CN109904877A - 基于变功率因数的分散式风电场优化运行方法 - Google Patents

Abstract

本发明实施例提供了一种基于变功率因数的分散式风电场优化运行方法，包括：对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型；在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据通用负荷模型，得出双馈式风电机组的功率因数角根据功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差影响因素；构建分散式风电场的功率因数动态控制的多目标函数，满足节点电压偏差、有功网损模型和无功网损模型为最优值的要求；采用改进的萤火虫算法，对所述多目标函数进行求解。本发明有效改善运算时间和收敛速度；提升系统性能。

Description

基于变功率因数的分散式风电场优化运行方法

技术领域

本发明涉及分散式风电并网技术领域，尤其涉及一种基于变功率因数的分散式风电场优化运行方法。

背景技术

近年来，风电技术正在从集中式开发向集中开发与分散利用并举调整。DWF(dispersed wind farms，分散式风电场)将在未来的电网中发挥越来越重要的作用。然而，随着高比例DWF并入配电网，其高渗透率和双向潮流将对电网的规划和运行产生较大影响。

在传统的配电网中，DWF采用的是“接入即忘”的装机政策，即仅仅将DWF作为大电网的补充。在这样的背景下，DWF通常以单位功率因数运行在最大功率点，因此被等效为被动“负”负荷，属于被动运行的执行者。DWF的功率输出的间歇波动性及高渗透率接入产生的强不确定性，对大电网电压稳定及安全经济运行产生较大影响。风机的弃风率在近几年虽然有所好转，但仍面临巨大压力，风电消纳问题在局部地区仍然突出。

现有技术中，在减小风电机组并网对配电网电压影响方面，集中式风电场是依靠电容器组、SVC、STACOM等辅助无功调节装置来实现风电场无功管理，进而实现接入点电压的稳定。但这种技术不适用于DWF：分散式风电场的布局分散、就地消纳特点，使其无功功率调节特性不同于集中式风电场，因此，采用这种集中无功补偿装置无法取得良好的效果。此外，分散式风电机组通过自身变流器接入配电网，可为系统电压的稳定提供无功支持，具有灵活的功率调节能力；而采用现有的集中式风电场并网的无功协调控制方法也不适用于DWF。

在优化运行方面，集中式风电场，由于经过逐级升压和远距离传输，使其和负荷的电气连接较弱。但DWF就近接入低压配电网，以满足本地负荷供电为目的。因此，DWF与本地负荷有较强的耦合作用。现有技术中，人们主要关注单一恒定负荷类型条件下的配电网典型参数优化方法，但DWF在终端负荷附近并网，不同负荷类型对DWF并网电压稳定性的影响不可忽略。

因此，有必要设计一种针对DWF的优化运行方法，通过采用智能算法，提高分散式风电并入配电网的无功控制能力。

发明内容

本发明的实施例提供了一种基于变功率因数的分散式风电场优化运行方法，以解决上述背景技术中的问题。

为了实现上述目的，本发明采取了如下技术方案：

本发明的实施例提供的一种基于变功率因数的分散式风电场优化运行方法，其特征在于，该方法包括：

对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型；

在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据所述通用负荷模型，得出双馈式风电机组的功率因数角

根据所述功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差影响因素；

构建分散式风电场的功率因数动态控制的多目标函数，满足所述节点电压偏差、有功网损模型和无功网损模型为最优值的要求；

采用改进的萤火虫算法，对所述多目标函数进行求解。

优选地，所述的对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型，包括：

对于分散式风电场接入的并网点的配电网，针对典型负荷CPL、IL、CL、RL，以及按不同比例包含各种类型典型负荷的ML，建立基于静态电压特性的通用负荷模型；

设同一并网点的通用负荷为所述ML，并将所述ML中，所述CPL、IL、CL、RL所占的有功功率权重系数分别预设为：a₁、b₁、c₁、d₁；

将所述ML中，所述CPL、IL、CL、RL所占的无功功率权重系数分别预设为：a₂、b₂、c₂、d₂；

将所述ML中，所述CPL、IL、CL、RL所占的有功功率电压指数系数分别预设为：α₀、α₁、α₂、α₃；

将所述ML中，所述CPL、IL、CL、RL所占的无功功率电压指数系数分别预设为：β₀、β₁、β₂、β₃；

且满足以下关系：

a₁+b₁+c₁+d₁＝1； (1)

a₂+b₂+c₂+d₂＝1； (2)

当a₁＝1时，通用负荷为单一的典型负荷——IL；

所述CPL的有功功率电压指数系数α₀和无功功率电压指数系数β₀都为0。

优选地，所述的对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型，还包括：

根据典型负荷CPL、IL、CL、RL的静态电压特性，构建出通用负荷模型如下：

式中，U_N为额定电压(V)，U_i为节点电压(V)，P_Li ^D、Q_Li ^D为额定电压下的通用负荷有功功率(W)和无功功率(Var)，P_Li、Q_Li为根据权重和季节参数设定的通用负荷有功功率(W)和无功功率(Var)。

优选地，所述的在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据所述通用负荷模型，得出双馈式风电机组的功率因数角包括：

根据所述通用负荷模型，当采用基于定子电压的矢量控制，在双馈式风电机组定子侧产生的有功功率Ps和无功功率Qs分别为：

式中，u_ds、u_qs为定子电压d和q轴分量(V)，i_ds、i_qs为定子电流在d轴和q轴的分量(A)，i_dr、i_qr为转子电流在d轴和q轴的分量(A)，ω_s为定子气隙磁场旋转角速度(rad/s)；L_s为定子电感(H)，L_m为定、转子间的互感(H)；

双馈式风电机组注入电网的全部有功功率为：

P_e＝(1-s)P_s； (5)

式中，s为转差率；

考虑转子的电流定额，双馈式风电机组定子侧产生的最大无功功率Q_s ^max和最小无功功率Q_s ^min分别为：

式中，i_r ^max为转子的电流最大值(A)，α＝1.5u_sL_m/L_s；

同理，双馈式风电机组网侧变流器产生的最大无功功率Q_g ^max和最小无功功率Q_g ^min为：

式中，S_c为网侧变流器的额定视在功率(VA)；

根据式(6)和式(7)，则双馈式风电机组产生的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min分别为：

根据式(8)中双馈式风电机组产生的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min，在并网点安装电容器C，所述电容器C的值为：

C＝1/(ω_s ²L_s)； (9)

此时，所述双馈式风电机组和所述电容器的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min平衡，分别为：

优选地，所述的在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据所述通用负荷模型，得出双馈式风电机组的功率因数角还包括：

安装电容器，平衡双馈式风电机组的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min后，所述双馈式风电机组的功率因数角运行范围为：

优选地，所述的根据功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差影响因素，包括：

定义M个节点接入分散式风电场后，分散式风电场的有功网损模型P_LDWF和无功网损模型Q_LDWF为：

其中，

式(11)、(12)中，P_j、Q_j为节点j的有功功率(W)和无功功率(Var)，P_ei为节点i的分散式风场注入的有功功率(W)，为节点i的功率因数角，P_Li、Q_Li为节点i的负荷有功(W)与无功(Var)，P_Gi、Q_Gi为节点i从电网侧注入的有功(W)与无功(Var)，U_i、U_j为节点i和j的电压(V)，δ_ij为节点i和j间功角，r_ij、x_ij为节点i和节点j之间的电阻(Ω)与电抗；

定义有功功率网损指数和无功功率网损指数分别为：

η_APL＝P_LDWF/P_L； (14)

η_RPL＝Q_LDWF/Q_L。 (15)

优选地，所述的根据功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差影响因素，还包括：

根据实验分析出，分散式风电场接入并网点的节点电压偏差影响因素包括：电气距离、分散式风电场的所述功率因数角或所述无功功率；

分散式风电场接入并网点的节点电压，随着电气距离的增加而逐渐降低；

调节分散式风电场的所述功率因数角或所述无功功率，优化电压分布曲线，减小所述节点电压偏差。

优选地，所述的构建分散式风电场的功率因数动态控制的多目标函数，满足所述节点电压偏差、有功网损模型和无功网损模型为最优值的要求，包括：

构建分散式风电场的功率因数动态控制的多目标函数如下：

MOF＝min(k₁η_APL+k₂η_RPL+k₃δ_v)； (16)

其中，

式中，δ_v为节点电压偏差；

所述多目标函数的约束条件有：

A、潮流等式约束：

B、分散式风电机组的有功和无功功率约束：

式中，和为第k台风电机组的有功(W)无功功率(Var)，P_k ^gmax为第k台风电机组的最大有功功率(W)，Q_c ^gmax为考虑并联电容器、网侧及机侧变流器的最大无功功率输出(Var)；

C、节点电压不等式约束：

U_i ^min≤U_i≤U_i ^max (20)

式中，U_i ^min、U_i ^max为节点电压下限和上限(V)；

D、支路电流的不等式约束：

I_i≤I_i ^max； (21)

式中，I_i ^max为第i条支路电流最高限制(A)；

E、分散式风场的爬坡率限制：

ΔP_DWFi ^min≤P_ei,t-P_ei,t-1≤ΔP_DWFi ^max (22)

式(22)中，ΔP_DWFi ^min、ΔP_DWFi ^max为风电机组有功功率的爬坡率下限和上限。

优选地，所述的采用改进的萤火虫算法，对所述多目标函数进行求解，包括：

在萤火虫算法中，荧光亮度LI为：

吸引度β为：

萤火虫的位置更新公式为：

x_i＝x_i+β(x_j-x_i)+α(rand-0.5)； (25)

式(23)-(25)中，LI₀为初始状态最大荧光亮度，β₀为初始状态吸引度，d_ij为2个萤火虫i和j间几何距离，γ为荧光亮度衰减控制系数，x_i，x_j为萤火虫i和j的位置，α为随机运动参数，rand为0到1之间的随机数；

在萤火虫算法的参数设置中引入混沌理论，以及在可行域内随机改变参数，利用Logistic映射函数对萤火种群参数混沌赋值如下：

γ(t)＝u₁γ(t-1)[1-γ(t-1)] (26)

α(t)＝u₂α(t-1)[1-α(t-1)] (27)

每次迭代后，按照Logistic映射产生一组随机参数，重新设置萤火虫算法的参数，迭代中参数α、β和γ的范围在0～1之间随机选取。

优选地，所述的采用改进的萤火虫算法，对所述多目标函数进行求解，还包括：

改进的萤火虫算法步骤为：

初始化算法位置、亮度参数；

进行迭代运算，并在每次迭代过程中计算每个萤火虫的荧光亮度和吸引度；

根据混沌控制策略，更新参数α、β和γ，重新计算MOF，赋值给萤火虫亮度，将更新后的萤火虫亮度LI和其他所有萤火虫对比，充分迭代得到亮度最大值，输出全局最优结果。

由上述本发明的技术方案可以看出，本发明实施例的有益效果如下：

(1)采用双馈风机自身动态功率因数调节优化运行策略，以及在机端并入电容器，使其无功能力调节极限更平衡，有利于充分发挥风电机组无功能力，使分散式风电从传统被动运行的执行者，转变为有助于主动配电网经济稳定运行的主动参与者，是传统配电网向主动配电网转变的重要环节。

(2)引入混沌理论改进萤火虫算法，有效解决了原有FA算法的局部收敛和收敛速度慢问题，在运算时间和收敛速度方面具有明显改善。

(3)采用小范围的功率因数调节，可有效减小配电网网损和电压偏差，提升系统性能。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还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基于变功率因数的分散式风电场优化运行方法的流程示意图；

图2为本发明实施例提供的一种基于变功率因数的分散式风电场优化运行方法的改进型萤火虫算法流程示意图；

图3为本发明实施例提供的双馈式风电机组的无功补偿能力示意图；

图4为本发明实施例提供的最大接入的DWF功率、功率因数PF和配电网网损三者间的影响关系示意图；

图5为本发明实施例提供的IEEE-33节点接入DWF后，DWF运行于4种功率因数下节点电压分布图；

图6为本发明实施例提供的基于DFIG的分散式风电场接入拓扑图；

图7为本发明实施例提供的不同类型负荷的典型有功功率和风电机组出力曲线图；

图8为本发明实施例提供的18时ML工况下，人工蜂群算法ABC、粒子群算法PSO、FA和IFA这4种算法的有功网损收敛曲线图；

图9为本发明实施例提供的18时ML工况下，人工蜂群算法ABC、粒子群算法PSO、FA和IFA这4种算法的电压偏差收敛曲线图；

图10为本发明实施例提供的工业、商业、居民单一负荷和混合负荷工况下，DWF采用4种恒功率因数控制(0.95，1.00，-0.95，-0.85)下的网损η_APL对比结果柱形图；

图11为本发明实施例提供的工业、商业、居民单一负荷和混合负荷工况下，DWF采用最优PF控制下的网损η_RPL对比结果柱形图；

图12为本发明实施例提供的混合负荷工况下，DWF采用4种恒功率因数控制(0.95，1.00，-0.95，-0.85)时，一天24h的电压变化图；

图13为本发明实施例提供的混合负荷工况下，DWF采用最优PF控制时，一天24h的电压变化图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

本发明实施例提供了一种基于变功率因数的分散式风电场优化运行方法，建立考虑不同负荷类型的配电网静态电压负荷模型，采用改进型萤火虫算法，求解最优功率因数动态调节的多目标函数，减少电压偏差，并降低有功和无功网损。

本发明实施例提供的一种基于变功率因数的分散式风电场优化运行方法的流程示意图如图1所示，该方法的具体步骤如下：

S110：对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型。

常规的分散式风电场通过POI(point ofinterconnection，并网点)接入配电网。在并网点POI附近的负荷类型多种多样，典型负荷可分为：CPL(constant power load，恒功率负荷)、IL(industrial load，工业负荷)、CL(commercial load，商业负荷)和RL(residential load，居民负荷)。

对于分散式风电场接入的并网点的配电网，针对恒功率负荷、工业负荷、商业负荷、居民负荷和按不同比例包含以上类型的混合负荷，可建立基于静态电压特性的通用负荷模型。

通常，同一并网点的负荷是多种典型负荷不同类型的组合，可定义为ML(mixedload，混合负荷)。

根据典型负荷的静态电压特性，由4种典型负荷(CPL、IL、CL、RL)组成的混合负荷可分别用4种典型负荷来表述。将混合负荷中，CPL、IL、CL、RL所占的有功功率权重系数分别预设为：a₁、b₁、c₁、d₁；CPL、IL、CL、RL所占的无功功率权重系数分别预设为：a₂、b₂、c₂、d₂；CPL、IL、CL、RL所占的有功功率电压指数系数分别预设为：α₀、α₁、α₂、α₃；CPL、IL、CL、RL所占的无功功率电压指数系数分别预设为：β₀、β₁、β₂、β₃。并且，满足以下关系：

a₁+b₁+c₁+d₁＝1 (1)

a₂+b₂+c₂+d₂＝1 (2)

由式(1)、(2)可知，当a₁＝1时，则通用负荷为单一负荷IL。

典型负荷的权重系数和指数系数如表1所示，对于恒功率负荷CPL而言，指数α₀和β₀是0。

表1典型负荷中各类型负荷的静态电压特性系数

根据典型负荷的静态电压特性，可得出通用负荷模型如下：

式中，U_N为额定电压(V)，U_i为节点电压(V)，P_Li ^D、Q_LiD为额定电压下的通用负荷有功功率(W)和无功功率(Var)，P_Li、Q_Li为根据权重和季节等参数设定的有功功率(W)和无功功率(Var)。

步骤S120：在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据通用负荷模型，得出双馈式风电机组的功率因数角

DFIG(doubly-fed induction generator，双馈式风电机组)广泛应用于分散式风电场，DFIG产生的功率分别来自于定子和转子两部分，其无功支撑能力相对复杂。

采用基于定子电压的矢量控制，定子侧产生的有功功率Ps和无功功率Qs分别为：

式中，u_ds、u_qs为定子电压d和q轴分量(V)，i_ds、i_qs为定子电流在d轴和q轴的分量(A)，i_dr、i_qr为转子电流在d轴和q轴的分量(A)，ω_s为定子气隙磁场旋转角速度(rad/s)；L_s为定子电感(H)，L_m为定、转子间的互感(H)。

双馈风电机组注入电网的全部有功功率为：

P_e＝(1-s)P_s (5)

式中，s为转差率。

考虑转子的电流定额，定子产生的最大和最小的无功功率Q_s ^max和Q_s ^min分别为：

式中，i_r ^max为转子的电流最大值(A)，α＝1.5u_sL_m/L_s。

同理，网侧变流器产生的最大和最小的无功功率Q_g ^max和Q_g ^min为：

式中，S_c为网侧变流器的额定视在功率(VA)。

结合式(6)和式(7)，考虑双馈式风电机组定子侧、转子侧的无功功率，可得，DFIG产生的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min分别为：

由式(6)可知，定子侧的无功功率最大值Q_s ^max和无功功率最小值Q_s ^min不平衡。其中，Q_s ^min决定了DFIG的无功支撑能力。

在并网点安装电容器，改善无功补偿能力。在机端安装电容器C后(C＝1/(ω_s ²L_s))，则DFIG和电容器C的总体无功能力Q_c ^max和Q_c ^min是平衡的，分别为：

本实施例提供的双馈式风电机组的无功补偿能力如图3所示，其中，实线表示定子侧产生的无功功率范围；点划线表示定、转子总的无功功率范围；斜划线形成的阴影部分表示网侧变流器产生的无功功率范围；虚线表示安装合适电容后总的无功功率范围，可知，Q_c ^max>Q_e ^max>Q_s ^max′，其中，Q_s ^max′对应公式(4)里的定子无功功率的极限。并联电容后转子电流i_rc远小于运行点(P₀，Q₀)的转子电流i_r，意味着则DFIG的无功补偿能力可通过合理控制风电机组和电容来提升。此外，由于受转子电流i_r ^max的约束，随着有功功率的增加，无功功率的调节能力逐渐下降。

因此，在并网点安装合适的电容器后，双馈式风电机组的无功调节能力可以平衡。而双馈式风电机组的功率因数角运行范围为：

S130：根据功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差。

在分散式风电场的风机接入配电网后，双馈式风电机组的功率因数角对配电网电压、有功网损和无功网损的影响如下：

(1)网损影响

定义M个节点接入DWF后，DWF的总有功网损模型P_LDWF和总无功网损模型Q_LDWF为：

其中，

式(11)、(12)中，P_j、Q_j为节点j的有功功率(W)和无功功率(Var)；P_ei为节点i的分散式风场注入的有功功率(W)；为节点i的功率因数角；P_Li、Q_Li为节点i的负荷有功(W)与无功(Var)；P_Gi、Q_Gi为节点i从电网侧注入的有功(W)与无功(Var)；U_i、U_j为节点i和j的电压(V)；δ_ij为节点i和j间功角；r_ij、x_ij为节点i和j间电阻(Ω)与电抗。

定义有功功率网损指数和无功功率网损指数分别为：

η_APL＝P_LDWF/P_L (13)

η_RPL＝Q_LDWF/Q_L (14)

DWF的有功功率和功率因数对配电网网损有较大影响。如图4所示，给出了最大接入的DWF功率、功率因数PF和配电网网损三者间的影响关系。可见，当PF保持不变时，随着接入的DWF功率的增加，网损先减小后增加。若接入的DWF功率不变，可见，随着PF增加，网损先减小后增加。则配电网网损相对于风电机组注入功率和功率因数的影响关系曲线呈现抛物线特性。随着DWF最大注入功率的增加，由电网输送给负荷的功率逐渐减少，导致有功功率网损减少。当达到最小有功功率网损点后，继续增加风电机组功率注入，将产生逆向潮流，网损将增加。根据图3的结果，可表明配电网网损可通过DWF功率因数控制而优化。

(2)电压分布影响

在传统配电网中，电压分布相对简单，节点电压随着电气距离的增加而逐渐降低，因此，馈线末端电压可能低于标准要求的最低电压。与传统配电网相比，当DWF引入后，考虑到DWF功率的随机波动性以及发电源的特性，配电网各节点电压分布将更复杂。如图5所示，给出了IEEE-33节点接入DWF后，DWF运行于4种功率因数下节点电压分布图。可见，若能够调节DWF的功率因数或无功功率，可以优化电压分布曲线，使节点电压偏差减小。同时，针对节点电压分布而言，恒定的单位功率因数并非最优运行方案。

S140：构建分散式风电场的功率因数动态控制的多目标函数，满足电压偏差、有功和无功网损最小。

综上，根据分散式风电场的风机接入配电网后，双馈式风电机组的功率因数对配电网节点电压、有功网损和无功网损的影响；可建立分散式风电场的功率因数动态控制的多目标函数如下：

MOF＝min(k₁η_APL+k₂η_RPL+k₃δ_v) (15)

为实现配电网网损和电压分布的综合优化，可通过调节DWF的功率因数或无功功率。考虑随机风况条件以及不同负荷类型，可建立多目标函数为：

MOF＝min(k₁η_APL+k₂η_RPL+k₃δ_v) (16)

式中，δ_v为电压偏差。

根据目标优先级和重要性，可设置权重系数k1、k2、k3分别为0.45、0.40、0.15。

多目标函数的约束条件有：

A、潮流等式约束：

B、分散式风电机组的有功和无功功率约束：

式中，和为第k台风电机组的有功(W)无功功率(Var)；P_k ^gmax为第k台风电机组的最大有功功率(W)，Q_c ^gmax为考虑并联电容器、网侧及机侧变流器的最大无功功率输出(Var)。

C、节点电压不等式约束：

U_i ^min≤U_i≤U_i ^max (20)

式中，U_i ^min、U_i ^max为节点电压下限和上限(V)。

D、支路电流的不等式约束：

I_i≤I_i ^max (21)

式中，I_i ^max为第i条支路电流最高限制(A)。

E、分散式风场的爬坡率限制：

ΔP_DWFi ^min≤P_ei,t-P_ei,t-1≤ΔP_DWFi ^max (22)

式中，ΔP_DWFi ^min、ΔP_DWFi ^max为风电机组有功功率的爬坡率下限和上限。

S150：采用改进的萤火虫算法，对多目标函数进行求解。

传统的FA算法是模拟自然界中萤火虫发光和趋光的生物学特性发展而来，其概念简单、实用高效，在优化求解函数中具有较强的优势，但其寻优中只与周围萤火虫的亮度有关。

萤火虫算法的荧光亮度LI为：

吸引度β为：

则萤火虫的位置更新公式为：

x_i＝x_i+β(x_j-x_i)+α(rand-0.5) (25)

式中，LI₀为初始状态最大荧光亮度；β₀为初始状态吸引度；d_ij为2个萤火虫i和j间几何距离；γ为荧光亮度衰减控制系数；x_i，x_j为萤火虫i和j的位置；α为随机运动参数；rand为0到1之间的随机数产生。

为了避免种群过早收敛和收敛速度慢问题，改进IFA(improved fireflyalgorithm，萤火虫算法)在参数设置中引入混沌理论，提高种群的遍历性和多样性。式(22)～式(24)表明参数α、β和γ的设置在优化过程中起到关键作用，在可行域内随机改变参数可提升全局搜索能力，利用Logistic映射函数对萤火种群参数混沌赋值如下：

γ(t)＝u₁γ(t-1)[1-γ(t-1)] (26)

α(t)＝u₂α(t-1)[1-α(t-1)] (27)

每次迭代后，按照Logistic映射产生一组随机参数重新设置参数，迭代中3个参数α、β和γ的范围在0～1之间随机选取，采用混沌变量优于盲目和无序的随机搜索，提升改进型萤火虫算法收敛性能。

改进型萤火虫算法流程步骤如图2所示，具体如下：

步骤S210：初始化算法位置、亮度等参数。

步骤S220：进行迭代运算，并在每次迭代过程中计算每个萤火虫的荧光亮度和吸引度。

步骤S230：根据混沌控制策略，更新参数，重新计算MOF，赋值给萤火虫亮度，将更新后的萤火虫亮度LI和其他所有萤火虫对比，充分迭代得到亮度最大值，输出全局最优结果。

在表2给出了分散式风电场接入M个节点，配电网应用IFA优化算法参数取值以及参数对应关系。

表2配电网接入分散式风电场应用IFA的参数对应关系

实施例二

该实施例提供了对一种基于变功率因数的分散式风电场优化运行方法的算法验证，具体如下：

采用IEEE-33节点配电网架构进行验证，其中，含3个接入点的IEEE-33节点系统中有32条支路、5条联络开关支路、1个电源网络，首端基准电压12.66kV。接入负荷的有功功率和无功功率分别为3.72MW和2.30Mvar。考虑4种单一负荷类型(RL、IL、CL、CPL)和混合负荷的类型，在ML中，设IL、RL、CL分别占比40％、45％和15％。

仿真中假定利用混合负荷代替传统恒负荷在各节点的接入，且接入容量与传统负荷接入容量一致。基于DFIG的分散式风电场接入拓扑如图6所示，分别通过3个接入点接入IEEE-33节点系统。假定各接入点在相同时间段内对应的风速相同，其各接入节点和初始接入容量分别为：1203kW接入14节点；151kW接入30节点；964kW接入24节点。其IEEE-33节点系统支路数据和节点数据分别如表1和表2所示。采用某实际风场一年的全年风资源数据作为仿真和预测分析的数据基础，并用威布尔分布对随机风速进行拟合，选取一天24h的风资源进行测试。如图7所示，给出了所用负荷的典型有功功率日曲线和风电机组出力曲线。

如图8-9所示，给出了18时ML工况下，ABC(artificial bee colony，人工蜂群算法)、PSO(particle swarm optimization，粒子群算法)、FA和IFA这4种算法的收敛曲线和运算时间。可见，由于IFA通过随机数优化参数设置，并引入混沌理论提升多目标函数优化的搜索性能，与ABC、PSO、FA这3种算法相比，IFA达到全局最优的迭代次数最少。同时，IFA简化变量调节，其具有程序资源占有率低和运算时间短的特点。

如图10-11所示，给出了工业、商业、居民单一负荷和混合负荷工况下，DWF采用4种恒功率因数控制(0.95，1.00，-0.95，-0.85)及最优PF控制下的网损对比结果。由η_APL和η_RPL可见，不同负荷类型的结果差异较大。商业负荷CL的η_APL和η_RPL约为工业负荷IL的5倍，表明负荷类型需在优化过程中予以考虑。与4种恒定功率因数控制(0.95，1.00，-0.95，-0.85)相比，优化PF控制分别使CL和ML的ηAPL有明显改善，RL和CL的η_RPL有明显改善，表明不同负荷类型优化程度不一，优化PF控制在实际应用中需考虑负荷类型。

本实施例进一步验证了功率因数优化控制的有效性。如图12-13所示，分别给出了混合负荷工况下，DWF采用4种恒功率因数控制(0.95，1.00，-0.95，-0.85)及最优PF控制下时，一天24h的电压变化图。可见，PF为正时，分散式风电场消耗无功功率，电压偏差恶化。PF为-0.95时，分散式风电机组利用自身并网变流器和电容发出无功，减少从电网来的无功输送，电压曲线有所优化。当PF为-0.85时，分散式风电场注入过量无功功率，产生逆向潮流，造成配电网电压曲线恶化。

实际运行中，负荷的实时波动造成无功功率需求实时变化，DWF采用恒功率因数控制并不能满足配电网的实时运行需求。由图12-13可见，通过采用IFA优化方法计算不同时段最优功率因数曲线可见，最优功率因数的调节范围是[-0.83，1.00]，可见DWF小范围调节功率因数可有效提升系统性能。

