CN109888844A - 一种风电场无功电压控制方法 - Google Patents

Abstract

本发明公开了一种风电场无功电压控制方法。现有的风电场独立调节方式无法兼顾地区电网的调压需求。本发明的风电场无功电压控制方法，以风电场母线电压波动和无功设备投入量最小为控制目标，以潮流方程、电压安全和控制变量为约束，根据风电功率的预测数据，利用ABPSO算法求取预测周期内的综合控制指令。本发明将风电场群作为一个整体进行控制，建立风电基地无功电压控制系统，有效利用风电场侧的无功设备平抑电压波动。

Description

一种风电场无功电压控制方法

技术领域

本发明属于电力系统自动化，涉及一种适用于风电场无功电压的控制方法，尤其是一种基于自适应离散二进制粒子群优化算法的风电场无功电压控制方法。

背景技术

随着风电的大规模开发，风电集中送出容量越来越大。风电机组出力具有一定的随机性与波动性，风电送出地区的电压波动将变得更加明显。中国大型风电基地主要集中在三北地区，这些风电基地大多位置较偏，电网薄弱。现有的风电场独立调节方式无法兼顾地区电网的调压需求，因此，有必要将风电场群作为一个整体进行控制，建立风电基地无功电压控制系统，利用风电场侧的无功设备平抑电压波动。

发明内容

为解决现有风电场独立调节方式无法兼顾地区电网的调压需求问题，本发明提供一种基于自适应离散二进制粒子群优化算法的风电场无功电压控制方法，其将风电场群作为一个整体进行控制，建立风电基地无功电压控制系统，有效利用风电场侧的无功设备平抑电压波动。

本发明是通过以下技术方案实现的：一种基于自适应离散二进制粒子群优化算法的风电场无功电压控制方法，其以风电场母线电压波动和无功设备投入量最小为控制目标；以潮流方程、电压安全和控制变量为约束；根据风电功率的预测数据，利用ABPSO算法求取预测周期内的综合控制指令。

进一步地，目标函数为：

1)风电场母线电压波动f₁

式中，n为风电场母线的数量，M为总的风电预测时段，V_i ^(max)为母线i在计算时段0～M内电压幅值的最大值，V_i ^(min)为母线i在计算时段0～M内电压幅值的最小值；

2)无功设备投入量f₂

式中，l为风电场无功设备的数量，为无功设备k在t时段的无功功率，M为总的风电预测时段；

通过对权重系数的合理选择，对以上两个指标进行归一化处理，得到最终单目标函数f：

min f＝λ₁f₁+λ₂f₂，

式中，λ₁,λ₂分别为f₁和f₂在目标函数f中的权重系数。

进一步地，约束条件为：

1)潮流方程约束

式中，P_i ^(t)和Q_i ^(t)分别代表母线i在t时段注入的有功功率和无功功率；V_i ^(t)为母线i在t时段的电压；V_i ^(t)为母线j在t时段的电压；为i、j两节点电压的相角差；G_ij为线路i-j的电导；B_ij为线路i-j的电纳；

2)电压安全约束

V_imin≤V_i ^(t)≤V_imax，

式中，V_imin为母线i电压下限值；V_imax为母线i电压上限值；

3)控制变量约束

τ_min≤τ≤τ_max，

式中，τ为有载调压器抽头档位；τ_min,τ_max分别为有载调压器抽头档位的最小值和最大值；Q_ckmax为无功设备k无功功率的上限值。

进一步地，ABPSO算法将粒子群按照适应度优劣分成3类；对于适应度较好的粒子，其周围存在全局最优的可能性大，使用相对较小的惯性权重来提高局部搜索能力；而对于适应度较差的粒子，则使用相对较大的惯性权重来增强全局搜索能力，避免算法早熟，提高粒子群的收敛速度；

设粒子i在第k次迭代中的适应函数值为F_i，当前最优粒子的适应函数值为F_m，粒子群的平均适应函数值为F_av，将粒子群中优于F_av的适应函数值求平均得到F_av'，则惯性权重的调整方案如下：

1)若F_i优于F_av'，这个粒子属于适应度较好的小种群，惯性权重ω调整如下式：

2)若F_i处于F_av与F_av'中间，这个粒子属于适应度适中的小种群，惯性权重不做调整，

ω'＝ω，

3)若F_i差于F_av，这个粒子属于适应度较差的小种群，惯性权重ω调整如下式：

式中，ω_min为设定值，k₁和k₂为调整参数。

本发明具有的有益效果是：

与之前的相关算法相比，本发明的算法具有以下优点：1)本发明将风电场群作为一个整体进行控制，建立风电基地无功电压控制系统，有效利用风电场侧的无功设备平抑电压波动。2)ABPSO的曲线下降比较快，当PSO的搜索陷入停滞的时候，ABPSO仍然可通过权重系数的调整跳出局部最优，搜索到更好的结果；从多次测试的优化结果来看，ABPSO的优化能力、收敛速度、计算精度胜于PSO，可以在一定程度上解决PSO容易陷入局部最优的问题。

附图说明

图1为本发明应用例中S地区风电并网系统图；

图2为本发明应用例中风电场超短期功率预测图；

图3为本发明应用例中220kV ZN母线电压曲线图。

具体实施方式

下面结合实施例和说明书附图来对本发明进行进一步说明，但本发明的保护范围不限于下述实施例。在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和变更，都落入本发明的保护范围。

实施例

本发明提供一种基于自适应离散二进制粒子群优化算法的风电场无功电压控制方法，其以风电场母线电压波动和无功设备投入量最小为控制目标；以潮流方程、电压安全和控制变量为约束；根据风电功率的预测数据，利用ABPSO算法求取预测周期内的综合控制指令。

一、目标函数

1)风电场母线电压波动f₁

式中，n为风电场母线的数量，M为总的风电预测时段，V_i ^(max)为母线i在计算时段0～M内电压幅值的最大值，V_i ^(min)为母线i在计算时段0～M内电压幅值的最小值。

2)无功设备投入量f₂

式中，l为风电场无功设备的数量，为无功设备k在t时段的无功功率。减小无功设备投入量，有利于应对风速波动和故障带来的突发状况。

目标模型为多目标函数，将其转化为单目标函数进行求解。通过对权重系数的合理选择，对以上两个指标进行归一化处理，得到最终单目标函数f：

minf＝λ₁f₁+λ₂f₂，

式中，λ₁,λ₂分别为f₁和f₂在目标函数f中的权重系数。

二、约束条件

1)潮流方程约束：

式中，P_i ^(t)和Q_i ^(t)分别代表母线i在t时段注入的有功功率和无功功率；V_i ^(t)为母线i在t时段的电压；为i、j两节点电压的相角差；G_ij为线路i-j的电导；B_ij为线路i-j的电纳。

2)电压安全约束：

V_imin≤V_i ^(t)≤V_imax，

式中，V_imin为母线i电压下限值；V_imax为母线i电压上限值。

3)控制变量约束：

τ_min≤τ≤τ_max，

式中，τ为有载调压器抽头档位；τ_min,τ_max分别为有载调压器抽头档位的最小值和最大值；Q_ckmax为无功设备k无功功率的上限值。

三、ABPSO算法

粒子群优化算法(Particle SwamOptimization，PSO)具有搜索速度快，参数少的特点，但对于离散的优化问题处理不佳，容易陷入局部最优，导致收敛精度不高。离散二进制粒子群算法(Discrete Binary Particle Swarm Optimization Algorithm，BPSO)主要优化离散空间约束问题，BPSO与PSO算法的缺点相似，不能收敛于全局最优值，且随着算法迭代搜索随机性越来越强，缺乏后期的局部搜索能力。

ABPSO将粒子群按照适应度优劣分成3类。对于适应度较好的粒子，其周围存在全局最优的可能性大，使用相对较小的惯性权重来提高局部搜索能力；而对于适应度较差的粒子，则使用相对较大的惯性权重来增强全局搜索能力，避免算法早熟，提高粒子群的收敛速度。

设粒子i在第k次迭代中的适应函数值为F_i，当前最优粒子的适应函数值为F_m，粒子群的平均适应函数值为F_av，将粒子群中优于F_av的适应函数值求平均得到F_av'，则惯性权重的调整方案如下：

(1)若F_i优于F_av'，这个粒子属于适应度较好的小种群，惯性权重ω调整如式(1)：

(2)若F_i处于F_av与F_av'中间，这个粒子属于适应度适中的小种群，惯性权重不做调整。

ω'＝ω (2)

(3)若F_i差于F_av，这个粒子属于适应度较差的小种群，惯性权重ω调整如式(3)：

式中，ω_min为设定值，k₁和k₂为调整参数。

应用例

为验证控制策略的有效性，采用图1所示S地区接入220kV ZN变电站的风电并网系统进行仿真。为方便仿真，将外界大电网设为平衡节点，3个风电场均为DFIG，均通过35kV升压到220kV后汇集接入地区电网，每个风电场出口母线均装有6*0.07Mvar的分组投切无功设备。220kV ZN变为风电汇集母线，目标电压值为0.98pu，电压安全范围为0.95-1.05。离散变量为T1-T3有载调压器分接头和C1-C3无功设备。

首先对3个风电场进行超短期预测功率，时间分辨率为10min，考虑1小时共6个点进行仿真，仿真结果如图2所示。然后运用基于ABPSO算法的风电场无功电压控制策略，对该电网系统进行无功电压控制。不同时间段的离散设备控制策略如表1所示。220kV ZN变母线电压曲线如图3所示。

表1不同时间段的离散设备控制策略

时间点	T1	T2	T3	C1/Mvar	C2/Mvar	C3/Mvar
							1	1.0125	1.0125	1.0125	0	0	0
2	1.0125	1.0125	1.0125	0	0	0
							3	1.025	1.025	1.0125	0.14	0.14	0
4	1.025	1.025	1.0125	0.14	0.14	0
							5	1.0125	1.025	1.0125	0.07	0.14	0
6	1.0125	1.025	1.0125	0	0.07	0

可以看到，风电场预测功率在时间点2有了波动，故变压器分接头和电容器开始调整，使得调节后中枢母线的电压值维持在了允许的误差范围内，同时通过无功裕度指标的优化，可以进一步消除不确定因素引发的电压越限风险。

Claims (4)

1.一种风电场无功电压控制方法，其特征在于，以风电场母线电压波动和无功设备投入量最小为控制目标；以潮流方程、电压安全和控制变量为约束；根据风电功率的预测数据，利用ABPSO算法求取预测周期内的综合控制指令。

2.根据权利要求1所述的风电场无功电压控制方法，其特征在于，目标函数为：

1)风电场母线电压波动f₁

式中，n为风电场母线的数量，M为总的风电预测时段，V_i ^(max)为母线i在计算时段0～M内电压幅值的最大值，V_i ^(min)为母线i在计算时段0～M内电压幅值的最小值；

2)无功设备投入量f₂

式中，l为风电场无功设备的数量，为无功设备k在t时段的无功功率，M为总的风电预测时段；

通过对权重系数的合理选择，对以上两个指标进行归一化处理，得到最终单目标函数f：

minf＝λ₁f₁+λ₂f₂，

式中，λ₁,λ₂分别为f₁和f₂在目标函数f中的权重系数。

3.根据权利要求1所述的风电场无功电压控制方法，其特征在于，约束条件为：

1)潮流方程约束

式中，P_i ^(t)和分别代表母线i在t时段注入的有功功率和无功功率；V_i ^(t)为母线i在t时段的电压；V_i ^(t)为母线j在t时段的电压；为i、j两节点电压的相角差；G_ij为线路i-j的电导；B_ij为线路i-j的电纳；

2)电压安全约束

V_imin≤V_i ^(t)≤V_imax，

式中，V_imin为母线i电压下限值；V_imax为母线i电压上限值；

3)控制变量约束

τ_min≤τ≤τ_max，

式中，τ为有载调压器抽头档位；τ_min,τ_max分别为有载调压器抽头档位的最小值和最大值；Q_ckmax为无功设备k无功功率的上限值。

4.根据权利要求1所述的风电场无功电压控制方法，其特征在于，ABPSO算法将粒子群按照适应度优劣分成3类；对于适应度较好的粒子，其周围存在全局最优的可能性大，使用相对较小的惯性权重来提高局部搜索能力；而对于适应度较差的粒子，则使用相对较大的惯性权重来增强全局搜索能力，避免算法早熟，提高粒子群的收敛速度；

设粒子i在第k次迭代中的适应函数值为F_i，当前最优粒子的适应函数值为F_m，粒子群的平均适应函数值为F_av，将粒子群中优于F_av的适应函数值求平均得到F_av'，则惯性权重的调整方案如下：

1)若F_i优于F_av'，这个粒子属于适应度较好的小种群，惯性权重ω调整如下式：

2)若F_i处于F_av与F_av'中间，这个粒子属于适应度适中的小种群，惯性权重不做调整，ω'＝ω，

3)若F_i差于F_av，这个粒子属于适应度较差的小种群，惯性权重ω调整如下式：

式中，ω_min为设定值，k₁和k₂为调整参数。