李世春，黃森焰,3，李惠子，羅 穎，田冰杰

考慮廠用旋轉(zhuǎn)負(fù)荷貢獻(xiàn)的發(fā)電廠慣量修正估計

李世春1,2，黃森焰1,2,3，李惠子1,2，羅 穎1,2，田冰杰1,2

(1.三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌 443002；2.梯級水電站運(yùn)行與控制湖北省重點(diǎn)實(shí)驗(yàn)室(三峽大學(xué))，湖北 宜昌 443002；3.國網(wǎng)湖南省電力有限公司懷化供電分公司，湖南 懷化 418000)

在傳統(tǒng)的電網(wǎng)慣量和頻率穩(wěn)定評估中，忽略了發(fā)電廠內(nèi)部異步電動機(jī)負(fù)荷的慣量貢獻(xiàn)，可能導(dǎo)致評估結(jié)果產(chǎn)生偏差。基于此，研究了常態(tài)下、考慮旋轉(zhuǎn)負(fù)荷貢獻(xiàn)的發(fā)電廠慣量修正估計方法。將發(fā)電廠及內(nèi)部電動機(jī)負(fù)荷等效為一個整體，利用出口母線的有功/頻率常態(tài)化小擾動數(shù)據(jù)估計發(fā)電廠等效慣量。針對發(fā)電廠等效慣量為時變參數(shù)的特點(diǎn)，提出應(yīng)用受控自回歸模型和基于可變遺忘因子的遞推最小二乘辨識算法估計慣量參數(shù)。算例驗(yàn)證結(jié)果表明：所提出的辨識模型精度較高，能適應(yīng)小擾動輸入/輸出數(shù)據(jù)的參數(shù)辨識。考慮電動機(jī)旋轉(zhuǎn)負(fù)荷的慣量貢獻(xiàn)時，發(fā)電廠等效慣量和系統(tǒng)等效慣量均存在差異，并具有時變特性，獲得的修正慣量能更客觀地評估發(fā)電廠慣量和系統(tǒng)慣量。

發(fā)電廠等效慣量；電動機(jī)旋轉(zhuǎn)負(fù)荷；時變參數(shù)辨識；受控自回歸模型；遞推最小二乘算法；可變遺忘因子

0 引言

隨著國家碳中和、碳達(dá)峰能源政策的持續(xù)推進(jìn)，風(fēng)電、光伏等新能源將以更高滲透率接入電網(wǎng)，會進(jìn)一步擠占常規(guī)電廠的并網(wǎng)占比。在此背景下，常規(guī)電廠作為支撐電網(wǎng)動態(tài)頻率穩(wěn)定的重要主體，精確評估其慣量水平顯得愈加重要[1-3]。然而，在目前關(guān)于發(fā)電廠慣量相關(guān)研究中，大多只考慮同步發(fā)電機(jī)組的慣量，而認(rèn)為廠用電動機(jī)旋轉(zhuǎn)負(fù)荷的容量相對較小，常忽略其旋轉(zhuǎn)動能和慣量貢獻(xiàn)，會影響電網(wǎng)慣量及頻率穩(wěn)定評估的客觀真實(shí)性。

實(shí)際上，在常規(guī)發(fā)電廠中，凝汽式火力發(fā)電廠的廠用電率約為5%～8%，熱電廠為8%～10%，其中旋轉(zhuǎn)負(fù)荷又占據(jù)廠用電負(fù)荷的60%～70%[4-6]。另一方面，已有研究證明，異步電動機(jī)也具有顯著的慣性響應(yīng)特性。文獻(xiàn)[7]分析了異步電動機(jī)的慣性響應(yīng)產(chǎn)生機(jī)理和特征，指出其有效慣量受轉(zhuǎn)子轉(zhuǎn)速和轉(zhuǎn)差率影響而具有時變特性。文獻(xiàn)[8]首次對電網(wǎng)中各類電動機(jī)負(fù)荷的慣量進(jìn)行了評估，論證了發(fā)電廠中異步電動機(jī)負(fù)荷群具有明顯的慣性響應(yīng)特性，但該文僅基于離散的頻率事件及其數(shù)據(jù)對旋轉(zhuǎn)負(fù)荷的有效慣量進(jìn)行了粗略估算，未獲得連續(xù)、精確的慣量估計結(jié)果。綜上所述，可知發(fā)電廠異步電動機(jī)負(fù)荷約占其總出力的5%左右，且具有時變慣量特性，但其慣量貢獻(xiàn)目前被忽略，這可能會“低估”全網(wǎng)實(shí)際等效慣量大小。