综上所述，本发明实施例通过提供了一种基于变功率因数的分散式风电场优化运行方法，包括：对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型；在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据通用负荷模型，得出双馈式风电机组的功率因数角根据功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差影响因素；构建分散式风电场的功率因数动态控制的多目标函数，满足节点电压偏差、有功网损模型和无功网损模型为最优值的要求；采用改进的萤火虫算法，对所述多目标函数进行求解。本发明引入混沌理论改进萤火虫算法，有效解决了原有萤火虫算法的局部收敛和收敛速度慢问题，在运算时间和收敛速度方面具有明显优势。本发明采用中小范围的功率因数调节，可有效减小配电网网损和电压偏差，提升系统性能。风电机组自身具有较强的功率调节能力，所提的优化运行策略，采用机端并入电容器，其无功能力调节极限更平衡，有利于充分发挥风电机组无功能力，使分散式风电从传统被动运行的执行者，转变为有助于主动配电网经济稳定运行的主动参与者，是传统配电网向主动配电网转变的重要环节。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于变功率因数的分散式风电场优化运行方法，其特征在于，该方法包括：

对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型；

在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据所述通用负荷模型，得出双馈式风电机组的功率因数角

根据所述功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差影响因素；

构建分散式风电场的功率因数动态控制的多目标函数，满足所述节点电压偏差、有功网损模型和无功网损模型为最优值的要求；

采用改进的萤火虫算法，对所述多目标函数进行求解。

2.根据权利要求1所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型，包括：

对于分散式风电场接入的并网点的配电网，针对典型负荷CPL、IL、CL、RL，以及按不同比例包含各种类型典型负荷的ML，建立基于静态电压特性的通用负荷模型；

设同一并网点的通用负荷为所述ML，并将所述ML中，所述CPL、IL、CL、RL所占的有功功率权重系数分别预设为：a₁、b₁、c₁、d₁；

将所述ML中，所述CPL、IL、CL、RL所占的无功功率权重系数分别预设为：a₂、b₂、c₂、d₂；

将所述ML中，所述CPL、IL、CL、RL所占的有功功率电压指数系数分别预设为：α₀、α₁、α₂、α₃；

将所述ML中，所述CPL、IL、CL、RL所占的无功功率电压指数系数分别预设为：β₀、β₁、β₂、β₃；

且满足以下关系：

a₁+b₁+c₁+d₁＝1； (1)

a₂+b₂+c₂+d₂＝1； (2)

当a₁＝1时，通用负荷为单一的典型负荷——IL；

所述CPL的有功功率电压指数系数α₀和无功功率电压指数系数β₀都为0。

3.根据权利要求2所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的对分散式风电场接入的并网点的配电网，构建基于静态电压特性的通用负荷模型，还包括：

根据典型负荷CPL、IL、CL、RL的静态电压特性，构建出通用负荷模型如下：

式中，U_N为额定电压(V)，U_i为节点电压(V)，P_Li ^D、Q_Li ^D为额定电压下的通用负荷有功功率(W)和无功功率(Var)，P_Li、Q_Li为根据权重和季节参数设定的通用负荷有功功率(W)和无功功率(Var)。

4.根据权利要求1所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据所述通用负荷模型，得出双馈式风电机组的功率因数角包括：

根据所述通用负荷模型，当采用基于定子电压的矢量控制，在双馈式风电机组定子侧产生的有功功率Ps和无功功率Qs分别为：

式中，u_ds、u_qs为定子电压d和q轴分量(V)，i_ds、i_qs为定子电流在d轴和q轴的分量(A)，i_dr、i_qr为转子电流在d轴和q轴的分量(A)，ω_s为定子气隙磁场旋转角速度(rad/s)；L_s为定子电感(H)，L_m为定、转子间的互感(H)；

双馈式风电机组注入电网的全部有功功率为：

P_e＝(1-s)P_s； (5)

式中，s为转差率；

考虑转子的电流定额，双馈式风电机组定子侧产生的最大无功功率Q_s ^max和最小无功功率Q_s ^min分别为：

式中，i_r ^max为转子的电流最大值(A)，α＝1.5u_sL_m/L_s；

同理，双馈式风电机组网侧变流器产生的最大无功功率Q_g ^max和最小无功功率Q_g ^min为：

式中，S_c为网侧变流器的额定视在功率(VA)；

根据式(6)和式(7)，则双馈式风电机组产生的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min分别为：

根据式(8)中双馈式风电机组产生的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min，在并网点安装电容器C，所述电容器C的值为：

C＝1/(ω_s ²L_s)； (9)

此时，所述双馈式风电机组和所述电容器的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min平衡，分别为：

5.根据权利要求4所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的在并网点设置电容器，平衡双馈式风电机组定子侧和网侧变流器的无功调节能力，并根据所述通用负荷模型，得出双馈式风电机组的功率因数角还包括：

