基于机器学习与外部测量数据的风电场聚合模型设计

《Energy and AI》：Machine learning based design of an aggregated model of wind farms using external measurements only

　　

摘要专业翻译 输电系统运营商（TSO）必须评估接入其电网的系统的动态行为，以确保电网稳定性。然而，知识产权限制往往限制了对变流器参数的访问，在某些情况下甚至限制了对网络互联信息的访问。因此，当仅有公共耦合点（PCC）处测量的导纳可用时，推导包含多个变流器的系统的聚合模型变得具有挑战性。这一问题对风电场尤为重要，因为在考虑电网形成（GFM，电压源型）和电网跟随（GFL，电流源型）变流器的集体行为以及电缆阻抗影响的同时，稳定性研究需要简化的动态模型。本研究提出一种聚合表示方法，该方法由两个等效变流器组成，一个为电网形成型，一个为电网跟随型，通过等效LCL电缆模型连接到PCC。模型参数通过神经网络进行识别。拓扑滤波自编码器将变流器动态与网络效应分离。深度学习模型随后识别控制结构组合，并估计电网形成型与电网跟随型单元的比例。额外的神经网络估计动态参数，包括带宽和惯性，而混合物理-机器学习框架确定等效LCL电缆模型参数。所提出的方法在控制结构分类中达到超过99%的准确率，频率带宽估计误差低于5%，全局阻抗复现精度低于5%。对于所考虑的100台机组风电场，所提出的方法将系统简化为两个等效变流器和一个等效LCL电缆模型。训练完成后，识别仅需数秒，而降阶模型可在不到一秒内完成仿真，显著降低了计算负担。与传统估计方法相比，该方法在保持精度的同时减少了计算工作量，适用于TSO应用。其通用公式化设计还可扩展到其他变流器架构和网络配置。

论文解读

一、研究背景与问题

随着全球能源系统向低碳化转型，风能、太阳能等可再生能源的大规模并网正在推动电力系统从集中式同步发电向分布式、变流器主导的系统转变。传统上，变流器在强同步电网中以电网跟随（GFL）模式运行。随着系统惯量下降，更快的频率动态和电压稳定性问题逐渐显现。电网形成（GFM）控制因此被引入，以主动调节电压和频率，稳定运行现在依赖于GFL与GFM变流器的共存及适当比例。

输电系统运营商（TSO）需要使用模态分析和基于阻抗的方法评估系统稳定性，并通过详细模型或测试验证合规性。然而，保密性限制了对内部变流器模型的访问，基于阻抗的方法也无法揭示导致不稳定的具体控制机制。这促使了基于测量的聚合模型的需求——该模型既能保护机密性，仅依赖外部测量，又能通过快速仿真复现变流器主导系统的主导动态行为。

现有文献中，针对风电场或虚拟电厂（VPP）的聚合动态模型数量有限。已有方法包括单变流器等效和多变流器模型。数据驱动方法（包括深度学习）已被越来越多地应用于复杂工程系统的诊断、预测和参数预测，但这类方法通常用于预测或诊断，而非重建具有物理可解释性的异构变流器系统聚合动态模型。物理启发神经网络通常局限于单变流器系统。近年来的物理信息驱动和数据驱动聚合方法虽引起关注，但仍依赖高质量数据集，且在保持可解释性和分析可处理性方面面临挑战。此外，现有混合聚合策略通常考虑单一控制模式，未明确处理GFL和GFM变流器同时共存的问题。互联电缆的阻抗对风电场全局导纳有强烈影响，而传统和学习方法不适用于具有数百个变流器的大规模系统。一个关键挑战在于分离网络拓扑影响与变流器动态。

二、研究内容与结论

本研究的主要目标是开发一个多变流器风电场的聚合动态模型，同时考虑GFL和GFM控制模式的共存以及网络拓扑的影响。为此，研究人员引入了一个新颖且完整的风电场聚合动态模型，其结构和参数仅使用外部可访问的PCC导纳测量来识别，无需内部变流器状态或专有变流器参数。

