基于DFIG的风力发电机组电压不平衡预测技术

《Electric Power Systems Research》：A voltage imbalance prediction technology for wind turbine generator sets with DFIG

　　

• •
  分析了风电场中双馈感应发电机电网电压不平衡的根源。
• •
  进行了相电压不平衡度计算，并与外部特性进行了相关性分析。
• •
  采用GRU-MHA-O架构来精准预测相电压不平衡度。

引言

《巴黎协定》推动了全球向绿色能源的转型，加速了风能的发展[1]。2024年全球新增风电装机容量为117吉瓦，使得累计装机容量达到1,136吉瓦；预计到2030年全球风电装机容量将达2.75太瓦[2]。然而，许多风电场位于偏远地区，那里的电网电压极易受到三相负载不平衡导致的电压不对称下降的影响[3]。短路故障以及弱电网状况可能会进一步加剧电压不对称性，降低并网风机的稳定性[4]。在电网电压不平衡的情况下，电压和输出功率都可能出现不平衡，而且系统的固有耦合特性意味着即使在正常运行条件下，电流、电压和功率也无法同时保持平衡[5]。

由于成本效益高且性能稳定，双馈感应发电机已成为最常用的风电机组类型之一[6]。此外，双馈感应发电机还能实现最大功率点跟踪[7]，同时能够独立控制有功功率和无功功率，从而在保持较高风能捕获效率的同时提升能量利用率[8]。近期研究进一步探讨了在电压不平衡条件下基于双馈感应发电机的风电机组的并网行为，结果表明电压不对称会显著影响同步性能、变流器运行以及电能质量[9]。因此，基于双馈感应发电机的风电机组的电压不平衡问题仍是风电场运行和维护中的重要课题。

尽管序分量解耦和负序电流控制方法可以有效抑制由电压不平衡在双馈感应发电机中引发的双频功率和扭矩振荡，但在实际运行中三相电压不平衡现象仍难以避免[10]。其根本原因有二：一方面，诸如电网和输电线路本身的不对称性、单相负载的波动以及不对称故障等外部干扰，可能导致公共连接点处出现持续存在且随时间变化的负序电压[11]；另一方面，双馈感应发电机的电压不平衡补偿能力受到变流器电流限制和容量分配的制约，因此很难在所有运行条件下完全消除负序分量[12]。以往的研究试图通过将双馈感应发电机风电机组与动态电压恢复装置相结合来改善电网电压不平衡状况，这进一步证明了在基于双馈感应发电机的风电系统中缓解电压不平衡问题的实际重要性[13]。不过，目前大多数研究都集中在电压不平衡发生后进行控制与补偿，而针对电压不平衡指标的短期预测则相对较少受到关注。

预测模型已被广泛应用于与风能相关的研究中。例如，极端梯度提升算法被用于提升风能预测中的非线性特征学习能力[14]；时间卷积网络在从风能序列中提取局部时间特征方面表现出优势[15]；长短期记忆网络则被广泛用于捕捉风能时间序列中的长期依赖关系[16]；门控循环单元则提供了一种更为轻量级的循环结构，也被应用于风能预测任务中[17]。参考文献[18]提出了一种自监督预训练方法，通过利用低输出样本之间的相似性和差异性，来预测低风速时段的风能出现情况及其输出量，从而提高预测精度。参考文献[19]开发了一种多特征输入的超短期风能预测方法。参考文献[20]提出了一种明确考虑极端天气影响的功率/负荷预测模型。参考文献[21]提出了一种基于尾流干扰调度的风能预测方法。参考文献[22]则提出了一种结合多种深度学习方法的预测框架，并将其应用于风能负荷预测领域。

