考虑风电机组调控潜力的交直流有功功率协调控制策略

熊浩，葛亚明，黄曲粲，杨丽，曹帅，王博仑，周霞，丁苍璧

（1. 国网江苏省电力有限公司，南京 210008；2. 国电南瑞科技股份有限公司，南京 211106；3. 南京邮电大学先进技术研究院，南京 210023）

0 引言

风电经高压交直流混联系统外送至负荷中心已成为一种重要的电能传输形式［1-2］，但同时伴随着直流连续换相失败及其引发的相邻交流线路的过载风险［3-4］。目前，对于抑制高压直流输电系统连续换相失败的控制策略研究较多，主要包括低压限流控 制（voltage dependent current order limiter，VDCOL）和换相失败预测控制（commutation failure prevention control， CFPREV）这两种方法［5-7］。VDCOL 在低电压条件下限制直流电流，减小直流系统有功功率传输，以降低系统连续换相失败的发生概率；CFPREV 可根据控制逆变器提前触发直接提升换相裕度，从而降低换相失败风险。

文献［8］通过控制逆变器提前触发直接提升换相裕度，可有效降低换相失败发生的风险；文献［9］提出了一种熄弧角预测（extinction angle prediction， EAP）控制策略，该策略根据换相电压波形估计出即将到来的换相应力，确保了对高压直流换相电压畸变有更好的灵敏度。文献［10-11］提出在逆变侧交流系统中加装静止无功补偿器、静止无功发生器调相机等无功补偿装置，在发生故障时提升交流系统母线电压的支撑能力，达到抑制直流连续换相失败的效果。而对于直流换相失败所引起的相邻交流线路过载现象的研究成果较少，一般采用潮流控制器可改善交直流混联传输系统稳态潮流分布［12-13］，但是其成本过高，建设难度较大。而对于暂态过程中对于交流传输系统功率冲击的调节策略，尚未有相关成熟的研究成果。

对于含高比例风电送端电网经交直流混联传输系统协调控制方法的研究，调节含高比例风电送端电网有功功率输出是解决系统潮流大范围转移的关键。文献［14］提出了风电机组参与电网频率快速调节的方法，并以西北风电场作为实验对象，实现了风电场快速频率响应能力的验证。文献［15-16］分析了在高比例风电外送的交直流混联电网中直流换相失败引发交流联络线功率波动的机理，以此提出直流传输系统发生换相失败时与其相邻交流线路功率波动暂态峰值、故障开始时刻至波动峰值时间的计算公式。上述分析和控制方式是对规定范围内的风电场风电机组进行功率调节控制，缺乏对风电机组工作状态和调控能力的考虑。因此，有必要通过对风电机组调控潜力进行评估［17］，确定可以灵活参与送端电网调控的风电机组，充分发挥风电机组调控潜力并使其参与抑制直流连续换相失败的交直流混联系统有功功率协调控制。

为兼顾抑制直流混联系统直流连续换相失败以及降低交流传输系统过载现象风险，本文提出考虑风电机组调控潜力的交直流有功功率协调控制策略。结合风电机组的工作状态和运行状态提出基于自组织神经网络-最小量化误差（self-organizing mapminimum quantization error，SOM-MQE）的调控潜力评价体系，以确定参与交直流混联外送系统动态调节的风电机组。在系统发生直流换相失败期间，通过调节直流传输功率的方法抑制直流连续换相失败，并基于风电机组主动功率控制原理降低具有调控潜力的风电机组的有功功率输出，达到降低含高比例风电送端电网有功功率输出从而减小交流传输系统过载危害的目的。为证明所提方法的有效性，本文在电磁暂态仿真环境EMTDC/PSCAD 上搭建含高比例风电送端电网交直流混联外送系统模型，对所提控制策略进行仿真验证。