為評估電網(wǎng)受到擾動時的頻率支撐能力，幫助運(yùn)行人員及時做出預(yù)判和預(yù)決策，避免嚴(yán)重頻率事故的發(fā)生，需對發(fā)電廠及全網(wǎng)進(jìn)行慣量估計。針對這一問題，當(dāng)前國內(nèi)外學(xué)者已開展過大量相關(guān)研究。文獻(xiàn)[9-11]基于擾動后類噪聲數(shù)據(jù)采用系統(tǒng)辨識模型對發(fā)電機(jī)組慣量進(jìn)行辨識，獲得了較為精確的電網(wǎng)慣量估計結(jié)果。文獻(xiàn)[12]使用PMU測量電網(wǎng)母線上的功率-頻率數(shù)據(jù)，采用微擾法對同步機(jī)進(jìn)行慣量的閉環(huán)辨識。文獻(xiàn)[13]將同步機(jī)慣量建模成按非高斯模型分布的周期分量和隨機(jī)噪聲之和，提出一種卡爾曼濾波的慣量估計方法。文獻(xiàn)[14]提出一種電網(wǎng)正常運(yùn)行狀態(tài)下的子空間辨識算法，實(shí)時獲得同步發(fā)電機(jī)的慣量并能較快地進(jìn)行慣量更新。上述研究對全網(wǎng)慣量進(jìn)行評估時，主要關(guān)注發(fā)電廠內(nèi)同步機(jī)慣量，忽視了廠內(nèi)具有時變特性的異步電機(jī)慣量。當(dāng)考慮廠內(nèi)電動機(jī)負(fù)荷的慣性響應(yīng)作用時，由于異步電機(jī)負(fù)荷群的慣量時變特征，使發(fā)電廠等效慣量同為時變參數(shù)。因此，上述基于恒定參數(shù)的辨識方法不再適用，研究考慮旋轉(zhuǎn)負(fù)荷貢獻(xiàn)的發(fā)電廠慣量時，須尋求時變參數(shù)的辨識方法。

關(guān)于時變參數(shù)的辨識算法主要有矩形窗法、卡爾曼濾波法及多新息辨識類算法等[15]，這些研究主要基于標(biāo)準(zhǔn)算例，單純對算法計算精度進(jìn)行改進(jìn)，取得了令人滿意的效果，但缺乏基本的電力工程應(yīng)用背景。例如，文獻(xiàn)[16]研究了電網(wǎng)負(fù)荷模型參數(shù)辨識問題，建立了時變冪函數(shù)負(fù)荷模型，采用基于三階累積量的改進(jìn)遞推最小二乘算法求解，較好地跟蹤了參數(shù)變化，但其模型時變參數(shù)的時間尺度較慢，無法直接推廣至異步電動機(jī)慣量的較快時變特征辨識中。文獻(xiàn)[17-19]采用多新息遞推算法對雙饋電機(jī)和同步電機(jī)物理結(jié)構(gòu)參數(shù)進(jìn)行辨識，提高了辨識收斂速度，也獲得了較精確的參數(shù)結(jié)果。但這些物理參數(shù)屬于恒定參數(shù)，該研究實(shí)際未涉及時變參數(shù)的辨識過程。

綜上所述，當(dāng)前關(guān)于發(fā)電廠慣量估計的研究忽略了廠用旋轉(zhuǎn)負(fù)荷的慣量貢獻(xiàn)，尚未探討計及廠用旋轉(zhuǎn)負(fù)荷作用的發(fā)電廠慣量估計問題，而對模型中時變參數(shù)的研究也大多脫離電力工業(yè)應(yīng)用背景。鑒于此，本文研究考慮旋轉(zhuǎn)負(fù)荷貢獻(xiàn)的發(fā)電廠慣量修正估計方法，有望獲得常態(tài)下連續(xù)的、更精確的發(fā)電廠等效慣量，從而為調(diào)度提供更精細(xì)化的電網(wǎng)慣量數(shù)據(jù)，為評估系統(tǒng)頻率動態(tài)穩(wěn)定性提供更客觀的理論基礎(chǔ)。

1 含旋轉(zhuǎn)負(fù)荷的發(fā)電廠等效慣量分析及求解

1.1 含旋轉(zhuǎn)負(fù)荷的發(fā)電廠等效慣量分析

根據(jù)定義[20-21]，同步發(fā)電機(jī)組的慣性時間常數(shù)可表示為

發(fā)電廠輔機(jī)系統(tǒng)接入大量異步電動機(jī)負(fù)荷，當(dāng)頻率發(fā)生擾動時，這部分旋轉(zhuǎn)負(fù)荷會釋放其轉(zhuǎn)子上儲存的動能，向電網(wǎng)提供慣性響應(yīng)。根據(jù)文獻(xiàn)[5]，此時異步電動機(jī)負(fù)荷的慣量貢獻(xiàn)效果通過異步電動機(jī)總動能除以發(fā)電機(jī)組的總?cè)萘矿w現(xiàn)出來，正是由于異步電動機(jī)的這一慣量貢獻(xiàn)形式，其本身容量不予考慮。因此，若考慮發(fā)電廠內(nèi)部旋轉(zhuǎn)負(fù)荷的慣性響應(yīng)時，應(yīng)將式(2)表示為[5]

1.2 發(fā)電廠等值轉(zhuǎn)子運(yùn)動方程及等效慣量辨識

圖1表示了包含臺發(fā)電機(jī)組和廠內(nèi)異步電動機(jī)旋轉(zhuǎn)負(fù)荷的發(fā)電廠拓?fù)浣Y(jié)構(gòu)。

圖1 發(fā)電廠拓?fù)浣Y(jié)構(gòu)示意圖

當(dāng)系統(tǒng)發(fā)生擾動時，廠內(nèi)異步電動機(jī)群會向主網(wǎng)饋送/吸收動能和電磁功率，該變化的電磁功率可通過發(fā)電廠出口處電源管理單元(Power Management Unit, PMU)量測到，并反映出廠內(nèi)異步電動機(jī)群的慣量動態(tài)效應(yīng)。因此，雖然大多數(shù)廠用電負(fù)荷通過電動機(jī)負(fù)載消耗掉，但對應(yīng)其慣性響應(yīng)的反饋電磁功率和能量卻可通過PMU量測，并用于辨識計算發(fā)電廠等效修正慣量。此時可將高壓(或機(jī)端)母線往下元件作為整體，若測得母線電壓角頻率為B，發(fā)電廠等效阻尼為，則可得到發(fā)電廠等值轉(zhuǎn)子運(yùn)動方程[22]為

2 發(fā)電廠等效慣量估計

為獲得發(fā)電廠等效慣量精確估計結(jié)果，須研究數(shù)據(jù)獲取和預(yù)處理、辨識模型建立、辨識算法求解和發(fā)電廠慣量計算多個過程，以下分別進(jìn)行論述。

2.1 數(shù)據(jù)獲取和預(yù)處理

由于所測量的類噪聲數(shù)據(jù)存在噪聲污染，在建立辨識模型和研究辨識求解算法前，需要對獲取的數(shù)據(jù)信息進(jìn)行預(yù)處理，以提高識別效率和辨識精確性[24]。文中數(shù)據(jù)預(yù)處理主要包括以下過程：

1) 使用巴特沃斯低通濾波器對原始數(shù)據(jù)濾波，濾除隨機(jī)擾動下的噪聲數(shù)據(jù)；

2) 將1)處理后的數(shù)據(jù)信息轉(zhuǎn)換成標(biāo)幺值；

3) 將數(shù)據(jù)信息與均值作差，作為辨識模型的輸入/輸出變化量信息。

2.2 辨識模型及階次的選擇

根據(jù)研究方法的不同，參數(shù)辨識模型可分為輸入/輸出模型和狀態(tài)空間模型兩大類。其中，輸入/輸出模型主要描述系統(tǒng)的外部特性，狀態(tài)空間模型則深入到系統(tǒng)的內(nèi)部情況，可對系統(tǒng)內(nèi)部結(jié)構(gòu)及物理參數(shù)進(jìn)行辨識[15]。文中將發(fā)電廠作為整體，對其等效慣量進(jìn)行估計，并不關(guān)注發(fā)電廠內(nèi)部結(jié)構(gòu)和物理參數(shù)。此外，相比于狀態(tài)空間模型，輸入/輸出模型更能適應(yīng)時變參數(shù)的尋優(yōu)辨識。因此，選擇輸入/輸出模型類中的受控自回歸模型(Controll Auto Regressive model, CAR模型)來辨識發(fā)電廠等效慣量。

CAR模型可表示為

CAR模型為離散系統(tǒng)參數(shù)模型，其對應(yīng)的離散傳遞函數(shù)為

由于電網(wǎng)慣量參數(shù)系統(tǒng)為連續(xù)系統(tǒng)，可應(yīng)用Tustin變換法將式(9)轉(zhuǎn)化為連續(xù)傳遞函數(shù)，具體可通過Matlab中d2c函數(shù)實(shí)現(xiàn)。轉(zhuǎn)換為連續(xù)傳遞函數(shù)后的形式為

2.3 辨識算法

VFF-RLS基于恒定遺忘因子遞推最小二乘法(Forgetting Factor Recursive Least Square, FF-RLS)衍生而來，以下先簡述其實(shí)現(xiàn)原理[25]。

2.3.1基于恒定遺忘因子遞推最小二乘法

對CAR模型進(jìn)行辨識時，先將式(7)轉(zhuǎn)化為算法能實(shí)現(xiàn)的最小二乘格式：

其中

將式(15)展開可得

基于式(17)—式(21)推導(dǎo)出遺忘因子遞推最小二乘法。

2.3.2基于可變遺忘因子的時變遞推最小二乘算法

應(yīng)用VFF-RLS算法辨識CAR模型參數(shù)時，可按照如圖3所示流程計算，具體步驟如下所述。

圖3 VFF-RLS算法流程圖

2.4 慣量提取

3 算例驗(yàn)證

為了驗(yàn)證文中所提理論方法的有效性，采用如圖4所示算例系統(tǒng)進(jìn)行仿真驗(yàn)證，詳細(xì)的仿真參數(shù)可參考附錄A。

圖4 10機(jī)39節(jié)點(diǎn)系統(tǒng)

3.1 辨識模型精確性驗(yàn)證

式(7)—式(10)為慣量估計模型，是發(fā)電廠慣量修正估計的基礎(chǔ)。首先利用該模型及負(fù)荷隨機(jī)擾動下的有功/頻率類噪聲數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，然后驗(yàn)證該模型的辨識適應(yīng)性和精確性。在量測發(fā)電廠出口母線上有功功率和頻率數(shù)據(jù)時，若發(fā)電廠經(jīng)三繞組變壓器接入電網(wǎng)，可分別測得高壓/中壓母線出口的功率數(shù)據(jù)，將二者相加作為總輸出功率，頻率擾動數(shù)據(jù)可通過高壓母線測得。擾動數(shù)據(jù)如圖5所示。通過慣量估計模型輸入量測有功擾動，經(jīng)模型輸出對應(yīng)的頻率擾動估計值，再與頻率擾動實(shí)測值比較，結(jié)果如圖6所示。

圖5 發(fā)電廠P5有功功率-頻率值

圖6 發(fā)電廠P5出口頻率擾動實(shí)測與估計值對比

由圖6可知，慣量模型得到的頻率擾動估計值與實(shí)測值偏差控制在0～10-5以內(nèi)，這表明對應(yīng)相同的有功擾動輸入，該辨識模型能較精確地識別系統(tǒng)輸入輸出數(shù)據(jù)，所建立的慣量模型是可靠的，可進(jìn)一步利用該模型進(jìn)行發(fā)電廠慣量修正估計。

3.2 發(fā)電廠慣量修正估計

圖7 發(fā)電廠P6的離散傳遞函數(shù)參數(shù)

Fig. 7Discrete transfer function parameters of power plant 6

接著利用d2c函數(shù)將離散傳遞函數(shù)轉(zhuǎn)化為連續(xù)傳遞函數(shù)，進(jìn)而獲取主要參數(shù)0、1、0等，然后運(yùn)用本文所提方法提取出發(fā)電廠等效慣量。當(dāng)考慮廠內(nèi)電動機(jī)旋轉(zhuǎn)負(fù)荷慣量貢獻(xiàn)時，同樣估計出發(fā)電廠P5、P6的等效修正慣量，估計結(jié)果如圖8所示。

由圖8可知，不考慮廠用電時，辨識出的發(fā)電廠等效慣量與參考值基本重合，能較為準(zhǔn)確地反映算法的準(zhǔn)確度，實(shí)現(xiàn)慣量秒級的跟蹤。當(dāng)考慮廠內(nèi)電動機(jī)旋轉(zhuǎn)負(fù)荷時，運(yùn)用所提算法估計出的P5、P6的慣量在30 s內(nèi)隨時間變化，其中發(fā)電廠P5慣量在2.65～2.69 s區(qū)間變化，使發(fā)電廠P5等效慣量整體提升了2.84%～4.72%，P6慣量在3.54～3.69 s區(qū)間變化，整體提升了3.8%～8.3%。由此說明兩點(diǎn)：1) 當(dāng)不考慮旋轉(zhuǎn)負(fù)荷作用時，發(fā)電廠慣量明顯較小，考慮旋轉(zhuǎn)負(fù)荷慣量貢獻(xiàn)進(jìn)行修正估計可獲得更精確、更真實(shí)的發(fā)電廠慣量，慣量提升比例在2.84%～8.3%之間；2) 常態(tài)下、包含旋轉(zhuǎn)負(fù)荷的發(fā)電廠等效慣量具有時變特征，其值并非恒定常數(shù)。

圖8 發(fā)電廠P5、P6的修正慣量

發(fā)電廠等效慣量之所以具有時變特征，是因?yàn)閺S內(nèi)異步電動機(jī)等效慣量的時變特性所致，算例系統(tǒng)設(shè)置隨機(jī)負(fù)荷擾動強(qiáng)度為106W，這會引起異步電動機(jī)吸收的有功功率e變化，并使其運(yùn)行工作點(diǎn)發(fā)生變化，從而激發(fā)出時變慣量響應(yīng)特性。為了驗(yàn)證異步電動機(jī)群的慣量時變特性，利用附錄B所示異步電動機(jī)慣量估計原理，通過量測擾動發(fā)生時異步電動機(jī)接入的公共低壓母線上的有功和頻率擾動數(shù)據(jù)，應(yīng)用文中所提辨識模型和算法估計異步電動機(jī)的等效慣量，估計結(jié)果如圖9所示。

圖9 異步電動機(jī)慣量

由圖9可知，發(fā)電廠P5、P6中異步電動機(jī)群有效慣量剛開始在2.1 s上下變化，而后在2.0 s左右變化，波動范圍為1.81～2.25 s，說明異步電動機(jī)群等效慣量具有秒級的時變特性，而文中模型和算法也能跟蹤其變化特征，有效地識別其等效慣量。

3.3 風(fēng)電接入時全網(wǎng)等效慣量修正估計

上述發(fā)電廠慣量修正估計結(jié)果表明，考慮異步電動機(jī)旋轉(zhuǎn)負(fù)荷慣量作用時，發(fā)電廠等效慣量具有一定的數(shù)值差異和時變特性。考慮全網(wǎng)發(fā)電廠的上述影響，為進(jìn)一步驗(yàn)證在全網(wǎng)中考慮新能源之后所提算法的有效性，在節(jié)點(diǎn)39接入一大型風(fēng)電場，并網(wǎng)容量為1000 MW，在30 s內(nèi)設(shè)置兩種風(fēng)況，前15 s內(nèi)風(fēng)速為11.2 m/s，后15 s內(nèi)風(fēng)速為7.2 m/s，以反映系統(tǒng)中新能源并網(wǎng)且風(fēng)速隨機(jī)變化的情況，再應(yīng)用典型的辨識算法(即文獻(xiàn)[14]和文獻(xiàn)[26]采用的子空間算法)辨識發(fā)電廠慣量，并與本文算法對比辨識效果，具體結(jié)果如圖10所示。

圖10 考慮/未考慮旋轉(zhuǎn)負(fù)荷的全網(wǎng)慣量修正估計值

由圖10可知，接入風(fēng)電場后，當(dāng)不考慮旋轉(zhuǎn)負(fù)荷慣量貢獻(xiàn)時，結(jié)合文獻(xiàn)[2]的慣量計算式，計算所得全網(wǎng)慣量參考值為7.11 s；本文方法估計的全網(wǎng)等效慣量與電網(wǎng)慣量真實(shí)值很接近，誤差較小，而子空間法的估計結(jié)果誤差較大，這是由于子空間法受類噪聲小擾動及風(fēng)電場風(fēng)速變化的影響更加突出，難以剔除奇異值，因此本文方法能更好地適應(yīng)異步電動機(jī)負(fù)荷影響的電網(wǎng)慣量辨識應(yīng)用。

另一方面，風(fēng)電接入系統(tǒng)后，即使風(fēng)電場風(fēng)速隨機(jī)變化，但本文算法辨識速度很快，亦能快速精確跟蹤電網(wǎng)慣量的快速時變特性，估計出較精確慣量值(如圖10(a)結(jié)果)，說明本文方法的穩(wěn)定性更好，抗擾動的能力更強(qiáng)。當(dāng)考慮旋轉(zhuǎn)負(fù)荷作用時，本文方法估計得到的全網(wǎng)慣量在7.25～7.50 s區(qū)間變化，較未考慮負(fù)荷時慣量水平有較明顯的提升(對比圖10(a)和圖10(b))，證明了發(fā)電廠內(nèi)電動機(jī)負(fù)荷對電網(wǎng)慣量的有益支持效果。

慣量估計完成之后，在各個電廠中選擇了300個慣量估計樣本進(jìn)行統(tǒng)計分析，各項(xiàng)統(tǒng)計數(shù)據(jù)結(jié)果如表1所示。由表1可知，在95%置信水平下，各發(fā)電廠等效慣量具有一個較小的波動區(qū)間，其中，全網(wǎng)等效慣量處于7.28～7.49 s區(qū)間，提升了2.40%～5.35%，且估計方差較小，慣量均值為7.40 s，較未考慮旋轉(zhuǎn)負(fù)荷作用時提升了4.1%，可將該均值近似為考慮旋轉(zhuǎn)負(fù)荷貢獻(xiàn)的全網(wǎng)慣量修正估計結(jié)果，各發(fā)電廠最終選取的慣量同樣依據(jù)此方法，以供實(shí)際電力系統(tǒng)評估及應(yīng)用。

表1 各發(fā)電廠及電網(wǎng)等效慣量估計結(jié)果

4 結(jié)論

文中應(yīng)用受控自回歸模型和可變遺忘因子的遞推最小二乘算法對包含廠用旋轉(zhuǎn)負(fù)荷作用的發(fā)電廠等效慣量進(jìn)行修正估計，并在10機(jī)39節(jié)點(diǎn)系統(tǒng)中進(jìn)行了仿真驗(yàn)證，得出如下結(jié)論：

1) 所提出的受控自回歸模型能適應(yīng)常態(tài)下功率/頻率小擾動數(shù)據(jù)的辨識應(yīng)用，模型精度良好；VFF-RLS算法能夠較精確地跟蹤辨識發(fā)電廠和異步電動機(jī)負(fù)荷的時變等效慣量參數(shù)。建立的辨識模型和辨識算法對發(fā)電廠等效慣量修正估計有效可行，在風(fēng)電接入時，上述方法和辨識效果適應(yīng)性仍良好。

2) 考慮廠用異步電動機(jī)負(fù)荷慣量貢獻(xiàn)之后，發(fā)電廠及全網(wǎng)等效慣量均有所提升，算例驗(yàn)證了異步電動機(jī)及各發(fā)電廠慣量的時變特性，同時依據(jù)旋轉(zhuǎn)負(fù)荷大小不同慣量提升比例存在一定差異，得出的慣量評估值能更好地反映發(fā)電廠慣量的客觀真實(shí)性。

基于文中研究工作，未來將研究新型電力系統(tǒng)中包含異步電動機(jī)旋轉(zhuǎn)負(fù)荷慣量貢獻(xiàn)的電網(wǎng)動態(tài)頻率穩(wěn)定性評估理論和方法。

算例系統(tǒng)參數(shù)(基準(zhǔn)容量為1000 MVA，均為標(biāo)幺值)

附表A1 同步發(fā)電機(jī)參數(shù)

Table A1 Generator parameters

發(fā)電機(jī)H 150.000.060.080.200.197.000.700.03 23.030.701.702.952.826.561.500.35 33.580.530.882.502.375.701.500.30 42.860.441.662.622.585.691.500.30 52.601.321.666.706.205.400.440.54 63.480.500.812.542.417.300.400.22 72.640.491.862.952.925.661.500.32 82.430.570.912.902.806.701.410.28 93.450.570.592.112.054.791.960.30 104.200.310.081.000.6910.20.000.13

附表A2 異步電動機(jī)參數(shù)

Table A2 Asynchronous motor parameters

異步電動機(jī)Hp 120.110.000 450.2410.000 4520.02 220.720.001 100.6500.001 1420.07 320.210.000 690.0700.001 4020.03 420.220.000 670.1630.000 2320.02 520.310.001 070.2000.003 7020.05 620.210.000 690.1630.000 2320.02 720.200.000 860.1060.002 7920.03 820.220.000 650.0770.001 4020.03 920.130.000 670.0950.001 9020.02 1021.030.001 000.7060.001 1020.06

附表A3 線路參數(shù)

Table A3 Line parameters

起始母線終端母線電阻R/p.u.電抗X/p.u.電納B/p.u.120.00350.04110.69871390.00100.02500.7500230.00130.01510.25722250.00700.00860.1460340.00130.02130.22143180.00110.01330.2138450.00080.01280.134 2414 0.00080.01290.1382560.00020.00260.0434580.00080.01120.1476670.00060.00920.11306110.00070.00820.1389780.00040.00460.078089 0.00230.03630.38049390.00100.02501.200010110.00040.00430.072910130.00040.00430.072913140.00090.01010.172314150.00180.02170.366015160.00090.00940.171016170.00070.00890.134216190.00160.01950.304016210.00080.01350.254816240.00030.00590.068017180.00070.00820.131917270.00130.01730.321621220.00080.01400.256522230.00060.00960.184623240.00220.03500.361025260.00320.03230.513026270.00140.01470.239626280.00430.04740.780226290.00570.06251.029028290.00140.01510.249012110.00160.04350.000012130.00160.04350.00006310.00000.02500.000010320.00000.02000.000019330.00070.01420.000020340.00090.01800.000022350.00000.01430.000023360.00050.02720.000025370.00060.02320.00002300.00000.01810.000029380.00080.01560.000019200.00070.01380.0000

對異步電機(jī)頻率動態(tài)過程進(jìn)行表征，區(qū)別異步電動機(jī)轉(zhuǎn)子慣量，建立低壓母線異步電機(jī)等效慣量的方程為

[1] 王博, 楊德友, 蔡國偉. 高比例新能源接入下電力系統(tǒng)慣量相關(guān)問題研究綜述[J]. 電網(wǎng)技術(shù), 2020, 44(8): 2998-3006.

WANG Bo, YANG Deyou, CAI Guowei. Review of research on power system inertia related issues in the context of high penetration of renewable power generation[J]. Power System Technology, 2020, 44(8): 2998-3006.

[2] 孫華東, 王寶財, 李文鋒, 等. 高比例電力電子電力系統(tǒng)頻率響應(yīng)的慣量體系研究[J]. 中國電機(jī)工程學(xué)報, 2020, 40(16): 5179-5191.

SUN Huadong, WANG Baocai, LI Wenfeng, et al. Research on inertia system of frequency response for power system with high penetration electronics[J]. Proceedings of the CSEE, 2020, 40(16): 5179-5191.

[3] 李東東, 劉強(qiáng), 徐波, 等. 考慮頻率穩(wěn)定約束的新能源電力系統(tǒng)臨界慣量計算方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(22): 24-33.

LI Dongdong, LIU Qiang, XU Bo, et al. New energy power system critical inertia estimation method considering frequency stability constraints[J]. Power System Protection and Control, 2021, 49(22): 24-33.

[4] 熊信艮. 發(fā)電廠電氣部分[M]. 北京: 中國電力出版社, 2009.

[5] HENNING T, CLEMENS J. Determining the load inertia contribution from different power consumer groups[J]. Energies, 2020, 13: 1-14.

[6] KUNDUR P, BALU N J, LAUBY M G. Power system stability and control[M]. New York: McGraw-hill, 1994.

[7] 王玎, 袁小明. 異步電機(jī)機(jī)電時間尺度有效慣量評估及其對可再生能源并網(wǎng)系統(tǒng)頻率動態(tài)的影響[J]. 中國電機(jī)工程學(xué)報, 2018, 38(24): 7258-7266.

WANG Ding, YUAN Xiaoming. Available inertia estimation of induction machine in electromechanical timescale and its effects on frequency dynamics of power systems with renewable energy[J]. Proceedings of the CSEE, 2018, 38(24): 7258-7266.

[8] BIAN Y, WYMAN-PAIN H, LI F, et al. Demand side contributions for system inertia in the GB power system[J]. IEEE Transactions on Power Systems, 2018, 33(4): 3521-3530.

[9] LUGNAI L, DOTTA D, LACKNER C, et al. ARMAX- based method for inertial constant estimation of generation units using synchrophasors[J]. Electric Power Systems Research, 2019, 180: 1-9.

[10] 李世春, 夏智雄, 程緒長, 等. 基于類噪聲擾動的電網(wǎng)慣量常態(tài)化連續(xù)估計方法[J]. 中國電機(jī)工程學(xué)報, 2020, 40(14): 4430-4439.

LI Shichun, XIA Zhixiong, CHENG Xuchang, et al. Continuous estimation method of power system inertia based on ambient disturbance[J]. Proceedings of the CSEE, 2020, 40(14): 4430-4439.

[11] 徐波, 章林煒, 俞向棟, 等. 基于系統(tǒng)辨識的電力系統(tǒng)慣量在線評估改進(jìn)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(18): 62-69.

XU Bo, ZHANG Linwei, YU Xiangdong, et al. An improved method of power system inertia online estimation based on system identification[J]. Power System Protection and Control, 2021, 49(18): 62-69.

[12] ZHANG J B, XU H C, et al. Online identification of power system equivalent inertia constant[J]. IEEE Transactions on Industrial Electronics, 2017, 64(10): 8098-8107.

[13] ALLELLA F, CHIODO E, GIANNUZZI G M, et al. On-line estimation assessment of power systems inertia with high penetration of renewable generation[J]. IEEE Access, 2020, 8: 62689-62697.

[14] ZENG F, ZHANG J, CHEN G, et al. Online estimation of power system inertia constant under normal operating conditions[J]. IEEE Access, 2020, 8: 101426-101436.

[15] 李言俊. 系統(tǒng)辨識理論及應(yīng)用[M]. 北京: 國防工業(yè)出版社, 2003.

[16] 陳涵, 郝瑞祥, 劉穎英, 等. 基于改進(jìn)RLS算法的時變冪函數(shù)負(fù)荷模型參數(shù)辨識[J]. 高電壓技術(shù), 2020, 46(7): 2380-2387.

CHEN Han, HAO Ruixiang, LIU Yingying, et al. Parameter identification of time-varying exponential load model based on improved RLS algorithm[J]. High Voltage Engineering, 2020, 46(7): 2380-2387.

[17] WU Dinghui, ZHANG Jianyu, HUANG Xu. Parameter identification for PMSM based on varying forgetting factor multi-innovation stochastic gradient identification algorithm[C] // The 36th Chinese Control Conference, July 26, 2018, Dalian, China: 403-408.

[18] 張秀麗, 黃旭, 楊德亮, 等. 基于正交投影與多新息RLS的PMSM參數(shù)辨識[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(14): 33-39.

ZHANG Xiuli, HUANG Xu, YANG Deliang, et al. Identification of PMSM based on orthogonal projection and multi-innovation RLS combined algorithm[J]. Power System Protection and Control, 2021, 46(14): 33-39.

[19] HUANG X, WU D, ZHENG Y. Parameter identification for DFIG based on varying forgetting factor multi-innovation stochastic gradient identification algorithm[J]. Measurement & Control Technology, 2019, 38(3): 116-120.

[20] 江涵, 岳程燕, 嚴(yán)興煜, 等. 高比例可再生能源系統(tǒng)慣量約束對靈活性分析的影響研究[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(18): 44-51.

