CN115017787A - 基于智能算法的风电场电压穿越特性等值建模方法及*** - Google Patents
基于智能算法的风电场电压穿越特性等值建模方法及*** Download PDFInfo
- Publication number
- CN115017787A CN115017787A CN202210712028.2A CN202210712028A CN115017787A CN 115017787 A CN115017787 A CN 115017787A CN 202210712028 A CN202210712028 A CN 202210712028A CN 115017787 A CN115017787 A CN 115017787A
- Authority
- CN
- China
- Prior art keywords
- equivalent
- particle
- original
- power
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 239000002245 particle Substances 0.000 claims abstract description 103
- 238000004088 simulation Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001052 transient effect Effects 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于智能电网中电力***建模领域,提供一种基于智能算法的风电场电压穿越特性等值建模方法及***,包括基于原始风机功率数据进行仿真获取原始各台风力发电机的功率和容量,模拟电网故障;获取原始各台风机的有功功率和无功功率数据,并将各台风机的有功和无功功率数据分别进行叠加作为原始目标;基于原始目标数据,利用粒子群优化算法得到最优的等值参数;利用最优的等值参数进行多次仿真,每次仿真中只有电压跌落故障的跌落程度不同,以验证所得到的等值参数在应对不同电压跌落程度时的等值精度;利用粒子群优化算法进行参数等值与寻优的集中式风机低穿过程控制***等值建模方法,解决集中式风电场的单机等值模型控制***参数确定问题。
Description
技术领域
本发明属于智能电网中电力***建模技术领域,具体涉及一种基于智能算法的风电场电压穿越特性等值建模方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
目前风电场的主流机型为双馈异步风力发电机,由于双馈风力发电机中的电力电子器件较多,控制器波动性和随机性较强,在风力、环境、装机位置等随机性较强的外部条件影响下,风电场的在故障期间的暂态特性与同步发电机有明显的区别。为研究由于电力***发生严重故障导致电压跌落时风电场的外特性,需要对风电场进行整体建模,但是即使在同一场站内,每台双馈风机的故障表现也不尽相同,如果用每台风机的详细模型进行风电场建模会导致仿真时间过长,降低数据处理和分析的效率。为了获得暂态过程期间大规模风电场的整体动态特性,需要用合适的暂态等值方法对风电场进行动态等效。
传统的电力***动态等值技术大多采用低维模型来描述外部的子***,在保证***动态响应不发生较大变化的条件下简化风机模型。常见的动态等值方法主要有同调等值法、模式等值法与参数估计等值法。其中同调等值法要求等值前后发电机有相近的转子摇摆曲线,而且等值后主要用于稳态分析;模式等值法主要通过分析***特征方程,忽略高频且衰减快的特征根而保留低频特征根,保证等值前后主特征向量一致;参数估计等值法主要是对外部***进行建模,然后通过***辨识来估计参数。
但是由于双馈风机的运行特性与同步发电机有着显著不同,传统电力***动态等值方法对含大量双馈风机的集中式风电场等值不再适用,但可提供大致的等值思路,比如降阶法通过数学分析对风机模型进行降阶处理,得到简化的低阶数学模型,但是这种方法会使模型失去风电机组原有的低电压穿越特性,等值之后的模型暂态仿真精度较低,无法满足仿真计算要求。
为提高等值模型精度,现在大多采用分群聚合的方法进行等值,按照合适的分群指标将风机进行分群,再将同一群组下的风机进行等值,提高了风机的等值精度。比如考虑到风电机组装机位置的差异和地形起伏的不同造成的影响,提出了基于风电场实测风速-功率数据的统计特性进行分群。基于风电机组的低穿控制模式,通过分析风机运行过程以及故障过程中风电机组的模型结构和状态方程,找到适用于分群的电力指标,比如通过提取反应桨距角控制动作的特征向量,将其作为向量机的输入,从而进行双馈风电机组的动态分群。另一种分群方式则是按照风电机组的初始运行状态作为分群依据,按照双馈风机的电压方程、磁链方程,结合定子磁场矢量控制得到暂态过程中在风力发电机发生***故障时影响控制***的状态变量,以这些变量的初值作为分群指标。另外,还可根据风机故障承受能力将故障承受能力相近的风电机组等值为一群,从而提出基于风电场并网点暂态电压特性的风电场聚类分群方法。
