直驱风电次同步振荡的概率稳定分析及智能决策控制
随着新能源发电的快速发展，直驱风机(direct drive permanent magnet synchronous generator,D-PMSG)与弱交流电网相互作用引起的次同步振荡问题不断凸显，研究适用的风险分析和控制方法，对于保障电网安全稳定运行具有重要意义。为此，本文首先从提高模型精度的需求出发，研究了风电场的等值建模方法；其次，考虑了风电运行状态的随机性，采用概率方法研究了系统的稳定性；最后，针对大规模风电场并网系统的复杂结构和建模难题，采用机器学习方法研究振荡预测和控制方法。主要包括以下研究内容： （1）研究了计及尾流效应的风电场等值建模方法。 首先建立了直驱风机的时域仿真模型和状态空间模型；开发了分析风电场尾流效应和计算内部风速的程序；在此基础上建立了风电场全拓扑的状态空间模型；然后，计及风机间尾流效应影响，研究了风电场的等值建模方法，即先基于K-means算法对风电场内风机进行分群，再对同群风机进行聚合等效。通过特征值法验证了该等值模型能够准确地模拟风电场次同步振荡特性。 （2）分析了直驱风电场次同步振荡概率。 首先，研究了直驱风电并网次同步振荡的影响因素，明确了直驱风电场的次同步振荡特性与其开机数和功率水平密切相关，在振荡风险评估时需考虑风况的随机性；其次，基于风速的威布尔分布概率模型，采用蒙特卡罗方法对风速进行抽样，同时考虑平均分布的风向概率模型，并采用平滑核心密度估计方法计算概率密度曲线。典型算例分析表明，上述次同步振荡概率分析方法，为风电引起的次同步振荡问题提供一种可行的分析手段。 （3）基于机器学习方法，提出了次同步振荡的智能决策控制方法。 研究了采用Prony算法分析电网扰动并辨识系统阻尼水平的方法，可通过监测获取海量运行数据；在此基础上，研究并提出了基于梯度提升树(Gradient Boosting Decision Tree,GBDT)的次同步振荡在线预测方法，能够给出预期运行方式下的系统阻尼；同时，提出了一种基于机器学习可解释代理模型的次同步振荡优化控制辅助决策方法，可为调度运行提供辅助决策建议。此外，提出了一种通过支持向量机算法进行风机控制器参数优化的方法，作为次同步振荡辅助抑制措施。通过时域仿真验证了上述预测、控制及优化方法的可行性。
风电并网;次同步振荡;尾流效应;机器学习;智能决策控制
中国电力科学研究院
硕士
电力系统及其自动化
班连庚
2021
中文
TM732;TP273
2021-12-15（万方平台首次上网日期，不代表论文的发表时间）