趙 康，張志軒，周 寧，王 亮，賀政華，陳俊超

（1.國(guó)網(wǎng)山東省電力公司電力科學(xué)研究院，山東 濟(jì)南 250003；2.國(guó)網(wǎng)山東省電力公司，山東 濟(jì)南 250001；3.山東大學(xué)電氣工程學(xué)院，山東 濟(jì)南 250061）

0 引言

隨著碳達(dá)峰、碳中和“3060 目標(biāo)”的提出和持續(xù)推進(jìn)，能源開發(fā)利用的低碳化、綠色化將成為必然。在眾多低碳能源的開發(fā)利用中，風(fēng)力發(fā)電是一種應(yīng)用較為廣泛、技術(shù)較為成熟的能源開發(fā)利用方式［1］。風(fēng)電機(jī)組裝機(jī)容量在電力系統(tǒng)中所占的比例越來(lái)越高，其運(yùn)行特性對(duì)電力系統(tǒng)安全穩(wěn)定運(yùn)行的影響也越來(lái)越大［2］。

為應(yīng)對(duì)風(fēng)電機(jī)組大量接入帶來(lái)的不利影響，世界各國(guó)都對(duì)風(fēng)電機(jī)組制定了嚴(yán)格的入網(wǎng)要求，其中低電壓穿越能力往往被認(rèn)為是其中最重要的一項(xiàng)［3-4］。針對(duì)風(fēng)電機(jī)組低電壓穿越能力的研究已經(jīng)得到了廣泛的開展并取得了可觀的研究成果。文獻(xiàn)［3-5］闡述了風(fēng)電機(jī)組低電壓穿越的原理和控制策略，并通過(guò)仿真表明風(fēng)電機(jī)組低電壓穿越能力對(duì)區(qū)域電網(wǎng)承受故障擾動(dòng)的能力影響很大。文獻(xiàn)［6-8］介紹了實(shí)現(xiàn)風(fēng)電機(jī)組低電壓穿越運(yùn)行的技術(shù)要點(diǎn)和關(guān)鍵問(wèn)題，并分析對(duì)比了現(xiàn)有的低電壓穿越技術(shù)方案。文獻(xiàn)［9］分析了發(fā)生低電壓穿越時(shí)風(fēng)電機(jī)組保護(hù)控制措施與系統(tǒng)動(dòng)態(tài)特性之間的聯(lián)系，探討了撬棒保護(hù)電阻取值和投切控制策略。文獻(xiàn)［10］分析了風(fēng)電機(jī)組低電壓穿越期間變流器直流電壓波動(dòng)的原因，提出了一種新型的有功和無(wú)功協(xié)調(diào)控制策略。文獻(xiàn)［11］針對(duì)電網(wǎng)對(duì)無(wú)功控制和低電壓穿越能力的技術(shù)要求，提出了一種改進(jìn)型功率變換控制方法。文獻(xiàn)［12］研究了電網(wǎng)故障下永磁直驅(qū)風(fēng)電機(jī)組的運(yùn)行特性以及提高其低電壓穿越運(yùn)行能力的原理，提出一種適用于采用雙脈寬調(diào)制變換器并網(wǎng)的永磁直驅(qū)風(fēng)電機(jī)組低電壓穿越運(yùn)行控制方案。通過(guò)以上文獻(xiàn)研究可知，低電壓穿越能力作為風(fēng)電機(jī)組本身的固有屬性，取決于風(fēng)電機(jī)組采取的低穿控制策略及其對(duì)應(yīng)的低穿控制參數(shù)。出于商業(yè)機(jī)密的原因，風(fēng)電機(jī)組廠家一般不會(huì)公開具體的低穿控制策略和參數(shù)。然而作為電網(wǎng)運(yùn)行方式工作人員，鑒于風(fēng)電機(jī)組低穿能力對(duì)電網(wǎng)安全穩(wěn)定運(yùn)行越來(lái)越大的影響，迫切需要對(duì)風(fēng)電機(jī)組的低穿控制策略和參數(shù)有較為精準(zhǔn)的把握。文獻(xiàn)［13］針對(duì)內(nèi)埋式永磁同步風(fēng)電機(jī)組，提出了一種基于遺傳算法的參數(shù)辨識(shí)方法，但該方法只能辨識(shí)風(fēng)電機(jī)組的穩(wěn)態(tài)運(yùn)行參數(shù)。因此，根據(jù)風(fēng)電場(chǎng)提供的風(fēng)電機(jī)組低穿試驗(yàn)曲線，辨識(shí)風(fēng)電機(jī)組采取的低穿控制策略和參數(shù)，對(duì)于電網(wǎng)運(yùn)行方式數(shù)字仿真和輔助決策，具有十分重要的現(xiàn)實(shí)意義。