JIANG Han, YUE Chengyan, YAN Xingyu, et al. Influence of system inertia on flexibility resource analysis for an interconnection system with a high proportion of intermittent renewable energy[J]. Power System Protection and Control, 2021, 49(18): 44-51.

[21] ZOGRAFOS D, GHANDHARI M. Estimation of power system inertia[C] // 2016 IEEE Power and Energy Society General Meeting (PESGM), July 17-21, 2016, Boston, MA, USA: 1-5.

[22] 劉鋮, 趙曉洋, 張宇馳, 等. 面向區(qū)域間振蕩模式的電力系統(tǒng)小擾動慣量域構(gòu)建[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(20): 9-19.

LIU Cheng, ZHAO Xiaoyang, ZHANG Yuchi, et al. Construction of a small signal inertia region of a power system for inter-area oscillation mode[J]. Power System Protection and Control, 2021, 49(20): 9-19.

[23] 李東東, 孫雅茹, 徐波, 等. 考慮頻率穩(wěn)定的新能源高滲透率電力系統(tǒng)最小慣量與一次調(diào)頻容量評估方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(23): 54-61.

LI Dongdong, SUN Yaru, XU Bo, et al. Minimum inertia and primary frequency capacity assessment for a new energy high permeability power system considering frequency stability[J].Power System Protection and Control, 2021, 49(23): 54-61.

[24] PANDA R K, MOHAPATRA A, SRIVASTAVA S C. Online estimation of system inertia in a power network utilizing synchrophasor measurements[J]. IEEE Transactions on Power Systems, 2020, 35(4): 3122-3132.

[25] 謝仕煒, 胡志堅, 吳方劼, 等. 基于遞推最小二乘法的多端口外網(wǎng)靜態(tài)等值參數(shù)辨識方法[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(3): 26-34.

XIE Shiwei, HU Zhijian, WU Fangjie, et al. Static equivalent parameter identification method of multi-port external network based on recursive least squares algorithm[J]. Power System Protection and Control, 2018, 46(3): 26-34.

[26] 李浩然, 夏智雄, 李世春. 基于子空間法的電網(wǎng)暫態(tài)頻率擾動慣量估計[J]. 電力建設(shè), 2021, 42(2): 1-8.

LI Haoran, XIA Zhixiong, LI Shichun. Power system inertia estimation based on subspace method under transient frequency disturbance[J]. Electric Power Construction, 2021, 42(2): 1-8.

Correction estimation of the inertia of a power plant considering the contribution of rotating load

LI Shichun1, 2, HUANG Senyan1, 2, 3, LI Huizi1, 2, LUO Ying1, 2, TIAN Bingjie1, 2

(1. School of Electrical and New Energy, China Three Gorges University, Yichang 443002, China; 2. Hubei Provincial Key Laboratory of Cascade Hydropower Station Operation and Control (China Three Gorges University), Yichang 443002, China; 3. Huaihua Power Supply Branch of State Grid Hunan Electric Power Co., Ltd., Huaihua 418000, China)

In traditional grid inertia and frequency stability evaluation, the inertia contribution of the asynchronous motor load in the power plant is ignored. This may lead to deviations in the evaluation results. Given this, a method for estimating the inertia correction of power plants under normal conditions and considering the contribution of rotating load is studied. The power plant and the internal motor load are equivalent to a whole, and the equivalent inertia of the power plant is estimated by using the active/frequency normalized small disturbance data of the export bus. Noting the characteristic that the equivalent inertia of the power plant is a fast time-varying parameter, a controlled autoregressive model and a recursive least squares identification algorithm based on a variable forgetting factor are proposed to estimate the inertia parameters. The verification results of a test system show that the proposed identification model has high accuracy and can adapt to the parameter identification of small disturbance input/output data. When considering the inertia contribution of the rotating load, there are differences between the equivalent inertia of the power plant and the equivalent inertia of the system. Also they have time-varying characteristics, and the obtained modified inertia can more objectively evaluate the inertia of the power plant and the system inertia.

power plant equivalent inertia; motor rotating load; time-varying parameter identification; controlled autoregressive model; recursive least square algorithm; variable forgetting factor

10.19783/j.cnki.pspc.211740

2021-12-22；

2022-02-25

李世春(1984—)，男，博士，副教授，研究方向?yàn)楹履茉措娏ο到y(tǒng)運(yùn)行與控制；E-mail: lschun_023@126.com

黃森焰(1997—)，男，通信作者，碩士研究生，研究方向?yàn)楹履茉措娏ο到y(tǒng)運(yùn)行與控制。E-mail: hsybz_8888@ 163.com

國家自然科學(xué)基金項(xiàng)目資助(51907104)

This work is supported by the National Natural Science Foundation of China (No. 51907104).

(編輯 魏小麗)