CN109149638B - 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统 - Google Patents

基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统 Download PDF

Info

Publication number
CN109149638B
CN109149638B CN201811080458.7A CN201811080458A CN109149638B CN 109149638 B CN109149638 B CN 109149638B CN 201811080458 A CN201811080458 A CN 201811080458A CN 109149638 B CN109149638 B CN 109149638B
Authority
CN
China
Prior art keywords
voltage
power plant
wind power
reactive
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.)
Active
Application number
CN201811080458.7A
Other languages
English (en)
Other versions
CN109149638A (zh
Inventor
高厚磊
郭一飞
邹贵彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Shandong University
State Grid Shanghai Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University, State Grid Shanghai Electric Power Co Ltd filed Critical Shandong University
Priority to CN201811080458.7A priority Critical patent/CN109149638B/zh
Publication of CN109149638A publication Critical patent/CN109149638A/zh
Application granted granted Critical
Publication of CN109149638B publication Critical patent/CN109149638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种基于MPC和ADMM算法的VSC‑HVDC并网风电场分布式协调电压控制方法及系统，包括：获取系统运行状态信息，计算电压灵敏度系数，建立风电场侧换流器预测模型，风电机组的无功线性化控制预测模型以及整个系统的线性化状态空间模型；以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，建立基于MPC的VSC‑HVDC并网风电场协调电压控制的最优化数学模型；对上述最优化数学模型进行求解。本发明将大规模带约束优化问题拆解为无约束的优化问题以及多个并行的小规模带约束优化问题，减小了中央控制器的计算负担，更加适用于大规模海上风电场的优化控制。

