新型电力系统下并网变流器的建模与稳定性分析

ModelingofGrid-lnterfacedConvertersinModernPowerSystems 目录 研究背景阻抗模型模型降阶基于A的系统辨识结论 目录 研究背景 阻抗模型模型降阶基于A的系统辨识结论 研究背景 可再生能源与电动汽车并网规模持续扩大，正推动电力系统发生根本性变革！ 研究背景 相比过去，谐波不稳定性（也称为谐振不稳定性）已逐渐成为新型电力系统重点关注的问题之一。 研究背景 需建立精确模型，以揭示并网变流器的动态特性 研究背景 状态空间模型： dx= f(x,y)dt0 = g(x,y) 研究背景 自前提出的解决方案： dq-/aβ-阻抗模型谐波线性化阻抗模型 现有不足： 通用性欠缺：不同变流器的建模方法尚未统一 复杂度高：在大规模或复杂电力系统中阻抗模型的高阶特性导致计算负担重 随机性难刻画：现有阻抗模型难以充分反映系统参数与运行状态的动态变化 目录 研究背景 阻抗模型 模型降阶 基于AI的系统辨识 阻抗模型 阻抗模型 跟网型变流器一GFL 锁相环PLL同步调整输出功率/电流 阻抗模型 构网型变流器一GFM 功率环同步调整输出电压/频率 阻抗模型 小信号建模一统一小信号模型 >控制环： ·电压/电流控制器·前馈/解耦部分 》同步环： ·同步机理·坐标变换 》主电路： ·L/LCL型滤波器-GFL·LC型滤波器-GFM 阻抗模型 小信号建模－GFL阻抗模型 Y, + Y,GPLL-Y,GaeGPLLZGFL+Y,GdeG pleGpPLLY, G delGpriGpoGPLL(E, +Y,GdeGpri) 双dq-坐标系： 与电网角度一致：》与PLL角度一致。 小信号建模-GFM阻抗模型 通用化阻抗模型，适用于其他类型GFM变流器，例如下垂控制、虚拟同步机控制等，仅需修改同步环的传递函数。 阻抗模型 小信号建模－GFL阻抗模型 A轴阻抗呈现负阻特性 右半平面极点由于PLL的相位跟踪功能 阻抗模型 小信号建模－GFM阻抗模型 对角轴呈现低阻抗的电压源特性 功率环的影响主要体现在非对角轴，使幅值升高。 阻抗模型 小信号建模→稳定性分析 基于并网变流器的双母线系统： 阻抗模型 小信号建模→稳定性分析 GFM增强稳定性： 加入GFM变流器后，系统相位基本不变，同时幅值减小，稳定性提高。 目录 研究背景阻抗模型模型降阶基于AI的系统辨识结论 模型降阶 系统描述：一个简单的举例 建模复杂性： 系统阶数升高系统阶数升高多输入多输出（MIMO）系统 直流和交流侧相耦合外环和内环控制相耦合锁相环PLL和电流环相耦合 模型降阶 全阶导纳矩阵 1.09×10' s7 +1.46×10' s + ..- 5.64×10227.94×10 s8 + 5.29×10° s8 + ...-1.49×1010Yad1.09s* +1.47×10*s* +... +7.28×10232.63s10 +3.70×10* s° +... +2.36×1029 -3.42×10's-2.28x10°s5 +...+05.26 ×10' s9 +7.07×10' s* +... +3.60 ×10281.09s*+1.47×10*s+..+7.28×1023bb5.26510+7.40×10*s+...+4.72×1029 模型降阶 模型降阶 模型降阶 数值方法一若尔当连分式展开 模型降阶 数值方法一结果 频率响应 零/极点图 数值方法的局限性： 系统修改（如工作点或控制参数变化）后需重复建模分析采用数值表达方式，与原始系统关联性较弱 模型降阶 模型降阶 模型降阶 步骤1-渐近线分析 模型降阶 步骤2-传递函数降阶 步骤3-零极点对消 步骤4-直流增益估计 模型降阶 模型降阶 准确性评估 频率响应 模型降阶 微电网中应用一蒙特卡洛分析 模型降阶 实验验证 逆变模式 整流模式 目录 研究背景阻抗模型模型降阶基于A的系统辨识结论 基于人工智能的系统辨识 人工智能 (AI) 由于新型电力系统的高随机性、强耦合性和多时间尺度特性，需要我们利用人工智能技术来解决出现的新问题。 案例：风电场数据收集 多时间尺度特性 基于人工智能的系统辨识 人工智能(AI) 存在难以手工执行的问题 基于人工智能的系统辨识 人工神经网络（ANN） ANN可以根据收集的阻抗数据进行训练，以生成离线阻抗模型 基于人工智能的系统辨识 人工神经网络（ANN) ANN可以根据收集的阻抗数据进行训练，以生成离线阻抗模型 基于人工智能的系统辨识 人工神经网络（ANN） ANN可以根据收集的阻抗数据进行训练，以生成离线阻抗模型 最后，通过评估损失函数和其他指标来验证模型 基于人工智能的系统辨识 迁移学习(TL) 我们旨在使用小样本数据在多种操作条件下准确识别阻抗模型 每种操作条件都需要单独的模型 每个模型都需要大量的训练数据 无法实时辨识 快速识别不同的操作条件 基于人工智能的系统辨识 离线模型： 迁移学习(TL) 小信号模型 ANN预训练模型 在线模型： 测量真实数据（小样本） 迁移学习（在线模型） 基于人工智能的系统辨识 基于人工智能的系统辨识 传统模型降阶 传统的模型降阶方法仅限于单个静态操作点，不足以应对多条件场景。 矢量拟合一VectorFitting 对于不同的操作条件，该方法将频域的幅值和相位数据转换为降阶传递函数。 基于人工智能的系统辨识 传统模型降阶 传统的模型降阶方法仅限于单个静态操作点，不足以应对多条件场景。 矢量拟合一VectorFitting 对于不同的操作条件，该方法将频域的幅值和相位数据转换为降阶传递函数 目录 研究背景阻抗模型模型降阶基于AI的系统辨识结论 结论 通用阻抗建模方法：提出了适用于GFL和GFM变流器的通用阻抗建模流程，该方法完整地考虑了电路、同步环节和控制测量，可精确地用于谐波稳定性分析 高效模型降阶技术：提出了数值与符号相结合的模型降阶方法，显著降低了稳定性分析的计算复杂度，使大规模系统的稳定性评估成为现实 人工智能有望成为谐波稳定性分析的新型高效求解工具