1 总体思路

风电场出力的随机性使含高比例风电送端电网交直流混联外送系统的调控难度日益增大，特别是直流传输系统发生连续换相失败及其引起的交直流混联系统潮流大幅度波动问题。因此亟需发挥风电场内各风电机组的调控潜力，实现风电场可主动参与的交直流混联系统有功功率协调控制。

含高比例风电送端电网中的风电机组存在工作状态的不确定性和运行状态的模糊性，为了构建风电机组调控潜力评价体系，首先，基于K-means 算法训练风电机组实际的历史数据，得到风电机组工作状态判别模型；其次，采集可描述机组运行状态良好的参数数据，训练相应的自组织映射（selforganizing map，SOM）网络，以SOM 网络输出的最小量化误差（minimum quantization error，MQE）作为风电机组运行状态的评价指标；最后，综合分析风电机组实时的工作状态和运行状态，可得到送端电网各个风电机组实时的调控潜力评价。

而在含高比例风电送端电网的交直流混联外送系统中，直流连续换相失败将引起的系统潮流大范围波动，如图1 中的虚线所示。通过调节直流传输系统逆变侧换流站所下达的直流电流指令CORDER可减小直流的有功功率传输量，从而降低系统的无功功率需求来抑制直流连续换相失败；在减小系统潮流波动方面，由于含高比例风电送端电网调节能力不足，需利用上述风电机组调控潜力的实时评估结果，选择具有一定调控潜力的风电机组参与交直流有功功率协调控制，降低直流传输系统发生换相失败时与其相邻的交流传输系统所面临的过载危害。

图1 系统潮流变化图Fig. 1 Diagram of system power flow variation

2 基于SOM-MQE 的风电机组调控潜力评价模型

风电机组受到安装环境和检修时间等多方面因素的耦合影响，运行状态存在较大差异。在风电场参与交直流传输系统有功功率协调控制中难以准确地调节风电机组的有功功率输出，因此本节综合运用聚类模型算法和一种无监督学习方法来确定风电机组的调控潜力。

2.1 基于K-means 聚类算法的风电机组工作状态判别模型

若风电机组不存在严重的故障问题，风电场配备的SCADA 系统所采集的风电机组的传动轴、发电机上的温度类参数将随其转速和输出功率的变化而变化。为了更加准确地判别风电机组的工作状态，本文通过风电机组输入风速、转速和输出功率数据样本训练生成基于K-means 算法的风电机组工作状态判别模型［18］。

本文所提K-means 聚类算法中采用欧式距离反应数据间的相似程度［19］，假设含有m个数据的样本集为X={xi|i= 1，2，3， ⋅⋅⋅，m}，则样本集中的xi、xj两者的欧式距离d(xi，xj)计算如式（1）所示。

基于数据间距离的远近，各个数据可分配至距离自身最近的聚类中心，形成K个数据簇Zt（t=1，2，3， ⋅⋅⋅，K）。此时新的聚类中心zt为各个簇内数据的平均值，聚类中心zt的计算方法为：

式中：mt为第t个数据簇的数据数量；xg为第t个数据簇的第g个数据（1 ≤g≤mt）。

在本文所提出的基于K-means 算法的风电机组工作状态判别模型训练过程中，由于风电机组可分为未启动、初启动、最大功率追踪（maximum power point tracking，MPPT）、恒转速、恒功率、超风速6 种工作状态，因此需初始化6 个K-means算法的聚类中心［19］，分别计算所采集的样本数据中输入风速、转速、输出功率与6 个聚类中心的欧式距离。通过数据计算结果迭代更新6 种工作状态所对应的聚类中心，直至6 个聚类中心不再发生变化，可确定生成基于K-means 算法的风电机组工作状态判别模型。而风电机组工作状态与其输入风速和转速成正相关关系，通过聚类中心的数值排序即可判断风电机组所处的工作状态。