双馈风电机组的主要研究方向是单机模型计算及控制研究,目前虽然已经展开了大量研究但仍有以下不足:
(1)目前缺乏针对不同电压跌落故障下的机组分群研究。现有研究里大都根据机组的稳态运行数据选取分群指标这种分群指标的选取对正常运行时风电场对电网的影响拟合程度较好,但是该模型对于暂态过程下的风电场故障响应的拟合精度不够高。
(2)分群后的参数等值以及集电线路等值方法还需完善。基于容量加权的参数等值法忽视了处于不同风况下的控制器状态差异;此外大部分的集电线路等值方法忽视了任意位置机组的聚合,得到的阻抗模型仅适用于稳态分析。
(3)参数等值过程中,对暂态等值影响较大的参数确定仍需进一步研究,待等值的参数个数与参数类型均会对等值精度有所影响。
发明内容
为了解决上述问题,本发明提出了一种基于智能算法的风电场电压穿越特性等值建模方法及***,基于电力***仿真软件如PSASP的利用粒子群优化算法进行参数等值与寻优的集中式风机低穿过程控制***等值建模方法,能够有效解决集中式风电场的单机等值模型控制***参数确定问题,实现集中式风电场的单机模型等值。
根据一些实施例,本发明的第一方案提供了一种基于智能算法的风电场电压穿越特性等值建模方法,采用如下技术方案:
基于智能算法的风电场电压穿越特性等值建模方法,包括:
基于原始风机功率数据进行仿真获取原始各台风力发电机的功率和容量,模拟电网故障;
获取原始各台风机的有功功率和无功功率数据,并将各台风机的有功和无功功率数据分别进行叠加作为原始目标;
基于原始目标数据,利用粒子群优化算法得到最优的等值参数;
利用最优的等值参数进行多次仿真,每次仿真中只有电压跌落故障的跌落程度不同,以验证所得到的等值参数在应对不同电压跌落程度时的等值精度。
进一步地,所述基于原始目标函数,利用粒子群优化算法得到最优的等值参数,包括:
初始化粒子群参数,包括粒子群的规模、粒子维度、迭代次数、迭代步长范围,其中所述粒子维度为待优化的参数个数;
基于粒子群参数进行在同一电压跌落水平的故障下的仿真;
评估各个粒子的等值效果并更新粒子群优化算法中的个体最优值和群体最优值。
进一步地,所述基于粒子群参数进行在同一电压跌落水平的故障下的仿真,包括:
通过控制变量,确定各低压穿越控制参数在风机发生低电压穿越过程中的影响,按照一定的判断指标确定出待等值参数和待优化参数;
对原始***进行静态等值,将原始***中的线路对潮流和暂稳仿真有影响的元件进行等值后加入等值***中;
基于初始化后的粒子群参数,控制等值***中等值风机的对应低穿控制参数,进行相同故障条件下的仿真。
进一步地,所述静态等值的过程,包括:
将原始***的外部***节点按照设定规则分成若干群,对每群节点指定一个虚拟节点,即REI节点;
对所述REI节点注入所述REI节点所在的群节点的功率总和,把REI节点相应的节点群利用无损零功率平衡网络进行连接,从而使该群节点能得到增加无损零功率平衡网络前所具有的注入功率;
通过高斯消元法消掉外部***中除了REI节点以外的其他节点,完成等值;
最后将得到的等值线路阻抗和等值变压器接入原始风电场***的并网点,并将其他设备全部停用。
进一步地,所述评估各个粒子的等值效果并更新粒子群优化算法中的个体最优值和群体最优值,包括:
通过计算各粒子的适应值对等值效果进行评估;其中,各粒子的适应值的计算是比较在故障开始时刻到之后的一段固定时间内的功率数值接近度;
通过求皮尔逊相关系数的方式进行适应度的计算;
通过比较各粒子的适应度来更新算法中的个体最优值和群体最优值。
进一步地,还包括:
判断是否满足收敛判据,即粒子适应度达目标要求或者迭代次数达设定值;
如果适应度达到目标要求,则输出最优结果,否则更新每个粒子的位置和速度,进行下一次的迭代。
进一步地,
粒子速度的更新公式为:
new_v=w*v+c1*rand()*(pbest-position)+c2*rand()*(gbest-position);
其中,v为粒子当前的速度,w为惯性因子,rand()为随机数生成函数,生成0-1之间的随机数,position为粒子当前的位置,pbest为粒子历史最优位置,gbest为种群历史最优位置,c1、c2为学习因子,分别向粒子历史最优位置和种群历史最优位置学习,粒子在自身惯性和外力作用下速度发生改变,向着自身最优位置和种群最优位置逐渐靠拢;
粒子的位置更新公式为:
new_position=position+new_v*t;
确定了更新后的粒子速度以后就可以进一步利用公式确定更新后的粒子位置,公式中t为粒子运动时间。
根据一些实施例,本发明的第二方案提供了一种基于智能算法的风电场电压穿越特性等值***,采用如下技术方案:
基于智能算法的风电场电压穿越特性等值***,包括:
电网模拟模块,被配置为基于原始风机功率数据进行仿真获取原始各台风力发电机的功率和容量,模拟电网故障;
原始目标确定模块,被配置为获取原始各台风机的有功功率和无功功率数据,并将各台风机的有功和无功功率数据分别进行叠加作为原始目标;
等值参数确定模块,被配置为基于原始目标数据,利用粒子群优化算法得到最优的等值参数;
等值仿真模块,被配置为利用最优的等值参数进行多次仿真,每次仿真中只有电压跌落故障的跌落程度不同,以验证所得到的等值参数在应对不同电压跌落程度时的等值精度。
根据一些实施例,本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于智能算法的风电场电压穿越特性等值建模方法中的步骤。
根据一些实施例,本发明的第四方案提供了一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的基于智能算法的风电场电压穿越特性等值建模方法中的步骤。
与现有技术相比,本发明的有益效果为:
(1)本发明提出的参数等值方法,主要利用粒子群算法在高维度优化问题的快速收敛性,通过对风机低穿过程中的主要控制参数进行搜索和比较,不断进行迭代优化来确定等值参数。相比于利用加权平均得到等值参数或者直接简单相加聚合得到的等值参数而言,利用智能算法得到的等值参数在提高了电力***仿真计算速度的同时确保了优化结果的准确性。
(2)本发明提出的分群方法,以集中式风电场中风机在低穿过程中的控制***为依据,直接考虑将相同的控制***和控制模式的风机分为一群,并对分群后的风电机组进行单机等值,在缩短了电力***仿真计算时间的前提下尽可能的提高了精度,保留了风机在电压跌落过程中的暂态响应,提高了单机等值的精度。
(3)本发明通过手动调整低电压穿越过程中的控制参数,确定了影响等值结果的关键控制参数,并对关键参数进行智能算法寻优,此方法得到的单机等值参数相比于直接加权平均得到的参数而言有更高的精度,而且在电压跌落程度不同时均有较好的等值效果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例中所研究基于智能算法的风电场电压穿越特性等值建模方法具体流程图;
图2为本发明实施例中的原始风电场***结构图;
图3为本发明实施例中的等值***结构图;
图4为本发明实施例中的静态等值所用REI网络结构示例图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示,本实施例提供了一种基于智能算法的风电场电压穿越特性等值建模方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和***,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
基于原始风机功率数据进行仿真获取原始各台风力发电机的功率和容量,模拟电网故障,原始仿真***如图2所示;
获取原始各台风机的有功功率和无功功率数据,并将各台风机的有功和无功功率数据分别进行叠加作为原始目标;
基于原始目标数据,利用粒子群优化算法得到最优的等值参数;
利用最优的等值参数进行多次仿真,每次仿真中只有电压跌落故障的跌落程度不同,以验证所得到的等值参数在应对不同电压跌落程度时的等值精度。
在一个或多个实施方式中,公开了一种基于电力***仿真软件如PSASP进行参数等值的集中式风机低穿过程中控制***的等值建模方法,如图1所示,包括如下过程:
(1)输入原始风机功率数据,在电力***仿真软件如PSASP中获取原始各台风力发电机的功率和容量,模拟电网故障,通过电力***仿真软件如PSASP进行潮流和暂稳计算,获取原始各台风机的有功和无功功率数据,将所有风机相应数据进行叠加作为原始目标。
(2)初始化粒子群参数,包括粒子群的规模、粒子维度、迭代次数、迭代步长范围等,粒子的维度即为待优化的参数个数;
(3)在电力***仿真软件如PSASP中填入粒子参数进行相同故障下的仿真;
本实施例中,具体的仿真过程为:
首先在进行等值之前,先通过控制变量的方法进行手动调参,分别研究各低电压穿越控制参数在风机发生低电压穿越过程中的具体影响,包括在低穿过程中和低穿恢复过程中各控制参数对风机机端有功和无功功率曲线形状的影响,筛选出对功率曲线有明显影响的参数以及影响方式相似的参数,按照一定的判断指标确定出待等值参数如低穿期间定电流控制的有功电流系数、穿越恢复起点的初始有功电流百分比系数等参数,待优化参数个数即为粒子的维度数。然后在电力***仿真软件如PSASP中将原始风机均改为无效并在并网点母线上直接接入等值风机,风机除要等值的参数外其他参数均与原始风机参数相同,保证除低电压穿越过程外风机的静态特性以及其他动态特性不会有太大改变。