Description

基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压 控制方法及系统
技术领域
本发明属于电力系统运行控制领域，具体涉及一种基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法及系统。
背景技术
风力发电是新能源技术中最成熟、最具规模化商业开发前景的发电方式之一。其中，海上风力发电代表风电技术的前沿和制高点，将成为未来风电市场的发展重心。基于电压源型换流器的柔性直流输电技术(VSC-HVDC)发展迅速，其优势在于占地面积小，模块化结构易于建设施工，控制方式灵活，不存在换相失败问题，不受输送距离限制，有效隔离交流系统故障，具备黑启动能力，并易于构成多端直流系统等，现已成为海上风电场并网的主流技术方式。
海上风电场的规模不断扩大，风电机组数量的不断增多，其对电力系统的影响日趋显著，风电场的安全稳定运行对整个电力系统的安全运行有重要意义。其中，大规模风电场的电压稳定控制有利于避免大规模风机脱网事故的发生，减小风电并网对传统电力系统的冲击，提高能源的利用率。
由于系统结构和的差异，与传统交流并网风电场电压控制方法不同，基于VSC-HVDC并网风电场的控制的主要目标为稳定风电机组的机端电压，防止风电机组因机端电压过高或过低被切除。
随着海上风电场的规模不断扩大，传统集中式控制的计算负担大大增加，其可扩展性较差。因此，适用于大规模海上风电场控制的分布式控制方法亟待发展。近些年来，随着人工智能、机器学习的高速发展，分布式优化、并行计算等领域得到大力推动，这为风电场实时分布式优化控制奠定了基础。
发明内容
为了解决背景技术中指出的传统集中式控制的计算负担大大增加的问题，本发明公开了一种基于模型预测控制(MPC)和交替乘子算法(ADMM)的VSC-HVDC并网风电场分布式协调电压控制方法及系统，充分发挥风电场侧换流器(WFVSC)和风电机组的无功、电压控制能力，以实现风电场内部的电压稳定，防止大规模脱网事故发生，降低传统集中控制器的计算负担，以适应未来大规模风电场的发展需求。
为了实现上述目的，本发明采用如下技术方案：
在一个或多个实施方式中公开的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，包括：
获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；
基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；
建立风电场侧换流器预测模型；
建立风电机组的无功线性化控制预测模型；
根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；
以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；
基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。
进一步地，建立风电场侧换流器预测模型，具体为：
Figure BDA0001801814550000021
其中，状态变量
Figure BDA0001801814550000022
控制变量
Figure BDA0001801814550000023
ΔVSd和
Figure BDA0001801814550000024
分别为VS的d轴分量增量及其参考值，
Figure BDA0001801814550000025
为辅助变量，Δicd为换流器注入电流的d轴分量增量；控制变量
Figure BDA0001801814550000026
为受控母线电压参考值增量；AV、ΒV分别为状态方程矩阵。
进一步地，建立风电机组的无功线性化控制预测模型，具体为：
Figure BDA0001801814550000027
其中，状态变量Δxw＝[ΔQw]，控制变量
Figure BDA0001801814550000028
ΔQw和
Figure BDA0001801814550000029
分别为风电机组的无功出力增量及其参考值；AW、ΒW分别为状态方程矩阵。
进一步地，建立整个系统的线性化状态空间模型，具体为：
Figure BDA0001801814550000031
Δy＝CΔx
其中，状态变量Δx、控制变量Δu以及输出变量Δy分别为：
Figure BDA0001801814550000032
Figure BDA0001801814550000033
Figure BDA0001801814550000034
ΔVC为VSC端电压增量，
Figure BDA0001801814550000035
为第1台风机的无功增量,
Figure BDA0001801814550000036
为第NW台风机的无功增量，A、B、C分别为状态方程矩阵。
进一步地，将线性化状态空间模型离散化，得到离散化后的状态空间模型，具体为：
Figure BDA0001801814550000037
其中，Ad，Bd和Cd分别为离散化后的状态方程矩阵，k为当前控制时刻，Δx(k)为该时刻状态变量，Δu(k)为该时刻控制变量。
进一步地，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型，具体为：
Figure BDA0001801814550000038
Figure BDA0001801814550000039
Figure BDA00018018145500000310
Figure BDA00018018145500000311
Figure BDA00018018145500000312
其中，αS,αW,αQ分别为权重系数；
Figure BDA00018018145500000313
为风机i的端电压；Vref为参考电压；
Figure BDA00018018145500000314
和
Figure BDA0001801814550000041
为第i台风电机组的无功出力的最小和最大限值；
Figure BDA0001801814550000042
和
Figure BDA0001801814550000043
为换流器端电压的最小和最大限值；VS(k)和VS(0)分别是受VSC控制母线电压的k时刻预测值和当前时刻测量值，
