基于LSTM 多类型机组风电场等值建模研究

2020-05-21

山东农业大学学报（自然科学版） 2020年2期

河海大学能源与电气学院,江苏南京 211100

随着风电技术的不断发展，风电在电网中的比例越来越高。由于风电本身的随机性与不稳定性，需要重视其接入电力系统后的稳定性影响。当电网发生故障或扰动时，风机的端电压会瞬间跌落，严重时会造成风机脱网，导致系统频率跌落，使得电网的安全稳定运行风险增加。因此，世界各国电网运营商要求风电接入电网时必须具备低电压穿越(Low voltage ride through，LVRT)功能[1]，即风电场在故障没有严重到超越边界限制及耐受时间限制的情况下不能脱机。

为满足包含风电场电网的仿真分析的需求，需建立简化且准确的模型以表达风电场的动态特性。目前，国内风电场的动态等值建模中，大多采用风机的物理模型，而对通用模型的研究较少。由于通用模型忽略电磁暂态过程，且变流器控制环节中存在限幅环节，将对风电机组的动态特性产生主导影响。

目前常用的风功率预测方法有物理方法和统计方法两大类。物理方法常用于风电场建设初期，需要大量的历史数据作为支撑，模型能否准确描述风电场的地理环境及物理现象大大影响了预测精度[2]。统计方法也是近些年来的研究热点，BP 神经网络、人工神经网络（ANN）[3]、支持向量机（SVM）等算法通过非线性关系，将动态时间建模问题转化为静态空间建模研究，因此忽略了过去时间的输入对于预测的影响。然而风电机组的故障过程是动态的，与之前时刻的特性也有关。由此，长短期记忆网络（LSTM）在递归神经网络（RNN）基础上设计，避免了梯度消失和梯度爆炸问题[4,5]。其广泛应用启发了基于此算法进行风电场动态等值建模的想法。为此，本文建立了两种多类型机组的算例系统，运用SVM 算法与LSTM 方法，分别对实验数据进行训练学习，之后进行实验对比，以预测风电机组故障期间动态特性，实现对多类型混合风电场进行动态等值。

1 风电机组的通用模型结构及动态全过程分区

1.1 风电机组的通用模型结构

WECC 推出了4 类风电机组的通用模型结构，下面以国内主流的双馈风电机组和直驱永磁风电机组为例，给出各自模型结构[6]。双馈变速风电机组（Type 3）包括发电机/变流器（REGC_A）、转子侧控制（REEC_A）、驱动系统（WTGT_A）、空气动力学（WTGAR_A）、桨距角控制（WTGPT_A）、转矩控制（WTGTRQ_A）和场站级控制（REPC_A）7 个模块。直驱永磁风电机组（Type4）包括发电机/变流器（REGC_A）、转子侧控制（REEC_A）、驱动系统（WTGT_A）和场站级控制（REPC_A）4 个模块。

2 种类型的风电机组，其发电机/变流器模块、以及转子侧控制器模块都包含低电压工况下的控制环节，其中低压有功电流动态限幅环节、低压有功电流控制环节、动态电流限幅环节及低压无功电流控制环节，在低电压穿越期间降低有功功率且提升无功功率。

当电压低于Vdip 值或高于Vup 时，Voltage_dip=1，正常控制模式失效，风电机组由逻辑控制模块主导，此时有功功率动态特性与低压有功电流管理模块、低电压功率逻辑模块有关；其他情况时，Voltage_dip=0，风电机组以正常控制模式运行。

1.2 风电机组的动态全过程分区

根据我国行标（NB/T31053）和国外标准，风电机组的动态全过程一般分为故障前(A)、故障期间(B)以及故障后(C)三个时段。需要说明的是：由于风电机组在低电压穿越后的恢复策略不尽相同，因此时段C 的结束不以电压数据划分，而是以有功功率开始稳定输出后的1 s 为C 时段结束。

根据规程，各时段开始和结束规定如下：1）电压跌落前1 s 为A 时段开始；2）电压跌落至0.9 Un 时刻为A 时段结束，B 时段开始；3）故障清除的开始时刻为B 时段结束，C 时段开始；4）故障清除后，风电机组有功功率开始稳定输出后的1 s 为C 时段结束。

同一风电场内，即使对于不同类型的风电机组，其动态特性皆可划分为3 个分区，不同之处在于不同分区内的动态不尽相同，因此下面进一步分析影响风电机组全过程动态的主要影响因素。

1.3 风电机组动态特性的影响因素

1.3.1 风电机组的类型实际的风电场往往由多种不同类型的风电机组组成，而且它们的动态全过程往往不同。运行在恒转速区和最大风能追踪区下的不同风电机组，双馈风电机组和永磁直驱风电机组故障清除后的动态特性差别较大。

1.3.2 风电机组初始运行状态的影响由于风向、地形地貌以及尾流等效应的影响，同一风电场内各机组所受风速不同。不同初始运行状态下，1）稳态功率不同；2）故障期间的功率特性不同；3）故障恢复速度不同。

1.3.3 电压跌落深度的影响由于风电场内部集电网络的结构，在风电场出口PCC 点发生故障时，不同风机所实际接受的故障程度不同。距离PCC 点距离越远的风机，受故障影响程度越浅。因此会造成在同一故障下，风电场内部分风机经历低压穿越，而另一部分仍处于正常控制的运行模式。

1.3.4 变流器及控制器参数的影响PSASP 中的双馈异步风电机组和永磁直驱风电机组模型是在通用模型的基础上进行改动，虽然模型参数不同，但低电压穿越模块的逻辑关系仍保持一致。当出现电压跌落时，Zerox决定有功功率恢复的“起点”以及Brkpt决定从“起点”到Imax的速率，控制效果由端口电压VT在Zerox和Brkpt区间的位置所决定。同时转子侧模块中的参数rrpwr限制有功功率恢复的速率。当Zerox＜VT＜Brkpt时，垂直上升至Imax；当VT＞Brkpt时按rrpwr斜率上升；参数Ipzerox的大小决定了恢复的“高度”；斜率大小rrpwr影响故障切除后有功功率恢复斜率。

1.3.5 变流器参数的影响由于KVI 决定了故障切除后无功功率的恢复速率，而TC0 决定了故障期间，到达稳定故障值的速率，对故障切除后功率的恢复速率影响较小。

从上述分析可以看出，当风电机组在低电压穿越期间，其有功功率动态特性受到低电压穿越控制逻辑中各参数的影响，无功功率动态特性受到变流器参数中各参数的影响。由于限幅环节及放大倍数等参数的存在，使得基于灵敏度分析的参数辨识变得困难，因此本文提出通过LSTM 方法进行风电场的动态等值建模。

综上分析可知，风电场内部风机的初始输出功率、电压跌落程度以及不同类型风机构成比例的差异，会对风电场整体输出的动态特性产生影响。在后续风电场的动态等值研究中，需要考虑以上因素与模型构建的联系。

2 基于LSTM 的多类型机组风电场等值建模研究

从上述分析可以看出，风电场在经历故障时有功功率的输出特性受初始输出功率、电压跌落程度的影响较大。而初始输出功率又与风电场所受的风况有关。由此，本文提出基于风速、风向和故障电压跌落程度进行非机理建模的方法。

2.1 LSTM 原理及建模流程

LSTM 网络和RNN 的时间反馈原理基本一致，而核心在于其独特的记忆单元，包含遗忘门、输入门和输出门三个乘法门控制信息的传递。遗忘门用于删除部分历史信息；输入门对当前时刻的输入和上一时刻的输出进行筛选，并添加有用的信息；输出门决定了下一层神经元的输入和下一时刻神经元的输入。

鉴于LSTM 的记忆功能，当其与风电机组故障动态特性结合起来，即可实现风电场的动态等值建模。首先根据风电机组的动态过程分区选取输入数据的时间点，并使用LSTM 回归模型，最后输出对应时间点的值。方法如下：

2.1.1 数据归一化与反归一化由于输入变量风速、风向、风功率和电压跌落程度量纲不同，首先要对历史数据进行处理，将其控制在[0,1]区间内，以减少对预测精度的影响。风功率的归一化公式类似公式（1）。而风向的角度则通过正弦和余弦函数拆分进行归一化

其中vg为归一化后的风速，vt是用于历史风速，vmax是统计中的最大风速。

2.1.2 数据筛选风速的随机性和波动性与风电机组的输出功率直接相关，预测前需要对大量历史数据进行相关性分析，选取其中相关性最大的数据作为训练样本，并对此进行测试。

2.1.3 确定LSTM 模型参数根据LSTM 原理，模型中的输入层确定为3，将输入前1 个时刻的历史数据，即时间步数为1；隐藏层数目和维数暂定为1 和10；输出层维数为1。

2.1.4 计算误差使用平均相对误差（EMAE）、最大相对误差（EMRE）和均方根误差（ERMSE）作为预测输出的评价标准，计算公式如下：

其中，n为预测的数据个数，i为预测编号，A(i)为预测值，F(i)为实际值。

3 算例分析

3.1 算例设计

基于PSASP 平台，搭建包含双馈异步风电机组和永磁直驱风电机组的混合风电场的无穷大系统，风电场由4 行4 列共16 台额定容量均为1.5 MW 的风电机组组成。风电机组由机端变压器，由0.6 kV 升压至33 kV，由集电网络接入PCC 点，再由风电场出口变压器升至220 kV，接入单机无穷大系统。集电网络的标幺值为r+jx=0.01+j0.03。机组均采用恒电压控制方式。

为了检验LSTM 对风电场动态等值建模的有效性，本文采用SVM 算法与之对比，采用高斯径向量核函数（RBF）和Sigmoid 核函数，寻找风电故障过程动态特性与输入的非线性关系。