基于分布式深度神經(jīng)網(wǎng)絡(luò)的雙饋風(fēng)機(jī)低壓故障穿越研究

張哲源，顧幸生

（華東理工大學(xué)能源化工過程智能制造教育部重點(diǎn)實(shí)驗(yàn)室, 上海 200237）

雙饋風(fēng)機(jī)（DFIG）低壓穿越技術(shù)的本質(zhì)就是使雙饋風(fēng)機(jī)具有低壓穿越的能力。根據(jù)嚴(yán)格的風(fēng)電場并網(wǎng)運(yùn)行準(zhǔn)則，風(fēng)電機(jī)組在故障期間必須保證不脫網(wǎng)持續(xù)運(yùn)行，即具備低電壓穿越的能力。雙饋風(fēng)機(jī)低壓故障是指在電網(wǎng)高壓側(cè)電壓突然跌落時，雙饋風(fēng)力機(jī)機(jī)端電壓下降，其產(chǎn)生的直接影響是定子電流急劇上升，磁通下降，并通過定、轉(zhuǎn)子之間的強(qiáng)耦合使轉(zhuǎn)子電流升高，然后雙饋電機(jī)轉(zhuǎn)子功率劇增，進(jìn)而導(dǎo)致與其相連的背靠背功率變頻器功率越限。該故障會導(dǎo)致發(fā)電機(jī)轉(zhuǎn)子側(cè)變頻器發(fā)生過流或過壓保護(hù)而退出運(yùn)行，最終導(dǎo)致風(fēng)力機(jī)過速停車，產(chǎn)生大規(guī)模的風(fēng)力發(fā)電機(jī)組與電網(wǎng)解列。此外，隨著風(fēng)電滲透率的逐步提高，風(fēng)機(jī)故障對電網(wǎng)的沖擊也會變得愈發(fā)嚴(yán)重。因此研究風(fēng)機(jī)低壓穿越技術(shù)，是為了能夠更好地保障電網(wǎng)電壓在突然跌落時風(fēng)機(jī)的穩(wěn)定不脫網(wǎng)運(yùn)行。

目前，雙饋風(fēng)機(jī)低壓穿越的控制策略主要分為兩類：第1 類是加入前饋補(bǔ)償?shù)亩ㄏ蚴噶靠刂芠1]策略，它適用于較低程度的電壓跌落；在嚴(yán)重電壓跌落的情況下，僅通過定向矢量控制難以達(dá)到要求，因此引入了第2 類撬棒保護(hù)控制策略，這種控制策略保證了雙饋風(fēng)機(jī)的持續(xù)并網(wǎng)運(yùn)行，為系統(tǒng)提供無功支撐，有利于系統(tǒng)恢復(fù)[2]。此外低壓穿越還會受其他因素影響，如文獻(xiàn)[3]就著重研究了雙饋風(fēng)機(jī)轉(zhuǎn)子變流器控制系統(tǒng)中PI 參數(shù)的選擇對機(jī)組低壓穿越效果的影響。

為取得更好的控制性能，需選擇較優(yōu)的PI 參數(shù)。部分學(xué)者采用各種優(yōu)化算法對PI 控制器參數(shù)kp、ki進(jìn)行優(yōu)化，包括蟻群算法[4]、遺傳算法[5-6]、粒子群算法[7-8]及其他智能算法[9-10]。這類算法存在如下問題：在實(shí)際過程中，故障的持續(xù)時間通常不會太久，產(chǎn)生故障后再優(yōu)化會由于算法本身消耗的時間使控制效果不理想，實(shí)用性較差。

