CN111756050A

CN111756050A - 一种风电场群分布式电压协调控制方法及系统

Info

Publication number: CN111756050A
Application number: CN202010423551.4A
Authority: CN
Inventors: 王成福; 张哲�; 董晓明; 杨明; 梁军; 韩学山
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2020-05-19
Filing date: 2020-05-19
Publication date: 2020-10-09
Anticipated expiration: 2040-05-19
Also published as: CN111756050B

Abstract

本公开提供了一种风电场群分布式电压协调控制方法及系统，属于风电场控制技术领域，获取风电集群区域中的各个风电场数据，至少包括当前时刻的状态信息、每个风电场并网点参考电压以及公共并网点参考电压；进行双层控制，第一层控制根据获取的风电场数据和第一随机预测控制模型，得到电容投切、电感投切以及有载分接开关变化的最优控制量；第二层控制根据获取的风电场数据和第二随机预测控制模型，得到各风电场的每个风机的无功输出变化量，根据交替方向乘子法进行风电场间的分布式协调优化，得到各个风电场中每个风机的最优无功输出控制量；本公开提高了风电场控制器的可扩展性，具有更好的灵活性和鲁棒性。

Description

一种风电场群分布式电压协调控制方法及系统

技术领域

本公开涉及风电场控制技术领域，特别涉及一种风电场群分布式电压协调控制方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

我国风资源分布不均，大量规模化风电场群远离负荷中心，由电网末端接入，与电网间呈现弱连接关系，缺乏来自于电网侧坚强、有效的支撑。随着风电并网规模的不断扩大，风能的不确定性和波动性严重影响着风电场并网电压，有必要从风电场侧出发，建立无功电压控制系统，利用风电场侧的无功设备平抑由风速波动带来的电压波动。

目前风电场无功电压控制研究主要围绕两个层面展开：(1)风电场内部电压控制；(2)多风电场间的电压协调。一般而言，风电场具有控制场内多种无功设备的能力，有研究人员基于模型预测控制(Model predictive control，MPC) 协调了场内多种无功补偿设备，并实现了风电场自身并网点(Point of coupling， POC)电压的实时、稳定控制。不过，上述研究都是针对单一风电场进行的。随着目前风场数量增多、容量增大，且多以集中方式接入电网，以单场为单位进行独立控制慢慢表现出不协调和复杂性的特点，不能兼顾全局电压稳定。部分地区为了满足电压要求，不得不限制风电出力，严重降低了清洁能源的利用率。因此，有必要在风电集群区域范围内对风电场群电压进行统一管理与控制。

本公开发明人发现，全局优化控制策略是实现风电场间协调配合并满足电压控制要求的有效途径；但是现有全局控制方法的控制周期较长，无法应对短时风功率波动对电压造成的影响；随着风电装机容量的持续增长，中央控制器的计算负担急剧增加；控制性能严重依赖于通信系统和中央控制器的性能和可靠性，缺乏足够的鲁棒性和灵活性；已有集中控制策略可能不适合未来几十个甚至上百个风场间的实时、协调控制。

此外，风电输出具有不确定性，已有的基于MPC的风电场电压控制很大程度上依赖于风功率预测信息的准确性，并未充分考虑风功率预测误差而产生的电压越限风险，而且虽然MPC对预测误差具有一定的鲁棒性，但随着预测误差的增大，极易造成电压控制存在较大偏差或越限，因此MPC无法完全地处理风电不确定性。

发明内容

为了解决现有技术的不足，本公开提供了一种风电场群分布式电压协调控制方法及系统，进行双层控制，在上层控制中，利用分钟级风功率预测信息在长时间尺度集中优化协调风电集群区域范围内的电容/电感投切量以及有载调压变压器分接头位置；在下层控制中，各风场单独构成一个控制区域，优化协调场内各风机无功输出；相邻风电场之间交互秒级风功率预测信息以及无功功率等信息，基于交替方向乘子法实现了不同风电场在短时间尺度的无功协调，与集中控制相比，本公开具有更好的灵活性和鲁棒性。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种风电场群分布式电压协调控制方法。

