基于深度神經(jīng)網(wǎng)絡(luò)的DFIG低電壓穿越技術(shù)研究

余欣梅，陳豪君，王星華

（1.中國能源建設(shè)集團廣東省電力設(shè)計研究院有限公司，廣州510663；2.廣東工業(yè)大學(xué)自動化學(xué)院，廣州510006）

低電壓穿越技術(shù)是保障電網(wǎng)故障過程中風(fēng)機和電網(wǎng)安全的重要手段。目前DFIG雙饋風(fēng)機的低電壓控制基本分為改進控制策略和增設(shè)硬件電路兩類：文獻［1-2］采用帶補償項的矢量控制加速定子磁鏈暫態(tài)分量衰減實現(xiàn)低電壓穿越，但受變流器容量限制，僅適用于輕度故障。文獻［3］增設(shè)撬棒電阻并推導(dǎo)其整定方法，適用于嚴(yán)重故障，但在投入過程中雙饋風(fēng)機會大量吸收無功，不利于電網(wǎng)電壓穩(wěn)定。文獻［4］理論分析了多種低電壓穿越技術(shù)，討論了DFIG控制系統(tǒng)的PI參數(shù)選擇對DFIG機組LVRT效果的影響。

為取得更好的控制性能，有學(xué)者提出用遺傳算法［5-6］、粒子群［7-8］等智能算法［9-10］對PI控制器參數(shù)進行優(yōu)化。這類優(yōu)化方法均為電網(wǎng)故障后根據(jù)當(dāng)前故障情況進行參數(shù)優(yōu)化，但普遍存在兩個問題：（1）在實際情況下，故障的暫態(tài)過程比較快，故障后優(yōu)化很可能會錯過抑制暫態(tài)量的最好時刻；（2）在有限的時間內(nèi)在線優(yōu)化難以同時滿足速度和準(zhǔn)確度上的要求，嚴(yán)重制約了其在高實時性領(lǐng)域上的應(yīng)用，實際意義不大。

針對以上不足，本文結(jié)合人工智能思想，提出將深度學(xué)習(xí)算法應(yīng)用于雙饋風(fēng)機的LVRT的實時優(yōu)化控制。首先通過PSCAD-MATLAB聯(lián)合調(diào)用技術(shù)對風(fēng)機故障過程進行大量仿真，并利用粒子群優(yōu)化算法對相應(yīng)的控制參數(shù)進行離線優(yōu)化，并根據(jù)故障程度進行分類，從而形成不同故障程度的優(yōu)化控制策略參數(shù)表。其次建立DNN故障程度識別模型，將仿真算例形成訓(xùn)練集，以故障信息作為訓(xùn)練樣本的輸入?yún)?shù)對故障程度進行分類訓(xùn)練。訓(xùn)練成功的網(wǎng)絡(luò)即構(gòu)成控制策略優(yōu)選模塊，只需輸入所采集的故障信息即可實時選擇并確定優(yōu)化的LVRT控制策略和參數(shù)，從而解決了實際故障時控制的實時性問題。

1 低電壓穿越策略以及參數(shù)優(yōu)化

1.1 PSCAD與MATLAB的聯(lián)合調(diào)用

故障點與DFIG并網(wǎng)點的距離直接影響并網(wǎng)點電壓的跌落深度。根據(jù)電壓跌落深度可將故障程度分成三種：輕度故障（跌落10%～30%）、中度故障（跌落30%～50%）和嚴(yán)重故障（跌落50%～80%）。不同的嚴(yán)重程度決定了機組應(yīng)采取的LVRT策略、控制目標(biāo)和優(yōu)化參數(shù)，本文利用粒子群優(yōu)化算法進行不同控制策略的選擇和參數(shù)優(yōu)化，并基于PSCAD-MATLAB聯(lián)合仿真進行的電磁暫態(tài)和優(yōu)化過程的仿真，聯(lián)合仿真模塊如圖1所示。

圖1中，PSCAD中建立含DFIG的仿真網(wǎng)絡(luò)進行故障仿真，Matlab中利用Multiple Run進行PSO尋優(yōu)，兩者通過文件進行優(yōu)化參數(shù)和適應(yīng)度數(shù)據(jù)的交互。仿真網(wǎng)絡(luò)和參數(shù)參見文獻［11］及本文2.2節(jié)。

圖1 聯(lián)合模塊示意圖Fig.1 Illustration of combined model

1.2 LVRT策略選擇和優(yōu)化過程

如前文所述，不同故障程度須選擇不同的LVRT策略及相應(yīng)的優(yōu)化控制參數(shù)。

1）改進控制策略參數(shù)優(yōu)化

如圖2，轉(zhuǎn)子側(cè)變流器采用了控制外環(huán)為功率環(huán)，控制內(nèi)環(huán)為電流環(huán)的雙閉環(huán)控制系統(tǒng)，當(dāng)要求電流內(nèi)環(huán)具有較快的電流跟隨性能時，可按典型I型系統(tǒng)設(shè)計，從而得到PI控制器參數(shù)的整定公式［12-13］：

式中：σ=1-L2m( LsLr)；Rr和Ls、Lr分別為轉(zhuǎn)子電阻（Ω）和定、轉(zhuǎn)子電感（H）；Lm為勵磁電感（H）；ωc=2πfc，fc為截止頻率（HZ）。一般要保證截止頻率在等效開關(guān)頻率的1/10以內(nèi)。

故障后閉鎖控制外環(huán)，只需考慮內(nèi)環(huán)PI調(diào)節(jié)器的運行特性。由于d、q軸電流環(huán)結(jié)構(gòu)相同，PI參數(shù)設(shè)置相同，通過式（1）計算和多次仿真調(diào)整后得到初始值。

故障點較遠(yuǎn)時，硬件設(shè)備不動作，轉(zhuǎn)子側(cè)采取改進的控制策略，在電流環(huán)給定值上添加定子磁鏈波動的補償項，內(nèi)環(huán)d、q的指令值變?yōu)椋?］：

圖2 轉(zhuǎn)子側(cè)變流器控制框圖Fig.2 Schematic diagram

通過PSCAD/EMTDC仿真DFIG低電壓穿越電磁暫態(tài)過程［14-15］，t=8 s時，電網(wǎng)發(fā)生三相短路故障，8.2 s故障切除，再利用Matlab中的Multiple Run模塊聯(lián)合仿真粒子群優(yōu)化過程，優(yōu)化的種群規(guī)模30，迭代終止條件為最大迭代40次及適應(yīng)度無變化。

在文獻［11］中的仿真網(wǎng)絡(luò)中設(shè)置故障參數(shù)進行仿真，在電壓跌落20%以內(nèi)時，優(yōu)化前后轉(zhuǎn)子電流內(nèi)環(huán)PI參數(shù)如表1所示。

表1 PI控制器參數(shù)對比Tab.1 Comparison of PIparameters

比較傳統(tǒng)控制、原始參數(shù)改進控制和優(yōu)化參數(shù)改進控制三種方案的仿真結(jié)果，如圖3所示。

對比圖3發(fā)現(xiàn)，加入轉(zhuǎn)子電流補償量的改進控制可使暫態(tài)分量在半隔周波后快速衰減，機組暫態(tài)波動更快穩(wěn)定。而在參數(shù)優(yōu)化的改進控制中，轉(zhuǎn)子電流峰值，定子磁鏈變化幅度均較未優(yōu)化前更小，輸出無功更多。

2）撬棒保護參數(shù)優(yōu)化

嚴(yán)重故障下，改進控制策略受DFIG變流器容量約束難以發(fā)揮作用，需根據(jù)故障情況投入不同的撬棒電阻實現(xiàn)低電壓穿越?？勺冸娮枨税綦娐吠?fù)浣Y(jié)構(gòu)如圖4所示。

圖4 撬棒電路的拓?fù)浣Y(jié)構(gòu)Fig.4 Topology of crowbar circuit

表2 優(yōu)化前后撬棒阻值對比Tab.2 Comparison of Crowbar crowbar resistance

圖5 電壓跌落70%場景的LVRT特性對比Fig.5 Comparison of LVRT characteristics

兩種方案的電磁轉(zhuǎn)矩和無功消耗差異不大，但固定電阻方案波動大，對機組安全更為不利。

3）聯(lián)合控制參數(shù)優(yōu)化

中度故障下，單獨采用改進控制策略效果不明顯，無法降低轉(zhuǎn)子電流峰值；純撬棒保護能有效抑制過電流和過電壓，但撬棒電路投入越久，機組從電網(wǎng)中吸收的無功會更多。

利用撬棒保護和改進控制結(jié)合的控制策略，能夠有效解決兩種方案單獨投入時存在的弊端：在轉(zhuǎn)子側(cè)過電流嚴(yán)重時投入撬棒電路，旁路轉(zhuǎn)子側(cè)變流器，當(dāng)電流恢復(fù)到改進控制的可控范圍內(nèi)切出撬棒電路，采用變流器改進控制策略，直到故障結(jié)束。

本文通過設(shè)置電流門檻值來制定兩者的切換規(guī)則，規(guī)則如下式所示：

式中：i→r為轉(zhuǎn)子電流（A）；IrN為轉(zhuǎn)子電流額定值（A）。

同樣，對電壓跌落50%時的電流內(nèi)環(huán)PI控制器和IGBT開關(guān)占空比進行優(yōu)化，得到參數(shù)如表3所示。

聞喜縣經(jīng)濟社會用水戶數(shù)量較大，部分用水戶擔(dān)心用水量調(diào)查觸及自身利益，不能積極配合調(diào)查工作，導(dǎo)致調(diào)查工作難度加大；規(guī)模以下典型用水戶，由于水量計量設(shè)施尚未普及，一部分用水戶沒有計量設(shè)施，用水量數(shù)據(jù)獲取困難。臺賬建立前需進行大量的清查工作及經(jīng)濟社會用水調(diào)查對象樣本名錄的核實確認(rèn)，臺賬建立時間緊、困難大。

表3 最優(yōu)控制參數(shù)Tab.3 Optimal control parameters

圖6為在電壓跌落50%的情況下三種方案的LVRT特性對比，其中聯(lián)合控制的電流門檻值設(shè)為0.8 kA，切換規(guī)則按式（7）執(zhí)行。

聯(lián)合控制策略靈活運用兩種方案，有效減少了撬棒電阻投入時間和次數(shù)，同時在抑制電流電壓能力上與純撬棒相近，因此適用中度的電壓跌落情況。

根據(jù)上述優(yōu)化結(jié)果形成參數(shù)表，用于DNN網(wǎng)絡(luò)識別故障后匹配策略和參數(shù)，具體參數(shù)如表4所示。

每種故障程度都有對應(yīng)的LVRT策略，當(dāng)程度較輕時，只采取改進控制策略，參數(shù)給的是轉(zhuǎn)子控制系統(tǒng)內(nèi)環(huán)的PI值；而中度故障下，采用聯(lián)合控制策略，則參數(shù)涉及PI值和撬棒阻值；嚴(yán)重故障下單獨投入撬棒電路，因此只給出撬棒阻值。

圖6 風(fēng)機LVRT在電壓跌落50%時的特性Fig.6 LVRT characteristics with 50%voltage sag

2 故障程度識別模型

2.1 DNN結(jié)構(gòu)與原理

DNN本質(zhì)上是一個包含多個隱含層的前饋神經(jīng)網(wǎng)絡(luò)，是近年來發(fā)展迅速的深度學(xué)習(xí)網(wǎng)絡(luò)的一種，具有很好的非線性映射關(guān)系和學(xué)習(xí)能力，適宜處理更大的函數(shù)集合［16-18］，結(jié)構(gòu)如圖7所示：

表4 策略參數(shù)表Tab.4 Parameter table

圖7 DNN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 Structure of DNN

x1，x2，…xn為模型輸入，是由故障信息中提取的定、轉(zhuǎn)子電流所組成的向量，輸入層采用線性恒等函數(shù)作為激活函數(shù)，隱含層層數(shù)為n，最終傳遞給網(wǎng)絡(luò)的輸出向量y1，y2，…xn。(wi，bi)分別為第i個隱含層的權(quán)重與偏置。假定第i-1隱含層的輸入向量為：

則第i層神經(jīng)元的輸出向量a(l)可表示為：

式中：a為第i層神經(jīng)元數(shù)目；w i-1、bi-1為第i-1層的權(quán)重矩陣和閾值變量，f(x)采用ReLU函數(shù)。

在分類問題中，常用softmax分類方法，將多分類的輸出值轉(zhuǎn)化為相對概率，如式（10）所示：

式中：i為類別索引；C為總類別數(shù)；Vi是分類器前級輸出單元輸出；Si為當(dāng)前元素與所有元素的指數(shù)和的比值。

輸入通過softmax函數(shù)計算完后，再計算它們的交叉熵，表示的是目標(biāo)實際輸出概率與期望輸出概率的差距，表達(dá)式為：

式中：N為訓(xùn)練樣本的數(shù)目；p~(y|Xt)為期望概率，值為0或1；p(y|Xt)為DNN網(wǎng)絡(luò)的實際輸出概率。

最后，由式（9）可求得整個網(wǎng)絡(luò)輸出為：

其中：最后一層隱含層神經(jīng)元數(shù)量為β；f n為計算的最后一層隱含層輸出；wn+1、bn+1為輸出層權(quán)值和偏置。

2.2 訓(xùn)練樣本集與測試樣本集數(shù)據(jù)生成

在PSCAD/EMTDC上建立雙饋風(fēng)機-無窮大系統(tǒng)，圖8為仿真系統(tǒng)原理圖。

圖8 仿真系統(tǒng)圖Fig.8 Diagram of simulation system

模型參數(shù)：DFIG容量為2 MW；T1表示風(fēng)機經(jīng)0.69 kV/33 kV和35 kV/110 kV兩個變壓器并入無窮大電網(wǎng)；線路長度L取50 km；n為不同的故障點序號。