尽管取得了上述进展，但目前大多数预测研究仍然侧重于宏观层面的功率输出预测，而将数据驱动的预测方法应用于双馈感应发电机电压不平衡预测方面的研究还远远不够[23]。将预测目标从风能输出转向诸如正相电压不平衡度这样的微观电能质量指标，对于提升风电场的预防性维护水平具有重要意义[24]。此外，近期关于在弱交流电网中发生不对称故障时基于双馈感应发电机的风电机组的电压扰动补偿控制的研究表明，在实际的并网条件下，电压扰动和不平衡问题依然十分突出[25]。参考文献[26]提出了一种针对电压不平衡电网条件下的双馈感应发电机的新控制策略，该策略包括模型预测直接功率控制以及功率补偿方案。参考文献[27]提出了一种考虑电能质量的风速预测方法。参考文献[28]针对新投产的风电场开发了一种考虑样本数据不平衡情况的预测方法。参考文献[29]则采用了由电流传感器数据驱动的QPSO-LSTM模型，对三相电流不平衡比率进行时间序列预测。不过，现有研究在直接预测相电压不平衡度、捕捉瞬态局部波动以及验证不同风电场运行条件下的预测性能方面仍存在不足。

为了解决这些难题，本研究提出了一种基于GRU-MHA的预测方法，用于预测基于双馈感应发电机的风电机组的相电压不平衡度。该方法的优点在于将电压不平衡分析从事后的指标计算拓展到了短期预测层面。通过结合基于GRU的时间建模与基于注意力机制的特征增强技术，该方法能够同时捕捉相电压不平衡度的历史演变趋势以及局部波动模式，从而为风电场的电能质量监测以及潜在的早期预警应用提供数据支持。

本文的主要贡献如下：

• 1.
  从双馈感应发电机的拓扑结构及工作原理出发，分析了电压不平衡的形成过程，并根据实测的三相电压数据计算出相电压不平衡度，以此作为预测目标。
• 2.
  提出了一种基于GRU-MHA-O的相电压不平衡度预测模型。其中GRU模块用于从历史相电压不平衡度序列中提取时间依赖特征，而MHA模块则能够自适应地突出关键时间节点和局部波动模式，进而提升对短期相电压不平衡度变化的跟踪能力。
• 3.
  通过使用来自不同风电场和风电机组的实测数据开展了对比实验。选择了包括循环神经网络、基于注意力增强的模型、时间卷积模型以及基于Transformer的模型等多种具有代表性的预测模型作为基准，用以验证所提方法的有效性和稳健性。

章节要点

双馈感应发电机建模

双馈感应发电机是最为常见的风能发电机组，它由一台定子绕组直接连接到恒频三相电网的绕线式转子感应发电机，以及安装在转子绕组上的双向背靠背IGBT电压源变流器组成。在为电压不平衡条件下的双馈感应发电机制定控制策略之前，首先需要建立该发电机的模型。

双馈感应发电机模型为描述其各种耦合关系提供了理论基础

模型架构

所提出的预测模型的架构如图2所示。

首先，使用斯皮尔曼等级相关系数来分析风向、风速和温度等外部变量之间的相关性，从而选出与相电压不平衡度相关的关键气象因素作为输入特征。接着，Optuna算法会选择Adam或AdamW优化器，并调整相应的超参数。随后，再利用GRU模型来提取相电压不平衡度的深层时间依赖特征，而

数据说明

如图5所示，所提出的方法是通过完整的基于数据的测试流程，应用于当前的风电场测试系统中的。

本研究使用的数据来源于中国新疆的两个不同风电场，分别记为A风电场和B风电场。每个风电场各选取了两台风电机组，这四台风电机组分别被标记为A1、A2、B1和B2。具体而言，数据收集时间为2025年的5月、8月和10月。数据的选择充分考虑了

结论

本研究致力于实现风电机组相电压不平衡度的精确预测，为此提出了一种GRU-MHA-O模型。基于中国新疆某风电场的实地数据，通过多维度分析验证了该模型的性能。主要结论如下：

在电网电压不对称的条件下，双馈感应发电机定子电压的正序和负序分量之间的耦合效应会导致扭矩波动和电流畸变。斯皮尔曼等级相关系数分析证实了

CRediT作者贡献说明

刘怡宁：写作——审稿与编辑，写作——初稿撰写，数据整理，概念构思。朱鸿宇：指导，形式分析，概念构思。 张璐：写作——审稿与编辑，写作——初稿撰写。 蒋美慧：指导。 郭辉煌：指导。 张东东：指导，项目管理，资金筹集。

刘怡宁|朱鸿宇|张璐|蒋美慧|郭辉煌|张东东