CN111245032A - 一种计及风电场集电线路降损优化的电压预测控制方法 - Google Patents
一种计及风电场集电线路降损优化的电压预测控制方法 Download PDFInfo
- Publication number
- CN111245032A CN111245032A CN202010082143.7A CN202010082143A CN111245032A CN 111245032 A CN111245032 A CN 111245032A CN 202010082143 A CN202010082143 A CN 202010082143A CN 111245032 A CN111245032 A CN 111245032A
- Authority
- CN
- China
- Prior art keywords
- voltage
- wind
- grid
- reactive power
- optimization
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000009467 reduction Effects 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 230000001965 increasing effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000006641 stabilisation Effects 0.000 claims abstract description 5
- 238000011105 stabilization Methods 0.000 claims abstract description 5
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000005096 rolling process Methods 0.000 claims abstract description 3
- 230000035945 sensitivity Effects 0.000 claims description 23
- 230000033228 biological regulation Effects 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
-
- 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
Abstract
本发明属于风电场运行控制技术领域,尤其涉及一种计及风电场集电线路降损优化的电压预测控制方法,包括:采用实验法建立无功、电压、损耗之间的预测模型;综合考虑预测周期内电压波波动及集电系统损耗的目标函数以及基于粒子群算法的优化求解方法;针对目标函数设计自适应目标函数,目标权重系数实现自适应计算;对目标权重系数进行迭代优化,在优先保证约束条件的同时逐渐提高电压稳定子目标和集电系统损耗子目标权重;选取每台风电机组的无功设定值作为优化变量;对更远预测点,仅暂时确定所有风电机组无功设定值总量,平均分配给每台风电机组,在下一轮优化中再具体优化第二个预测点的无功设定值具体分配,以此滚动降低变量维数。
Description
技术领域
本发明属于风电场运行控制技术领域,尤其涉及一种计及风电场集电线路降损优化的电压预测控制方法。
背景技术
随着风力发电技术的不断发展,智能、精细、高效已成为风电运营的新趋势。由于大规模集中式开发以及风电出力的时变性,风电场对接入电网电压稳定性的影响十分显著,因此风电场必须配备可靠的电压控制系统,以确保不同工况下并网点电压及功率因数符合电网要求。
目前,风电场级自动电压控制系统主要基于当前工况进行无功调节,例如专利“一种风电场无功电压分层控制方法及系统”(CN 109193819 A)。然而,在风速波动等复杂场景下,风电机组有功的剧烈变化会带来并网点电压及功率因数的波动。传统的风电场无功调节策略在电压调节上缺乏预判机制,因此调节的快速性及稳定性都有待改进。同时,由于风电场内集电线路长、变压设备多,所以线路损耗问题也十分突出,某个风电场实际运行数据统计表明风电场场损率超过7%。
常规风电场级电压控制系统,仅以维持电压稳定为目标,为追求电压最大程度稳定,频繁调节无功设备和风电机组无功设定值,而对集电系统损耗并不关注,降低风电场经济效益;部分考虑风电场集电系统损耗的电压控制系统只是针对单一场景进行优化,不能根据运行场景调节优化目标,从而导致风速快速波动或出现故障等情况下,集电系统损耗与维持电压稳定目标不能自主协调与切换。
同时,由于大型风电场中风电机组和无功设备数量较多,且采用预测模型控制需要对多个预测点进行优化,若采用常规优化算法,需要优化参数数目大,目标搜索空间维度过高,从而导致优化效果差,优化速度慢。
发明内容
针对上述问题,本发明提出了一种计及风电场集电线路降损优化的电压预测控制方法,包括:
步骤1:采用实验法建立无功、电压、损耗之间的预测模型;
步骤2:建立风电场电压控制系统,包括:综合考虑预测周期内电压波波动及集电系统损耗的目标函数以及基于粒子群算法的优化求解方法,将优化结果解码得出综合控制指令,并在控制点下发至风电机群执行;
步骤3:针对目标函数设计自适应目标函数,目标权重系数实现自适应计算;
步骤4:对目标权重系数进行迭代优化,在优先保证约束条件的同时逐渐提高电压稳定子目标和集电系统损耗子目标权重;
步骤5:选取每台风电机组的无功设定值作为优化变量;对更远预测点,仅暂时确定所有风电机组无功设定值总量,平均分配给每台风电机组,在下一轮优化中再具体优化第二个预测点的无功设定值具体分配,以此滚动降低变量维数。
所述步骤1包括:
步骤101:根据风电场拓扑结构将每台风电机组定义为一个节点,并网节点为风电场与电网直接连接的主变压器高压侧节点;
步骤102:采用摄动法,按风速划分工况,建立风电机组节点之间以及与并网点间的无功功率-电压灵敏度矩阵和预测模型;
步骤103:采用摄动法,按风速划分工况,建立无功功率-网损灵敏度关系和预测模型。
所述步骤2中的约束条件包括:风电机组无功出力约束、节点电压不等式约束,目标函数包括:并网点电压稳定程度子目标、集电系统损耗子目标、惩罚函数。
所述步骤3以各预测点风电场所需无功总量和下一控制点无功分配为控制变量,以目标函数为适应度函数,考虑约束条件,设计粒子群算法进行优化求解,得出最优结果。
所述目标权重系数根据以下规则进行自适应计算:
本发明的有益效果:
1.本发明实现了风电场运行中电压控制与损耗控制这两大问题的协调解决,是对当前风电场无功控制技术的重要改进,使电压控制及降损控制这两个控制目标有机结合。
2.本发明所设计的风电机组无功优化粒子优化算法,在目标函数、约束条件处理、编码方式等关键技术上都有改进之处,可确保优化效果与执行效率。
3.本发明根据并网点电压和风速波动合理协调控制目标中电压稳定性和集电系统损耗的关系,从而在风电场并网点电压和功率系数在满足电网要求的前提下,实现深度挖掘集电系统降损潜力,进一步提高风电场无功电压控制的综合效益。
4.本发明总体控制架构以风电场各种电压工况为条件,设计了涵盖各种电压工况下的全程无功控制解决方案,能够在更长时间尺度上达到风电场电压的总体优化控制,从而提高了调节的有效性,增强了风电场并网电压稳定性,具有良好工程实用价值。应用数据表明测试风电场在并网电压稳定性及场内线路损耗方面均得到良好改善。
5.本发明对第一个预测点,选取该时刻每台风电机组的无功设定值作为优化变量;对更远预测点,仅粗略确定所有风电机组无功设定值总量,平均分配给每台风电机组,在下一轮优化中再具体优化第二个预测点的无功设定值具体分配问题;这种处理方法降低了目标搜索空间维度,在保证结果优化质量的同时,极大的降低了运算耗时。
6.本发明引入预测控制的思想,使风电场无功电压调节带有预判性,从而在长时间尺度上保证良好的控制效果。在风电场调节无功的同时,预先计算出不同无功分布下集电线路的损耗,从而选择最优的无功控制方案,即可以同步实现提高风电场运行稳定性与经济性的双重目标。
附图说明
图1是本发明的控制方法结构图。
图2是风电场拓扑结构图。
图3是无功预测控制时间序列示意图。
图4是粒子群算法优化方法。
具体实施方式
下面结合附图,对实施例作详细说明。
本发明总体架构为图1,主要包括:
步骤1:采用实验法建立无功、电压、损耗之间的预测模型。
步骤101:假设当前时刻为t0,风速为风电场有N台风电机组,风电场拓扑结构如图2所示。将每台风电机组定义为一个节点,节点n电压记作VWT(n)(t0),有功功率为PWT(n)(t0),无功注入功率为QWT(n)(t0)。并网节点指风电场与电网直接连接的主变压器高压侧节点,并网点有功功率记为PPCC(t0),电压记为VPCC(t0)。集电系统损耗指运行过程中因集电线路和变压设备等产生的有功损耗,记作Ploss(t0)。设为风电场提供的t0时刻风电机组n的有功功率预测值。设 分别为t0时刻第n台风电机组的无功预测值和实际无功设定值
步骤102:采用摄动法,建立风电场无功-电压模型。
a.划分工况。
由于风电场是一个多耦合非线性系统,不同工况下灵敏度差异较大,各工况下灵敏度需单独求解,首先对典型工况进行划分。典型工况集合按风速进行划分,假设风电机组的切入风速为切出风速为以为间隔将其划分为n个工况,典型工况集合为C=[c1,…,cn],其中工况cn风速区间为其他工况依次类推。
b.建立风电机组节点之间以及与并网点间的无功-电压灵敏度矩阵。
设在当前时刻t0,风速风电机组j的无功设定值为测量风电机组i的出口电压VWT(i)(t0)和并网点电压VPCC(t0)。在风电场稳定运行条件下,将风机j的无功设定值增加假设Δt时间后,风电机组全部恢复稳定运行,测量风电机组j的无功功率QWT(j)(t0+Δt),风电机组i的出口电压VWT(i)(t0+Δt)和并网点电压VPCC(t0+Δt)。
则在工况c1下,节点i电压与节点j无功功率变化灵敏度关系为:
并网点电压与节点j无功功率变化灵敏度关系为:
在不同工况下,分别测量计算节点i电压与每个节点的灵敏度关系,即可得到节点电压与其他节点的全部灵敏度关系。
c.建立风电机组节点之间以及与并网点间的无功-电压预测模型。
t1时刻在工况c1下,风电机组无功-电压预测模型为:
步骤103:采用摄动法,建立无功-损耗预测模型。
典型工况划分和步骤102中相同,此处不再详细描述。
a.t时刻集电线路运行损耗定义为:
式中,Ploss(t)为t时刻的网损瞬时值,PWT(i)(t)为风电机组i在t时刻有功功率,PPCC(t)为t时刻并网点有功功率。
b.建立无功-网损灵敏度关系。假设t1时刻工况为c1,风电机组j无功设定值为测量当前时刻所有风电机组有功功率和并网点有功功率,将风电机组j的无功设定值增加Δt时刻后风电机组全部恢复稳定运行,测量风电机组j实际无功功率,所有节点有功功率和并网点有功功率。
式中,Ploss(t0)和Ploss(t0+Δt)分别表示t0时刻和t0+Δt时刻的集电系统损耗。
在同一工况下,依次改变各台风电机组的无功设定值,并重复上述操作,即可得出网损与每个节点的灵敏度关系:
在不同工况下,分别测量计算网损与每个风机节点的灵敏度关系,即可得到完整灵敏度关系。
c.建立无功-网损预测模型。假设t1时刻工况为c1,无功-网损预测模型为:
步骤2:基于步骤1中所建立的模型,建立风电场电压控制系统。控制时序图如图3所示,假设当前时刻为t0,功率预测及风电机组控制周期为T,优化周期为mT(m为控制周期的整数倍),此时以t0+T(即t1)至t0+mT(即tm)时刻内m个预测点的无功设定值为控制变量,目标函数综合考虑预测周期内电压波波动及集电系统损耗,建立基于粒子群算法的优化求解策略,将优化结果解码得出预测周期内的综合控制指令,并在控制点下发至风电机群执行。完成本次优化后,以t2为起点进行下次优化。以此类推。
步骤201:建立约束条件:
a.风电机组无功出力约束
b.节点电压不等式约束
Vmin≤VWT(j)(ti)≤Vmax
式中,Vmax,Vmin分别为第j个节点电压及其上下限值;
步骤202:建立目标函数:
a.并网点电压稳定程度子目标h1:
b.集电系统损耗子目标h2:
c.惩罚函数:
整体惩罚函数如下:
Fpenalty=β(f1+f2+f3)
式中,f1为风电机组无功设定值惩罚函数,f2为节点电压惩罚函数,f3为并网点电压惩罚函数,w1、w2和w3为惩罚因子。
通过对权重系数的合理选择,对以上三个指标进行归一化处理,得到最终目标函数:
H=h1+h2+Fpenalty
步骤203:以各预测点风电场所需无功总量和下一控制点无功分配为控制变量,以(2)中目标函数为适应度函数,考虑(1)中约束条件,设计粒子群算法进行优化求解,得出最优结果。
步骤204:将优化结果解码为功率指令并下发至风电机组,在t1时刻执行首个预测点的控制指令,保留更远预测点的控制指令至下一次接收到指令。若风电机组t2时刻仍未接收到新指令,则保持上个控制点存储的控制指令。
步骤3:针对步骤202,设计自适应目标函数。为保证风电场在不同场景下均能安全运行,并最大程度降低集电系统损耗,设计目标权重系数α根据以下规则进行自适应计算:
这样处理的优势是,若风速较为平稳,由于风机有功输出稳定,则风电场并网点电压波动较小,此时α计算结果也相对较小,即电压稳定子目标h1的权重减小,而集电系统损耗子目标h2的权重则增大,于是自动实现了优先降损的控制目标。而当若风速波动明显,风机有功输出变化大,则风电场并网点电压波动必然较大,需要优先解决,而集电系统降损转化为次要目标。此时α计算结果也自动增大,即电压稳定子目标h1的权重增大,而集电系统损耗子目标h2的权重则减小,于是自动实现了优先稳定电压的控制目标。这样一来,电压稳定与降损两个子目标可以根据工况自适应调整优化侧重点,这是本发明的特点之一。
步骤4:针对步骤202中目标权重系数β取值,设计如下措施:
式中,βmax、βmin为目标权重系数β的最大值和最小值,Gen为迭代次数。这样处理可以令β初始值较大,即优先保证约束条件能够满足;然后β随迭代次数增加逐渐减小,即优化子目标h1和h2的相对重要性整体提高。这种设计可以确保目标函数在约束条件内进行,同时避免由于约束过强而使收敛过程不稳定。
步骤5:针对步骤203,其流程图如图4所示。设风电场内待优化风机数量为N台,待优化周期数为m个。若选取各预测点每台风电机组的无功设定值作为目标函数,目标搜索空间维度为N×m,一般来讲维数过高,影响优化算法运行效率。本发明对此进行简化设计:对第一个预测点t1,选取该时刻每台风电机组的无功设定值作为优化变量;对更远预测点,仅暂时确定所有风电机组无功设定值总量,再平均分配给每台风电机组,即每个预测点仅选取一个无功设定值作为优化变量;在下一轮优化中再具体优化第二个预测点t2的无功设定值具体分配问题,以此滚动。这样一来,优化变量维数即降低到N+m-1。这也是本发明的特点之一。
具体步骤:
步骤501:首先在N+m-1个优化参数组成的目标搜索空间中,设由K个粒子组成一个群体,粒子群的位置向量集合X表示为:
式中,xp(i)(tj)表示粒子i在tj时刻的位置;相对应的,为第1台风电机组在tj时刻的无功设定值,为第N台风电机组在tj时刻的无功设定值,为tj+1时刻所有风电机组的无功设定值,为tm时刻所有风电机组的无功设定值;
步骤502:相对应的,设粒子的速度向量集合vp表示为:
vp=[vp(1)(tj),vp(2)(tj),...,vp(N+m-1)(tj)]。
其中,vp(i)(tj)表示粒子i在时刻j时的速度。
第一代种群中,每个粒子初始位置在当前无功设定值附近随机生成,初始速度均为0。将每个粒子带入步骤202的目标函数计算粒子适应度值,根据适应度值衡量各粒子优劣,适应度值越小,粒子表现越好。将第k个粒子迄今为止的最优位置记为
将寻优过程中所有粒子进行比较得出的群最优位置记为
步骤503:各时刻粒子根据下式更新自己的速度和位置:
式中,c1表示认知因子,c2表示社会因子;ω为惯性权重;r1和r2是0~1之间的随机变量。位置更新中应用步骤202中的约束条件,若超限则取约束条件中最大值或最小值。
将粒子更新后的位置带入步骤202中的目标函数,计算适应度值,更新Xbestik和Xbestg。若结果收敛或完成最大迭代次数,结束循环,得出Xbestg;否则更新粒子速度和位置,重复执行上述操作。
步骤504:针对步骤204,求解结果为粒子群算法中粒子的最优位置Xbestg,结果中前N项对应代表下各风电机组一个预测点的无功设定值,例如表示风电机组N在t1时刻的无功设定值,将这部分作为无功控制指令按对应关系在t1时刻下发给风电机群执行;结果中剩余m-1项对应代表t2至tm时刻预测点的无功设定值,例如表示t2时刻所有风电机组的无功控制指令,将这部分作为风电机组更远预测点的设定初始值下发至风电机组,保留至下次优化进行更新。若在t2时刻,风电机组因通信故障,未能接收到更新无功控制指令,则执行上一轮优化结果中t2时刻无功指令。
下面以针对某典型海上风电场应用为例,包含25台5MW双馈型风电机组,其拓扑结构如图2所示。各风电机组间距为0.56km,集电系统电缆截面积为240mm2,均电阻为0.0975Ω/km,均电容为0.18μF/km,均电感为0.39mH/km。预测及无功控制周期均为15分钟,优化周期内包含4个控制周期。风机切入风速为4m/s,按照1m/s为间隔划分工况,计算各工况的灵敏度关系矩阵。
测试时段内各相应控制周期的预测平均风速如表1所示。
表1预测风速(单位:m/s)
时间 | t<sub>1</sub> | t<sub>2</sub> | t<sub>3</sub> | t<sub>4</sub> |
风速 | 10.3 | 10.1 | 9.7 | 9.5 |
风电场常规无功/电压控制策略,即九区图控制,根据风电场正常运行时的并网点功率因数和电压参数区间,将坐标平面分为9个区间。在风电机组层面的无功控制采用比例分配法。
表2并网点电压灵敏度(单位:pu/pu)
第一台 | 第二台 | 第三台 | 第四台 | 第五台 | |
线路一 | 1.0234 | 1.0236 | 1.0245 | 1.0243 | 1.0251 |
线路二 | 1.0226 | 1.0219 | 1.0226 | 1.0234 | 1.0221 |
线路三 | 1.0212 | 1.0191 | 1.0206 | 1.0192 | 1.0202 |
线路四 | 1.0163 | 1.0164 | 1.0171 | 1.0183 | 1.0184 |
线路五 | 1.0149 | 1.0142 | 1.0154 | 1.0171 | 1.0164 |
表3集电系统损耗灵敏度(单位:kW/pu)
利用所求灵敏度,建立预测模型。采用粒子群算法对风电机组无功功率进行优化。粒子群算法具体参数如下:种群大小为80;最大优化次数取1000;惯性权重线性递减,初始值为1.2,终值为0.8;加速系数c1=c2=2。目标函数为并网点电压稳定程度h1、集电系统损耗h2和惩罚函数Fpenalty建立的多目标函数:
H=h1+h2+Fpenalty,
目标函数中α=0.6,βmax=1,βmin=0.4。在满足潮流等式约束、风电机组无功出力、节点电压等不等式约束的条件下按上述规则进行优化,具体优化过程如图4所示。在分别完成对t1至t4控制周期的优化后,每个控制点每台风电机组无功设定值如下表所示。
表4 t1时刻风电机组无功设定值(单位:pu)
第一台 | 第二台 | 第三台 | 第四台 | 第五台 | |
线路一 | 0.1355 | 0.1503 | 0.2016 | 0.1976 | 0.1231 |
线路二 | 0.1014 | 0.1328 | 0.1493 | 0.0863 | 0.1868 |
线路三 | 0.1901 | 0.1426 | 0.1071 | 0.1697 | 0.1660 |
线路四 | 0.1382 | 0.1036 | 0.1785 | 0.1897 | 0.0999 |