在直驅(qū)風(fēng)電機(jī)組低電壓穿越一般控制模型的基礎(chǔ)上，提出一種基于多層神經(jīng)網(wǎng)絡(luò)的低電壓穿越控制參數(shù)辨識(shí)方法。首先，基于經(jīng)典的M-P 神經(jīng)元模型和Sigmoid 激活函數(shù)，結(jié)合直驅(qū)風(fēng)機(jī)低電壓穿越一般控制模型，構(gòu)建多層神經(jīng)網(wǎng)絡(luò)。然后，根據(jù)收集得到的實(shí)際風(fēng)電場(chǎng)直驅(qū)風(fēng)機(jī)低穿試驗(yàn)曲線和對(duì)應(yīng)的低穿控制參數(shù)，構(gòu)造多層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集，采用標(biāo)準(zhǔn)BP 算法訓(xùn)練得到所需多層神經(jīng)網(wǎng)絡(luò)模型。最后，通過(guò)對(duì)某型號(hào)直驅(qū)風(fēng)電機(jī)組的案例研究，驗(yàn)證所提多層神經(jīng)網(wǎng)絡(luò)低穿控制參數(shù)辨識(shí)方法的有效性。

1 直驅(qū)風(fēng)機(jī)低電壓穿越控制模型

不同型號(hào)直驅(qū)風(fēng)電機(jī)組的具體低穿控制策略及對(duì)應(yīng)的控制參數(shù)千差萬(wàn)別，但基本的低穿控制原理［14-15］是一致的。因此，可以采用統(tǒng)一的直驅(qū)風(fēng)機(jī)低電壓穿越控制模型來(lái)描述。采用統(tǒng)一的直驅(qū)風(fēng)機(jī)低穿控制模型，以不同的控制參數(shù)來(lái)表征不同型號(hào)直驅(qū)風(fēng)機(jī)的不同低穿性能，也為電網(wǎng)運(yùn)行方式的數(shù)字仿真提供了極大的便利。

直驅(qū)風(fēng)機(jī)發(fā)電系統(tǒng)的基本結(jié)構(gòu)如圖1 所示。在正常穩(wěn)態(tài)運(yùn)行情況下，機(jī)側(cè)換流器以最大功率點(diǎn)跟蹤的方式控制直驅(qū)風(fēng)機(jī)的有功功率，而網(wǎng)側(cè)換流器則控制與電網(wǎng)交換的無(wú)功功率。當(dāng)電網(wǎng)發(fā)生故障或擾動(dòng)引起機(jī)端電壓降低到設(shè)定值以下時(shí)，直驅(qū)風(fēng)機(jī)發(fā)電系統(tǒng)進(jìn)入低電壓穿越運(yùn)行狀態(tài)，將會(huì)調(diào)整有功和無(wú)功的出力水平，并保持并網(wǎng)運(yùn)行。直驅(qū)風(fēng)機(jī)的低電壓穿越能力必須滿足一定的標(biāo)準(zhǔn)要求，現(xiàn)行的并網(wǎng)標(biāo)準(zhǔn)如圖2 所示，當(dāng)機(jī)端電壓跌落水平在圖中曲線以上時(shí)，必須能夠維持并網(wǎng)運(yùn)行，并對(duì)電網(wǎng)提供一定的無(wú)功支撐。

圖1 直驅(qū)風(fēng)機(jī)發(fā)電系統(tǒng)基本結(jié)構(gòu)

圖2 直驅(qū)風(fēng)機(jī)低電壓穿越能力標(biāo)準(zhǔn)要求

直驅(qū)風(fēng)機(jī)發(fā)電系統(tǒng)的有功和無(wú)功控制是相互解耦的，且分別通過(guò)對(duì)機(jī)側(cè)換流器的有功電流控制分量和網(wǎng)側(cè)換流器的無(wú)功電流控制分量進(jìn)行控制，典型的直驅(qū)風(fēng)機(jī)穩(wěn)態(tài)有功和無(wú)功控制邏輯如圖3所示。

圖3 典型的直驅(qū)風(fēng)機(jī)有功和無(wú)功控制邏輯

參照?qǐng)D3 所示穩(wěn)態(tài)控制邏輯，直驅(qū)風(fēng)機(jī)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(jì)算系數(shù)；Vt為機(jī)端電壓；Ip0為低穿初始有功電流控制分量。

2）低穿期間的無(wú)功采用控制無(wú)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(wú)功電流計(jì)算系數(shù)；V0為低穿初始電壓；Iq0為低穿初始無(wú)功電流控制分量。

2 多層神經(jīng)網(wǎng)絡(luò)模型的建立與訓(xùn)練

神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)方面的應(yīng)用研究已經(jīng)取得了豐碩的成果［16-20］，通過(guò)對(duì)研究對(duì)象建立合適的神經(jīng)網(wǎng)絡(luò)模型，并以大量的樣本數(shù)據(jù)加以訓(xùn)練，便可以由原始數(shù)據(jù)準(zhǔn)確、快速地得到最終結(jié)果。

2.1 多層神經(jīng)網(wǎng)絡(luò)模型的建立

神經(jīng)網(wǎng)絡(luò)最基本的元素是神經(jīng)元模型，其可以將輸入值按照一定的規(guī)則映射為輸出值，其中M?P神經(jīng)元模型是最為經(jīng)典、也是應(yīng)用最為廣泛的一種。M?P 神經(jīng)元模型接受來(lái)自n個(gè)其他神經(jīng)元傳遞來(lái)的輸入信號(hào)，這些輸入信號(hào)按照各自的權(quán)重計(jì)算總輸入值并與神經(jīng)元的閾值比較，然后通過(guò)激活函數(shù)產(chǎn)生輸出信號(hào)，具體如式（3）和圖4所示。

圖4 M?P神經(jīng)元模型

M?P 神經(jīng)元模型的激活函數(shù)可以采用不同的形式，其中Sigmoid 函數(shù)因?yàn)榫哂辛己玫奈⒎中再|(zhì)，因而得到了廣泛的應(yīng)用。Sigmoid 函數(shù)的微分性質(zhì)如式（4）所示。

選用以Sigmoid 函數(shù)作激活函數(shù)的經(jīng)典M-P 神經(jīng)元模型作為多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。建立該神經(jīng)網(wǎng)絡(luò)的一般原則為：

1）輸入層的確定。風(fēng)電場(chǎng)低穿試驗(yàn)測(cè)試數(shù)據(jù)一般包括三相電壓曲線、三相電流曲線、有功曲線、無(wú)功曲線、有功電流曲線以及無(wú)功電流曲線?？紤]電網(wǎng)發(fā)生三相對(duì)稱故障引起直驅(qū)風(fēng)機(jī)進(jìn)入低穿運(yùn)行的情況，為實(shí)現(xiàn)參數(shù)辨識(shí)只需要A 相電壓曲線、有功電流曲線和無(wú)功電流曲線即可。將這三條曲線數(shù)據(jù)預(yù)處理并提取特征信息后即可作為多層神經(jīng)網(wǎng)絡(luò)的輸入。曲線特征信息包括A 相電壓、有功電流以及無(wú)功電流各自的低穿初始值和低穿穩(wěn)定值，因此多層神經(jīng)網(wǎng)絡(luò)的輸入層由6個(gè)神經(jīng)元組成。

2）隱含層（以下簡(jiǎn)稱隱層）的確定。根據(jù)直驅(qū)風(fēng)機(jī)低電壓穿越一般控制模型的數(shù)學(xué)公式，選用雙隱層前饋神經(jīng)網(wǎng)絡(luò)即可滿足參數(shù)辨識(shí)的需要。隱層中神經(jīng)元的個(gè)數(shù)一般按照經(jīng)驗(yàn)指定，并可在神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程中加以調(diào)整，因此在訓(xùn)練前可暫將兩個(gè)隱層的神經(jīng)元個(gè)數(shù)均取為8個(gè)。

3）輸出層的確定。神經(jīng)網(wǎng)絡(luò)的輸出，即參數(shù)辨識(shí)的結(jié)果，包括式（1）和式（2）中所列的6 個(gè)計(jì)算系數(shù)，因此多層神經(jīng)網(wǎng)絡(luò)的輸出層由6個(gè)神經(jīng)元組成。

按照以上原則建立的神經(jīng)網(wǎng)絡(luò)模型如圖5所示。

圖5 用于低穿參數(shù)辨識(shí)的雙隱層前饋神經(jīng)網(wǎng)絡(luò)

2.2 多層神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要指定學(xué)習(xí)算法和訓(xùn)練數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集可通過(guò)已經(jīng)收集到的直驅(qū)風(fēng)機(jī)低穿試驗(yàn)數(shù)據(jù)處理得到，學(xué)習(xí)算法采用標(biāo)準(zhǔn)BP 算法。標(biāo)準(zhǔn)BP 算法是迄今為止最為成功的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，實(shí)際應(yīng)用中的大部分神經(jīng)網(wǎng)絡(luò)都使用該算法進(jìn)行訓(xùn)練，其基本原理介紹如下。

假定第k個(gè)訓(xùn)練數(shù)據(jù)(xk，yk)，由神經(jīng)網(wǎng)絡(luò)計(jì)算得到對(duì)應(yīng)的輸出為，因此神經(jīng)網(wǎng)絡(luò)的均方誤差為

式中：l為神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的個(gè)數(shù)；和分別為第k個(gè)訓(xùn)練數(shù)據(jù)的輸入量xk對(duì)應(yīng)的第j個(gè)輸出的實(shí)際值和計(jì)算值；系數(shù)的引入是為了后續(xù)微分計(jì)算方便。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目的是得到最優(yōu)的神經(jīng)元連接權(quán)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(biāo)的負(fù)梯度方向?qū)ο鄳?yīng)的參數(shù)進(jìn)行調(diào)整。針對(duì)式（5）定義的均方誤差，以輸出層與最后隱層神經(jīng)元之間連接的權(quán)重調(diào)整量為例說(shuō)明如下。

式中：ωhj和Δωhj分別為最后隱層中第h個(gè)神經(jīng)元與輸出層第j個(gè)神經(jīng)元之間的權(quán)重和權(quán)重調(diào)整量；η為學(xué)習(xí)率，須人為指定，取值范圍為η∈(0，1)。

定義輸出層第j個(gè)神經(jīng)元的加權(quán)輸入值為

式中：q為最后隱層的神經(jīng)元總數(shù)；bh為最后隱層第h個(gè)神經(jīng)元的輸出。

根據(jù)微分計(jì)算的傳遞原則，并結(jié)合式（7），式（6）可進(jìn)一步推導(dǎo)為

由于采用Sigmoid 函數(shù)作為激活函數(shù)，考慮其微分特性，權(quán)重調(diào)整量Δωhj可最終推導(dǎo)為

類似地，可推導(dǎo)閾值調(diào)整量為

式中：θj和Δθj分別為輸出層第j個(gè)神經(jīng)元的閾值和閾值調(diào)整量。

通過(guò)以上方法可從輸出層向輸入層逐步反向推算出神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元的閾值調(diào)整量和神經(jīng)元之間連接的權(quán)重調(diào)整量，從而更新整個(gè)神經(jīng)網(wǎng)絡(luò)。不斷重復(fù)上述正向計(jì)算誤差和反向修正參數(shù)的過(guò)程，最終將使神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與訓(xùn)練數(shù)據(jù)之間的誤差減小到設(shè)定誤差標(biāo)準(zhǔn)之內(nèi)，此時(shí)即可認(rèn)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。通過(guò)標(biāo)準(zhǔn)BP 算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的具體過(guò)程如圖6所示，設(shè)定誤差標(biāo)準(zhǔn)為ε<0.01。

