CN116667467B - 一种智控磁悬浮微风发电增容䃼偿装置 - Google Patents
一种智控磁悬浮微风发电增容䃼偿装置 Download PDFInfo
- Publication number
- CN116667467B CN116667467B CN202310956405.1A CN202310956405A CN116667467B CN 116667467 B CN116667467 B CN 116667467B CN 202310956405 A CN202310956405 A CN 202310956405A CN 116667467 B CN116667467 B CN 116667467B
- Authority
- CN
- China
- Prior art keywords
- reactive power
- wind turbine
- control time
- compensation
- reactive
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 18
- 239000000725 suspension Substances 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000005339 levitation Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000006698 induction Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
- H02J3/1885—Arrangements for adjusting, eliminating or compensating reactive power in networks using rotating means, e.g. synchronous generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风电机技术领域,公开了一种智控磁悬浮微风发电增容䃼偿装置,包括以下模块:数据采集模块,用于采集风电机组的当前控制时间的运行数据;计算模块,用于计算风电机组的稳定态无功限值;方案生成模块,基于约束条件随机生成下一控制时间的补偿方案,一个补偿方案中包括所有风电机组的在下一控制时间需要输出的无功功率;方案优化模块,通过多目标进化算法对随机生成的下一控制时间的补偿方案进行优化获得最终的补偿方案;本发明通过多目标进化算法建立多目标适应度函数为对随机生成的下一控制时间的补偿方案进行优化,得到的最终补偿方案对电网的稳定性影响最小并且响应速度最快。
Description
技术领域
本发明涉及风电机领域,更具体地说,它涉及一种智控磁悬浮微风发电增容䃼偿装置。
背景技术
双馈感应电机(Doubly Fed Induction Generator,简称为DFIG)将风能转化为电能,并输出给电网供电。DFIG除了能够提供有功功率,还可以通过调节其转子电流来提供无功功率支持。
由于DFIG的无功容量受转子变流器容量的限制,但风电场的无功需求却很大,因此DFIG向电网中提供无功功率的支持有限,无法保障风电场的安全性。
目前采用无功补偿设备与风电机组的双馈感应电机联合向电网补偿无功,并且采用无功补偿设备优先补偿无功,再通过风电机组补偿无功功率,利于下一次的快速跟进,具体地,先给无功补偿设备分配其最大容量的无功功率,然后再将剩余无功功率在各个风电机组间进行分配,选用遍历的分配方式为,在某一风电机组的容量允许的情况下,先分配给该风电机组,并使该风电机组留有安全余量,再将剩余的无功分配给其余风电机组。
并且基于上述无功补偿的分配方式,将定子、转子绕组电流对无功出力的限制,以及***小扰动稳定性对无功出力的限制考虑进去,使双馈机组实际能够发出的最大无功功率实际值比风电机组预设发出的无功功率设定值相同,在电网***受到扰动时,双馈机组向电网按照留有余量的设定值发出的无功功率与风电机组实际应当留有余量要求的数值相同。
但上述无功分配方式仍存在一些问题,在分配时,各风电机组的分配的无功功率与电网稳定时的标准值之间的差距是随机动态变化的,因此上述分配方式无法在分配时保证电网稳定性最高,并且电网达到稳态时的响应速度较慢,分配方案不是最优选。
发明内容
本发明提供一种智控磁悬浮微风发电增容䃼偿装置,解决相关技术中双馈机组向电网中补偿无功功率的分配方式稳定性差和响应速度慢的技术问题。
本发明提供了一种智控磁悬浮微风发电增容䃼偿装置,包括以下模块:
数据采集模块,用于采集风电机组的当前控制时间的运行数据;
计算模块,用于计算风电机组的稳定态无功限值;
方案生成模块,基于约束条件随机生成下一控制时间的补偿方案,一个补偿方案中包括所有风电机组的在下一控制时间需要输出的无功功率;
方案优化模块,通过多目标进化算法对随机生成的下一控制时间的补偿方案进行优化获得最终的补偿方案;