线路五 | 0.1958 | 0.0827 | 0.1352 | 0.0848 | 0.1101 |
表5 t2时刻风电机组无功设定值(单位:pu)
第一台 | 第二台 | 第三台 | 第四台 | 第五台 | |
线路一 | 0.0897 | 0.1227 | 0.0980 | 0.1202 | 0.1493 |
线路二 | 0.1389 | 0.1268 | 0.1094 | 0.1257 | 0.1352 |
线路三 | 0.1703 | 0.1237 | 0.1020 | 0.1212 | 0.1603 |
线路四 | 0.1650 | 0.1716 | 0.1479 | 0.1442 | 0.1075 |
线路五 | 0.1108 | 0.1761 | 0.1754 | 0.1602 | 0.1186 |
表6 t3时刻风电机组无功设定值(单位:pu)
第一台 | 第二台 | 第三台 | 第四台 | 第五台 | |
线路一 | 0.0993 | 0.0855 | 0.1215 | 0.0743 | 0.0558 |
线路二 | 0.0566 | 0.0546 | 0.0628 | 0.1173 | 0.1158 |
线路三 | 0.0913 | 0.1079 | 0.0819 | 0.0643 | 0.0605 |
线路四 | 0.1184 | 0.1138 | 0.0733 | 0.0782 | 0.0776 |
线路五 | 0.0983 | 0.0873 | 0.1075 | 0.1041 | 0.1097 |
表7 t4时刻风电机组无功设定值(单位:pu)
第一台 | 第二台 | 第三台 | 第四台 | 第五台 | |
线路一 | 0.1205 | 0.1053 | 0.0780 | 0.0724 | 0.0931 |
线路二 | 0.1291 | 0.1144 | 0.0616 | 0.1252 | 0.0640 |
线路三 | 0.1026 | 0.1297 | 0.1166 | 0.1181 | 0.0934 |
线路四 | 0.1371 | 0.1027 | 0.0972 | 0.1160 | 0.1129 |
线路五 | 0.1191 | 0.0819 | 0.1285 | 0.1217 | 0.0700 |
常规控制方法下无功设定值如表8所示。
表8常规方法无功设定值(单位:pu)
时间 | t<sub>1</sub> | t<sub>2</sub> | t<sub>3</sub> | t<sub>4</sub> |
无功设定值 | 0.1426 | 0.1426 | 0.1426 | 0.1378 |
常规控制策略与本发明所提方法下,各控制周期内风电场主要控制参数对比如下:
表9并网点电压(单位:pu)
t<sub>1</sub> | t<sub>2</sub> | t<sub>3</sub> | t<sub>4</sub> | |
常规方法 | 1.0031 | 1.0040 | 1.0049 | 1.0054 |
本发明方法 | 1.0030 | 1.0029 | 1.0031 | 1.0031 |
表10集电系统损耗(单位:MWh)
综上,本发明在并网点电压、集电线路损耗指标控制效果上均优于常规方法。根据该风电场所在地区的典型年风频分布数据对全年的网损量进行估算:常规控制策略下,年损耗为5.95GWh,而本发明方法下为5.63GWh,年损耗降低了约5.4%,可见本发明具有良好的应用价值。
此实施例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 (5)
1.一种计及风电场集电线路降损优化的电压预测控制方法,其特征在于,包括:
步骤1:采用实验法建立无功、电压、损耗之间的预测模型;
步骤2:建立风电场电压控制系统,包括:综合考虑预测周期内电压波波动及集电系统损耗的目标函数以及基于粒子群算法的优化求解方法,将优化结果解码得出综合控制指令,并在控制点下发至风电机群执行;
步骤3:针对目标函数设计自适应目标函数,目标权重系数实现自适应计算;
步骤4:对目标权重系数进行迭代优化,在优先保证约束条件的同时逐渐提高电压稳定子目标和集电系统损耗子目标权重;
步骤5:选取每台风电机组的无功设定值作为优化变量;对更远预测点,仅暂时确定所有风电机组无功设定值总量,平均分配给每台风电机组,在下一轮优化中再具体优化第二个预测点的无功设定值具体分配,以此滚动降低变量维数。
2.根据权利要求1所述计及风电场集电线路降损优化的电压预测控制方法,其特征在于,所述步骤1包括:
步骤101:根据风电场拓扑结构将每台风电机组定义为一个节点,并网节点为风电场与电网直接连接的主变压器高压侧节点;
步骤102:采用摄动法,按风速划分工况,建立风电机组节点之间以及与并网点间的无功功率-电压灵敏度矩阵和预测模型;
步骤103:采用摄动法,按风速划分工况,建立无功功率-网损灵敏度关系和预测模型。
3.根据权利要求1所述计及风电场集电线路降损优化的电压预测控制方法,其特征在于,所述步骤2中的约束条件包括:风电机组无功出力约束、节点电压不等式约束,目标函数包括:并网点电压稳定程度子目标、集电系统损耗子目标、惩罚函数。
4.根据权利要求1所述计及风电场集电线路降损优化的电压预测控制方法,其特征在于,所述步骤3以各预测点风电场所需无功总量和下一控制点无功分配为控制变量,以目标函数为适应度函数,考虑约束条件,设计粒子群算法进行优化求解,得出最优结果。
5.根据权利要求1所述计及风电场集电线路降损优化的电压预测控制方法,其特征在于,所述目标权重系数根据以下规则进行自适应计算:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010082143.7A CN111245032B (zh) | 2020-02-07 | 2020-02-07 | 一种计及风电场集电线路降损优化的电压预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010082143.7A CN111245032B (zh) | 2020-02-07 | 2020-02-07 | 一种计及风电场集电线路降损优化的电压预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111245032A true CN111245032A (zh) | 2020-06-05 |
CN111245032B CN111245032B (zh) | 2023-12-22 |
Family
ID=70870448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010082143.7A Active CN111245032B (zh) | 2020-02-07 | 2020-02-07 | 一种计及风电场集电线路降损优化的电压预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111245032B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114050591A (zh) * | 2021-11-09 | 2022-02-15 | 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 |
CN115219853A (zh) * | 2022-09-20 | 2022-10-21 | 北京智盟信通科技有限公司 | 风电场集电线路故障预警处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105591392A (zh) * | 2016-01-26 | 2016-05-18 | 沈阳工业大学 | 提高风电场经济运行的风机无功优化方法 |
CN106159961A (zh) * | 2015-04-10 | 2016-11-23 | 华北电力大学(保定) | 一种考虑时空特性的双馈风电场无功电压协调控制方法 |
CN108306334A (zh) * | 2018-02-28 | 2018-07-20 | 天津大学 | 基于粒子群优化算法的风电场内部无功优化策略 |
CN108494020A (zh) * | 2018-03-29 | 2018-09-04 | 重庆大学 | 风速波动下风电送出系统无功电压主动控制方法 |
CN109936146A (zh) * | 2019-03-05 | 2019-06-25 | 国网湖南省电力有限公司电力科学研究院 | 一种基于改进灵敏度算法的风电场协调优化控制方法 |
-
2020
- 2020-02-07 CN CN202010082143.7A patent/CN111245032B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106159961A (zh) * | 2015-04-10 | 2016-11-23 | 华北电力大学(保定) | 一种考虑时空特性的双馈风电场无功电压协调控制方法 |
CN105591392A (zh) * | 2016-01-26 | 2016-05-18 | 沈阳工业大学 | 提高风电场经济运行的风机无功优化方法 |
CN108306334A (zh) * | 2018-02-28 | 2018-07-20 | 天津大学 | 基于粒子群优化算法的风电场内部无功优化策略 |
CN108494020A (zh) * | 2018-03-29 | 2018-09-04 | 重庆大学 | 风速波动下风电送出系统无功电压主动控制方法 |
CN109936146A (zh) * | 2019-03-05 | 2019-06-25 | 国网湖南省电力有限公司电力科学研究院 | 一种基于改进灵敏度算法的风电场协调优化控制方法 |
Non-Patent Citations (1)
Title |
---|
ZHAO H等: "Combined Active and Reactive Power Control of Wind Farms based on Model Predictive Control[" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114050591A (zh) * | 2021-11-09 | 2022-02-15 | 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 |
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 |
CN115219853A (zh) * | 2022-09-20 | 2022-10-21 | 北京智盟信通科技有限公司 | 风电场集电线路故障预警处理方法及系统 |
CN115219853B (zh) * | 2022-09-20 | 2023-01-20 | 北京智盟信通科技有限公司 | 风电场集电线路故障预警处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111245032B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN110826880A (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
CN105787592A (zh) | 基于改进rbf网络的风电机组超短期风功率预测方法 | |
CN108198091A (zh) | 一种基于改进粒子群算法的风电系统无功优化方法 | |
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 | |
CN111614110B (zh) | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 | |
CN106099987A (zh) | 一种分散式风电机组无功优化策略 | |
CN104638654B (zh) | 兼顾风电场和网络节点电压调节的statcom控制方法 | |
CN108667077A (zh) | 一种风蓄联合系统优化调度方法 | |
CN108390387A (zh) | 一种动态自律分散协调的源荷调峰控制方法 | |
CN117134398A (zh) | 混合储能系统功率控制方法、控制设备及储能网 | |
CN110135640B (zh) | 一种基于模糊聚类改进和声算法的风电配网优化调度方法 | |
CN116031957A (zh) | 一种大规模风电场电压与频率恢复控制方法 | |
CN115021336A (zh) | 一种面向高比例新能源电力系统惯量不足场景的优化方法 | |
CN112018808B (zh) | 一种基于多逆变器通信的光伏电压协同控制方法 | |
CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
CN113011718A (zh) | 基于和声搜索算法的配电网有功-无功联合优化调度方法 | |
Xiangyu et al. | Regional power grid AGC control strategy research based on Q-learning algorithm under WACPB mode | |
CN114204613A (zh) | 一种海上风电场接入电力系统的无功补偿方法和系统 | |
CN114709836B (zh) | 基于ag-mopso的含风电配电网无功优化方法 | |
CN113507134B (zh) | 一种规划目标年新能源电源装机容量的优化规划方法 | |
Liu et al. | Control of Large-Scale Battery Storage Systems in Different Areas of Multi-area Power Systems | |
CN117277358B (zh) | 基于主从博弈和改进Shapley值法的风光水火多源调频方法 | |
Ma et al. | Research on grid-planning methods for the integration of high-permeability renewable energy | |
Huang et al. | Research on Optimal Allocation of Distributed Power Supply Based on Particle Swarm Optimization Algorithm |
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 |