圖6 標(biāo)準(zhǔn)BP算法的訓(xùn)練過(guò)程

3 算例研究

以待并網(wǎng)的某型號(hào)直驅(qū)風(fēng)機(jī)為例檢驗(yàn)所提基于多層神經(jīng)網(wǎng)絡(luò)的低穿控制參數(shù)辨識(shí)方法。該型號(hào)直驅(qū)風(fēng)機(jī)半實(shí)物試驗(yàn)現(xiàn)場(chǎng)如圖7所示，其半實(shí)物試驗(yàn)低穿錄波數(shù)據(jù)將用作后續(xù)檢驗(yàn)參數(shù)辨識(shí)方法有效性的基準(zhǔn)。

圖7 某型號(hào)直驅(qū)風(fēng)機(jī)的半實(shí)物低穿試驗(yàn)現(xiàn)場(chǎng)

按圖5 所示神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，采用標(biāo)準(zhǔn)BP 算法進(jìn)行訓(xùn)練。由于訓(xùn)練數(shù)據(jù)集是通過(guò)收集到的某實(shí)際地區(qū)電網(wǎng)107 種不同型號(hào)直驅(qū)風(fēng)機(jī)低穿試驗(yàn)數(shù)據(jù)處理得到，樣本數(shù)量有限，因此需要反復(fù)多次訓(xùn)練，最終可以得到滿足訓(xùn)練數(shù)據(jù)整體誤差ε<0.01 的神經(jīng)網(wǎng)絡(luò)。用訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)處理某型號(hào)直驅(qū)風(fēng)機(jī)的低穿試驗(yàn)數(shù)據(jù)。由于低穿試驗(yàn)數(shù)據(jù)包括機(jī)端電壓分別跌落至20%、35%、50%和75%額定電壓時(shí)的4 組數(shù)據(jù)，應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行處理將得到4 個(gè)不同的參數(shù)辨識(shí)結(jié)果。分別將4 組參數(shù)代入式（1）和式（2）所示的低穿控制模型，進(jìn)行不同低穿工況下的數(shù)字仿真并計(jì)算仿真結(jié)果與半實(shí)物試驗(yàn)數(shù)據(jù)的誤差。選取誤差最小的一組，將其作為最終的參數(shù)辨識(shí)結(jié)果。

采用最終參數(shù)辨識(shí)結(jié)果后，某型號(hào)直驅(qū)風(fēng)機(jī)的有功和無(wú)功響應(yīng)特性仿真曲線與半實(shí)物試驗(yàn)曲線的對(duì)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(wú)功響應(yīng)特性對(duì)比

圖9 電壓跌落至35%額定電壓低穿有功和無(wú)功響應(yīng)特性對(duì)比

圖10 電壓跌落至50%額定電壓低穿有功和無(wú)功響應(yīng)特性對(duì)比

圖11 電壓跌落至75%額定電壓低穿有功和無(wú)功響應(yīng)特性對(duì)比

由圖8—圖11 可見，采用多層神經(jīng)網(wǎng)絡(luò)辨識(shí)所得低穿控制參數(shù)后，直驅(qū)風(fēng)機(jī)的低穿仿真曲線與半實(shí)物試驗(yàn)錄波曲線的吻合度較高，由此可充分驗(yàn)證所提出的基于多層神經(jīng)網(wǎng)絡(luò)的直驅(qū)風(fēng)機(jī)低穿控制參數(shù)辨識(shí)方法的有效性。

4 結(jié)語(yǔ)

直驅(qū)風(fēng)機(jī)在新并網(wǎng)風(fēng)機(jī)中的比例越來(lái)越高，其低穿特性對(duì)電網(wǎng)運(yùn)行的影響也越來(lái)越大。在直驅(qū)風(fēng)機(jī)低穿一般控制模型的基礎(chǔ)上，提出了一種應(yīng)用多層神經(jīng)網(wǎng)絡(luò)辨識(shí)直驅(qū)風(fēng)機(jī)低穿控制參數(shù)的方法。應(yīng)用該方法對(duì)某型號(hào)直驅(qū)風(fēng)機(jī)進(jìn)行了案例分析和對(duì)比研究，驗(yàn)證了所提方法的有效性。

由于本文中神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)可用樣本較少，導(dǎo)致最終神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程較為漫長(zhǎng)，效率不高。因此，進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，快速得到可用的神經(jīng)網(wǎng)絡(luò)模型，將是下一步探索的方向。