在微源半桥变流器串联结构星型连接微电网(half-bridge converter series Y-connection microgrid,HCSY-MG)系统中,由于环境因素(如风速、光照等)影响,各风、光微源的输出功率存在显著差异,导致系统三相输出功率不一致,进而引发三相并...在微源半桥变流器串联结构星型连接微电网(half-bridge converter series Y-connection microgrid,HCSY-MG)系统中,由于环境因素(如风速、光照等)影响,各风、光微源的输出功率存在显著差异,导致系统三相输出功率不一致,进而引发三相并网电流不对称,严重影响系统的并网运行。为解决该问题,提出了一种正序分量合成零序电压注入和过调制补偿相结合的控制方法。该方法利用与三相电网电压同相位的正序分量合成零序电压,与传统方法相比,简化了计算过程。然而,零序电压注入的功率平衡能力有限,当三相功率不平衡程度较大时,系统容易发生过调制。为此,过调制补偿通过修改零序电压,进一步扩大了系统的相间功率平衡范围,从而确保在相间功率不平衡的情况下,系统仍然能够正常运行,且并网电流能够满足并网要求。最后,通过仿真和实验验证了所提控制策略的正确性与可行性。展开更多
基于风电场复杂运行环境和多分支混合集电线路的单相接地故障定位需求,提出一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory networks,LSTM)混合模型(CNN-LSTM)的单相接地故障定位策...基于风电场复杂运行环境和多分支混合集电线路的单相接地故障定位需求,提出一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory networks,LSTM)混合模型(CNN-LSTM)的单相接地故障定位策略。采集故障时零序电流,构建风电场单相接地故障数据集,将CNNLSTM混合模型改进为适合故障测距的预测模型,将该模型应用于在线故障定位。研究结果表明:与CNN和反向传播神经网络(backpropagation neural network,BP)相比,CNN-LSTM混合模型方法定位准确率更高,在不同故障距离和故障电阻情况下均可使用。研究结论为风电场集电线路接地故障定位提供参考。展开更多
零序电流互感器(current transformer,CT)测量精度问题一直是限制配电网故障选线准确率的关键性问题,现有研究方法在理论层面已较为成熟,但在现场使用中受限于零序CT测量精度,耐过渡电阻能力往往不佳。灵活接地系统是一种新型接地方式,...零序电流互感器(current transformer,CT)测量精度问题一直是限制配电网故障选线准确率的关键性问题,现有研究方法在理论层面已较为成熟,但在现场使用中受限于零序CT测量精度,耐过渡电阻能力往往不佳。灵活接地系统是一种新型接地方式,系统感知永久性接地故障后,于中性点投入并联小电阻,使得配电网接地方式发生转变,从而导致同一电气信号量呈现两种完全不同的故障特征,故障信息量增加了一倍,综合利用两阶段故障特征有望突破现有故障选线装置性能极限,摆脱选线装置对零序CT测量精度的依赖。为此,该文首先分析了灵活接地系统不同阶段各电气量的故障特征,之后结合灵活接地系统特点提出了一种基于零序电流幅值比的高阻接地故障选线方法,最后通过合理设计选线算法,剔除误差较大数据,最大程度降低保护对零序CT测量精度的依赖。实时数字仿真系统(real time digital simulation system,RTDS)以及低压实验平台实验结果表明,该方法不受零序CT极性反接与相位测量误差影响,且无需故障信息间的横向比较,具有耐过渡电阻能力强、可靠性高、对零序CT测量精度要求低、易实现等优点。展开更多
文摘在微源半桥变流器串联结构星型连接微电网(half-bridge converter series Y-connection microgrid,HCSY-MG)系统中,由于环境因素(如风速、光照等)影响,各风、光微源的输出功率存在显著差异,导致系统三相输出功率不一致,进而引发三相并网电流不对称,严重影响系统的并网运行。为解决该问题,提出了一种正序分量合成零序电压注入和过调制补偿相结合的控制方法。该方法利用与三相电网电压同相位的正序分量合成零序电压,与传统方法相比,简化了计算过程。然而,零序电压注入的功率平衡能力有限,当三相功率不平衡程度较大时,系统容易发生过调制。为此,过调制补偿通过修改零序电压,进一步扩大了系统的相间功率平衡范围,从而确保在相间功率不平衡的情况下,系统仍然能够正常运行,且并网电流能够满足并网要求。最后,通过仿真和实验验证了所提控制策略的正确性与可行性。
文摘基于风电场复杂运行环境和多分支混合集电线路的单相接地故障定位需求,提出一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory networks,LSTM)混合模型(CNN-LSTM)的单相接地故障定位策略。采集故障时零序电流,构建风电场单相接地故障数据集,将CNNLSTM混合模型改进为适合故障测距的预测模型,将该模型应用于在线故障定位。研究结果表明:与CNN和反向传播神经网络(backpropagation neural network,BP)相比,CNN-LSTM混合模型方法定位准确率更高,在不同故障距离和故障电阻情况下均可使用。研究结论为风电场集电线路接地故障定位提供参考。
文摘零序电流互感器(current transformer,CT)测量精度问题一直是限制配电网故障选线准确率的关键性问题,现有研究方法在理论层面已较为成熟,但在现场使用中受限于零序CT测量精度,耐过渡电阻能力往往不佳。灵活接地系统是一种新型接地方式,系统感知永久性接地故障后,于中性点投入并联小电阻,使得配电网接地方式发生转变,从而导致同一电气信号量呈现两种完全不同的故障特征,故障信息量增加了一倍,综合利用两阶段故障特征有望突破现有故障选线装置性能极限,摆脱选线装置对零序CT测量精度的依赖。为此,该文首先分析了灵活接地系统不同阶段各电气量的故障特征,之后结合灵活接地系统特点提出了一种基于零序电流幅值比的高阻接地故障选线方法,最后通过合理设计选线算法,剔除误差较大数据,最大程度降低保护对零序CT测量精度的依赖。实时数字仿真系统(real time digital simulation system,RTDS)以及低压实验平台实验结果表明,该方法不受零序CT极性反接与相位测量误差影响,且无需故障信息间的横向比较,具有耐过渡电阻能力强、可靠性高、对零序CT测量精度要求低、易实现等优点。