Figure BDA0001801814550000044
是风机i端电压的当前时刻测量值，
Figure BDA0001801814550000045
为第i台风电机组的无功出力，VC(k)为k时刻的换流器端电压的预测值，ΔVC(k)为k时刻VSC端电压增量。
进一步地，将基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型转化为标准二次规划数学模型，具体为：
Figure BDA0001801814550000046
s.t.x∈χ.
其中，H和g分别为海森矩阵和系数矩阵；χ表示决策变量x的定义域，Φ(x)为目标函数。
进一步地，基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解，具体为：
通过中央控制器以及本地控制器的交替计算迭代实现，将大规模带约束优化问题拆解为一个无约束的优化问题以及多个并行的小规模带约束优化问题；其中，大规模的无约束优化需要全局信息，在中央控制器中完成，用于更新原变量x；小规模的带约束优化问题在每个本地控制器中完成，用于更新辅助变量z；同时，对偶变量y更新在本地控制器中完成。
在一个或多个实施方式中公开的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；
基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；
建立风电场侧换流器预测模型；
建立风电机组的无功线性化控制预测模型；
根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；
以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；
基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。
在一个或多个实施方式中公开的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；
基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；
建立风电场侧换流器预测模型；
建立风电机组的无功线性化控制预测模型；
根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；
以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；
基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。
本发明有益效果：
1.将WFVSC和风电机组的无功-电压调节能力充分发挥，协调优化控制。
2.相比于传统集中式优化控制，本发明将大规模带约束优化问题拆解为无约束的优化问题以及多个并行的小规模带约束优化问题，该设计大大减小了中央控制器的计算负担，更加适用于大规模海上风电场的优化控制。
3.本发明基于MPC考虑了系统的动态过程的多步优化，进一步改善系统电压控制效果。
附图说明
图1为本发明的基于VSC-HVDC并网风电场结构示意图；
图2为本发明的基于VSC-HVDC并网风电场协调电压控制方法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步的说明。
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。
本方案公开了一种基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，如图2所示，包括以下步骤：
步骤(1)：计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数
Figure BDA0001801814550000061
以及对WFVSC端电压VC的灵敏度系数
Figure BDA0001801814550000062
风电场内部任意节点i对于节点l注入无功功率的灵敏度
Figure BDA0001801814550000063
以及对于WFVSC的灵敏度
Figure BDA0001801814550000064
可由解析方法直接获得。
步骤(2)：建立风电场侧换流器预测模型(线性化增量状态方程)：
WFVSC的线性化增量状态方程如(1)所示，
Figure BDA0001801814550000065
其中，状态变量和控制变量分别为
Figure BDA0001801814550000066
其中，ΔVSd和
Figure BDA0001801814550000067
为VS的d轴分量增量及其参考值，
Figure BDA0001801814550000068
为辅助变量，Δicd为换流器注入电流的d轴分量增量。控制变量
Figure BDA0001801814550000069
为受控母线电压参考值增量。
状态方程中矩阵为
Figure BDA00018018145500000610
其中，τd为通信延时，Cf为滤波器电容，
Figure BDA00018018145500000611
和
Figure BDA00018018145500000612
为外环PI控制器参数，τinr为内环控制等效一阶惯性时间。
WFVSC采用典型的级联双闭环控制结构。外环控制中，有功控制环控制直流电压，无功环控制电压幅值；内环控制分别控制d轴和q轴电流。
步骤(3)：建立风电机组的无功线性化控制预测模型：
为避免复杂性，风电机组的无功功率控制环可以利用一阶惯性环节来等效建模；
风电机组的无功控制环的增量状态空间方程为，
Figure BDA0001801814550000071
其中，状态变量和控制变量分别为风电机组的无功出力增量ΔQW以及其参考值
Figure BDA0001801814550000072
即，
Figure BDA0001801814550000073
状态方程中矩阵为，
AW＝[-1/τW],BW＝[1/τW] (6)
其中，τW为风电机组无功环惯性时间常数。
步骤(4)：根据步骤(2)和步骤(3)结果得到整个系统的线性化状态空间模型。
根据步骤(2)和步骤(3)的结果，建立整个系统(包括WFVSC和NW台风机)增量状态空间模型，
Figure BDA0001801814550000074
