CN106229995B - 基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法 - Google Patents

Abstract

一种基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法，所述优化方法包括以下过程：首先，对抗台运行时的系统进行整体建模，系统模型包括备用电源、备用电源并联电抗器、备用电源变压器、直埋电缆和多台多路风电机组等效模型；然后，分别计算模型中系统元件的功率损耗；最后，根据优化前系统功率因数及优化后拟实现的功率因数确定需要并联的电抗器参数。本发明提供一种将容性电流过大优化为较小的感性电流、有利于断路器合闸操作的基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法。

Description

基于风电场抗台风运行模式下的备用电源并联电抗器参数优 化方法

技术领域

本发明涉及风电场的参数配置方法，尤其是一种基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法。

背景技术

在台风多发的东南沿海地区，目前风力发电场大多采用备用电源(铅酸电池组、柴油发电机组)来给台风来袭时的风电场供电，使得风电机组的偏航系统偏航动作。在海上或沿海风电场中，场内输变电大多使用直埋电缆输电。与架空线路相比，电缆正序电容大，因此输电线路阻抗性质为容性。由于电容具有“隔直通交”的特性(对交流电路而言，相当于短路)，在备用电源变压器与系统母线之间的断路器合闸的初始时刻电路中会存在很大的容性电流，造成闸刀跳闸。此时，由于与备用电源并联的电抗器参数设计不合理，大部分风电场只能采用将部分风电机组逐次与备用电源相连的方案，这样便造成了备用电源容量的浪费。

发明内容

为了克服已有风力发电场的备用电源并联电抗器在抗台风运行模式下的容性电流过大、不利于断路器合闸操作的不足，本发明提供一种将容性电流过大优化为较小的感性电流、有利于断路器合闸操作的基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法。

本发明解决其技术问题所采用的技术方案是：

一种基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法，所述优化方法包括以下过程：

首先，对抗台运行时的系统进行整体建模，系统模型包括备用电源、备用电源并联电抗器、备用电源变压器、直埋电缆和多台多路风电机组等效模型；

然后，分别计算模型中系统元件的功率损耗；

最后，根据优化前系统功率因数及优化后拟实现的功率因数确定需要并联的电抗器参数。

进一步，计算备用电源的有功和无功功率、计算备用电源变压器的有功和无功损耗、电缆线路的充电功率及无功损耗、多台多路风力机组等效模型的有功与无功损耗。

再进一步，所述风电机组的等效模型包括偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器；利用人工神经网络学习的智能策略实现风电机组内部各系统功率损耗权重系数的最优化。

假设风电机组的等效模型的有功损耗为P_{EQ_loss}，无功损耗为Q_{EQ_loss}，其表达式如下式所示：

P_{EQ_loss}＝α₁P₁+α₂P₂+α₂P₃+α₄P₄+α₅P₅+α₆P₆ (1)

Q_{EQ_loss}＝β₁Q₁+β₂Q₂+β₂Q₃+β₄Q₄+β₅Q₅+β₆Q₆

其中，P_i(i＝1,2,…6)为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功损耗；Q_i(i＝1,2,…6)为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的无功损耗；α_i(i＝1,2,…6)为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功损耗的权重系数；β_i(i＝1,2,…6)为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的无功损耗的权重系数；

将风电机组中偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功、无功损耗作为神经网络模型的输入向量将期望得到的等效有功、无功最优值作为神经网络的期望输出，利用X和作为训练样本对神经网络的权重系数α_i、β_i及阈值b₁、b₂进行学习，当神经网络的实际输出与期望输出误差足够小时，停止训练，输出此时的实际输出值

本发明的技术构思为：采用并联电抗器优化设计策略，首先对抗台运行时的系统进行整体建模，分别计算模型中系统元件的功率损耗，最后根据优化前系统功率因数及优化后拟实现的功率因数确定需要并联的电抗器参数。通过采用该方案可以将系统中很大的容性电流调整为较小的感性电流。

