CN103455716B - 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 - Google Patents
一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 Download PDFInfo
- Publication number
- CN103455716B CN103455716B CN201310371470.4A CN201310371470A CN103455716B CN 103455716 B CN103455716 B CN 103455716B CN 201310371470 A CN201310371470 A CN 201310371470A CN 103455716 B CN103455716 B CN 103455716B
- Authority
- CN
- China
- Prior art keywords
- prediction
- load
- wind power
- data
- wind
- 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.)
- Expired - Fee Related
Links
- 230000006641 stabilisation Effects 0.000 title claims abstract description 22
- 238000011105 stabilization Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000005611 electricity Effects 0.000 claims abstract description 27
- 238000000205 computational method Methods 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 238000013439 planning Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000012010 growth Effects 0.000 claims description 5
- 230000001373 regressive effect Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000003102 growth factor Substances 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 claims description 2
- 241001123248 Arma Species 0.000 claims 6
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 238000005096 rolling process Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013499 data model Methods 0.000 abstract 1
- 230000010354 integration Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000007773 growth pattern Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法,包括:利用现有的历史负荷数据,采用负荷预测数学模型,对预测日的风电功率数据进行超短期负荷预测;参考风的随机性和波动性,根据历史风电功率数据,通过曲线拟合和参数估计,建立模型,对预测日的未来预设时间段内风电功率数据进行的超短期功率预测;根据预测日的负荷预测曲线和风电功率预测值,制定风电系统内预测日发电计划;基于负荷预测数据、发电计划、以及风电系统当前运行网架结构,按照风电未来预设时间段内超短期功率预测值,采用连续潮流计算方法,计算电压稳定裕度。该方法,可以实现电网稳定性好和电网安全性好的优点。
Description
技术领域
本发明涉及风电并网技术领域,具体地,涉及一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法。
背景技术
由于风能具有随机性与间歇性的特点,使得风能的利用具有一定的不确定性。同时,随着现代风力发电技术的不断进步,风电机组的单机容量不断增大。风电场越来越多地采用大规模集中接入输电网络的方式,这使得风电对电网的影响不断增大。由于风力资源分布的限制,风电场大多建设在电网的末端,网络结构比较薄弱,承受冲击能力有限。一方面,风力机组在端电压过低时为了自身安全会主动切除,这将使系统突然失去电源,造成系统的不稳定;另一方面,风电场出力过高则有可能降低电网的电压安全裕度,容易导致电压崩溃。所以在大规模风电并网运行时必然会对电网的电压稳定性将造成了不可忽视的影响。
早期人们简单地将电力系统电压失稳问题看作系统过载引起,从而将其视为静态问题,利用代数方程研究电压的稳定性,较为常用的方法是连续潮流法。在连续潮流计算过程中,负荷和发电机出力的增长模式都会对电压稳定裕度的计算结果产生影响。
在传统的电压稳定裕度计算中通常采用负荷和发电机出力等比例等功率因数增长模式,但这种增长模式不能给出一个完全贴近系统真实情形的裕度值,也不能计及风电接入对电力系统电压稳定性的影响,更加合理的模式应该参考实际电网的负荷预测数据和风电功率预测数据,由负荷预测数据和风电功率预测数据给出一个合理的负荷以及发电机出力增长方向。为此,开发一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法尤为重要。
