一种直流换相失败阻断与预防控制方法与流程
本发明属于电力控制领域，特别涉及一种直流换相失败阻断与预防控制方法。
背景技术：
换相失败是直流输电系统发生概率较高的故障之一。在换流器中，退出导通的阀在反向电压作用的一段时间内未能恢复阻断能力，或者在反向电压期间换相过程未进行完毕，则在阀电压变成正向时，被换相的阀都将向原来预定退出导通的阀倒换相，这种情况称为换相失败。
在引发换相失败的众多因素中，交流系统短路故障造成换相电压降低和相位改变，会对换相过程产生直接的不利影响，是导致换相失败的主要因素。
当前研究普遍认为，扰动发生后的第一次换相失败(持续2/3基频周期到4/3基频周期)无法避免，且通常情况下会自行恢复。预防控制等策略仅针对后续故障的二次换相失败。
目前的换相失败预判判据可以分为两类：基于换相电压、基于关断角。基于换相电压的预判包括临界换相电压判断法和采用波形变换判断法。其中，1、基于换相电压的预判仅考虑外界因素如换相电压的影响，并将其特征变化作为预判的依据，而未充分考虑直流系统的控制特性；仅针对故障严重程度进行判断，而非针对换相失败风险判断，导致当前所采用的换相失败防止模块存在大量的误启动和漏启动。2、基于关断角的判断中，采用实测熄弧角信号的方法是通过晶闸管电压检测板检测负向过零电压，将过零电压信号送至阀基电子设备(vbe)产生阀电流过零信号，并与锁相电压过零信号对比得到关断角，但该方案依赖于电流的过零信号，灵敏度易受影响，并且，该方法从严格意义上来说不属于预测；熄弧角预测判断法通过将固有关断角与预测关断角进行对比预测换相失败现象、计算换相失败裕度，但是目前的预测关断角的计算基于准稳态模型下对直流电流的预测，当系统处于暂态下的计算可能存在较大偏差，预测准确度有限，难以为后续的防治提供参考。
从源头上预防换相失败，依赖于器件-装置-系统级多层多物理耦合的协调优化，优化对象包括硬件设备、控制策略、网络结构等。其中，基于控制策略的优化措施由于经济性、便捷性得到了广泛研究。根据换相过程的物理机理，当前采用的优化方法主要基于直流中已有的控制器，通过限制直流电流、增大超前触发角的方式增大换相裕度缓解换相失败风险。但当前已有的控制策略主要存在以下问题：
1)仅针对换相物理过程进行定性地控制，导致控制结果时而保守，时而激进，不能精准针对不同暂态条件清晰划定换相可行域边界，更难以在此基础上进一步提高控制的经济性；
2)当前控制优化多基于定电流、最小熄弧角等已有控制对参数、结构进行调整，可能改变直流原本控制特性，在不同暂态条件和运行工况下适应性不足；
3)参数设计方式缺乏通用性；
4)采用对换相过程中单一物理因素的控制，导致控制器优化可行域受限。
现有的换相失败防治措施难以调和换相失败精准快速抑制与经济性之间的矛盾，且并未挖掘高压直流输电自身的暂态响应和调控特性的潜力。
技术实现要素：
针对上述问题，本发明提供一种直流换相失败阻断与预防控制方法。
本发明的直流换相失败阻断与预防控制方法包括：
不间断采集电网逆变站母线线电压uab(t)、ubc(t)、uca(t)，当检测到发生交流系统故障时，提取所述故障发生前时刻t1至所述故障发生后时刻t3之间的所述电网逆变站母线线电压uab(t)、ubc(t)、uca(t)，t代表时间；
第一次数据提取：提取所述故障发生前时刻t1至所述故障发生后时刻t3之间的所述电网逆变站母线线电压uab(t)、ubc(t)、uca(t)；
把所述第一次数据提取得到的数据输入在线二次换相失败智能预测模型，判断是否发生二次换相失败，若未发生所述二次换相失败，则结束所述直流换相失败阻断与预防控制方法的执行；若判断发生所述二次换相失败，则进行第二次数据提取：提取所述故障发生时刻tstart到所述故障发生后时刻t3之间的所述电网逆变站母线线电压uab(t)、ubc(t)、uca(t)；
把所述第二次数据提取得到的数据输入在线受扰电压暂态轨迹智能预测模型；
由所述在线受扰电压暂态轨迹智能预测模型预测所述电网逆变站母线线电压在[t3，t2]上的轨迹并计算得到[t4，t2]上电网逆变站母线线电压有效值；
