针对直驱风电场经柔性直流输电(voltage source converter based high voltage direct current,VSC-HVDC)并网系统的次同步振荡(subsynchronous oscillation,SSO)问题,目前研究在机理分析中难以揭示子系统之间的扰动传递过程和耦合关系...针对直驱风电场经柔性直流输电(voltage source converter based high voltage direct current,VSC-HVDC)并网系统的次同步振荡(subsynchronous oscillation,SSO)问题,目前研究在机理分析中难以揭示子系统之间的扰动传递过程和耦合关系,同时难以量化不同特性对于系统稳定的影响。因此,基于路径分析法开展系统的SSO机理研究,并以锁相环(phase-locked loop,PLL)振荡模态为例开展路径分析法的模态扩展。首先,采用模块化建模方法建立系统的线性化模型。其次,将转子运动方程的阻尼系数推广至振荡模态的主导元件动态方程,从而获取系统的稳定判据。然后,基于路径分析揭示子系统之间的扰动传递过程和耦合关系,基于阻尼分解量化风电场内部特性以及风电场与VSC-HVDC之间交互作用特性对于系统稳定的影响。最后,开展PLL控制参数对于阻尼特性的影响分析。结果表明:路径分析法可以应用于不同的振荡模态;直驱风电场与VSC-HVDC之间的扰动传递路径呈现双闭环耦合关系;通过增大直驱风电机组PLL比例系数或减小直驱风电机组PLL积分系数可以有效提高系统的总阻尼系数,从而提升系统的稳定性。展开更多
为实现柔性直流(voltage sourced converter-high voltage direct current,VSC-HVDC)换流阀冷却系统入阀水温的智能预测,文中提出一种基于随机森林(random forest,RF)和双向长短时记忆(bi-directional long short-term memory,BiLSTM)...为实现柔性直流(voltage sourced converter-high voltage direct current,VSC-HVDC)换流阀冷却系统入阀水温的智能预测,文中提出一种基于随机森林(random forest,RF)和双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络混合的柔直换流阀冷却系统入阀水温的预测模型,并以此为基础对柔直换流站阀冷系统的冷却能力进行评估。首先,采用RF算法对由阀冷系统监测变量组成的高维特征集进行重要性分析,筛选出影响入阀水温的重要特征,与历史入阀水温构成输入特征向量。然后,将特征向量输入到BiLSTM预测模型,对模型进行训练并实现对入阀水温的准确预测和冷却能力定量评估。最后,以广东电网某柔直换流站为实例对所提方法进行分析,验证了所提出的基于RF-BiLSTM的混合模型预测精度优于BiLSTM模型、RF模型、支持向量机(support vector machine,SVM)模型和自回归滑动平均模型(auto-regressive and moving average,ARMA)模型,并且实现了冷却能力的定量评估。结果表明该换流站冷却裕量达98%,存在过度冷却、能源浪费的问题,与换流站现场运行情况相符,验证了文中所提方法的有效性和准确性。展开更多
文摘针对直驱风电场经柔性直流输电(voltage source converter based high voltage direct current,VSC-HVDC)并网系统的次同步振荡(subsynchronous oscillation,SSO)问题,目前研究在机理分析中难以揭示子系统之间的扰动传递过程和耦合关系,同时难以量化不同特性对于系统稳定的影响。因此,基于路径分析法开展系统的SSO机理研究,并以锁相环(phase-locked loop,PLL)振荡模态为例开展路径分析法的模态扩展。首先,采用模块化建模方法建立系统的线性化模型。其次,将转子运动方程的阻尼系数推广至振荡模态的主导元件动态方程,从而获取系统的稳定判据。然后,基于路径分析揭示子系统之间的扰动传递过程和耦合关系,基于阻尼分解量化风电场内部特性以及风电场与VSC-HVDC之间交互作用特性对于系统稳定的影响。最后,开展PLL控制参数对于阻尼特性的影响分析。结果表明:路径分析法可以应用于不同的振荡模态;直驱风电场与VSC-HVDC之间的扰动传递路径呈现双闭环耦合关系;通过增大直驱风电机组PLL比例系数或减小直驱风电机组PLL积分系数可以有效提高系统的总阻尼系数,从而提升系统的稳定性。
文摘为实现柔性直流(voltage sourced converter-high voltage direct current,VSC-HVDC)换流阀冷却系统入阀水温的智能预测,文中提出一种基于随机森林(random forest,RF)和双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络混合的柔直换流阀冷却系统入阀水温的预测模型,并以此为基础对柔直换流站阀冷系统的冷却能力进行评估。首先,采用RF算法对由阀冷系统监测变量组成的高维特征集进行重要性分析,筛选出影响入阀水温的重要特征,与历史入阀水温构成输入特征向量。然后,将特征向量输入到BiLSTM预测模型,对模型进行训练并实现对入阀水温的准确预测和冷却能力定量评估。最后,以广东电网某柔直换流站为实例对所提方法进行分析,验证了所提出的基于RF-BiLSTM的混合模型预测精度优于BiLSTM模型、RF模型、支持向量机(support vector machine,SVM)模型和自回归滑动平均模型(auto-regressive and moving average,ARMA)模型,并且实现了冷却能力的定量评估。结果表明该换流站冷却裕量达98%,存在过度冷却、能源浪费的问题,与换流站现场运行情况相符,验证了文中所提方法的有效性和准确性。