交直流混合电网仿真初始化方法

鄂志君，李振斌，杨帮宇，刘伟，姚维平

(国网天津市电力公司，天津 300143)

0 引言

随着电力电子技术的进步，交直流混合电网得到了快速发展，其对交直流混合电网电磁暂态（electromagnetic transient，EMT）特性提出了新的要求。EMT仿真的本质是解决一系列微分和代数方程[1-2]，例如能够通过均衡分割、集群并行[3-5]、快速模块化模型[6]等手段解决大规模EMT仿真计算效率低的问题[7-8]。典型的EMT仿真通常没有辅助信息耦合的系统[9]。由于仿真步长较小，以零状态启动初始化仿真具有一定的难度，但有效的潮流初始化能够提高电磁暂态仿真的效率和数值计算的稳定性[10-11]。

非对称线路结构和负载造成电网的不平衡运行状态，也会影响EMT仿真的初始化。文献[12]通过牛顿方法获取非线性网络的初始值，但迭代收敛条件较苛刻。文献[13]提出了系统的初始化方法，但所提方法不可以预测稳态解。通常交直流混合系统的规模大，且很难获得所有设备的谐波，进一步加大了EMT仿真的难度[14-15]。

适用于电网的潮流计算方法主要包括牛顿拉夫逊法[16]和不动点迭代方法[17-18]。新能源场站序分量模型广泛用于电网三相潮流计算中[19]。除了三相基波潮流初始化，三相谐波潮流也常用于电磁暂态仿真初始化[20]，但其计算过程复杂，从工程上来说，初始化效果与三相基波潮流差别不大[21]。

为了提高大规模电网的EMT仿真初始化速度，需要采用并行化求解技术[22]。现有并行化求解技术主要针对时域仿真过程，并没有考虑对初始化进行并行化处理[23]，随着交直流混合电网的大规模接入，初始化并行处理过程变得有必要[24]。

为了解决含新能源场站中三相不平衡电网的阻抗、谐波、控制特性难以实现工程应用的问题，采用人工神经网络方法拟合其阻抗、谐波、控制特性，在基于改进节点法的三相基波潮流中进行迭代，对新能源场站的功率初始特性进行修正，并提出基于多端口等值的并行计算方法，以提高大规模电网三相基波潮流的计算效率。

1 嵌套人工神经网络的模型初始化

分布式能源的阻抗、谐波、控制特性解析表达复杂，难以用于实际的EMT仿真初始化。本文采用神经网络拟合其伏安特性，嵌入改进节点电网模型的潮流代过程中。根据新的节点电压不断更新出并联新能源场站的注入电流和功率，最终确定EMT过程初始化状态。

本文建立了含新能源场站的单机无穷大EMT仿真系统，测量注入电网的三相基波电流的实部、虚部。然后将新能源场站的并网点电压及系统总的有功和无功作为BP（back propagation）神经网络的输入层，将三相基波电流的实部、虚部作为输出层，如图1所示。

图1 BP网络结构Fig. 1 BP neutral network configuration

BP神经网络的学习过程包括正向和反向传播。外部输入的并网测量信息经输入层、隐层逐层处理向前传播到输出层给出结果，然后分别将输出电流实部、虚部误差转入逆向传播，修改神经元权重，反复迭代，直到误差小于给定值。为提高收敛速度，本文采用BP神经网络参数迭代算法[25]。

2 基于人工神经网络的初始化验证

本文以在IEEE 33节点拓扑为基础，并接入了光伏、储能和直流电网电站。系统网架结构如图2所示。将无穷大节点接到系统中，电源网络首端的基准电压为220 kV，三相功率基准值为900 MV·A，网络总负荷为50 MV·A，直流电网电压为100 kV。从图2可以看出，本文所提的拓扑结构内含3个交流并网光伏发电节点PV1-PV3、1个直流并网光伏节点PV4；3个储能节点、1个直流负荷以及1个交流负荷。本文以PV3为变化进行研究，设定其功率为0.3～2.4 MW。

图2 拓扑结构Fig. 2 Topological structure

在系统中，由于交直流混合电网元件的加入，使得电网的电磁暂态特性明显，尤其在小功率和功率阶跃变化对，其谐波特性非线性变化剧烈，造成了电磁暂态特性导纳矩阵解耦困难。在1 s时长及50μs仿真步长的情况下，不含交直流电网元件的IEEE 33节点暂态模型潮流运算时间仅为0.8 s，而含上述配置的IEEE节点模型潮流运算时间为50 s。

光伏电站PV3的暂态仿真过程功率输出曲线如图3所示。从图3中可以看出，功率越小，波形毛刺越明显。在初始阶段，波动最为剧烈，要经过约1～2个周波才能够收敛。与此同时，基于上述情况，光伏PV3的等效阻抗如图4所示。

图3 PV3在5种设定功率下的出力Fig. 3 Output curves of PV3 under 5 different powers

图4 PV3在5种功率输出下的等效阻抗Fig. 4 Equivalent impedance of PV3 under 5 different powers

从图4中可以看出，在小功率时，等效阻抗曲线波动最为剧烈。在功率突变时，等效阻抗曲线需要至少2个周波才能够收敛下来。

综上，本文基于人工神经网络拟合复杂的阻抗、谐波、控制特性，具体步骤如下。

（1）以1 MW为步长更改光伏电源的出力，将每一种出力参数下的电压、电流、相位关系作为输入向量。通过处理，输出适合于稳定计算并快速收敛的光伏发电初始值参数配置，主要包含电压、电流、相位等参数。

（2）在谐波方面，提取光伏出口电压、电流谐波，尤其是电力电子逆变器常见的5、7、11、13次谐波。经过不同出力、波动等情况下的谐波分析对比，将谐波计算量较大的环节作为初始值。

（3）将初始值嵌套进基于改进节点法的三相基波潮流计算框架中，在迭代过程中直接对交直流混合电网的节点功率进行修正。

（4）经过上述等值过程，得到光伏发电的部分初始值。将光伏出力依次改为0.3 MW、0.6 MW、1.2 MW、1.8 MW、2.4 MW，从而得到光伏波形及光伏等效阻抗，如图5～6所示。

图5 经过初始化修正后PV3在5种设定功率下的出力Fig. 5 Output curves of PV3 under 5 different powers after initial modification

图6 经过初始化修正后PV3在5种功率下的等效阻抗Fig. 6 Equivalent impedance of PV3 under 5 different powers after initial modification

结合图5和图6可以看出，经过初始化修正的光伏模型收敛速度更快、更稳定，其将图3和图4中出现的波动与毛刺消除掉一大部分，且暂态仿真计算时间减少到修正后的30 s左右。

（5）在5种功率连续变化的情况下，对上述过程进行仿真，得到了各个曲线，如图7～10所示。

图7 PV3的出力Fig. 7 Output curves of PV3

图8 经过初始化修正后PV3的出力Fig. 8 Output curves of PV3 after initialization modification

图9 PV3的等效阻抗Fig. 9 Equivalent impedance curve of PV3

图10 经修正的PV3等效阻抗Fig. 10 Modified equivalent impedance curve of PV3

结合图7～10可以看出，经过初始化后的光伏模型计算曲线更加平滑，运算过程不受波动谐波的影响，速度更快，效率更高。

3 并行过程仿真验证

为了验证所提方法的效果，在图2的拓扑基础上，构造了包含10个IEEE 33节点的系统。该系统共计330个节点，包含了交直流混合电网的电网拓扑模型。本文将系统进行分块及初始化，所分模块数量为2～10，分别对基于神经网络初始化方法和常规初始化方法进行仿真，观测初始化过程中CPU运算时间，时间记录如表1所示，初始化运算时间对比曲线如图11所示。结合表1及图11可以看出，仿真系统经过基于神经网络的分区初始化之后，初始化效率得到明显提升。

表1 分区初始化时间Table 1 Partition initialization time

图11 初始化运算时间对比Fig. 11 Comparison of initialization time

4 结论

传统的电网仿真方法往往未考虑交直流混合电网中电力电子元件的初始化问题，而使得仿真数值计算时间过长、收敛速度慢，甚至数值易受干扰而无法收敛。三相基波潮流可有效提高电网的电磁暂态仿真速度。本文结合三相基波潮流的优点，将含交直流混合工况的电磁特性初始值加入，提高了仿真的效率和速度。

本文采用人工神经网络拟合阻抗、谐波、控制特性，得到包含初始值信息的中间隐层参数。将其嵌套进基于改进节点法的三相基波潮流计算框架中，在迭代过程中对交直流混合电网中光伏的功率出力进行初始化修正。为了适用于大规模电网的初始化，提出了基于多端口等值的并行计算方法，分别采用IEEE 33节点和330节点三相不平衡的含交直流混合电网算例验证了所提方法的有效性。

本文方法能够有效提高大规模交直流混合电网的初始化速度，将来可在复杂场景的交直流混合电网的电磁暂态仿真方面发挥作用。