基于所述电网逆变站母线线电压有效值，及触发角指令值约束公式计算得到[t4，t2]上不发生换相失败的触发角指令值所满足的条件，以阻断和预防所述二次换相失败的发生，
其中，设tend是所述故障清除时刻，则所述时刻t1、t2、t3与所述故障发生时刻tstart和故障清除时刻tend间的关系为：
[t1，tstart]是所述故障发生前一个基频周期；
[tend，t2]是所述故障结束后的5个基频周期；
[tstart，t3]是所述故障发生后第一个基频周期。
进一步，
所述在线二次换相失败智能预测模型通过下面的方法得到，包括步骤：
a、生成多源训练数据集；
b、基于监督学习方法，利用所述多源训练数据集对智能体进行离线训练，以构建所述在线二次换相失败智能预测模型。
进一步，
所述多源训练数据集的来源包括：交直流电网电磁暂态和机电-电磁暂态混合仿真模拟样本、以及电网相量测量装置和电力故障录波装置对交直流电网逆变站的实时量测所得的实时量测数据；
所述多源训练数据集中包含m个样本，每个所述样本的数据均记录有所述仿真模拟样本和实时量测数据中从所述故障发生前时刻t1到所述故障发生后时刻t2内的测量值，所述样本的数目m为大于1的正整数，
所述每个样本的数据中的物理量包括：所述电网逆变站母线线电压uab(t)、ubc(t)、uca(t)和电网逆变站熄弧角γ(t)；
所述仿真模拟样本基于在所述交直流电网电磁暂态和机电-电磁暂态混合仿真中设置如下故障：
所述故障的类型包括：交流系统线路上的单相接地短路、两相短路、三相短路和两相接地短路；
所述故障发生的位置：选择与电网逆变站母线之间不同电气距离的位置设置故障；
所述故障的时序：设置故障角为从0°到180°各间隔为θ°的不同角度；其中，0＜θ＜30；
所述故障持续时间：根据被仿真交流电网的实际继电保护动作时间设置相应的故障时长；
所述故障的大小：根据所述被仿真交流电网的规模设置不同严重程度的故障。
进一步，
进行所述不间断采集电网逆变站母线线电压uab(t)、ubc(t)、uca(t)时的采集频率2000hz～10000hz；
所述样本的数目m满足100≤m≤10000。
进一步，
所述采集频率为5000hz；
所述样本的数目m＝3000；
所述故障持续时间为0.1s，s代表秒。
进一步，
所述步骤b包括：
步骤b1：数据特征提取；
步骤b2：模型选择，在包含机器学习功能的软件平台上选择卷积神经网络方法训练预测模型；
步骤b3：确定模型输入量hin和模型输出量hout；
步骤b4：定义卷积神经网络的体系结构、参数和训练选项；
步骤b5：样本拆分，得到模型训练集和模型验证集；
步骤b6：模型训练，采用所述卷积神经网络和模型训练集训练预测模型，得到所述在线二次换相失败智能预测模型；
步骤b7：模型验证通过。
进一步，
所述步骤b1包括：
针对所述多源训练数据集中的每例样本数据，做如下处理：
对所述故障发生前一个基频周期的时间段内的所述电网逆变站母线线电压uab(t)、ubc(t)和uca(t)进行傅里叶变换得到1×n的线电压的幅值谱(uab)1×n、(ubc)1×n、(uca)1×n和1×n的线电压相位谱
其中，
(uab)1×n＝[uab0uab1uab2...uabn-1]；
(ubc)1×n＝[ubc0ubc1ubc2...ubcn-1]；
(uca)1×n＝[uca0uca1uca2...ucan-1]；
0表示为进行所述傅里叶变换后的直流分量，1为基频，2、3…n-1为谐波级数，n-1为所述傅里叶变换后最高谐波级数，所述傅里叶变共得到n-1级谐波；uab0为所述线电压uab(t)直流分量的幅值，uab1到uabn-1分别为组成所述线电压uab(t)的各个频率分量的幅值，
用所述幅值谱和相位谱创建6×n的特征矩阵a6×n：
且uab1、ubc1、uca1分别为所述电网逆变站母线线电压基频幅值，
对所述故障发生后第一个基频周期内所述电网逆变站母线线电压重复上面的计算过程，创建6×n的特征矩阵b6×n，
将所述特征矩阵a6×n和特征矩阵b6×n拼接，创建12×n特征矩阵c12×n：
