李文慧，劉志剛，崔 艷（西南交通大學電氣工程學院，成都 610031）

雙饋感應風力發(fā)電機并網(wǎng)的復合電能質(zhì)量檢測方法

李文慧，劉志剛，崔 艷
（西南交通大學電氣工程學院，成都 610031）

摘要：風電并網(wǎng)引起的電能質(zhì)量擾動信號多為復合的暫態(tài)振蕩信號，針對傳統(tǒng)的檢測算法存在模態(tài)混疊、易受干擾、通用性差等缺點，提出采用聚類經(jīng)驗模態(tài)分解EEMD與基于Morlet復小波的譜峭度相結(jié)合的算法實現(xiàn)該類擾動檢測。為采集風電并網(wǎng)引起的相關(guān)電能質(zhì)量擾動信號，在實時數(shù)字仿真RTDS平臺搭建了200臺雙饋感應風力發(fā)電機DFIG的風電場并網(wǎng)模型。仿真結(jié)果表明，該算法能有效實現(xiàn)對風電并網(wǎng)引起的電能質(zhì)量復合擾動信號的檢測。

關(guān)鍵詞：風電并網(wǎng)；電能質(zhì)量；復合擾動；EEMD；Morlet復小波；譜峭度；實時數(shù)字仿真

近年來，風能作為一種清潔環(huán)保的新能源被廣泛應用，然而由于風具有波動性、隨機性等特點，使得大規(guī)模風電并網(wǎng)對電力系統(tǒng)電能質(zhì)量產(chǎn)生影響［1-2］。雙饋感應風力發(fā)電機DFIG（doubly-fed in?duction generator）采用變槳距控制，比定槳距失速型風機具有更高的風能利用率，且在變速運行時可以發(fā)出頻率恒定的電能，逐步成為兆瓦級風電機組的主流機型［3-4］，因此，研究DFIG并網(wǎng)對電能質(zhì)量的影響具有重要現(xiàn)實意義。

迄今為止，國內(nèi)外已有大量電能質(zhì)量分析算法：文獻［5］利用小波包和Tsallis奇異熵檢測暫態(tài)電能質(zhì)量擾動；文獻［6］在局部均值分解LMD（local mean decomposition）的基礎(chǔ)上提出一種改進的LMD電能質(zhì)量擾動檢測方法；文獻［7］運用基于巴特沃斯分布BWD（Butterworth distribution），譜峭度結(jié)合支持向量機實現(xiàn)暫態(tài)電能質(zhì)量擾動識別；文獻［8］用改進的Hilbert-Huang變換進行電能質(zhì)量擾動信號的時頻分析。然而上述方法大多針對Matlab產(chǎn)生的理想擾動信號，不適合風電并網(wǎng)產(chǎn)生的含有暫態(tài)振蕩的復合擾動。文獻［9］利用聚類經(jīng)驗模態(tài)分解EEMD（ensemble empirical mode decomposition）分解出信號中存在的不同諧波頻率成分，結(jié)合Hilbert變換得到瞬時頻率，但這種方法無法得到信號頻率累積信息；文獻［10］基于Morlet小波的譜峭度算法檢測含噪信號中的瞬態(tài)成分，能夠得到信號頻域累積量，但是不能反映時域信息，不能檢測幅值類擾動的擾動幅值和持續(xù)時間。

本文將EEMD與基于Morlet小波的譜峭度算法結(jié)合，解決了兩種算法各自的缺點，使分析結(jié)果不僅能反映信號的時域特性，還能得到信號的頻域累積量。此外，文中在實時數(shù)字仿真RTDS（real time digital simulator）平臺上搭建風電場并網(wǎng)模型，采集相關(guān)電能質(zhì)量擾動信號數(shù)據(jù)，仿真結(jié)果接近實際，且避免了風電場實測信號數(shù)據(jù)采集困難的問題，然后對該類信號進行了仿真分析，驗證了本文方法的有效性。

1 DFIG并網(wǎng)電能質(zhì)量擾動檢測算法

1.1 EEMD方法

經(jīng)驗模態(tài)分解EMD（empirical mode decomposi?tion）方法能把原始的擾動信號分解成為若干頻率由高到低排列的本征模態(tài)函數(shù)IMF（intrinsic mode function）和一個殘余量。但由于風電并網(wǎng)產(chǎn)生的擾動信號不是純噪聲信號，會缺失一些頻率尺度，所以容易出現(xiàn)模態(tài)混疊現(xiàn)象。文獻［11］對EMD分解白噪聲的統(tǒng)計特性進行研究，巧妙地運用了白噪聲頻率均勻分布的統(tǒng)計特性，將其應用到EMD中，這就是EEMD的方法。

1）EMD原理

EMD方法是將原始擾動信號分解為若干IMF的過程，IMF有以下兩個特點：①IMF極值點和過零點點數(shù)必須相等或相差為1；②IMF上任意點都需滿足局部極大值點定義的上包絡(luò)線和局部極小值點定義的下包絡(luò)線均值為0。具體的分解步驟如下。

（1）假設(shè)原始擾動信號為s（t），求出局部極大值和極小值，并用三次樣條線分別將所有局部極大值和所有局部極小值連接起來，形成上、下包絡(luò)線v1（t）、v2（t），上、下包絡(luò)線將原始信號包在中間，求出平均值m1為

然后將s（t）與m1相減記為h1，則有

（2）如果不滿足IMF兩個條件，就將h1看作原始信號，重復步驟（1），直到h1滿足IMF條件。最終的IMF分量是多個h1疊加后平均的結(jié)果，設(shè)為c1。

（3）s（t）中分解出c1后，得到剩余信號r1為

將r1看作原始信號重復上述兩個步驟，得到原始信號的第2個IMF分量c2，直到殘余信號單調(diào)，不能再分出新的IMF，最后的殘余信號為rn。因此，原始擾動信號可以由IMF分量和殘余信號重構(gòu)，即

2）EEMD原理

EEMD方法就是首先添加均值為0，幅值標準差為常數(shù)（一般取原信號標準差的0.1～0.4）的白噪聲，使得被分解的信號在不同程度上有一定連續(xù)性，從而避免模態(tài)混疊現(xiàn)象。然后進行上述EMD分解，得出IMF，EEMD分解流程見圖1，分解步驟如下。

（1）在原擾動信號s（t）添加高斯白噪聲w（t），得到含噪聲信號x（t）為

（2）運用EMD方法將x（t）分解得到一組IMF（假設(shè)共有n個分量），即

（3）在s（t）中添加新的高斯白噪聲wi（t）（i=1，2，…，N）再進行EMD分解，即重復上述兩個步驟N次，即

（4）將N次分解得到的IMF分量做均值（此處利用高斯白噪聲零均值的原理消除白噪聲對原信號的影響），得到最終的IMF，即

圖1 EEMD算法流程Fig.1 Flow chart of EEMD algorithm

1.2 基于Morlet復小波的譜峭度算法

DFIG中電力電子器件的大量使用，風機啟動、切除，風機故障等，會引起風電并網(wǎng)產(chǎn)生的擾動信號中出現(xiàn)振蕩暫態(tài)。譜峭度是在譜分析和峭度分析的基礎(chǔ)上發(fā)展而來，能夠用來檢測信號中的瞬態(tài)成分，適合檢測暫態(tài)振蕩的擾動頻率。選用基于小波變換的譜峭度，主要是因為這種譜峭度時頻域局部化性能好，其尺度變換剛好能夠滿足暫態(tài)振蕩信號頻率檢測的需要［12-13］。Morlet復小波是一種連續(xù)復小波，其基小波定義為復指數(shù)函數(shù)與高斯函數(shù)的乘積，采用的Gauss窗是時-頻面積最小的窗函數(shù)，變換結(jié)果可同時反映信號的幅值和相位關(guān)系［14］。

用φa，b（t）表示尺度參數(shù)為a、平移參數(shù)為b的Morlet小波，用WTs（a，b）表示擾動信號s（t）的連續(xù)小波變換，以Morlet復小波函數(shù)為母函數(shù)的小波變換表示為

根據(jù)譜峭度的定義［15］，基于小波變換的譜峭度計算公式為

式中E為均值運算。

圖2 風電并網(wǎng)電能質(zhì)量擾動檢測流程Fig.2 Flow chart of wind power grid power quality disturbance detection algorithm