之后,为提高等值精度,增强等值结果的可信度,还应该对原始***进行静态等值,静态等值主要是将原始***中的线路和变压器等对潮流和暂稳仿真有影响的元件进行等值后加入等值***中,此处等值***为人为搭建的新***,搭建过程为:为减少工作量,可先将原始***复制一份副本,然后将得到的原始***副本中的原始风电场移除,进一步将静态等值网络和等值风机加入此原始***副本中,保存即可得到等值***,以减少线路阻抗和变压器阻抗等对等值结果的影响,目前电力***中静态等值方法较多,以REI等值法为例,具体的等值过程为:
①将原始***的外部***节点按某种规则(如同属于负荷节点)分成若干群,对每群节点指定一个虚拟节点(即REI节点);
②对该REI节点注入该群节点的功率总和,然后把REI节点相应的节点群用人为构建的无损零功率平衡网络(称作REI网络,结构可见图4)进行连接,从而使该群节点还能得到增加REI网络前所具有的注入功率;无损零功率平衡网络为消去外部节点服务;
③然后通过高斯消元法消掉外部***中除了REI节点以外的其他节点,即可完成等值;
④最后将得到的静态等值网络接入原始风电场***的并网点,并将其他设备全部停用。
最后在并网点处接入单台等值风机,此时等值***相比于原来的集中式风电场转变为静态等值网络加单台等值风机的算例***,具体结构可参考图3所示,将粒子群优化算法中得到的各粒子的数据填入等值算例***中等值风机的对应低穿控制参数中,然后在PSASP中设置相同的故障条件并进行潮流和暂稳的仿真计算,监视等值风机机端的有功和无功功率,以及并网点的电压跌落情况,输出具体监视数据。
故障主要影响电压跌落水平,因此不同故障下是为得到不同电压跌落水平的仿真结果,目的是为了验证所得等值参数的泛用性;相同故障仿真指等值前后应保证所设故障相同,在同一故障下进行等值研究并得到等值参数,然后在此参数下进行其他故障仿真并与等之前对应故障下的数据对比。
在PSASP中的能得到原始风机有功无功数据的***即为原始***;等值***为新建***,可看做原始***移除原始风电场后接入静态等值网络和等值风机的***。
(4)评估各个粒子的等值效果并更新粒子群优化算法中的个体最优值和群体最优值;
具体地,通过计算各粒子的适应值来对等值效果进行评估,各粒子的适应值的计算方法是比较在故障开始时刻到之后的一段固定时间内的功率数值接近度。比如在电力***仿真软件如PSASP中设置的故障为三相接地短路,故障时间为1s到1.2s,1.2s之后切除故障并继续运行到5s,则可设置粒子群优化算法的适应值计算从1s开始到3.5s内监视的有功和无功功率数值,其中监视的步长为0.01s。3.5s的确定主要是考虑了在低穿恢复期间可能由于低穿恢复控制参数的不同导致有功功率在恢复到正常状态所用的时间不同,而具体的时间无法提前计算,因此只能先设一个估计值,并留出裕量以提高优化精度。确定要比较的具体功率数值以后,通过求皮尔逊相关系数的方式来进行适应度的计算,皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,通过计算原始数据和等值后数据的协方差和标准差即可得到粒子的适应度,通过比较各粒子的适应度来更新算法中的个体最优值和群体最优值;
智能算法初始化为一群随机粒子,这些粒子又分为多个种群。然后通过迭代找到最优解。在每一次的迭代中,粒子通过跟踪两个“极值”即个体最优值(每个种群中适应度最高的粒子)和群体最优值(所有粒子中适应度最高的粒子)来更新自己。在找到这两个最优值后,粒子再通过后面的公式来更新自己的速度和位置。
(5)判断是否满足收敛判据,即粒子适应度达目标要求或者迭代次数达设定值;
如果适应度达到目标要求,则输出最优结果,否则更新每个粒子的位置和速度,进行下一次的迭代。
本实施例中,更新粒子位置和速度的过程为:
粒子速度的更新公式为:
new_v=w*v+c1*rand()*(pbest-position)+c2*rand()*(gbest-position) (1)
其中,v为粒子当前的速度,w为惯性因子,rand()为随机数生成函数,生成0-1之间的随机数,position为粒子当前的位置,pbest为粒子历史最优位置,gbest为种群历史最优位置,c1、c2为学习因子,分别向粒子历史最优位置和种群历史最优位置学习,粒子在自身惯性和外力作用下速度发生改变,向着自身最优位置和种群最优位置逐渐靠拢;
粒子的位置更新公式为:
new_position=position+new_v*t (2)
确定了更新后的粒子速度以后就可以进一步公式确定更新后的粒子位置,公式中t为粒子运动时间。
(6)利用电力***仿真软件如PSASP验证等值参数的等值效果,并通过设置不同的故障改变并网点母线电压跌落情况,验证等值参数在不同电压跌落情况下时的普适性。
本实施例中,基于电力***仿真软件如PSASP的仿真验证过程为:
首先,在原始风电场中通过设置不同的三相短路接地故障的接地阻抗,使并网点的电压跌落情况不同,并记录不同电压跌落情况下各台风机的有功和无功功率数据。然后将原始风场中的风机均设为无效,并在风电场并网点处接入一台等值风机,由于集中式风电场在一期工程内所采用的风机一般为同构同参类型,即各台风机的结构和参数均相同,所以等值以后的风机模型与参数均设为与原始风机相同,然后将粒子群优化算法得到的等值参数带入等值风机对应参数中,通过调整故障接地阻抗设置不同的故障,使等值风机并网点的电压跌落达到和原始数据所对应的电压跌落相同值,记录等值风机的有功和无功功率。通过对比在不同电压跌落情况下等值前后的有功功率和无功功率曲线,以验证通过粒子群优化算法所得到的等值参数虽然只是在一种电压跌落情况下进行等值得到的,但是在其他电压跌落情况下仍有较好的等值效果。
实施例二
本实施例提供了一种基于智能算法的风电场电压穿越特性等值***,包括:
电网模拟模块,被配置为基于原始风机功率数据进行仿真获取原始各台风力发电机的功率和容量,模拟电网故障;
原始目标确定模块,被配置为获取原始各台风机的有功功率和无功功率数据,并将各台风机的有功和无功功率数据分别进行叠加作为原始目标;
等值参数确定模块,被配置为基于原始目标数据,利用粒子群优化算法得到最优的等值参数;
等值仿真模块,被配置为利用最优的等值参数进行多次仿真,每次仿真中只有电压跌落故障的跌落程度不同,以验证所得到的等值参数在应对不同电压跌落程度时的等值精度。
上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的***,可以通过其他的方式实现。例如以上所描述的***实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个***,或一些特征可以忽略,或不执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于智能算法的风电场电压穿越特性等值建模方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于智能算法的风电场电压穿越特性等值建模方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于智能算法的风电场电压穿越特性等值建模方法,其特征在于,包括:
基于原始风机功率数据进行仿真获取原始各台风力发电机的功率和容量,模拟电网故障;
获取原始各台风机的有功功率和无功功率数据,并将各台风机的有功和无功功率数据分别进行叠加作为原始目标;
基于原始目标数据,利用粒子群优化算法得到最优的等值参数;
利用最优的等值参数进行多次仿真,每次仿真中只有电压跌落故障的跌落程度不同,以验证所得到的等值参数在应对不同电压跌落程度时的等值精度。
2.如权利要求1所述的基于智能算法的风电场电压穿越特性等值建模方法,其特征在于,所述基于原始目标函数,利用粒子群优化算法得到最优的等值参数,包括:
初始化粒子群参数,包括粒子群的规模、粒子维度、迭代次数、迭代步长范围,其中所述粒子维度为待优化的参数个数;
基于粒子群参数进行在同一电压跌落水平的故障下的仿真;
评估各个粒子的等值效果并更新粒子群优化算法中的个体最优值和群体最优值。
3.如权利要求2所述的基于智能算法的风电场电压穿越特性等值建模方法,其特征在于,所述基于粒子群参数进行在同一电压跌落水平的故障下的仿真,包括:
通过控制变量,确定各低压穿越控制参数在风机发生低电压穿越过程中的影响,按照一定的判断指标确定出待等值参数和待优化参数;
对原始***进行静态等值,将原始***中的线路对潮流和暂稳仿真有影响的元件进行等值后加入等值***中;
基于初始化后的粒子群参数,控制等值***中等值风机的对应低穿控制参数,进行相同故障条件下的仿真。
4.如权利要求3所述基于智能算法的风电场电压穿越特性等值建模方法,其特征在于,所述静态等值的过程,包括:
将原始***的外部***节点按照设定规则分成若干群,对每群节点指定一个虚拟节点,即REI节点;
对所述REI节点注入所述REI节点所在的群节点的功率总和,把REI节点相应的节点群利用无损零功率平衡网络进行连接,从而使该群节点能得到增加无损零功率平衡网络前所具有的注入功率;
通过高斯消元法消掉外部***中除了REI节点以外的其他节点,完成等值;
最后将得到的等值线路阻抗和等值变压器接入原始风电场***的并网点,并将其他设备全部停用。
5.如权利要求2所述的基于智能算法的风电场电压穿越特性等值建模方法,其特征在于,所述评估各个粒子的等值效果并更新粒子群优化算法中的个体最优值和群体最优值,包括:
通过计算各粒子的适应值对等值效果进行评估;其中,各粒子的适应值的计算是比较在故障开始时刻到之后的一段固定时间内的功率数值接近度;
通过求皮尔逊相关系数的方式进行适应度的计算;
通过比较各粒子的适应度来更新算法中的个体最优值和群体最优值。
6.如权利要求5所述的基于智能算法的风电场电压穿越特性等值建模方法,其特征在于,还包括:
判断是否满足收敛判据,即粒子适应度达目标要求或者迭代次数达设定值;
如果适应度达到目标要求,则输出最优结果,否则更新每个粒子的位置和速度,进行下一次的迭代。
7.如权利要求6所述的基于智能算法的风电场电压穿越特性等值建模方法,其特征在于,更新粒子位置和速度的过程为:
粒子速度的更新公式为:
new_v=w*v+c1*rand()*(pbest-position)+c2*rand()*(gbest-position);
其中,v为粒子当前的速度,w为惯性因子,rand()为随机数生成函数,生成0-1之间的随机数,position为粒子当前的位置,pbest为粒子历史最优位置,gbest为种群历史最优位置,c1、c2为学习因子,分别向粒子历史最优位置和种群历史最优位置学习,粒子在自身惯性和外力作用下速度发生改变,向着自身最优位置和种群最优位置逐渐靠拢;
粒子的位置更新公式为:
new_position=position+new_v*t;
确定了更新后的粒子速度以后就可以进一步利用公式确定更新后的粒子位置,公式中t为粒子运动时间。
8.基于智能算法的风电场电压穿越特性等值***,其特征在于,包括:
电网模拟模块,被配置为基于原始风机功率数据进行仿真获取原始各台风力发电机的功率和容量,模拟电网故障;
原始目标确定模块,被配置为获取原始各台风机的有功功率和无功功率数据,并将各台风机的有功和无功功率数据分别进行叠加作为原始目标;
等值参数确定模块,被配置为基于原始目标数据,利用粒子群优化算法得到最优的等值参数;
等值仿真模块,被配置为利用最优的等值参数进行多次仿真,每次仿真中只有电压跌落故障的跌落程度不同,以验证所得到的等值参数在应对不同电压跌落程度时的等值精度。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于智能算法的风电场电压穿越特性等值建模方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于智能算法的风电场电压穿越特性等值建模方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210712028.2A CN115017787A (zh) | 2022-06-22 | 2022-06-22 | 基于智能算法的风电场电压穿越特性等值建模方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210712028.2A CN115017787A (zh) | 2022-06-22 | 2022-06-22 | 基于智能算法的风电场电压穿越特性等值建模方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017787A true CN115017787A (zh) | 2022-09-06 |
Family
ID=83076402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210712028.2A Pending CN115017787A (zh) | 2022-06-22 | 2022-06-22 | 基于智能算法的风电场电压穿越特性等值建模方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017787A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090175A (zh) * | 2022-12-05 | 2023-05-09 | 中国电力科学研究院有限公司 | 一种用于新能源配电网***的等值建模求解方法及装置 |
CN116432541A (zh) * | 2023-06-08 | 2023-07-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于优化聚类算法的新能源场站建模方法及*** |
CN117520867A (zh) * | 2024-01-08 | 2024-02-06 | 山东大学 | 基于风电场等值建模优化的电力***短路计算方法及装置 |
CN117559518A (zh) * | 2023-10-16 | 2024-02-13 | 国家电网有限公司华东分部 | 风力发电***等效模型构建方法及装置 |
CN118013862A (zh) * | 2024-04-09 | 2024-05-10 | 湖南大学 | 一种风电场短期电压稳定性仿真模型构建、评估及监测方法 |
-
2022
- 2022-06-22 CN CN202210712028.2A patent/CN115017787A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090175A (zh) * | 2022-12-05 | 2023-05-09 | 中国电力科学研究院有限公司 | 一种用于新能源配电网***的等值建模求解方法及装置 |
CN116090175B (zh) * | 2022-12-05 | 2023-10-27 | 中国电力科学研究院有限公司 | 一种用于新能源配电网***的等值建模求解方法及装置 |
CN116432541A (zh) * | 2023-06-08 | 2023-07-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于优化聚类算法的新能源场站建模方法及*** |
CN116432541B (zh) * | 2023-06-08 | 2023-10-20 | 国网江西省电力有限公司电力科学研究院 | 一种基于优化聚类算法的新能源场站建模方法及*** |
CN117559518A (zh) * | 2023-10-16 | 2024-02-13 | 国家电网有限公司华东分部 | 风力发电***等效模型构建方法及装置 |
CN117520867A (zh) * | 2024-01-08 | 2024-02-06 | 山东大学 | 基于风电场等值建模优化的电力***短路计算方法及装置 |
CN117520867B (zh) * | 2024-01-08 | 2024-03-29 | 山东大学 | 基于风电场等值建模优化的电力***短路计算方法及装置 |
CN118013862A (zh) * | 2024-04-09 | 2024-05-10 | 湖南大学 | 一种风电场短期电压稳定性仿真模型构建、评估及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及*** | |
CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
CN102012956B (zh) | 一种考虑风电场输入风速和风向随机波动的风电场等值方法 | |
CN102074955B (zh) | 基于知识发现技术的电力***稳定评估及控制方法 | |
CN109063276B (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
CN103810646B (zh) | 一种基于改进投影积分算法的有源配电***动态仿真方法 | |
CN110266039B (zh) | 考虑电力***有功干扰下一次调频的调速器参数优化方法 | |
CN108647820A (zh) | 基于改进粒子群算法的分布式电源选址定容优化方法及*** | |
CN109670213A (zh) | 一种风电场多机等值建模方法及装置 | |
CN112290534A (zh) | 一种电力***稳定器参数优化方法及*** | |
Wang et al. | Dynamic equivalent method of PMSG‐based wind farm for power system stability analysis | |
CN116306306A (zh) | 一种基于非洲秃鹫算法的微网惯性常数估计方法 | |
CN108054768B (zh) | 基于主成分分析的电力***暂态稳定评估方法 | |
CN105303319A (zh) | 一种基于运行数据的风电场动态分群等值方法 | |
CN111125880B (zh) | 一种暂态稳定视角下电力***仿真数据生成方法 | |
CN117269838A (zh) | 一种确定构网型电力电子设备短路电流的方法及*** | |
CN110474323B (zh) | 一种电力***惯性时间常数测量方法 | |
CN116306236A (zh) | 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及*** | |
CN111639463B (zh) | 一种基于XGBoost算法的电力***扰动后频率特征预测方法 | |
CN113721461A (zh) | 一种基于多试验场景的新能源机组参数辨识方法及*** | |
CN114784820A (zh) | 一种动态无功补偿装置的建模方法、***、设备和介质 | |
CN110212571B (zh) | 一种可再生能源发电***稳定性量化分析方法 | |
CN114298478A (zh) | 一种风电并网***小扰动稳定辨识方法及*** | |
CN111651939A (zh) | 计及变流器控制参数差异的永磁风电场动态等值建模方法 | |
CN117390418B (zh) | 一种风电并网***暂态稳定评估方法、***及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |