基于多层神经网络的直驱风机低穿控制参数辨识

随着风电机组的广泛接入,其低电压穿越期间的响应特性对电网安全稳定运行的影响越来越显著。风电机组的低穿特性由其低穿控制参数决定,因此提出了一种适用于直驱风电机组的多层神经网络低穿控制参数辨识方法。首先,基于经典的M-P神经元模型和Sigmoid激活函数,结合直驱风机低穿控制一般模型,构建多层神经网络;然后,根据实际运行的直驱风机低穿试验数据和对应的低穿控制参数,构造多层神经网络的训练数据集,用标准BP算法训练得到多层神经网络模型;最后,通过对比某型号直驱风电机组的辨识结果曲线和低穿实测曲线,验证了所提多层神经网络低穿控制参数辨识方法的有效性。     

计及分布式光伏电流和功率限制的机电暂态模型研究

随着我国整县分布式光伏的推进,分布式光伏接入电网的规模逐渐增加,其对电力系统安全稳定造成的影响也与日俱增,在电力系统仿真计算中将分布式光伏视为负荷,会忽略其暂态特性,从而影响电力系统仿真计算精度。基于此,结合主流厂家分布式光伏在电压跌落期间的暂态特性,基于电力系统分析综合程序(Power System Analysis Software Package,PSASP)软件的用户自定义(User Definition,UD)模块,建立计及分布式光伏电流和功率限制的机电暂态模型。所建立模型可实现分布式光伏在并网点电压跌落时,针对其功率出力情况,增加其有功电流,从而尽可能维持其功率,同时该模型可对分布式光伏最大电流和功率进行限制。此外,该模型在并网点的电压数值跌落至指定程度,且该状况持续相应时间后可自动切机。通过仿真计算,本文模型对分布式光伏的暂态特性有较好的拟合效果,可以一定程度上提高电网仿真计算及特性分析的准确性。