其中,,其中,/>为风电机组的定子的电压,/>为并网点的电网***频率;/>为定子电感。
方案生成模块中的约束条件包括:;/>;其中,/>表示第s个风电机组在下一控制时间需要输出的无功功率,/>表示稳定态无功限值,/>表示所有风电机组所需提供的总的无功补偿功率,N表示风电机组的总数。
方案优化模块包括以下执行步骤:
步骤101,初始化种群,通过随机生成的下一控制时间的补偿方案进行编码获得个体;第j个个体表示为:/>,其中/>、/>和/>分别表示随机生成的第j个下一控制时间的补偿方案中的第1、2和N个风电机组在下一控制时间需要输出的无功功率;
步骤102,通过遗传算子更新种群;
步骤103,迭代步骤102达到终止条件时从最终的种群中选择适应度值最大的个体解码获得最终的补偿方案。
步骤102终止条件是:迭代的次数等于Z;Z缺省值为20。
多目标进化算法的适应度函数为:
,其中/>表示第j个个体的适应度值,和/>分别表示第一权重系数和第二权重系数,/>,/>,/>,/>表示稳定态无功限值,/>表示第一神经网络。
第一神经网络包括输入层、第一隐藏层、第二隐藏层和全连接层,输入层基于运行数据和第j个个体来生成输入特征矩阵;输入特征矩阵的第u行的行向量表示为,其中,/>表示第j个个体中的第u个风电机组的下一控制时间需要输出的无功功率,/>表示当前控制时间第u个风电机组输出的无功功率、/>表示第u个风电机组的转子有功功率、/>表示当前控制时间第u个风电机组的定子有功功率、/>表示当前控制时间第u个风电机组的风量、/>表示当前控制时间第u个风电机组的风压、/>表示当前控制时间的电力***频率、/>表示当前控制时间第u个风电机组的转差。
第一神经网络的第一隐藏层的计算公式如下:
,其中,/>表示第一中间特征矩阵,Q表示第一矩阵,K表示第二矩阵,V表示第三矩阵,/>表示输入特征矩阵的行向量的维数,,/>,/>,其中/>、/>、/>分别表示第一权重矩阵、第二权重矩阵、第三权重矩阵,/>表示输入特征矩阵;
第二隐藏层包括RNN单元,RNN单元在N个时间步内依次输入第一中间特征矩阵的N个行向量,在第N个时间步的输出输入到全连接层,全连接层输出表示响应时间的分类标签;
全连接层的分类空间包括100个分类标签,将响应时间的值域均值离散化为100个点值,分别对应全连接层的分类空间的100个分类标签。
一种智控磁悬浮微风发电增容䃼偿装置,还包括AVC子站和无功补偿设备,AVC子站连接至无功补偿设备,AVC子站用于获取并网点的目标无功功率,根据目标无功功率向无功补偿设备发送无功调节指令;以及在检测到并网点的无功功率达到无功补偿设备向并网点输出的无功功率的满额后,控制所有风电机组向并网点增发无功功率,以补偿并网点所需的无功补偿功率。
一种智控磁悬浮微风发电增容䃼偿装置,还包括AVC主站,AVC主站连接至AVC子站,AVC子站接收AVC主站下发的无功功率指令,从无功功率指令中获取并网点的目标无功功率。
一种智控磁悬浮微风发电增容䃼偿装置,无功功率指令包括AVC主站下发的电压指令,AVC子站根据电压指令中携带的目标并网点电压计算并网点的目标无功功率。
本发明的有益效果在于:
本发明通过多目标进化算法建立多目标适应度函数为对随机生成的下一控制时间的补偿方案进行优化,得到的最终补偿方案,可以通过对于稳定性和响应速度的倾向来调整第一权重系数和第二权重系数,使最终的补偿方案对电网的稳定性影响最小并且响应速度最快。
附图说明
图1是本发明的模块示意图。
图2是本发明方案优化模块的步骤流程示意图。
图中:11、数据采集模块;12、计算模块;13、方案生成模块;14、方案优化模块。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1和图2所示,一种智控磁悬浮微风发电增容䃼偿装置,包括:
数据采集模块,采集风电机组的当前控制时间的运行数据;
相邻的控制时间之间的差值为1-3s。
计算模块,计算风电机组的稳定态无功限值;
在本发明的一个实施例中,,其中,/>为风电机组的定子的电压,为并网点的电网***频率;/>为定子电感;
在本发明的一个实施例中,,其中/>表示网侧变换器设计的最大功率,/>表示风电机组的发电机输入电网的总有功功率,s表示风电机组的发电机的转差。
方案生成模块,基于约束条件随机生成下一控制时间的补偿方案,一个补偿方案中包括所有风电机组的在下一控制时间需要输出的无功功率;
约束条件包括:
一、;
二、;
三、;
其中表示第s个风电机组在下一控制时间需要输出的无功功率,/>表示稳定态无功限值,/>表示所有风电机组所需提供的总的无功补偿功率,N表示风电机组的总数;
方案优化模块,通过多目标进化算法对随机生成的下一控制时间的补偿方案进行优化获得最终的补偿方案;
具体的包括以下步骤:
步骤101,初始化种群,通过随机生成的下一控制时间的补偿方案进行编码获得个体;第j个个体表示为:/>,其中/>、/>和/>分别表示随机生成的第j个下一控制时间的补偿方案中的第1、2和N个风电机组在下一控制时间需要输出的无功功率;