在实现本发明的过程中,发明人发现现有技术中至少存在电源稳定性差和电网安全性差等缺陷。
发明内容
本发明的目的在于,针对上述问题,提出一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法,以实现电网稳定性好和电网安全性好的优点。
为实现上述目的,本发明采用的技术方案是:一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法,包括:
a、利用现有的历史负荷数据,采用现有的负荷预测数学模型,对预测日的负荷数据进行超短期负荷预测;
所述负荷预测数学模型是本领域公知技术,目前现有的短期负荷预测模型主要有时间序列预测模型、回归分析预测模型、人工神经网络预测模型、小波分析预测模型等。参考文献:《基于负荷分解的电力系统短期负荷预测方法的研究》[硕士学位论文],王成纲,河北:华北电力大学,2006;
b、参考风的随机性和波动性,根据历史风电功率数据,通过曲线拟合和参数估计,建立模型,对预测日的未来预设时间段内风电功率数据进行的超短期功率预测;
c、根据预测日的负荷预测曲线和风电功率预测值,制定风电系统内预测日发电计划,其中,预测日的负荷预测曲线由步骤a所得的超短期负荷预测数据绘制而成,预测日的风电功率预测值由步骤b中建立的预测模型求得;
d、基于步骤a所得负荷预测数据、步骤c所得发电计划、以及风电系统当前运行网架结构,按照步骤b所得风电未来预设时间段内超短期功率预测值,采用连续潮流计算方法,计算电压稳定裕度。
进一步地,所述步骤a,具体包括:
利用现有的历史负荷数据,由调度运行人员根据精度要求和计算时间要求在现有的负荷预测模型中选择适当的数学预测模型,根据对预测日的历史风电功率数据进行5min到60min的超短期负荷预测,对预测日的负荷值进行预估。
进一步地,在步骤a中,所述历史负荷数据,具体包括历史日负荷数据和历史日气象数据。
进一步地,在步骤b中,所述对预测日的未来预设时间段内风电功率数据进行的超短期功率预测的操作,具体包括:
基于时间序列的超短期风能预测方法,根据风电系统观测得到的时间序列数据,通过曲线拟合和参数估计,建立时间序列的数学模型;
使用建立所得时间序列的数学模型,预测未来预设时间段内风电功率数据。
进一步地,所述时间序列的数学模型,具体包括自回归移动平均模型;所述自回归移动平均模型,即模型;
所述模型的结构如下:
;
上式中,为风电功率的时间序列,是的一个过程;为参数;为参数;为代表白噪声过程的时间序列;和分别为阶数和阶数。
进一步地,在步骤b中,所述历史风电功率数据,包括风电时间序列数据和风电场参数。
进一步地,在步骤d中,所述采用连续潮流计算方法,计算电压稳定裕度的操作,具体包括:
采用连续潮流计算方法,得到从当前运行点到电压稳定临界点的曲线;根据曲线,计算电压稳定裕度。
进一步地,在步骤d中,所述电压稳定裕度,是指:为当前运行点的电压水平和稳定极限点电压水平之间的差值,通常用静态电压稳定储备系数()表示:
;
其中,为输电系统稳定极限点的电压水平,为输电系统当前运行点的电压水平。
进一步地,在步骤d中,所述连续潮流法,由4个基本环节组成:预测、校正、参数化和步长控制;具体如下:
所述预测环节,是从已知的解开始,以一个切线预报来估计对于一个规定负荷增长方式的解;
所述校正环节,是利用常规潮流解出准确解;负荷进一步增加时,根据新的切线预报电压值;如果新的估计负荷超出了准确解的最大负荷,则以节点电压为固定值进行校正计算来求准确解;
所述参数化环节是选择连续性参数,构造表征发电机和负荷增长的方程表达式,使之与常规潮流方程一起构成参数化的方程组,改变系统雅克比矩阵的结构,避免奇异问题,具体如下:
极坐标系统下的常规潮流方程可以写成:
;
;
式中,、为节点的发电机出力;、为节点的电压幅值和角度;、为节点的负荷;、为节点导纳矩阵第个元素的实部和虚部;
若以参数来表示发电机和负荷的增长,则通过参数构造的方程如下:
;
;
;
;
其中,参数,对应基本的发电机出力和负荷水平;表示临界点的出力和负荷水平。是指定节点出力或负荷的增长系数。
将变化的出力和负荷的表达式代入潮流方程,得到新的潮流方程组:
;
;
用矩阵和向量表示,则得到参数化的方程组为:
;
;
所述步长控制环节是在迭代计算过程中,对步长的大小进行调整,得到准确解;当接近电压稳定极限时,为确定准确的最大负荷,在连续预报中,负荷的增量应逐步减少,即减小步长。
本发明各实施例的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,由于包括:利用现有的历史负荷数据,采用数学预测模型,对预测日的负荷数据进行超短期负荷预测;参考风的随机性和波动性,根据历史风电功率数据,通过曲线拟合和参数估计,建立模型,对预测日的未来预设时间段内风电功率数据进行的超短期功率预测;根据预测日的负荷预测曲线和风电功率预测值,制定风电系统内预测日发电计划;基于负荷预测数据、发电计划、以及风电系统当前运行网架结构,按照风电未来预设时间段内超短期功率预测值,采用连续潮流计算方法,计算电压稳定裕度;可以解决传统的电压稳定计算方法无法有效计及风电接入对电力系统电压稳定性影响的问题;从而可以克服现有技术中电源稳定性差和电网安全性差的缺陷,以实现电网稳定性好和电网安全性好的优点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明基于超短期风电功率预测的电力系统电压稳定裕度计算方法的流程示意图;
图2为本发明基于超短期风电功率预测的电力系统电压稳定裕度计算方法中连续潮流的预测与校正图;
图3为本发明基于超短期风电功率预测的电力系统电压稳定裕度计算方法实施例中某实际系统的曲线。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
根据本发明实施例,如图1-图3所示,提供了一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法,用于解决传统的电压稳定计算方法无法有效计及风电接入对电力系统电压稳定性影响的问题。本实施例包括:
参见图1,本实施例的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,包括:
步骤1:利用现有的历史负荷数据(历史日负荷数据和气象数据等),采用数学预测模型进行预测日的超短期负荷预测;
在步骤1中,超短期负荷预测是指:5min到60min的超短期负荷预测,其预测原理是利用现有的历史数据(历史日负荷数据和气象数据等),采用适当的数学预测模型对预测日的负荷值进行估计;
步骤2:考虑到风的随机性和波动性,根据观测得到的历史风电功率数据(风电时间序列数据和风电场参数等),通过曲线拟合和参数估计建立模型,对风电进行未来15min的超短期功率预测;
在步骤2中,超短期风电功率预测是指:基于时间序列的超短期风能预测方法,根据系统观测得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型,进而用此数学模型来预测未来的数据。时间序列的模型类型很多,这里采用自回归移动平均()模型对风电功率进行预测。模型的结构如下:
;
上式中,为风电功率的时间序列,是的一个过程;为参数;为参数;为代表白噪声过程的时间序列;和分别为阶数和阶数;
步骤3:根据预测日的负荷预测曲线,制定风电系统内预测日发电计划,其中风电的发电计划按照风电的超短期功率预测值制定;
步骤4:基于负荷预测数据和发电计划以及风电系统当前运行网架结构,按照风电未来15min超短期功率预测值,采用连续潮流计算方法得到从当前运行点到电压稳定临界点的曲线,并根据曲线计算电压稳定裕度。
在步骤4中,电压稳定裕度是指:为当前运行点的电压水平和稳定极限点电压水平之间的差值,通常用静态电压稳定储备系数()表示:
;
其中,为输电系统稳定极限点的电压水平,为输电系统当前运行点的电压水平。
在步骤4中,连续潮流计算方法是指:连续潮流计算方法是电压稳定分析中应用最为广泛的一种改进潮流算法,它将参数化方法应用到潮流计算当中,有效的克服了潮流计算在曲线鼻尖点处不收敛的问题,并能得到曲线的下半支。
连续潮流法由4个基本环节组成:预测、校正、参数化和步长控制。参见图2,预测步从已知的解()开始,以一个切线预报来估计对于一个规定负荷增长方式的解();然后校正步,利用常规潮流解出准确解();负荷进一步增加时,根据新的切线预报电压值。如果新的估计负荷超出了准确解的最大负荷,则以节点电压为固定值进行校正计算来求准确解();当接近电压稳定极限时,为确定准确的最大负荷,在连续预报中,负荷的增量应逐步减少。
以局部参数化连续潮流为例,连续潮流的计算过程下:
极坐标系统下的常规潮流方程可以写成:
;
;
上式中,、为节点的发电机出力;、为节点的电压幅值和角度;、为节点的负荷;、为节点导纳矩阵第个元素的实部和虚部。
若以参数来表示发电机和负荷的增长,则有:
;
;
,;
其中,参数,对应基本的发电机出力和负荷水平;表示临界点的出力和负荷水平;是指定节点出力或负荷的增长系数。
将变化的出力和负荷的表达式代入潮流方程,得到新的潮流方程:
;
;
用矩阵和向量表示,则为:
,;
⑴在参数化时,选择控制参数或状态向量中的任意分量将曲线参数化,步长为或;
⑵在预估环节,使用切线法计算各状态变量和参数的微分,对参数化的潮流方程进行微分,得:
;
即:
;
该线性方程组中含有个变量,但只有个方程,不能直接计算切向量,需要增加一维方程。局部参数化方法通过指定切向量的某一分量的值进行求解,即:
;
上式中,表示与方程组维数相匹配的单位行向量,对应的元素为1。
在连续潮流的开始阶段,选择参数作为连续参数,在后续的预估中,选择切向量中分量绝对值最大的状态变量作为连续参数,其斜率的符号决定切向量中相应分量的符号。
在得到切向量之后,按下式进行预估:
;
上式中,为步长;
⑶校正环节,以预估得到的近似解作为初值进行解的校正。仍使用作为连续参数,得到增广的潮流方程为:
;
使用牛顿法对方程组进行迭代运算,就可以得到该点的精确解;
⑷步长控制,只要根据校正环节中的迭代次数,对进行调整即可。
按照上述实施例的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,以某实际系统作为校验模型,分析如下:
系统风电装机容量为5215.6MW,经过分析计算,在考虑风电功率预测数据和负荷预测数据的情况下,系统风电接入点的曲线参见图3。
根据曲线可以得出系统的电压稳定裕度为12.7%。
通过上述实施例的分析,可以表明:上述各实施例的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,克服了传统方法不能有效计及风电接入对电力系统电压稳定性的影响,也无法准确描述在负荷不断增长和风电不断变化情况下系统的电压崩溃边界曲面等问题,在负荷预测和风电功率预测的基础上给出合理的负荷和发电机出力增长模式,准确方便地计算系统的静态电压稳定裕度,能够贴近系统真实情形的裕度值。
综上所述,本发明上述各实施例的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,利用现有的历史负荷数据(历史日负荷数据和气象数据等),采用数学预测模型进行预测日的超短期负荷预测;根据观测得到的历史风电功率数据(风电时间序列数据和风电场参数等),通过曲线拟合和参数估计建立模型,对风电进行未来15min的超短期功率预测;根据预测日的负荷预测曲线制定系统内预测日发电计划,其中风电的发电计划按照风电的超短期功率预测值制定;基于负荷预测数据和发电计划以及系统当前运行网架结构,按照风电未来15min超短期功率预测值,采用连续潮流计算方法得到从当前运行点到电压稳定临界点的曲线,并根据曲线计算电压稳定裕度;解决了传统方法不能有效计及风电接入对电力系统电压稳定性的影响,也无法准确描述在负荷不断增长和风电不断变化情况下系统的电压崩溃边界曲面等问题。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法,其特征在于,包括:
a、利用现有的历史负荷数据,采用现有的负荷预测数学模型,对预测日的负荷数据进行超短期负荷预测;所述步骤a,具体包括:
利用现有的历史负荷数据,由调度运行人员根据精度要求和计算时间要求在现有的负荷预测模型中选择适当的数学预测模型,根据对预测日的历史风电功率数据进行5min到60min的超短期负荷预测,对预测日的负荷值进行预估;在步骤a中,所述历史负荷数据,具体包括历史日负荷数据和历史日气象数据;b、参考风的随机性和波动性,根据历史风电功率数据,通过曲线拟合和参数估计,建立ARMA模型,对预测日的未来预设时间段内风电功率数据进行的超短期功率预测;在步骤b中,所述对预测日的未来预设时间段内风电功率数据进行的超短期功率预测的操作,具体包括:
基于时间序列的超短期风能预测方法,根据风电系统观测得到的时间序列数据,通过曲线拟合和参数估计,建立时间序列的数学模型;
使用建立所得时间序列的数学模型,预测未来预设时间段内风电功率数据;在步骤b中,所述历史风电功率数据,包括风电时间序列数据和风电场参数;
c、根据预测日的负荷预测曲线和风电功率预测值,制定风电系统内预测日发电计划,其中,预测日的负荷预测曲线由步骤a所得的超短期负荷预测数据绘制而成,预测日的风电功率预测值由步骤b中建立的预测模型求得;
d、基于步骤a所得负荷预测数据、步骤c所得发电计划、以及风电系统当前运行网架结构,按照步骤b所得风电未来预设时间段内超短期功率预测值,采用连续潮流计算方法,计算电压稳定裕度。
2.根据权利要求1所述的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,其特征在于,所述时间序列的数学模型,具体包括自回归移动平均ARMA模型;所述自回归移动平均ARMA模型,即ARMA(p,q)模型;
所述ARMA(p,q)模型的结构如下:
上式中,Xt为风电功率的时间序列,是ARMA(p,q)的一个过程;aj为AR参数;bk为MA参数;et-k为代表白噪声过程的时间序列;p和q分别为AR阶数和MA阶数。
3.根据权利要求1所述的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,其特征在于,在步骤d中,所述采用连续潮流计算方法,计算电压稳定裕度的操作,具体包括:
采用连续潮流计算方法,得到从当前运行点到电压稳定临界点的PV曲线;根据PV曲线,计算电压稳定裕度。
4.根据权利要求1或3所述的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,其特征在于,在步骤d中,所述电压稳定裕度,是指:为当前运行点的电压水平和稳定极限点电压水平之间的差值,用静态电压稳定储备系数Kv%表示:
其中,Uz为输电系统稳定极限点的电压水平,Uc为输电系统当前运行点的电压水平。
5.根据权利要求1或3所述的基于超短期风电功率预测的电力系统电压稳定裕度计算方法,其特征在于,在步骤d中,所述连续潮流法,由4个基本环节组成:预测、校正、参数化和步长控制;具体如下:
所述预测环节,是从已知的解A开始,以一个切线预报来估计对于一个规定负荷增长方式的解B;
所述校正环节,是利用常规潮流解出准确解C;负荷进一步增加时,根据新的切线预报电压值;如果新的估计负荷超出了准确解的最大负荷,则以节点电压为固定值进行校正计算来求准确解E;
所述参数化环节是选择连续性参数λ,构造表征发电机和负荷增长的方程表达式,使之与常规潮流方程一起构成参数化的方程组,改变系统雅克比矩阵的结构,避免奇异问题,具体如下:
极坐标系统下的常规潮流方程可以写成:
式中,PGi、QGi为节点i的发电机出力;Ui、θi为节点i的电压幅值和角度;PLi、QLi为节点i的负荷;Gij、Bij为节点导纳矩阵第(i,j)个元素的实部和虚部;
若以参数λ来表示发电机和负荷的增长,则通过参数λ构造的方程如下:
PGi=PGi0(1+λkGi);
PLi=PLi0(1+λkPLi);
QLi=QLi0(1+λkQLi);
0≤λ≤λcr;
其中,参数λ=0,对应基本的发电机出力和负荷水平;λ=λcr表示临界点的出力和负荷水平;k是指定节点出力或负荷的增长系数;
将变化的出力和负荷的表达式代入潮流方程,得到新的潮流方程组:
用矩阵和向量表示,则得到参数化的方程组为:
H(X,λ)=0;
0≤t≤tcr;
λ为控制参数,X为状态向量
所述步长控制环节是在迭代计算过程中,对步长的大小进行调整,得到准确解;当接近电压稳定极限时,为确定准确的最大负荷,在连续预报中,负荷的增量应逐步减少,即减小步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310371470.4A CN103455716B (zh) | 2013-08-23 | 2013-08-23 | 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310371470.4A CN103455716B (zh) | 2013-08-23 | 2013-08-23 | 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103455716A CN103455716A (zh) | 2013-12-18 |
CN103455716B true CN103455716B (zh) | 2018-08-31 |
Family
ID=49738070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310371470.4A Expired - Fee Related CN103455716B (zh) | 2013-08-23 | 2013-08-23 | 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103455716B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700151A (zh) * | 2014-05-26 | 2015-06-10 | 国网辽宁省电力有限公司 | 一种基于三次样条插值曲线拟合的风电功率考核方法 |
CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
US10443577B2 (en) | 2015-07-17 | 2019-10-15 | General Electric Company | Systems and methods for improved wind power generation |
CN105354635A (zh) * | 2015-10-30 | 2016-02-24 | 国家电网公司 | 一种配电网不平衡谐波负荷指数预测方法 |
CN108616144A (zh) * | 2018-03-20 | 2018-10-02 | 武汉理工大学 | 基于超级电容高频补偿的船舶新能源发电系统 |
CN109102110B (zh) * | 2018-07-23 | 2022-03-22 | 云南电网有限责任公司临沧供电局 | 一种径流式小水电短期出力预测方法和装置 |
CN110460085B (zh) * | 2019-08-28 | 2023-04-07 | 华北电力大学(保定) | 一种考虑风电和负荷特性对电力系统影响的方法 |
CN113969873B (zh) * | 2021-10-18 | 2023-04-07 | 国网湖南省电力有限公司 | 一种风电机组出力超短期预测方法、系统及存储介质 |
CN115065104B (zh) * | 2022-08-15 | 2022-11-01 | 中通服建设有限公司 | 一种微电网多能源集成调度系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1744058A1 (en) * | 2004-05-07 | 2007-01-17 | Mitsubishi Denki Kabushiki Kaisha | Wind power generation evaluation system and prediction control service system for wind power generator |
CN102570471A (zh) * | 2012-02-27 | 2012-07-11 | 山东大学 | 多无功源分层协调的风电场电压控制方法 |
CN102915471A (zh) * | 2012-09-26 | 2013-02-06 | 中国电力科学研究院 | 一种风电扰动在线安全预警的方法 |
CN103078352A (zh) * | 2012-12-31 | 2013-05-01 | 东南大学 | 一种基于功率圆的风火打捆配置比例的测定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007009804A (ja) * | 2005-06-30 | 2007-01-18 | Tohoku Electric Power Co Inc | 風力発電施設の出力電力制御スケジュールシステム |
-
2013
- 2013-08-23 CN CN201310371470.4A patent/CN103455716B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1744058A1 (en) * | 2004-05-07 | 2007-01-17 | Mitsubishi Denki Kabushiki Kaisha | Wind power generation evaluation system and prediction control service system for wind power generator |
CN102570471A (zh) * | 2012-02-27 | 2012-07-11 | 山东大学 | 多无功源分层协调的风电场电压控制方法 |
CN102915471A (zh) * | 2012-09-26 | 2013-02-06 | 中国电力科学研究院 | 一种风电扰动在线安全预警的方法 |
CN103078352A (zh) * | 2012-12-31 | 2013-05-01 | 东南大学 | 一种基于功率圆的风火打捆配置比例的测定方法 |
Non-Patent Citations (8)
Title |
---|
Forecast of hourly average wind speed with ARMA models in Navarre (Spain);J.L.Torres 等;《Solar Energy》;20050731;第79卷(第1期);第65-77页 * |
含风电场电力系统电压稳定裕度模型;王海超 等;《清华大学学报(自然科学版)》;20060730;第46卷(第7期);第1185-1188页 * |
基于ARMA模型的中短期风电功率预测;程引 等;《水电与新能源》;20120730(第4期);第72-75页 * |