安装电容器，平衡双馈式风电机组的总无功功率最大值Q_e ^max和总无功功率最小值Q_e ^min后，所述双馈式风电机组的功率因数角运行范围为：

6.根据权利要求5所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的根据功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差影响因素，包括：

定义M个节点接入分散式风电场后，分散式风电场的有功网损模型P_LDWF和无功网损模型Q_LDWF为：

其中，

式(11)、(12)中，P_j、Q_j为节点j的有功功率(W)和无功功率(Var)，P_ei为节点i的分散式风场注入的有功功率(W)，为节点i的功率因数角，P_Li、Q_Li为节点i的负荷有功(W)与无功(Var)，P_Gi、Q_Gi为节点i从电网侧注入的有功(W)与无功(Var)，U_i、U_j为节点i和j的电压(V)，δ_ij为节点i和j间功角，r_ij、x_ij为节点i和节点j之间的电阻(Ω)与电抗；

定义有功功率网损指数和无功功率网损指数分别为：

η_APL＝P_LDWF/P_L； (14)

η_RPL＝Q_LDWF/Q_L。 (15)

7.根据权利要求6所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的根据功率因数角构建分散式风电场接入并网点后的有功网损模型和无功网损模型，并分析出分散式风电场接入并网点的节点电压偏差影响因素，还包括：

根据实验分析出，分散式风电场接入并网点的节点电压偏差影响因素包括：电气距离、分散式风电场的所述功率因数角或所述无功功率；

分散式风电场接入并网点的节点电压，随着电气距离的增加而逐渐降低；

调节分散式风电场的所述功率因数角或所述无功功率，优化电压分布曲线，减小所述节点电压偏差。

8.根据权利要求7所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的构建分散式风电场的功率因数动态控制的多目标函数，满足所述节点电压偏差、有功网损模型和无功网损模型为最优值的要求，包括：

构建分散式风电场的功率因数动态控制的多目标函数如下：

MOF＝min(k₁η_APL+k₂η_RPL+k₃δ_v)； (16)

其中，

式中，δ_v为节点电压偏差；

所述多目标函数的约束条件有：

A、潮流等式约束：

B、分散式风电机组的有功和无功功率约束：

式中，和为第k台风电机组的有功(W)无功功率(Var)，P_k ^gmax为第k台风电机组的最大有功功率(W)，Q_c ^gmax为考虑并联电容器、网侧及机侧变流器的最大无功功率输出(Var)；

C、节点电压不等式约束：

U_i ^min≤U_i≤U_i ^max (20)

式中，U_i ^min、U_i ^max为节点电压下限和上限(V)；

D、支路电流的不等式约束：

I_i≤I_i ^max； (21)

式中，I_i ^max为第i条支路电流最高限制(A)；

E、分散式风场的爬坡率限制：

ΔP_DWFi ^min≤P_ei,t-P_ei,t-1≤ΔP_DWFi ^max (22)

式(22)中，ΔP_DWFi ^min、ΔP_DWFi ^max为风电机组有功功率的爬坡率下限和上限。

9.根据权利要求8所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的采用改进的萤火虫算法，对所述多目标函数进行求解，包括：

在萤火虫算法中，荧光亮度LI为：

吸引度β为：

萤火虫的位置更新公式为：

x_i＝x_i+β(x_j-x_i)+α(rand-0.5)； (25)

式(23)-(25)中，LI₀为初始状态最大荧光亮度，β₀为初始状态吸引度，d_ij为2个萤火虫i和j间几何距离，γ为荧光亮度衰减控制系数，x_i，x_j为萤火虫i和j的位置，α为随机运动参数，rand为0到1之间的随机数；

在萤火虫算法的参数设置中引入混沌理论，以及在可行域内随机改变参数，利用Logistic映射函数对萤火种群参数混沌赋值如下：

γ(t)＝u₁γ(t-1)[1-γ(t-1)] (26)

α(t)＝u₂α(t-1)[1-α(t-1)] (27)

每次迭代后，按照Logistic映射产生一组随机参数，重新设置萤火虫算法的参数，迭代中参数α、β和γ的范围在0～1之间随机选取。

10.根据权利要求9所述的基于变功率因数的分散式风电场优化运行方法，其特征在于，所述的采用改进的萤火虫算法，对所述多目标函数进行求解，还包括：

改进的萤火虫算法步骤为：

初始化算法位置、亮度参数；

进行迭代运算，并在每次迭代过程中计算每个萤火虫的荧光亮度和吸引度；

根据混沌控制策略，更新参数α、β和γ，重新计算MOF，赋值给萤火虫亮度，将更新后的萤火虫亮度LI和其他所有萤火虫对比，充分迭代得到亮度最大值，输出全局最优结果。