2.2 基于SOM网络的风电机组运行状态评价模型

SOM 网络是一种无监督的、竞争性学习神经网络，通过竞争学习SOM 网络输出层能够在空间上有组织地表示输入样本的内在信息，拓扑如图2所示。

图2 SOM拓扑图Fig. 2 SOM topology

SOM 网络输出层能够捕获风电机组良好运行状态与样本之间的内在关系，这种关系体现在输出层神经元的权重向量中，样本与其在SOM 网络输出层中的最佳匹配单元（best matching unit，BMU）之间的距离，可以反映机组运行状态偏离良好状态的程度。而风电机组中的发电机、一二次轴系等环节中的所监测到的温度类参数数值可较为准确地评价风电机组的运行状态，即可采集SCADA 系统中的运行状态良好的风电机组各项温度类数值作为SOM 网络的输入，用于训练得到基于SOM 网络的风电机组运行状态评价模型。

SOM 网络输出层中的每个神经元都有一个与输入样本维数相同的权重向量，每一个输入样本在输出层中都有一个BMU，BMU的定义式为：

式中：dis( )为输入样本与权重向量之间的欧式距离；为输入样本；BMU为BMU的权重向量；为SOM输出层各神经元权重向量；M为样本总数量。

而输入样本与BMU 的权重向量之间的距离被称作最小量化误差（MQE），其计算公式为：

确定BMU 后需更新BMU 邻域范围内各输出神经元对应的权重向量，具体更新的公式为：

式中：m为迭代次数；(m)为第m次迭代时的权重向量；(m+ 1)为第m+ 1 次迭代时的权重向量；α( )为学习率；n为输出神经元与BMU 之间的拓扑距离。

SOM网络训练流程如图3所示。

图3 SOM网络的训练流程图Fig.3 SOM network training flow chart

2.3 SOM-MQE评价体系模型

为准确地建立SOM-MQE 风电场调控潜力评价模型，需采集大量风电机组运行状态良好的数据，一般可认为在风电场检修后的一周内风电机组运行都处于良好状态。因此，首先通过某实际风电场群SCADA 系统采集到检修后一段时间内各台风电机组的输入风速、转速、输出功率和各个元件的温度类参数的数据，并对相关数据进行除零和正则化的处理；其次，选择处理好的转速和输出功率的数据，根据2.1 节所提出的训练方法生成基于Kmeans 算法的风电机组工作状态判别模型；然后，整合风电机组工作状态判别模型中所确定的风电机组工作状态良好的机组的相关温度类参数数据，并基于2.2 节的方法将温度类参数数据作为输入数据训练得到可评价风电机组运行状态的SOM 模型；最后，结合风电机组工作状态判别模型和运行状态评价模型构建基于SOM-MQE 的风电机组调控潜力评价模型，以确定参与交直流混联系统有功功率协调控制的风电机组。

评价风电机组的调控潜力主要包括数据预处理、运行方式类型识别、样本特征提取和运行状态评价等4个主要步骤，具体内容如下。

1） 数据预处理：主要包括去除零功率数据和正则化处理等；

2） 工作状态类型识别：基于K-means算法的风电机组工作状态判别模型，以确定风电机组当前的运行工况类别，具体计算步骤如2.1节所述；

3） 样本特征提取：本文选择主轴轴承温度、永磁发电机侧轴承温度、发电机定子绕组温度、发电机驱动端轴承温度和发电机非驱动端轴承温度等参数作为评价机组运行状态的原始样本特征，通过主成分分析（principal component analysis，PCA）算法提取样本特征；

4） 调控潜力评价：在提取样本特征后，计算样本在其所属工作状态下SOM 网络中的MQE 值，通过MQE 值与风电机组调控潜力关系表，评价风电机组调控潜力。

本文将机组运行状态划分为良好、一般和较差3 种，使用正态分布函数拟合机组MQE 值分布，当MQE 值在分布值前2%时，风电机组运行状态较差；当MQE 值在分布值前 25%到2%之间时，风电机组的运行状态一般；当MQE 值在分布值后75%时，风电机组的运行状态较好。

将2.1 节中构建的风电机组工作状态判别模型的输出结果与表1 的风电机组运行状态评价模型输出结果相结合，可得到风电机组的调控潜力评价表，如表2所示。

表1 MEQ与风电机组运行状态关系Tab. 1 Relationship between MEQ and wind turbine operation states

表2 调控潜力评价表Tab. 2 Evaluation of regulatory potential

由表2 可知，当工作状态判别模型的输出结果为启动阶段、未启动、超风速3 种状态，且风电机组运行状态较差时，判定风电机组调控能力弱；当风电机组工作状态判别为MPPT、恒转速且运行状态一般，或者风电机组工作状态判别为MPPT 且运行状态良好时，判定风电机组调控潜力较弱。风电机组调控潜力为弱或较弱时，难以有效参与电网的调节。

当风电机组工作状态为恒转速且运行状态良好或者工作状态为恒功率且运行状态一般时，可判断风电机组调控潜力为较强；而当风电机组处于恒功率工作状态，运行状态为良好时，此时风电机组调控潜力强。在含高比例风电的电力系统中发生扰动时，调控潜力判别为较强和强的风电机组可主动参与系统的稳定控制。

3 交直流混联外送系统有功功率协调控制方法

3.1 直流功率抑制连续换相失败措施

直流传输系统逆变侧连续换相失败的发生与受端电网交流系统的无功功率有较强联系［20］，因此需分析换相失败期间逆变侧换流器的无功功率需求和恢复特性。逆变侧换流器的稳态近似方程可归纳如式（6）—（7）所示。

式中：Pdc和Qdc分别为有功功率功率和无功功率；ϕ为换流器的功率因数；Udi和Id分别为直流电压和电流；γ为逆变侧熄弧角；Udi0为理想空载直流电压；UL为高压侧母线线电压有效值；k为换流变压器变比；B为串联的桥数量；β为触发超前角。

联立式（6）—（7）可得直流系统有功功率传输与无功功率消耗满足如式（8）所示关系。

由式（8）可得，降低直流系统有功功率传输功率，可有效减少直流换相失败期间的无功功率需求，从而对连续换相失败进行抑制。

当不考虑换相电压过零点偏移角度φ时，系统的直流电流则表示为：

通过联立式（6）—（7）和式（9）可得熄弧角γ与直流有功功率传输功率Pdc满足式（10）。

式中Xc为换相电抗。

若逆变侧交流电压保持不变，按系统需求触发超前角β可取38 °，直流传输系统有功功率功率表达式为：

根据式（11）可得，当发生换相失败时，熄弧角跌落到1.5 °作为基准值，直流功率若下降18.5%，熄弧角可恢复到15 °，达到系统正常工作时熄弧角的数值；直流功率下降5.2%时，熄弧角由1.5 °提升至7.2 °，达到熄弧角的固有极限值，进而避免连续换相失败的发生［21］。

3.2 交流传输系统过载控制策略

当含高比例风电送端电网交直流混联外送系统发生连续换相失败，必将引起直流传输系统有功功率功率跌落。设直流传输系统跌落的有功功率为ΔPdc，交流传输线路功率传输极限为Pacl，功率传输极限增量为ΔPacl，火电机组可调节的有功功率为ΔPg，最大可调整有功功率为ΔPgmax［22］。假设不计系统的有功功率损耗，则交流传输系统有功功率的增幅ΔPac为：

功率增量ΔPac过大将导致交流传输系统面临过载风险，特别是当高比例风电机组接入交直流混联系统，传统火电机组的调频能力有限，一般会采取切机切负荷的方式，解决交流传输系统过载问题。但该方式较为保守，无法充分发挥新能源功率调节的优势，可采用风机主动功率控制方法以调节送端电网有功功率输出的协调控制策略，其综合有功功率协调控制策略如图4所示。