為方便研究，本文只考慮了三相短路故障的情況，仿真不同故障點和過渡電阻下DFIG的故障暫態(tài)過程，選取故障發(fā)生后一個周波的三相定、轉(zhuǎn)子電流采樣數(shù)據(jù)（每周波的采樣點數(shù)為24），構(gòu)成DNN的訓(xùn)練集和測試集，仿真參數(shù)如表5～表6所示。

表5 訓(xùn)練樣本仿真參數(shù)設(shè)置Tab.5 Simulation parameters for training set

表6 測試樣本仿真參數(shù)設(shè)置表Tab.6 Simulation parameters for testing set

表中，故障位置指故障點離風(fēng)機并網(wǎng)點的距離，從0～50 km中選取了10個故障點，體現(xiàn)了故障點的遠(yuǎn)、中、近，與故障程度相對應(yīng)；同理，考慮存在過渡電阻的情況，一共設(shè)置了9個阻值。故障程度根據(jù)電壓跌落設(shè)置輕度、中度和嚴(yán)重故障三種，DNN的標(biāo)簽即為相應(yīng)故障類型下的優(yōu)化控制參數(shù)。

2.3 仿真結(jié)果

DNN的分類效果受網(wǎng)絡(luò)參數(shù)的影響很大，仿真中中設(shè)置了不同的DNN網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)以及迭代次數(shù)，并利用測試集校驗訓(xùn)練結(jié)果，如表7所示。

表7 不同網(wǎng)絡(luò)參數(shù)下DNN故障識別仿真結(jié)果Tab.7 Results of simulation

由表7分析可知，DNN的隱含層層數(shù)、各層神經(jīng)元個數(shù)、迭代次數(shù)等均會影響訓(xùn)練的精度、時間。參數(shù)序號1、2的對比表明，隱含層的層數(shù)越多，越能夠有效識別特征來對事物進行區(qū)分，獲得更好的分類效果；序號1、3的對比表明學(xué)習(xí)率過大，難以避免出現(xiàn)訓(xùn)練震蕩的問題，使得達(dá)到相同測試準(zhǔn)確率的時間更長；對比序號1、4，隱含層層數(shù)相同，迭代次數(shù)相同，神經(jīng)元數(shù)量能夠提升準(zhǔn)確率，但是太高容易出現(xiàn)過擬合現(xiàn)象；序號4、5網(wǎng)絡(luò)結(jié)構(gòu)相同，迭代次數(shù)越多準(zhǔn)確率越高。此外，測試過程中，所有訓(xùn)練好的模型在輸入?yún)?shù)后0.2～0.4 ms的時間內(nèi)，均能夠獲取相應(yīng)的優(yōu)化控制參數(shù)，能夠滿足實時控制的需要。

圖9為序號1、2、3的訓(xùn)練圖，其中括平均訓(xùn)練誤差和測試準(zhǔn)確率。

綜合分析結(jié)果，在測試樣本中故障位置、過渡電阻等參數(shù)均不同的情況下，DNN仍然能準(zhǔn)確判斷故障程度，這是因為DNN具有很強的泛化能力與學(xué)習(xí)能力，當(dāng)樣本數(shù)足夠時，對網(wǎng)絡(luò)的輸入向量進行反復(fù)多重的訓(xùn)練可以實現(xiàn)更好的效果，使得該網(wǎng)絡(luò)用于故障程度識別具有極高的準(zhǔn)確率。

圖9 訓(xùn)練結(jié)果圖Fig.9 Graphic of training result

3 結(jié)論

由于無法提前預(yù)知電網(wǎng)故障，優(yōu)化控制在實時性上無法滿足LVRT的控制要求，本文提出將控制參數(shù)離線優(yōu)化，提前考慮所有的故障情況，并制定成一個策略參數(shù)表。通過建立DNN網(wǎng)絡(luò)來進行故障識別，在面對各種故障狀態(tài)下均可直接從表中選取控制策略和參數(shù)。本文基于深度神經(jīng)網(wǎng)絡(luò)的低電壓穿越方案在一定程度上克服了傳統(tǒng)參數(shù)優(yōu)化無法滿足實時控制要求的問題，有效改善了DFIG機組的低電壓穿越效果。