CN103441506B - 不同时间尺度下多目标协调分散风电场无功优化控制方法 - Google Patents

Abstract

本发明公开了一种基于不同时间尺度下多目标协调的分散式风电场无功优化控制方法，根据不同的时间尺度选择不同控制目标：针对毫秒级的无功优化控制，系统以机组变流器的瞬间最大无功支撑能力为目标；针对秒级的无功优化控制，系统以电压偏差最小、短时闪变最小为综合优化目标；针对分钟级的无功优化控制，系统以有功网损最小为优化目标。并且通过调节无功功率来实现多目标的无功优化控制。采用了本发明的技术方案，可以使分散式风电场安全、经济的运行，合理的无功分布可以降低网损、提高机组变流器的瞬间最大无功支撑和电能质量并保证电网正常的运行。

Description

不同时间尺度下多目标协调分散风电场无功优化控制方法

技术领域

本发明涉及一种在分散式风电场无功优化控制中不同时间尺度下多目标电压控制方法，属于风电场并网运行无功电压控制技术领域。

背景技术

随着国家对可再生能源发电的高度重视，风电已成为具有规模化开发和商业化发展前景的新能源。但风电作为电源具有随机性和间歇性，随着更多大容量风电场的投入运行，风电并网等技术问题越来越突出，集中式大电网对负荷变化的适应能力差，运行不够灵活。在此背景下，国家提出了发展分散式风电的政策。

分散式发电形式相比于集中式发电有以下特点：1、单机容量小，多机成组并列，逐级升压送入主电网，发电设备众多，控制复杂；2、一般接入原有配电网，接近用户终端，易于本地消纳；3、风电渗透率增加，潮流双向流动，风电的随机波动性将引起电网电压和频率不稳定问题。由此看来，针对分散式风电的网络规划、调度、安全运行等问题已成为迫切需要解决、深入研究的一系列基础科学问题。

无功优化问题实质上就是系统的结构参数及负荷情况给定时，通过对某些控制变量的优化，所能找到的在满足所有指定约束条件的前提下，使系统的某一个或多个性能指标达到最优时的无功调节手段。对电网进行无功优化可以控制电压水平和降低有功损耗等，从而改善电能质量。

针对风电场的无功控制及优化研究，已提出了不少的优化方法。对大规模风电场接入电网的无功电压稳定控制，抑制系统扰动引起的接入点电压波动，设计灵敏度信息动态调节矩阵来调节风电场输出无功功率进行无功优化；综合考虑双馈风力发电机的运行效率和性能，从励磁电流的不同组合优化选择、变流器容量的合理配置及充分发挥变流器无功调节能力的角度出发，设计利于工程实施的风力发电机组新型无功优化控制策略；考虑风电场内各台风机功率分配的风电场无功功率综合协调控制策略等。这些方法都可以实现风场的无功优化。

但针对于分散式无功优化问题，现在国内外的研究很少，提出的无功优化的目标函数多为单目标函数，不能很好的进行无功优化；极少的研究为多目标函数，并且是在同一时间周期下进行无功优化，导致设备的频繁调节，增加系统的运行成本。

发明内容

发明目的

为解决上述问题，本发明提出一种分散式风电场无功优化控制中按时间进行分层的多目标电压控制方法，其建立不同时间尺度下的多目标函数，其目的是解决现有技术中所存在的不能有效控制电压、设备的调节频繁和系统运行成本高的问题。

技术方案

根据分散式风电场的特点，提出了不同时间尺度下的多目标无功优化方法：针对毫秒级的无功优化控制，系统以机组变流器的瞬间最大无功支撑能力为目标；针对秒级的无功优化控制，系统以电压偏差最小、短时闪变最小为综合优化目标；针对分钟级的无功优化控制，系统以有功网损最小为优化目标。

一种不同时间尺度下多目标协调的分散式风电场无功优化控制方法，其特征在于，包括的步骤为：

第一步，通过SCADA检测控制和采集系统得到风电场的实时数据，然后将这些数据通过通讯线缆发送控制中心；

第二步，控制中心根据采集的数据进行分钟级的控制，根据最优潮流计算得到风电场汇集点的电压参考值为追求经济性，此级的控制目标是系统的网损最小：

f₁＝minP_loss （1）

其中P_loss为区域有功网损；

第三步，当下一个分钟级的控制周期到来时，返回第二步，根据给定的电压参考值，控制目标函数，使网损最小；否则执行第四步；

第四步，将采集到的汇集点电压与调度中心参考电压值进行比较，得到电压偏差值为了防止设备的频繁调节，设置电压死区范围，设置范围为-0.01≤ΔU≤0.01，其中ΔU为的幅值；

若电压偏差值在死区范围内并且短时闪变满足国标要求，则不需要进行优化，保持上一周期的优化方案，等待下一个分钟级控制周期到来，根据新的电压参考值重新执行第四步的控制；

若超出死区控制，针对秒级的无功优化控制，系统将以短时闪变最小、电压偏差最小为综合优化目标函数，目标函数为：

f₂＝min(c₁P_st+c₂ΔU) （2）

其中P_st为各个节点的短时闪变之和；ΔU为各个节点的电压偏差之和；c₁，c₂为权重系数，且c₁+c₂＝1；

第五步，当下一个秒级的控制周期到来时，重新执行第四步，根据给定的电压参考值，控制目标函数，使短时闪变最小、电压偏差最小；否则执行第六步；

第六步，针对毫秒级的无功优化控制，系统以机组变流器的瞬间最大无功支撑能力为目标，目标函数为：

其中ΔQ_i为第i个风机的无功支持能力；a_i为权重系数，

计算出每台风机所发出的无功极限与实时测得的无功电压值的差值之和最小值；

第七步，当下一个毫秒级的控制周期到来时，重新进入第六步，根据给定的电压参考值，控制目标函数，使机组变流器的瞬间最大无功支撑能力最大；

第八步，运用自适应权重以及自适应罚函数的遗传算法进行多目标无功优化；

所述第一步中的数据信息每台风机定子侧电压、定子电阻、转子电阻、励磁感抗、相角和每台风机的出口的有功功率，无功功率等数据；这些数据应用于各个时间级的优化计算中。

电压计算过程的约束条件包括：

1）潮流的约束条件如下：

其中P_Mi为风电场第i节点发出的有功功率，Q_Mi为风电场第i节点发出的无功功率，P_Ni为风电场第i节点负荷的有功功率，Q_Ni为风电场第i节点负荷的无功功率，U_i为风电场第i节点的电压，U_j为风电场第j节点的电压，G_ij为风电场第i节点和第j节点之间的电导，B_ij为风电场第i节点和第j节点之间的电纳，δ_ij为风电场第i节点和第j节点之间的电压相角差，N为风电场的节点集合；n是以风电场第i节点为起点所有支路的右端节点集合；

2）状态变量的约束条件如下：

其中U_i为节点i的实际电压；δ_ij为风电场第i节点和第j节点之间的电压相角差；

3）控制变量的约束条件如下：

Q_imin≤Q_i≤Q_imax （6）

其中Q_i为每台机组发出的无功功率。

优点及效果

本发明在多目标无功优化研究方法上应充分考虑是否可以减少设备的调节次数，降低系统运行成本，运用合理的无功分布可以降低网损、提高电压质量并保持电网的正常运行。

本发明的优点与积极效果如下：

（1）根据控制周期的不同，建立不同的目标函数，通过调节电压等变量来实现无功优化，可以降低设备的调节次数，降低系统成本。

（2）系统对无功支撑要求目标不同，可通过多目标多时域无功优化控制器的设计，来实现毫秒级最大无功支撑低电压穿越控制，秒级是对闪变和电压偏差电能质量指标跟踪来实现整体目标最小以及分钟级网损最小的无功优化控制。

（3）本发明的控制方法实用性强，可用于整个分散式风电场的电压控制来进行无功功率的调节，以实现整个风场的无功优化。

附图说明

图1是不同时间尺度下多目标无功优化控制策略流程图。

图2是图1中秒级多目标无功优化控制策略流程图。

图3是用于多目标无功优化的自适应遗传算法的程图。

具体实施方式：

下面结合附图对本发明作进一步详细描述。

如附图1所示，本发明提出无功电压控制策略立足于：控制分散式风电场电压控制点电压在允许的范围内。

本发明的基本思路在于：通过无功优化调度可以优化电网的无功潮流分布,降低电网的有功损耗,并改善电压质量,使用电设备安全可靠地运行。

本发明中所考虑的无功优化问题,可作如下定义：通过调节各种调节手段，在满足潮流约束和运行约束的条件下使目标函数最优。由上可见，无功优化问题实际上是一个典型的带约束的组合优化问题。传统的优化方法包括线性规划和非线性规划。在求解中都存在着以下几个明显问题：（1）对数学模型的简化引起误差；（2）网络规模增大引起“维数灾”；（3）可能收敛到局部最优解。基于以上问题提出了运用自适应权重以及自适应罚函数的遗传算法进行多目标无功优化求解方法。

一种在分散式风电场无功优化中根据不同时间尺度下进行多目标电压控制方法，如图1所示，它的步骤如下：

第一步，通过SCADA检测控制和采集系统测出风场风速，每台风机定子侧电压、定子电阻、励磁感抗、相角和每台风机的出口的有功功率，无功功率等数据，然后将这些数据通过通讯线缆发送控制中心；

第二步，控制中心根据采集的数据进行分钟级的控制，根据最优潮流计算得到风电场汇集点的电压参考值

为追求经济性，此级的控制目标是系统的网损最小：

其中N_B为参与损耗计算的支路总数；P_loss为区域有功网损；U_i和U_j分别为节点i和节点j的电压幅值；δ_ij为节点i和j的相角差且δ_ij＝δ_i-δ_j；G_ij为支路电导。

得到主导节点的目标电压值，在风电场群构成的区域，风电场汇集站的并网点被选为主导节点。

第三步，当下一个分钟级的控制周期到来时，返回第二步，根据给定的电压参考值，控制目标函数，使网损最小。否则执行第四步。

第四步，进行风电场级的控制，控制周期是秒级，如图2所示，将采集到的汇集点电压与调度中心参考电压值进行比较，得到电压偏差值为了防止设备的频繁调节，设置电压死区范围，设置范围为-0.01≤ΔU≤0.01，其中ΔU为的幅值；根据国家标准GB/T12326-2008的要求，当满足长时闪变小于0.25时则可以不需要对短时闪变进行调节。

若电压偏差值在死区范围内并且短时闪变满足国标要求，则不需要进行优化，保持上一周期的优化方案，等待下一个分钟级控制周期到来，根据新的电压参考值重新执行第四步的控制。

若超出死区控制，针对秒级的无功优化控制，系统将以短时闪变最小、电压偏差最小为综合优化目标进行电压控制，控制目标为：

f₂＝min(c₁P_st+c₂ΔU) （2）

其中

其中P_sti为第i个节点的短时闪变；R_L和X_L电网阻抗的电阻和电抗分量；ΔP_i和ΔQ_i为风电场节点的有功和无功变化量；d_lim为P_sti=1时的电压变动参数，具有参考值见表1；

表1

U_i为节点i的实际电压，为期望电压值；ΔU_imax＝U_max-U_min为最大允许电压偏差；N_B为节点数；ΔU_i为第i个接入点电压的偏差；c₁，c₂为权重系数，且c₁+c₂＝1。

第五步，当下一个秒级的控制周期到来的时候，重新执行第四步，根据给定的电压参考值，控制目标函数，使短时闪变最小、电压偏差最小。否则执行第六步。

第六步，针对毫秒级的无功优化控制，系统以机组变流器的瞬间最大无功支撑能力为目标，目标函数为：

其中ΔQ_i为第i个风机的无功支持能力；Q_refi为无功发出的极限；a_i为权重系数，Q_i为风机发出的无功量。

单台风力发电机输出无功功率的极限计算公式为：

U_i为风机定子端电压；X_i风机定子漏抗；X_m为励磁感抗；P_m为风机出口有功功率；I_rmax为变流器电流限定值，一般为变流器额定电流的150%。

第七步，当下一个毫秒级的控制周期到来的时候，重新执行第六步，根据给定的电压参考值，控制机组变流器的瞬间最大无功支撑能力。

第八步，运用自适应权重以及自适应罚函数的遗传算法进行多目标无功优化。

根据上面的目标函数，电压计算过程中的约束条件如下：

1）潮流的约束条件如下：

其中P_Mi为风电场第i节点发出的有功功率，Q_Mi为风电场第i节点发出的无功功率，P_Ni为风电场第i节点负荷的有功功率，Q_Ni为风电场第i节点负荷的无功功率，U_i为风电场第i节点的电压，U_j为风电场第j节点的电压，G_ij为风电场第i节点和第j节点之间的电导，B_ij为风电场第i节点和第j节点之间的电纳，δ_ij为风电场第i节点和第j节点之间的电压相角差，N为风电场的节点集合；n是以风电场第i节点为起点所有支路的右端节点集合。

2）状态变量的约束条件如下：

其中U_i为节点i的实际电压；δ_ij为风电场第i节点和第j节点之间的电压相角差。

3）控制变量的约束条件如下：

Q_imin≤Q_i≤Q_imax （8）

其中Q_i为每台机组发出的无功功率。

若分散式风场采用双馈型风机时，风电场出力超出无功极限时，按式（9）修正，

其中Q_imin和Q_imax分别为无功出力的下限和上限，计算公式如（10）所示：

P_i和Q_i双馈型风机的有功功率和无功功率；为功率因数极限，定义为-0.95到0.95之间。

所述第八步中运用自适应权重和及自适应罚函数的遗传算法进行多目标无功优化的方法如图3所示，具体方法如下：

（1）考虑带有k个目标的最大化问题：

max{z₁＝f₁(x),z₂＝f₂(x),...,z_k＝f_k(x),} （11）

对于给定个体x，权重和目标函数为：

分子项中减去是为了将个体对应的单一目标函数归一化到[0,1]区间内，从而使加权后目标函数归一化到[0,k]区间内。

在无功优化的多个目标中就有功网损最小、短时闪变最小、电压偏差最小、机组变流器的瞬间最大无功支撑能力等多个需要等价处理的子目标。可以将这些问题转化成最小化问题，然后等价转化为最大化问题，表述为

应用上述方法，基于自适应权重和的无功优化的目标函数为：

（2）不等式约束的处理

不等式处理采用罚函数的方式，本发明采用一种自适应罚函数方法来处理不等式约束，随着不等式约束违背程度的增加而增加惩罚的压力。约束条件分为等式约束和不等式约束：

在当前种群P(t)中给定一个个体x，自适应罚函数构造如下：

Δb_i(x)＝max{0,g_i(x)-b_i} （17）

其中g_i(x)为个体x对应的第i个状态变量，该状态变量受一定约束，b_i为对应于该约束i的上限；Δb_i(x)为当前个体x对第i个约束的违背值；为当前种群所有个体对约束i的最大违背值；ε为一个小的正数（可取为10^-6），用来避免罚函数中出现除数为零的情况；m为不等式约束的个数；α相当于惩罚因子，可取为0～1之间的值。式（15）对应式g_i(x)≤b_i(i＝1,2,...,m)的情况。

本发明中多目标无功优化的适应性罚函数表示为：

其中i为种群中的染色体号；下标带max和min的数值项表示在寻优过程中每代群体中各指标的最大、最小函数值；ΔU_i(x)为由种群中第i个个体x计算出的系统节点电压越限值的总和；ΔQ_g,i(x)为由种群中第i个个体x计算出的系统发电机无功出力越限量的总和；和分别对应该种群中电压越限和发电机无功出力越限最严重的值。ΔU_i和ΔQ_g,i具体表示为：

其中U_j0为节点j的电压界限值；Q_Gj0为发电机节点的无功出力界限值；α₁和α₂分别为针对ΔU_i和ΔQ_g,i越限值的惩罚系数；N_B、N_G分别为系统中的PQ节点数和发电机节点数。α₁和α₂的选取方法如下：

该方法使惩罚随着违背不等式约束程度的增加而进一步加深。α₁和α₂随着每代遗传个体的不同而不同。带有自适应罚函数的无功优化适应度函数表示为

E_VAR(x)＝f(x)p(x) （24）

（4）应用改进遗传算法来实现多目标无功优化

1)编码方案采用实数和整数编码混和的方式。控制变量中，节点的实时电压U_i和双馈风机的无功功率Q_i采用实数编码。

2)采用改进的精英选择和轮盘赌选择相结合的方式，为防止在进化过程中丢失最优个体信息，在每代父体适应度评价后，保留适应度最高的几个个体不经过选择竞争，直接替代下一代种群中适应度最差的个体群。同时在每代遗传过程中采用轮盘赌选择方式选择参与交叉和变异的个体。

3)交叉和变异分别采用算术交叉和均一变异的方式，交叉概率和变异概率分别为0.7和0.05。

4)关于种群内个体的多目标无功优化函数、负荷节点电压、发电机无功出力的不等式约束处理，个体适应度函数的确定见式(14)、(20)、(21)。

5)在遗传算法的执行中，需要在评价个体适应度的基础上增加pareto最优解求取的模块。

6)本发明用最大终止代数的方式判断是否终止迭代过程，终止代数选为100。

Claims (3)

1.一种不同时间尺度下多目标协调的分散式风电场无功优化控制方法，其特征在于：包括的步骤为：

第一步，通过SCADA检测控制和采集系统得到风电场的实时数据，然后将这些数据通过通讯线缆发送控制中心；

第二步，控制中心根据采集的数据进行分钟级的控制，根据最优潮流计算得到风电场汇集点的电压参考值为追求经济性，此分钟级的控制目标是系统的网损最小：

f₁＝min P_loss (1)

其中P_loss为区域有功网损；

第三步，当下一个分钟级的控制周期到来时，返回第二步，根据给定的电压参考值，控制目标函数，使网损最小；否则执行第四步；

第四步，将采集到的风电场汇集点的电压参考值与调度中心参考电压值进行比较，得到电压偏差值为了防止设备的频繁调节，设置电压死区范围，设置范围为-0.01≤ΔU≤0.01，其中ΔU为的幅值；

若电压偏差值在死区范围内并且短时闪变满足国标要求，则不需要进行优化，保持上一周期的优化方案，等待下一个分钟级控制周期到来，根据新的电压参考值重新执行第四步的控制；

若超出死区控制，针对秒级的无功优化控制，系统将以短时闪变最小、电压偏差最小为综合优化目标函数，目标函数为：

f₂＝min(c₁P_st+c₂ΔU) (2)

其中P_st为各个节点的短时闪变之和；ΔU为汇集点的电压偏差之和；c₁，c₂为权重系数，且c₁+c₂＝1；

第五步，当下一个秒级的控制周期到来时，重新执行第四步，根据给定的电压参考值，控制目标函数，使短时闪变最小、电压偏差最小；否则执行第六步；

第六步，针对毫秒级的无功优化控制，系统以机组变流器的瞬间最大无功支撑能力为目标，目标函数为：

$f_3=max\underset{k=1}{\overset{l}{\Σ}}{a}_k{\mathrm{\ΔQ}}_i---\left(3\right)$

其中ΔQ_i为第i个风机的无功支持能力；a_k为权重系数，l为选取的权重系数个数，要求

计算出每台风机所发出的无功极限与实时测得的无功功率值的差值之和最小值；

第七步，当下一个毫秒级的控制周期到来时，重新进入第六步，根据给定的电压参考值，控制目标函数，使机组变流器的瞬间最大无功支撑能力最大；

第八步，运用自适应权重以及自适应罚函数的遗传算法进行多目标无功优化。

2.如权利要求1所述的不同时间尺度下多目标协调的分散式风电场无功优化控制方法，其特征是：所述第一步中的数据信息包括每台风机定子侧电压、定子电阻、转子电阻、励磁感抗、相角和每台风机的出口的有功功率，无功功率数据；这些数据应用于各个时间级的优化计算中。

3.如权利要求1所述的不同时间尺度下多目标协调的分散式风电场无功优化控制方法，其特征是：电压计算过程的约束条件包括：

1)潮流的约束条件如下：

$\left\{\begin{array}{c}{P}_{Mi}=U_i\underset{j=1}{\overset{n}{\Σ}}{U}_j(G_{ij}{\mathrm{cos\δ}}_{ij}+B_{ij}{\mathrm{sin\δ}}_{ij})+P_{Ni}\\ Q_{Mi}=U_i\underset{j=1}{\overset{n}{\Σ}}{U}_j(G_{ij}{\mathrm{sin\δ}}_{ij}+B_{ij}{\mathrm{cos\δ}}_{ij})+Q_{Ni}\end{array}\right.,i\∈N---\left(4\right)$

其中P_Mi为风电场第i节点发出的有功功率，Q_Mi为风电场第i节点发出的无功功率，P_Ni为风电场第i节点负荷的有功功率，Q_Ni为风电场第i节点负荷的无功功率，U_i为风电场第i节点的电压，U_j为风电场第j节点的电压，G_ij为风电场第i节点和第j节点之间的电导，B_ij为风电场第i节点和第j节点之间的电纳，δ_ij为风电场第i节点和第j节点之间的电压相角差，N为风电场的节点集合；n是以风电场第i节点为起点所有支路的右端节点集合；

2)状态变量的约束条件如下：

$\left\{\begin{array}{c}{U}_{i\min }\≤U_i\≤U_{imax}\\ {\mathrm{\δ}}_{ij\min }\≤{\mathrm{\δ}}_{ij}\≤{\mathrm{\δ}}_{ij\max }\end{array}\right.---\left(5\right)$

其中U_i为风电场第i节点的电压；δ_ij为风电场第i节点和第j节点之间的电压相角差；

3)控制变量的约束条件如下：

Q_imin≤Q_i≤Q_imax (6)

其中Q_i为每台机组发出的无功功率。