图4 交直流混联系统有功功率协调控制策略Fig. 4 Active power coordination control strategy for AC/DC hybrid system

CORDER 为逆变侧控制系统的直流电流指令，CMRS 为整流侧的直流电流测量值，两者作差可得到电流偏差量Δε，Δε增大将导致超前触发角β增大，进一步地使触发角α减小（α+β= 180 °），以实现直流传输系统有功功率的调节，降低系统的无功功率需求，可抑制直流连续换相失败的发生。

通过式（7）可知，火电厂调频系统无法完全调节直流有功功率的跌落值ΔPac- ΔPgmax，需采用图1 中风电机组加速控制以及桨距角控制等风电主动功率控制策略［23-24］。将所需调节量ΔPac输入至风机控制模块，首先进行风机主动加速降功率控制，若在风机达到最大转速wMmax之前风电场群可降低有功功率输出ΔPac，则完成风电主动功率控制；若风机达到最大转速wMmax之后未能完全降低有功功率输出ΔPac，则启动风机桨距角主动控制，调节未被加速控制所调节部分，通过风电机组主动功率控制策略可减小抑制换相失败过程中交流传输系统过载危害。

通过此方法既可以降低系统抑制直流连续换相失败后交流传输系统稳态有功功率过载风险，同时在抑制直流换相失败过程中，又可调节对交流传输系统暂态过程的功率冲击。特别是该方法在交直流混联系统有功功率协调控制方法中考虑了风电机组的调控能力，充分发挥了含高比例风电送端电网中风电场群的可调节性。但是风电机组存在工作状态的不确定性和运行状态的模糊性，在实际的调控过程中风电场群的出力调节无法达到理想效果，因此在调节风电机组出力时需对风电机组的调控潜力进行分析和评价。

4 考虑风电调控潜力的交直流有功功率协调控制策略

本文3.1—3.2 节提出了一种交直流混联外送系统有功功率协调控制策略。该策略通过调节直流传输功率抑制直流连续换相失败，同时降低送端电网中风电场群的有功功率输出以减小交流传输系统过载风险。但是对送端电网的风电场群的运行状态和调控潜力未进行评估和分析，导致对风电场的调节作用不符合实际系统的运行状态，并且未能对送端电网风电场内的风电机组进行充分调节。因此，本节提出基于SOM-MQE 评价体系风电机组调控潜力的方法，可对风电场群内各个机组的调控潜力进行评估，以提升风电场参与交直流混联外送系统有功功率协调控制的准确性。其具体控制流程如图5所示。

图5 考虑风电机组调控潜力的控制流程图Fig. 5 Control flow chart considering wind turbine control potential

根据2.3 节中所提出的方法，对风电机组调控潜力强、较强、较弱、弱的风电机组进行归类，将调控潜力强的风电机组设为最高的优先级。当系统检测到发生首次换相失败时，可通过降低直流传输系统有功功率，改善系统的无功功率需求特性，从而抑制直流连续换相失败。

在抑制直流连续换相失败的同时，应当考虑直流换相失败所引起的潮流大范围转移风险，在火电机组有功功率最大调节ΔPgmax范围之内，若交流传输线路功率传输极限Pacl并未超出交流传输系统的实时传输值Pac时，即Pacl≤Pac- ΔPgmax时，风电机组无需参与交直流混联系统的有功功率协调控制。若Pacl>Pac- ΔPgmax，需进行风电机组主动功率控制以调节风电场的有功功率输出，通过工作状态模型判别结果，并结合基于SOM-MEQ 评价体系所得出的风电机组运行状态评估结果，优先向调控潜力较好的一类风电机组下达风电场调控指令。根据式（12）可知，主动降低风电场有功功率输出量为Pac-Pacl- ΔPgmax。具体控制过程是先通过风电机组转子主动加速降功率控制调节风电机组有功功率输出，如果转子转速w已达到最大转速wMmax还未满足调节需求，此时启动风电机组桨距角控制，对目标降低量进行协调控制，以实现含高比例风电送端电网的灵活精准的调控效果。

5 算例验证

5.1 算例介绍

本文在电磁暂态仿真环境PSCAD/EMTDC 上搭建了含高比例风电送端电网的交直流混联系统模型，如图6 所示。送端电网风电场群的额定容量为2 000 MW，火电厂的额定容量为1 320 MW；高压交流线路的电压等级为500 kV，额定容量为1 500 MW；LCC 型高压直流线路电压等级为±500 kV，额定容量为1 000 MW；在系统稳态运行时直流传输系统熄弧角保持在15 °。

图6 含高比例风电送端电网的交直流混联系统模型Fig. 6 AC/DC hybrid system model with high proportion wind power

5.2 常规交直流协调控制方法

为验证本文3.1 节和3.2 节所提出的抑制直流连续换相失败的交直流混联系统有功功率协调控制策略，在5.1 节所搭建的模型中设置高压直流传输系统逆变侧交流系统在第0.8 s 时发生单相短路故障，故障持续时间为0.5 s，分别采用如下3种控制方式对系统暂态和稳态过程进行控制效果对比和分析。

控制方式Ⅰ：CIGRE标准直流传输系统测试模型自带控制方式。

控制方式Ⅱ：通过调节逆变侧直流电流指令以减小系统逆变侧的无功功率需求，从而抑制直流连续换相失败。

控制方式Ⅲ：在采取控制方式Ⅱ的同时，通过风电机组主动功率控制方法，减小含高比例风电送端电网有功功率输出实现交直流混联系统有功功率协调控制，即结合了本文3.1 节和3.2 节而提出的控制方式。

分别对系统的熄弧角、直流有功功率传输、交流有功功率传输和送端电网风电场有功功率输出进行观测，3 种控制方式的效果对比如图7 所示。若采用控制方式Ⅰ，如图7（d）所示熄弧角连续3 次跌落至了0°附近，可判断直流传输系统出现了连续3次换相失败，直流传输系统有功功率也连续3 次大幅度跌落，系统面临闭锁的风险。

图7 3种控制方式对比Fig. 7 Comparison of three control methods

若采用控制方式Ⅱ，考虑到指令传达所需要的时间，在系统发生首次换相失败后40 ms，基于式（6）—（7）和式（9）调节直流传输系统的电流大小，如图7（b）—（d）绿色曲线所示。直流传输系统逆变侧熄弧角以及传输线路上的有功功率都仅跌落了一次，因此控制方式Ⅱ可有效抑制直流连续换相失败。但是随着直流传输系统有功功率的减少，且含高比例风电的送端电网火电机组调节能力有限，与直流传输系统相邻的交流传输系统在暂态和稳态过程中都将出现过载现象，若长时间存在过载现象，交流传输系统则可能面临连锁跳闸的风险。

采用控制方式Ⅲ，在调节直流传输系统电流指令的同时，根据3.2 节中所提出的交直流协调控制策略对交流传输系统过载情况进行分析，若Pacl>Pac- ΔPgmax可判断含高比例风电送端电网的火电厂调节能力不足，需通过风电机组转子转动加速控制和桨距角控制的方式减小含高比例风电送端电网功率输出，如图7（a）所示。基于判别公式减小了送端电网有功功率输出后，交流传输系统所面临的的过载风险也得到了有效地控制。

5.3 考虑风电机组调控潜力的协调控制方法

通过5.2节中对3种控制方式的分析对比可知，为兼顾抑制直流连续换相失败并减小交流传输系统过载风险，可采取本文3.1 节和3.2 节所提出的含高比例风电送端电网参与交直流混联系统有功功率协调控制策略。但是由于风电机组工作状态和运行状态的不确定性，控制方式Ⅲ只能“一刀切”式的对含高比例风电的送端电网中的风电场进行调节，下达的调节指令较为单一固定，未能充分发挥风电场群的调节潜力。基于SOM-MQE 评价体系本文提出考虑风电机组调控潜力的交直流系统有功功率协调控制策略，即控制方式Ⅳ。

以某一典型风电基地为例，在逆变侧交流系统故障发生后，从该基地的12 个风电场各选一台典型风电机组，其SCADA 系统所记录的风速、转速和输出功率如表3所示。

表3 典型风电机组电气量汇总Tab. 3 Summary of typical wind turbine electricity parameters

为得到基于SOM-MQE 的风电机组调控潜力评价模型，选取风电基地检修后3 d内SCADA系统中所采集到的主轴轴承温度、永磁发电机侧轴承温度、发电机定子绕组温度、发电机驱动端轴承温度和发电机非驱动端轴承温度等参数数据训练SOM神经网络，得到样本数据的MQE 值。MQE 平均值为0.4993，正态拟合MQE 值，确定风电机组运行状态的边界条件，上0.02 分位点v0.02为1.383，上0.25分位点v0.25为0.944。

在实际验证阶段，分别取12 台典型风电机组各500 组数据作为SOM-MQE 的风电机组调控潜力评价模型的输入，图8 为其输出结果的MQE 值分布。

图8 12台典型风电机组MQE值分布Fig. 8 MQE value distribution of 12 typical wind turbines

由图8 可知，所选取的典型机组1、4、5、6、7、9、11、12 运行状态良好。同时将表3 中典型风电机组的输入风速、转子和输出功率作为基于Kmeans算法的风电机组工作状态判别模型输入数据，判断出风电机组实时的工作状态。根据表2 中风电机组调控潜力的判别结果，得到风电机组1、4、5、6、7、9、11、12 具有较强的调控潜力，因此选择所对应的风电场参与交直流有功功率协调控制，其控制效果的对比如图9所示。

图9 4种控制方式对比Fig. 9 Comparison of four control methods

若采用控制方式Ⅳ，不但保留了控制方式Ⅲ中的所有优点，并且充分精准地挖掘了送端电网中风电机组的调控潜力，如图9（a）红色曲线所示，控制方式Ⅳ大幅降低了送端电网有功功率输出。此时含高比例风电送端电网的交直流混联系统中交流传输系统暂态及稳态的过载问题得到了有效缓解，相比于控制方式Ⅲ，交流传输系统暂态过程的下降幅度由13.44%提升至24.21%。

6 结论

本文针对交直流混联系统直流连续换相失败以及其所引起的潮流大范围转移展开研究，并考虑了送端电网风电机组的调控潜力，提出含高比例风电送端电网交直流混联系统有功功率协调控制策略，基于理论分析和仿真验证得到以下结论。

1） 本文提出了抑制直流连续换相失败含高比例风电送端电网交直流混联系统有功功率协调控制策略，调整直流电流指令降低直流有功功率的传输，可有效减小直流传输系统换相失败过程中的无功功率需求，从而避免发生直流连续换相失败。

2） 直流换相失败将导致直流传输系统有功功率跌落，交流传输系统出现过载现象，采用风机主动加速及桨距角主动控制的方法，快速降低含高比例风电送端电网的有功功率输出，可减少换相失败对交流传输系统暂态过程的功率冲击，并保持交流传输系统稳态功率稳定。

3） 为充分发挥送端电网风电机组的调控潜力，本文提出SOM-MQE 风电机组调控潜力评价方法，基于K-means 聚类算法的风电机组工作状态判别模型的输出结果，结合SOM 网络训练风电机组运行历史数据得到其运行状态评价模型，精准确定送端电网中调控潜力较强的风电机组，使其参与交直流传输系统有功功率协调控制，可有效降低交流传输系统过载风险。