CN108847679A - 风力发电机组及用于其的次同步振荡识别方法、装置及系统 - Google Patents
风力发电机组及用于其的次同步振荡识别方法、装置及系统 Download PDFInfo
- Publication number
- CN108847679A CN108847679A CN201810887070.1A CN201810887070A CN108847679A CN 108847679 A CN108847679 A CN 108847679A CN 201810887070 A CN201810887070 A CN 201810887070A CN 108847679 A CN108847679 A CN 108847679A
- Authority
- CN
- China
- Prior art keywords
- information
- generating set
- wind power
- power generating
- sub
- 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.)
- Granted
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract 1
- 230000002265 prevention Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000012846 protein folding Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- 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
-
- H02J3/386—
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Power Engineering (AREA)
- Control Of Eletrric Generators (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风力发电机组及用于其的次同步振荡识别方法、装置及系统，该方法包括：将各历史时间点的电网并网点的电压与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至分类器模型，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的分类器模型；将实时的电网并网点的电压信息与电流信息、无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及短路比信息作为训练好的所述分类器模型的输入，识别得到的次同步振荡信息。实施本发明能识别次同步振荡信息，以便于根据识别结果进行相应的控制策略，进行风力发电机组的风险防控。
Description
技术领域
本发明涉及风力发电机领域，特别涉及一种用于风力发电机组的次同步振荡识别方法、装置及系统与风力发电机组。
背景技术
随着社会经济的发展，电力资源已经成为人们生活的必需品。除了传统的火力发电和水力发电等方式之外，新兴的风力发电和核发电等方式也发挥重要的作用。由于风力发电具有清洁、可再生、不破坏地理环境等优点，其应用越来越广泛。然而，由于风力具有不稳定的特性，所以对风力发电的控制也尤为关键。
随着风电大规模汇集接入电网和电力的远距离输送，国内外学者开始研究与风电相关的功率振荡问题的机理。近几年一些功率振荡事件的发生，引起了研究人员的广泛关注。如：2009年10月美国德克萨斯州一处风电场发生了串补引起次同步振荡造成风电场大量机组跳闸和撬棒电路损坏；哈密南—郑州±800千伏特高压直流输电工程投运后，2015年7月新疆哈密地区发生了次同步谐振，造成火电机组保护动作跳闸，分析认为此次振荡与风电也有密切的关联；甘肃、山西、内蒙古风电汇集地区发生的风电场内功率振荡事件，造成场内大量风机脱网。
目前对电网次同步振荡的监测已经有一些专利文献，比如公开号为CN206960577U公开了一种风电次同步振荡的监测与抑制系统，包括输入监测模块、预处理电路模块、处理模块、远程监控模块与抑制振荡执行模块。输入监测模块包括电压传感器和频率传感器等各个传感器，预处理电路模块包括信号放大电路、滤波电路和数模转换电路，处理模块包括处理服务器、存储服务器和预警单元，远程监控模块包括远程处理服务器和远程存储服务器等，抑制振荡执行模块包括附加阻尼控制器、串联型FACTS装置、桨距角控制器、执行装置和补偿抑制电路。通过各个传感器采集各个量的变化，处理服务器能够分析各个传感器采集的数据，判断出是否发生次同步振荡，如果发生了次同步振荡，则系统可以通过抑制振荡的执行模块来有效的抑制风力发电机组的次同步振荡。
然而上述次同步振荡的识别都是依靠单个时间节点的数据，预测精度严重依赖单个时间节点数据对象的选择，以及数据的感测精度。因此，亟待提出一种用于风力发电机组的次同步振荡识别方法、装置及系统，其能提高次同步振荡的识别精度。
发明内容
有鉴于此，本发明旨在提供一种用于风力发电机组的次同步振荡识别方法、装置及系统与风力发电机组，以提高次同步振荡的识别精度。
具体而言，本发明提供一种用于风力发电机组的次同步振荡识别方法，包括步骤：将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息。
进一步地，所述并网点的电压信息与电流信息包括：所述并网点的电压与电流的幅值信息以及频率信息；所述风力发电机组直流侧的电压信息与电流信息包括风力发电机组直流母线的电压与电流的幅值信息；所述分类器模型的输入还包括风力发电机组的有功功率信息。
进一步地，所述分类器模型为基于遗传算法优化的ET-KNN分类器模型；所述将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型的步骤包括：
利用遗传算法产生多个个体，作为初始群体，所述初始种群的每个个体作为ET–KNN中的参数向量；
对应具有每个参数向量的ET–KNN，将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至ET–KNN，通过ET–KNN预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到具有每个参数向量的ET–KNN的分类精度；
用分类精度作为评价每个个体的适应度，进行优化迭代计算，直到所有个体都排在第一位，遗传算法达到全局最优，同时ET-KNN分类器模型的分类精度达到收敛，遗传算法达到全局最优的个体作为ET–KNN中的最优参数向量，确定得到训练好的用于次同步振荡识别的分类器模型。
另一方面，本发明提供一种用于风力发电机组的次同步振荡识别装置，包括：
模型训练模块，用于将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；
模型预测模块，用于将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息。
进一步地，所述并网点的电压信息与电流信息包括：所述并网点的电压与电流的幅值信息以及频率信息；所述风力发电机组直流侧的电压信息与电流信息包括风力发电机组直流母线的电压与电流的幅值信息；
所述分类器模型的输入还包括风力发电机组的有功功率信息。
进一步地，所述分类器模型为基于遗传算法优化的ET-KNN分类器模型；
所述模型训练模块，用于利用遗传算法产生多个个体，作为初始群体，所述初始种群的每个个体作为ET–KNN中的参数向量；对应具有每个参数向量的ET–KNN，将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至ET–KNN，通过ET–KNN预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到具有每个参数向量的ET–KNN的分类精度；用分类精度作为评价每个个体的适应度，进行优化迭代计算，直到所有个体都排在第一位，遗传算法达到全局最优，同时ET-KNN分类器模型的分类精度达到收敛，遗传算法达到全局最优的个体作为ET–KNN中的最优参数向量，确定得到训练好的用于次同步振荡识别的分类器模型。
进一步地，所述次同步振荡识别装置设置在风力发电机组的主控制器中。
又一方面，本发明提供一种用于风力发电机组的次同步振荡识别系统，设置有所述的用于风力发电机组的次同步振荡识别装置。
进一步地，所述次同步振荡识别系统还设置有电流传感器以及电压传感器，所述电流传感器设置在并网点，用于感测并网点的电流信息；所述电压传感器设置在并网点，用于感测并网点的电压信息。
再一方面，本发明提供一种风力发电机组，设置上述的用于风力发电机组的次同步振荡识别系统。
本发明的用于风力发电机组的次同步振荡识别方法、装置及系统，通过将历史多个时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为分类器模型的输入，比较分类器模型的输出与对应时间点的次同步振荡信息，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；进而将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息；由于利用了历史多个时间点的样本去训练使得分类器的分类精度达到收敛，训练好的分类器的参数选择由历史多个时间点的样本确定，进而利用该分类精度收敛的分类器进行次同步振荡识别，相比利用单个时间点的样本进行次同步振荡识别而言，能提高识别精度。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用于风力发电机组的次同步振荡识别方法的流程示意图；
图2为本发明实施例提供的一种风力发电机组低电压穿越控制装置的结构框图；
图3为明实施例提供的一种风力发电机组低电压穿越控制系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
下面结合附图详细说明本发明实施涉及的风力发电机组高电压穿越控制方法、装置及系统。
参见图1所示，本发明实施例提供的一种用于风力发电机组的次同步振荡识别方法包括步骤：
第一步：将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；
第二步：将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息。
进一步地，所述并网点的电压信息与电流信息包括：所述并网点的电压与电流的幅值信息以及频率信息；所述风力发电机组直流侧的电压信息与电流信息包括风力发电机组直流母线的电压与电流的幅值信息；所述分类器模型的输入还包括风力发电机组的有功功率信息。
进一步地，所述分类器模型为基于遗传算法优化的ET-KNN分类器模型。
所述将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型的步骤包括：
首先，利用遗传算法产生多个个体，作为初始群体，所述初始种群的每个个体作为ET–KNN中的参数向量；
其次，对于具有每个参数向量的ET–KNN(对于ET-KNN的算法，以及通过遗传算法的个体作为ET-KNN的参数，具体可以参见论文《一种高效集成分类器及其在蛋白质折叠识别中的应用研究》中的记载)，将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至ET–KNN，通过ET–KNN预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数(该ET–KNN输出值如果与对应历史时间点的实测次同步振荡信息一样，则预测正确，否则预测错误)。这样对于具有每个个体的ET–KNN，可以得到对于每个样本的预测结果，对于每个遗传算法的个体，将预测正确的样本数除以各历史时间点的总样本数计算得到具有每个参数向量的ET–KNN的分类精度。对于各个个体，遍历所有的训练样本，得到预测错误的样本数量和预测正确的样本数量，比如总样本为100，对于将某一个体作为参数向量的ET–KNN，预测正确的样本数量为60，则预测(分类)精度为60％。再次，用分类精度作为评价每个个体的适应度，进行优化迭代计算，直到所有个体都排在第一位(也就是说每个样本的预测精度都达到最优)，遗传算法达到全局最优，同时ET-KNN分类器模型的分类精度达到收敛，遗传算法达到全局最优的个体作为ET–KNN中的最优参数向量，确定基于该最优参数向量的ET–KNN模型为训练好的用于次同步振荡识别的分类器模型。进而依据该训练好的分类器模型对实时的各样本进行识别分析，得到实时的识别得到的次同步振荡信息(详见上述“第二步”中的记载说明)。
本实施例通过将历史多个时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为分类器模型的输入，比较分类器模型的输出与对应时间点的次同步振荡信息，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；进而将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息；由于利用了历史多个时间点的样本去训练使得分类器的分类精度达到收敛，训练好的分类器的参数选择由历史多个时间点的样本确定，进而利用该分类精度收敛的分类器进行次同步振荡识别，相比利用单个时间点的样本进行次同步振荡识别而言，能提高识别精度。
参见图2所示，本发明实施例提供的一种风力发电机组的次同步振荡识别装置200，图1所示的方法的解释说明可以应用于本实施例，风力发电机组的次同步振荡识别装置200包括：模型训练模块201，用于将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；
模型预测模块203，用于将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息。
进一步地，所述并网点的电压信息与电流信息包括：所述并网点的电压与电流的幅值信息以及频率信息；所述风力发电机组直流侧的电压信息与电流信息包括风力发电机组直流母线的电压与电流的幅值信息；
所述分类器模型的输入还包括风力发电机组的有功功率信息。
进一步地，所述分类器模型为基于遗传算法优化的ET-KNN分类器模型；
所述模型训练模块201，用于利用遗传算法产生多个个体，作为初始群体，所述初始种群的每个个体作为ET–KNN中的参数向量；对应具有每个参数向量的ET–KNN，将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至ET–KNN，通过ET–KNN预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到具有每个参数向量的ET–KNN的分类精度；用分类精度作为评价每个个体的适应度，进行优化迭代计算，直到所有个体都排在第一位，遗传算法达到全局最优，同时ET-KNN分类器模型的分类精度达到收敛，遗传算法达到全局最优的个体作为ET–KNN中的最优参数向量，确定得到训练好的用于次同步振荡识别的分类器模型。
进一步地，所述次同步振荡识别装置设置在风力发电机组的主控制器中。
本实施例通过将历史多个时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为分类器模型的输入，比较分类器模型的输出与对应时间点的次同步振荡信息，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；进而将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息；由于利用了历史多个时间点的样本去训练使得分类器的分类精度达到收敛，训练好的分类器的参数选择由历史多个时间点的样本确定，进而利用该分类精度收敛的分类器进行次同步振荡识别，相比利用单个时间点的样本进行次同步振荡识别而言，能提高识别精度。参见图3所示，本发明实施例提供的一种用于风力发电机组的次同步振荡识别系统，图1所示的方法及图2所示的装置的解释说明均可以应用于本实施例，风力发电机组的次同步振荡识别系统300包括：设置上述的用于风力发电机组的次同步振荡识别装置200。
进一步地，所述次同步振荡识别系统还设置有电流传感器301以及电压传感器303，所述电流传感器301设置在并网点，用于感测并网点的电流信息；所述电压传感器303设置在并网点，用于感测并网点的电压信息。
此外，本发明实施例还提供一种风力发电机组，其设置有上述的用于风力发电机组的次同步振荡识别系统。
本实施例通过将历史多个时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为分类器模型的输入，比较分类器模型的输出与对应时间点的次同步振荡信息，计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；进而将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息；由于利用了历史多个时间点的样本去训练使得分类器的分类精度达到收敛，训练好的分类器的参数选择由历史多个时间点的样本确定，进而利用该分类精度收敛的分类器进行次同步振荡识别，相比利用单个时间点的样本进行次同步振荡识别而言，能提高识别精度。
本领域普通技术人员可以理解，实现上述实施例的全部或者部分步骤/单元/模块可以通过程序指令相关的硬件来完成，前述程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述实施例各单元中对应的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光碟等各种可以存储程序代码的介质。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于风力发电机组的次同步振荡识别方法，其特征在于，所述方法包括步骤：
将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；
将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息。
2.如权利要求1所述的用于风力发电机组的次同步振荡识别方法，其特征在于，所述并网点的电压信息与电流信息包括：所述并网点的电压与电流的幅值信息以及频率信息；所述风力发电机组直流侧的电压信息与电流信息包括风力发电机组直流母线的电压与电流的幅值信息；
所述分类器模型的输入还包括风力发电机组的有功功率信息。
3.如权利要求2所述的用于风力发电机组的次同步振荡识别方法，其特征在于，所述分类器模型为基于遗传算法优化的ET-KNN分类器模型；
所述将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型的步骤包括：
利用遗传算法产生多个个体，作为初始群体，所述初始种群的每个个体作为ET–KNN中的参数向量；
对应具有每个参数向量的ET–KNN，将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至ET–KNN，通过ET–KNN预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到具有每个参数向量的ET–KNN的分类精度；
用分类精度作为评价每个个体的适应度，进行优化迭代计算，直到所有个体都排在第一位，遗传算法达到全局最优，同时ET-KNN分类器模型的分类精度达到收敛，遗传算法达到全局最优的个体作为ET–KNN中的最优参数向量，确定得到训练好的用于次同步振荡识别的分类器模型。
4.一种用于风力发电机组的次同步振荡识别装置，其特征在于，包括：
模型训练模块，用于将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至预设的分类器模型，通过分类器模型预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到分类器模型的分类精度；在分类精度达到收敛时，确定得到训练好的用于次同步振荡识别的分类器模型；
模型预测模块，用于将实时的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为训练好的所述分类器模型的输入，得到训练好的所述分类器模型的输出，作为识别得到的次同步振荡信息。
5.如权利要求4所述的用于风力发电机组的次同步振荡识别装置，其特征在于，所述并网点的电压信息与电流信息包括：所述并网点的电压与电流的幅值信息以及频率信息；所述风力发电机组直流侧的电压信息与电流信息包括风力发电机组直流母线的电压与电流的幅值信息；
所述分类器模型的输入还包括风力发电机组的有功功率信息。
6.如权利要求5所述的用于风力发电机组的次同步振荡识别装置，其特征在于，所述分类器模型为基于遗传算法优化的ET-KNN分类器模型；
所述模型训练模块，用于利用遗传算法产生多个个体，作为初始群体，所述初始种群的每个个体作为ET–KNN中的参数向量；对应具有每个参数向量的ET–KNN，将各历史时间点的电网并网点的电压信息与电流信息、风力发电机组的无功功率信息、风力发电机组直流侧的电压信息与电流信息、以及风力发电机组的短路比信息作为输入样本，输入至ET–KNN，通过ET–KNN预测得到同一时间点的次同步振荡信息，比较预测得到的次同步振荡信息与对应时间点的实测次同步振荡信息，得到预测正确及错误的样本数，将预测正确的样本数除以各历史时间点的总样本数计算得到具有每个参数向量的ET–KNN的分类精度；用分类精度作为评价每个个体的适应度，进行优化迭代计算，直到所有个体都排在第一位，遗传算法达到全局最优，同时ET-KNN分类器模型的分类精度达到收敛，遗传算法达到全局最优的个体作为ET–KNN中的最优参数向量，确定得到训练好的用于次同步振荡识别的分类器模型。
7.如权利要求6所述的用于风力发电机组的次同步振荡识别装置，其特征在于，所述次同步振荡识别装置设置在风力发电机组的主控制器中。
8.一种用于风力发电机组的次同步振荡识别系统，其特征在于，设置有权利要求4-7中任一项所述的用于风力发电机组的次同步振荡识别装置。
9.如权利要求8所述的用于风力发电机组的次同步振荡识别系统，其特征在于，所述次同步振荡识别系统还设置有电流传感器以及电压传感器，所述电流传感器设置在并网点，用于感测并网点的电流信息；所述电压传感器设置在并网点，用于感测并网点的电压信息。
10.一种风力发电机组，其特征在于，设置有权利要求8或9所述的用于风力发电机组的次同步振荡识别系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810887070.1A CN108847679B (zh) | 2018-08-06 | 2018-08-06 | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810887070.1A CN108847679B (zh) | 2018-08-06 | 2018-08-06 | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108847679A true CN108847679A (zh) | 2018-11-20 |
| CN108847679B CN108847679B (zh) | 2022-04-26 |
Family
ID=64192713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810887070.1A Active CN108847679B (zh) | 2018-08-06 | 2018-08-06 | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108847679B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109783959A (zh) * | 2019-01-23 | 2019-05-21 | 保定市博宏高科控制技术有限公司 | 基于阀门的联合多模型仿真平台及方法 |
| CN112114164A (zh) * | 2020-09-23 | 2020-12-22 | 中国矿业大学(北京) | 一种硅微谐振式加速度计非线性振动确定方法 |
| CN112653126A (zh) * | 2020-11-30 | 2021-04-13 | 中南大学 | 一种电网宽频带振荡在线辨识方法和系统 |
| CN114071357A (zh) * | 2021-12-02 | 2022-02-18 | 四川虹美智能科技有限公司 | 基于uwb技术的智能家居设备控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231144A (zh) * | 2011-06-03 | 2011-11-02 | 中国电力科学研究院 | 一种基于Boosting算法的配电网理论线损预测方法 |
| CN103136587A (zh) * | 2013-03-07 | 2013-06-05 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
| CN103927598A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自学习径向基核函数的光伏发电功率预测方法 |
| CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
| CN106067066A (zh) * | 2016-05-31 | 2016-11-02 | 西安工程大学 | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 |
-
2018
