海上风电经柔性直流输电送出系统中,柔直送端换流器(sending end converter,SEC)基于恒压恒频控制(V/F控制)生成交流电压,直驱风电网侧变流器(grid side converter,GSC)针对机端交流电压锁相。特征模式分析结果表明,海上场站存在一对柔...海上风电经柔性直流输电送出系统中,柔直送端换流器(sending end converter,SEC)基于恒压恒频控制(V/F控制)生成交流电压,直驱风电网侧变流器(grid side converter,GSC)针对机端交流电压锁相。特征模式分析结果表明,海上场站存在一对柔直V/F控制和风电锁相环(phase-locked loop,PLL)共同参与的低频振荡模式,当海上风电出力较高时该模式可能失稳。该文依据该低频模式与风电锁相控制的关联性,基于系统状态空间模型建立了保留PLL方程的二阶降维特征方程,推导了基于二阶特征方程的低频模式阻尼计算方法,并将其阻尼分解为PLL控制固有阻尼和SEC V/F等外部控制产生的附加阻尼。采用该方法研究PLL和V/F控制参数对阻尼特性的影响规律,并通过时域仿真验证了所提方法的有效性和准确性。展开更多
在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采...在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采用卷积神经网络给出最不稳定波频率ω、展向波数β、流向波数αr和增长率σmax的初值对,再通过迭代法计算失稳扰动波的实际空间失稳波数和增长率。使用平板数据集训练神经网络模型,并利用平板和尖锥算例对NNLSA方法的准确性和计算效率进行验证。结果表明:神经网络部分对不稳定波参数的预测结果与线性稳定性理论的计算结果吻合较好;LSA部分可根据神经网络提供的预测值,通过迭代法找到最不稳定波;NN-LSA方法的求解效率较高,求解时间比全局搜索方法约低20~50倍,大大减小了人为因素在计算过程中的影响。本文提出的NN-LSA方法可以实现自动分析边界层流动的线性稳定性,具有一定的应用潜力。展开更多
文摘海上风电经柔性直流输电送出系统中,柔直送端换流器(sending end converter,SEC)基于恒压恒频控制(V/F控制)生成交流电压,直驱风电网侧变流器(grid side converter,GSC)针对机端交流电压锁相。特征模式分析结果表明,海上场站存在一对柔直V/F控制和风电锁相环(phase-locked loop,PLL)共同参与的低频振荡模式,当海上风电出力较高时该模式可能失稳。该文依据该低频模式与风电锁相控制的关联性,基于系统状态空间模型建立了保留PLL方程的二阶降维特征方程,推导了基于二阶特征方程的低频模式阻尼计算方法,并将其阻尼分解为PLL控制固有阻尼和SEC V/F等外部控制产生的附加阻尼。采用该方法研究PLL和V/F控制参数对阻尼特性的影响规律,并通过时域仿真验证了所提方法的有效性和准确性。
文摘在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采用卷积神经网络给出最不稳定波频率ω、展向波数β、流向波数αr和增长率σmax的初值对,再通过迭代法计算失稳扰动波的实际空间失稳波数和增长率。使用平板数据集训练神经网络模型,并利用平板和尖锥算例对NNLSA方法的准确性和计算效率进行验证。结果表明:神经网络部分对不稳定波参数的预测结果与线性稳定性理论的计算结果吻合较好;LSA部分可根据神经网络提供的预测值,通过迭代法找到最不稳定波;NN-LSA方法的求解效率较高,求解时间比全局搜索方法约低20~50倍,大大减小了人为因素在计算过程中的影响。本文提出的NN-LSA方法可以实现自动分析边界层流动的线性稳定性,具有一定的应用潜力。
