CN110518644B - 风电场的无功优化方法、装置及风电场 - Google Patents
风电场的无功优化方法、装置及风电场 Download PDFInfo
- Publication number
- CN110518644B CN110518644B CN201810489678.9A CN201810489678A CN110518644B CN 110518644 B CN110518644 B CN 110518644B CN 201810489678 A CN201810489678 A CN 201810489678A CN 110518644 B CN110518644 B CN 110518644B
- Authority
- CN
- China
- Prior art keywords
- particles
- wind
- particle
- reactive power
- objective function
- 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
Links
Images
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
提供一种风电场的无功优化方法、装置及风电场。所述无功优化方法包括:根据风电场中的各个风力发电机的状态来确定粒子中的控制变量的个数,其中,粒子中的控制变量为风力发电机的无功出力;确定粒子的个数,针对所有粒子中的每个粒子的位置进行初始化;基于预先建立的风电场的无功优化的目标函数,针对每个粒子确定个体最优位置,针对所有粒子确定全局最优位置;确定是否满足预设的终止条件;如果不满足预设的终止条件,则基于个体最优位置和全局最优位置来更新每个粒子的位置,并且再次确定个体最优位置和全局最优位置;如果满足预设的终止条件,则根据最终确定的全局最优位置来控制风电场中的各个风力发电机的无功出力。
Description
技术领域
以下描述涉及风电领域,更具体地说,涉及一种风电场的无功优化方法、装置及风电场。
背景技术
无功优化是保证电力系统安全、稳定、经济运行的重要手段之一。目前无功优化均为针对大电网或者含风电场的大电网的电力系统,即,目前包括数学模型、控制策略以及算法的无功优化,均适用于大电网或者含风电场的大电网的电力系统运行特性。但是大电网或者含风电场的大电网的电力系统的特性与风电场内电力系统的特性存在很大不同。
大电网或者含风电场的大电网的电力系统中负荷稳定,然而在风电场内,由于风速变化较快,风电场内潮流实时变化,如果无功优化的运算速度较慢,待运算结果发送至风力发电机进行控制时,会存在指令滞后,已经不适用于当前实时潮流的情况,这与目前的负荷稳定的大电网的无功优化是不相同的。换言之,由于风电场内的风力发电机功率波动较大,需要较快的响应速度,因此针对风电场的无功优化的算法要求收敛速度快,并且缩短运算周期(例如,运算周期应达到10秒以内)。
此外,目前针对大电网的无功优化,必须考虑电容器投切次数,以增加电容器的使用寿命,然而对于风电场内的无功优化,风力发电机发出无功功率是由变流器通过IGBT的调整相角发出的,因此,不需要考虑电容器的投切次数等因素。此外,由于风力发电机的无功出力响应较快,并且较大的无功出力会影响发电性能,因此在风电场内对越限节点电压要求更加严格。
因此,目前针对大电网或者含风电场的电网的无功优化不适用于风电场内的无功优化,需要针对风电场内电力系统的特性进行无功优化的方法。
发明内容
为了实现针对风电场内电力系统的特性进行无功优化,本发明提供风电场的无功优化方法、装置及风电场。
根据本发明的一个方面,提供一种风电场的无功优化方法。所述无功优化方法可包括:根据风电场中的各个风力发电机的状态来确定粒子中的控制变量的个数,其中,粒子中的控制变量为风力发电机的无功出力;确定粒子的个数,并且针对所有粒子中的每个粒子的位置进行初始化;基于预先建立的风电场的无功优化的目标函数,针对每个粒子确定个体最优位置,并且针对所有粒子确定全局最优位置;确定是否满足预设的终止条件;如果不满足预设的终止条件,则基于个体最优位置和全局最优位置来更新每个粒子的位置,并且再次确定个体最优位置和全局最优位置;如果满足预设的终止条件,则根据最终确定的全局最优位置来控制风电场中的各个风力发电机的无功出力。
根据本发明的另一方面,提供一种计算机可读存储介质。所述计算机可读存储介质存储有当被处理器执行时使得处理器执行如上所述的无功优化方法的程序指令。
根据本发明的另一方面,提供一种计算装置。所述计算装置可包括:处理器;以及存储器,存储有当被处理器执行时使得处理器执行如上所述的无功优化方法的程序指令。
根据本发明的另一方面,提供一种风电场的无功优化装置。所述无功优化装置可包括初始化模块,用于根据风电场中的各个风力发电机的状态来确定粒子中的控制变量的个数,其中,粒子中的控制变量为风力发电机的无功出力;以及确定粒子的个数,并且针对所有粒子中的每个粒子的位置进行初始化;优化模块,用于基于预先建立的风电场的无功优化的目标函数,针对每个粒子确定个体最优位置并且针对所有粒子确定全局最优位置;响应于预设的终止条件不被满足,基于个体最优位置和全局最优位置来更新每个粒子的位置,然后返回到针对每个粒子确定个体最优位置并且针对所有粒子确定全局最优位置的步骤;控制模块,用于响应于预设的终止条件被满足,根据最终确定的全局最优位置来控制风电场中的各个风力发电机的无功出力。
根据本发明的另一方面,提供一种风电场,包括:多个风力发电机,具备无功出力能力;风力发电机控制器,与相应的风力发电机连接,控制所述风力发电机提供无功功率;以及如上所述的无功优化装置,用于采集各个风力发电机的实时运行状态,并根据各个风力发电机的实时运行状态,确定各个风力发电机提供的无功功率的值。