该状态方程中，状态变量Δx、控制变量Δu以及输出变量Δy分别为
Figure BDA0001801814550000075
该状态方程中，矩阵A,B以及C分别为，
Figure BDA0001801814550000076
其中，矩阵C中的子矩阵分别为，
Figure BDA0001801814550000081
Figure BDA0001801814550000082
将式(7)中的连续时间状态方程离散化，得到如下离散状态方程，
Figure BDA0001801814550000083
其中，Ad，Bd和Cd分别为离散化后的状态方程矩阵。
步骤(5)：建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型(全局集中数学模型)，包括决策变量(风电机组的无功功率，WFVSC的电压参考值)，目标函数(减小电压偏移，减小风电机组无功出力波动)，约束(风电机组的无功出力约束，WFVSC电压控制约束)等；
基于MPC的协调电压控制问题的最优化数学模型如下所示：
Figure BDA0001801814550000084
其中，αS,αW,αQ为权重系数；
Figure BDA0001801814550000085
为风机i的端电压；Vref为参考电压；
Figure BDA0001801814550000086
和
Figure BDA0001801814550000087
为风电机组的无功出力限制；
Figure BDA0001801814550000088
和
Figure BDA0001801814550000089
为换流器端电压限制。
步骤(6)：将步骤(5)中所述数学模型整理为标准的二次规划数学形式；将式(11)转化为式(12)所示的标准二次规划数学模型，
Figure BDA0001801814550000091
其中，H和g分别为海森矩阵和系数矩阵；χ表示决策变量x的定义域。
步骤(7)：根据步骤(6)中数学模型的结构，建立基于ADMM框架的分布式优化求解方法。
对于式(12)所示最优化问题，基于ADMM的分布式求解方法为通过中央控制器与风电机组以及WFVSC本地控制器的交替计算迭代实现，将大规模带约束优化问题拆解为一个无约束的优化问题以及多个并行的小规模带约束优化问题。其中，大规模的无约束优化需要全局信息，在中央控制器中完成，用于更新原变量x；小规模的带约束优化问题在每个本地控制器中完成，用于更新辅助变量z；同时，对偶变量y更新在本地控制器中完成。
本发明给出了一种具体实施方式，其中，典型的基于VSC-HVDC并网风电场的结构图，相应的VSC-HVDC并网风电场分布式协调电压控制方法如下：
步骤(1)：当时间处于控制点时(离散控制，通常以几秒为间隔)，触发控制器，风电场中央控制器获取系统运行状态信息。包括风电机组的无功出力测量值，WFVSC控制母线电压测量值。
步骤(2)：根据步骤1所得电压量测信息，采用如下解析方法计算电压灵敏度系数。
对于节点l列写关于节点i下列方程，
Figure BDA0001801814550000092
其中，Si＝Pi-jQi为注入节点i注入复功率的共轭复数；
Figure BDA0001801814550000093
为风电场集电系统导纳矩阵；
Figure BDA0001801814550000094
和Vi分别表示节点i电压相量及其共轭；
Figure BDA0001801814550000095
和
Figure BDA0001801814550000096
分别表示系统平衡节点和PQ节点的集合。得到所有l对应的方程(13)后联立方程组，可解出，
Figure BDA0001801814550000097
对于节点i列写关于VC的关系式，
Figure BDA0001801814550000098
其中，θC为电压相量
Figure BDA0001801814550000101
相角值；
Figure BDA0001801814550000102
同理，得到所有节点i对于VC的方程组后，可解得，
Figure BDA0001801814550000103
灵敏度系数在每个控制周期都进行更新，并传送给风电场中央控制器。
步骤(3)：根据系统参数值和量测信息，建立WFVSC和风电机组的预测模型，并结合步骤2所求灵敏度系数，最终建立式(10)所示的系统增量状态空间模型。
步骤(4)：在中央控制器中，建立式(11)所示的基于VSC-HVDC系统风电场协调电压控制的最优化数学模型并将该模型整理为如式(12)所示的标准二次规划数学模型。
步骤(5)：中央控制器初始化变量z[0]＝0，y[0]＝0，k＝0。各本地控制器初始化
Figure BDA0001801814550000104
k＝0。
步骤(6)：如果k＞1并根据下式判断是否已达到收敛，
||r[k]||2＜∈，||s[k]||＜∈ (17)
其中，r[k]＝x[k]-z[k]，s[k]＝ρ(z[k+1]-z[k]),ρ为惩罚因子，∈为收敛精度要求。
如果满足收敛条件直接跳转到步骤(8)，否则，k←k+1,中央控制器通过求解式(18)更新x[k+1]，
x[k+1]＝-(H+ρI)-1(g-ρz[k]+y[k]) (18)
并将
Figure BDA0001801814550000105
发送至对应各风电机组和WFVSC的本地控制器。
步骤(7)：WFVSC和风电机组的本地控制器接收来自中央控制器i的更新值
Figure BDA0001801814550000106
并通过求解式(19)和(20)来更新辅助变量
Figure BDA0001801814550000107
和
Figure BDA0001801814550000108
Figure BDA0001801814550000109
Figure BDA00018018145500001010
更新完毕后，本地控制器将更新后的
Figure BDA00018018145500001011
和
Figure BDA00018018145500001012
传送至中央控制器，并跳转回步骤(6)。
步骤(8)：中央控制器发出结束迭代指令，本地控制器将最后一次更新的zi作为控制指令发送给风机和WFVSC，风机和WFVSC根据控制指令响应。
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 (10)

1.基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，其特征在于，包括：
获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；
基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；
建立风电场侧换流器预测模型；
建立风电机组的无功线性化控制预测模型；
根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；
以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；
基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。
2.如权利要求1所述的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，其特征在于，建立风电场侧换流器预测模型，具体为：
Figure FDA0002316851740000011
其中，状态变量
Figure FDA0002316851740000012
控制变量
Figure FDA0002316851740000013
ΔVSd和
Figure FDA0002316851740000014
分别为VS的d轴分量增量及其参考值，
Figure FDA0002316851740000015
为辅助变量，Δicd为换流器注入电流的d轴分量增量；控制变量
Figure FDA0002316851740000016
为受控母线电压参考值增量；AV、BV分别为状态方程矩阵。
3.如权利要求1所述的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，其特征在于，建立风电机组的无功线性化控制预测模型，具体为：
Figure FDA0002316851740000017
其中，状态变量Δxw＝[ΔQw]，控制变量
Figure FDA0002316851740000018
ΔQw和
Figure FDA0002316851740000019
分别为风电机组的无功出力增量及其参考值；AW、BW分别为状态方程矩阵。
4.如权利要求1所述的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，其特征在于，建立整个系统的线性化状态空间模型，具体为：
Figure FDA0002316851740000021
Δy＝CΔx
其中，状态变量Δx、控制变量Δu以及输出变量Δy分别为：
Figure FDA0002316851740000022
Figure FDA0002316851740000023
Figure FDA0002316851740000024
ΔVC为VSC端电压增量，
Figure FDA0002316851740000025
为第1台风机的无功增量,
Figure FDA0002316851740000026
为第NW台风机的无功增量，A、B、C分别为状态方程矩阵；
状态变量
Figure FDA0002316851740000027
控制变量
Figure FDA0002316851740000028
ΔVSd和
Figure FDA0002316851740000029
分别为VS的d轴分量增量及其参考值，
Figure FDA00023168517400000210
为辅助变量，Δicd为换流器注入电流的d轴分量增量；控制变量
Figure FDA00023168517400000211
为受控母线电压参考值增量；
状态变量Δxw＝[ΔQw]，控制变量
Figure FDA00023168517400000212
ΔQw和
Figure FDA00023168517400000213
分别为风电机组的无功出力增量及其参考值。
5.如权利要求4所述的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，其特征在于，将线性化状态空间模型离散化，得到离散化后的状态空间模型，具体为：
Figure FDA00023168517400000214
其中，Ad，Bd和Cd分别为离散化后的状态方程矩阵，k为当前控制时刻，Δx(k)为该时刻状态变量，Δu(k)为该时刻控制变量。
6.如权利要求1所述的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，其特征在于，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型，具体为：
Figure FDA0002316851740000031
Figure FDA0002316851740000032
Figure FDA0002316851740000033
Figure FDA0002316851740000034
Figure FDA0002316851740000035
其中，αS,αW,αQ分别为权重系数；
Figure FDA0002316851740000036
为风机i的端电压；Vref为参考电压；
Figure FDA0002316851740000037
和
Figure FDA0002316851740000038
为第i台风电机组的无功出力的最小和最大限值；
Figure FDA0002316851740000039
和
Figure FDA00023168517400000310
为换流器端电压的最小和最大限值；VS(k)和VS(0)分别是受VSC控制母线电压的k时刻预测值和当前时刻测量值，
Figure FDA00023168517400000311
是风机i端电压的当前时刻测量值；
Figure FDA00023168517400000312
为第i台风电机组的无功出力，VC(k)为k时刻的换流器端电压的预测值，ΔVC(k)为k时刻VSC端电压增量。
7.如权利要求6所述的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，其特征在于，将基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型转化为标准二次规划数学模型，具体为：
Figure FDA00023168517400000313
s.t.
Figure FDA00023168517400000314
其中，H和g分别为海森矩阵和系数矩阵；
Figure FDA00023168517400000315
表示决策变量x的定义域，Φ(x)为目标函数。
8.如权利要求1所述的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，其特征在于，基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解，具体为：
通过中央控制器以及本地控制器的交替计算迭代实现，将大规模带约束优化问题拆解为一个无约束的优化问题以及多个并行的小规模带约束优化问题；其中，大规模的无约束优化需要全局信息，在中央控制器中完成，用于更新原变量x；小规模的带约束优化问题在每个本地控制器中完成，用于更新辅助变量z；同时，对偶变量y更新在本地控制器中完成。
9.基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制系统，其特征在于，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；
基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；
建立风电场侧换流器预测模型；
建立风电机组的无功线性化控制预测模型；
根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；
以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；
基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行以下步骤：
获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；
基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；
建立风电场侧换流器预测模型；
建立风电机组的无功线性化控制预测模型；
根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；
以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；
基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。
CN201811080458.7A 2018-09-17 2018-09-17 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统 Active CN109149638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811080458.7A CN109149638B (zh) 2018-09-17 2018-09-17 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811080458.7A CN109149638B (zh) 2018-09-17 2018-09-17 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统

Publications (2)

Publication Number Publication Date
CN109149638A CN109149638A (zh) 2019-01-04
CN109149638B true CN109149638B (zh) 2020-04-28

Family

ID=64814321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811080458.7A Active CN109149638B (zh) 2018-09-17 2018-09-17 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统

Country Status (1)

Country Link
CN (1) CN109149638B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108762072B (zh) * 2018-05-21 2021-07-27 南京邮电大学 基于核范数子空间法和增广向量法的预测控制方法
CN110690709B (zh) * 2019-10-22 2023-04-28 天津大学 一种基于灵敏度的智能软开关区间协调电压控制方法
CN111313425B (zh) * 2020-01-15 2023-11-14 国网重庆市电力公司 基于变量空间最优选择的潮流模型线性化误差最小化方法
CN111756050B (zh) * 2020-05-19 2022-04-12 山东大学 一种风电场群分布式电压协调控制方法及系统
CN112564120B (zh) * 2020-12-03 2022-04-29 国网湖南省电力有限公司 基于灵敏度系数和模型预测控制的发电机旋转备用电压优化控制方法
CN112711846A (zh) * 2020-12-27 2021-04-27 中国电建集团河南省电力勘测设计院有限公司 一种建立基于vsc的hvdc系统状态空间模型的方法
CN113452068B (zh) * 2021-06-23 2022-06-14 湖北工业大学 一种连接风电场的vsc整流站多步模型预测控制方法
CN113937783B (zh) * 2021-06-30 2022-08-30 国家电投集团电站运营技术（北京）有限公司 基于模型预测控制的风电场无功电压协调控制方法和装置
CN114069664B (zh) * 2021-11-01 2023-12-08 国网湖北省电力有限公司经济技术研究院 一种规模化储能系统的配电网电压分布式控制方法
CN114050591B (zh) * 2021-11-09 2024-01-30 福州大学 一种优化海上风电场升压站电压实现输电工程降损的方法
CN114336672A (zh) * 2021-11-18 2022-04-12 华能新能源股份有限公司 一种风电场一次调频控制系统
CN114024340B (zh) * 2021-11-29 2023-08-22 江苏科技大学 一种海上风电装置控制系统及模型预测控制方法
CN113991754B (zh) * 2021-12-24 2022-03-18 中国电力科学研究院有限公司 一种风电场的控制方法、系统及计算设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105633974A (zh) * 2016-03-03 2016-06-01 甘肃省电力公司风电技术中心 一种实时区域电压协调控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009016113A1 (en) * 2007-07-27 2009-02-05 Abb Research Ltd Controlling a power system
EP2688191A1 (en) * 2012-07-17 2014-01-22 ABB Research Ltd. Multi terminal HVDC control
US9760534B2 (en) * 2014-02-20 2017-09-12 Mitsubishi Electric Research Laboratories, Inc. Optimal parameter selection and acceleration in ADMM for multi-stage stochastic convex quadratic programs
US9753892B2 (en) * 2014-02-20 2017-09-05 Mitsubishi Electric Research Laboratories, Inc. Method for solving quadratic programs for convex sets with linear equalities by an alternating direction method of multipliers with optimized step sizes

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105633974A (zh) * 2016-03-03 2016-06-01 甘肃省电力公司风电技术中心 一种实时区域电压协调控制方法

Also Published As

Publication number Publication date
CN109149638A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109149638B (zh) 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统
Tungadio et al. Load frequency controllers considering renewable energy integration in power system
Mahmoud et al. Adaptive intelligent techniques for microgrid control systems: A survey
CN108599154B (zh) 一种考虑不确定性预算的三相不平衡配电网鲁棒动态重构方法
Beerten et al. VSC MTDC systems with a distributed DC voltage control-A power flow approach
Pan et al. Variable pitch control on direct-driven PMSG for offshore wind turbine using Repetitive-TS fuzzy PID control
Papangelis et al. A receding horizon approach to incorporate frequency support into the AC/DC converters of a multi-terminal DC grid
Lasheen et al. Continuous-time tube-based explicit model predictive control for collective pitching of wind turbines
Guo et al. Double-layer feedback control method for synchronized frequency regulation of PMSG-based wind farm
CN113315131A (zh) 一种电网运行方式智能调节方法及系统
Pathak et al. Fractional‐order nonlinear PID controller based maximum power extraction method for a direct‐driven wind energy system
Kiaei et al. Robust decentralized control of synchronous generators for improving transient stability of multimachine power grids
Swain et al. Stabilized frequency response of a microgrid using a two-degree-of-freedom controller with African vultures optimization algorithm
CN102410138A (zh) 一种获取风力发电机组最优控制输入的方法
Sadamoto et al. Dynamic modeling, stability, and control of power systems with distributed energy resources
CN117035335A (zh) 一种多阶段储能与输电网协同规划方法及系统
Liu et al. A comprehensive control strategy for photovoltaic virtual synchronous generator considering frequency regulation capability
CN111682552B (zh) 数据驱动的无功电压控制方法、装置、设备及存储介质
CN114024340B (zh) 一种海上风电装置控制系统及模型预测控制方法
Karad et al. Enhanced control of doubly fed induction generator based wind turbine system using soft computing assisted fractional order controller
CN113922384A (zh) 一种风电场分散式无功电压优化协调控制方法
CN115967098A (zh) 一种基于无模型自适应控制的次同步阻尼控制方法
CN103427697B (zh) 一种基于粒子群算法的不平衡电网下vsc的多目标控制方法
CN111262272A (zh) 一种基于时延孤岛微电网的系统控制方法
CN117200260B (zh) 一种抑制电力系统低频振荡的方法及系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191012

Address after: 250061, No. ten, No. 17923, Lixia District, Ji'nan City, Shandong Province

Applicant after: Shandong University

Applicant after: State Grid Shanghai Municipal Electric Power Company

Address before: 250061, No. ten, No. 17923, Lixia District, Ji'nan City, Shandong Province

Applicant before: Shandong University

GR01 Patent grant
GR01 Patent grant