CN109063276A - 适用于长时域风速波动的风电场动态等值建模方法 - Google Patents
适用于长时域风速波动的风电场动态等值建模方法 Download PDFInfo
- Publication number
- CN109063276A CN109063276A CN201810765902.2A CN201810765902A CN109063276A CN 109063276 A CN109063276 A CN 109063276A CN 201810765902 A CN201810765902 A CN 201810765902A CN 109063276 A CN109063276 A CN 109063276A
- Authority
- CN
- China
- Prior art keywords
- wind
- power plant
- wind speed
- equivalent
- wind power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 40
- 239000002245 particle Substances 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 7
- 230000005684 electric field Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种适用于长时域风速波动的风电场动态等值建模方法,每经过一个合适的时间段,选取能够反映风速波动特性的聚类指标,采用量子粒子群优化模糊C‑均值聚类算法进行分群聚类,将同群的风电机组用一台风电机组来等值(称为等值机组),并对等值机组的等效输入风速进行实时等值并对其机组性能参数进行参数辨识,然后对风电场集电系统进行等值,从而得到适用于长时域风速波动的风电场动态等值模型。本发明综合考虑了风电场风速随时间的变化特性,采用了聚类精度高且全局搜优能力强的量子粒子群优化模糊C‑均值聚类,可以得较为准确反映真实风电场外部特性的风电场动态等值模型。
Description
技术领域
本发明涉及风电场动态等值技术领域,尤其涉及一种适用于长时域风速波动的风电场动态等值建模方法。
背景技术
风力发电具有可持续和绿色无污染的特点,近年来发展迅速。随着风力发电技术的发展,风力发电机单机容量和风电场的规模都日益扩大,电网中风电的渗透率逐渐增加,风电已成为电网电源的重要组成部分。由于风能具有间歇性和随机性的特点,大规模风电场集中并网,给整个电网带来了安全控制的问题。分析大规模风电场并网运行对电力系统安全稳定性的影响,需要对风电场进行动态建模,得到风电场的动态模型。
风电场的动态建模方法有详细建模方法和等值建模方法两种。详细建模方法通过建立风电场内每一台风电机组的模型、架空线与电缆等组成的集电系统的模型,将它们按照风电场内实际的情况相连接来得到。随着风电场的规模增大,详细建模方法由于过于繁杂的建模过程和过长的时域仿真时间而不再适用。为了减少计算量,节省仿真时间,分析风电场对电力系统的影响,需要对风电场通过等值建模方法进行建模。终上所述,研究风电场动态等值建模方法意义重大。
经过对现有技术文献的检索,发现适用于长时域风速波动动态等值建模方法的研究较为缺乏。文献《风电接入对继电保护的影响》(张保会,李光辉,王进,等.[J].电力自动化设备,2013,33(2):1-7.)提出以短路故障前瞬间双馈风机的转子转速作为机群分群指标,把暂态行为强相关的风机归为同一群,该方案建立的模型不适用于研究风速波动性影响的建模。文献《基于聚类算法的风电场动态等值》(陈树勇,王聪,申洪,等.[J].中国电机工程学报,2012,32(4):11-19.)认为DFIG发生风速扰动或系统侧故障时,机组的控制系统依照机组的13个状态变量的初值与扰动量进行控制,并采用这13个状态变量的初值来反映机组的初始运行点,但该方案在涉及风速波动的长时域动态仿真中误差较大。文献《风电场多机等值建模及其应用研究》(吴琴.[D].华南理工大学,2016.)采用了模糊C-均值聚类算法对风电机组进行分群,此方法产生的分群结果不稳定,且易于陷入局部最优,等值结果误差较大。
不难发现,上述风电场动态等值建模方法的使用范围较为单一,难以用在涉及长时域风速波动性的风电场动态等值建模中,受限的主要原因是模型建立没有充分考虑风速随时间的变化特性,且在风电场机组分群中采用易陷入局部最优的聚类方法,使得动态等值时难以保留风电场完整的动态特性。
发明内容
本发明的目的就是为了解决上述问题,提出了一种适用于长时域风速波动的风电场动态等值建模方法,该方法充分考虑了风电场风速随时间的变化特性,采用了聚类精度高且全局搜优能力强的量子粒子群优化模糊C-均值聚类。以此为基础,提出了适用于长时域风速波动的风电场动态等值建模方法,可以保证动态等值模型在长时间风速波动中对实际风电场运行情况(动态行为)最大程度的真实反映。
本发明采用以下技术方案:
一种适用于长时域风速波动的风电场动态等值建模方法,包括以下步骤:
S1:根据风电场机组分布情况、长时域区间风速波动特性,风电场机组分群原则,确定风电场机组分群指标为风速时间序列;采用量子粒子群优化的模糊C-均值聚类算法对风电场机组进行分群,得到聚类分群结果;
S2:根据所述聚类分群结果,将同群风电机组用一台风电机组来等值(称为等值机组),对等值机组的等效输入风速进行实时等值并对所述等值机组性能参数进行参数辨识;
S3:对风电场内部的集电系统进行等值,得到风电场的动态等值模型,反映风电场的实际运行状况;
S4:经过设定的时间段,返回步骤S2。
所述S1包括以下步骤:
S1.1:通过当前风速采集和未来风速预测得到风电场每一台风力发电机组所处位置的风速时间序列作为机组的分群指标,形成风速时间序列矩阵X;
S1.2:通过改进初始聚类中心的模糊C-均值聚类算法对所述风速时间序列矩阵X进行聚类,得到的聚类中心矩阵C’作为聚类分群的初始值;
S1.3:采用量子粒子群算法在所述聚类分群的初始值的基础上进行全局最优搜索,得到所述聚类分群结果。
所述S1.2包括以下步骤:
S1.2.1:对模糊C-均值聚类算法进行初始化,设置聚类个数为N,模糊指数为m,迭代次数为L,当前迭代次数为k=1;
S1.2.2:通过最大最小距离法选取模糊C-均值算法的初始聚类中心矩阵C;
S1.2.3:计算所述矩阵X中每个聚类列向量与所述初始聚类中心矩阵C中每个聚类列向量之间的欧式距离dij,然后计算所述矩阵X中任意两个聚类列向量之间的欧式距离Dpq,根据所述欧式距离dij和欧式距离Dpq计算所述矩阵X中每个聚类列向量关于聚类中心矩阵C中每个列向量的隶属度uij,根据所述隶属度uij得到所述聚类中心矩阵C’列向量,组成所述聚类中心矩阵C’;
S1.2.4:若迭代次数k<L,则k=k+1,令矩阵C等于C’,返回步骤S1.2.3;若迭代次数k=L,迭代结束,将聚类中心矩阵C’作为聚类分群的初始值。
所述S1.3包括以下步骤:
S1.3.1:对量子粒子群算法进行初始化,以所述聚类分群的初始值为基础,生成在设定范围内随机分布的粒子,粒子个数为nPop,迭代次数L,当前迭代次数k=1;
S1.3.2:对于每个粒子计算对应的价值函数F,然后从粒子群中得到粒子最优pbest和全局最优gbest,计算平均最优mbest和吸引子φi,并对粒子群进行更新;
S1.3.3:若迭代次数k<L,则k=k+1,返回步骤S1.3.2;若迭代次数k=L,迭代结束,gbest即为精确的最终聚类中心,根据所述最终聚类中心求得的精确的最终聚类,得到机组的所述聚类分群结果。
所述机组等效输入风速包括:机组等效功率风速、机组等效运行点风速。
机组等效功率风速用来在等值机组运行时进行风轮输入机械功率的计算;机组等效运行点风速用来在等值机组运行时进行等值机叶尖速比的计算。
所述机组性能参数包括:电机侧额定功率、定子电阻、定子电抗、转子电阻、转子电抗、励磁电抗,电机侧转动惯量、风机侧额定功率、风机侧惯性时间常数、刚度系数和弹性系数。
S3中对风电场内部的集电系统进行等值包括:对变压器的等值、对等效并联电容的等值和对等效串联阻抗的等值。
本发明的有益效果是:
本方法在风电机组分群时充分考虑风电场中风速随时间的波动性,从而建立适用于长时域风速波动的风电场动态等值模型;同时该建模方法采用了全局搜优能力强的量子粒子群优化模糊C-均值聚类方法,以此解决因聚类方法陷入局部最优而产生的等值误差。
本发明在机组分群时兼顾风电场中的风速变化特性,利用改进的聚类方法构建了一个适用于长时域风速波动的风电场动态等值模型,通过与传统方法模型和详细风电场模型在风速波动下的动态特性进行对比,验证了本发明所提方法在等值效果上的准确性和优越性,本发明所提等值方法在分群上更加合理,更能准确反映风电场在并网点处的动态响应特性。本发明所建模型在并网点处动态特性更接近与真实风电场特性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为风电场详细模型示意图
图2为风电场36台双馈风机的输入风速
图3为风电场等值模型示意图
图4为量子粒子群算法局部适应度曲线
图5为风速波动下风电场有功输出曲线
图6为风速波动下风电场无功输出曲线
图7为风速波动下风电场电压输出曲线
图8为用于长时域风速波动的风电场动态等值建模方法流程图
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有技术中存在动态等值时难以保留风电场完整的动态特性的不足,为了解决如上的技术问题,本申请提出了一种适用于长时域风速波动的风电场动态等值建模方法。
本申请的一种典型的实施方式中,如图8所示,本发明适用于长时域风速波动的风电场动态等值建模方法包括以下步骤:
步骤(1):根据风电场机组分群原则、长时域区间风速波动特性、风电场机组分布情况确定风电场机组分群指标:
所述风电场机组分群原则包括:1).计及风速波动性的分群原则:根据风电场风速随时间波动剧烈的特点,机组分群应充分考虑风速随时间变化的特性。2).计及风速受地形地貌等空间因素影响的分群原则:受地形地貌以及尾流效应和时滞效应的影响,同一风电场机组的运行点差异也可能较大,机组分群应充分考虑风速随空间变化的特性。
根据风机的运行特性,风速是决定其机组的运行点的主要因素。风速不仅可以反映风速随时间变化的特性,还能够反映风速随空间变化的特性(地形地貌以及尾流效应和时滞效应的影响)。与此同时风速能够较容易的进行预测。因此,选择风速时间序列作为机组分群指标。
步骤(2)采用量子粒子群优化模糊C-均值聚类对风电场机组进行分群:
首先,通过当前风速采集和未来风速预测得到风电场每一台风力发电机组所处位置的风速时间序列作为机组的分群指标,并将其组成矩阵X满足:
式中:i=1,2,3,…,n,其中n为风电场中双馈风力发电机组的台数;为风电场中第i台机组的运行特征矢量,xi(t)为第i台双馈风力发电机组在第t时刻的输入风速;m为风速时间序列中时间点的个数;
然后,通过改进初始聚类中心的模糊C-均值聚类算法得到聚类分群的初始值,具体步骤如下:
A).模糊C-均值聚类算法初始化,设置聚类个数N,模糊指数m=3,迭代次数L=100当前迭代次数k=1;
B).通过最大最小距离法选取模糊C-均值算法的初始聚类中心,具体步骤如下:
1).在矩阵X中,计算任意两个列向量(和)之间的欧式距离:
2).选取欧式距离最小的两个样本组,记为和这两个样本组的平均值记为
3).在矩阵X中将新列向量替换和形成新的矩阵X
4).若新的矩阵X中剩余列向量个数大于N,返回步骤1).继续计算;若剩余列向量个数等于N,将此时的N个列向量作为模糊C均值的初始聚类中心C,然后将新的矩阵X还原为最大最小距离法之前的状态
C).计算矩阵X中每个列向量与聚类中心矩阵C中每个列向量之间的欧式距离dij,然后计算矩阵X中,任意两个列向量(和)之间的欧式距离Dpq
D).计算矩阵X中每个列向量关于聚类中心矩阵C中每个列向量的隶属度uij
E).计算新的聚类中心列向量,并组成新的聚类中心矩阵C’
F).若迭代次数k<L,k=k+1,令矩阵C等于C’,返回步骤C).;若迭代次数k=L,迭代结束,将聚类中心矩阵C’作为初始聚类结果,即量子粒子群算法的初始值。
最后,采用量子粒子群算法在初始聚类结果的基础上进行全局最优搜索,得到精确的聚类分群结果,具体步骤如下:
A).对量子粒子群算法进行初始化,以改进的模糊C-均值聚类结果为基础,生成在合适范围内随机分布的粒子,粒子个数为nPop,迭代次数L=1000,当前迭代次数k=1,粒子具体生成方法为:
P(i)=C·(rand([-1,1])·λ+1)i=1,2,…,nPop
其中,λ为范围约束系数
B).对于每个粒子P(i),计算其各个列向量关于通过矩阵X中各个列向量的欧式距离duv,然后计算隶属度uuv(i)和对应的价值函数F(i)
C).从粒子群中得到pbest(i)和gbest,具体方法如下:
if k=1
pbest(i)=P(i)
elseif F(i)<pbest(i)
pbest(i)=P(i)
elseif F(i)≥pbest(i)
pbest(i)=pbest(i)
end
F(i*)=min(F(i))i=1,2,…,nPop
gbest=pbest(i*)
D).计算mbest和吸引子φi,对粒子群进行更新,具体方法如下:
φi=θpbesti+(1-θ)gbest
P(i)=φi+β|mbesti-P(i)|ln(1/q) k≥0.5
φi-β|mbesti-P(i)|ln(1/q) k<0.5
E).若迭代次数k<L,k=k+1,返回步骤B).;若迭代次数k=L,迭代结束,gbest即为所求的最终聚类中心。根据求得的最终精确的聚类,得到机组分群结果。
步骤(3)对风电场等值机组输入风速和性能参数进行确定:
将同群风电机组用一台风电机组来等值(称为等值机组);
其具体方法包括对等值机组等效输入风速的实时等值和对等值机组性能参数的参数辨识:
A).对等值机组等效输入风速进行等值,包括机组等效功率风速vj,eq和机组等效运行点风速vj,eq,λ,机组等效运行点风速将用来计算机组等效叶尖速比λj,具体计算方式如下:
B).对等值机组性能参数进行等值,包括电机侧额定功率Si,eq,定子电阻Rsi,eq,定子电抗Xsi,eq,转子电阻RrAi,eq,转子电抗XrAi,eq,励磁电抗Xmi,eq,电机侧转动惯量Ji,eq,风机侧额定功率Pgbasei,eq,风机侧惯性时间常数Hi,eq,刚度系数Ktgi,eq,弹性系数Dtgi,eq,具体计算方式如下:
步骤(4)对风电场内部集电系统进行等值:
风电场内部集电系统等值的具体方法包括对变压器的等值、对等效并联电容的等值和对等效串联阻抗的等值三个部分:
A).对变压器进行等值,即对变压器阻抗进行等值Xi,eq,具体计算方式如下:
B).对等效并联电容的等值,具体计算方式如下:
其中,n为线路段数,L为每段线路的长度,c1为单位长度线路的并联电容。
C).对等效串联阻抗进行等值,具体计算方式如下:
其中,I、和分别为模型出口处电流、等值模型出口复功率和详细模型出口复功率,通过潮流计算来获得。
仿真分析:
为比较等值建模方法的优劣性,在被电网公司和电力企业广泛应用的平台DIgSILENT/PowerFactory中搭建本发明方法建立的模型,传统建模方法建立的模型和被等值风电场的详细模型。
随着风电行业的发展,风电场的规模不断扩大,为使风电场模型与现存的实际风电场更为接近,建立单机容量1.5MW包含36台风机的风力发电场模型。
风电场风机横向共有六排,每排包含六台双馈风力发电机组,机组横向间距1km,纵向间距1.5km,通过机端变压器升压后经电缆连接到风电场集电母线,每段电缆长度为1km。双馈风电机组参数详见表格1,表格2,机端变压器参数详见表格3,电缆线路参数详见表格4。风电场布局如图1所示。
表格1双馈机组的电机参数表
其中,Prate为发电机额定容量,Urate为发电机额定电压,Rs为定子电阻,Xs为定子电抗,RrA为转子电阻,XrA为转子电抗,Xm为励磁电抗。
表格2双馈机组的轴系参数表
其中,H为轴系惯性时间常数,Ktg为刚度系数,Dtg为阻尼系数。
表格3变压器参数表
其中Pn为变压器容量,Transform Ratio为变压器的变比,Short CircuitVoltage为变压器的短路电压百分数。
表格4电缆参数表
其中,r1为电缆的单位长度电阻,x1为电缆的单位长度电抗,c1为电缆的单位长度对地电容。
风电场的机组分群聚类:
为充分反映模型在长时域风速波动下的等值效果,采用计及尾流效应和地形效应的Matlab/SimWindFarm来生成仿真风速,风速时长100秒,风向为北偏东20°。风电场每台风机的输入风速如图2所示。
通过本发明提出的量子粒子群优化模糊C-均值聚类方法对风电场机组进行分群聚类,分群结果如下表所示。量子粒子群优化算法局部适应度曲线如图4所示。
通过传统的模糊C-均值聚类方法对风电场机组进行分群聚类,分群结果如下表所示。
通过机组的参数辨识和集电系统的等值,得到风电场等值模型,等值模型如图3所示。
风速波动下的仿真分析:
为了衡量仿真结果中等值模型与详细模型的最大偏差值,确立仿真最大误差评价指标,指标的计算公式如下:
为了衡量仿真结果中等值模型与详细模型的最大偏差所占的比例,确立仿真最大误差百分数评价指标,指标的计算公式如下:
为了衡量仿真结果中等值模型与详细模型的总体偏差情况,确立仿真误差方差评价指标,指标的计算公式如下:
经过在DIgSILENT/PowerFactory中的仿真,各等值模型在并网点处的有功等值效果如图5所示,无功等值效果如图6所示,母线电压等值效果如图7所示。
并网点处有功功率的最大误差、最大误差百分数和误差方差如表格5所示。
表格5有功误差分析表
并网点处无功功率的最大误差、最大误差百分数和误差方差如表格6所示。
表格6无功误差分析表
并网点处母线电压的最大误差、最大误差百分数和误差方差如表格7所示。
表格7电压误差分析表
从上述等值模型在风速波动情况下的动态特性曲线与误差分析来看,等值效果较好的是本发明提出的适用于长时域风速波动的风电场动态等值方法。由此可看出本发明所提等值方法在分群上更加合理,更能准确反映风电场在并网点处的动态响应特性。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.适用于长时域风速波动的风电场动态等值建模方法,其特征在于,包括以下步骤:
S1:根据风电场机组分布情况、长时域区间风速波动特性和风电场机组分群原则,确定风电场机组分群指标为风速时间序列;采用量子粒子群优化的模糊C-均值聚类算法对风电场机组进行分群,得到聚类分群结果;
S2:根据所述聚类分群结果,对等值机组的等效输入风速进行实时等值并对所述等值机组性能参数进行参数辨识;所述等值机组为同群的风电机组用一台风电机组来等值;
S3:对风电场内部的集电系统进行等值,得到风电场的动态等值模型;
S4:经过设定的时间段,返回步骤S2。
2.如权利要求1所述适用于长时域风速波动的风电场动态等值建模方法,其特征在于,所述S1包括以下步骤:
S1.1:通过当前风速采集和未来风速预测得到风电场每一台风力发电机组所处位置的风速时间序列作为机组的分群指标,形成矩阵X;
S1.2:通过改进初始聚类中心的模糊C-均值聚类算法对所述矩阵X进行聚类,得到的聚类中心矩阵C’作为聚类分群的初始值;
S1.3:采用量子粒子群算法在所述聚类分群的初始值的基础上进行全局最优搜索,得到所述聚类分群结果。
3.如权利要求2所述适用于长时域风速波动的风电场动态等值建模方法,其特征在于,所述S1.2包括以下步骤:
S1.2.1:对模糊C-均值聚类算法进行初始化,设置聚类个数为N,模糊指数为m,迭代次数为L,当前迭代次数为k=1;
S1.2.2:通过最大最小距离法选取模糊C-均值算法的初始聚类中心矩阵C;
S1.2.3:计算所述矩阵X中每个聚类列向量与所述初始聚类中心矩阵C中每个聚类列向量之间的欧式距离dij,然后计算所述矩阵X中任意两个聚类列向量之间的欧式距离Dpq,根据所述欧式距离dij和欧式距离Dpq计算所述矩阵X中每个聚类列向量关于聚类中心矩阵C中每个列向量的隶属度uij,根据所述隶属度uij得到所述聚类中心矩阵C’列向量,组成所述聚类中心矩阵C’;
S1.2.4:若迭代次数k<L,则k=k+1,令矩阵C等于C’,返回步骤S1.2.3;若迭代次数k=L,迭代结束,将聚类中心矩阵C’作为聚类分群的初始值。
4.如权利要求2所述适用于长时域风速波动的风电场动态等值建模方法,其特征在于,所述S1.3包括以下步骤:
S1.3.1:对量子粒子群算法进行初始化,以所述聚类分群的初始值为基础,生成在设定的范围内随机分布的粒子,粒子个数为nPop,迭代次数L,当前迭代次数k=1;
S1.3.2:对于每个粒子计算对应的价值函数F,然后从粒子群中得到粒子最优pbest和全局最优gbest,计算平均最优mbest和吸引子φi,并对粒子群进行更新;
S1.3.3:若迭代次数k<L,则k=k+1,返回步骤S1.3.2;若迭代次数k=L,迭代结束,gbest即为最终聚类中心,根据所述最终聚类中心求得的最终聚类,得到机组的所述聚类分群结果。
5.如权利要求1所述适用于长时域风速波动的风电场动态等值建模方法,其特征在于,S2中所述等效输入风速包括:机组等效功率风速、机组等效运行点风速,所述机组等效功率风速用来在等值机组运行时进行风轮输入机械功率的计算,机组等效运行点风速用来在等值机组运行时进行等值机叶尖速比的计算。
6.如权利要求1所述适用于长时域风速波动的风电场动态等值建模方法,其特征在于,S2中所述机组性能参数包括:电机侧额定功率、定子电阻、定子电抗、转子电阻、转子电抗、励磁电抗,电机侧转动惯量、风机侧额定功率、风机侧惯性时间常数、刚度系数和弹性系数。
7.如权利要求1所述适用于长时域风速波动的风电场动态等值建模方法,其特征在于,S3中对风电场内部的集电系统进行等值包括:对变压器的等值、对等效并联电容的等值和对等效串联阻抗的等值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810765902.2A CN109063276B (zh) | 2018-07-12 | 2018-07-12 | 适用于长时域风速波动的风电场动态等值建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810765902.2A CN109063276B (zh) | 2018-07-12 | 2018-07-12 | 适用于长时域风速波动的风电场动态等值建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063276A true CN109063276A (zh) | 2018-12-21 |
CN109063276B CN109063276B (zh) | 2022-09-30 |
Family
ID=64816178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810765902.2A Expired - Fee Related CN109063276B (zh) | 2018-07-12 | 2018-07-12 | 适用于长时域风速波动的风电场动态等值建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063276B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109443367A (zh) * | 2018-12-27 | 2019-03-08 | 合肥工业大学 | 一种基于均值聚类随机粒子群算法的rfid定位方法 |
CN109657380A (zh) * | 2018-12-26 | 2019-04-19 | 华北电力大学 | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 |
CN110571794A (zh) * | 2019-08-26 | 2019-12-13 | 国家电网公司东北分部 | 一种适用于双馈风机风电场的暂态模型等值计算方法 |
CN111612056A (zh) * | 2020-05-16 | 2020-09-01 | 青岛鼎信通讯股份有限公司 | 一种基于模糊聚类和过零偏移的低压户变关系识别方法 |
CN112531725A (zh) * | 2020-11-10 | 2021-03-19 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
CN112581315A (zh) * | 2020-12-25 | 2021-03-30 | 东北电力大学 | 一种基于极端梯度动态密度聚类的风电场内分群方法 |
CN112886586A (zh) * | 2021-03-10 | 2021-06-01 | 东北电力大学 | 一种用于双馈风电场等值模型功率恢复控制参数优化方法 |
CN113111798A (zh) * | 2021-04-19 | 2021-07-13 | 湖南科技大学 | 一种风力发电机多维时序数据在线分割方法 |
CN113255227A (zh) * | 2021-06-03 | 2021-08-13 | 龙源(北京)风电工程技术有限公司 | 一种基于改进fcm聚类算法的风电场等值建模方法 |
CN117595306A (zh) * | 2023-11-25 | 2024-02-23 | 山东大学 | 一种考虑风电场风速时空分布差异的调频能量评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831474A (zh) * | 2012-08-06 | 2012-12-19 | 江南大学 | 基于量子粒子群优化改进的模糊c-均值聚类方法 |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
CN104036073A (zh) * | 2014-05-23 | 2014-09-10 | 电子科技大学 | 适于有功功率特性分析的双馈风电场动态等值建模方法 |
-
2018
- 2018-07-12 CN CN201810765902.2A patent/CN109063276B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831474A (zh) * | 2012-08-06 | 2012-12-19 | 江南大学 | 基于量子粒子群优化改进的模糊c-均值聚类方法 |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
CN104036073A (zh) * | 2014-05-23 | 2014-09-10 | 电子科技大学 | 适于有功功率特性分析的双馈风电场动态等值建模方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657380A (zh) * | 2018-12-26 | 2019-04-19 | 华北电力大学 | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 |
CN109443367B (zh) * | 2018-12-27 | 2022-03-15 | 合肥工业大学 | 一种基于均值聚类随机粒子群算法的rfid定位方法 |
CN109443367A (zh) * | 2018-12-27 | 2019-03-08 | 合肥工业大学 | 一种基于均值聚类随机粒子群算法的rfid定位方法 |
CN110571794A (zh) * | 2019-08-26 | 2019-12-13 | 国家电网公司东北分部 | 一种适用于双馈风机风电场的暂态模型等值计算方法 |
CN110571794B (zh) * | 2019-08-26 | 2023-07-25 | 国家电网公司东北分部 | 一种适用于双馈风机风电场的暂态模型等值计算方法 |
CN111612056A (zh) * | 2020-05-16 | 2020-09-01 | 青岛鼎信通讯股份有限公司 | 一种基于模糊聚类和过零偏移的低压户变关系识别方法 |
CN111612056B (zh) * | 2020-05-16 | 2023-06-02 | 青岛鼎信通讯股份有限公司 | 一种基于模糊聚类和过零偏移的低压户变关系识别方法 |
CN112531725B (zh) * | 2020-11-10 | 2022-09-30 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
CN112531725A (zh) * | 2020-11-10 | 2021-03-19 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
CN112581315A (zh) * | 2020-12-25 | 2021-03-30 | 东北电力大学 | 一种基于极端梯度动态密度聚类的风电场内分群方法 |
CN112886586A (zh) * | 2021-03-10 | 2021-06-01 | 东北电力大学 | 一种用于双馈风电场等值模型功率恢复控制参数优化方法 |
CN113111798A (zh) * | 2021-04-19 | 2021-07-13 | 湖南科技大学 | 一种风力发电机多维时序数据在线分割方法 |
CN113255227A (zh) * | 2021-06-03 | 2021-08-13 | 龙源(北京)风电工程技术有限公司 | 一种基于改进fcm聚类算法的风电场等值建模方法 |
CN117595306A (zh) * | 2023-11-25 | 2024-02-23 | 山东大学 | 一种考虑风电场风速时空分布差异的调频能量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109063276B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063276A (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
Wu et al. | Optimization of the wind turbine layout and transmission system planning for a large-scale offshore windfarm by AI technology | |
CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
CN106684905B (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
Hayes et al. | Equivalent power curve model of a wind farm based on field measurement data | |
CN103093027B (zh) | 基于双馈风电场等值模型的电力系统分析方法 | |
Zhu et al. | A prediction model for wind farm power generation based on fuzzy modeling | |
Shetty et al. | Comparison of modeling methods for wind power prediction: a critical study | |
CN103440405A (zh) | 基于实测数据的风电场稳态建模方法及系统 | |
CN111881572A (zh) | 一种基于多目标优化的风电场协同偏航智能控制方法 | |
CN103219725A (zh) | 一种基于实时运行数据的风电场等值建模方法 | |
CN110808608A (zh) | 规模化新能源参与受端电网调频调压能力评估方法及系统 | |
Tian et al. | Active power dispatch method for a wind farm central controller considering wake effect | |
Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
Kim et al. | Maximum power point tracking of a wind power plant with predictive gradient ascent method | |
Liu et al. | Optimal short-term load dispatch strategy in wind farm | |
Japar et al. | Estimating the wake losses in large wind farms: A machine learning approach | |
Wu et al. | Development of an equivalent wind farm model for frequency regulation | |
CN103996072B (zh) | 一种风电场和风电区域的风电功率预测方法及系统 | |
CN105576654A (zh) | 直驱风电场等值方法和系统 | |
Kirchner-Bossi et al. | Wind farm power density optimization according to the area size using a novel self-adaptive genetic algorithm | |
CN111460596B (zh) | 一种风电场多机等值下等值机参数的分步获取方法 | |
CN109816261A (zh) | 海上半直驱式风电场等值方法、系统和装置 | |
Li et al. | Wind power forecasting based on time series and neural network |
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 | ||
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: 20220930 |