低电压穿越工况下的电压穿越控制参数的整定值包括：第一有功电流计算系数k
1_ip_lv
、第二有功电流计算系数k
2_ip_lv
、有功电流设定值ip
set_lv
、第一无功电流计算系数k
1_iq_lv
、第二无功电流计算系数k
2_iq_lv
，第一无功电流设定值iq
set_lv
。
[0043]
具体的，高电压穿越工况下的电压穿越控制参数的整定值包括：第四无功电流计算系数k
1_iq_hv
、第五无功电流计算系数k
2_iq_hv
、第二无功电流设定值iq
set_hv
。
[0044]
如图2所示，本发明实施例采用321神经网络模型，即神经网络模型包括：依次连接的输入层、隐藏层和输出层，输入层的神经元的数量为3、隐藏层的神经元的数量为2，输出层的神经元的数量为1。对神经网络模型进行分批次训练。
[0045]
神经网络模型中的相关参数如下：
[0046]
(1)设置迭代次数为20，随机生成权重矩阵与偏置向量并设置神经网络模型的前向计算公式为：
[0047][0048]
其中，m0为输入层的神经元数量，为输入层的神经元j的输出向量，为隐藏层的神经元i的输入向量，即输入层向量以及偏置向量的加权和，1≤i≤m1，m1表示隐藏层的神经元数量。
[0049]
(2)设置激活函数为relu函数。
[0050]
在前向传播中加入该激活函数，作为输入和输出之间的映射函数，以增强网络的逼近能力。
[0051]
(3)设置损失函数为均方误差mse。
[0052]
具体的，均方误差的计算式为：
[0053][0054]
其中，mk为输出层的神经元数量，tm为标签向量，表示神经网络模型的输出值。
[0055]
(4)神经网络模型的优化算法采用随机梯度下降法，即沿梯度下降的方向求解极小值，模型中优化器为sgd(随机梯度下降法)优化器，设置学习率η为0.01。
[0056]
随机梯度下降法的计算式为：
[0057][0058]
其中，w为权重矩阵(即)，l为损失函数。
[0059]
权重矩阵的更新计算式为：
[0060][0061]
偏置向量的更新计算式为：
[0062][0063]
通过上述的相关参数设置，完成神经网络的构建。
[0064]
有功电流和无功电流的控制方式均采用“指定电流控制”。因此，电压穿越工况下的第一仿真数据集和电压穿越控制参数的整定值的关系通过电压穿越工况下运行状态的指定电流计算式表示。对于低电压穿越工况，计算式为低电压穿越工况下运行状态的指定电流计算式；对于高电压穿越工况，计算式为高电压穿越工况下运行状态的指定电流计算式。
[0065]
具体的，低电压穿越工况下运行状态的指定电流计算式包括：
[0066]
iq
lvrt
＝k
1_iq_lv
(0.9-v
t
) k
2_iq_lv
iq0 iq
set_lv
；
[0067]
ip
lvrt
＝k
1_ip_lvvt
k
2_iq_lv
ip0 ip
set_lv
。
[0068]
其中，iq
lvrt
为低电压穿越工况下运行状态的无功电流分量，iq0为初始无功电流分量。
[0069]
其中，ip
lvrt
为低电压穿越工况下运行状态的有功电流分量，ip0为初始有功电流分量。
[0070]
则上述两式可变形为：
[0071][0072][0073]
具体的，高电压穿越工况下运行状态的指定电流计算式包括：
[0074][0075]
其中，iq
hvrt
为高电压穿越工况下运行状态的无功电流分量，为进入高电压穿越的阈值，可根据经验设置。
[0076]
则上式可变形为：
[0077][0078]
步骤s103：将电压穿越工况下的第一仿真数据集输入神经网络模型，输出电压穿越工况下的电压穿越控制参数的整定值。
[0079]
具体的，拟合时，向神经网络模型中输入低电压穿越工况下得到的q0、v0(相当于iq0)，q
t
、v
t
(相当于iq
lvrt
)，输出k
1_iq_lv
、k
2_iq_lv
、iq
set_lv
。
[0080]
具体的，拟合时，向神经网络模型中输入低电压穿越工况下得到的p
t
、v0(相当于ip0)，q
t
、v
t
(相当于ip
lvrt
)，输出k
1_ip_lv
、k
2_ip_lv
、ip
set_lv
。
[0081]
拟合时，向神经网络模型中输入高电压穿越工况下得到的q0、v0(相当于iq0)，q
t
、v
t
(相当于iq
hvrt
)，输出k
1_iq_hv
、k
2_iq_hv
、iq
set_hv
。
[0082]
如图3所示，为一具体实施例中输出的整定值和实际值的对比示意图。
[0083]
步骤s104：在psasp中建立电压穿越工况下的双馈风机电压穿越机电模型。
[0084]
对于低电压穿越工况，建立低电压穿越工况下的双馈风机电压穿越机电模型。
[0085]
对于高电压穿越工况，建立高电压穿越工况下的双馈风机电压穿越机电模型。
[0086]
通过psasp建立双馈风机电压穿越机电模型是本领域技术人员的惯用技术手段，在此不再赘述。
[0087]
步骤s105：将电压穿越工况下的电压穿越控制参数的整定值输入电压穿越工况下的双馈风机电压穿越机电模型，输出电压穿越工况下的第二仿真数据。
[0088]
第二仿真数据包括：第二发电机机端电压、第二机端电流、第二有功功率和第二无功功率。
[0089]
对于低电压穿越工况，在低电压穿越工况下的每一电压变化条件下，将低电压穿越工况下的电压穿越控制参数的整定值、电压变化值，输入低电压穿越工况下的双馈风机电压穿越机电模型，输出低电压穿越工况下的每一电压变化对应的第二仿真数据。
[0090]
对于高电压穿越工况，在高电压穿越工况下的每一电压变化条件下，将高电压穿越工况下的电压穿越控制参数的整定值、电压变化值，输入高电压穿越工况下的双馈风机电压穿越机电模型，输出高电压穿越工况下的每一电压变化对应的第二仿真数据。
[0091]
步骤s106：采集双馈风机的电压穿越工况下的实测数据。
[0092]
实测数据包括：第三发电机机端电压、第三机端电流、第三有功功率和第三无功功率。
[0093]
对于低电压穿越工况，采集低电压穿越工况下的每一电压变化的实测数据。
[0094]
对于高电压穿越工况，采集高电压穿越工况下的每一电压变化的实测数据。
[0095]
步骤s107：根据电压穿越工况下的第二仿真数据和实测数据，计算得到电压穿越工况下的误差函数的值。
[0096]
具体的，对于电压穿越工况下的每一电压变化对应的第二仿真数据和实测数据，其误差函数的计算式为：
[0097][0098]
其中，vi为第三发电机机端电压，v
ti
为第二发电机机端电压，ii为第三发电机机端电流，i
ti
为第二发电机机端电流，pi为第三有功功率，p
ti
为第二有功功率，qi为第三无功功
率，q
ti
为第二无功功率。
[0099]
应当理解的是，在电压穿越工况下的每一电压变化的对应的第二仿真数据和实测数据，均可以是每隔预设时间获取一次，第二仿真数据和实测数据的数量相等，因此，各自获得n个数据，即n表示实测数据(第二仿真数据)的总数量。
[0100]
一般情况下，r越接近0表示误差越小，否则表示误差越大。
[0101]
步骤s108：根据电压穿越工况下的误差函数的值确定电压穿越工况下的电压穿越控制参数的整定值的有效性。
[0102]
具体的，该步骤包括如下两种情况：
[0103]
(1)若电压穿越工况下的至少一电压变化对应的误差函数的值大于预设阈值，则确定电压穿越工况下的电压穿越控制参数的整定值无效。
[0104]
(2)若电压穿越工况下的每一电压变化对应的误差函数的值均不大于预设阈值，则确定电压穿越工况下的电压穿越控制参数的整定值有效。
[0105]
预设阈值可根据经验选择，本发明实施例的预设阈值为5。
[0106]
以低电压穿越工况为例，例如，低电压穿越工况包括：电压跌落0.35、0.4、0.5、0.6、0.8v这五种电压变化的工况，至少一电压变化对应的误差函数的值大于预设阈值，则低电压穿越工况下的电压穿越控制参数的整定值无效；五种电压变化对应的误差函数的值均大于预设阈值，则低电压穿越工况下的电压穿越控制参数的整定值有效。
[0107]
如图4和5所示，分别为低电压穿越工况和高电压穿越工况下的第二仿真数据和实测数据的对比图，图示结果的重合度，证明了低电压穿越工况下和高电压穿越工况下所得的控制参数均具有可靠性。
[0108]
通过上述方法，得到了较准确的电压穿越控制参数的整定值，并可验证整定值的有效性，从而可使整定值应用于电网仿真，以便为相关维护等工作提供有效指导。
[0109]
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述实施例所述的双馈风机电压穿越控制参数整定值评估方法。
[0110]
本发明实施例还公开了一种双馈风机电压穿越控制参数整定值评估系统，包括：如上述实施例所述的计算机可读存储介质。
[0111]
综上，本发明实施例，基于实测数据，通过低、高电压穿越期间有功、无功电流指令计算式，采用无功优先的控制策略，在保证仿真精度的前提下，将神经网络算法模型应用于低、高电压穿越期间有功、无功电流指令计算模型公式的拟合中，计算出准确的电压穿越控制参数的整定值，提高了参数整定的精度，并对其有效性进行了评估，简化了实际设备电压穿越控制的复杂控制策略，具有较好的可操作性和通用性。
[0112]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。