為了提高算法的實(shí)用性，本文采用故障分類方法和智能優(yōu)化算法結(jié)合的雙饋風(fēng)機(jī)的低壓穿越控制策略。首先通過電磁暫態(tài)仿真軟件PSCAD 搭建好雙饋風(fēng)機(jī)并網(wǎng)控制模型，對風(fēng)機(jī)故障過程進(jìn)行大規(guī)模仿真[11-13]，并根據(jù)對實(shí)際電網(wǎng)造成的損失程度來進(jìn)行故障分類，構(gòu)建不同故障等級下的參數(shù)優(yōu)化策略；然后利用粒子群優(yōu)化算法對不同策略下的控制參數(shù)進(jìn)行離線優(yōu)化，主要針對的是kpd、kid、kpq、kiq（分別表示d軸上的比例增益，q軸上的積分增益，q軸上的比例增益和q軸上的積分增益）這4 個控制參數(shù)和閾值hy。優(yōu)化PI 參數(shù)能降低不同情況下轉(zhuǎn)子電流的超調(diào)量和調(diào)節(jié)時間，提高轉(zhuǎn)子側(cè)變流器控制的穩(wěn)定性。適度調(diào)整閾值hy能控制電流在理想范圍內(nèi)；此外，在需要投入撬棒的情況下，也需要根據(jù)不同故障程度選擇適合的撬棒電阻；最后建立神經(jīng)網(wǎng)絡(luò)來識別故障等級，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(jìn)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(shí)時選擇并確定優(yōu)化的控制策略和參數(shù)，從而解決了實(shí)際故障中控制的實(shí)時性問題[14]。

1 雙饋風(fēng)機(jī)低壓穿越控制參數(shù)優(yōu)化

通過串聯(lián)電阻分壓的方式模擬電網(wǎng)電壓的對稱三相電壓跌落故障，并將故障程度分成3 級：重度故障(跌落至電網(wǎng)電壓的20%～40%)、普通故障(跌落至電網(wǎng)電壓的40%～70%)、輕微故障(跌落至電網(wǎng)電壓的70%～99%)。不同故障程度采取不同低壓穿越方式和PI 參數(shù)。本文通過粒子群優(yōu)化算法(Partical Swarm Optimization，PSO)實(shí)現(xiàn)PI 參數(shù)的優(yōu)化。仿真實(shí)驗(yàn)在MATLAB 平臺下進(jìn)行，雙饋風(fēng)機(jī)額定功率為500 MW，額定電壓為13.8 kV，額定頻率為60 Hz，定轉(zhuǎn)子電阻分別為0.005 4、0.006 07 p.u.，定轉(zhuǎn)子匝數(shù)比為2.637，定轉(zhuǎn)子漏感分別為0.102.、0.11 p.u.，勵磁電感為4.362 p.u.。

1.1 控制策略框架

定子側(cè)變流器采用雙閉環(huán)控制，電壓外環(huán)控制直流母線電壓，直流電壓給定值與反饋值的偏差經(jīng)過調(diào)節(jié)器來決定有功功率的大小和方向。功率的大小反映在電流上，因此電流內(nèi)環(huán)按照電壓外環(huán)輸出的功率進(jìn)行電流控制。

轉(zhuǎn)子側(cè)變流器采用的是基于PI 環(huán)路的控制框架。其中外部控制回路通過調(diào)節(jié)發(fā)電機(jī)轉(zhuǎn)子速度和無功功率以獲得d、q軸轉(zhuǎn)子電流基準(zhǔn)和，內(nèi)部控制回路通過和轉(zhuǎn)換得到ira_ref、irb_ref和irc_ref，并與轉(zhuǎn)子側(cè)電流ira、irb和irc進(jìn)行比較，用反饋型脈寬調(diào)制(Current Reference Pulse Width Modulation，CRPWM)的方式完成調(diào)制。這種框架利用外環(huán)的PI 回路與電流CRPWM 互相作用進(jìn)行反饋調(diào)節(jié)，并利用PSO 進(jìn)行參數(shù)優(yōu)化以實(shí)現(xiàn)最佳控制性能[15]。

1.2 低壓穿越策略

在不同的故障程度下選擇不同的控制策略達(dá)到較好的控制效果。本文只考慮轉(zhuǎn)子側(cè)變流器的控制優(yōu)化，控制框圖如圖1 所示，其中Qs和分別表示無功功率的實(shí)際值及其設(shè)定參考值，i表示電流，w表示離子轉(zhuǎn)速。

圖1 轉(zhuǎn)子側(cè)變流器控制框圖Fig.1 Control block diagram of rotor side converter

1.2.1 輕微故障控制策略 該控制策略中，優(yōu)化參數(shù)為kpd、kid、kpq、kiq以及CRPWM 參數(shù)hy。其中，CRPWM 在所需電流參考波形周圍放置上下公差帶，允許在一定負(fù)載中產(chǎn)生任意電流波形。如果實(shí)際電流低于下閾值，則打開向負(fù)載施加正電壓的上開關(guān)，電源中的電流隨著該電壓的升高而升高；當(dāng)電流高于上限閾值時，上限開關(guān)斷開，下限開關(guān)接通，并向負(fù)載施加負(fù)電壓，使電流下降。因此，期望電流和實(shí)際電流之間的差異始終保持在公差范圍內(nèi)。通過減小閾值hy大小，可控制所需電流近似到任何必要的程度。當(dāng)然閾值hy是有限制的，閾值越小，開關(guān)周期越小，即開關(guān)頻率和損耗越高。綜上所述，閾值hy的選擇也十分重要。

優(yōu)化目標(biāo)為降低轉(zhuǎn)子電流幅值和減小暫態(tài)直流分量，由此確定的相關(guān)公式和適應(yīng)度函數(shù)為：

其中：Q是無功功率，uqs是定子側(cè)q軸電壓，ids是定子側(cè)d軸電流，Ls是定子側(cè)電感，iqs是定子側(cè)q軸電流，Lm是定轉(zhuǎn)子側(cè)互感，iqr、是轉(zhuǎn)子側(cè)q軸電流的實(shí)際值和設(shè)定參考值，idr、分別是轉(zhuǎn)子側(cè)d軸電流的實(shí)際值和設(shè)定參考值，Ψ1為定子磁鏈。

根據(jù)要求，兩個相互作用的PI 環(huán)路的參數(shù)需要被最優(yōu)調(diào)節(jié)。外部控制回路中比例增益和積分增益kpd、kid、kpq、kiq在[0,1]、[0, 25]、[0,1 250]、[0,5]之間是有界的；內(nèi)部控制回路中閾值hy在[0, 10]范圍內(nèi)變化，t是總操作時間，風(fēng)速W限制在0～1.1 p.u.，電網(wǎng)電壓限制在0.2～1.0 p.u.，無功功率限制在-100～200 kW。

由于d、q軸電流環(huán)結(jié)構(gòu)相同，PI 參數(shù)設(shè)置相差不大，通過Z-N 整定法計(jì)算和多次仿真調(diào)整后得到其初始值，并在此基礎(chǔ)上實(shí)現(xiàn)參數(shù)優(yōu)化。

1.2.2 嚴(yán)重故障控制策略 嚴(yán)重故障下，由于受DFIG 變流器容量約束，故僅通過調(diào)整轉(zhuǎn)子側(cè)變流器PI 參數(shù)的控制策略難以發(fā)揮作用，需根據(jù)故障情況投入不同的撬棒電阻實(shí)現(xiàn)低電壓穿越?？勺冸娮枨税綦娐吠?fù)浣Y(jié)構(gòu)如圖2 所示，其中DEA、DEB、DEC、DED、DEE 和DEF 代表6 個絕緣柵雙極型晶體管（IGBT）。

圖2 撬棒保護(hù)電路Fig.2 Crowbar protection circuit

通過改變兩個IGBT 開關(guān)（S1和S2）占空比（W1，W2）以及導(dǎo)通時的IGBT 阻值（R1、R2)控制撬棒等效阻值（Rc）的大小，計(jì)算公式為：

撬棒保護(hù)參數(shù)優(yōu)化通過改變IGBT 導(dǎo)通時間和導(dǎo)通電阻來實(shí)時修改撬棒阻值。優(yōu)化的目標(biāo)是讓無功功率輸出穩(wěn)定，并保證轉(zhuǎn)子電流在故障時變化幅度降低，同時在滿足直流母線電壓Udc低于閾值的情況下盡可能減小超調(diào)。綜上所述，適應(yīng)度函數(shù)定義為：

其中：Udc和分別指直流母線電壓的實(shí)際值和設(shè)定參考值。

1.2.3 普通故障控制策略 普通故障下，僅通過優(yōu)化轉(zhuǎn)子側(cè)變流器PI 參數(shù)抑制轉(zhuǎn)子電流的效果較差，不能滿足控制要求，不利于風(fēng)機(jī)的故障恢復(fù)；相對而言，僅靠純撬棒保護(hù)雖然能有效抑制過電流和過電壓，但投入撬棒保護(hù)會產(chǎn)生較多的無功消耗，且在撬棒阻值的選擇上也有一定的要求。綜上所述，通過采取撬棒保護(hù)和參數(shù)調(diào)節(jié)相結(jié)合的方式，能夠有效解決兩種方案單獨(dú)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，切出轉(zhuǎn)子側(cè)變流器，當(dāng)電流恢復(fù)到使用PI 控制的可控范圍內(nèi)再切出撬棒電路，采用變流器控制至故障結(jié)束。本文通過判斷轉(zhuǎn)子電流超限值來判斷是否采用撬棒電路。