步骤102,通过遗传算子更新种群;
步骤103,迭代步骤102达到终止条件时从最终的种群中选择适应度值最大的个体解码获得最终的补偿方案。
在本发明的一个实施例中,终止条件是:迭代步骤102的次数等于Z,Z缺省值为20。
在本发明的一个实施例中,如果从最终的种群中选择适应度值最大的两个以上的个体,则首先对个体按照适应度值由大至小排序之后逐个选择。此时解码的多个最终的补偿方案不能同时执行,可以由管理人员进行选择。
遗传算法的多目标适应度函数为:
,其中/>表示第j个个体的适应度值,和/>分别表示第一权重系数和第二权重系数,/>,/>,/>,/>表示稳定态无功限值,/>表示第一神经网络;
个体最优化的目标是多目标适应度函数的最大化;
可以通过对于稳定性和响应速度的倾向来调整第一权重系数和第二权重系数,例如对于稳定性的倾向更大,则增加第一权重系数,减小第二权重系数。
第一神经网络包括输入层、第一隐藏层、第二隐藏层和全连接层,输入层基于运行数据和第j个个体来生成输入特征矩阵;输入特征矩阵的第u行的行向量表示为,其中,/>表示第j个个体中的第u个风电机组的下一控制时间需要输出的无功功率,/>表示当前控制时间第u个风电机组输出的无功功率、/>表示第u个风电机组的转子有功功率、/>表示当前控制时间第u个风电机组的定子有功功率、/>表示当前控制时间第u个风电机组的风量、/>表示当前控制时间第u个风电机组的风压、/>表示当前控制时间的电力***频率、/>表示当前控制时间第u个风电机组的转差;
第一隐藏层的计算公式如下:
,其中,/>表示第一中间特征矩阵,Q表示第一矩阵,K表示第二矩阵,V表示第三矩阵,/>表示输入特征矩阵的行向量的维数,,/>,/>,其中/>、/>、/>分别表示第一权重矩阵、第二权重矩阵、第三权重矩阵,/>表示输入特征矩阵;
第二隐藏层包括RNN单元,RNN单元在N个时间步内依次输入第一中间特征矩阵的N个行向量,在第N个时间步的输出输入到全连接层,全连接层输出表示响应时间的分类标签;
全连接层的分类空间包括100个分类标签,将响应时间的值域均值离散化为100个点值,分别对应全连接层的分类空间的100个分类标签。
响应时间的定义如下:响应时间的起点是向风电机组发出调整其输出的无功功率的信号的时间点;
开始调节后来检测并网点电压,当检测到一个时间段内并网点电压与标准电压的差值小于设定的电压波动值时终止检测,该时间段的总时间大于T秒,该时间段的起始时间点为响应时间的终点。
也即在上述的时间段内并网点电压是符合稳定条件的。
在一个例子中,标准电压定义为1.0p.u.,电压波动值(绝对值,忽略正负)设置为0.2p.u.,T设置为0.5s,响应时间的起点之后的0.3s后检测到一个时间段内并网点电压维持在1.0p.u.至1.2p.u.的范围内,则时间段的起始时间点为响应时间的终点,也即响应时间的起点之后的0.3s作为响应时间的终点,响应时间为0.3s。
一种智控磁悬浮微风发电增容䃼偿装置还包括AVC子站和无功补偿设备,AVC子站连接至无功补偿设备和风电场,AVC子站用于获取并网点的目标无功功率,根据目标无功功率/>向无功补偿设备发送无功调节指令;以及在检测到并网点的无功功率/>达到无功补偿设备向并网点输出的无功功率/>的满额后,控制风电场内的所有风电机组向并网点增发无功功率/>,以补偿并网点所需的无功补偿功率;
无功补偿设备,连接至AVC子站和风电场,用于向并网点输出的无功功率进行无功功率补偿;
AVC子站获取并网点的目标无功功率,AVC子站根据目标无功功率/>向无功补偿设备发送无功调节指令,无功补偿设备向并网点输出的无功功率/>,;
在本发明的一个实施例中,AVC子站获取风电场的目标无功功率可以通过以下方式实现:
一、AVC子站接收AVC主站下发的无功功率指令,从无功功率指令中获取目标无功功率;
二、AVC子站接收AVC主站下发的电压指令,根据电压指令中携带的目标并网点电压计算目标无功功率。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (7)
1.一种智控磁悬浮微风发电增容䃼偿装置,其特征在于,包括以下模块:
数据采集模块,用于采集风电机组的当前控制时间的运行数据;
计算模块,用于计算风电机组的稳定态无功限值;
方案生成模块,基于约束条件随机生成下一控制时间的补偿方案,一个补偿方案中包括所有风电机组的在下一控制时间需要输出的无功功率;
方案优化模块,通过多目标进化算法对随机生成的下一控制时间的补偿方案进行优化获得最终的补偿方案;
其中,/>为风电机组的定子的电压,/>为并网点的电网***频率;/>为定子定感;
多目标进化算法的适应度函数为:
,其中/>表示第j个个体的适应度值,/>和分别表示第一权重系数和第二权重系数,/>,/>,,/>表示稳定态无功限值,/>表示第一神经网络;
第一神经网络包括输入层、第一隐藏层、第二隐藏层和全连接层,输入层基于运行数据和第j个个体来生成输入特征矩阵;输入特征矩阵的第u行的行向量表示为,其中,/>表示第j个个体中的第u个风电机组的下一控制时间需要输出的无功功率,/>表示当前控制时间第u个风电机组输出的无功功率、/>表示第u个风电机组的转子有功功率、/>表示当前控制时间第u个风电机组的定子有功功率、/>表示当前控制时间第u个风电机组的风量、/>表示当前控制时间第u个风电机组的风压、/>表示当前控制时间的电力***频率、/>表示当前控制时间第u个风电机组的转差;
第一神经网络的第一隐藏层的计算公式如下:,其中表示第一中间特征矩阵,Q表示第一矩阵,K表示第二矩阵,V表示第三矩阵,/>表示输入特征矩阵的行向量的维数,/>,/>,,其中/>、/>、/>分别表示第一权重矩阵、第二权重矩阵、第三权重矩阵,/>表示输入特征矩阵;
第二隐藏层包括RNN单元,RNN单元在N个时间步内依次输入第一中间特征矩阵的N个行向量,在第N个时间步的输出输入到全连接层,全连接层输出表示响应时间的分类标签;
全连接层的分类空间包括100个分类标签,将响应时间的值域均值离散化为100个点值,分别对应全连接层的分类空间的100个分类标签。
2.根据权利要求1所述的一种智控磁悬浮微风发电增容䃼偿装置,其特征在于,方案生成模块中的约束条件包括:;/>;其中,/>表示第s个风电机组在下一控制时间需要输出的无功功率,/>表示稳定态无功限值,/>表示所有风电机组所需提供的总的无功补偿功率,N表示风电机组的总数。
3.根据权利要求2所述的一种智控磁悬浮微风发电增容䃼偿装置,其特征在于,方案优化模块包括以下执行步骤:
步骤101,初始化种群,通过随机生成的下一控制时间的补偿方案进行编码获得个体;第j个个体表示为:/>,其中/>、/>和/>分别表示随机生成的第j个下一控制时间的补偿方案中的第1、2和N个风电机组在下一控制时间需要输出的无功功率;
步骤102,通过遗传算子更新种群;
步骤103,迭代步骤102达到终止条件时从最终的种群中选择适应度值最大的一个以上的个体解码获得最终的补偿方案。
4.根据权利要求3所述的一种智控磁悬浮微风发电增容䃼偿装置,其特征在于,步骤102终止条件是:迭代的次数等于Z;Z缺省值为20。
5.根据权利要求4所述的一种智控磁悬浮微风发电增容䃼偿装置,其特征在于,还包括AVC子站和无功补偿设备,AVC子站连接至无功补偿设备,用于获取并网点的目标无功功率,根据目标无功功率向无功补偿设备发送无功调节指令;以及在检测到并网点的无功功率达到无功补偿设备向并网点输出的无功功率的满额后,控制所有风电机组向并网点增发无功功率,以补偿并网点所需的无功补偿功率。
6.根据权利要求5所述的一种智控磁悬浮微风发电增容䃼偿装置,其特征在于,还包括AVC主站,AVC主站连接至AVC子站,AVC子站接收AVC主站下发的无功功率指令,从无功功率指令中获取并网点的目标无功功率。
7.根据权利要求6所述的一种智控磁悬浮微风发电增容䃼偿装置,其特征在于,无功功率指令包括AVC主站下发的电压指令,AVC子站根据电压指令中携带的目标并网点电压计算并网点的目标无功功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310956405.1A CN116667467B (zh) | 2023-08-01 | 2023-08-01 | 一种智控磁悬浮微风发电增容䃼偿装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310956405.1A CN116667467B (zh) | 2023-08-01 | 2023-08-01 | 一种智控磁悬浮微风发电增容䃼偿装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116667467A CN116667467A (zh) | 2023-08-29 |
CN116667467B true CN116667467B (zh) | 2023-10-13 |
Family
ID=87712244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310956405.1A Active CN116667467B (zh) | 2023-08-01 | 2023-08-01 | 一种智控磁悬浮微风发电增容䃼偿装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116667467B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701134A (zh) * | 2014-01-09 | 2014-04-02 | 武汉大学 | 基于mcr与电容混合补偿的风电场并网点电压控制方法 |
CN103956750A (zh) * | 2014-04-23 | 2014-07-30 | 国家电网公司 | 风电集中送出模式下控制电压波动的无功优化***及方法 |