一种风电场群分布式电压协调控制方法，包括以下步骤：

获取风电集群区域中的各个风电场数据，至少包括当前时刻的状态信息、每个风电场并网点参考电压以及公共并网点参考电压；

以公共并网点电压的电压偏差和各个风电场并网点电压的电压偏差之和最小为控制目标，进行双层控制；

第一层控制根据获取的风电场数据和第一随机预测控制模型，得到电容投切、电感投切以及有载分接开关变化的最优控制量；

第二层控制根据获取的风电场数据和第二随机预测控制模型，得到各风电场的每个风机的无功输出变化量，根据交替方向乘子法进行风电场间的分布式协调优化，得到各个风电场中每个风机的最优无功输出控制量。

本公开第二方面提供了一种风电场群分布式电压协调控制系统。

一种风电场群分布式电压协调控制系统，包括：

数据获取模块，被配置为：获取风电集群区域中的各个风电场数据，至少包括当前时刻的状态信息、每个风电场的并网点参考电压以及公共并网点参考电压；

目标函数构建模块，被配置为：以公共并网点电压的电压偏差和各个风电场并网点电压的电压偏差之和最小为控制目标，进行双层控制；

第一层控制模块，被配置为：第一层控制根据获取的风电场数据和第一随机预测控制模型，得到电容投切、电感投切以及有载分接开关变化的最优控制量；

第二层控制模块，被配置为：第二层控制根据获取的风电场数据和第二随机预测控制模型，得到各风电场的每个风机的无功输出变化量，根据交替方向乘子法进行风电场间的分布式协调优化，得到各个风电场中每个风机的最优无功输出控制量。

本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的风电场群分布式电压协调控制方法中的步骤。

本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的风电场群分布式电压协调控制方法中的步骤。

与现有技术相比，本公开的有益效果是：

1、本公开提供的方法、系统、介质及电子设备，在上层控制中，利用分钟级风功率预测信息在长时间尺度集中优化协调风电集群区域范围内的电容/电感投切量以及有载调压变压器分接头位置；在下层控制中，各风场单独构成一个控制区域，优化协调场内各风机无功输出。相邻风电场之间交互秒级风功率预测信息以及无功功率等信息，基于交替方向乘子法实现了不同风电场在短时间尺度的无功协调，提高了风电场控制器的可扩展性，与集中控制相比，具有更好的灵活性和鲁棒性。

2、本公开提供的方法、系统、介质及电子设备，在已有MPC基础上考虑风功率预测误差的概率分布信息，将随机预测控制模型(Stochastic model predictive control，SMPC)引入风电场电压控制，通过机会约束来处理预测误差导致的电压越限风险，保证了电压控制效果。

3、本公开提供的方法、系统、介质及电子设备，基于交替方向乘子法在风电场间实施分布式控制，各个风电场控制器并行计算，每个风电场控制器只需求解本地SMPC优化控制问题，在不损失全局最优解的前提下，显著降低了控制器的计算负担。

4、本公开提供的方法、系统、介质及电子设备，不仅可以在长时间尺度充分发挥离散设备的无功补偿能力，为风电并网提供充足的无功支撑；更可在短时间尺度优化协调各风场无功输出以应对短时风电随机波动，从长、短两个时间尺度对风电集群区域范围内的电压进行垂直控制，协调了离散和连续设备。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的风电场群分布式电压协调控制方法的流程示意图。

图2为本公开实施例1提供的风电集群区域网络架构的示意图。

图3为本公开实施例1提供的分布式协调控制结构的示意图。

图4为本公开实施例1提供的风场间通信拓扑图。

图5为本公开实施例1提供的各风场风功率示意图。

图6为本公开实施例1提供的电压控制结果示意图。

图7为本公开实施例1提供的四种控制方式下V_PCC的对比示意图。

图8为本公开实施例1提供的四种控制方式下V_POC的对比示意图。

图9为本公开实施例1提供的将DSMPC的控制周期缩短为2s甚至1s，各风场的并网点电压控制效果图。

图10为本公开实施例1提供的通信故障时的仿真结果示意图。

图11为本公开实施例1提供的各风场并网点电压示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本公开实施例1提供了一种风电场群分布式电压协调控制方法，具体为：

在上层控制中，利用分钟级风功率预测信息在长时间尺度集中优化协调风电集群区域范围内的电容/电感投切量，以及有载调压变压器分接头位置。

在下层控制中，各风场单独构成一个控制区域，优化协调场内各风机无功输出。相邻风电场之间交互秒级风功率预测信息以及无功功率等信息，基于交替方向乘子法(ADMM)实现不同风电场在短时间尺度的无功协调。

另外：采用电流注入法计算电压灵敏度系数以提高了计算效率。

典型的风电集群区域网架结构如图2所示，各风场输出功率通过输电线路汇集后经主变压器升压接入外部电网；其中：n表示风场数量；POC为风电场并网点；PCC为风电集群区域公共并网点。

风电场之间的分布式控制结构如图3所示。每一个风电场(WF)都拥有分布式协调控制器(DCC)。

相邻风电场之间交互各自风电场对应秒级风功率预测信息P^pre、当前时刻有功功率输出P以及无功功率输出Q、无功功率参考Q^ref、以及各自并网点电压V_POC等信息。

同时，从系统侧获取公共并网点电压V_PCC以及有功无功电压灵敏度系数

最后，以并网点参考电压

以及公共并网点参考电压

为控制基准，基于 SMPC求解风场对应无功输出。

从图2和图3可以看出，本实施例所提控制策略不仅可以在长时间尺度充分发挥离散设备的无功补偿能力，为风电并网提供充足的无功支撑；更可在短时间尺度优化协调各风场无功输出以应对短时风电随机波动。同时，基于交替方向乘子法，每个DCC只需求解本地SMPC优化控制问题，在不损失全局最优解的前提下，显著降低了控制器的计算负担。与集中控制相比，具有更好的灵活性。

随机预测控制模型(Stochastic model predictive control，SMPC)受到广泛关注。SMPC利用预测值的概率分布信息来量化预测的不确定性，并将这些量化的不确定性纳入SMPC公式以形成机会约束的随机优化问题，SMPC是处理风功率随机波动的有效工具。

风电集群区域具有与配电网相同的径向结构，电压等级较低，R/X比值较大，使得牛顿-拉夫森法在计算灵敏度系数时有时不能收敛。因此，采用电流注入法计算电压灵敏度系数以提高计算效率。

S1：灵敏度系数计算

S1.1：有功与无功电压灵敏度系数

假设一个具有N个节点的系统，节点1为平衡节点，其余节点为PQ节点。其中，平衡节点的电压幅值保持V₁＝V_sl不变，其余PQ节点的电压V_i和电流I_i可通过导纳矩阵建立如下关系式：

式中：i＝2，3，···，N；Y为相应节点的自导纳或互导纳。

将式(1)中的导纳矩阵求逆，PQ节点上的电压V_i和电流I_i可经由阻抗矩阵建立如下关系式：

其中阻抗矩阵第一列中的γ是由导纳阵求逆得到的相应系数；Z为相应节点的自阻抗或互阻抗。

在式(2)中，假设除节点k以外的电流全为0，节点j的电压V_j满足如下关系式：

γ_j1V_sl+Z_jkI_k＝V_j k、j＝2,L,N (3)

节点k注入的电流I_k可由节点k注入的功率P_k，Q_k及对应节点电压V_k求得：

式中：re代表实部，im代表虚部。

合并变量γ_j1和V_sl，使得V_γj＝γ_j1V_sl，式(3)可进一步表示为：

式中：R_jk+jX_jk＝Z_jk，其中R_jk代表Z_jk的实部，X_jk代表Z_jk的虚部。

将式(5)按照实部和虚部展开，求取

和

相对于P_k和Q_k的偏导数：

(注意：该表达形式在整个研究中都代表偏导)。

由

得，j点的电压变化相对于k点功率注入的灵敏度系数为：

S1.2：有载调压变压器分接头(OLTC，On Load Tap Changer)位置变化量灵敏度系数

假设OLTC位于系统中i、k节点之间，当节点i端的分接头位置T_i已知时，变压器两端电压、电流满足如下关系：

由式(7)可知i、k两端的电流变化满足：

与式(2)类似，当需要调整节点k的电压时，由节点i和节点k的电流变化量可知，节点k的电压V_k满足如下关系式：

同样，当需要调节j节点电压时，节点j的电压V_j满足如下关系式：

γ_j1V_sl+Z_jiΔI_i+Z_jkΔI_k＝V_j (10)

假设节点i端的分解头变化对电压V_i的影响为0，即：

进行与3.1 小节中相同的分析过程，由式(9)(10)可求得k点的电压变化以及j点的电压变化相对于i端变比变化的灵敏度系数

与

S2：预测模型

S21：上层预测模型

上层控制变量为电容/电感投切量，以及OLTC位置变化量。考虑到各风场在一个控制周期内有功功率变化的影响，将上层每个控制周期T_H划分为H_m个更小时间点。公共并网点电压V_PCC、以及各个风电场并网点电压V_{POC_i}在风电场有功波动及变压器和电容/电感共同作用下满足：

式中：k＝1，2，···，H_m×H_p，H_p表示上层预测时域内控制周期的个数，(0) 为预测开始时间，(k)表示预测步骤k，ΔQ_C表示电容器发出无功功率变化量，ΔQ_L表示电感消耗无功功率变化量。

选取式(11)和(12)中的V_PCC、V_{POC_i}作为状态变量；ΔT、ΔQ_C、ΔQ_L作为控制输入；风场有功波动ΔP_H作为扰动信息，建立如下预测模型：

式中：

系数矩阵为：

式中：I表示单位矩阵。

S22：下层预测模型

公共并网点电压V_PCC、以及各个风电场并网点电压V_{POC_i}同时受风场有功和无功出力影响。风场有功出力在一个控制周期内是时刻变化的；同时，场内风机在控制点收到无功变化指令后，会经一阶惯性环节过渡到稳态值。

其中：

为第i个风电场中第l台风机无功功率变化参考；Δq_{i_l}为第i个风电场中第l台风机实际无功功率变化量；τ_{i_l}表示风机无功响应惯性时间常数；s表示复变量。

与上层类似，将下层控制周期T_L划分为L_m个更小时间点，无功响应比例s_i ^k _{_l}在各时间点满足:

式中：k＝1，2，···，L_m×L_p。L_p表示下层预测时域内控制周期的个数。Δt表示采样时间间隔，满足：Δt＝T_L/L_m。

考虑有功变化的影响，对应一个控制周期中的L_m个更小时间点，DCC i预测得到的公共并网点电压

以及风电场并网点电压

在风场有功、无功共同作用下可表达为：

式中：p_{i_l}为第i个风电场中第l台风机实际有功功率；

表示第i个风电场中第l台风机在一个无功指令周期中，第k个更小时间点的无功响应系数；

表示第 j个风电场在一个无功指令周期中，第k个更小时间点的无功响应系数；m为场内风机总数。如果WF i与WF j有通信连接，a_ij＝1，否者，a_ij＝0。

选取式(17)(18)中的

作为状态变量；风场WF-i的无功输出ΔQ_i作为控制输入；风场WF-i的有功输出以及相邻风场的有功无功输出作为扰动信息ΔW_i，结合风机无功响应的动态过程，依据状态空间模型，建立输入与输出之间的预测模型：

式中:x_i(k)表示自k时刻起，未来L_m个时间点的

以及

的预测变化序列； y_i(k)表示k时刻的

以及

的预测值,满足：

系数矩阵A_i、B_i、C_i和D_i为：

其中：

S3：目标函数

上层集中控制的目标是保持公共并网点电压V_PCC、以及各个风电场并网点电压V_{POC_i}在允许范围内。据此，以电压偏差最小为目标，建立目标函数：

式中：W_PCC、W_{POC_i}为对应权重系数。

约束条件如下：

式中：上标“max”和“min”分别表示对应变量的最大值和最小值；α_PCC∈(0,1)；α_{POC_i}∈(0,1)；

表示上层对应电压阈值。

在上层控制的基础上，V_PCC和V_{POC_i}将被保持在合理范围内。下层控制中，各风场DCC i优化协调场内各风机无功输出，使

更接近其对应参考值。

目标函数为：

约束条件如下：

式中：

表示下层对应电压阈值。

S4：SMPC约束转换及ADMM流程

(13)和(19)中的预测模型以及(24)、(26)中的目标函数都可以简写为统一形式：

其中：W_y为对应权重系数。

满足约束：

其中：α∈(0,1)。

S41：机会约束转化

风场有功输出变化量ΔP(k)、有功预测输出变化量ΔP_pre(k)以及预测误差变化量Δε(k)之间满足：

ΔP(k)＝ΔP_pre(k)+Δε(k) (31)

