为准确预测风电机组的运行状态,实现风电机组故障的早期预警,降低风电场运维成本,文中提出一种基于QPSO-CNN-Bi-LSTM-Attention的风电机组状态预测方法。首先,采用核主成分分析(Kernel Principal Component Analysis,KPCA)算法提取风电机组SCADA状态监测数据中的主成分分量,计算SPE构造风电机组状态的训练集和测试集数据;其次,基于风电机组正常状态和异常状态的训练集数据优化QPS0-CNN Bi-LSTM-Attention模型的超参数,计算测试集数据的SPE数值,并通过与SPE阈值对比,实现风电机组异常状态的提前预警;最后通过内蒙古某风场1.5MW风电机组SCADA监测数据进行算例分析,验证所提方法的有效性和准确性。算例分析表明,所提方法相比CNN、LSTM和CNN-LSTM方法,可以提取隐含在非线性数据中的主成分分量,具有更好的预测性能和稳定性。
文中阐述限流式静止同步串联补偿器(Static Synchronous Series Compensator,SSSC)工作原理,采用SSSC加强风火打捆系统送端与受端的电气联系。基于双馈风机等效外特性建立含限流式SSSC的风火打捆系统在正常运行、故障期间及故障后的功率模型,通过等面积定则推导出限流式SSSC的限流电阻与首摆暂态稳定裕度之间的关系,提出故障期间投入限流电阻保证首摆稳定性的策略;分析故障切除后,风电有功恢复以及SSSC的补偿度对首摆之后电磁功率的影响,提出根据火电机组功角的变化以及风电有功恢复情况,在不同阶段、每个振荡周期的奇、偶数摆过程中,通过改变SSSC的补偿度抑制第一摆之后的功率振荡的控制策略,改善风火打捆系统的暂态稳定性。在Simulink搭建仿真模型进行验证,结果表明限流式SSSC在不同摆期间控制策略可有效提高风火打捆系统暂态稳定性。