基于深度神经网络的DFIG低电压穿越技术研究

余欣梅; 陈豪君; 王星华

doi:10.16516/j.gedi.issn2095-8676.2021.03.018

基于深度神经网络的DFIG低电压穿越技术研究

1.
中国能源建设集团广东省电力设计研究院有限公司，广州 510663
2.
广东工业大学自动化学院，广州 510006

基金项目:

国家自然科学基金项目“基于张量技术的多视图特征选择方法研究” 61903091

详细信息

作者简介:
余欣梅（通信作者）1978-，女，浙江衢州人，高级工程师、注册咨询师，工学博士，主要从事能源与电力规划咨询研究的工作（e-mail）yuxinmei@gedi.com.cn。

陈豪君1995-，男，广东佛山人，工学硕士，从事新能源接入及运行控制等研究（e-mail）2621344218@qq.com。

王星华1972-，男，江苏扬州人，副教授，工学硕士，从事电力系统高级应用软件开发，大数据分析、含分布式发电的配电网络规划优化研究（e-mail）1805211@qq.com。

中图分类号: TM7
计量
- 文章访问数: 783
- HTML全文浏览量: 209
- PDF下载量: 45
出版历程
- 收稿日期: 2021-07-25
- 修回日期: 2021-08-23
- 刊出日期: 2021-09-24

Research on Low Voltage Ride Through Technology of DFIG Based on Deep Neural NetworksEn

1.
China Energy Engineering Group Guangdong Electric Power Design Institute Co.， Ltd.， Guangzhou 510663， China
2.
School of Automation， Guangdong University of Technology， Guangzhou 510006， China

摘要

摘要:
目的双馈风机（DFIG）的低电压穿越（LVRT）性能在一定程度上依赖于控制参数的优化，而目前对控制参数的优化基本都是离线模式，原因在于优化算法难以满足实时控制对计算速度的要求。
方法基于深度神经网络（DNN）原理，提出基于“离线训练、在线计算”思路的低电压穿越实时优化控制方法。首先针对含DFIG电网在不同运行方式下发生的大量不同故障进行控制参数的离线优化并形成相应的LVRT优化控制策略，将不同的故障状态进行归类并形成成对的故障模式和参数表，从而构成深度神经网络的训练样本。
结果电网故障瞬间可以将输入参数直接通过训练好的DNN网络迅速实现控制方案和最优参数的优选。
结论基于PSCAD和Matlab的联合仿真结果论证了所提思想在优化效果和优化速度方面的优势，并说明了其实用性。
- 双馈风机 /
- 低电压穿越 /
- 深度神经网络
Abstract:
Introduction During the power grid fault， the low voltage ride through （LVRT） performance of the doubly-fed induction generator （DFIG） depends on the control parameters. At present， the optimization of control parameters is basically in the offline mode， which lies in the fact that it's hard for algorithm optimization to meet real-time control's requirement of the calculation speed.
Method Therefore， the real-time optimization control method of LVRT following“offline training， online computation” was presented based on the principles of deep neural networks （DNN）. Firstly， the appropriate LVRT strategy for optimization control was proposed for different fault severity levels. The parameters were clustered and optimized according to the respective objectives of each strategy， then the parameter list was formed.
Result At the moment of power grid fault， the input parameters can be directly input into the trained DNN networks to quickly realize the optimization of control scheme and optimal parameters.
Conclusion The joint simulation results based on PSCAD and MATLAB demonstrate the advantages of the proposed idea in optimization effect and optimization speed and the practicability is also illustrated.
- double-fed induction generator /
- low voltage ride through /
- deep neural networks
李辉
余欣梅,陈豪君,王星华.基于深度神经网络的DFIG低电压穿越技术研究[J].南方能源建设,2021,08(03):122-130.

HTML全文

图 1 联合模块示意图

Figure 1. Illustration of combined model

下载: 全尺寸图片幻灯片

图 2 转子侧变流器控制框图

Figure 2. Schematic diagram

下载: 全尺寸图片幻灯片

图 4 撬棒电路的拓扑结构

Figure 4. Topology of crowbar circuit

下载: 全尺寸图片幻灯片

图 7 DNN网络结构图

Figure 7. Structure of DNN

下载: 全尺寸图片幻灯片

图 8 仿真系统图

Figure 8. Diagram of simulation system

下载: 全尺寸图片幻灯片

表 1 PI控制器参数对比

Table 1 Comparison of PI parameters

参数项	$k_{p}$	$k_{I}$
初始控制参数值	0.9	0.3
优化后控制参数值	0.742	0.335

下载: 导出CSV

表 2 优化前后撬棒阻值对比

Table 2 Comparison of Crowbar crowbar resistance

参数项	参数值
固定Crowbar电阻整定值/Ω	2
优化后Crowbar电阻值/Ω	1.625
对应D1占空比	0.923

下载: 导出CSV

表 3 最优控制参数

Table 3 Optimal control parameters

参数	$k_{p}$	$k_{I}$	$R_{C B}$ /Ω
优化值	0.861	0.237	1.344

下载: 导出CSV

表 4 策略参数表

Table 4 Parameter table

序号	故障程度	LVRT策略	优化参数
0	轻度故障	改进控制	k_P=0.742； k_I=0.335
1	中度故障	联合控制	k_P=0.861； k_I=0.237； R_cb=1.344（Ω）
2	严重故障	撬棒保护	R_cb=1.625（Ω）

下载: 导出CSV

表 5 训练样本仿真参数设置

Table 5 Simulation parameters for training set

类型	参数取值	数量
故障位置/km	0，10，15，20，25，30，35，40，45，50	10
过渡电阻	0，5，10，15，20，25，30，35，40	9
故障程度	轻度（0），中度（1），严重（2）	3

下载: 导出CSV

表 6 测试样本仿真参数设置表

Table 6 Simulation parameters for testing set

类型	参数取值	数量
故障位置/km	5，12，18，24，32，38，49	7
过渡电阻	0，5，10，15，20，25，30，35，40	9
故障程度	轻度（0），中度（1），严重（2）	3

下载: 导出CSV

表 7 不同网络参数下DNN故障识别仿真结果

Table 7 Results of simulation

序号	网络结构（层数、神经元数量）	最大迭代次数	训练率	平均训练误差	测试准确率/%	训练时间/s
1	500－400－300－100	5 000	0.000 1	0.005 6	95	898
2	500－400－300	5 000	0.000 1	0.009 0	92.5	839
3	500－400－300－100	5 000	0.001	0.003 9	95	974
4	200－100－100－50	5 000	0.000 1	0.007 5	92.5	501
5	200－100－100－50	2 500	0.000 1	0.036 1	90	253

下载: 导出CSV

参考文献(18)