该研究的主要贡献包括：一个完整的双变流器聚合动态模型，仅从外部PCC测量识别；一个用于识别等效GFL和GFM变流器控制结构和物理意义参数的深度学习框架；一个用于估计等效LCL电缆模型的混合物理-数据驱动程序；以及通过重建全局风电场导纳对所得聚合模型的集成验证。

研究结论表明，所提出的方法在控制结构分类中达到超过99%的准确率，频率带宽估计误差低于5%，全局阻抗复现精度低于5%。对于所考虑的100台机组风电场，该方法将系统简化为两个等效变流器和一个等效LCL电缆模型。训练完成后，识别仅需数秒，降阶模型可在不到一秒内完成仿真，显著降低了计算负担。与传统估计方法相比，该方法在保持精度的同时减少了计算工作量，适用于TSO应用。其通用公式化设计还可扩展到其他变流器架构和网络配置。

三、主要技术方法

研究人员采用了一套多阶段机器学习与物理建模相结合的混合方法框架。首先，使用拓扑滤波自编码器（topology-filtering autoencoder）从PCC处测量的全局风电场导纳中分离出无拓扑影响的变流器导纳，该自编码器在先前研究中已开发和验证。随后，深度学习模型用于识别控制结构组合（即GFL和GFM控制模式的组合类型），并估计GFL与GFM单元的比例。额外的神经网络用于估计动态参数，包括有功功率、无功功率、电流环、锁相环（PLL）和电压前馈校正器的带宽，以及GFM功率环的惯性和阻尼系数。最后，混合物理-机器学习框架用于确定等效LCL电缆模型参数（电阻R₁、R₂，电感L₁、L₂和电容C）。验证基于仿真数据，而非现场实测数据。

四、研究结果

聚合模型设计：研究人员设计了一个由两个等效变流器（一个GFM型和一个GFL型）组成的聚合表示，通过等效LCL电缆模型连接到PCC。该结构能够同时反映GFL和GFM控制模式的共存以及电缆阻抗的影响。

拓扑滤波与参数识别：通过拓扑滤波自编码器，研究人员成功从全局测量的风电场导纳中重建了无拓扑影响的变流器导纳。深度学习模型准确识别了控制结构组合，并估计了GFL与GFM单元的比例α。额外的神经网络估计了动态参数，包括各控制环路的带宽和GFM功率环的惯性与阻尼系数。

等效LCL电缆模型：通过混合物理-机器学习程序，研究人员确定了等效LCL电缆模型参数，代表了残余的拓扑效应。该模型与变流器模型集成后，能够重建与实测风电场导纳高度吻合的全局导纳。

性能验证：控制结构分类准确率超过99%，频率带宽估计误差低于5%，全局阻抗复现精度低于5%。对于100台机组风电场，系统被简化为两个等效变流器和一个等效LCL电缆模型，识别仅需数秒，仿真可在不到一秒内完成。

五、讨论与结论

讨论部分指出，与传统的递归最小二乘或加权均值保持结构方法相比，所提出的方法在保持精度的同时显著减少了计算工作量。该方法克服了现有方法在同时处理大规模网络效应和GFL/GFM控制模式共存方面的局限性，为TSO提供了一种实用且可解释的聚合建模工具。

研究结论部分总结：本研究开发了一种仅使用外部PCC导纳测量的风电场聚合动态模型，该模型同时考虑了GFL和GFM控制模式的共存以及网络拓扑的影响。通过深度学习与物理建模的混合方法，实现了高精度的控制结构分类、参数估计和全局阻抗复现。该方法计算效率高、精度可靠，适用于TSO的稳定性评估应用，其通用公式化设计还可推广到其他变流器架构和网络配置，为未来大规模可再生能源并网系统的动态建模提供了新的技术途径。