基于实测数据的风电场风速和风功率短期预测研究;王金翠;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20101215(第12期);正文第10-11页第2.2.1小节,第18-19页3.1小节,第23页第3.2小节 * |
基于改进连续潮流法的电力系统静态电压稳定裕度研究;樊宇璐;《中国学位论文全文数据库》;20101008;正文第12页,第14-18页第3.2小节 * |
基于超短期风电功率预测的风电场自动发电控制;刘峻 等;《中国电力》;20110205;第44卷(第2期);第74-77页 * |
电力系统静态稳定裕度的在线计算研究;李强;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20060615(第6期);正文第14-15页第2.1.2小节,第30-31页第4.1-4.2小节 * |
超短期风电功率预测及其在安全稳定预警系统中的应用;常康 等;《电力系统保护与控制》;20120616;第40卷(第12期);第19-24,30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103455716A (zh) | 2013-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103455716B (zh) | 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN107425520A (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
CN104732300B (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
Golnary et al. | Design and comparison of quasi continuous sliding mode control with feedback linearization for a large scale wind turbine with wind speed estimation | |
CN106600136B (zh) | 一种电力断面越限控制效率评估方法 | |
CN105186499A (zh) | 一种配电网多目标概率最优潮流模糊建模与求解方法 | |
Liu et al. | PV generation forecasting with missing input data: A super-resolution perception approach | |
CN104600695A (zh) | 基于在线状态估计和实时调度计划的趋势潮流计算方法 | |
Sakthivel et al. | Optimal location of SVC for voltage stability enhancement under contingency condition through PSO algorithm | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
Wang et al. | Automatic adjustment method of power flow calculation convergence for large-scale power grid based on knowledge experience and deep reinforcement learning | |
CN106655190A (zh) | 一种求解风电场概率最优潮流的方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN103473393A (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN108599239A (zh) | 一种下垂控制型孤岛微电网电压质量概率评估方法 | |
CN103986193B (zh) | 一种最大风电并网容量获取的方法 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN110739726A (zh) | 一种考虑海上风电接入的多类型电源容量长期规划方法 | |
Lodge et al. | Short term wind speed prediction using artificial neural networks | |
CN116454967A (zh) | 一种电网新能源消纳能力评估方法及装置 | |
CN103440428A (zh) | 风电功率组合预测模型的自适应动态权重确定方法 | |
CN105281371A (zh) | 一种考虑风力发电的可伸缩有功静态安全域 | |
Zhang et al. | Frequency-constrained unit commitment for power systems with high renewable energy penetration | |
Liao et al. | Multi-objective artificial bee colony algorithm for long-term scheduling of hydropower system: a case study of China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180831 Termination date: 20190823 |