找到 5 条结果 · 风电变流技术
基于二极管整流单元高压直流输电的构网型风力发电机大信号稳定性分析
Large-Signal Stability Analysis of Grid-Forming Wind Turbine Connected to DRU-HVDC
Lujie Yu · Ziyu Fu · Jiebei Zhu · Yin Chen 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
本文研究了接入基于二极管整流单元的高压直流输电系统的构网型风力发电机的大信号稳定性。建立了包含电流限幅动态特性的系统非线性微分方程模型，并基于该模型在对称电压跌落下证明了平衡点的存在性与唯一性，揭示了q轴优先电流限幅与锁相环频率控制的优越性。采用Takagi-Sugeno方法估计吸引域，定义并构建了大信号稳定域，直观给出了保证系统稳定性的控制参数范围。PSCAD/EMTDC仿真验证了理论分析的有效性。
解读: 该研究对阳光电源的储能与风电产品线具有重要参考价值。研究的大信号稳定性分析方法可直接应用于ST系列储能变流器和风电变流器的GFM控制设计，特别是电流限幅与锁相环频率控制的优化。文中提出的Takagi-Sugeno稳定域估计方法，有助于提升PowerTitan等大型储能系统在弱电网条件下的稳定性。q轴...
基于数据驱动振荡模式预测的风电并网系统谐振抑制方法
Data-Driven Oscillation Mode Prediction Based Resonance Mitigation Scheme for Wind Turbine Generators Connected Power System
Lujie Yu · Jiong Ding · Jiebei Zhu · Heyu Luo 等6人 · IEEE Transactions on Industry Applications · 2025年5月
本文提出了一种数据驱动的振荡模式预测（DOMP）模型，旨在减轻风力发电机（WTG）接入电力系统中的潜在模态谐振问题，而无需建立复杂的状态空间分析模型。该方法首先对历史运行场景下的系统振荡模式进行识别和聚类，以提供高质量的训练数据。然后，采用深度极限学习机算法对DOMP模型进行训练，将场景信息作为输入，已识别的振荡模式作为输出。基于DOMP预测的振荡模式，对WTG控制参数进行优化，以防止潜在的模态谐振，并提高系统在未来不确定场景下的小信号稳定性。通过对改进的IEEE 39节点和IEEE 118节点...
解读: 该数据驱动振荡预测技术对阳光电源的风电变流器和储能产品具有重要应用价值。可直接应用于ST系列储能变流器的并网控制，提升大规模储能电站的谐振抑制能力；也可集成到SG系列逆变器的GFM/GFL控制中，增强新能源并网系统稳定性。该方法无需精确建模，通过机器学习实现在线预测和自适应控制，契合阳光电源在智能化...
基于Wasserstein距离的风电场异常风功率数据迭代清洗方法
An Iterative Cleaning Method for Abnormal Wind Power Data in Wind Farms Based on Wasserstein Distance
Yijun Shen · Bo Chen · Jianzheng Wang · Shichao Liu 等5人 · IEEE Transactions on Sustainable Energy · 2025年3月
风电机组功率曲线是评估其发电性能的重要指标，对风电场运行和电力系统调度具有重要意义。然而，机组停机、传感器故障和限电等因素导致大量异常值，给状态监测与功率预测带来挑战。针对异常数据特点，本文提出一种基于Wasserstein距离的风电场迭代清洗方法，结合神经网络与单调性约束，利用Wasserstein距离建模风速-功率关系并同步剔除异常点，使拟合曲线逐步逼近真实功率曲线。在数值模拟和十二个实测风电机组数据集上的实验表明，该方法在存在大量异常数据的情况下仍能构建高精度功率曲线模型，性能显著优于现有...
解读: 该风电数据清洗方法对阳光电源的风电变流器和智能运维系统具有重要应用价值。基于Wasserstein距离的异常数据识别技术可集成到iSolarCloud平台,提升风电场运行数据的质量和可靠性。具体可应用于:(1)风电变流器的功率曲线优化与效率提升;(2)iSolarCloud平台的智能诊断与预测性维护...
风电机组齿轮箱载荷降低的风电场最优功率控制
Optimal Power Control in Wind Farms for Gearbox Load Reduction
Juan Wei · Yuxiang Li · Hanzhi Peng · Sheng Huang 等6人 · IEEE Transactions on Sustainable Energy · 2025年2月
时变工况下快速的功率与转矩波动会加剧风电机组齿轮箱的疲劳载荷并提高故障率。本文提出一种面向风电场的最优功率控制方法，在跟踪输电系统运营商功率调度指令的同时，优化功率分配以抑制齿轮箱内部振动位移波动，降低疲劳载荷。通过分析行星架、行星轮、太阳轮和直齿轮等关键部件的传动机制，构建了描述齿轮箱内部振动与机械转矩及输出功率关系的动态模型。基于模型预测控制框架建立最优控制问题，并构建基于齿轮箱实时振动状态的疲劳评估系统，用于表征机组运行品质并指导风电场发电调度，为风电场优化调度提供安全边界，有效抑制潜在故...
解读: 该风电场最优功率控制技术对阳光电源储能和光伏产品线具有重要借鉴价值。其基于模型预测控制的功率分配优化思路可应用于ST系列储能变流器的多机组协调控制,有助于降低储能系统的机械应力和疲劳载荷。文中的振动状态实时监测和疲劳评估方法也可集成到iSolarCloud平台,用于SG系列逆变器的预测性维护。特别是...
一种用于风力涡轮机应用中精确预测三维时空风场的新型频域物理信息神经网络
A novel frequency-domain physics-informed neural network for accurate prediction of 3D spatio-temporal wind fields in wind turbine applications
Shaopeng Li · Xin Li · Yan Jiang · Qingshan Yang 等7人 · Applied Energy · 2025年1月 · Vol.386
摘要 风能是全球关键的清洁能源之一。风力涡轮机的结构安全性和动力响应分析在很大程度上受到其所在位置风速数据可获得性与精度的影响。然而，气象观测站分布稀疏，通常难以获取高分辨率的空间风速数据，因此需要采用条件模拟方法来补充低分辨率的观测数据。本研究针对这一挑战，提出了一种频域物理信息神经网络（FD-PINN），该方法利用频域信息，旨在实现对风力涡轮机三维（3D）时空风场的精准预测。该方法构建了一个深度神经网络，并将其与关键物理模型相结合，包括风谱、风场相干函数以及风速廓线。通过融合这些物理先验知识...
解读: 该频域物理信息神经网络技术对阳光电源风电变流器及新能源场站具有重要价值。通过高精度3D时空风场预测,可优化SG系列风电变流器的功率预测算法和主动抗扰控制策略,提升MPPT效率。结合iSolarCloud平台,该深度学习方法可增强风光储混合电站的预测性维护能力,优化储能系统ST系列PCS的充放电策略。...