由式(28)可以看出，控制输出y与随机变量Δε线性相关，Δε的随机性可以通过y来反映。这样，y也是随机变量。通过引入新的变量e(k)可将目标函数(29) 转化为如下形式：

满足约束：

约束(33)中的输出约束可进一步转化为：

因为各时刻的预测误差ε(k)服从不同的正态分布，当变化量Δε的期望μk-1与方差

已知时，不确定约束(34)可转化为如下确定性形式：

其中

是标准正态分布的反函数，这样，约束(33)中的输出约束可用式 (35)代替。

此时，式(33)中的所有约束都转化为确定性线性不等式。因此，SMPC模型可以描述为一个凸二次规划问题，可以使用专业工具完成求解。

S42：下层分布式控制流程

如图2所示，在下层控制中，各风场单独构成一个控制区域，优化协调场内各风机无功输出。同时，采用ADMM实现风电场间的分布式协调优化。

以WF i为例，令z_i表示风机无功输出辅助变量，λ_i表示风机无功功率输出约束的拉格朗日乘子，ρ_i表示惩罚因子。

式(26)的增广拉格朗日函数可表示为：

首先，根据^[k]时刻

各独立风电场根据风场内风机状态进行独立并行优化，得到各风机无功输出变化量：

然后，在此基础上，依据如下函数更新辅助变量z_i：

之后，依据

可以计算得到原始残差和对偶残差如下：

同时，在求得

后，拉格朗日乘子λ_i可进行如下更新：

此外，定义如下可调参数ε_inc>1、ε_dec>1、μ>0，

可更新如下：

最后，当

和

满足如下条件时，迭代停止，

S5：算例分析

搭建如图1所示风电集群区域仿真模型，风电场数量n＝9，各风电场的额定容量都为：P_{e_i}＝20×5MW。风电场群由OLTC升压后经长距离输电线路连接至 IEEE 14节点系统，且位于末端14节点处。OLTC的分接头位于高压侧，可调节量为：±8×1.25％。电容器的容量为：100×1Mvar。电抗器的容量为：100×1Mvar。

下层分布式控制中，风场间的通信拓扑如图4所示。

以

进行仿真分析以验证本实施例方法，在上层控制中，V_PCC、V_{POC_i}应满足：V_PCC∈[0.98,1.02]p.u.、V_{POC_i}∈[1.00,1.06]p.u.；在下层控制中，V_PCC、V_{POC_i}应满足：V_PCC∈[0.99,1.01]p.u.、V_{POC_i}∈[1.02,1.04]p.u.。另外：α_PCC＝α_{POC_i}＝0.9。仿真中，上层控制依据未来一个控制周期中，12个点的预测信息(H_p＝1，H_m＝12)，每2min优化协调一次OLTC分接头位置、以及电抗器/电容器投切容量；下层控制每隔0.5s将电压、有功和无功功率等实测数据上传给风场内电压控制系统DCC，并依据未来三个控制周期中，24个点的预测信息(L_p＝3， L_m＝8)，每隔4s将优化后无功出力参考指令作用于风机。

仿真时长为120s，其中：各风场的实际功率输出如图5所示。

S51：上层控制效果

考虑到离散控制设备的动作周期一般较长，为与风场中具有快速无功调节能力的DFIG相配合，本实施例提出了两层控制策略，并按不同时间尺度控制不同补偿设备。在上层控制中只有离散控制设备被使用。为检验其在较长时间尺度的电压控制效果，仅让上层控制动作，电压控制效果如图6所示。

由图5中的(a)可以看出，对公共并网点电压V_PCC而言，控制前后都能保持电压在规定范围内，差异较小。观察图5中的(b)可以发现，如果不采取任何控制， V_POC整体相对高于参考电压

且在60s及80s附近，部分风场的并网点电压将超出允许范围。由图5中的(c)可以看出，当上层采取动作，各风场并网点电压都将保持在允许范围内。结合表1中V_PCC、V_POC相对于参考电压的偏差均值

可知，上层控制可以有效减少电压控制偏差，且使电压整体相对均匀分布在参考电压附近。

表1：整个仿真过程的期望μ

S52：下层控制效果

本实施例在下层控制中采用了分布式控制方法，目的是为了实现风电场间无功功率的快速协调。为了说明方法的有效性，设计了如下4个仿真场景。

1)、模型预测控制MPC；

2)、随机模型预测控制SMPC；

3)、分布式随机模型预测控制DSMPC；

4)、集中式随机模型预测控制CSMPC。

在各仿真场景中，上层采用本实施例说提SMPC，下层控制周期均为4s。其中：在场景MPC中，不考虑预测误差的影响，认为ΔP＝ΔP_pre。且场景MPC与场景 SMPC一样，不与相邻风场叫交互信息，即令预测模型中的通讯系数矩阵 [a_ij]_9×9＝[0]_9×9。在场景CSMPC中，假设存在一个集中控制器，统一控制风电集群区域范围内的所有风机，各场景下的电压控制效果如图7所示。

由图7可以看出，四种控制方式下，V_PCC波动情况基本相同，表2中的δ亦可以体现出这一特点。而就控制偏差的期望而言，CSMPC最小，且本实施例所提 DSMPC与其具有基本相同的控制效果。

表2：

的期望μ和标准差δ

观察图8可以发现，四种控制方式下的V_POC有明显区别。MPC因为没有考虑预测误差的影响，在20s、40s、80s等多个时刻附近违反电压约束。考虑预测误差的影响后，SMPC可以有效地将各风场并网点电压控制在允许范围内。而本实施例所提DSMPC在各风场自主控制的基础上，与相邻风场进行信息交互，实现了各风场之间的协调，使得各风场并网点电压都趋近于参考值，且控制效果接近于CSMPC。

不过，CSMPC每次的计算时间在2.5s左右，而DSMPC可以在0.2s内就能完成优化计算。如果将DSMPC的控制周期缩短为2s甚至1s，各风场的并网点电压控制效果如图9所示。

由图9可以看出，DSMPC的控制周期为2s时，其控制效果基本与CSMPC相同。当DSMPC的控制周期缩短为1s时，控制效果明显优于CSMPC。为更直观的体现出不同控制周期的DSMPC与CSMPC的区别，将不同控制周期下

的期望和标准差记录在表3中：

表3：

的期望μ和标准差δ

由表3可以看出，当DSMPC的控制周期为2s时，风电场整体并网点电压相对于参考值的偏差与CSMPC相同，两者具有相同的控制效果。进一步缩小DSMPC 的控制周期后，可以取得比CSMPC更好的控制效果。

S53：通讯故障

为检验本实施例所提下层分布式控制方法在通讯故障时的鲁棒性。假设在 60s时，WF6和WF7之间出现通讯故障，不再相互交互信息，仿真结果如图10所示。

如图10所示，尽管WF6和WF7之间存在通信链路故障，但DSMPC仍然可以提供与图9中的(a)相同的控制性能，这体现了良好的鲁棒性。究其原因是因为风电场间的通信网络在通信失败后仍然是一个连通的图，体现了风电场通信网络的鲁棒性，保证了控制的收敛性。

S54：即插即用

本实施例用以检验所提DSMPC控制方法的即插即用能力。其中，WF5在30s 时脱网，76s时重新并网，各风场并网点电压如图11所示。

从图11可以看出，WF5的断开对系统造成的干扰较小，除V_{POC_5}跌落为汇集母线电压外，其余各风场并网点电压基本保持不变。虽然WF5的重新连接对系统影响较大，但V_{POC_5}迅速回归到参考电压附近，且系统经几个控制周期的修正后可以重新恢复稳定。而对于集中控制而言，风电场的任何变化，如WF的断开 /重连或扩展，都会导致中央控制器的修改，灵活性降低。

针对风电集群区域范围内，随机风电波动对电压控制的影响，本实施例提出了一种基于分布式随机模型预测的风电场两层电压控制策略。利用机会约束将预测误差的概率分布引入SMPC公式，上层可在长时间尺度减小风功率引起的大波动，下层在局部测量的基础上，利用ADMM算法进行分布式协同电压控制。仿真结果表明，下层分布式电压控制与集中电压控制具有相同的控制性能，且 DSMPC对通信链路失效以及风场即插即用都具有良好的鲁棒性。与集中控制相比，由于其灵活性，对于未来数百甚至数千个风机的大规模风电场或风电集群，所提出的分布式控制方案将更为适用。

实施例2：

本公开第二方面提供了一种风电场群分布式电压协调控制系统，包括：

所述系统的工作方法与实施例1提供的风电场群分布式电压协调控制方法的步骤相同，这里不再赘述。

实施例3：

本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的风电场群分布式电压协调控制方法中的步骤，所述步骤为：

详细步骤与实施例1中的控制方法相同，这里不再赘述。

实施例4：

本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的风电场群分布式电压协调控制方法中的步骤，所述步骤为：

详细步骤与实施例1中的控制方法相同，这里不再赘述。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims

1.一种风电场群分布式电压协调控制方法，其特征在于，包括以下步骤：

2.如权利要求1所述的风电场群分布式电压协调控制方法，其特征在于，以当前时刻的公共并网点电压和当前时刻的每个风电场的并网参考电压为状态变量，以电容投切量、电感投切量以及有载调压变压器分接头的位置变化量为控制输入，以风场有功波动量为扰动信息，构建第一随机预测控制模型。

3.如权利要求2所述的风电场群分布式电压协调控制方法，其特征在于，所述第一随机预测控制模型，具体为：

其中，ΔP_H(k)为风电场有功波动，ΔU(k)为电容投切量、电感投切量以及有载分接开关变化量构成的矩阵，x_H(k)为表示自k时刻起多个时间点风电场的V_PCC以及V_{POC_i}的预测变化序列，V_PCC为公共并网点电压；V_{POC_i}为第i个风电场预测得到的此风电场并网点电压；y_i(k)表示k时刻的V_PCC以及V_{POC_i}的预测值，A_H、B_H、C_H和D_H均为系数矩阵。

4.如权利要求1所述的风电场群分布式电压协调控制方法，其特征在于，以某个风电场预测得到的公共并网点电压和此风电场的并网点为状态变量，此风电场的无功输出作为控制输入，此风电场的有功输出以及相邻风场的有功和无功输出作为扰动信息，构建第二随机预测控制模型。

5.如权利要求4所述的风电场群分布式电压协调控制方法，其特征在于，所述第二随机预测控制模型，具体为：

其中，x_i(k)表示自k时刻起多个时间点第i个风电场的

以及

的预测变化序列，

为某个风电场预测得到的公共并网点电压；

为第i个风电场预测得到的此风电场并网点为状态变量；y_i(k)表示k时刻的

以及

的预测值，A_i、B_i、C_i和D_i均为系数矩阵，ΔQ_i为第i个风电场的无功输出，ΔW_i为风电场的有功输出以及相邻风场的有功和无功输出。

6.如权利要求1所述的风电场群分布式电压协调控制方法，其特征在于，各独立风电场根据k时刻风机无功输出辅助变量、风机无功功率输出约束的拉格朗日乘子、惩罚因子以及风场内的风机状态进行独立并行优化，得到下一时刻各风机无功输出变化量；

更新下一时刻的风机无功输出辅助变量，根据下一时刻各风机无功输出变化量以及风机无功输出辅助变量，得到原始残差和对偶残差；

当原始残差和对偶残差均小于各自对应的预设阈值时，得到各个风机最优的无功输出变化量。

7.如权利要求1所述的风电场群分布式电压协调控制方法，其特征在于，在进行第一层控制和第二层控制时，每个控制周期均划分为多个时间段；

或者，第一随机预测控制模型和第二随机预测控制模型的约束均通过机会约束转换的方式，转化为确定性线性不等式；

或者，当前公共并网点电压的电压偏差为当前公共并网点电压与公共并网点参考电压的差值，各个风电场并网点电压的电压偏差为当前每个风电场并网点电压与对应的风电场并网点参考电压的差值。

8.一种风电场群分布式电压协调控制系统，其特征在于，包括：

9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的风电场群分布式电压协调控制方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的风电场群分布式电压协调控制方法中的步骤。