郭 賀, 王君艷

(上海交通大學(xué) 電子信息與電氣工程學(xué)院, 上海 200240)

?

新能源

雙饋風(fēng)力發(fā)電場的建模及低電壓穿越能力探究

郭 賀, 王君艷

(上海交通大學(xué) 電子信息與電氣工程學(xué)院, 上海 200240)

建立雙饋機(jī)組的等值模型，以雙饋風(fēng)機(jī)槳距角控制動(dòng)作情況作為分類依據(jù)，采用K-means聚類算法對(duì)機(jī)群進(jìn)行分類；同時(shí)應(yīng)用改進(jìn)粒子群算法實(shí)現(xiàn)最優(yōu)參數(shù)辨識(shí)，從而建立了電網(wǎng)故障情況下雙饋風(fēng)力機(jī)組的動(dòng)態(tài)模型，分析了Crowbar電路在實(shí)現(xiàn)低電壓穿越上的重要作用，其在故障期間和故障清除后均可平穩(wěn)風(fēng)電機(jī)組的功率，實(shí)現(xiàn)平穩(wěn)的低電壓穿越。

雙饋風(fēng)機(jī)建模； 風(fēng)力發(fā)電場； K-means算法; 低電壓穿越； Crowbar電路

風(fēng)能由于儲(chǔ)量豐富、技術(shù)發(fā)展相對(duì)成熟，成為具有商業(yè)化和規(guī)?；瘧?yīng)用前景的新能源，以年均增長率超過30%的速度迅猛發(fā)展[1]。雙饋風(fēng)力發(fā)電機(jī)組具有變速運(yùn)行、變流器相對(duì)容量較小的優(yōu)勢，是廣泛應(yīng)用的風(fēng)力發(fā)電機(jī)組。

為了獲取更多的電能，大多并網(wǎng)發(fā)電場多采用多臺(tái)雙饋發(fā)電機(jī)組，按一定的規(guī)律組成機(jī)群，然后發(fā)電并網(wǎng)。但其輸出功率的波動(dòng)性和間歇性給電網(wǎng)安全穩(wěn)定運(yùn)行帶來了挑戰(zhàn)，在發(fā)生故障時(shí)，易導(dǎo)致機(jī)端電壓降低，無法完成功率的傳輸，引起轉(zhuǎn)子電流急劇上升、電容充電、直流電壓快速升高、電動(dòng)機(jī)轉(zhuǎn)子加速、電磁轉(zhuǎn)矩突變等一系列問題。另外，隨著風(fēng)力發(fā)電機(jī)容量和發(fā)電場規(guī)模的不斷擴(kuò)大，不能再在故障時(shí)通過保護(hù)設(shè)備使風(fēng)機(jī)解列，而需要風(fēng)電場具備一定的電壓支撐能力，即低電壓穿越的能力。

為了對(duì)雙饋風(fēng)電場在故障條件下的性能進(jìn)行分析，國內(nèi)外學(xué)者對(duì)風(fēng)力發(fā)電場建模和低電壓穿越技術(shù)進(jìn)行了很多相關(guān)的研究[1-3]。常用的風(fēng)電場等值方法分為聚合法和降階法?？紤]到降階法無法保持風(fēng)機(jī)的原有模型，對(duì)采用電力系統(tǒng)軟件進(jìn)行驗(yàn)證分析帶來了困難[1]。筆者采用聚合法，特別是基于機(jī)群分類指標(biāo)和K-means[4]聚類算法的多機(jī)表征法，建立了故障情況下雙饋發(fā)電機(jī)組的等值模型。采用改進(jìn)粒子群算法求解參數(shù)辨識(shí)模型，克服了傳統(tǒng)參數(shù)辨識(shí)算法無法有效解決非線性系統(tǒng)的問題，并基于故障情況下雙饋風(fēng)電機(jī)組的等值模型，對(duì)Crowbar電路[5]可以有效提高風(fēng)電場故障情況下的低電壓穿越能力進(jìn)行了驗(yàn)證分析。

1 電網(wǎng)故障情況下雙饋風(fēng)力機(jī)組的動(dòng)態(tài)建模

在風(fēng)機(jī)的聚合模型中，常用的等值方法有單機(jī)表征法和多機(jī)表征法，前者主要用于定速機(jī)組風(fēng)電場的等值，將所有的發(fā)電機(jī)等值為一臺(tái)風(fēng)機(jī)，后者則是根據(jù)在電力系統(tǒng)動(dòng)態(tài)等值中應(yīng)用較多的同調(diào)等值方法，把系統(tǒng)中的風(fēng)電機(jī)組是否具有相近的運(yùn)行點(diǎn)作為機(jī)組分群原則，建模較為準(zhǔn)確。本文中雙饋發(fā)電機(jī)組的動(dòng)態(tài)建模就是基于多機(jī)表征法的思想，以雙饋機(jī)組槳距角控制動(dòng)作情況作為分群原則，使用參數(shù)辨識(shí)的方法計(jì)算相應(yīng)的等值參數(shù)。

1.1運(yùn)用K-means聚類算法進(jìn)行機(jī)群分類

K-means算法是聚類算法中應(yīng)用最為廣泛的一種算法。該算法使用標(biāo)準(zhǔn)測度函數(shù)最小作為具體分類原則，把N個(gè)樣本點(diǎn)分為K個(gè)簇，由此得到的聚類結(jié)果會(huì)使得同簇的樣本點(diǎn)具有較高的相似性，而簇與簇之間的樣本點(diǎn)差異性較大。標(biāo)準(zhǔn)度函數(shù)為:

(1)

式中：mi為第i個(gè)簇的樣本均值；Ni為第i個(gè)簇的樣本總數(shù)；Ci為第i個(gè)簇的樣本點(diǎn)集合；τ為樣本點(diǎn)；E為標(biāo)準(zhǔn)測度函數(shù)。

K-means算法的具體分類步驟見圖1。

雙饋風(fēng)力發(fā)電機(jī)組以槳距角控制動(dòng)作情況作為分類依據(jù)，可以分為3個(gè)群：(1)故障發(fā)生前槳距角就已經(jīng)動(dòng)作的風(fēng)電機(jī)組；(2)故障前槳距角不動(dòng)作，而故障發(fā)生期間槳距角動(dòng)作的風(fēng)電機(jī)組；(3)故障發(fā)生前和故障期間槳距角均不動(dòng)作的風(fēng)電機(jī)組[1]。而槳距角的動(dòng)作情況與故障前風(fēng)電機(jī)組的有功功率、機(jī)端電壓和風(fēng)速有關(guān)，可將其通過SVM分類器選擇后作為分類指標(biāo)[1]，設(shè)置分類數(shù)K=3，從而得到按槳距角控制動(dòng)作情況分類的3個(gè)種群，得到風(fēng)電場的風(fēng)機(jī)分類結(jié)果。

1.2等值模型參數(shù)的計(jì)算

常用的參數(shù)計(jì)算方法有基于公式法和參數(shù)辨識(shí)法：前者要求所有風(fēng)電機(jī)組為同一型號(hào)，并只能計(jì)算基本參數(shù)；而后者可用于變速恒頻發(fā)電機(jī)組的參數(shù)計(jì)算，操作方便，結(jié)果更為準(zhǔn)確。

筆者采用的是參數(shù)辨識(shí)法。

1.2.1參數(shù)辨識(shí)法的基本原理

對(duì)系統(tǒng)進(jìn)行參數(shù)辨識(shí)，其本質(zhì)上就是通過各種不同的辨識(shí)算法尋找最優(yōu)參數(shù)組合。在對(duì)雙饋風(fēng)力發(fā)電機(jī)進(jìn)行參數(shù)辨識(shí)時(shí)，需要考慮到對(duì)槳距控制模塊的非線性環(huán)節(jié)參數(shù)進(jìn)行準(zhǔn)確辨識(shí)，同時(shí)也要反映風(fēng)電機(jī)組各元件之間的線性和非線性相互作用。由于風(fēng)電機(jī)組的過渡時(shí)間較長，需要參數(shù)辨識(shí)的結(jié)果更為準(zhǔn)確。

具體的參數(shù)辨識(shí)原理見圖2。

詳細(xì)風(fēng)機(jī)模型和等值風(fēng)機(jī)模型在同一測試風(fēng)速vω(t)的作用下，產(chǎn)生詳細(xì)模型輸出信號(hào)P(t)和等值模型輸出信號(hào)Peq(t)，其誤差為e(t)，規(guī)定代價(jià)函數(shù)(或稱等價(jià)準(zhǔn)則)E(θ)。

(2)

式中：tk為采樣時(shí)間；N為樣本數(shù)量。

經(jīng)過辨識(shí)算法計(jì)算之后，修正等值模型中的參數(shù)，反復(fù)進(jìn)行，直到找到一組模型參數(shù)θe使得誤差e(t)滿足代價(jià)函數(shù)最小的條件為止，由此得到的θe就是等值模型的參數(shù)。

1.2.2參數(shù)辨識(shí)的求解方法

由于電力系統(tǒng)為非線性系統(tǒng)，而傳統(tǒng)的參數(shù)辨識(shí)方法，如頻域內(nèi)的快速傅里葉變換/最小二乘(FFT/LSE)法和時(shí)域內(nèi)的分段線性多項(xiàng)式函數(shù)(PLPF)法等，難以處理非線性問題。所以筆者采用了操作簡單、易實(shí)現(xiàn)和魯棒性強(qiáng)的粒子群人工智能算法進(jìn)行參數(shù)辨識(shí)求解。

粒子群算法最早由Kennedy博士和Eberhart博士在1995年提出，源自于對(duì)鳥群捕食行為的研究和模擬，即鳥群通過搜尋目前離食物最近的鳥的周圍區(qū)域來尋覓食物。每個(gè)優(yōu)化問題的解是搜索空間中以一定速度飛行的一只鳥的最優(yōu)位置。算法中的每一次迭代，各個(gè)粒子都會(huì)依據(jù)式(3)和式(4)來更新自己的位置和速度：

(3)

但傳統(tǒng)的粒子群算法容易陷入局部最優(yōu)，為了將其應(yīng)用于多節(jié)點(diǎn)大系統(tǒng)的模型計(jì)算，筆者提出采用慣性因子的自適應(yīng)調(diào)整策略獲得改進(jìn)的粒子群算法，即每次迭代的時(shí)候，對(duì)粒子的自適應(yīng)度做如下的調(diào)整：

(5)

式中：i為迭代次數(shù)；n為最大迭代次數(shù)，即慣性權(quán)重從ωmax到ωmin線性減少。

改進(jìn)粒子群算法應(yīng)用于系統(tǒng)參數(shù)辨識(shí)的流程如下：

(1) 建立原模型和待辨識(shí)模型，確定待辨識(shí)參數(shù)。

(2) 隨機(jī)初始化粒子群的速度和位置。

(3) 計(jì)算粒子群中各個(gè)粒子的適應(yīng)值。

(4) 將每個(gè)粒子xi的適應(yīng)值與其經(jīng)歷過的最好位置Pi的適應(yīng)值進(jìn)行比較，如果更好，則將其作為粒子個(gè)體歷史最優(yōu)值，用當(dāng)前位置更新個(gè)體歷史最好位置。

(5) 把各個(gè)粒子的適應(yīng)值與所有粒子所經(jīng)歷過的最好位置Pg的適應(yīng)值進(jìn)行比較，如果更優(yōu)，那么將此適應(yīng)值作為當(dāng)前所有粒子的最好位置Pg。

(6) 根據(jù)式(3)和式(4)的算法更新粒子的位置和速度(與此同時(shí)進(jìn)行自適應(yīng)調(diào)整)，如果達(dá)到終止條件(通常設(shè)定為一個(gè)足夠好的適應(yīng)值或者最大迭代次數(shù))，那么就輸出結(jié)果，否則返回步驟(4)[2]。

1.3雙饋機(jī)組多機(jī)表征的步驟

(1) 故障前風(fēng)電機(jī)組的機(jī)端電壓、有功功率均和風(fēng)機(jī)風(fēng)速有關(guān)，因此可將其通過SVM分類器選擇后作為機(jī)群分類指標(biāo)。

(2) 利用K-means聚類算法和機(jī)群分類指標(biāo)對(duì)所有雙饋風(fēng)機(jī)進(jìn)行分群。

(3) 依據(jù)第1.2節(jié)介紹的參數(shù)辨識(shí)法，將同群的機(jī)組進(jìn)行等值。

(4) 計(jì)算每個(gè)等值電容和變壓器參數(shù)以及等值風(fēng)電機(jī)組與風(fēng)電場公共連接點(diǎn)之間的電纜參數(shù)，得出多機(jī)表征的風(fēng)電場等值模型[1]。

2 雙饋機(jī)組的低電壓穿越能力分析

電力企業(yè)運(yùn)營商規(guī)定，并網(wǎng)的風(fēng)電場必須具有低電壓穿越的能力，即在不危及電網(wǎng)穩(wěn)定運(yùn)行的前提下，當(dāng)電網(wǎng)發(fā)生電壓跌落故障(一定范圍內(nèi))或擾動(dòng)時(shí)，風(fēng)機(jī)必須保持不間斷并網(wǎng)運(yùn)行狀態(tài)，并且可以像常規(guī)電源一樣，繼續(xù)向電網(wǎng)側(cè)提供有功功率(頻率)和無功功率(電壓)支撐。

雙饋感應(yīng)發(fā)電機(jī)是定子側(cè)直接連接電網(wǎng)，電網(wǎng)電壓直接反映在定子端電壓上，因而在發(fā)生電壓跌落故障時(shí)，由于定子磁鏈不能發(fā)生突變，從而會(huì)產(chǎn)生較大的直流分量和負(fù)序分量[6]。因而提高雙饋機(jī)組低電壓穿越能力的關(guān)鍵在于如何消除這兩種不和諧的分量。目前，在硬件電路的實(shí)現(xiàn)方面，主要有增加Crowbar電路、增設(shè)能量存儲(chǔ)系統(tǒng)(ESS)和加設(shè)定子側(cè)電子開關(guān)。

2.1Crowbar電路

Crowbar工作的基本原理是在電網(wǎng)電壓發(fā)生驟降時(shí)，通過采用電阻短接轉(zhuǎn)子繞組的方法來旁路掉轉(zhuǎn)子側(cè)變換器，從而為轉(zhuǎn)子側(cè)電流提供一條通路。目前，常用的Crowbar電路主要有主動(dòng)式和被動(dòng)式兩種形式。

被動(dòng)式Crowbar電路主要從風(fēng)力發(fā)電機(jī)自我保護(hù)的角度出發(fā)，在故障發(fā)生時(shí)，可控硅將電動(dòng)機(jī)短路，從而雙饋電動(dòng)機(jī)可以作為鼠籠式異步電動(dòng)機(jī)運(yùn)行；待故障消失后，雙饋電動(dòng)機(jī)定子側(cè)脫網(wǎng)，可控硅關(guān)斷，從而雙饋電動(dòng)機(jī)重新并網(wǎng)運(yùn)行[7]。但其需要從系統(tǒng)中吸收大量的無功功率，主要用于小型風(fēng)機(jī)并網(wǎng)運(yùn)行的情況。

圖3為典型的被動(dòng)式Crowbar結(jié)構(gòu)圖。

主動(dòng)式Crowbar電路使用具有強(qiáng)迫換流功能的SCR以及IGBT、GTO等可關(guān)斷器件，這樣可以在其動(dòng)作后的任意時(shí)刻切斷轉(zhuǎn)子回路的Crowbar保護(hù)電路，從而實(shí)現(xiàn)風(fēng)機(jī)在不脫網(wǎng)的情況下轉(zhuǎn)子變換器重新開始工作，滿足電力運(yùn)營商對(duì)風(fēng)電機(jī)組的要求[6]，其典型結(jié)構(gòu)見圖4。筆者采用的是典型的主動(dòng)式Crowbar電路方案，通過三對(duì)可關(guān)斷器件的反并聯(lián)連接，將旁路電阻適時(shí)接入到轉(zhuǎn)子回路中，由此可以實(shí)現(xiàn)變換器與電網(wǎng)、轉(zhuǎn)子的持續(xù)保持連接，保證了故障期間及故障恢復(fù)瞬間，雙饋風(fēng)電機(jī)組與電網(wǎng)的同步運(yùn)行，電網(wǎng)故障清除時(shí)，系統(tǒng)通過封鎖可控硅的驅(qū)動(dòng)脈沖，便可將旁路電阻切除，恢復(fù)正常的并網(wǎng)運(yùn)行。

2.2其他硬件實(shí)現(xiàn)方式

其他硬件實(shí)現(xiàn)方式，包括增設(shè)能量存儲(chǔ)系統(tǒng)(ESS)和加設(shè)定子側(cè)電子開關(guān)。

ESS是在故障期間將能量存儲(chǔ)起來，等故障消失后，再將能量送入電網(wǎng)。雖然該方法解決了Crowbar須在不同的運(yùn)行方式間頻繁切換的問題，但由于無法控制轉(zhuǎn)子電流，可能會(huì)造成轉(zhuǎn)子電流過大而損壞設(shè)備。

定子側(cè)電子開關(guān)是指在定子側(cè)與電網(wǎng)之間每相反向并聯(lián)一對(duì)晶閘管，一旦系統(tǒng)出現(xiàn)故障，可實(shí)現(xiàn)定子與電網(wǎng)的快速分離，從而限制短路電流，避免了轉(zhuǎn)矩振蕩。但該方案實(shí)際上未能實(shí)現(xiàn)真正的不脫網(wǎng)運(yùn)行。

綜上所述，由于Crowbar電路良好的控制性能和優(yōu)勢，符合電網(wǎng)運(yùn)營商的要求，筆者在后續(xù)的仿真算例中詳細(xì)探究了運(yùn)用Crowbar電路對(duì)提高雙饋風(fēng)電場低電壓穿越能力的具體作用。

3 算例仿真

基于上述關(guān)于雙饋風(fēng)電場的多機(jī)表征理論和Crowbar電路的基本原理，筆者在DIgSILENT中建立了由4臺(tái)相同的雙饋異步風(fēng)電機(jī)組組成的風(fēng)電場多機(jī)仿真模型，其系統(tǒng)結(jié)構(gòu)示意圖見圖5。

圖5是典型的雙饋風(fēng)機(jī)風(fēng)電場系統(tǒng)接線圖。該風(fēng)電場共包含了4個(gè)不同的電壓等級(jí)，其中1.15kV母線為雙饋機(jī)的轉(zhuǎn)子直流母線，該母線由電網(wǎng)側(cè)變頻器為其提供直流電源，維持雙饋機(jī)轉(zhuǎn)子電壓，同時(shí)通過電網(wǎng)側(cè)變頻器控制輸出電壓和電流的頻率。電網(wǎng)側(cè)變頻器通過690V電壓接入三繞組升壓變壓器的低壓繞組；雙饋機(jī)定子通過3.3kV母線接入變壓器的中壓繞組；三繞組變壓器高壓側(cè)電壓為20kV，經(jīng)三繞組變壓器升壓后輸出雙饋機(jī)的有功功率和無功功率至無窮大系統(tǒng)。

根據(jù)恒速風(fēng)機(jī)的特性，對(duì)風(fēng)電場的各臺(tái)風(fēng)機(jī)的暫態(tài)性能進(jìn)行測試。因此主要以恒定風(fēng)速作為測試信號(hào)，檢驗(yàn)風(fēng)力機(jī)機(jī)械功率、風(fēng)電機(jī)的有功功率和無功功率、風(fēng)能利用系數(shù)、槳距控制角等變量的變化情況。

仿真工況如下：每臺(tái)雙饋風(fēng)機(jī)初始有功功率為4.5MW，無功功率為0.2MW，恒定風(fēng)速為14m/s?？疾祜L(fēng)機(jī)正常運(yùn)行時(shí)4臺(tái)雙饋風(fēng)機(jī)有功功率、無功功率、風(fēng)能利用系數(shù)、轉(zhuǎn)速、槳距角以及電網(wǎng)母線電壓的變化情況，其中某一臺(tái)雙饋風(fēng)機(jī)的變化曲線見圖6和圖7。

3.1雙饋異步風(fēng)電機(jī)組的風(fēng)電場等值模型及其仿真分析

按照聚類算法和機(jī)群分類指標(biāo)把風(fēng)電機(jī)組劃分成K個(gè)分群，并把每個(gè)機(jī)群合并等效成一臺(tái)等值風(fēng)電機(jī)組?；趫D5所示的風(fēng)電場多機(jī)系統(tǒng)圖，將4臺(tái)相同的雙饋異步風(fēng)電機(jī)組同群的風(fēng)電機(jī)組按照機(jī)械功率疊加的方法等效成一臺(tái)風(fēng)電機(jī)組，其系統(tǒng)結(jié)構(gòu)見圖8。

由圖8可見：該風(fēng)電場模型只有1臺(tái)等值的雙饋風(fēng)機(jī)模型；4個(gè)不同的電壓等級(jí)與單臺(tái)發(fā)電機(jī)組具有類似的結(jié)構(gòu)。采用與單臺(tái)發(fā)電機(jī)組同樣的測試方法，得到雙饋風(fēng)機(jī)有功功率、無功功率、風(fēng)能利用系數(shù)、轉(zhuǎn)速、槳距角以及電網(wǎng)母線電壓的變化情況見圖9和圖10。

將圖6、圖7與圖9、圖10相比較可知：4臺(tái)相同的雙饋異步風(fēng)機(jī)群合并成一臺(tái)等值風(fēng)電機(jī)組后，所得到的等值風(fēng)電機(jī)組的風(fēng)力機(jī)機(jī)械功率、風(fēng)電機(jī)的有功功率、無功功率、風(fēng)能利用系數(shù)、槳距控制角以及電網(wǎng)母線電壓等參數(shù)與前者基本一致，具有類似的變化規(guī)律，從而驗(yàn)證了等值方法的正確性。

3.2Crowbar電路的低電壓穿越能力分析

單臺(tái)風(fēng)機(jī)與等值后的風(fēng)機(jī)在低電壓穿越上性能是一致的，為了更為明顯地觀察Crowbar電路在系統(tǒng)故障時(shí)的作用，此處選用在第3.1節(jié)的單臺(tái)雙饋風(fēng)機(jī)中，設(shè)定DFIG穩(wěn)定時(shí)輸出的有功功率為4MW，無功功率為0，分別設(shè)置如下的事件：

(1) 不配備Crowbar電路，系統(tǒng)0s時(shí)發(fā)生三相電壓對(duì)稱跌落故障，0.15s時(shí)故障消除。

(2) 配備了Crowbar電路，系統(tǒng)0s時(shí)發(fā)生三相電壓對(duì)稱跌落故障，0.005s時(shí)Crowbar電路動(dòng)作，0.15s時(shí)故障消除，0.5s時(shí)切除Crowbar電路。

分別在DIgSILENT軟件中進(jìn)行仿真，仿真時(shí)間為2s，得到的雙饋機(jī)組有功功率和無功功率隨時(shí)間變化的波形見圖11和圖12。

由圖11和圖12可知：事件一中低電壓穿越失?。皇录诮?jīng)歷過渡過程后，恢復(fù)到了有功功率為4MW、無功功率為0的穩(wěn)定運(yùn)行狀態(tài)。事件一由于不具備Crowbar電路的雙饋機(jī)組出力，有功功率波動(dòng)的峰值超過12MW，無功功率波動(dòng)的峰值為-14MW，吸收了大量的無功功率，且過渡時(shí)間較長，波動(dòng)明顯；事件二的相應(yīng)值波動(dòng)量大為減少，僅為6MW的有功功率和-10MW的無功功率，且波形變化較為平緩。由此可知，Crowbar的加入，在故障發(fā)生期間和故障消除恢復(fù)期間，都起到了良好的平滑功率輸出的作用。

由于所采用的雙饋風(fēng)機(jī)功率較小，僅為4MW，所以Crowbar的作用并不是非常突出和明顯，但已經(jīng)可以驗(yàn)證Crowbar電路在實(shí)現(xiàn)雙饋機(jī)組低電壓穿越能力上的重要作用。

4 結(jié)語

筆者通過分析雙饋風(fēng)電場的建模及低電壓穿越能力的探究，得到了以下的研究成果：

(1) 形成了電網(wǎng)故障情況下雙饋風(fēng)電機(jī)組的動(dòng)態(tài)建模的基本方法，即基于K-means聚類法按雙饋電動(dòng)機(jī)槳距角控制動(dòng)作情況，進(jìn)行機(jī)組分群，然后采用改進(jìn)粒子群算法實(shí)現(xiàn)最優(yōu)參數(shù)的辨識(shí)，從而建立雙饋風(fēng)機(jī)的多機(jī)表征模型。

(2) 通過具體算例在DIgSILENT軟件中驗(yàn)證了多機(jī)表征模型的可行性。

(3) 通過具體算例分析了Crowbar電路在提升風(fēng)場低電壓穿越能力上的重要作用，驗(yàn)證了其在故障期間、故障消除后，均可平穩(wěn)功率輸出的能力。

今后，還需進(jìn)一步研究雙饋風(fēng)電機(jī)組更優(yōu)的建模方法，并在Crowbar電路的最優(yōu)電阻、電壓跌落深度等影響因素上深入探究。

[1] 蘇勛文. 風(fēng)電場動(dòng)態(tài)等值建模方法研究[D]. 保定: 華北電力大學(xué), 2010.

[2] 高文松, 劉長良. 一種改進(jìn)粒子群算法及其在熱工過程模型辨識(shí)中的應(yīng)用[J]. 熱力發(fā)電, 2010, 39(3): 97-100, 103.

[3] 王偉, 孫明冬, 朱曉東. 雙饋式風(fēng)力發(fā)電機(jī)低電壓穿越技術(shù)分析[J]. 電力系統(tǒng)自動(dòng)化, 2007, 31(23): 84-89.

[4] JAIN A K, DUBES R C. Algorithms for clustering data[M]. New Jersey: Prentice Hall, 1988.

[5] 趙靜. 雙饋異步風(fēng)力發(fā)電機(jī)低電壓穿越時(shí)的Crowbar保護(hù)技術(shù)[D]. 杭州: 浙江大學(xué), 2010.

[6] 孫萬義. 提高雙饋風(fēng)力發(fā)電機(jī)組低電壓穿越能力的控制技術(shù)研究[D]. 蘭州：蘭州理工大學(xué)，2010.

[7] 馬春明. 雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)低電壓穿越技術(shù)的研究[D]. 上海: 上海交通大學(xué), 2012.

Modeling of a Doubly-fed Induction Generator and Analysis of its Low-voltage Ride-through Capability

Guo He, Wang Junyan

(School of Electronic Information and Electrical Engineering,Shanghai Jiaotong University, Shanghai 200240, China)

An equivalent model was built for doubly-fed induction generators (DFIGs), which were classified into small clusters using K-means clustering algorithm according to specific control scenarios of the propeller pitch angle. In addition, the particle swarm optimization (POS) method was used to realize the identification of optimal parameters, thus establishing a dynamic model of DFIG in case of grid fault and analyzing the important effect of Crowbar circuit in realizing low-voltage ride through (LVRT). The Crowbar circuit was proved to be effective in smoothing the power output of DFIG during fault period and after fault elimination.

DFIG modeling; wind farm; K-means clustering algorithm; LVRT ; Crowbar circuit

2016-05-09

郭 賀(1986—)，男，在讀碩士研究生，研究方向?yàn)殡娏﹄娮雍碗姎鈧鲃?dòng)、電力系統(tǒng)自動(dòng)化以及核電1E級(jí)電氣設(shè)備鑒定。

E-mail: guohe118@126.com

TM614

A

1671-086X(2016)06-0389-06