另外，在系统建模过程中将风电机组进行了等效，等效时考虑了偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的功率损耗。在抗台风运行时，由于风电机组各部件的容量及作用不同，各部件的容量在等效负荷模型中重要性有显著的不同。因此在对风电机组进行等效建模的过程中，对上述部件的容量赋予了不同的权重系数，权重系数的大小代表其容量在等效模型中的作用。根据运行工况的不同，权重系数的大小不同。在本发明中，根据不同的工况利用神经网络对权重进行调节。

本发明的有益效果主要表现在：1、在通过对抗台风模式下备用电源并联电抗器的参数进行优化设计，在备用电源变压器与系统母线之间的断路器合闸的初始时刻电路中原来的较大容性电流优化成为较小的感性电流，解决了原来断路器合闸时跳闸带来的困难。

2、本发明提出了备用电源并联电抗器参数优化设计的流程。通过建立抗台模式下的系统模型、计算系统中各元件的功率参数、并联电抗参数值计算等一系列步骤，实现了备用电源并联电抗器参数优化设计的目的。

3、在对多路多台风电机组进行模型等效时，本发明通过人工神经网络学习的智能策略实现了风电机组内部各系统功率损耗权重系数的最优化。在本发明中，根据不同的工况权重系数可以利用神经网络的在线学习策略进行实时智能调节。相比传统的根据以往经验来确定固定权重系数的方法来说具有更大的合理性和优越性。

附图说明

图1是备用电源并联电抗器设计流程图。

图2是抗台运行模式下风电场等效模型图。

图3是基于人工神经网络学习的风电机组等效模型的实施流程图。

图4是风电机组等效模型有功损耗计算神经网络结构图。

图5是风电机组等效模型无功损耗计算神经网络结构图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图5，一种基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法，

首先对抗台运行时的系统进行整体建模，系统模型包括备用电源、备用电源并联电抗器、备用电源变压器、直埋电缆、多台多路风电机组等效模型等系统元件；

然后分别计算模型中系统元件的功率损耗；

最后根据优化前系统功率因数及优化后拟实现的功率因数确定需要并联的电抗器参数。

通过采用该方案可以将系统中很大的容性电流调整为较小的感性电流(备用电源并联电抗器设计步骤的流程图见附图1)。

系统模型包括备用电源、备用电源并联电抗器、备用电源变压器、直埋电缆、多台多路风电机组等效模型等系统元件模型，抗台运行模式下等效系统模型图如附图2所示。

在系统建模过程中将风电机组进行了等效，等效时考虑了偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的功率损耗。在抗台风运行时，由于风电机组各部件的容量及作用不同，各部件的容量在等效负荷模型中重要性有着显著的不同。因此在对风电机组进行等效建模的过程中，对上述部件的容量赋予了不同的权重系数，权重系数的大小代表其容量在等效模型中的作用。根据运行工况的不同，权重系数的大小不同。在本发明中，根据不同的工况利用神经网络对权重进行调节。

风电机组等效模型在构建过程中，主要考虑偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的功率损耗。

假设等效模型的有功损耗为P_{EQ_loss}，无功损耗为Q_{EQ_loss}，其表达式如下式所示：

P_{EQ_loss}＝α₁P₁+α₂P₂+α₂P₃+α₄P₄+α₅P₅+α₆P₆ (1)

Q_{EQ_loss}＝β₁Q₁+β₂Q₂+β₂Q₃+β₄Q₄+β₅Q₅+β₆Q₆

其中，P_i(i＝1,2,…6)为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功损耗；Q_i(i＝1,2,…6)为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的无功损耗；α_i(i＝1,2,…6)为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功损耗的权重系数；β_i(i＝1,2,…6)为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的无功损耗的权重系数。

人工神经网络结构的选取：根据(1)表达式利用人工神经网络进行确定风电机组等效模型系数的网络结构采用自适应线性神经元(ADALINE)的网络结构形式，网络包括输入向量和输入层神经元两部分，由于有功损耗与无功损耗的表达式相似，两者采用的结构形式也相似，均采用自适应线性神经元即可。(具体网路结构见附图4、附图5)。

将风电机组中偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功、无功损耗作为神经网络模型的输入向量将期望得到的等效有功、无功最优值作为神经网络的期望输出，利用X和作为训练样本对神经网络的权重系数α_i、β_i及阈值b₁、b₂进行学习。当神经网络的实际输出与期望输出误差足够小时，停止训练，输出此时的实际输出值

利用人工神经网络学习进行风电机组等效模型确定的实施按如下步骤进行(实施步骤流程图如附图3所示)：

1)参数初始化。对所有权重系数(有功损耗权重系数α_i(i＝1,2,…6)、无功损耗权重系数β_i(i＝1,2,…6))及阈值b₁、b₂赋以随机任意小值；

2)输入训练样本集。即提供输入矩阵以及期望输出矩阵

3)计算神经网络的实际输出：

其中W为6行*2列的权重系数矩阵，

4)计算神经网络输出单元的实际输出与目标向量之间的误差：

其中，j＝1,2为输出向量的节点号。

5)判断误差值是否满足要求。如果满足，输出等效后的有功损耗P_{EQ_loss}和无功损耗Q_{EQ_loss}的最优值。如果不满足，则执行步骤(6)，直至误差满足要求为止。

6)修正权重系数及阈值。按最小均方误差(Least Mean Square Error,LMS)学习方法对网络的权重系数及阈值进行修正，修正公式如下式所示。

其中，η为学习速率是大于零的增益；k为训练次数，X^T为输入矩阵的转置。

这样即可得到最优化的有功损耗权重系数α_i(i＝1,2,…6)、无功损耗权重系数β_i(i＝1,2,…6)以及等效后的有功损耗P_{EQ_loss}和无功损耗Q_{EQ_loss}的最优值。

系统元件功率损耗计算：

电缆线路无功充电功率的计算：与架空线路相比,大截面、长距离电力电缆线路具有较小的电阻和较大的对地电容效应,电缆线路对地电容的变化直接影响到线路对系统的无功充电功率,充电无功在电网中的流动影响系统无功补偿设备的选取。

电缆充电功率与电缆截面及电压等级有关，不同型号的电缆其充电功率也不相同。电缆截面的大小及型号通过影响线路的对地电容而影响充电功率的大小。

电缆线路无功充电功率：电缆线路的无功充电功率与线路的对地电容成正比，与线路两端节点电压的平方成正比。其计算公式如下所示：

式中，Q_c为电缆充电功率；X_c为电缆容性电抗；为母线相电压；U为母线线电压。

系统模型中各元件参数值的计算：系统中需要计算备用电源的有功和无功功率，备用电源变压器、电缆线路、多路多台风力机组等效模型的有功与无功损耗值。

备用电源有功、无功功率值的计算：根据备用电源出厂时制造商提供的：额定容量、额定有功功率、额定功率因数、效率等参数计算有功和无功功率值。

备用电源变压器有功、无功损耗的计算：备用电源变压器的有功、无功损耗按下面公式计算：

式中：

ΔP_{T_loss}——变压器有功损耗，kW；

P₀——空载损耗，kW；

P_k——短路损耗，kW；

S——变压器的视在功率，kVA。

S_N——变压器的额定容量，kVA；

ΔQ_{T_loss}——变压器无功损耗，kVar；

I₀——空载电流，％；

U_k——短路阻抗百分比，％；

电缆线路无功损耗的计算：由于电缆线路电阻造成的有功损耗比较小，在此进行忽略不计，电缆线路的无功损耗可近似表示为：

式中：

P_{EQ_loss}——电缆线路末端负载的有功功率，即风电机组等效负荷的有功功率，kW；

U_N——电缆线路的额定电压，kV；

B₁₂——电缆线路等效模型电纳；

X₁₂——电缆线路等效模型并联电抗；

风力机等效负荷有功与无功损耗计算：经过人工神经网络训练学习后得到的数值。

并联电抗器参数优化设计：假设补偿前系统较大容性电流I₀对应的功率因数为补偿后系统较小感性电流I₁对应的功率因数为则：

式中，

P_G——柴油发电机的有功功率；

Q_G——柴油发电机的无功功率；

根据公式(9)、(10)可以计算并联电抗器的容量参数Q_K。

Claims (5)