- 2018-08-06 CN CN201810887070.1A patent/CN108847679B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231144A (zh) * | 2011-06-03 | 2011-11-02 | 中国电力科学研究院 | 一种基于Boosting算法的配电网理论线损预测方法 |
| CN103136587A (zh) * | 2013-03-07 | 2013-06-05 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
| CN103927598A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自学习径向基核函数的光伏发电功率预测方法 |
| CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
| CN106067066A (zh) * | 2016-05-31 | 2016-11-02 | 西安工程大学 | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109783959A (zh) * | 2019-01-23 | 2019-05-21 | 保定市博宏高科控制技术有限公司 | 基于阀门的联合多模型仿真平台及方法 |
| CN109783959B (zh) * | 2019-01-23 | 2023-10-10 | 保定市博宏高科控制技术有限公司 | 基于阀门的联合多模型仿真平台及方法 |
| CN112114164A (zh) * | 2020-09-23 | 2020-12-22 | 中国矿业大学(北京) | 一种硅微谐振式加速度计非线性振动确定方法 |
| CN112114164B (zh) * | 2020-09-23 | 2021-12-14 | 中国矿业大学(北京) | 一种硅微谐振式加速度计非线性振动确定方法 |
| CN112653126A (zh) * | 2020-11-30 | 2021-04-13 | 中南大学 | 一种电网宽频带振荡在线辨识方法和系统 |
| CN114071357A (zh) * | 2021-12-02 | 2022-02-18 | 四川虹美智能科技有限公司 | 基于uwb技术的智能家居设备控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108847679B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
| CN108847679A (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
| Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
| Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
| Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
| Zhao et al. | Cyber-resilient multi-energy management for complex systems | |
| CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
| CN107704992A (zh) | 输电线路雷击风险评估的方法及装置 | |
| CN105406461B (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
| TWI540533B (zh) | 智慧型短期電力發電量預測方法 | |
| CN111563682A (zh) | 一种配电自动化设备测试评价方法 | |
| CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 | |
| JP2016054584A (ja) | 系統安定度監視装置および系統安定度監視システム | |
| Hartmann et al. | Coupling sensor-based structural health monitoring with finite element model updating for probabilistic lifetime estimation of wind energy converter structures | |
| CN107437135A (zh) | 一种新型储能选型方法 | |
| CN105425611B (zh) | 一种水轮发电机组励磁系统参数辨识方法 | |
| CN118232343B (zh) | 基于风能预测的充放电动态控制方法及系统 | |
| Xie et al. | Massively digitized power grid: opportunities and challenges of use-inspired AI | |
| Khediri et al. | Deep-belief network based prediction model for power outage in smart grid | |
| CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
| Banerjee et al. | Data-driven static load model parameter estimation with confidence factor | |
| CN116663889A (zh) | 一种基于改进高斯模型的新型电力系统风险评估方法 | |
| Domínguez et al. | Analysis of electric power consumption using Self-Organizing Maps. | |
| CN115853722A (zh) | 基于特征选择和stacking模型融合的风电机组故障诊断方法 | |
| Cheng et al. | Dynamic parameter identification of generators for smart grid development |
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 |