对每例所述样本都得到一个对应的所述数据特征矩阵c12×n，
针对所述多源训练数据集中的m个样本数据，根据所述故障发生后1.5个基频周期到故障结束后5个基频周期期间所述电网逆变站熄弧角γ(t)的值，给每个所述样本分配fail或success标签，分配法则为，当某例所述样本的γ(t)在[t4，t2]内出现零值，则所述样本被标记为fail，即发生所述二次换相失败；否则，所述样本被标记为success，即不发生所述二次换相失败，最终每例样本都有对应的标签，t4为所述故障发生后1.5个基频周期所在时刻，t2为所述故障结束后的5个基频周期，
将所述数据特征矩阵c12×n作为图片像素矩阵，生成特征图片，使得每例所述样本都有一个相应的所述特征图片，并将标记为fail的所述样本的特征图片放入名为fail的文件夹，将标记为success的所述样本的特征图片放入名为success的文件夹，使得m个所述特征图片根据自己的标签被放入各自对应的所述文件夹中。
进一步，
所述步骤b3中，所述模型输入量hin为所述每个样本的特征图片，所述模型输出量hout为所述特征图片的标签，即所述特征图片所在文件夹的名称fail或success。
进一步，
在所述步骤b5中，随机提取80％的所述样本的模型输入量hin和模型输出量hout作为模型训练集，剩下20％所述样本的模型输入量hin和模型输出量hout作为模型验证集。
进一步，
在所述步骤b7中，用步骤b5中的所述模型验证集对所述在线二次换相失败智能预测模型进行验证：将所述样本的模型输入量hin输入训练好的所述在线二次换相失败智能预测模型，将预测得到的模型输出量pout与所述样本真实的所述模型输出量hout进行对比，并计算pout和hout一致的概率即准确率以及漏判率，当所述准确率大于90％，且所述漏判率在5％左右时，确定所述在线二次换相失败智能预测模型验证通过。
进一步，
在所述步骤a和b的基础上，利用所述多源训练数据集中判断会发生所述二次换相失败的样本，对所述智能体进行离线训练，构建所述在线受扰电压暂态轨迹智能预测模型，其中，针对所述电网逆变站母线线电压分别构建所述在线受扰电压暂态轨迹智能预测模型，设ulv(t)为所述电网逆变站母线线电压中的任一个，则所述离线训练包括：
步骤c1：数据特征提取；
步骤c2：模型选择，在包含机器学习功能的软件平台上选择回归学习的方法训练预测模型；
步骤c3：确定所述在线受扰电压暂态轨迹智能预测模型的预测因子和预测响应；
步骤c4：模型训练和交叉验证，采用所述步骤c3中的预测因子和预测响应训练模型，并用交叉验证的方法对所述预测模型的精确度进行验证。
进一步，
所述步骤c1包括：
针对所述多源训练数据集中的每例样本数据，对所述故障发生后第一个基频周期内的所述线电压ulv(t)进行傅里叶变换，将所述线电压ulv(t)的基频和2、3、4次谐波的幅值和相位角组成所述每例样本的特征矩阵d1×8，
其中，ulv1、ulv2、ulv3、ulv4分别为所述线电压ulv(t)的基频和2、3、4次谐波的幅值；
进一步，
在所述步骤c3中，
设所述故障发生后一个基频周期所在时刻t3到所述故障结束后5个基频周期所在时刻t2之间共有k个采样时刻，在[t3，t2]时间段内的所述预测因子fk*9包括所述k个采样时刻以及所述步骤c1里提取的所述每例样本的特征矩阵d1×8，设δt是所述k个采样时刻中每相邻的两个采样时刻的采样时间间隔，则有
在[t3，t2]时间段内的所述预测响应rk*1为所述线电压ulv(t)在[t3，t2]时间段内的k个采样时刻的值，
进一步，
当发生所述交流系统故障时，在时间段[t4，t2]上不发生二次换相失败的触发角指令值αorder(t)的可行域，满足αorder(t)≤αorder_max(t)，
其中，所述触发角指令值αorder(t)在t时刻的最大值
arccos(x)为关于x的反余弦函数，cos(y)为关于y的余弦函数，xr为逆变侧换流变压器的换相电抗，idh为低压限流单元中直流电流下极限值，γmin为不发生换相失败的最小熄弧角，