1.一种基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法，其特征在于：所述优化方法包括以下过程：

首先，对抗台风运行时的系统进行整体建模，系统模型包括备用电源、备用电源并联电抗器、备用电源变压器、直埋电缆和多台多路风电机组等效模型；

然后，分别计算模型中系统元件的功率损耗；

最后，根据优化前系统功率因数及优化后拟实现的功率因数确定需要并联的电抗器参数；

所述风电机组的等效模型包括偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器；利用人工神经网络学习的智能策略实现风电机组内部各系统功率损耗权重系数的最优化；

假设风电机组的等效模型的有功损耗为P_{EQ_loss}，无功损耗为Q_{EQ_loss}，其表达式如下式所示：

P_{EQ_loss}＝α₁P₁+α₂P₂+α₂P₃+α₄P₄+α₅P₅+α₆P₆ (1)

Q_{EQ_loss}＝β₁Q₁+β₂Q₂+β₂Q₃+β₄Q₄+β₅Q₅+β₆Q₆

其中，P_i为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功损耗，i＝1,2,…6；Q_i为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的无功损耗，i＝1,2,…6；α_i为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功损耗的权重系数，i＝1,2,…6；β_i为偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的无功损耗的权重系数，i＝1,2,…6；

将风电机组中偏航系统、液压系统、变桨系统、控制柜内风扇、滑环风扇及风电场补偿场用变压器的有功、无功损耗作为神经网络模型的输入向量将期望得到的等效有功、无功最优值作为神经网络的期望输出，利用X和作为训练样本对神经网络的权重系数α_i、β_i及阈值b₁、b₂进行学习，当神经网络的实际输出与期望输出误差足够小时，停止训练，输出此时的实际输出值

2.如权利要求1所述的基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法，其特征在于：计算备用电源的有功和无功功率、计算备用电源变压器的有功和无功损耗、计算电缆线路的充电功率及无功损耗、计算多台多路风电机组等效模型的有功与无功损耗。

3.如权利要求1所述的基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法，其特征在于：利用人工神经网络学习进行风电机组等效模型确定过程按照如下步骤进行：

1)参数初始化：对有功损耗权重系数α_i、无功损耗权重系数β_i及阈值b₁、b₂赋以随机任意小值；

2)输入训练样本集：即提供输入矩阵以及期望输出矩阵

3)计算神经网络的实际输出：

其中W为6行*2列的权重系数矩阵，

4)计算神经网络输出单元的实际输出与目标向量之间的误差：

其中，j＝1,2为输出向量的节点号；

5)判断误差值是否满足要求，如果满足，输出等效后的有功损耗P_{EQ_loss}和无功损耗Q_{EQ_loss}的最优值，如果不满足，则执行步骤6)，直至误差满足要求为止；

6)修正权重系数及阈值，按最小均方误差学习方法对网络的权重系数及阈值进行修正，修正公式如下式所示：

其中，η为学习速率是大于零的增益；k为训练次数，X^T为输入矩阵的转置；

得到最优化的有功损耗权重系数α_i、无功损耗权重系数β_i以及等效后的有功损耗P_{EQ_loss}和无功损耗Q_{EQ_loss}的最优值。

4.如权利要求2所述的基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法，其特征在于：电缆线路无功充电功率的计算：电缆线路的无功充电功率与线路的对地电容成反比，与线路两端节点电压的平方成正比，其计算公式如下所示：

式中，Q_c为电缆充电功率；X_c为电缆容性电抗；为母线相电压；U为母线线电压。

5.如权利要求2所述的基于风电场抗台风运行模式下的备用电源并联电抗器参数优化方法，其特征在于：所述备用电源变压器有功、无功损耗的计算：

式中：

ΔP_{T_loss}——变压器有功损耗，kW；

P₀——空载损耗，kW；

P_k——短路损耗，kW；

S——变压器的视在功率，kVA；

S_N——变压器的额定容量，kVA；

ΔQ_{T_loss}——变压器无功损耗，kVar；

I₀——空载电流，％；

U_k——短路阻抗百分比，％；

电缆线路无功损耗的计算：

式中：

P_{EQ_loss}——风电机组的等效模型的有功损耗，kW；

U_N——电缆线路的额定电压，kV；

B₁₂——电缆线路等效模型电纳；

X₁₂——电缆线路等效模型并联电抗。