[1]	张学广，徐殿国，潘伟明，等. 基于电网电压定向的双馈风力发电机灭磁控制策略［J］. 电力系统自动化，2010，34（7）：95-99. ZHANGX G，XUD G，PANW M，et al. A flux damping control strategy of doubly-fed induction generator based on the grid voltage vector oriented ［J］. Automation of Electric Power Systems，2010，34（7）：95-99.
[2]	杨晨星，杨旭，童朝南. 双馈异步风力发电机低电压穿越的软撬棒控制［J］. 中国电机工程学报，2018，38（8）：2487-2495+2558. YANGC X，YANGX，TONGC N. An LVRT control strategy based on soft crowbar control for doubly fed induction wind power generations ［J］. Proceedings of the CSEE，2018，38（8）：2487-2495+2558.
[3]	朱晓东，石磊，陈宁，等. 考虑Crowbar阻值和退出时间的双馈风电机组低电压穿越［J］. 电力系统自动化，2010，34（18）：84-89. ZHUX D，SHIL，CHENN，et al. An analysis on low voltage ride through of wind turbine driven doubly fed induction generator with different resistances and quitting time of crowbar ［J］. Automation of Electric Power Systems，2010，34（18）：84-89.
[4]	郑涛，魏旭辉，李娟，等. PI控制参数对双馈风电机组短路电流特性的影响分析［J］. 电力自动化设备，2016，36（7）：15-21. ZHENGT，WEIX H，LIJ，et al. Influence of PI control parameters on short circuit current characteristics of DFIG ［J］. Electric Power Automation Equipment，2016，36（7）：15-21.
[5]	谷昱君，聂暘，王东，等. 基于改进免疫遗传算法的双馈风机控制系统PI参数优化［J］. 陕西电力，2016，44（11）：25-30. GUY J，NIEY，WANGD，et al. PI parameters optimization of DFIG control system based on improved immune genetic algorithm ［J］. Shanxi Electric Power，2016，44（11）：25-30.
[6]	黄琳妮. 基于群飞蛾扑火算法的风力发电系统PI控制参数优化整定［D］. 广州：华南理工大学，2018. HUANGL N. Optimization of PI control parameters of wind energy system based on swarm moths flame algorithm ［D］. Guangzhou：South China University of Technology，2018.
[7]	李达，薛卿，孔德健，等. 基于PSO-BP算法的高压输电线路故障分类［J］. 电气自动化，2018，40（6）：46-48. LID，XUEQ，KONGD J，et al. Fault classification of high voltage transmission line based on PSO-BP algorithm ［J］. Electrical Automation，2018，40（6）：46-48.
[8]	马浩淼，高勇，杨媛，等. 双馈风力发电低电压穿越撬棒阻值模糊优化［J］. 中国电机工程学报，2012，32（34）：17-23+4. MAH M，GAOY，YANGY，et al. Fuzzy optimization of crowbar resistances for low-voltage ride through of doubly-fed induction generators ［J］. Proceedings of the CSEE，2012，32（34）：17-23+4.
[9]	王国权. 双馈风力发电系统低电压穿越优化研究［D］. 郑州：华北水利水电大学，2017. WANGG Q. Study on optimization of low voltage ride through for doubly fed wind power generation system ［D］. Zhengzhou：North China University of Water Resources and Electric Power，2017.
[10]	贺益康，周鹏. 变速恒频双馈异步风力发电系统低电压穿越技术综述［J］. 电工技术学报，2009，24（9）：140-146. HEY K，ZHOUP. Overview of the low voltage ride-through technology for variable speed constant frequency doubly fed wind power generation systems ［J］. Transactions of China Electrotechnical Society，2009，24（9）：140-146.
[11]	陈豪君. 基于人工智能的双馈风机低电压穿越控制策略研究［D］. 广州：广东工业大学，2020. CHENH J. Research on control strategy for low-voltage ride through of double-fed fan based on artificial intelligence ［D］. Guangzhou：Guangdong University of Technology，2020.
[12]	MORRENJ，HAANS W H D. Short-circuit current of wind turbines with doubly fed induction generator ［J］. IEEE Transactions on Energy Conversion，2007，22（1）：174-180.
[13]	孔祥平，张哲，尹项根，等. 计及励磁调节特性影响的双馈风力发电机组故障电流特性［J］. 电工技术学报，2014，29（4）：256-265. KONGX P，ZHANGZ，YINX G，et al. Fault current characteristics of DFIG considering excitation and regulation characteristics ［J］. Transactions of China Electrotechnical Society， 2014，29（4）：256-265.
[14]	杨健维，麦瑞坤，何正友. PSCAD/EMTDC与Matlab接口研究［J］. 电力自动化设备，2007（11）：83-87. YANGJ W，MAI R K，HEZ Y. Interface between PSCAD/EMTDC and Matlab ［J］. Electric Power Automation Equipment，2007（11）：83-87.
[15]	卫志农，缪新民，王华伟，等. 基于PSCAD-MATLAB联合调用的高压直流控制系统参数优化［J］. 高电压技术，2014，40（8）：2449-2455. WEIZ N，MIAOX M，WANGH W，et al. Parameter optimization for HVDC control system based on PSCAD-MATLAB combined invocation ［J］. High Voltage Engineering， 2014，40（8）：2449-2455.
[16]	QIANY，FANY，HUW，et al. On the training aspects of deep neural network（DNN）for parametric TTS synthesis ［C］//IEEE.ICASSP 2014-2014 IEEE International Conference on Acoustics， Speech and Signal Processing（ICASSP）， Florence，Italy，May 4-9， 2014. Florence：IEEE，2014：3829-3833.
[17]	WUZ Z，SWIETOJANSKIP，VEAUXC，et al. A study of speaker adaptation for DNN-based speech synthesis ［C］//International Speech Communication Association. Proceedings of Interspeech 2015，Dresden，Germany，Sep.6-9，2015. Dresden：International Speech Communication Association，2015： 879-883.
[18]	余达. 基于深度学习的风力发电系统故障在线诊断研究［D］.广州：华南理工大学，2018. YUD. Online fault diagnosis of wind Power systems using deep learning Algorithms ［D］. Guangzhou：South China University of Technology，2018.

施引文献(5)

期刊类型引用(4)

1.	华文，董炜，陆翌，郑晨一. 考虑暂态功角稳定的风机短路电流与无功支撑关键参数优化方法. 可再生能源. 2025(02): 275-284 . 百度学术
2.	刘洪涛，马骞，黄河，黄兆棽，朱益华，李成翔. 考虑功角稳定的新能源电压穿越控制参数优化方法. 能源与环保. 2025(03): 219-226 . 百度学术
3.	张哲源，顾幸生. 基于分布式深度神经网络的双馈风机低压故障穿越研究. 华东理工大学学报(自然科学版). 2023(03): 401-409 . 百度学术
4.	赵康，张志轩，周宁，王亮，贺政华，陈俊超. 基于多层神经网络的直驱风机低穿控制参数辨识. 山东电力技术. 2022(04): 1-6 . 百度学术