urms(t)为t时刻电网逆变站母线线电压uab(t)，ubc(t)，uca(t)有效值的最小值，即
urms_ab(t)，urms_bc(t)，urms_ca(t)分别为时间段[t4，t2]内的通过预测得到的所述电网逆变站母线线电压uab1(t)，ubc1(t)，uca1(t)的有效值，且
其中，
f0为电网的额定频率，uab1(t)，ubc1(t)，uca1(t)由所述在线受扰电压暂态轨迹智能预测模型预测得出。
本发明的直流换相失败阻断与预防控制方法，对换相失败的预判满足了快速性、有效性需求，可以在ms级时间内快速准确预测故障期间是否发生二次换相失败；能够快速、保守、有针对性地对系统中即将发生的换相失败进行预判，为后续控制预留足够的时间裕度、安全裕度；能够实现对短期换相电压变化的快速预测；在锁相环性能理想且不计通讯延时的条件下，可以有效避免(由交流系统故障引起的)故障期间的二次换相失败；实现的控制策略能保证时效性、可靠性和结果的可约束。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例的本发明的直流换相失败阻断与预防控制方法原理图；
图2示出了根据本发明实施例的多源训练数据集时间轴；
图3示出了根据本发明实施例的低压限流单元的特性曲线；
图4示出了根据本发明实施例的直流换相失败阻断与预防控制方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于系统受扰暂态轨迹预测的直流换相失败阻断与预防控制方法，所述方法是一种针对电力系统，通过机器学习预测直流换相暂态边界，以生成二次换相失败阻断控制策略的方法，需注意，对于高电压等级的交直流电网，针对不同的电网系统要训练不同的换相失败智能预测模块和换相电压预测模块。
参见图1，本发明的直流换相失败阻断与预防控制方法包括离线部分和在线部分。离线部分用于构建两个模型：在线二次换相失败智能预测模型(可简称为二次换相失败智能预测模型)、在线受扰电压暂态轨迹智能预测模型。在线部分用于在线生成控制策略，以阻断和预防二次换相失败的发生。
(1)、离线部分
离线部分包括以下步骤：
步骤a：生成多源训练数据集
由图1可知，所述多源训练数据集的来源包括：交直流电网电磁暂态和机电-电磁暂态混合仿真模拟样本、以及电网相量测量装置(phasormeasurementunit，pmu)和电力故障录波装置(tfr)的实时量测数据。
参见图2，所述多源训练数据集中包含的m个样本数据记录了仿真模拟样本和实时量测数据中从故障开始前(t1时刻)到故障切除后5个基频周期(t2时刻)时间长度内的测量值，m为大于1的正整数，s代表秒，所述基频周期为电力系统额定频率所对应的周期(也即换相电压的一个周期)，所述电力系统额定频率可为50hz或60hz。
其中，
tstart是故障发生时刻；
[t1，tstart]是故障前一个基频周期；
tend是故障清除时刻；
[tend，t2]是故障结束后的5个基频周期；
[tstart，t3]是故障发生后第一个基频周期；
[tstart，t4]是故障发生后1.5个基频周期。
所述多源训练数据集中每个样本数据中的物理量包括：电网逆变站母线线电压(简称为线电压)uab(t)、ubc(t)、uca(t)和电网逆变站熄弧角γ(t)，需注意，本发明中，只有在训练二次换相失败智能预测模型的时候要用到熄弧角，其他步骤都不用提取熄弧角，其中，uab(t)、ubc(t)、uca(t)分别为电网逆变站母线的三相中a相和b相、b相和c相，c相和a相之间的测量电压。
多源训练数据集中的电网pmu/tfr实时量测数据来自对交直流电网逆变站的实时量测。
多源训练数据集中的仿真模拟样本基于在交直流电网电磁暂态和机电-电磁暂态混合仿真中设置如下故障扰动：
故障的类型：交流系统线路上的单相接地短路、两相短路、三相短路和两相接地短路等实际系统中可能发生的交流线路故障。
故障发生的位置：选择被仿真的实际交流系统中可能发生线路故障的位置，通常选择与电网逆变站母线之间不同电气距离的位置设置故障。
故障的时序：设置故障角为从0°到180°各间隔为θ°的不同角度，其中0＜θ＜30，θ越小，覆盖的故障时序越多；
故障持续时间：根据被仿真交流电网的实际继电保护动作时间设置相应的故障时长，通常在0.1s左右；
故障的大小：根据交流电网的规模设置故障严重程度由轻到重的故障。
步骤b：参见图1，基于监督学习方法，利用步骤a中的多源训练数据集对智能体进行离线训练，以构建在线二次换相失败智能预测模型。训练过程主要有以下几个步骤：
步骤b1：数据特征提取：
针对多源训练数据集中的每例样本数据，做如下处理：对故障发生前一个基频周期([t1，tstart])的时间段内的线电压uab(t)、ubc(t)和uca(t)进行傅里叶变换得到1×n的线电压的幅值谱(uab)1×n、(ubc)1×n、(uca)1×n和1×n的线电压相位谱
其中，
(uab)1×n＝[uab0uab1uab2...uabn-1]；
(ubc)1×n＝[ubc0ubc1ubc2...ubcn-1]；
(uca)1×n＝[uca0uca1uca2...ucan-1]；
0表示为傅里叶变换后的直流分量，1为基频，2、3…n-1为谐波级数，n-1为傅里叶变换后最高谐波级数，所述傅里叶变共得到n-1级谐波，uab0为线电压uab(t)直流分量的幅值，uab1到uabn-1分别为组成线电压uab(t)的各个频率分量的幅值。同样的，
用上述幅值谱和相位谱创建6×n的特征矩阵a6×n：
其中，uab1、ubc1、uca1分别为三个线电压的基频幅值。
对故障发生后第一个基频周期(即[tstart，t3])内电网逆变站母线线电压重复上述计算过程，创建6×n的特征矩阵b6×n：
将两个矩阵上下拼接，创建12×n特征矩阵c12×n：
最终每例样本都对应一个数据特征矩阵c12×n。
针对多源训练数据集中的m个样本数据，根据故障发生后1.5个基频周期到故障结束期间([t4，t2])熄弧角γ(t)的值，给每个样本分配fail或success标签，分配法则为，当某例样本的γ(t)在[t4，t2]内出现零值，则这一样本被标记为fail，即发生二次换相失败；否则，样本被标记为success，即不发生二次换相失败。最终每例样本都有对应的标签。
将特征矩阵c12×n作为图片像素矩阵，生成格式为png的特征图片，使得每例样本都有一个相应的特征图片，并将标记为‘fail’的样本的特征图片放入名为fail的文件夹，将标记为success的样本的特征图片放入名为success的文件夹。这样，m个特征图片根据自己的标签被放入各自对应的文件夹中。
步骤b2：模型选择
在包含机器学习功能的软件平台上选择卷积神经网络(cnn)方法训练预测模型。
步骤b3：确定模型输入量和模型输出量
模型输入量hin为步骤b1中每个样本的特征图片，模型输出量hout为特征图片的标签，即图片所在文件夹的名称(fail或success)。
步骤b4：定义cnn网络的体系结构、参数和训练选项
步骤b5：样本拆分
随机提取80％的样本的模型输入量和模型输出量作为模型训练集，剩下20％的样本的模型输入量和模型输出量作为模型验证集。
步骤b6：模型训练
用步骤b5中的模型训练集和步骤b4搭建的cnn网络训练预测模型，得到在线二次换相失败智能预测模型，其中，可以自己编程，自己定义cnn网络各个参数，也可以用平台现有的cnn网络。
步骤b7：模型验证通过
用步骤b5中的所述模型验证集对所述在线二次换相失败智能预测模型进行验证：将所述样本的模型输入量hin输入训练好的所述在线二次换相失败智能预测模型，将预测得到的模型输出量pout与所述样本真实的所述模型输出量hout进行对比，并计算所述pout和hout一致的概率(即准确率)以及漏判率，当准确率大于90％，且漏判率在5％左右时，确定所述在线二次换相失败智能预测模型验证通过。其中，漏判率是实际发生二次换相失败但被预判不发生换相失败的案例所占的百分比。不同的交流电网，不同的模型训练集和模型验证集，准确率和误判率的值有所不同。如果准确率或漏判率没有达到设定目标，则增加样本数量重新训练。
步骤c：基于监督学习方法，在步骤a和b的基础上，利用多源训练数据集中判断会发生二次换相失败的样本，对智能体进行离线训练，构建在线受扰电压暂态轨迹智能预测模型。其中，针对电网逆变站母线三个线电压分别构建在线受扰电压暂态轨迹智能预测模型，以电网逆变站母线线电压uab(t)的预测模型的训练过程为例，训练过程主要有以下几个步骤：
步骤c1：数据特征提取
针对多源训练数据集中的每例样本数据，设ulv(t)为所述电网逆变站母线线电压中的任一个，对故障发生后第一个基频周期([tstart，t3])内的电网逆变站母线线电压ulv(t)进行傅里叶变换，将线电压基频和2、3、4次谐波的幅值和相位角组成每例样本的特征矩阵d1×8。
其中ulv1、ulv2、ulv3、ulv4分别为组成线电压ulv(t)的基频和2、3、4次谐波的幅值；
步骤c2：模型选择
在包含机器学习功能的软件平台上选择回归学习的方法训练预测模型。
步骤c3：确定预测模型的预测因子和预测响应
预测模型的预测因子fk*9包括故障发生后一个基频周期到故障结束后5个基频周期([t3，t2])内的k个采样时刻以及步骤c1里提取的每例样本的特征矩阵d1×8，其中，k是[t3，t2]内采样的个数，即每秒从连续信号中提取并组成离散信号的对信号采样的个数，k值的大小取决于仿真模型中或实时测量仪器上设置的采样频率f。预测因子fk*9满足
其中，δt是采样时间间隔，根据所用的仿真平台或者所用的pmu/tfr实时量测采样频率确定δt的值。
预测模型的预测响应rk*1为电网逆变站母线线电压ulv(t)在[t3，t2]时间段内的k个采样点的值。
步骤c4：模型训练和交叉验证
用步骤c3中的预测因子fk*9和预测响应rk*1训练模型，并用交叉验证的方法对预测模型的精确度进行验证。
步骤c5：若预测模型的精确度未达到要求，则重复步骤c1到步骤c4，训练并得到电网逆变站母线线电压ubc(t)和uca(t)的在线受扰电压暂态轨迹智能预测模型。
(2)、在线部分
系统发生扰动后在线部分启动，在线部分包括以下步骤：
步骤d1：参见图1，通过如电网pmu/tfr实时测量或者说采样得到([t1，t3])时间段内电网逆变站母线的线电压uab(t)、ubc(t)和uca(t)，因为采样到的线电压主要用于傅里叶变换提取信号特征，所以采样频率可以低一些，2000hz～10000hz，优选5000hz；
步骤d2：参见图1，把步骤d1中线电压的测量值输入步骤b创建的‘预测模型’，得到[t4，t2]时间段内是否发生二次换相失败评定结果，如果会发生二次换相失败，则进入步骤d3；
步骤d3：把步骤d1中母线线电压[tstart，t3]时间段内的测量值输入步骤c中创建的在线受扰电压暂态轨迹智能预测模型，并即时预测得到电网逆变站母线线电压在未来时间段[t3，t2]内的电压uab1(t)，ubc1(t)，uca1(t)，
步骤d4：利用步骤d3中预测出的电网逆变站母线线电压uab1(t)，ubc1(t)，uca1(t)计算[t4，t2]时间内对应的电网逆变站母线线电压有效值urms_ab(t)，urms_bc(t)，urms_ca(t)；
步骤d5：参见图1，根据换相失败阻断与预防控制策略约束条件在线即时求解得到[t4，t2]时间段内的触发角指令值可行域和最大值，并把触发角指令值发送到交直流电网的直流逆变器控制的执行单元，在线调整控制参数，避免后续的二次换相失败的发生。
其中，所述换相失败阻断与预防控制策略需考虑如下3个约束条件：
约束条件1：
由于换相电压、直流电流(即逆变器直流侧电流)、触发角与熄弧角之间的定量关系：
其中，id(α)和id(α+μ)分别为换相开始和换相结束时的直流电流，xr为逆变侧换流变压器的换相电抗，ul为电网逆变站母线线电压有效值，α为触发角，γ为熄弧角。
系统发生换相失败时，直流电流和电网逆变站母线线电压有效值不再恒定，由于换相时间很短，这里令id(α+μ)近似等于id(α)，ul取步骤d4中预测计算出的t时刻电网逆变站母线线电压uab1(t)，ubc1(t)，uca1(t)有效值的最小值，即
