采用深度迁移学习定位含直驱风机次同步振荡源机组的方法
随着新能源电力电子器件的广泛接入，电力系统次同步振荡问题的诱发机理越来越复杂。为了能够及时定位到诱发次同步振荡的机组并采取措施，新能源电力系统国家重点实验室（华北电力大学）、四川大学电气工程学院的研究人员陈剑、杜文娟、王海风，在2021年第1期《电工技术学报》上撰文，基于深度迁移学习提出了一种次同步振荡源定位的方法。为验证该方法的有效性，设计了含直驱风机并网的电力系统的仿真系统测试算例。结果表明，该方法相比于传统的特征值分析方法，具有定位准确率高、在线应用方便等优势。该方法能够在较短时间内给出判别结果，为实现振荡源的在线识别奠定了基础。
随着新能源电力电子器件的广泛接入，电力系统稳定性不断出现新的挑战。由早期报道的美国德克萨斯州风电场因风机与串补输电线路的交互作用而发生次同步振荡，到2015年新疆哈密地区风电机组在无串补情况下发生的大规模次同步振荡，风电场引发的次同步振荡问题偶有出现。电力系统次同步振荡问题影响范围广，已经危害到电力系统安全稳定运行，并且其诱发因素不确定，给抑制措施的制定采取带来了较大的阻碍。次同步振荡问题最早始于1930年的由系统中容性负载或串补线路引发的电气谐振，而后1970年至1971年，美国Mohave电厂因串补引发的振荡对两台同步机轴系造成了损坏，引发了广泛关注。近年来，次同步振荡问题依旧是活跃的话题，诸多学者已经对新能源设备或电力电子器件，如风机、统一潮流控制器、静止同步补偿器等展开了广泛的研究。这些研究主要包括：引发电力系统次同步振荡的机理，次同步振荡的抑制装置，附加阻尼控制策略等。其中，机理研究目前广泛使用的方法有阻抗法与模式法。根据现有的机理分析，次同步振荡问题主要包括：次同步谐振（SSR），次同步交互作用（SSCI）以及由装置自身引起的次同步现象（SSTI）。而次同步振荡抑制装置以及附加阻尼控制策略的研究是根据现有的机理分析进行的，例如，当风电场经柔性交流输电系统联网时，选择在柔性交流输电装置（如静止同步补偿器、可控串补、静止无功补偿器等）上附加阻尼控制，或在风力发电机控制回路上附加阻尼控制。但大规模的风电场通常含有成百上千台风机，其类型不尽相同，控制参数各异，在次同步振荡发生时很难从中确定要采取措施的风机。在工程实际中，当次同步振荡发生时甚至发生前希望能够尽快地确定诱发因素，定位诱发的元件，从而及时采取抑制措施，保证系统的安全稳定运行。因此，识别定位风电场并网系统中次同步振荡源机组至关重要。其中次同步振荡源，是指引起次同步振荡的因素或元件，本次研究中特指由控制环节而引发系统次同步振荡的风电机组。近年来，由于新型次同步振荡问题越来越突出，传统的模式分析法是通过闭环线性模型，根据系数矩阵计算并找到主导特征根，进而通过该主导特征根对应的参与因子找到引起模式改变的状态变量确定振荡源。但这种方法局限于离线分析，且通常系统的规模庞大，模式的计算耗时长。目前已有学者开始基于广域测量系统（WAMS）数据实现振荡源的识别定位，其中能量函数法的应用最为广泛，在低频振荡源识别定位方面获得了较大的成功，但次同步振荡相较于低频振荡其频率范围更宽，振荡的诱发原因复杂多样，其振荡源定位的研究难度较大。有学者同样采用能量函数法研究了源最为明确的次同步强迫振荡扰动源的定位，但该方法仅针对具有阻尼环节的同步机采用能量函数进行了推导分析，而对于由于控制不当引发的风机次同步振荡的源定位未进行相关分析研究。有学者提供了根据次/超同步功率和阻抗确定SSCI源的三个标准，基于阻抗法对哈密风电系统的SSCI源实现了定位，但阻抗法本质上是一种数值算法，虽然能够实现振荡源定位，但需要根据量测数据在线构造模型，时间上存在较大延迟，很难实现在线应用，并且阻抗法计算时需首先进行频率分析从而确定谐振频率点，而谐振频率点的精确度会影响到次同步振荡模式的确定。有学者提出了基于传播路径匹配原理的多风电场汇集区域次同步振荡扰动源的定位方法，通过解析计算了次同步电流在系统中的传播规律，并与实际分布规律进行对比分析，确定引起振荡的主导风电场。该方法在计算时也需要先进行频率分析，这对于频率范围较宽的次同步振荡而言在时效及精度方面都会受到影响。此外，由于该方法在计算次同步电流在系统中的传播规律时是基于参数完全已知的确定系统，其模型采用线性化仿真模型，但实际系统在发生振荡时往往参数不能全部已知，且实际系统获得的数据由于噪声等原因与仿真系统差异较大，这可能会影响到该方法的实际应用与可行性。鉴于此，华北电力大学、四川大学的研究人员引入机器学习建立运行数据与振荡源的关系，提出一种风电场振荡源定位方法，从而实现通过运行数据快速定位到相关机组。首先，依据开环模式谐振理论构建仿真系统，并在仿真系统中获取训练数据样本；其次，运用卷积神经网络（CNN）进行振荡源特征提取并建立训练定位模型；最后，通过迁移学习将训练模型迁移到实际系统，以实现定位模型的应用。
该方法与上述数值方法相比有以下特点：①机器学习是以历史数据为基础的经验学习，通过离线学习模型，实现在线判断决策，在判断速度上具有明显的优势，在线应用的扩展上更具有优势；②机器学习是基于数据特征的学习方法，其框架结构决定了模型具有很强的抗噪性与鲁棒性；③机器学习的方法更加智能化，不受限于特定系统或模型，从数据直接提取特征，具有良好的迁移性与泛化性。
他们初步对一个简单的含直驱风机的电力系统由相互作用引发的次同步振荡问题进行了测试分析，基于深度迁移学习提出了一种用于风电场振荡源定位的方法，该方法采用训练系统数据进行离线建模，并迁移到实际系统实现振荡源的及时定位。通过建立不同的仿真系统对所提出方法进行了验证分析，结果显示所提出的次同步振荡源定位方法能够有效地将训练模型迁移到实际系统，并且在多工况下都能保证较高的准确率，具有较强的抗噪能力。相比于传统的稳定性分析，该方法不需要进行大规模仿真建模，实现了通过量测数据进行识别定位；相比于阻抗法等需要在线构造学习模型的数值方法，该方法是以历史数据为基础的经验学习，通过离线学习模型，实现在线判断决策，在判断速度上具有明显的优势。这为实现振荡源的在线识别定位以及调控奠定了基础，对实现电力系统的智能化应用有重要意义。综上所述，基于深度迁移学习的风电场次同步振荡源定位方法，初步验证了人工智能技术在系统振荡源定位的应用可行性，但该方法在更加复杂的大型风电场中的表现有待进一步研究，应用深度迁移学习进行海量数据建模以及大型风电场的等效小系统构建是未来研究的重点。
以上研究成果发表在2021年第1期《电工技术学报》，论文标题为“采用深度迁移学习定位含直驱风机次同步振荡源机组的方法”，作者为陈剑、杜文娟、王海风。
