双馈式风电场改进的恒电压控制策略

双馈式风电场采用恒电压控制能够为电网提供电压支持,但风速的随机波动使输电线路潮流频繁变化,给控制系统的稳定性带来了挑战,因此本文对恒电压控制进行改进：通过引入等值风速作为前馈控制,对风速扰动进行补偿,抑制电压波动。为减小双馈风电机组内部有功损耗,提出双层无功分配策略：第一层根据各机组无功极限的大小进行分配,第二层以最大限度的减小机组内部有功损耗为目标,在双馈机定子侧和网侧变流器（GSC）之间进行优化分配。通过仿真,验证了该方法能有效抑制由于风速变化导致的电压波动,并且大大减小双馈风电机组内部功率损耗。     

基于自适应变异粒子群算法的双馈风电机组等值建模

风电机组等值建模是风电并网研究的基础,文中提出一种基于自适应变异粒子群(AMPSO)算法的双馈风电机组等值建模方法。首先依据风力机型号进行机群划分,通过简化双馈风电机组控制策略,建立了双馈风电机组等值模型。根据模型中各参数对双馈风电机组运行特性的影响特点,将其分为暂态参数和稳态参数,采用收敛速度快、通用性强的AMPSO算法对稳态参数寻优,采用试测法辨识暂态参数。通过仿真,验证了所述等值方法精确、简便,适用于大规模风电场接入电网的分析计算。     

基于单片机中人工神经网的故障电弧识别研究

提出了一种基于单片机中人工神经网络的低压串联交流故障电弧识别方法,搭建了交流串联故障电弧实验平台,设计了基于STM32F407ZGT6单片机与AD7606芯片的信号采集板,建立了TensorFlow下的人工神经网络模型。通过采集正常工作和发生故障电弧的电流奇次谐波数据,对人工神经网络模型进行训练,将训练后的人工神经网络导入单片机STM32F407ZGT6中,用于对故障电弧进行识别。实验结果表明该方法可准确识别交流串联故障电弧。     

基于特高频局放技术与CG-BP算法的GIS绝缘故障类型识别方法

针对封闭式气体绝缘开关装置(Gas Insulated Switch Gear, GIS)由于生产、运输安装和运行环境等因素,引发的局部放电(Partial discharge, PD)现象而造成的绝缘故障类型问题,提出一种基于特高频(UHF)局放技术与CG-BP算法的GIS绝缘故障类型识别方法。首先,对GIS内的PD产生机理,以及UHF局放技术的实现过程进行描述,并在此基础上,分析了GIS内部4种常见的PD信号的UHF传播特性。其次,利用共轭梯度法(Conjugate Gradient, CG)来优化BP算法的初始阈值和权值,进而提高BP算法学习效率和GIS故障类型识别率。最后,仿真结果表明：相比基于传统BP算法的GIS故障类型识别方法,改进的CG-BP识别算法可有效减少训练次数,且识别准确率可达91%,提高了10%。     

风电场容量比对无功补偿容量的影响研究

由于扩建等原因,大规模风电场通常同时含有鼠笼式风力发电机和双馈式风力发电机。通过分析鼠笼式风机和双馈式风机的无功特性,研究了两种风机的容量比对混合风电场无功补偿的影响。并提出以临界容量比作为衡量混合风电场无功补偿容量的标准。当鼠笼机与双馈机的容量比小于或等于临界容量比时,混合风电场内部可以实现无功平衡,无需装设无功补偿设备;而容量比大于临界容量比时,混合风电场将从电网吸收感性无功,有必要对其进行无功补偿。最后利用PSCAD/EMTDC软件搭建了混合风电场模型,通过仿真验证了上述观点的正确性。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。