urms(t)＝min[urms_ab(t)，urms_bc(t)，urms_ca(t)]，
其中，
f0为电网的额定频率，具体为50hz或60hz，t是电网中线电压的一个周期。
于是得到换相失败时的约束方程：
这里αorder(t)为触发角指令值。
约束条件2：
不发生换相失败时熄弧角的约束条件为：
γ≥γmin(3)，
其中，γmin为不发生换相失败的最小熄弧角，所述最小熄弧角为满足换流阀恢复阻断能力的最短时间。熄弧角小于这个值，换流阀便没有足够的时间恢复阻断能力，即会发生换相失败。
约束条件3：
参见图3，根据低压限流单元(vdcol)中直流电压和直流电流的关系，得到约束条件：
其中，id、ud为直流电流，idl、idh、udl、udh分别为直流电流(即逆变器直流侧电流)、直流定压(即逆变器直流侧电压)的上、下极限值。由上述约束条件(2)得到id的取值范围为：
idl≤id≤idh(5)，
将公式(3)和(5)代入公式(2)，得到不发生换相失败的熄弧角指令值的取值范围：
可知，在t时刻，αorder(t)在γ＝γmin，id＝idh时取到最大值，其值为：
参见图1，实际工作中，二次换相失败预判的时间、触发角指令值可行域制定的时间均可忽略不计，触发角指令值传递切换延时在0.01秒内，[t4，t2]时间段内触发角指令值在[t3，t4]时间内可切换成不发生二次换相失败的可行域里的值，满足故障期间二次换相失败的防治时效性需求。
参见图4，图4示出了采用本发明的直流换相失败(可简称换相失败)阻断与预防控制方法时，所执行的基本步骤的实施例，包括：
当检测到发生交流系统故障时，记录故障发生前一个基频周期至故障发生后一个基频周期之间的线电压uab(t)、ubc(t)、uca(t)
第一次数据提取：提取故障发生前一个基频周期至故障发生后一个基频周期之间的线电压uab(t)、ubc(t)、uca(t)；
对第一次数据提取得到的数据输入在线二次换相失败智能预测模型，判断是否发生二次换相失败，若未发生二次换相失败，则结束本方法的执行；
若发生二次换相失败，则进行第二次数据提取：提取故障发生到故障发生后一个基频周期之间的线电压uab(t)、ubc(t)、uca(t)；
对第二次数据提取得到的数据输入在线受扰电压暂态轨迹智能预测模型：
由在线受扰电压暂态轨迹智能预测模型计算得到线电压有效值；
基于线电压有效值和触发角指令值的约束计算得到对称故障下和不对称故障下不发生换相失败的触发角指令值所满足的条件-触发角指令值的最大值和可行域，以阻断和预防二次换相失败的发生，其中，将触发角指令值输入逆变器控制单元，及时调整触发角的值，从而避免二次换相失败。
通过上述实施例可知：本发明解决了现有换相失败预判方法仅考虑扰动严重程度而忽略直流控制系统的特性对换相成败状态的影响的问题，解决了控制参数设计依赖经验缺乏设计通用性的问题，解决了启动响应速度受到特征提取方法和扰动特征的影响，在不同暂态情况下判别性能存在差异的问题。
本发明还解决了当前已有控制策略存在的以下问题：
1)仅针对换相物理过程进行定性地控制，导致控制结果时而保守，时而激进，不能精准针对不同暂态条件清晰划定换相可行域边界，更难以在此基础上进一步提高控制的经济性；
2)当前控制优化多基于定电流、最小熄弧角等已有控制对参数、结构进行调整，可能改变直流原本控制特性，在不同暂态条件和运行工况下适应性不足；
3)参数设计方式缺乏通用性；
4)已有的针对单一控制策略的改进方案下，控制可行域有限，在严重故障下不能保证换相失败抑制效果。
换相防治策略的制定需要依据换相过程的物理机理，采用多种控制策略结合，实现对换相失败的精准、经济防治。本发明将扰动期间常见的整流侧定电流控制与逆变侧触发角控制相结合，充分挖掘逆变侧触发角的控制可行域。且触发角的计算中，换相电压值是扰动中的实时预测值，使得触发角计算更精准。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！