1.3 EEMD與Morlet復小波譜峭度結(jié)合檢測

本文將EEMD與基于Morlet復小波的譜峭度算法相結(jié)合，對DFIG并網(wǎng)產(chǎn)生的擾動信號進行檢測，檢測流程如圖2所示。圖中x為暫態(tài)振蕩模態(tài)的IMF個數(shù)，求和得到最終的暫態(tài)振蕩模態(tài)IMF_ot；y為幅值類擾動的IMF個數(shù)，求和得到最終的幅值類模態(tài)IMF_am；f1，f2，……，fm為檢測出的暫態(tài)振蕩頻率；A為擾動幅值；t為檢測出的擾動持續(xù)時間。

風電并網(wǎng)電能質(zhì)量擾動檢測算法步驟如下：

（1）輸入待檢測DFIG并網(wǎng)信號，并對其進行EEMD分解得n個IMF分量；

（2）根據(jù)式（10）求出擾動分量的譜峭度值，畫出曲線圖，再根據(jù)暫態(tài)振蕩信號譜峭度明顯波峰的特點，區(qū)分暫態(tài)振蕩模態(tài)和幅值類擾動模態(tài)；

The lattice distance (d), average crystalline grain size(D), and strain (ε) of the (001) plane are given by the following equations[40]:

（3）對幅值類擾動分量運用文獻［16］的方法進行Hilbert變換，得到其瞬時幅值和瞬時頻率，實現(xiàn)擾動幅值和擾動時間的檢測；

（4）對于暫態(tài)振蕩分量，計算基于Morlet復小波的譜峭度，得到譜峭度圖，實現(xiàn)振蕩頻率的檢測。

1.4 算法的仿真驗證

DFIG并網(wǎng)引起的電能質(zhì)量擾動信號多為復合的暫態(tài)振蕩信號，本節(jié)將驗證本文提出的算法應用于算法產(chǎn)生的此類信號的有效性。用Matlab產(chǎn)生電壓暫降和暫態(tài)振蕩的復合擾動信號對本文提出的算法進行驗證。暫態(tài)振蕩數(shù)學模型為

電壓暫降數(shù)學模型為

復合擾動信號為

圖3 暫態(tài)振蕩加電壓暫降EMD結(jié)果Fig.3 EMD results of transient oscillation and voltage interrupt

利用式（13），產(chǎn)生基頻為50 Hz，電壓暫降和暫態(tài)振蕩復合，振蕩頻率為1 kHz和2 kHz疊加的復合擾動信號。圖3為該信號EMD分解情況，圖中s（t）為原始復合擾動信號，子圖IMF1～IMF4為EMD分解得到的IMF分量，可見出現(xiàn)了嚴重的模態(tài)混疊，不能將兩種擾動分解開。圖4為電壓暫降加暫態(tài)振蕩信號EEMD分解結(jié)果，圖中s（t）為原始復合擾動信號，子圖IMF1～IMF4為EEMD分解得到的IMF分量，由圖可知可以有效地將振蕩模態(tài)和暫降模態(tài)分解開，避免了模態(tài)混疊現(xiàn)象。圖5為運用基于Morlet復小波的譜峭度算法對IMF進行模態(tài)識別的結(jié)果，可見IMF2和IMF3分別表征頻率為2 kHz 和3 kHz的暫態(tài)振蕩模態(tài)，IMF4表征的是電壓暫降模態(tài)。圖6（a）和（b）分別是將原信號直接進行譜峭度計算的結(jié)果和將暫態(tài)振蕩分量進行譜峭度計算的結(jié)果，可以看出將原信號直接進行譜峭度計算不能很好地檢測出暫態(tài)振蕩頻率，而本文的方法很好地解決了譜峭度方法用于復合擾動檢測失效的問題。

圖4 暫態(tài)振蕩加電壓暫降EEMD結(jié)果Fig.4 EEMD results of transient oscillation and voltage interrupt

圖5 基于Morlet復小波的譜峭度進行模態(tài)識別Fig.5 Model identification of Morlet complex wavelet based spectral kurtosis

圖6 原信號和暫態(tài)振蕩分量進行譜峭度運算結(jié)果對比Fig.6 Comparative analysis of spectral kurtosis of original signal and transient oscillation component

2 DFIG并網(wǎng)模型的搭建

相較于非實時仿真方式，實時數(shù)字仿真方式具有響應時間更短，可在一個仿真步長內(nèi)實現(xiàn)實際電力系統(tǒng)在該時間內(nèi)的動態(tài)響應；能模擬一定規(guī)模的電磁暫態(tài)、機電暫態(tài)過程等優(yōu)點。故本文基于RTDS平臺搭建了DFIG并網(wǎng)模型。

RTDS的圖形用戶界面為RSCAD，本文運用RSCAD建立DFIG并網(wǎng)模型，并結(jié)合RTDS硬件運行得到相關(guān)數(shù)據(jù)，進行研究。

2.2 DFIG并網(wǎng)原理

DFIG并網(wǎng)時，定子側(cè)的三相繞組直接接入電網(wǎng)，轉(zhuǎn)子三相繞組經(jīng)變換器接入電網(wǎng)［17］，變換器根據(jù)風機的不同運行狀態(tài)實現(xiàn)整流或逆變功能，圖7為具體模型結(jié)構(gòu)和連接原理。

圖7 模型結(jié)構(gòu)和連接原理Fig.7 Model structure and connection principle

2.3 DFIG并網(wǎng)模型

本文搭建一個含200臺DFIG的風電場，DFIG參數(shù)見表1。風電場模型通過升壓變壓器接入7節(jié)點的電力系統(tǒng)實現(xiàn)并網(wǎng)運行，圖8為風電場并網(wǎng)示意，圖9為7節(jié)點電力系統(tǒng)連接示意，其中1號節(jié)點充當系統(tǒng)的平衡節(jié)點，5號節(jié)點接入額定功率為250 MW的其他動力發(fā)電機，7號節(jié)點接入風力發(fā)電機組，系統(tǒng)中3段輸電線路長度均為100 km。

表1 DFIG參數(shù)Tab.1 DFIG parameters

圖8 風電場并網(wǎng)示意Fig.8 Schematics diagram of wind farm grid

圖9 IEEE-7節(jié)點電力系統(tǒng)連接示意Fig.9 Connection diagram of IEEE 7-node system

3 DFIG并網(wǎng)短路故障的電能質(zhì)量擾動仿真分析

風機運行在設(shè)定的額定風速（12 m/s）下，在風機出口處設(shè)置持續(xù)時間為0.1 s的三相接地短路故障，在額定風速為12 m/s、采樣頻率為18 182 Hz，采樣點數(shù)為18 182的條件下，以節(jié)點2為例，對包含整個故障持續(xù)過程的前5 000個數(shù)據(jù)點進行分析。圖10為節(jié)點2某相電壓信號EEMD分解結(jié)果，其中圖10（a）為原始信號，圖10（b）為表征暫態(tài)振蕩模態(tài)的IMF疊加結(jié)果，與圖4理論信號的EEMD分解結(jié)果對比可以發(fā)現(xiàn)，實時仿真信號中暫態(tài)振蕩模態(tài)往往在暫降擾動的起始時間點和終止時間點出現(xiàn)，這給此類問題的檢測帶來困難。圖11為圖10（b）中的振蕩模態(tài)分量基于Morlet復小波的譜峭度，可見本文提出的方法適合于應用在實時仿真中。

圖10 節(jié)點2某相電壓信號EEMD分解結(jié)果Fig.10 EEMD of one phase voltage signal in Node 2

圖11 節(jié)點2暫態(tài)振蕩分量基于Morlet復小波的譜峭度Fig.11 Morlet complex wavelet based spectral kurtosis of transient oscillation component in Node 2

表2 電壓暫降檢測結(jié)果Tab.2 Detection results of voltage sag

表3 暫態(tài)振蕩檢測結(jié)果Tab.3 Detection results of transient oscillation

表2和表3是對圖9中各節(jié)點的檢測結(jié)果統(tǒng)計，分別為電壓暫降和暫態(tài)振蕩的檢測結(jié)果。從表2可以看出，靠近風電機組并網(wǎng)點的節(jié)點暫降幅度較大，遠離并網(wǎng)點的節(jié)點暫降幅度較小，并且將檢測的結(jié)果與RTDS仿真模型中設(shè)置的短路故障持續(xù)時間對比，可見誤差較小，檢測結(jié)果較可靠；從表3可以看出，從靠近并網(wǎng)點的節(jié)點中可以檢測到較多的振蕩頻率分量，從遠離并網(wǎng)點的節(jié)點中檢測到的振蕩頻率分量較少。因此，風機短路故障對接入電力系統(tǒng)節(jié)點的電能質(zhì)量影響的具體表現(xiàn)為：對靠近風電機組并網(wǎng)點的節(jié)點影響較大，對遠離風電機組并網(wǎng)點的節(jié)點影響較小。

4 結(jié)語

本文提出了EEMD和基于Morlet復小波的譜峭度相結(jié)合的算法，在RTDS平臺搭建了200臺DFIG風電場并網(wǎng)模型，采集風機出口處故障產(chǎn)生的電能質(zhì)量擾動信號，并進行檢測。本文提出的算法實現(xiàn)了對風電并網(wǎng)引起的暫態(tài)振蕩頻率、幅值類擾動的擾動持續(xù)時間和擾動幅值的檢測，并得出，在風電機組并網(wǎng)節(jié)點引起的電能質(zhì)量擾動最明顯，靠近并網(wǎng)節(jié)點的擾動比遠離并網(wǎng)節(jié)點的擾動明顯，與理論相符。通過本算法檢測到的與設(shè)置的故障持續(xù)時間對比可知，本算法檢測效果較好，誤差較低。

參考文獻：

［1］張國新（Zhang Guoxin）.風力發(fā)電并網(wǎng)技術(shù)及電能質(zhì)量控制策略（Parallel-in technology of wind power and pow?er quality control strategy）［J］.電力自動化設(shè)備（Electric Power Automation Equipment），2009，29（6）：130-133．

［2］劉桂英，粟時平（Liu Guiying，Su Shiping）.風電接入系統(tǒng)的暫態(tài)電能質(zhì)量擾動小波檢測方法（Wavelet detec?tion method of transient power quality disturbance for power system connected with energy generation）［J］.電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2011，23（1）：22-27．

［3］ 馬越，陳星鶯，余昆，等（Ma Yue，Chen Xingying，Yu Kun，et al）.不同類型短路故障下雙饋風機短路電流分析（Analysis for short circuit current of DFIG-based wind generation system under different types of short circuit）［J］.電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EP?SA），2014，26（2）：60-65．

［4］周羽生，鄭劍武，向軍，等（Zhou Yusheng，Zheng Jianwu，Xiang Jun，et al）.雙饋風力發(fā)電系統(tǒng)網(wǎng)側(cè)變流器聯(lián)合控制策略（Combination control strategy for grid convert in doubly-fed wind power generation systems）［J］.電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2014，26（4）：25-29．

［5］Liu Zhigang，Hu Qiaoling，Cui Yan，et al.A new detec?tion approach of transient disturbances combining wavelet packet and Tsallis entropy［J］.Neurocomputing，2014，142 （142）：393-407．

［6］宋海軍，黃傳金，劉宏超，等（Song Haijun，Huang Chuan?jin，Liu Hongchao，et al）.基于改進LMD的電能質(zhì)量擾動檢測新方法（A new power quality disturbance detec?tion method based on the improved LMD）［J］.中國電機工程學報（Proceedings of the CSEE），2014，34（10）：1700-1708．

［7］陳剛，劉志剛，張巧革（Chen Gang，Liu Zhigang，Zhang Qiaoge）.基于BWD譜峭度的暫態(tài)電能質(zhì)量擾動分類識別（Classification of transient power quality disturbanc?es based on BWD spectral kurtosis）［J］.電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2014，26（7）：11-16．

［8］ Senroy N，Suryanarayanan S，Ribeiro P F.An improved Hilbert-Huang method for analysis of time-varying wave?forms in power quality［J］.IEEE Trans on Power Systems，2007，22（4）：1843-1850．

［9］朱寧輝，白曉民，董偉杰（Zhu Ninghui，Bai Xiaomin，Dong Weijie）.基于EEMD的諧波檢測方法（Harmonic detection method based on EEMD）［J］.中國電機工程學報（Proceedings of the CSEE），2013，33（7）：92-99．

［10］Liu Haiyang，Huang Weiguo，Wang Shibin，et al.Adaptive spectral kurtosis filtering based on Morlet wavelet and its application for signal transients detection［J］.Signal Pro?cessing，2014（96）：118-124．

［11］張楊，劉志剛（Zhang Yang，Liu Zhigang）.EEMD在電能質(zhì)量擾動檢測中的應用（Application of EEMD in power quality disturbance detection）［J］.電力自動化設(shè)備（Elec?tric Power Automation Equipment），2011，31（12）：86-91.

［12］Liu Zhigang，Zhang Qiaoge.An approach to recognize the transient disturbances with spectral kurtosis［J］.IEEE Trans on Instrumentation and Measurement，2014，63（1）：46-55．

［13］張巧革，劉志剛，陳剛（Zhang Qiaoge，Liu Zhigang，Chen Gang）.暫態(tài)振蕩信號頻率檢測的Morlet小波譜峭度法（Frequency detection of transient oscillation signal using Morlet wavelet based on spectral kurtosis method）［J］.電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EP?SA），2013，25（5）：1-6．

［14］揭林玲，唐昆明，張?zhí)冢↗ie Linling，Tang Kunming，Zhang Taiqin）.Morlet復小波算法在自適應電流保護中的應用研究（Study on application of Morlet complex wavelet on adaptive current protection）［J］.電力系統(tǒng)保護與控制（Power System Protection and Control），2009，37 （22）：40-43，48.

［15］Antoni J.The spectral kurtosis：a useful tool for character?ising non-stationary signals［J］.Mechanical Systems and Signal Processing，2006，20（2）：282-307．

［16］劉志剛，李文帆，孫婉璐（Liu Zhigang，Li Wenfan，Sun Wanlu）.Hilbert-Huang變換及其在電力系統(tǒng)中的應用（Hilbert-Huang transform and its applications in power system）［J］.電力自動化設(shè)備（Electric Power Automation Equipment），2012，32（4）：109-116.

［17］Zin A A B M，Mahmoud P H A，Khkairuddin A B，et al．An over view on doubly fed induction generators’controls and contributions to wind based electricity generation［J］.Renewable and Sustainable Energy Reviews，2013，27 （27）：692-708．

李文慧（1991—），女，碩士研究生，研究方向為現(xiàn)代信號處理技術(shù)及其在電力系統(tǒng)中的應用。Email：wh_venny@163.com

劉志剛（1975—），男，博士，教授，博士生導師，研究方向為現(xiàn)代信號處理技術(shù)及其在電力系統(tǒng)中的應用、軌道交通電氣化自動化技術(shù)。Email：liuzg_cd@126.com

崔 艷（1991—），女，碩士研究生，研究方向為現(xiàn)代信號處理理論及其在電力系統(tǒng)中的應用。Email：cy_kuaile123@126.com

中圖分類號：TM712

文獻標志碼：A

文章編號：1003-8930（2016）07-0001-06

DOI：10.3969/j.issn.1003-8930.2016.07.001

作者簡介：

收稿日期：2015-01-30；修回日期：2016-01-08

基金項目：國家自然科學基金資助項目（U1434203、U1134205、51377136）

A Multiple Power Quality Detection Method for Disturbances of DFIGs Grid

LI Wenhui，LIU Zhigang，CUI Yan
（School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，China）

Abstract：The power quality disturbances caused by wind power grid are mostly multiple disturbances including tran?sient oscillation.According to the disadvantages of traditional detection methods，such as modal aliasing，susceptibility to disturbance and poor universality.An algorithm of ensemble empirical mode decomposition（EEMD）combined with Morlet complex wavelet based spectral kurtosis（SK）is proposed to detect these kinds of power quality disturbances in this paper.The wind farm model of 200 doubly-fed induction generators（DFIGs）is built on the platform of real time dig?ital simulator（RTDS）to collect power quality disturbance signals related to wind power grid.The simulation results show that the method can effectively detect the multiple power quality disturbances caused by wind power grid.

Key words：wind power grid；power quality；multiple disturbances；ensemble empirical mode decomposition （EEMD）；Morlet complex wavelet；spectral kurtosis；real time digital simulator