1.3 實(shí)驗(yàn)結(jié)果

通過PSCAD 仿真改變網(wǎng)側(cè)串聯(lián)電阻的方式模擬DFIG 低電壓穿越暫態(tài)過程，當(dāng)t=8.5 s 時，電網(wǎng)發(fā)生三相短路故障，8.7 s 時故障切除，然后通過軟件接口將數(shù)據(jù)傳入MATLAB 仿真粒子群優(yōu)化過程，尋找最優(yōu)參數(shù)。優(yōu)化的種群規(guī)模100，迭代終止條件為迭代40 次。

1.3.1 輕微故障控制策略 優(yōu)化前后參數(shù)對比如表1所示。

表1 控制器參數(shù)對比Table 1 Controller parameter comparison

圖3 所示為傳統(tǒng)控制和優(yōu)化參數(shù)改進(jìn)控制兩種方案的仿真結(jié)果。對比發(fā)現(xiàn)，在參數(shù)優(yōu)化后的控制中，轉(zhuǎn)子電流峰值（ir）、電磁轉(zhuǎn)矩（Te）和無功功率（Q）的波動幅度均較優(yōu)化前更小，輸出無功更穩(wěn)定。

圖3 電壓跌落30%以內(nèi)低壓穿越特性對比Fig.3 Comparison of low voltage ride through characteristics within 30% voltage drop

1.3.2 嚴(yán)重故障控制策略 嚴(yán)重故障下電壓跌落至20%～40%，當(dāng)故障電流大于正常轉(zhuǎn)子電流的1.5 倍時啟動撬棒電路，并在撬棒電路啟動后停止原本的調(diào)制手段。固定撬棒電阻和可變電阻兩種方案的參數(shù)選擇如表2 所示，仿真結(jié)果如圖4 所示。

表2 優(yōu)化前后撬棒電阻Table 2 Crowbar resistance before and after optimization

圖4 電壓跌落至32%時低壓穿越特性對比Fig.4 Comparison of low voltage ride through characteristics when the voltage drops to 32%

分析可知，傳統(tǒng)撬棒固定整定值相對較大，且在不同跌落程度下撬棒保護(hù)阻值固定。阻值優(yōu)化后一定程度上緩解了轉(zhuǎn)子過電流和直流母線電壓過壓的情況。如圖4 所示，兩種方案的電磁轉(zhuǎn)矩和無功功率差異不大，但優(yōu)化前的固定電阻方案波動大，對機(jī)組安全更為不利，并且可以看到優(yōu)化后降低了直流母線電壓（E）的超調(diào)量，達(dá)到了預(yù)期效果。

1.3.3 普通故障控制策略 當(dāng)電壓跌落至45%時，對外環(huán)PI 控制器、CRPWM 參數(shù)hy和撬棒等效阻值（Rc）進(jìn)行優(yōu)化，采取的策略為：當(dāng)故障電流低于轉(zhuǎn)子正常電流的1.25 倍時，采用輕微故障策略的控制方式；在故障電流超過轉(zhuǎn)子正常電流的1.25 倍后，采用嚴(yán)重故障策略的控制方式。參數(shù)如表3 所示。

表3 優(yōu)化前后控制參數(shù)對比Table 3 Comparison of control parameters before and after optimization

圖5 所示為在電壓跌落至45%時3 種方案的低壓穿越特性對比。其中，聯(lián)合控制的電流門檻值設(shè)為正常轉(zhuǎn)子電流的1.25 倍，故障情況下當(dāng)轉(zhuǎn)子電流高于常態(tài)的1.25 倍時，啟動撬棒電流抑制轉(zhuǎn)子過電流；當(dāng)轉(zhuǎn)子電流低于常態(tài)的1.25 倍時，采用優(yōu)化控制參數(shù)的變流器控制方式。這種控制策略能減少撬棒電阻投入的時間和次數(shù)，在抑制轉(zhuǎn)子過電流方面有較好的效果。在聯(lián)合控制策略下，無功功率和電磁轉(zhuǎn)矩的控制效果均介于兩種單獨(dú)控制之間，直流母線電壓超調(diào)量也相對減小，風(fēng)機(jī)機(jī)組更加穩(wěn)定。這種二者結(jié)合的控制策略能有效繼承單獨(dú)控制的優(yōu)點(diǎn)，因此適用于中度的電壓跌落情況。

圖5 電壓跌落至45%時低壓穿越特性對比Fig.5 Comparison of low voltage ride through characteristics when the voltage drops to 45%

綜上所述，不同故障程度都有對應(yīng)的低壓穿越策略：輕微故障采用優(yōu)化參數(shù)的控制策略；中度故障采用聯(lián)合控制策略；嚴(yán)重故障采用單獨(dú)投入撬棒電路的控制策略。

2 故障程度識別模型

2.1 數(shù)據(jù)預(yù)處理與分布式深度神經(jīng)網(wǎng)絡(luò)（DNN）故障模型訓(xùn)練

2.1.1 故障特征選擇 為了在不對故障識別準(zhǔn)確率造成較大影響的情況下適當(dāng)縮減訓(xùn)練時間，本文利用PCA 主成分提取的思想[16-18]，合理選擇特征較為明顯的數(shù)據(jù)，歸并特征不明顯的數(shù)據(jù)。通過正常工況下的數(shù)據(jù)平均值與不同故障程度下的數(shù)據(jù)平均值的相差程度、故障數(shù)據(jù)與正常數(shù)據(jù)的離散程度來選擇特征明顯的數(shù)據(jù)，并將特征不明顯的數(shù)據(jù)按照一定比例加權(quán)合成，最終達(dá)到降維的效果。相關(guān)公式如式（5）～式（7）所示：

其中：s1i、s1k表示特征i和特征k與故障的關(guān)聯(lián)程度，表示特征i的數(shù)據(jù)在正常狀態(tài)下的平均值，表示特征i的數(shù)據(jù)在故障狀態(tài)下的平均值，s2i表示特征i與正常數(shù)據(jù)的離散程度，xkun表示各個故障數(shù)據(jù)點(diǎn)，Nsyn表示加權(quán)合成的特征，ωi為待合成特征i的權(quán)重值，Xi為特征i的數(shù)據(jù)值，m為特征項(xiàng)總數(shù)。

2.1.2 訓(xùn)練樣本選擇 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的時間和準(zhǔn)確度不僅與網(wǎng)絡(luò)參數(shù)、隱藏層神經(jīng)元個數(shù)和隱藏層數(shù)量等因素相關(guān)，它還與訓(xùn)練樣本的多少以及訓(xùn)練樣本的選擇有關(guān)。本文采用歐氏距離和Person 相關(guān)系數(shù)來進(jìn)一步提取有效的訓(xùn)練樣本。

歐氏距離用來計(jì)算兩個向量間的自然長度，公式如下：

其中：re代表第n維向量xin與xjn的歐氏距離，xi及xj表示不同數(shù)據(jù)點(diǎn)，m是向量的維度。

Person 相關(guān)系數(shù)衡量的是線性相關(guān)關(guān)系。若相關(guān)系數(shù)為0，只能說x與y之間無線性相關(guān)關(guān)系，不能說無相關(guān)關(guān)系。相關(guān)系數(shù)的絕對值越大，相關(guān)性越強(qiáng)，即相關(guān)系數(shù)越接近于1 或-1，相關(guān)度越強(qiáng)；相關(guān)系數(shù)越接近于0，相關(guān)度越弱。公式如下：

其中：rPer代表第n維向量xin與xjn的Person 相關(guān)系數(shù)，表示平均值。

按照式（8）和式（9）分別計(jì)算訓(xùn)練數(shù)據(jù)的歐氏距離和Person 相關(guān)系數(shù)，分別取歐式距離為最小值的數(shù)據(jù)和Person 相關(guān)系數(shù)接近1 的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)[19]。