CN106712044A (zh) * | 2016-11-10 | 2017-05-24 | 华北电力大学 | 一种风电场内无功电压多目标优化方法 |
WO2019141041A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种风电场机组布局多目标优化方法 |
WO2021088442A1 (zh) * | 2019-11-05 | 2021-05-14 | 中国电力科学研究院有限公司 | 协调控制风电场无功电压的方法和*** |
CN112928760A (zh) * | 2021-02-04 | 2021-06-08 | 中国电建集团青海省电力设计院有限公司 | 计及电网负荷波动的风电场主动无功补偿控制方法 |
CN114069726A (zh) * | 2021-10-13 | 2022-02-18 | 中国电力科学研究院有限公司 | 考虑经济性与安全性的风电场功率协调控制方法和*** |
CN114204613A (zh) * | 2020-09-02 | 2022-03-18 | 中国电力科学研究院有限公司 | 一种海上风电场接入电力***的无功补偿方法和*** |
CN114243708A (zh) * | 2021-11-25 | 2022-03-25 | 西南交通大学 | 一种基于交流模型的输电网扩展规划优化方法 |
CN115081323A (zh) * | 2022-06-17 | 2022-09-20 | 华南理工大学 | 求解多目标约束优化问题的方法及其存储介质 |
CN116127084A (zh) * | 2022-10-21 | 2023-05-16 | 中国农业大学 | 基于知识图谱的微电网调度策略智能检索***及方法 |
-
2023
- 2023-08-01 CN CN202310956405.1A patent/CN116667467B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701134A (zh) * | 2014-01-09 | 2014-04-02 | 武汉大学 | 基于mcr与电容混合补偿的风电场并网点电压控制方法 |
CN103956750A (zh) * | 2014-04-23 | 2014-07-30 | 国家电网公司 | 风电集中送出模式下控制电压波动的无功优化***及方法 |
CN106712044A (zh) * | 2016-11-10 | 2017-05-24 | 华北电力大学 | 一种风电场内无功电压多目标优化方法 |
WO2019141041A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种风电场机组布局多目标优化方法 |
WO2021088442A1 (zh) * | 2019-11-05 | 2021-05-14 | 中国电力科学研究院有限公司 | 协调控制风电场无功电压的方法和*** |
CN114204613A (zh) * | 2020-09-02 | 2022-03-18 | 中国电力科学研究院有限公司 | 一种海上风电场接入电力***的无功补偿方法和*** |
CN112928760A (zh) * | 2021-02-04 | 2021-06-08 | 中国电建集团青海省电力设计院有限公司 | 计及电网负荷波动的风电场主动无功补偿控制方法 |
CN114069726A (zh) * | 2021-10-13 | 2022-02-18 | 中国电力科学研究院有限公司 | 考虑经济性与安全性的风电场功率协调控制方法和*** |
CN114243708A (zh) * | 2021-11-25 | 2022-03-25 | 西南交通大学 | 一种基于交流模型的输电网扩展规划优化方法 |
CN115081323A (zh) * | 2022-06-17 | 2022-09-20 | 华南理工大学 | 求解多目标约束优化问题的方法及其存储介质 |
CN116127084A (zh) * | 2022-10-21 | 2023-05-16 | 中国农业大学 | 基于知识图谱的微电网调度策略智能检索***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116667467A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104620458B (zh) | 确定发电站控制器中的各个设定点的方法和发电站控制器 | |
Kot et al. | Comparison of maximum peak power tracking algorithms for a small wind turbine | |
Kahla et al. | On-Off control based particle swarm optimization for maximum power point tracking of wind turbine equipped by DFIG connected to the grid with energy storage | |
Syahputra et al. | Control of doubly-fed induction generator in distributed generation units using adaptive neuro-fuzzy approach | |
Hamid et al. | Optimal MPPT and BES control for grid-tied DFIG-based wind energy conversion system | |
JP6618659B1 (ja) | 電力変換システム及びその管理装置、並びに、分散電源装置 | |
CN110854907A (zh) | 通信故障下配电网风电场的协同优化运行方法及*** | |
CN111162556B (zh) | 一种交直流配用电***的分散式自主控制决策方法 | |
CN116667467B (zh) | 一种智控磁悬浮微风发电增容䃼偿装置 | |
CN114069711A (zh) | 一种海上风电虚拟惯量控制*** | |
Baala et al. | DFIG-based wind turbine control using high-gain observer | |
CN116488211A (zh) | 一种用于单相光伏储能的vsg改进参数自适应方法 | |
Mendi et al. | A speed sensorless modified perturb and observe mppt scheme for stand-alone pmsg based wind turbine system | |
Mol et al. | Integration of wind and PV systems using genetic-assisted artificial neural network | |
Yan et al. | Study on an optimum design for DC and doubly-controlled DFIG system | |
CN113890022A (zh) | 一种风能和太阳能电网无功优化的快速原子搜索方法 | |
Oussama et al. | Fractional order PID design for MPPT-Pitch angle control of wind turbine using bat algorithm | |
Nguyen et al. | Improvement of power output of the Wind Turbine by pitch angle control using RBF neural network | |
CN112260306A (zh) | 一种新能源发电站均分群控发电控制方法及装置 | |
Salih et al. | PSO tuned fuzzy based pitch blade controller of grid-tied variable speed wind turbine | |
Karad et al. | Genetic algorithm and particle swarm optimization tuned fractional order pitch angle control | |
Mehta et al. | Control strategies for grid-connected hybrid renewable energy systems: Integrating modified direct torque control based doubly fed induction generator and ANFIS based maximum power point tracking for solar PV generation | |
Sharadbhai et al. | Artificial neural network based control of doubly fed induction generator for active filtering capabilities | |
CN105610191B (zh) | 降低双馈感应风电机组并网的网损微增率方法 | |
Ammous et al. | Development of a genetic algorithm for maximizing wind power integration rate into the electric grid |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |