本發(fā)明屬于風力發(fā)電技術(shù)領(lǐng)域，尤其涉及一種基于轉(zhuǎn)子電流動態(tài)特性的雙饋風電場機群聚合方法及系統(tǒng)。

背景技術(shù)：

隨著風電裝機規(guī)模的超常規(guī)增長，大規(guī)模風電接入后對電力系統(tǒng)的影響越來越不可忽視。在風電發(fā)展的早期，電力系統(tǒng)短路電流計算時并不考慮風電機組對系統(tǒng)短路電流的貢獻。但是隨著風電裝機規(guī)模的增加，上述做法已經(jīng)不滿足計算分析的要求，風電對短路電流的貢獻不容忽視。

風電場短路電流直接計算比較困難，目前的主要思路是根據(jù)單臺風電機組的短路電流特性推導整個風電場短路電流的變化規(guī)律。有研究根據(jù)已推導的DFIG定子短路電流表達式求取發(fā)電機支路的短路電流周期分量的運算曲線，采用傳統(tǒng)的運算曲線法計算系統(tǒng)支路短路電流周期分量的幅值，進而可得短路點短路電流周期分量的幅值。但是上述方法在計算風電機組短路容量時用風電機組的次暫態(tài)電抗進行計算，準確性不足。

目前對于雙饋風電場的動態(tài)等值建模，目前主要集中在機群劃分和參數(shù)等值的研究。機群劃分是指通過合適的機群劃分指標和算法，將具有相同或相近運行點的機組歸為同一機群。如以DFIG機組槳距角動作情況作為機群劃分的依據(jù)，利用SVM分類器算法，將能夠反映槳距角動作的風速、有功功率和極端電壓作為輸入，實現(xiàn)DFIG風電場的機群劃分。也可以將故障前瞬間風機轉(zhuǎn)子轉(zhuǎn)速作為DFIG風機分群指標，或?qū)⒎从矰FIG機組狀態(tài)的滑差、槳距角、電磁及機械轉(zhuǎn)矩、以及定轉(zhuǎn)子電流電壓等13個狀態(tài)變量構(gòu)成狀態(tài)矩陣，在此基礎(chǔ)上，通過K-means聚類算法對風電場進行機群劃分。王振樹等(王振樹,劉巖,雷鳴,卞紹潤,石云鵬.基于Crowbar的雙饋機組風電場等值模型與并網(wǎng)仿真分析[J].電工技術(shù)學報,2015,30(04),44-51.)根據(jù)DFIG轉(zhuǎn)子電流判別是否投入Crowbar，將DFIG風電場分為投入與不投入兩組。這就需要針對每次故障分別計算每臺風機的轉(zhuǎn)子電流峰值。也可以根據(jù)DFIG機組功率特性曲線來求取等效風速，并將輸入風速在機組功率特性曲線同一份段區(qū)間的DFIG機組分群?？傮w上看，目前風電場的動態(tài)等值建模研究主要關(guān)注風電場總體有功、無功出力的動態(tài)等值，忽略了故障期間風電場短路電流的動態(tài)特性。

實際上風電場的動態(tài)特性受到風電機組的低電壓穿越控制特性、風機出力的波動性以及PCC點電壓跌落程度等諸多因素的影響，這些因素的發(fā)生和影響具有一定的隨機性和模糊性，因此綜合考慮風電場動態(tài)等值過程中的隨機性和模糊性，準確描述這些因素及其相互作用以形成合理聚類是建立風電場動態(tài)等值模型的關(guān)鍵。針對此問題，周明等(周明，葛江北，李庚銀.基于云模型的DFIG型風電場動態(tài)電壓等值方法[J].中國電機過程學報2015,35(5),1097-1105.)采用了云模型的方法，但是只是針對風電機組的連鎖脫網(wǎng)動態(tài)過程，基于風機端電壓，并未考慮風機的Crowbar動作特性對于風電場出口電氣量的暫態(tài)特性的影響，特別是暫態(tài)短路電流。

技術(shù)實現(xiàn)要素：

為了解決上述問題，本發(fā)明提出了一種基于轉(zhuǎn)子電流動態(tài)特性的雙饋風電場機群聚合方法，包括：

步驟1：建立雙饋風電場模型，通過隨機風速和隨機電壓跌落程度的兩者隨機組合獲取不同風況和故障情況下每臺風機的轉(zhuǎn)子電流峰值來作為云滴樣本數(shù)據(jù)；

步驟2：根據(jù)獲取的云滴樣本數(shù)據(jù)利用逆向云發(fā)生器，求取每臺風機的轉(zhuǎn)子電流峰值云模型3個數(shù)字特征：期望、熵、超熵；

步驟3：將求取的每臺風機的3個數(shù)字特征作為風電場分群指標，利用聚類算法對大型風電場分群聚合。

所述隨機風速通過考慮尾流效應(yīng)的風速模型計算：式中，R為風機葉輪半徑，k為尾流衰減系數(shù)，V_w(x)為距上風機x處的尾流風速，V₀為輸入風速，C為推力系數(shù)。

所述逆向云發(fā)生器在估計期望和熵時，利用全部樣本信息進行估計；在估計超熵時，如果超熵估計值為虛數(shù)，則逐步刪除離期望最近的云滴樣本，從新計算超熵，直到超熵為正實數(shù)，從而將人為可能產(chǎn)生的誤差降低到最小程度。

一種基于轉(zhuǎn)子電流動態(tài)特性的雙饋風電場機群聚合系統(tǒng)，包括依次相連的：雙饋風電場建模模塊1、逆向云發(fā)生器模塊2、風電場分群聚合模塊3；

雙饋風電場建模模塊1用于建立雙饋風電場模型，通過隨機風速和隨機電壓跌落程度的兩者隨機組合獲取不同風況和故障情況下每臺風機的轉(zhuǎn)子電流峰值來作為云滴樣本數(shù)據(jù)；

逆向云發(fā)生器模塊2根據(jù)雙饋風電場建模模塊1獲取的云滴樣本數(shù)據(jù)求取每臺風機的轉(zhuǎn)子電流峰值云模型3個數(shù)字特征：期望、熵、超熵；

風電場分群聚合模塊3將逆向云發(fā)生器模塊2求取的每臺風機的3個數(shù)字特征作為風電場分群指標，利用聚類算法對大型風電場分群聚合。

本發(fā)明的有益效果在于：

本發(fā)明提出一種基于轉(zhuǎn)子電流動態(tài)特性的風電場動態(tài)聚合方法及系統(tǒng)，描述風電機組運行狀態(tài)的隨機性和分群結(jié)果的模糊性。在隨機風速和電壓跌落的情況下，選擇轉(zhuǎn)子電流峰值作為云滴樣本，通過改進的逆向云發(fā)生器求取的各云滴的期望、熵、超熵，這三個數(shù)字特征共同體現(xiàn)了隨機風速和電壓跌落情況下對于轉(zhuǎn)子電流峰值的影響，也間接反應(yīng)了在上述隨機情況下表Crowbar的動作情況。本發(fā)明風電場聚合方法能夠較準確地反映隨機風速和隨機電壓跌落程度下的風電場的暫態(tài)故障特性，為風電場的短路電流計算和繼電保護整定提供模型支持。

附圖說明

圖1為雙饋風電場機組結(jié)構(gòu)及其轉(zhuǎn)子側(cè)撬棒保護電路圖；

圖2為轉(zhuǎn)子側(cè)變頻器不退出運行時的轉(zhuǎn)子回路等效圖；

圖3為故障后立即投入撬棒保護的雙饋感應(yīng)電機等效電路圖；

圖4為用云模型刻畫“年輕”的概念圖；

圖5為逆向云發(fā)生器示意圖；

圖6為基于轉(zhuǎn)子電流云模型的雙饋風電場分群指標計算流程；

圖7為雙饋風電場模型示意圖；

圖8a～8d分別為雙饋風電場詳細模型與等值模型的PCC電壓、有功功率、無功功率、電流波形圖對比圖；

圖9為基于轉(zhuǎn)子電流動態(tài)特性的雙饋風電場機群聚合系統(tǒng)結(jié)構(gòu)圖。

具體實施方式

下面結(jié)合附圖，詳細說明實施方案。

本發(fā)明提供了一種基于轉(zhuǎn)子電流動態(tài)特性的雙饋風電場機群聚合方法及系統(tǒng)，綜合考慮了雙饋風電場中風機低電壓穿越特性、風機出力和PCC電壓跌落程度等因素的影響。所述聚合方法的分析過程如下：

根據(jù)圖1所示的雙饋風電場機組結(jié)構(gòu)及其轉(zhuǎn)子側(cè)撬棒保護電路示意圖。雙饋異步發(fā)電機定子直接與電網(wǎng)相連，轉(zhuǎn)子通過背靠背三相PWM變換器實現(xiàn)交流勵磁。由于定子側(cè)直接與電網(wǎng)相連，使得風電機組對電網(wǎng)故障非常敏感。

當電網(wǎng)發(fā)生三相短路，若機端電壓跌落輕微，此時轉(zhuǎn)子側(cè)過電流小于撬棒保護電流的動作閥值，無法投入撬棒保護電流，而轉(zhuǎn)子側(cè)仍然連接有變頻器。此時轉(zhuǎn)子側(cè)變頻器的PI控制器可調(diào)節(jié)轉(zhuǎn)子側(cè)勵磁電壓，從而影響故障過程中的定子電流。轉(zhuǎn)子側(cè)變頻器不退出運行時的轉(zhuǎn)子回路等效圖如圖2所示，對應(yīng)的轉(zhuǎn)子側(cè)電壓方程和PWM控制方程如下。

當機端電壓跌落比較嚴重時，由于受到變流器容量的限制，單靠控制策略的調(diào)控已經(jīng)不能到達限制轉(zhuǎn)子電流和直流母線電壓的目的，此時很大的轉(zhuǎn)子電流立即激活Crowbar保護裝置，使轉(zhuǎn)子電流迅速衰減達到實現(xiàn)低電壓穿越的目的。投入Crowbar保護的同時閉鎖轉(zhuǎn)子側(cè)變流器，網(wǎng)側(cè)變流器依然保持對于直流母線電壓的控制并發(fā)出無功功率支持電網(wǎng)電壓恢復。在Crowbar裝置動作期間，DFIG以并網(wǎng)籠型異步發(fā)電機形式運行。故障后立即投入撬棒保護的雙饋感應(yīng)電機等效電路如圖3所示。

因此在電網(wǎng)故障情況下，雙饋風電機組Crowbar動作情況嚴重影響風電機組出口功率和故障電流。此外風機的Crowbar動作與否還與風機故障時刻的輸入風速和機端電壓的跌落程度有關(guān)。對于大型的雙饋風電場由大量風電機組構(gòu)成，在空間上占據(jù)了巨大面積，風電由于具有隨機性、波動性和間歇性的特點，已有的風電場分群方法受到風機機端電壓跌落程度、Crowbar動作情況和隨機風速的影響。

云模型在統(tǒng)計數(shù)學和模糊數(shù)學的基礎(chǔ)上，統(tǒng)一刻畫了不確定性語言值和精確值之間的隨機性和模糊性。它主要由隨機性、模糊性和未確知行等多種要素的影響。它以概率理論中的正態(tài)分布和模糊集中的高斯隸屬函數(shù)為基礎(chǔ)，構(gòu)造特定的算法，來實現(xiàn)定性定量的不確定轉(zhuǎn)換。圖4為用云模型刻畫“年輕”的概念，橫坐標表示人的年齡，縱坐標表示每個年齡對“年輕”這個概念的隸屬度。

云模型的構(gòu)建主要通過逆向云發(fā)生器和正向云發(fā)生器實現(xiàn)。其中，逆向云發(fā)生器用于求取一定數(shù)量的數(shù)據(jù)樣本(云滴)分布特征，并將其轉(zhuǎn)換為以數(shù)字特征表示的定性概念，如圖5所示

考慮到雙饋風電機組的暫態(tài)故障特性受到Crowbar動作的影響，在故障情況下，當轉(zhuǎn)子電流峰值大于Crowbar動作設(shè)定值之后，Crowbar才會投入。因此選取能反應(yīng)轉(zhuǎn)子電流動態(tài)特性之一的轉(zhuǎn)子電流峰值作為云模型的云滴樣本，通過逆向云發(fā)生器求取各云滴的3個數(shù)字特征值，得到的各風機的云模型存在固有差異性，反映了這些影響因素共同作用的效果。轉(zhuǎn)子電流的幅值動態(tài)特性相近的風機得到的云模型數(shù)字特征也相對更為接近，因此可以用得到的云模型的數(shù)字特征作為風電機組的聚類指標。

如圖6所示，基于轉(zhuǎn)子電流云模型的雙饋風電場分群指標計算流程包括以下步驟：

步驟101：考慮隨機風速和隨機PCC電壓跌落程度，獲取每臺風機轉(zhuǎn)子電流峰值的云滴數(shù)據(jù)樣本；

在DIgSILENT仿真軟件中搭建45MW的雙饋風電場模型，風場包含三條干線，風機臺數(shù)依次分別為8、12、10。每臺風機1.5MW，經(jīng)0.69/20kV的箱變升壓，經(jīng)不同長度的電纜線路匯集到20kV的PCC母線，如圖7所示。

考慮尾流效應(yīng)的Jensen風速模型：

式中：R為風機葉輪半徑，在此取值為40m；k為尾流衰減系數(shù)，典取值為0.075；V_w(x)為距上風機x處的尾流風速；V₀為輸入風速；C為推力系數(shù)，一般取0.8。

針對已經(jīng)建好的雙饋風電場模型，對應(yīng)每一個隨機的輸出風速V₀，利用尾流效應(yīng)的Jensen風速模型求取每臺風機的對應(yīng)輸入風速。在隨機故障的情況下，通過隨機風速和隨機電壓跌落程度的隨機組合，取不同風況和故障情況下各風機的轉(zhuǎn)子電流峰值I_rot為一個云滴樣本數(shù)據(jù)。

步驟102：根據(jù)獲取的每臺風電機組的轉(zhuǎn)子電流云滴樣本，利用逆向云發(fā)生器，求取每臺風機的轉(zhuǎn)子電流峰值云模型3個數(shù)字特征(Ex，En，He)；

在云模型理論中，通過用云的數(shù)字特征用期望Ex、熵En和超熵He來表征，反映定性概念整體上的定量特征。

(1)期望：概念在論域空間的中心值，最能代表定性概念的點。

(2)熵：熵反映定性概念的不確定性，這種不確定性表現(xiàn)在三個方面。熵反映了在數(shù)域空間可以被定性概念接受的云滴群的范圍大小，即模糊度，是定性概念模糊性的度量。En越大，定性概念所接受的云滴的取值范圍越大，定性概念就越模糊。熵反映了這個定性概念的云滴的離散程度，表示代表定性概念的云滴出現(xiàn)的隨機性。熵還揭示了模糊性與隨機性的關(guān)聯(lián)性。熵越大，概念越宏觀，模糊性和隨機性也越大，確定性量化越難。

(3)超熵：是對熵的不確定性的度量，是熵的熵，反映在論域空間代表該語言值的所有點的不確定的凝聚性，它的大小間接反映了云的厚度。所有的云滴都在期望曲線附近做隨機的波動，而波動程度的大小由He控制。

根據(jù)逆向云發(fā)生器算法計算數(shù)字特征的主要步驟如下：

(1)計算每臺風機轉(zhuǎn)子電流數(shù)據(jù)的樣本均值樣本方差(二階中心距)樣本四階中心距

(2)計算樣本的云模型數(shù)字特征：期望熵超熵

在計算超熵He過程中，計算得到超熵值為虛數(shù)，則意味著本次計算失效，需要獲得更多的云滴樣本進行更精確的參數(shù)估計。如果進一步的數(shù)據(jù)無法獲得，則超熵無從計算。超熵He是描述定性概念不可或缺的數(shù)字特征，對表達概念的定量數(shù)據(jù)的范圍和分布情況有著重要影響。因此，對逆向云算法進行改進，提出更合理，更精確的逆向云算法。

新的逆向云算法：盡可能的利用樣本點的信息，減少估計誤差，同時保證超熵估計值為正實數(shù)。因此，在估計Ex和En時，利用全部樣本信息；在估計超熵He時，如果超熵估計值He為虛數(shù)，則逐步刪除離期望Ex最近的云滴樣本，從新計算He，直到He為正實數(shù)。這樣可將人為可能產(chǎn)生的誤差降低到最小程度。

步驟3：將每臺風電機組的3個數(shù)字特征作為風電場分群指標，利用聚類算法對大型風電場分群聚合。

得到各風機對應(yīng)的云模型數(shù)字特征后，以云模型3的個特征量作為分群指標，應(yīng)用k-means聚類算法進行風電機組的聚類分析。K-Means聚類算法主要分為三個步驟：

(1)第一步是為待聚類的點尋找聚類中心

(2)第二步是計算每個點到聚類中心的距離，將每個點聚類到離該點最近的聚類中去

(3)第三步是計算每個聚類中所有點的坐標平均值，并將這個平均值作為新的聚類中心

反復執(zhí)行(2)、(3)，直到聚類中心不再進行大范圍移動或者聚類次數(shù)達到要求為止。

實施例

在附圖7所示的風電場模型中，1.5MW風機的參數(shù)為:Pe＝1.5MW,Ue＝690kV,Rs/p.u.＝0.01,Xs/p.u.＝0.1,Rr/p.u.＝0.01,Xr/p.u.＝0.1,Xm/p.u.＝3.5；H＝4.02s,D＝1.5s,K＝80.27。其中Rs、Xs、Rr、Xr、Xm分別為發(fā)電機的定子電阻、定子電抗、轉(zhuǎn)子電阻、轉(zhuǎn)子電抗、勵磁電抗參數(shù)。H、D、K分別為風機的慣性時間常數(shù)、軸系阻尼系數(shù)和軸系剛度系數(shù)。

風機低電壓穿越能力采用仿真軟件DIgSILENT的默認設(shè)置。其中Crowbar設(shè)置：轉(zhuǎn)子電流大于2pu，Crowbar投入；轉(zhuǎn)子電流小于2pu，Crowbar切除。

在隨機輸入風速和隨機PCC電壓跌落程度的情況下，獲取不同情況下風機的轉(zhuǎn)子電流峰值為一次隨機實現(xiàn)，即為一個云滴樣本，通過隨機模擬產(chǎn)生大量的云滴樣本，然后用逆向云發(fā)生器即可得到反映該風機轉(zhuǎn)子電流峰值動態(tài)過程的云模型數(shù)字特征。

得到各風機對應(yīng)的云模型數(shù)字特征后，以云模型3的個特征量作為分群指標，應(yīng)用k-means聚類算法進行風電機組的聚類分析。

表1雙饋風電場分群結(jié)果

根據(jù)確定的DFIG分組，分別按照容量加權(quán)的方法進行等值，對發(fā)電機的功率(容量)、定轉(zhuǎn)子阻抗參數(shù)、風機的機械參數(shù)、控制系統(tǒng)PI參數(shù)進行等值計算求等值風機的參數(shù)，建立DFIG的風電場多機等值模型。

仿真：t＝1s時PCC外輸電線路發(fā)生三相故障，1.5s時故障切出，對比詳細模型與仿真模型PCC輸出功率、電壓、電流波形。PCC輸出功率、電壓、電流波形如附圖8所示。由此可見，等值模型相對于詳細模型的誤差較小，具有良好的暫態(tài)等值精度。

因此，若采用基于轉(zhuǎn)子電流動態(tài)特性的雙饋風電場機群聚合方法，能夠較綜合考慮風電場動態(tài)等值過程中的隨機性和模糊性，準確地反映隨機風速和隨機電壓跌落程度下的風電場的暫態(tài)故障特性，為風電場的短路電流計算提供模型支持。

圖9為本發(fā)明的所述系統(tǒng)結(jié)構(gòu)圖，包括依次相連的：雙饋風電場建模模塊1、逆向云發(fā)生器模塊2、風電場分群聚合模塊3；

雙饋風電場建模模塊1用于建立雙饋風電場模型，通過隨機風速和隨機電壓跌落程度的兩者隨機組合獲取不同風況和故障情況下每臺風機的轉(zhuǎn)子電流峰值來作為云滴樣本數(shù)據(jù)；

逆向云發(fā)生器模塊2根據(jù)雙饋風電場建模模塊1獲取的云滴樣本數(shù)據(jù)求取每臺風機的轉(zhuǎn)子電流峰值云模型3個數(shù)字特征：期望、熵、超熵；

風電場分群聚合模塊3將逆向云發(fā)生器模塊2求取的每臺風機的3個數(shù)字特征作為風電場分群指標，利用聚類算法對大型風電場分群聚合。

此實施例僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)該以權(quán)利要求的保護范圍為準。