根据本发明示例实施例的风电场的无功优化方法、装置及风电场提出基于风力发电机的状态进行动态分区的控制策略,仅对风电场部分区域内的风力发电机进行优化和控制,减少粒子中的控制变量个数,降低无功优化难度,提高收敛速度和收敛性,从而缩短运算时间,提高运算精度;在粒子初始化时适应风电场的特性,从而能够扩大粒子的活动范围,并且增加了粒子的多样性,从而有效地防止种群陷入局部最优,还可以提高收敛速度;采用改进的适用于风电场的目标函数,并通过分层序列方法的改进来处理多目标无功优化目标函数,既可以合理协调各目标之间的关系,寻得满足风电场安全运行指标的最优解,同时可以降低计算机内存占用量、减少计算时间,提高算法的收敛速度;此外对粒子群算法参数进行修正及改进,粒子个数的设定和惯性权重因子是动态变化的,从而能够提高收敛速度和收敛性、缩短运算时间,提高运算精度。
附图说明
图1是示出根据示例实施例的风电场的无功优化方法的流程图。
图2是示出根据示例实施例的确定个体最优位置的方法的流程图。
图3是示出根据示例实施例的确定全局最优位置的方法的流程图。
图4是示出根据示例实施例的风电场的无功优化装置的示图。
图5是示出根据示例实施例的风电场的示图。
具体实施方式
本发明可具有各种变形和各种实施例,应理解,本发明不限于这些实施例,而是包括本发明的精神和范围内的所有变形、等同物和替换。例如,在此描述的操作的顺序仅是示例,并且不受限于在此阐述的那些顺序,而是除了必须以特定的顺序发生的操作之外,可如在理解本申请的公开之后将是清楚地那样被改变。此外,为了更加清楚和简明,可省略本领域中已知的特征的描述。在本发明的示例实施例中使用的术语仅用于描述特定实施例,而不是为了限制示例实施例。除非上下文另有清楚的指示,否则在此使用的单数形式也意图包括复数形式。
图1是示出根据示例实施例的风电场的无功优化方法的流程图。在本发明的实施例中,通过采用并改进粒子群算法来进行针对风电场的无功优化。
由于风电场存在风速变化较快、风电场内潮流实时变化、无功优化的算法收敛速度快以及风力发电机的无功出力响应较快的特性,因此针对风电场的无功优化是多次无功优化的连续控制。换言之,参照图1,如果在步骤113中没有接收到终止控制信号,则针对风电场进行连续的多次无功优化。根据本发明的实施例,无功优化算法包括两个循环(在此称为外循环和内循环)。外循环是由步骤113引导的,反映风电场每次的无功优化收敛速度快,响应速度快,需要额外的停止控制信号来控制外循环是否停止。此外,外循环还可反映在每次无功优化开始时都需要针对风电场进行分区,即,根据本发明构思,风电场的无功优化基于动态分区以使得每次无功优化都适应当前风电场内的潮流状态。内循环是由步骤107引导的,反映每次无功优化的操作,步骤107根据预设的终止条件来判断是否终止内循环,该预设的终止条件与最大迭代次数和收敛性相关,可在初始时(例如,在步骤101或步骤103中、或者在步骤101之前)进行终止条件设置。在下文中,术语“当前的无功优化”表示针对风电场的一次无功优化,并且下面主要针对风电场的一次无功优化的操作进行描述。
参照图1,在步骤101,确定粒子中的控制变量的个数。换言之,步骤101可确定所采用的粒子群算法的每个粒子的维数。根据本发明的示例实施例,根据风电场中的各个风力发电机的状态来确定粒子中的控制变量的个数。粒子中的控制变量可以为风力发电机的无功出力。
具体地说,步骤101可包括根据作为可控变量的风力发电机的个数,来确定每个粒子中的控制变量的个数。
在一个示例中,可通过获取风电场内的各个风力发电机的状态等信息来确定作为可控变量的风力发电机的个数。
在小规模风电场内,风力发电机的数量可达到30多台,而在大规模风电场内,风力发电机的数量可达到50甚至上百台机组,这可导致每个粒子中的控制变量较多,若通过优化全部的控制变量来调整风电场中的无功流动,不仅会占用大量计算机内存、计算时间长,而且会影响算法的收敛性。为了使得针对风电场的无功优化的结果更优,本发明构思的实施例提出基于风力发电机的状态进行动态分区的控制策略,仅对风电场部分区域内的风力发电机进行优化和控制,减少粒子中的控制变量个数,降低无功优化难度,提高收敛速度和收敛性,从而缩短运算时间,提高运算精度。
决定风电场内的动态分区的主要因素有风力发电机的总发电功率、各个风力发电机的运行状态、以及风力发电机是否为标杆机组、风力发电机是否执行待机停调控制等因素,其中任何一个因素发生变化,动态分区中的作为可控变量的风力发电机(每个粒子的控制变量)的个数就随之变化。因此,可根据风力发电机的状态来确定其是否为可控变量,能够作为可控变量的风力发电机的个数即为每个粒子中的控制变量的个数。
如果风力发电机处于正常发电状态,则该风力发电机为可控变量;如果风力发电机处于待机状态,且该风力发电机没有执行待机停调控制命令,则该风力发电机为可控变量;如果风力发电机处于待机状态,且该风力发电机执行待机停调,则该风力发电机为不可控变量;如果风力发电机为标杆机组,则该风力发电机在正常发电及待机情况下均为可控变量,其他状态下为不可控变量。
也就是说,作为可控变量的风力发电机可包括:处于正常发电状态的风力发电机、处于待机状态并且不执行待机停调控制命令的风力发电机、作为标杆机组并且处于正常发电状态或待机状态的风力发电机。
在步骤103,确定粒子的个数,并且针对所有粒子中的每个粒子的位置进行初始化。
根据本发明的示例实施例,步骤103可确定粒子的个数。整个粒子群算法是在解的群体上进行的,具有搜索过程的并行性、全局性。种群规模越大(粒子的个数越多),群体中个体的多样性就越高,算法陷入局部最优解的危险就越小,但计算量也会显著增加;相反,如果种群规模太小,搜索空间就会受限制,群体缺乏多样性,容易出现早熟现象。
本发明构思的实施例在动态分区的基础上,根据控制变量的个数来确定粒子的个数,如下面的表达式(1)所示,基于预先设定的最小粒子个数mmin、最大粒子个数mmax、风电场中的所有风力风力发电机的个数nmax、以及(步骤s1中确定的)粒子中的控制变量的个数n,来确定粒子的个数m。
根据本发明示例实施例的通过表达式(1)确定的粒子的个数随着步骤s1的分区中的风力发电机的(每个粒子的控制变量)的个数的变化而变化,从而根据步骤s1的动态分区来合理地设置粒子群算法的种群规模。然而,本发明示例实施例不限于此,其他的用于确定粒子个数的方法也适用于本发明,例如,可选择地,也可任意地设置粒子的个数。
根据本发明的示例实施例,步骤103可针对所有粒子中的每个粒子的位置进行初始化。
在粒子群算法中,每个粒子代表一组潜在解,在风电场内无功优化问题中,如上所述控制变量一般为风力发电机的无功出力,因此,每个粒子所包含的信息就是作为可控变量的风力发电机的无功出力,例如,一个简单的粒子的位置x可如下面的表达式(2)所示来表示:
x=[Q1,Q2,…,Qn] (2)
在表达式(2)中,n为作为可控变量的风力发电机的总个数(即,每个粒子中的控制变量的个数为n);Qi(i=1,2,…,n)为粒子中的作为可控变量的风力发电机i的无功出力,即,粒子中的索引为i的控制变量的值。
为了更快的得到有效解,本发明构思的实施例在初始化粒子种群的位置时,其中,如根据上述表达式(1)确定的m个粒子中的部分粒子的位置取理论极值,部分粒子的位置选取当前风电场内的电力系统潮流状态值,部分粒子的位置随机产生。即,针对所有粒子中的每个粒子的位置进行初始化的步骤可包括:将所有粒子中的第一部分粒子中的控制变量初始化为风力发电机的无功出力的最大值,将所有粒子中的第二部分粒子中的控制变量初始化为风力发电机的无功出力的最小值,将所有粒子中的第三部分粒子中的控制变量初始化为初始潮流时的风力发电机的无功出力的值,将所有粒子中的第四部分粒子中的控制变量初始化为随机生成的值。
本发明构思的实施例不仅可以保证在第一次迭代时就能得到一组不大于该风电场内的电力系统初始状态的适应值的解,而且可以扩大粒子的活动范围,并且增加了粒子的多样性,从而有效地防止种群陷入局部最优,还可以提高收敛速度。
继续参照图1,在步骤105,确定个体最优位置和全局最优位置。具体地说,基于预先建立的风电场的无功优化的目标函数,针对每个粒子确定个体最优位置,并且针对所有粒子确定全局最优位置。
与目前的负荷稳定的大电网的无功优化不同,风电场内对越限节点电压更加敏感,要求更加严格,因此可基于风电场内电力系统的特性预先建立适用于风电场的无功优化的多目标的无功优化数学模型。
根据本发明构思的示例实施例,预先建立的风电场的无功优化的目标函数包括至少两个目标函数,如下面的表达式(3)和(4)所示,至少两个目标函数中的第一目标函数表示关于风电场中的电压越限节点的个数的函数f1,至少两个目标函数中的第二目标函数表示关于风电场中的有功网损的函数f2。
min f2=Ploss (4)
在这种多目标情况下,优化搜索过程不能简单地通过比较来确定解的优劣。由于风电场运行需要安全、可靠、经济,因此在风电场内无功优化问题上,电压合格为第1位,否则就会影响设备正常运行以及风力发电机的安全运行,即优先保证系统中各节点电压均满足安全运行要求,没有越限情况发生;有功网损最小为第2位,即在保证风电场运行可靠的基础上减少由于有功损耗而导致的经济损失。这一过程可被称为分层序列法,稍后将参照图2和图3来详细描述确定个体最优位置和全局最优位置的方法。
在步骤107,在步骤105确定个体最优位置和全局最优位置的情况下,确定当前的无功优化是否满足预设的终止条件。终止条件可以为达到当前的无功优化的预设的最大迭代次数,或者步骤105所确定的全局最优位置误差在阈值范围内,即,当前的无功优化收敛。
如果在步骤107中确定不满足预设的终止条件(即,当前的迭代次数还未达到预设的最大迭代次数或当前确定的全局最优位置误差未在阈值范围置内),则在步骤109基于个体最优位置和全局最优位置来更新每个粒子的位置,并且返回到步骤105,以进行当前的无功优化的下一次迭代。
根据本发明的示例实施例,在步骤109可通过如下面的表达式(5)所示的速度更新公式来更新每个粒子的位置。
在表达式(5)中,id为粒子的索引,k表示当前的无功优化的当前迭代次数,k+1表示当前的无功优化的下一迭代次数,表示当前迭代下粒子的速度,表示用于在下一迭代更新粒子的位置的速度,表示当前迭代下在步骤105针对粒子确定的个体最优位置,表示当前迭代下在步骤105确定的全局最优位置,表示粒子在步骤109更新后的位置(即,粒子在下一次迭代更新后的位置),w为惯性权重因子,c1、c2为学习因子,也称加速因子,是两个非负的实数;ξ、η为[0,1]间的随机数。
表达式(5)所示出的速度更新公式仅是示例性的,根据本发明构思的实施例,可根据相应的粒子群算法而采用各种形式的速度更新公式,例如,针对表达式(5)中的可在速度前面添加作为约束因子的系数r(通常设置为1)。
在粒子个数相同的情况下,当目标搜索空间较小的时候,粒子飞行过程更像是局部寻优,小的惯性权重因子可以使粒子群算法在局部区域内进行调整,缩短搜索时间,但是当目标搜索空间较大的时候,粒子搜索过程更像是在进行全局寻优,大的惯性权重因子可以使粒子在迭代过程中探索新的区域,可以扩大搜索范围。
根据本发明构思的实施例,在步骤109中更新粒子位置之前,惯性权重因子是结合在无功优化过程中控制变量个数动态变化的特性而动态变化的。也就是说,基于个体最优位置和全局最优位置来更新每个粒子的位置的步骤可包括:基于最大惯性权重因子、最小惯性权重因子、每个粒子中的控制变量的个数、以及当前更新每个粒子的位置时的迭代次数,来修正粒子群算法的速度更新公式中的惯性因子。在一个示例中,根据下面的表达式(6)来修正粒子群算法的速度更新公式中的惯性因子w。
在表达式(6)中,w为修正后的惯性因子,为预设的最大惯性权重因子下限;为预设的最大惯性权重因子上限;为预设的最小惯性权重因子下限;为预设的最小惯性权重因子上限;n为每个粒子中的控制变量的个数,k为当前的无功优化的当前迭代次数,kmax为预设的最大迭代次数。
根据本发明构思示例实施例,表达式(6)使得粒子群算法的惯性因子不仅随着优化过程中迭代次数的变化而变化,也随着控制变量的个数变化,从而提高了粒子群算法的性能,提高收敛速度及收敛性,缩短运算周期。
然后,在步骤109中利用具有修正后的惯性因子的速度更新公式来更新粒子的位置。即,基于个体最优位置和全局最优位置来更新每个粒子的位置的步骤还可包括:将个体最优位置和全局最优位置应用于具有修正的惯性因子的速度更新公式,来更新每个粒子的位置。
返回参照图1,如果在步骤107中确定满足预设的终止条件(即,当前的迭代次数达到预设的最大迭代次数或当前确定的全局最优位置误差在阈值范围置内),则在步骤111中,根据最终确定的全局最优位置来控制风电场中的各个风力发电机的无功出力。
在步骤113,确定是否接收到停止控制信号以确定是否终止对风电场的无功优化的控制。如果在步骤113确定接收到停止控制信号,则终止对风电场的无功优化。如果在步骤113确定没有接收到停止控制信号,则返回到步骤101,以循环进行步骤101至步骤111。也就是说,如果在步骤113没有接收到停止控制信号,则在当前的无功优化之后还需要对风电场进行下一次的无功优化,因此重复步骤101至步骤111。在下一次的无功优化的步骤101,根据风电场内的作为可控变量的风力发电机的个数来重新确定粒子中的控制变量的个数,即,动态地更新了风电场的分区。
图2是示出根据示例实施例的确定个体最优位置的方法的流程图。
在步骤103初始化各个粒子的位置或者在步骤109中更新了各个粒子的位置之后,根据粒子群算法,需要对每个粒子的位置进行适应值的计算,并还可保存计算的适应值,以在下一次迭代中使用。
在步骤201可计算每个粒子的适应值。可采用各种方法计算每个粒子的适应值的方法,作为优选的示例,在步骤201中,可利用风电场内的潮流计算方法(即,风电场内的约束条件)来计算每个粒子的适应值。计算的适应值是与各个节点的电压相关的值和/或与每个粒子的有功网损相关的值。
在步骤203中,基于步骤201中计算的适应值,针对每个粒子的所有位置进行关于第一目标函数f1的比较。以一个粒子为例,将针对该粒子的所有位置计算的与节点电压相关的适应值按照表达式(3)所示的第一目标函数f1,统计该粒子的每个位置中电压越限节点的个数,并进行比较。也就是说,为了保证风电场内设备正常运行以及风力发电机的安全运行,在风电场内无功优化问题上,电压合格为第1位,首先保证各个节点的电压没有越限情况发生。
在步骤205中,判断该粒子的所有位置之中满足f1=0的位置的个数是否大于1。
如果所有位置中仅一个位置满足第一目标函数f1的值为0(即,粒子仅在该位置下,电压越限节点的个数为0),则在步骤209中将一个位置确定为该粒子的个体最优位置。在此情况下,可以判断该粒子的仅一个位置满足各个节点的电压没有越限情况发生,因此不需要进行第二目标函数f2的比较,直接将该粒子的这个位置确定为个体最优位置。
如果所有位置之中多个位置满足第一目标函数f1的值为0,则在步骤207中针对该多个位置进行关于第二目标函数f2的比较。也就是说,当该粒子在多个位置均满足电压越限节点的个数为0,则需要对这些位置进行有功网损的比较。在此情况下,在步骤209中,将该多个位置之中的满足第二目标函数的值最小(即,有功网损最小)的位置确定为该粒子的个体最优位置。
可采用各种方法来实现上面的分层序列法,例如,采用遍历的方法针对每个粒子的所有位置依次进行比较。
按照上述方法获得每个粒子的个体最优位置。图2所示的确定每个粒子的个体最优位置的步骤仅是示例性的,本发明构思不限于此,可基于图2进行各种变形。例如,计算适应值的步骤可分为两步,当进行关于第一目标函数f1的比较时,可仅计算与各个节点的电压相关的适应值,当进行关于第二目标函数f2的比较时,再计算与有功网损相关的适应值。
图3是示出根据示例实施例的确定全局最优位置的方法的流程图。
虽然为了说明的方便,图2和图3示出为两个不同的流程图,但是图2和图3的操作可同时或并行地执行。
参照图3,在步骤301中,计算每个粒子的适应值。步骤301与步骤201相同,因此也可以省略。
在步骤303中,基于所有粒子的适应值,针对所有粒子进行关于第一目标函数f1的比较。在针对所有粒子确定全局最优位置时,需要对所有粒子的所有位置进行关于第一目标函数f1比较。可通过遍历的方法来进行关于第一目标函数f1比较。此外,作为可选的实施例,可在图2中确定各个粒子的个体最优位置的基础上,确定全局最优位置,此时,仅需要针对所有粒子进行每个粒子中的被确定为个体最优位置的位置进行比较。
在步骤305中,判断满足f1=0的粒子的个数是否大于1。
如果在所有粒子之中仅一个粒子的位置满足第一目标函数f1=0,则在步骤309中,将该一个粒子的位置确定为全局最优位置。在此情况下,可以判断该一个粒子是比其他粒子更优的解,因此不需要进行第二目标函数f2的比较,直接将该一个粒子的位置确定为全局最优位置。
如果在所有粒子之中多个粒子的位置均满足第一目标函数f1=0,则在步骤307中进行关于第二目标函数f2的比较,并且在步骤309中,将多个粒子的位置之中的满足第二目标函数(即,有功网损最小)的粒子的位置确定为全局最优位置。作为一个可选的实施例,当前迭代下确定的全局最优位置还可与之前的迭代中确定的历史全局最优位置进行比较,从而确定最终的全局最优位置。
虽然参照图2和图3描述了基于分层序列法来确定个体最优位置和全局最优位置,但是这仅是优选的实施例,可根据发明构思对其进行修改和变形。在一个实施例中,可采用遍历的方法按照图3所示的流程图来确定全局最优位置。在一个实施例中,如果在各个粒子的个体最优位置的基础上确定全局最优位置,则由于每个个体最优位置均满足第一目标函数f1=0,在此情况下可省略步骤305,直接在步骤307中进行第二目标函数的比较,从而确定全局最优位置。
通过参照图2和图3描述的分层序列方法的改进来处理多目标无功优化目标函数,有效的防止节点电压越限的情况下降低有功网损,更适用于风电场内的无功优化计算,既可以合理协调各目标之间的关系,寻得满足风电场安全运行指标的最优解,同时可以降低计算机内存占用量、减少计算时间,提高算法的收敛速度。
图4是示出根据示例实施例的针对风电场的无功优化装置400的示图。
参照图4,针对风电场的无功优化装置400可包括初始化模块401、优化模块403和控制模块405。
初始化模块401可用于:根据风电场中的各个风力发电机的状态来确定粒子中的控制变量的个数,其中,粒子中的控制变量为风力发电机的无功出力;以及确定粒子的个数,并且针对所有粒子中的每个粒子的位置进行初始化。
在一个示例中,所述初始化模块还用于:根据作为可控变量的风力发电机的个数,来确定每个粒子中的控制变量的个数。作为可控变量的风力发电机包括:处于正常发电状态的风力发电机、处于待机状态并且不执行待机停调控制命令的风力发电机、作为标杆机组并且处于正常发电状态或待机状态的风力发电机。
在一个示例中,所述初始化模块还用于:基于预先设定的最小粒子个数、最大粒子个数、风电场中的所有风力风力发电机的个数、以及粒子中的控制变量的个数,来确定粒子的个数。
在一个示例中,所述初始化模块还用于:将所有粒子中的第一部分粒子中的控制变量初始化为风力发电机的无功出力的最大值;将所有粒子中的第二部分粒子中的控制变量初始化为风力发电机的无功出力的最小值;将所有粒子中的第三部分粒子中的控制变量初始化为初始潮流时的风力发电机的无功出力的值;将所有粒子中的第四部分粒子中的控制变量初始化为随机生成的值。
换言之,根据本发明的实施例的初始化模块401可执行如图1所描述的步骤101和步骤103的操作,为了简明,在此省略重复的描述。
优化模块403可用于:基于预先建立的风电场的无功优化的目标函数,针对每个粒子确定个体最优位置并且针对所有粒子确定全局最优位置;响应于预设的终止条件不被满足,基于个体最优位置和全局最优位置来更新每个粒子的位置,然后返回到针对每个粒子确定个体最优位置并且针对所有粒子确定全局最优位置的步骤。
在一个示例中,预先建立的风电场的无功优化的目标函数可包括至少两个目标函数。至少两个目标函数中的第一目标函数可表示关于风电场中的电压越限节点的个数的函数,至少两个目标函数中的第二目标函数可表示关于风电场中的有功网损的函数。
在一个示例中,优化模块403还用于:针对每个粒子的所有位置进行关于第一目标函数的比较;如果所有位置中仅一个位置满足第一目标函数的值为0,则将所述一个位置确定为该粒子的个体最优位置;如果所述位置之中多个位置满足第一目标函数的值为0,则针对所述多个位置进行关于第二目标函数的比较,并且将所述多个位置之中的满足第二目标函数的值最小的位置确定为该粒子的个体最优位置。
在一个示例中,优化模块403还用于:针对所有粒子进行关于第一目标函数的比较;如果在所有粒子之中仅一个粒子的位置满足第一目标函数,则将所述一个粒子的位置确定为全局最优位置;如果在所有粒子之中多个粒子的位置均满足第一目标函数,则将所述多个粒子的位置之中的满足第二目标函数的粒子的位置确定为全局最优位置。
在一个示例中,优化模块403还用于:基于最大惯性权重因子、最小惯性权重因子、每个粒子中的控制变量的个数、以及当前更新每个粒子的位置时的迭代次数,来修正粒子群算法的速度更新公式中的惯性因子;将个体最优位置和全局最优位置应用于具有修正的惯性因子的速度更新公式,来更新每个粒子的位置。
换言之,根据本发明的实施例的优化模块403可执行如图1所描述的步骤105和步骤111以及如图2和图3所描述的各个步骤的操作,为了简明,在此省略重复的描述。
控制模块405用于:响应于预设的终止条件被满足,根据最终确定的全局最优位置来控制风电场中的各个风力发电机的无功出力。此外,如果控制模块405未接收到来自外部停止控制信号,则无功优化装置400可一直保持初始化模块401、优化模块403和控制模块405的操作。
根据本发明示例实施例的风电场的无功优化方法及装置更适用于风电场内无功优化,可使得节能效果更佳,在风电场安全运行的基础上有效降低风电场的场用电量约10%,以49.5MW风电场为例,每年可提高发电量约24万Kwh~56万Kwh;并且有效解决了当前风电场运营中粗放式的节能管理手段带来的降低了单一设备的损耗、却增大了整体损耗问题、频繁调节、电压调节不合理的问题、集电线路电压升高导致的风力发电机的电压高故障问题等。
图5是示出根据示例实施例的风电场的示图。
根据本发明构思示例实施例的风电场可包括:多个风力发电机、风力发电机控制器以及无功优化装置。
参照图5,风力发电机具备无功出力能力,风力发电机控制器520与相应的风力发电机连接,控制风力发电机提供无功功率。无功优化装置510用于采集各个风力发电机的实时运行状态,并根据各个风力发电机的实时运行状态,确定各个风力发电机提供的无功功率的值。在一个示例中,无功优化装置510通过通信网络与各个风力发电机控制器520连接。该通信网络可以是风电场内部通信网络。
根据本发明实施例,无功优化装置510可具有与参照图4描述的无功优化装置400相同或相似的功能并且可执行上面参照图1至图3描述的各个步骤,为了简明在此省略其重复描述。
根据本发明示例实施例的风电场的无功优化方法、装置及风电场提出基于风力发电机的状态进行动态分区的控制策略,仅对风电场部分区域内的风力发电机进行优化和控制,减少粒子中的控制变量个数,降低无功优化难度,提高收敛速度和收敛性,从而缩短运算时间,提高运算精度;在粒子初始化时适应风电场的特性,从而能够扩大粒子的活动范围,并且增加了粒子的多样性,从而有效地防止种群陷入局部最优,还可以提高收敛速度;采用改进的适用于风电场的目标函数,并通过分层序列方法的改进来处理多目标无功优化目标函数,既可以合理协调各目标之间的关系,寻得满足风电场安全运行指标的最优解,同时可以降低计算机内存占用量、减少计算时间,提高算法的收敛速度;此外对粒子群算法参数进行修正及改进,粒子个数的设定和惯性权重因子是动态变化的,从而能够提高收敛速度和收敛性、缩短运算时间,提高运算精度。
根据本发明构思的示例实施例,图1至图3描述的方法的各个步骤、图4的描述的各个模块及其操作以及图5的无功优化装置510可被编写为程序或软件。可基于附图中示出的框图和流程图以及说明书中的对应描述,使用任何编程语言来编写程序或软件。在一个示例中,程序或软件可包括被一个或多个处理器或计算机直接执行的机器代码,诸如,由编译器产生的机器代码。在另一个示例中,程序或软件包括被一个或多个处理器或计算机使用解释器执行的更高级代码。程序或软件可被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中。在一个示例中,程序或软件或一个或多个非暂时性计算机可读存储介质可被分布在计算机系统上。
根据本发明构思的示例实施例,图1至图3描述的方法的各个步骤、图4的描述的各个模块及其操作以及图5的无功优化装置510可被实现在包括处理器和存储器的计算装置上。存储器存储有用于控制处理器实现如上所述的各个单元的操作的程序指令。
虽然上面参照图1至图5已经详细描述了本发明的特定示例实施例,但是在不脱离本发明构思的精神和范围的情况下,可以以各种形式对本发明进行修改。如果描述的技术以不同的顺序被执行,和/或如果描述的系统、架构、或装置中的组件以不同的方式组合,和/或被其他组件或它们的等同物代替或补充,则可实现合适的结果。因此,本公开的范围不是通过具体实施方式所限定,而是由权利要求和它们的等同物限定,并且在权利要求和它们的等同物的范围内的所有变化将被解释为被包括在本公开中。
Claims (19)
1.一种风电场的无功优化方法,其特征在于,所述方法包括:
根据作为可控变量的风力发电机的个数,来确定每个粒子中的控制变量的个数,其中,粒子中的控制变量为风力发电机的无功出力;
确定粒子的个数,并且针对所有粒子中的每个粒子的位置进行初始化;
基于预先建立的风电场的无功优化的目标函数,针对每个粒子确定个体最优位置,并且针对所有粒子确定全局最优位置;
确定是否满足预设的终止条件;
如果不满足预设的终止条件,则基于个体最优位置和全局最优位置来更新每个粒子的位置,并且再次确定个体最优位置和全局最优位置;
如果满足预设的终止条件,则根据最终确定的全局最优位置来控制风电场中的各个风力发电机的无功出力。
2.如权利要求1所述的方法,其特征在于,
所述作为可控变量的风力发电机包括:处于正常发电状态的风力发电机、处于待机状态并且不执行待机停调控制命令的风力发电机、作为标杆机组并且处于正常发电状态或待机状态的风力发电机。
3.如权利要求1所述的方法,其特征在于,针对所有粒子中的每个粒子的位置进行初始化的步骤包括:
将所有粒子中的第一部分粒子中的控制变量初始化为风力发电机的无功出力的最大值,
将所有粒子中的第二部分粒子中的控制变量初始化为风力发电机的无功出力的最小值,
将所有粒子中的第三部分粒子中的控制变量初始化为初始潮流时的风力发电机的无功出力的值,
将所有粒子中的第四部分粒子中的控制变量初始化为随机生成的值。
4.如权利要求1所述的方法,其特征在于,预先建立的风电场的无功优化的目标函数包括至少两个目标函数,
其中,所述至少两个目标函数中的第一目标函数表示关于风电场中的电压越限节点的个数的函数,
所述至少两个目标函数中的第二目标函数表示关于风电场中的有功网损的函数。
5.如权利要求4所述的方法,其特征在于,针对每个粒子确定个体最优位置的步骤包括:
针对每个粒子的所有位置进行关于第一目标函数的比较,
如果所有位置中仅一个位置满足第一目标函数的值为0,则将所述一个位置确定为该粒子的个体最优位置,
如果所有位置之中多个位置满足第一目标函数的值为0,则针对所述多个位置进行关于第二目标函数的比较,并且将所述多个位置之中的满足第二目标函数的值最小的位置确定为该粒子的个体最优位置。
6.如权利要求4所述的方法,其特征在于,针对所有粒子确定全局最优位置的步骤包括:
针对所有粒子进行关于第一目标函数的比较,
如果在所有粒子之中仅一个粒子的位置满足第一目标函数,则将所述一个粒子的位置确定为全局最优位置,
如果在所有粒子之中多个粒子的位置均满足第一目标函数,则将所述多个粒子的位置之中的满足第二目标函数的粒子的位置确定为全局最优位置。
7.如权利要求1所述的方法,其特征在于,确定粒子的个数的步骤包括:
基于预先设定的最小粒子个数、最大粒子个数、风电场中的所有风力发电机的个数、以及粒子中的控制变量的个数,来确定粒子的个数。
8.如权利要求1所述的方法,其特征在于,基于个体最优位置和全局最优位置来更新每个粒子的位置的步骤包括:
基于最大惯性权重因子、最小惯性权重因子、每个粒子中的控制变量的个数、以及当前更新每个粒子的位置时的迭代次数,来修正粒子群算法的速度更新公式中的惯性因子,
将个体最优位置和全局最优位置应用于具有修正的惯性因子的速度更新公式,来更新每个粒子的位置。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有当被处理器执行时使得处理器执行权利要求1至8中的任一项所述的方法的程序指令。
10.一种计算装置,其特征在于,包括:
处理器;
存储器,存储有当被处理器执行时使得处理器执行权利要求1至8中的任一项所述的方法的程序指令。
11.一种风电场的无功优化装置,其特征在于,所述装置包括:
初始化模块,用于根据作为可控变量的风力发电机的个数,来确定每个粒子中的控制变量的个数,其中,粒子中的控制变量为风力发电机的无功出力;以及确定粒子的个数,并且针对所有粒子中的每个粒子的位置进行初始化;
优化模块,用于基于预先建立的风电场的无功优化的目标函数,针对每个粒子确定个体最优位置并且针对所有粒子确定全局最优位置;响应于预设的终止条件不被满足,基于个体最优位置和全局最优位置来更新每个粒子的位置,然后返回到针对每个粒子确定个体最优位置并且针对所有粒子确定全局最优位置的步骤;
控制模块,用于响应于预设的终止条件被满足,根据最终确定的全局最优位置来控制风电场中的各个风力发电机的无功出力。
12.如权利要求11所述的无功优化装置,其特征在于,所述作为可控变量的风力发电机包括:处于正常发电状态的风力发电机、处于待机状态并且不执行待机停调控制命令的风力发电机、作为标杆机组并且处于正常发电状态或待机状态的风力发电机。
13.如权利要求11所述的无功优化装置,其特征在于,所述初始化模块还用于:
将所有粒子中的第一部分粒子中的控制变量初始化为风力发电机的无功出力的最大值,
将所有粒子中的第二部分粒子中的控制变量初始化为风力发电机的无功出力的最小值,
将所有粒子中的第三部分粒子中的控制变量初始化为初始潮流时的风力发电机的无功出力的值,
将所有粒子中的第四部分粒子中的控制变量初始化为随机生成的值。
14.如权利要求11所述的无功优化装置,其特征在于,预先建立的风电场的无功优化的目标函数包括至少两个目标函数,
其中,所述至少两个目标函数中的第一目标函数表示关于风电场中的电压越限节点的个数的函数,
所述至少两个目标函数中的第二目标函数表示关于风电场中的有功网损的函数。
15.如权利要求14所述的无功优化装置,其特征在于,所述优化模块还用于:
针对每个粒子的所有位置进行关于第一目标函数的比较,
如果所有位置中仅一个位置满足第一目标函数的值为0,则将所述一个位置确定为该粒子的个体最优位置,
如果所述位置之中多个位置满足第一目标函数的值为0,则针对所述多个位置进行关于第二目标函数的比较,并且将所述多个位置之中的满足第二目标函数的值最小的位置确定为该粒子的个体最优位置。
16.如权利要求14所述的无功优化装置,其特征在于,所述优化模块还用于:
针对所有粒子进行关于第一目标函数的比较,
如果在所有粒子之中仅一个粒子的位置满足第一目标函数,则将所述一个粒子的位置确定为全局最优位置,
如果在所有粒子之中多个粒子的位置均满足第一目标函数,则将所述多个粒子的位置之中的满足第二目标函数的粒子的位置确定为全局最优位置。
17.如权利要求11所述的无功优化装置,其特征在于,所述初始化模块还用于:
基于预先设定的最小粒子个数、最大粒子个数、风电场中的所有风力发电机的个数、以及粒子中的控制变量的个数,来确定粒子的个数。
18.如权利要求11所述的无功优化装置,其特征在于,所述优化模块还用于:
基于最大惯性权重因子、最小惯性权重因子、每个粒子中的控制变量的个数、以及当前更新每个粒子的位置时的迭代次数,来修正粒子群算法的速度更新公式中的惯性因子,
将个体最优位置和全局最优位置应用于具有修正的惯性因子的速度更新公式,来更新每个粒子的位置。
19.一种风电场,其特征在于,包括:
多个风力发电机,具备无功出力能力;
风力发电机控制器,与相应的风力发电机连接,控制所述风力发电机提供无功功率;
如权利要求11至18任一项所述的无功优化装置,用于采集各个风力发电机的实时运行状态,并根据各个风力发电机的实时运行状态,确定各个风力发电机提供的无功功率的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489678.9A CN110518644B (zh) | 2018-05-21 | 2018-05-21 | 风电场的无功优化方法、装置及风电场 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489678.9A CN110518644B (zh) | 2018-05-21 | 2018-05-21 | 风电场的无功优化方法、装置及风电场 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110518644A CN110518644A (zh) | 2019-11-29 |
CN110518644B true CN110518644B (zh) | 2021-05-04 |
Family
ID=68621667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810489678.9A Active CN110518644B (zh) | 2018-05-21 | 2018-05-21 | 风电场的无功优化方法、装置及风电场 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110518644B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899250B (zh) * | 2020-08-06 | 2021-04-02 | 朗森特科技有限公司 | 基于区块链和医学图像的远程疾病智能诊断系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120248772A1 (en) * | 2011-04-01 | 2012-10-04 | Mitsubishi Heavy Industries, Ltd. | Control device of wind turbine generator, wind turbine generator, wind farm, and control method for wind turbine generator |
CN102856917B (zh) * | 2012-07-31 | 2014-11-19 | 上海交通大学 | 一种配电网无功优化方法 |
CN103972908A (zh) * | 2014-05-23 | 2014-08-06 | 国家电网公司 | 一种基于自适应混沌粒子群算法的多目标无功优化方法 |
CN105207274B (zh) * | 2015-10-29 | 2017-12-08 | 许继集团有限公司 | 一种自适应调节无功输出的分布式光伏发电控制方法 |
-
2018
- 2018-05-21 CN CN201810489678.9A patent/CN110518644B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110518644A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200191117A1 (en) | Adaptive dynamic planning control method and system for energy storage station, and storage medium | |
CN107039977B (zh) | 电力系统鲁棒调度不确定集构建方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
US11293404B2 (en) | Model predictive control in local systems | |
CN111062632A (zh) | 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法 | |
CN113315164B (zh) | 无功电压控制方法和装置、介质以及计算装置 | |
CN113988384A (zh) | 一种提高配电网可靠性的储能容量优化配置方法 | |
CN111245032B (zh) | 一种计及风电场集电线路降损优化的电压预测控制方法 | |
CN110518644B (zh) | 风电场的无功优化方法、装置及风电场 | |
CN111541279A (zh) | 考虑机组出力状态的风电场功率自动控制系统及方法 | |
CN113852080A (zh) | 一种智能电网的潮流优化方法、系统、设备及存储介质 | |
CN117096962B (zh) | 考虑光伏的电网动态无功补偿优化方法及系统 | |
CN109635999B (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
CN113027674A (zh) | 风力发电机组的控制方法及其装置 | |
CN115333125A (zh) | 基于深度q网络优化运行方式的次同步振荡抑制方法 | |
CN114936516A (zh) | 一种汽轮机轴系振动的预测方法和设备 | |
KR102566824B1 (ko) | 장단기 메모리 네트워크 모델을 학습시키는 방법 및 학습된 장단기 메모리 네트워크 모델을 이용하여 에너지 비용을 최소화하는 방법 | |
Tongyu et al. | Based on deep reinforcement learning algorithm, energy storage optimization and loss reduction strategy for distribution network with high proportion of distributed generation | |
CN117911197B (zh) | 基于改进多目标粒子群算法的光伏选址定容方法及系统 | |
Latani et al. | Coordination of PV Smart Inverters for Grid Voltage Regulation | |
CN116048820B (zh) | 面向边缘云的dnn推断模型部署能耗优化方法和系统 | |
Enyekwe et al. | Speed Control of an Adjustable Speed Pumped Storage Hydropower Plant with a Deep Reinforcement Learning-Based Governor | |
Enyekwe et al. | Deep Reinforcement Learning-Based Governor for Pumped Storage Hydropower | |
CN116231747A (zh) | 分布式光伏逆变器控制方法、装置及存储介质 | |
CN117878959A (zh) | 配电网无功优化方法、设备、装置及计算机可读存储介质 |
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 |