CN110601250A - 一种基于新能源电站接入点静态电压稳定性评估方法 - Google Patents

Abstract

本发明公开一种基于新能源电站接入点静态电压稳定性评估方法，首先对风电场和光伏电站的发电功率进行日短期预测，选取气象数据参数为输入变量，光伏电站和风电场的有功功率为输出，应用随机森林算法分别建立风电场和光伏电站的发电功率预测模型，最终输出风电场和光伏电站下一日功率预测值。在常规静态电压稳定指标IVSI基础上，将风电和光伏的有功功率引入IVSI指标，得到改进后的NVSI指标，以监测风光出力波动性对新能源电站接入点的静态电压稳定性影响。由预测所得的风电场和光伏电站有功功率代入NVSI指标的计算结果，可评估下一日新能源电站接入电网点的静态电压稳定性，为预防控制提供依据，保障新能源电站和电网的安全稳定运行。

Description

一种基于新能源电站接入点静态电压稳定性评估方法

技术领域

本发明涉及一种基于新能源电站接入点静态电压稳定性评估方法，属于新能源发电技术和电力系统稳定与控制技术领域。

背景技术

经济发展所带来的能源危机使得以风电、光伏为代表的新能源发电技术受到越来越多的重视。风电和光电具有分布广泛、无污染等优点，其并网规模也在不断扩大。截止到2017 年9月底，我国风电装机容量达到157000MW、光伏发电装机容量达到120000MW，两者的比例达到1.3:1，其中，光伏电站94800MW，分布式光伏25620MW。由于地理位置的因素，我国风电资源丰富、光照强度较强的地区均集中在青海、新疆等地，因此建设大型光伏电站和风电场进行远距离电力输送已经成为风光发电的重要发展方向。

大规模风光电源接入对电力系统的电压稳定问题逐渐成为关注的热点，其中对电力系统静态电压稳定性的影响也是重要的研究方向。由于光伏电站和风电场出力受天气影响较大，有功出力不稳定，并网后势必会给电网调度、电能质量以及电力系统的稳定运行带来影响。目前关于风光发电并网系统的静态电压稳定性研究主要有P-V曲线法、V-Q曲线法、灵敏度分析法和特征结构分析法等，从各个角度研究风光发电并网系统静态电压稳定性。

如中国专利(CN201710788835.1)公开了一种含风电场电力系统的节点电压静态稳定性评估方法，本发明具体提供了一种含风电场电力系统的节点电压静态稳定性评估方法。所述方法选取线性化处理后的电压无功方程的降阶雅克比矩阵的对角元素取值范围为静态电压稳定性的可信性评估指标，并利用可信性反演理论和模糊模拟得到单次抽样的节点电压相对稳定性模糊评估矩阵。该专利对电力系统的节点电压静态稳定性提供了一种评估方法，但是存在误差范围大，测量精度不准确等缺点。

另外，风光出力的精准预测对静态电压稳定性也有重要的影响。光伏和风电的功率预测根据预测的时间尺度不同可分为4种类型，分别为长期预测、中期预测、短期预测、超短期预测，在本发明中采用短期功率预测，时间间隔为1h。已有的风力发电和光伏发电出力短期预测方法较多，如基于遗忘机制的在线序列极值学习机(FOS-ELM)的短期光伏功率预测，该算法可持续地利用新数据代替旧数据，训练时间短、预测精度高。另外还有BP 神经网络短期功率预测法，随机森林算法短期功率预测法、支持向量机算法等。

新能源电站的短期功率预测通过气象预报数据、风电场和光伏电站历史运行数据、运行状态数据等参数，预测风电出力和光伏出力变化趋势，为电网安全、电力调度、电力运营带来了积极的影响。通过结合静态电压稳定指标可分析风光波动性对电网稳定性产生的影响；根据预测所得有功出力值可及时调整调度计划，改善电网调峰能力，减小旋转备用容量；有助于发电企业科学安排检修计划，减少弃风弃光现象，提高企业效益；提升系能源在电力市场中的竞争力，改善传统风光电源“价高质劣”的缺点。新能源电站的短期功率预测在丹麦、德国等很多风电高穿透率的电网中发挥着重要的作用，目前，世界范围内的风电和光伏功率预测大多集中在对单一风电场和光伏电站的功率预测上，但仅有功率预测并不能很好满足电网调度的需求，电力系统作为一个整体，其他电能参数的影响也较为重要。因此，将短期功率预测结合静态电压稳定指标可较好地分析风光出力波动对新能源电站接入点静态电压稳定的影响，为调度人员提供参考。

发明内容

本发明的目的是针对现有技术存在的风光出力波动对电网静态电压稳定性产生的影响，提供一种基于新能源电站接入点静态电压稳定性评估方法。

为实现上述目的，本发明的技术方案是：

步骤一：采集风电场数据及光伏电站数据；

步骤二：选取风电场和光伏电站的气象数据参数作为输入变量，风电场和光伏电站的有功功率作为输出量，应用随机森林算法分别建立风电场和光伏电站的发电功率预测模型，通过采集下一日的风电场和光伏电站的气象数据并带入预测模型，即可预测出下一日风电场和光伏电站的发电功率；

步骤三：采用平均相对误差和均方根误差为评测指标，检验随机森林短期功率预测的精度；

步骤四：改进静态电压稳定指标，将光伏和风电的有功功率引入传统的IVSI(improved voltage stability index)指标中，得到能够监测风光出力波动性对新能源电站接入点的静态电压稳定性影响的NVSI(New voltage stability index)指标；

步骤五：将步骤二所得光伏电站和风电场的短期功率预测值代入步骤四的NVSI(New voltage stability index)指标中进行计算，根据计算结果分析风光出力波动对新能源电站接入点静态电压稳定的影响。

进一步地，所述步骤一中所采集的风电场数据有：气压(hPa)、风速(m/s)、风向角(°)、气温(℃)、相对湿度(RH)、降水量(mm)、有功功率(MW)7个特征向量；所采集的光伏电站数据有：总辐射量(MJ/m²)、法向直接辐射量(MJ/m²)、环境温度(℃)、有功功率(MW)4个特征向量；同时，对所采集的气象数据和有用功率数据进行简单的处理，删除部分存在明显误差的数据，取下一时刻数值代替。

进一步地，所述步骤二中风电场气象数据参数为气压(hPa)、风速(m/s)、风向角(°)、气温(℃)、相对湿度(RH)、降水量(mm)；光伏电站气象数据参数为：总辐射量(MJ/m²)、法向直接辐射量(MJ/m²)、环境温度(℃)。设S＝{(x_i，y_j)|＝1,2···M；j＝ 1,2···N}为训练样本集，每个训练样本x有M个属性，在风电短期功率预测模型中，M＝6，即为6个风电场的气象参数，在光伏短期功率预测模型中，M＝3，即为3个光伏电站的气象参数，每个因变量y有N个特征向量，在光伏预测模型和风电预测模型中，N均为1，即光伏短期发电功率和风电场短期有功功率。随机森林短期功率预测模型建立的基本步骤如下：

1)采用Bootstrap法从训练样本集中有放回地随机抽取K个数据样本集S₁,S₂,…S_K，并保证每个样本集容量相等；

2)针对K个样本集建立K个对应的CART决策树C₁,C₂,…C_K：从M个属性中随机选择m(0<m<M)个属性作为当前非叶子节点的分裂属性集，在此基础上依据损失函数选择其中最好的分裂方式不断进行递归二进制分裂，直至生成完整的决策树；

3)在决策树训练完成之后，以袋外数据为测试集，检验模型的准确度，随机森林的预测结果即为森林中所有决策树预测结果的平均值。

随机森林短期功率预测结果是由K个随机向量θ_k组成的集合{h(X,θ_k),k＝1,2,...K}的输出结果均值所决定的，对于任一预测值h(x)的泛化误差为(1)式：

E_X,Y[Y-h(X)]²(1)

式中，X为输入样本值，Y为输出样本值，h(x)为预测值。

进一步地，步骤三中平均相对误差和均方根误差分别如式(2)、式(3)所示：

其中，x_i为第i个时间点的功率实际值；y_i为第i个时间点的短期功率预测值，n为总的预测点数。

进一步地，所述步骤四中改进的静态电压稳定指标NVSI(New voltage stabilityindex) 如式(4)所示

其中，G_ij为线路ij的电导；B_ij为线路ij的电纳；P_i为节点i的有功功率；Q_i为节点 i的的无功功率；P_NE为新能源电站的有功功率；Q_NE为新能源电站的无功功率；V_j为节点j 的电压；δ_ij为节点i、j之间电压相角差。

进一步地，所述步骤五中改进静态电压稳定指标NVSI(New voltage stabilityindex) 的数值反映风光出力波动对电网静态电压稳定产生的影响，NVSI(New voltagestability index)的临界值为1，越接近0表征系统越稳定，越接近1表征系统稳定性越差。

与现有技术相比，本发明的有益效果是：(1)本发明能够适用于风、光发电并网系统，避免了传统静态电压稳定指标无法客观的反映风光出力波动性对系统静态电压稳定的影响问题；(2)根据预测所得的短期风光发电功率代入改进的静态电压稳定指标计算结果可评估下一日新能源电站接入点的静态电压稳定性，为预防控制提供依据，保障新能源电站和电网的安全稳定运行。

附图说明

图1为本发明实施例中运用随机森林算法预测所得到的光伏发电功率和BP神经网络预测所得光伏发电功率以及光伏电站发电量实际值的拟合曲线图；

图2为本发明实施例中运用随机森林算法预测所得到的风力发电功率和BP神经网络预测所得风力发电功率以及风电场发电量实际值的拟合曲线图；

图3为本发明中推导静态电压稳定指标所采用的系统并网节点简化图；

图4为本发明方法具体实施例的含光伏和风电的14节点系统结构示意图；

图5为本发明实施例中的某典型日负荷曲线图；

图6为本发明实施例中典型日内风光出力波动下新能源电站接入点的NVSI(Newvoltage stability index)指标值。

具体实施方式

下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。

步骤一：采集风电场数据和光伏电站数据，根据风电场和光伏电站气象数据，创建训练样本；

由于光伏出力具有明显的昼发夜停性，对其采样时，只采取每日的6:07-17:52时间段，时间间隔为1h的发电量数据和总辐射量(MJ/m²)、法向直接辐射量(MJ/m²)以及环境温度(℃)3个气象因素。现以某地某年4月至6月份数据构建训练样本集S＝ {(x_i，y_j)|i＝1,2···M；j＝1,2···N}，其中参数x_i为包括3个气象特征的输入变量，y_i为输出特征即光伏有功功率。

同样，在采集风电场数据时，采样间隔为1h，取4月至6月份每日24小时风电场气象数据和有功功率数据构建训练样本集，气象特征包括气压(hPa)、风速(m/s)、风向角(°)、气温(℃)、相对湿度(RH)以及降水量(mm)，训练样本集参数x_i为包括以上6个气象特征的输入变量，y_i为输出特征即风力有功功率。

步骤二：以风电场6个气象数据为输入变量，风电场有功功率为输出特征，应用随机森林算法建立风电场短期功率预测模型，以3月份风电场的气象数据为测试集，通过不断调整算法中决策树的个数N_tree和在每个节点处进行分割的预测器的数目M_try得到最优的风电短期功率预测值。

以光伏电站3个气象数据为输入变量，光伏电站有功功率为输出特征，应用随机森林算法建立光伏电站短期功率预测模型，以3月份光伏电站的气象数据为测试集，通过不断调整算法中决策树的个数N_tree和在每个节点处进行分割的预测器的数目M_try得到最优的光伏短期功率预测值。

步骤三：为科学地检验随机森林(RF)预测精度，与传统神经网络(BP)预测结果进行对比，采用平均相对误差(MAPE)和均方根误差(RMSE)为评测指标，其中平均相对误差(MAPE)的计算公式为(5)，均方根误差(RESE)的计算公式为(6)；

式中，x_i为时间i的实际值；y_i——为i时间的预测值。

光伏出力预测结果对比如下，预测对比图如图1：

如图1

由上述表格可以看出，光伏出力应用随机森林预测的精度比传统神经网络预测的精度更佳；

风电出力预测结果对比如下，预测对比图如图2：

如图2

由上述表格可以看出，风电出力应用随机森林预测的精度比传统神经网络预测的精度更佳；

步骤四：考虑风光并网系统中，风光出力变化对静态电压稳定指标的影响，在现有的 IVSI(improved voltage stability index)指标的基础上进行改进。IVSI(improvedvoltage stability index)指标如式(7)：

其中，G_ij为线路ij的电导；B_ij为线路ij的电纳；P_i为节点i的有功功率；Q_i为节点 i的的无功功率；V_j为节点j的电压；δ_ij为节点i、j之间电压相角差。

综合考虑风光电站有功功率波动，将其引入静态电压稳定评估指标中，得到更具适用性的NVSI(New voltage stability index)指标。电网发生电压不稳定现象一般在部分薄弱母线处，当大规模风光电站并入弱电网时，若缺乏无功补偿，则发生母线电压崩溃现象的概率较大。光伏电站或风电场并网节点处的线路可简化如图3。

图3中，V_i为并网母线电压；V_j为各负荷母线电压；y_ij为母线i和j之间线路导纳； I_i为所有负荷线路电流之和；S_NE为并网的光伏电站或风电场功率，S_NE＝P_NE+jQ_NE，P_NE为光伏或风电的有功功率，Q_NE为光伏或风电的无功功率。

将光伏电站和风电场视为负的负荷，则系统功率平衡方程如式(8)：

S_i＝P_i+jQ_i＝V_iI_i+(-S_NE) (8)

式中I_i如式(9)，

将式(9)代入(8)得式(10)：

式中，δi为i节点电压相角；θ_ij为线路y_ij的导纳角；δ_ij为节点i、j之间电压相角差。因此，由式(10)可得式(11)

式中，G_ij——线路ij的电导；B_ij——线路ij的电纳。将式(11)看作关于∣V_i∣的二次方程，则可将该母线的电压稳定问题转化为该方程有解性问题。因此，为保证方程有解，根的判别式应满足以下条件，即改进后的静态电压稳定评估指标NVSI(New voltagestability index)为式(12)

NVSI(New voltage stability index)的临界值为1，当指标值接越近1时，表征该母线电压稳定性越差，而当指标值越接近0时，表征该母线电压稳定性越好。

步骤五：将光伏电站和风电场并入传统IEEE-14节点系统，建立图4所示风光并网仿真模型。系统负荷曲线如图5，将随机森林算法预测所得的风电和光伏出力值设置为该模型的风光电站出力，模拟分析实际运行中风光的出力变化，并将功率预测值代入NVSI(Newvoltage stability index)指标计算。此时，假设指标中只有光伏和风电出力值改变，其余电气量不变，用当前值代替，通过指标值来评估下一日系统静态电压稳定性。由于风电场和光伏电站接入位置不同，利用式(12)可分别求得风电场并网母线Bus4以及光伏电站并网母线Bus5处的NVSI(New voltage stability index)指标值。图6为预测所得某一典型日内风光出力曲线，以及在该预测功率下光伏电站和风电场接入点的NVSI指标变化曲线，通过该指标值来评估该天风光接入点的静态电压稳定情况。

图6为在图5所示负荷倍数变化下，风电出力波动联合光伏出力波动对光伏电站和风电场接入点NVSI指标的影响。由图可以看出，在白天负荷倍数较大时，NVSI指标值也随之增大，表明负荷倍数对风光接入点电压稳定影响较大，负荷倍数越大风电场接入点的静态电压稳定性越差；而光伏电站接入点的NVSI指标值一直低于风电场接入点的指标值，表明光伏接入点的母线较为坚固，受风光出力和负荷波动的影响较小；

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于新能源电站接入点静态电压稳定性评估方法，其特征在于：包括如下步骤：

步骤一：采集风电场数据及光伏电站数据；

步骤二：选取风电场和光伏电站气象数据参数为输入变量，风电场和光伏电站的有功功率为输出量，应用随机森林算法分别建立风电场和光伏电站的发电功率预测模型，预测下一日光伏电站和风电场的发电功率；

步骤三：采用平均相对误差和均方根误差为评测指标，检验短期功率预测精度；

步骤四：改进静态电压稳定指标，将光伏和风电的有功功率分别引入传统的IVSI指标中，得到能够监测风光出力波动性对新能源电站接入点的静态电压稳定性影响的NVSI指标；

步骤五：将步骤二所得光伏电站和风电场的短期功率预测值代入步骤四的NVSI指标中进行计算，根据计算结果分析风光出力波动对新能源电站接入点静态电压稳定的影响。

2.根据权利要求1所述的一种基于新能源电站接入点静态电压稳定性评估方法，其特征在于：所述步骤一中所采集的风电场数据有：气压、风速、风向角、气温、相对湿度、降水量、有功功率7个特征向量；所采集的光伏电站数据有：总辐射量、法向直接辐射量、环境温度、有功功率4个特征向量。

3.根据权利要求1所述的一种基于新能源电站接入点静态电压稳定性评估方法，其特征在于：所述步骤二中风电场气象数据参数为气压、风速、风向角、气温、相对湿度、降水量；光伏电站气象数据参数为：总辐射量、法向直接辐射量、环境温度。

4.根据权利要求1所述的一种基于新能源电站接入点静态电压稳定性评估方法，其特征在于：采集风电场数据和光伏电站数据的时间间隔为1h，用于构建训练样本集S＝{(x_i，y_j)|i＝1,2…M；j＝1,2…N}，其中参数x_i为风电场和光伏电站的气象数据参数，作为输入变量，y_i为风电场和光伏电站输出的有功功率。

5.根据权利要求1所述的一种基于新能源电站接入点静态电压稳定性评估方法，其特征在于：所述步骤三采用平均相对误差和均方根误差为评测指标，平均相对误差如式(1)所示，均方根误差如式(2)所示：

其中，x_i为第i个时间点的功率实际值；y_i为第i个时间点的功率预测值，n为总的预测点数。

6.根据权利要求1所述的一种基于新能源电站接入点静态电压稳定性评估方法，其特征在于：所述步骤四中改进的静态电压稳定指标NVSI如式(3)所示：

其中，G_ij为线路ij的电导；B_ij为线路ij的电纳；P_i为节点i的有功功率；Q_i为节点i的的无功功率；P_NE为新能源电站(光伏电站或风电场)的有功功率；Q_NE为新能源电站的无功功率；V_j为节点j的电压；δ_ij为节点i、j之间电压相角差。

7.根据权利要求1所述的一种基于新能源电站接入点静态电压稳定性评估方法，其特征在于：所述步骤五中改进静态电压稳定指标NVSI的数值反映风光出力波动对电网静态电压稳定产生的影响，NVSI的临界值为1，越接近0表征系统越稳定，越接近1表征系统稳定性越差。