2.1.3 分布式DNN 訓(xùn)練 DNN 本質(zhì)上是包含多個隱含層的前饋神經(jīng)網(wǎng)絡(luò)，也是近年來發(fā)展迅速的深度學(xué)習(xí)網(wǎng)絡(luò)的一種。DNN 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[20-22]，結(jié)構(gòu)如圖6 所示。

圖6 DNN 結(jié)構(gòu)圖Fig.6 DNN structure diagram

圖6 所示的x1,x2,···,xm為模型輸入，是由故障信息中提取的定、轉(zhuǎn)子電壓電流等數(shù)據(jù)所組成的向量。DNN 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)的輸出向量為y1,y2,···,yn。(ωi,bi) 分別為第i個隱含層的權(quán)重矩陣與偏置。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(i)可表示為：

其中：α(i)為第i層神經(jīng)元數(shù)目，ωi-1、bi-1分別為第i-1層的權(quán)重矩陣和偏置。隱藏層傳遞函數(shù)f(x)采用Tansig 函數(shù)，輸出層傳遞函數(shù)采用Purelin函數(shù)，反向傳播的訓(xùn)練函數(shù)采用Trainlm 函數(shù)。

首先，通過反向傳播訓(xùn)練函數(shù)、訓(xùn)練集和訓(xùn)練集標(biāo)簽訓(xùn)練得到DNN 故障識別模型。然后，通過隱藏層函數(shù)和輸出層函數(shù)計(jì)算測試集，獲得一維的故障等級，并與實(shí)際的故障等級比較，輸出DNN 網(wǎng)絡(luò)故障預(yù)測的準(zhǔn)確率。最后，由式(12)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，fn為計(jì)算的最后一層隱含層輸出，ωn+1、bn+1分別為輸出層權(quán)重矩陣和偏置。

采用圖7 所示的分布式DNN 訓(xùn)練流程獲得各個子分類器。由于子分類器的訓(xùn)練樣本是隨機(jī)抽樣獲取，且子分類器參數(shù)也互不相同，導(dǎo)致識別出的故障等級也會有一定差異。首先利用該方法進(jìn)行數(shù)據(jù)預(yù)處理，提取特征較為明顯的數(shù)據(jù)；然后通過Person系數(shù)和歐氏距離法減少數(shù)據(jù)的冗余程度，降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練的復(fù)雜度，提高了效率；最后采用分布式訓(xùn)練方法，遵循少數(shù)服從多數(shù)的原則，使模型預(yù)測的結(jié)果有了更好的準(zhǔn)確度。

圖7 分布式DNN 訓(xùn)練流程圖Fig.7 Distributed DNN training flow chart

2.2 仿真結(jié)果

為方便研究，本文僅考慮了三相短路故障的情況。為了仿真不同程度故障下DFIG 的故障暫態(tài)過程，需選取故障發(fā)生前后DFIG 的定子電壓、定子電流、轉(zhuǎn)子電流、直流母線電壓、無功功率等共12 維數(shù)據(jù)作為DNN 的訓(xùn)練集和測試集進(jìn)行故障識別。由于需要3 個子分類器，本文采用3 次Hermita 多項(xiàng)式差值方式對原始訓(xùn)練數(shù)據(jù)進(jìn)行擴(kuò)容。

根據(jù)實(shí)際要求更改電網(wǎng)電壓分壓電阻大小來滿足不同程度的故障跌落要求，并選擇6 000 個正常數(shù)據(jù)點(diǎn)和6 400 個故障數(shù)據(jù)點(diǎn)，共12 400×12 維數(shù)據(jù)作為原始訓(xùn)練數(shù)據(jù)。故障仿真訓(xùn)練集和測試集參數(shù)表分別如表4 和表5 所示。

表4 故障仿真訓(xùn)練集參數(shù)表Table 4 Parameter table of fault simulation training set

表5 故障仿真測試集參數(shù)表Table 5 Parameter table of fault simulation test set

通過改變故障分壓的電阻模擬與風(fēng)機(jī)并網(wǎng)點(diǎn)的不同距離處產(chǎn)生故障的情況，選取8 個故障點(diǎn)反映故障位置與電網(wǎng)的遠(yuǎn)、中、近距離，并與故障程度以及電壓跌落幅度相對應(yīng)。根據(jù)電壓跌落程度將故障類型設(shè)為輕微(故障1)、普通(故障2)和嚴(yán)重(故障3)3 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)。

DNN 的訓(xùn)練時間和分類效果不僅受訓(xùn)練集和測試集數(shù)據(jù)的影響，還受網(wǎng)絡(luò)參數(shù)的影響。目前已經(jīng)被證明的有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)練的精度和時間。其中，隱含層的層數(shù)越多，越能有效識別特征，獲得更好的分類效果；學(xué)習(xí)率過大，會出現(xiàn)訓(xùn)練震蕩的問題，使達(dá)到相同測試準(zhǔn)確率的時間變長；在隱含層層數(shù)相同、迭代次數(shù)相同的情況下，神經(jīng)元數(shù)量增加能提升準(zhǔn)確率，但是數(shù)量太多容易出現(xiàn)過擬合現(xiàn)象；訓(xùn)練的迭代次數(shù)越多準(zhǔn)確率越高。

在確定上述參數(shù)的前提下，將本文故障識別方法與目前用于雙饋風(fēng)機(jī)故障識別的方法（傳統(tǒng)DNN 和BP 神經(jīng)網(wǎng)絡(luò)）進(jìn)行對比，表6 給出了策略1(文獻(xiàn)[14]中的傳統(tǒng)DNN 故障識別)、策略2（傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)故障識別）、策略3(數(shù)據(jù)預(yù)處理DNN 故障識別)以及策略4(分布式DNN 故障識別)的測試結(jié)果。

表6 不同策略下DNN 故障識別仿真結(jié)果Table 6 Simulation results of DNN fault identification under different strategies

分析表6 可知，文獻(xiàn)14 采用原始數(shù)據(jù)DNN故障識別方法（策略1），因?yàn)轱L(fēng)機(jī)模型不同，獲取數(shù)據(jù)有差別，所以復(fù)用其方法對本模型數(shù)據(jù)進(jìn)行故障識別，并在此基礎(chǔ)上進(jìn)行對比實(shí)驗(yàn)（策略3 和策略4）。策略2 用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識別，由于BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、隱藏層單一，其故障識別速度相比于多層深度神經(jīng)網(wǎng)絡(luò)要快很多，但精確度較低。由以上分析可知，傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)雖然速度較快，但精確度最低，故這里僅做參考。而文獻(xiàn)[14]中的DNN將所有數(shù)據(jù)進(jìn)行訓(xùn)練，準(zhǔn)確度雖有明顯提升，但速度大幅下降。在此基礎(chǔ)上進(jìn)行了數(shù)據(jù)特征提取(策略3)后，測試準(zhǔn)確度下降了1.17%，而平均訓(xùn)練時間提升了664 s，即訓(xùn)練時間降低了29.6%。相比于前3 種訓(xùn)練方式，分布式DNN 測試(策略4)由于其分布式訓(xùn)練、投票選擇的特點(diǎn)，能在提高訓(xùn)練時間的同時，幾乎不降低其測試準(zhǔn)確率，達(dá)到了實(shí)驗(yàn)的預(yù)期效果，足以證明改進(jìn)有效。

3 結(jié)束語

電網(wǎng)電壓跌落故障的發(fā)生通常有時間隨機(jī)、影響較大的特點(diǎn)，且風(fēng)電機(jī)組低壓穿越期間不脫網(wǎng)運(yùn)行的時間與電網(wǎng)恢復(fù)時間相對應(yīng)，所以要求風(fēng)機(jī)能夠保證在一定時間內(nèi)不脫網(wǎng)持續(xù)運(yùn)行。傳統(tǒng)控制方式在時效性上無法滿足低壓穿越的控制要求。為了能夠根據(jù)電網(wǎng)故障的程度及時選擇不同低壓穿越策略，達(dá)到更好的控制效果，本文采用離線參數(shù)優(yōu)化和故障模型訓(xùn)練、在線故障識別的方式，在發(fā)生故障后快速準(zhǔn)確識別出故障類型，選擇合適的控制策略和優(yōu)化參數(shù)，一定程度上避免了復(fù)雜在線計(jì)算和風(fēng)機(jī)大面積脫網(wǎng)的情況，提升了雙饋風(fēng)機(jī)低壓穿越時的控制效果。