-
低电压穿越技术是保障电网故障过程中风机和电网安全的重要手段。目前DFIG双馈风机的低电压控制基本分为改进控制策略和增设硬件电路两类：文献［1-2］采用带补偿项的矢量控制加速定子磁链暂态分量衰减实现低电压穿越，但受变流器容量限制，仅适用于轻度故障。文献［3］增设撬棒电阻并推导其整定方法，适用于严重故障，但在投入过程中双馈风机会大量吸收无功，不利于电网电压稳定。文献［4］理论分析了多种低电压穿越技术，讨论了DFIG控制系统的PI参数选择对DFIG机组LVRT效果的影响。
为取得更好的控制性能，有学者提出用遗传算法［5-6］、粒子群［7-8］等智能算法［9-10］对PI控制器参数进行优化。这类优化方法均为电网故障后根据当前故障情况进行参数优化，但普遍存在两个问题：（1）在实际情况下，故障的暂态过程比较快，故障后优化很可能会错过抑制暂态量的最好时刻；（2）在有限的时间内在线优化难以同时满足速度和准确度上的要求，严重制约了其在高实时性领域上的应用，实际意义不大。
针对以上不足，本文结合人工智能思想，提出将深度学习算法应用于双馈风机的LVRT的实时优化控制。首先通过PSCAD-MATLAB联合调用技术对风机故障过程进行大量仿真，并利用粒子群优化算法对相应的控制参数进行离线优化，并根据故障程度进行分类，从而形成不同故障程度的优化控制策略参数表。其次建立DNN故障程度识别模型，将仿真算例形成训练集，以故障信息作为训练样本的输入参数对故障程度进行分类训练。训练成功的网络即构成控制策略优选模块，只需输入所采集的故障信息即可实时选择并确定优化的LVRT控制策略和参数，从而解决了实际故障时控制的实时性问题。
HTML
-
故障点与DFIG并网点的距离直接影响并网点电压的跌落深度。根据电压跌落深度可将故障程度分成三种：轻度故障（跌落10%～30%）、中度故障（跌落30%～50%）和严重故障（跌落50%～80%）。不同的严重程度决定了机组应采取的LVRT策略、控制目标和优化参数，本文利用粒子群优化算法进行不同控制策略的选择和参数优化，并基于PSCAD-MATLAB联合仿真进行的电磁暂态和优化过程的仿真，联合仿真模块如图1所示。
Figure 1. Illustration of combined model
图1中，PSCAD中建立含DFIG的仿真网络进行故障仿真，Matlab中利用Multiple Run进行PSO寻优，两者通过文件进行优化参数和适应度数据的交互。仿真网络和参数参见文献［11］及本文2.2节。
-
如前文所述，不同故障程度须选择不同的LVRT策略及相应的优化控制参数。
-
如图2，转子侧变流器采用了控制外环为功率环，控制内环为电流环的双闭环控制系统，当要求电流内环具有较快的电流跟随性能时，可按典型I型系统设计，从而得到PI控制器参数的整定公式［12-13］：
(（1）) 式中：
Figure 2. Schematic diagram
故障后闭锁控制外环，只需考虑内环PI调节器的运行特性。由于d、q轴电流环结构相同，PI参数设置相同，通过式（1）计算和多次仿真调整后得到初始值。
故障点较远时，硬件设备不动作，转子侧采取改进的控制策略，在电流环给定值上添加定子磁链波动的补偿项，内环d、q的指令值变为［2］：
(（2）) 式中：
改进控制策略中，（1）优化参数为
(（3）) 通过PSCAD/EMTDC仿真DFIG低电压穿越电磁暂态过程［14-15］，t=8 s时，电网发生三相短路故障，8.2 s故障切除，再利用Matlab中的Multiple Run模块联合仿真粒子群优化过程，优化的种群规模30，迭代终止条件为最大迭代40次及适应度无变化。
在文献［11］中的仿真网络中设置故障参数进行仿真，在电压跌落20%以内时，优化前后转子电流内环PI参数如表1所示。
参数项 
初始控制参数值 0.9 0.3 优化后控制参数值 0.742 0.335 Table 1.
Comparison of PI parameters 比较传统控制、原始参数改进控制和优化参数改进控制三种方案的仿真结果，如图3所示。
Figure 3. Comparison of LVRT characteristics of 20% voltage sag
Figure 3. Comparison of LVRT characteristics of 20% voltage sag
Figure 3. Comparison of LVRT characteristics of 20% voltage sag
Figure 3. Comparison of LVRT characteristics of 20% voltage sag
对比图3发现，加入转子电流补偿量的改进控制可使暂态分量在半隔周波后快速衰减，机组暂态波动更快稳定。而在参数优化的改进控制中，转子电流峰值，定子磁链变化幅度均较未优化前更小，输出无功更多。
-
严重故障下，改进控制策略受DFIG变流器容量约束难以发挥作用，需根据故障情况投入不同的撬棒电阻实现低电压穿越。可变电阻撬棒电路拓扑结构如图4所示。
Figure 4. Topology of crowbar circuit
撬棒等效阻值的大小通过R1、R2的IGBT开关占空比控制，计算公式为：
(（4）) 式中：
根据文献［8］可得最严重故障下撬棒阻值为：
(（5）) 式中：
撬棒保护参数优化的对象为
(（6）) 式中：要求
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 Table 2.
Comparison of Crowbar crowbar resistance 严重故障下电压跌落70%，当故障电流大于0.8 kA时撬棒电路接入，固定撬棒电阻和可变电阻两种方案的仿真结果如图5所示。
Figure 5. Comparison of LVRT characteristics
Figure 5. Comparison of LVRT characteristics
Figure 5. Comparison of LVRT characteristics
Figure 5. Comparison of LVRT characteristics
对比分析可知，传统撬棒固定整定值较大，对转子过电流的抑制能力更好，但容易出现直流母线电压骤升的问题，如图5（b）中显示母线电压升至1 430 V，超出
两种方案的电磁转矩和无功消耗差异不大，但固定电阻方案波动大，对机组安全更为不利。
-
中度故障下，单独采用改进控制策略效果不明显，无法降低转子电流峰值；纯撬棒保护能有效抑制过电流和过电压，但撬棒电路投入越久，机组从电网中吸收的无功会更多。
利用撬棒保护和改进控制结合的控制策略，能够有效解决两种方案单独投入时存在的弊端：在转子侧过电流严重时投入撬棒电路，旁路转子侧变流器，当电流恢复到改进控制的可控范围内切出撬棒电路，采用变流器改进控制策略，直到故障结束。
本文通过设置电流门槛值来制定两者的切换规则，规则如下式所示：
(（7）) 式中：
同样，对电压跌落50%时的电流内环PI控制器和IGBT开关占空比进行优化，得到参数如表3所示。
参数 
优化值 0.861 0.237 1.344 Table 3.
Optimal control parameters 图6为在电压跌落50%的情况下三种方案的LVRT特性对比，其中联合控制的电流门槛值设为0.8 kA，切换规则按式（7）执行。
Figure 6. LVRT characteristics with 50% voltage sag
Figure 6. LVRT characteristics with 50% voltage sag
Figure 6. LVRT characteristics with 50% voltage sag
Figure 6. LVRT characteristics with 50% voltage sag
联合控制策略灵活运用两种方案，有效减少了撬棒电阻投入时间和次数，同时在抑制电流电压能力上与纯撬棒相近，因此适用中度的电压跌落情况。
根据上述优化结果形成参数表，用于DNN网络识别故障后匹配策略和参数，具体参数如表4所示。
序号 故障程度 LVRT策略 优化参数 0 轻度故障 改进控制 kP=0.742； kI=0.335 1 中度故障 联合控制 kP=0.861； kI=0.237； Rcb=1.344（Ω） 2 严重故障 撬棒保护 Rcb=1.625（Ω） Table 4.
Parameter table 每种故障程度都有对应的LVRT策略，当程度较轻时，只采取改进控制策略，参数给的是转子控制系统内环的PI值；而中度故障下，采用联合控制策略，则参数涉及PI值和撬棒阻值；严重故障下单独投入撬棒电路，因此只给出撬棒阻值。
1.1 PSCAD与MATLAB的联合调用
1.2 LVRT策略选择和优化过程
1）改进控制策略参数优化
2）撬棒保护参数优化
3）联合控制参数优化
-
DNN本质上是一个包含多个隐含层的前馈神经网络，是近年来发展迅速的深度学习网络的一种，具有很好的非线性映射关系和学习能力，适宜处理更大的函数集合［16-18］，结构如图7所示：
Figure 7. Structure of DNN
(（8）) 则第
(（9）) 式中：
在分类问题中，常用softmax分类方法，将多分类的输出值转化为相对概率，如式（10）所示：
(（10）) 式中：
输入通过softmax函数计算完后，再计算它们的交叉熵，表示的是目标实际输出概率与期望输出概率的差距，表达式为：
(（11）) 式中：
最后，由式（9）可求得整个网络输出为：
(（12）) 其中：最后一层隐含层神经元数量为
-
在PSCAD/EMTDC上建立双馈风机-无穷大系统，图8为仿真系统原理图。
Figure 8. Diagram of simulation system
模型参数：DFIG容量为2 MW；T1表示风机经0.69 kV/33 kV和35 kV/110 kV两个变压器并入无穷大电网；线路长度L取50 km；n为不同的故障点序号。
为方便研究，本文只考虑了三相短路故障的情况，仿真不同故障点和过渡电阻下DFIG的故障暂态过程，选取故障发生后一个周波的三相定、转子电流采样数据（每周波的采样点数为24），构成DNN的训练集和测试集，仿真参数如表5~表6所示。
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 Table 5.
Simulation parameters for training 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 Table 6.
Simulation parameters for testing set 表中，故障位置指故障点离风机并网点的距离，从0～50 km中选取了10个故障点，体现了故障点的远、中、近，与故障程度相对应；同理，考虑存在过渡电阻的情况，一共设置了9个阻值。故障程度根据电压跌落设置轻度、中度和严重故障三种，DNN的标签即为相应故障类型下的优化控制参数。
-
DNN的分类效果受网络参数的影响很大，仿真中中设置了不同的DNN网络结构、参数以及迭代次数，并利用测试集校验训练结果，如表7所示。
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 Table 7.
Results of simulation 由表7分析可知，DNN的隐含层层数、各层神经元个数、迭代次数等均会影响训练的精度、时间。参数序号1、2的对比表明，隐含层的层数越多，越能够有效识别特征来对事物进行区分，获得更好的分类效果；序号1、3的对比表明学习率过大，难以避免出现训练震荡的问题，使得达到相同测试准确率的时间更长；对比序号1、4，隐含层层数相同，迭代次数相同，神经元数量能够提升准确率，但是太高容易出现过拟合现象；序号4、5网络结构相同，迭代次数越多准确率越高。此外，测试过程中，所有训练好的模型在输入参数后0.2～0.4 ms的时间内，均能够获取相应的优化控制参数，能够满足实时控制的需要。
图9为序号1、2、3的训练图，其中括平均训练误差和测试准确率。
Figure 9. Graphic of training result
Figure 9. Graphic of training result
Figure 9. Graphic of training result
Figure 9. Graphic of training result
Figure 9. Graphic of training result
Figure 9. Graphic of training result
综合分析结果，在测试样本中故障位置、过渡电阻等参数均不同的情况下，DNN仍然能准确判断故障程度，这是因为DNN具有很强的泛化能力与学习能力，当样本数足够时，对网络的输入向量进行反复多重的训练可以实现更好的效果，使得该网络用于故障程度识别具有极高的准确率。
2.1 DNN结构与原理
2.2 训练样本集与测试样本集数据生成
2.3 仿真结果
-
由于无法提前预知电网故障，优化控制在实时性上无法满足LVRT的控制要求，本文提出将控制参数离线优化，提前考虑所有的故障情况，并制定成一个策略参数表。通过建立DNN网络来进行故障识别，在面对各种故障状态下均可直接从表中选取控制策略和参数。本文基于深度神经网络的低电压穿越方案在一定程度上克服了传统参数优化无法满足实时控制要求的问题，有效改善了DFIG机组的低电压穿越效果。
DownLoad:
