CN112308470A - 一种风电并网频率响应异常监测方法及系统 - Google Patents

一种风电并网频率响应异常监测方法及系统 Download PDF

Info

Publication number
CN112308470A
CN112308470A CN202011573821.6A CN202011573821A CN112308470A CN 112308470 A CN112308470 A CN 112308470A CN 202011573821 A CN202011573821 A CN 202011573821A CN 112308470 A CN112308470 A CN 112308470A
Authority
CN
China
Prior art keywords
abnormal
frequency response
response curve
wind driven
frequency
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
Application number
CN202011573821.6A
Other languages
English (en)
Other versions
CN112308470B (zh
Inventor
李谦
郑万林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Linyi Xingchuangda Intellectual Property Operation Co ltd
Original Assignee
Beijing Longpu Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Longpu Intelligent Technology Co ltd filed Critical Beijing Longpu Intelligent Technology Co ltd
Priority to CN202011573821.6A priority Critical patent/CN112308470B/zh
Publication of CN112308470A publication Critical patent/CN112308470A/zh
Application granted granted Critical
Publication of CN112308470B publication Critical patent/CN112308470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Control Of Eletrric Generators (AREA)
  • Wind Motors (AREA)

Abstract

本申请提供一种风电并网频率响应异常监测方法及系统，该方法包括如下步骤：获取风电并网系统的频率响应曲线；根据预先训练的频率响应异常识别模型，识别频率响应曲线中是否存在异常；若频率响应曲线存在异常时，依次对风电机组的多个风力发电机进行异常检测，识别异常风力发电机，同时执行系统异常响应应急措施，否则，继续识别频率响应曲线中是否存在异常；撤出风电并网系统中的异常风力发电机。本申请对风电并网频率响应进行异常检测，检测具体故障设备，并对该故障设备进行维修，异常检测效率较高，并及时对异常频率进行调控，使得系统频率响应恢复正常。

Description

一种风电并网频率响应异常监测方法及系统
技术领域
本申请涉及供配电网技术领域，尤其涉及一种风电并网频率响应异常监测方法及系统。
背景技术
近些年来,由于电力系统复杂度的提高,隐性故障、连锁故障等导致多处电网发生了频率崩溃事故,表明电力系统频率失稳的可能性依然存在,是电力系统安全稳定运行的重要威胁之一。此外,风电接入电网的规模越来越大,风电的间歇性和严重爬坡事件对系统频率响应和频率稳定的影响也日益显著。
风电并网系统“失稳”通常是由各种故障“扰动”引起的，例如非同期并列引起的系统冲击，联络线跳闸引起的潮流变化，大机组跳闸或大面积甩负荷引起的功率不平衡等。“失稳”的现象一般表现为：系统局部或大面积“震荡”，电压和电流剧烈波动，电压和频率偏离正常范围，有可能引起电网解列或电网瓦解。
发明内容
本申请的目的在于提供一种风电并网频率响应异常监测方法及系统，该方法对风电并网频率响应进行异常检测，检测具体故障设备，并对该故障设备进行维修，异常检测效率较高，并及时对异常频率进行调控，使得系统频率响应恢复正常。
为达到上述目的，本申请提供一种风电并网频率响应异常监测方法，该方法包括如下步骤：获取风电并网系统的频率响应曲线；根据预先训练的频率响应异常识别模型，识别频率响应曲线中是否存在异常；若频率响应曲线存在异常时，依次对风电机组的多个风力发电机进行异常检测，识别异常风力发电机，同时执行系统异常响应应急措施，否则，继续识别频率响应曲线中是否存在异常； 撤出风电并网系统中的异常风力发电机。
如上的，其中，所述的风电并网频率响应异常监测方法，还包括如下步骤：撤出异常风力发电机后，判断风电并网系统的频率响应曲线是否还存在异常，若是，则对其他未被检测的风力发电机进行异常检测，识别异常风力发电机，否则，停止对其他未被检测的风力发电机进行异常检测。
如上的，其中，所述的风电并网频率响应异常监测方法，还包括如下步骤：对系统异常响应应急措施进行评估：采集系统发生频率异常前一时刻至频率稳定阶段的端口参数数据；根据采集的端口参数数据，计算系统异常响应应急措施的评价指标；根据各项评价指标数据，计算系统异常响应应急措施的评价分值。
如上的，其中，将风电并网系统的频率响应曲线按照预设的时长截取相应的曲线段作为待识别频率响应曲线，将截取出的待识别频率响应曲线输入到预先训练的频率响应识别模型中进行识别，获取异常的频率响应曲线，以及异常的频率响应曲线对应异常发生的时间段。
如上的，其中，频率响应异常识别模型中包括异常频率响应曲线特征矩阵和正常频率响应曲线特征矩阵。
如上的，其中，识别频率响应曲线中是否存在异常的方法包括如下步骤：将待识别的频率响应曲线输入到频率响应异常识别模型中，获取待识别频率响应曲线特征矩阵；分别计算待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵和正常响应曲线特征矩阵的相似度值；比较待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵和正常响应曲线特征矩阵的相似度值的大小，若频率响应曲线特征矩阵与异常频率响应曲线特征矩阵的相似度值大于正常响应曲线特征矩阵的相似度值，则待识别频率响应曲线为异常频率响应曲线；否则，为正常频率响应曲线。
如上的，其中，待识别频率响应曲线特征矩阵的特征值包括：最低点频率值、最低点频率响应值、稳态频率值、稳态频率响应值、频率初始下降值、频率初始下降率、频率的平均变化率和/或频率偏移最大量。
如上的，其中，对风力发电机进行异常检测，识别异常风力发电机的方法包括：采集风电机组中每个风力发电机的运行数据；根据风力发电机的运行数据和预设的标准数据，获取异常风力发电机，输出异常风力发电机的编号。
如上的，其中，获取异常风力发电机的方法包括：根据风力发电机的运行数据和预设的标准数据，计算风力发电机的异常指数；若计算的异常指数超过预设的异常阈值，则该风力发电机为异常风力发电机，否则，为正常风力发电机；输出异常风力发电机的编号。
本申请还提供一种风电并网频率响应异常监测系统，该系统包括：获取模块，用于获取风电并网系统的频率响应曲线；频率异常识别模块，用于根据预先训练的频率响应异常识别模型，识别频率响应曲线中是否存在异常；异常设备识别模块，用于在频率响应曲线存在异常时，依次对风电机组的多个风力发电机进行异常检测，识别异常风力发电机；异常响应应急措施执行模块，用于在对风力发电机进行异常检测的同时，执行系统异常响应应急措施；在频率响应曲线未存在异常时，频率异常识别模块继续识别频率响应曲线中是否存在异常； 异常设备撤出模块，撤出风电并网系统中的异常风力发电机。
本申请实现的有益效果如下：
（1）本申请每检测出一台异常风力发电机后，立即撤出该异常风力发电机，防止该异常风力发电机对风电并网系统运行产生影响，并及时采集风电并网系统的频率响应数据，判断风电并网系统是否恢复正常，若还未恢复正常，则说明还存在其他故障，继续检测异常，否则，说明不存在异常了，可以不需要继续检测异常，提高了异常检测的效率。
（2）本申请获取异常响应应急措施的评价结果，有助于管理者对现有执行的异常响应应急措施进行评价，使得管理员后期系统维护的过程中可以对于评价值较低的异常响应应急措施参考评分较高的异常响应应急措施，以对评价值较低的异常响应应急措施进行优化，利于后期的系统维护使用。
（3）本申请及时对异常频率进行调控，使得系统频率响应恢复正常。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种风电并网频率响应异常监测方法的流程图。
图2为本申请实施例的预先训练频率响应异常识别模型的方法的流程图。
图3为本申请实施例的识别频率响应曲线中是否存在异常的方法流程图。
图4为本申请实施例的获取异常风力发电机的方法流程图。
图5为本申请实施例的异常风力发电机调修方法的流程图。
图6为本申请实施例的对系统异常响应应急措施进行评估的方法的流程图。
图7为本申请实施例的一种风电并网频率响应异常监测系统的结构示意图。
附图标记：10-获取模块；20-频率异常识别模块；30-异常设备识别模块；40-异常响应应急措施执行模块；50-异常设备撤出模块；60-异常响应应急措施评估模块；100-频率响应异常监测系统。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
如图1所示，本申请提供一种风电并网频率响应异常监测方法，该方法包括如下步骤：
步骤S1，获取风电并网系统的频率响应曲线。
具体的，在风电并网系统的输出端口，实时采集风电并网系统的频率值，形成风电并网随时间变化的频率响应曲线。
步骤S2，根据预先训练的频率响应异常识别模型，识别频率响应曲线中是否存在异常。
具体的，将风电并网系统的频率响应曲线按照预设的时长截取相应的曲线段作为待识别频率响应曲线，将截取出的待识别频率响应曲线输入到预先训练的频率响应识别模型中进行识别，获取异常的频率响应曲线，以及异常的频率响应曲线对应异常发生的时间段，以根据获取的异常发生的时间段准确获取相应风力发电机的运行数据。
其中，频率异常响应的情况包括：频率暂升、频率暂降、频率中断和频率脉冲。引起短暂异常数据的原因包括：短路故障，电容器和大型变压器的投切。
如图2所示，预先训练频率响应异常识别模型的方法包括如下步骤：
步骤T1，获取正常数据训练集合和异常数据训练集合。
采集系统在已知不同的扰动因素下的频率响应曲线，频率响应曲线去噪后作为异常数据训练集合。
采集系统在正常运行无故障情况下的频率响应曲线，频率响应曲线去噪后作为正常数据训练集合。
步骤T2，将相同扰动因素下获取的频率响应曲线分为一组子训练集合。
步骤T3，将单组子训练集合和正常数据训练集合对应的频率响应曲线分别输入到卷积神经网络中进行训练，获得该组训练集合对应扰动因素的异常数据识别子模型和正常数据识别模型。
卷积神经网络包括输入层、卷积层、池化层和输出层。
步骤T4，将不同扰动因素对应的异常数据识别子模型合并，获得异常数据识别模型。
其中，频率响应异常识别模型中包括异常频率响应曲线特征矩阵和正常频率响应曲线特征矩阵。
如图3所示，识别频率响应曲线中是否存在异常的方法包括如下步骤：
步骤S210，将待识别的频率响应曲线输入到频率响应异常识别模型中，获取待识别频率响应曲线特征矩阵。
步骤S220，分别计算待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵和正常响应曲线特征矩阵的相似度值。
具体的，计算待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵的相似度值的计算公式如下：
Figure 932995DEST_PATH_IMAGE001
；
其中，
Figure 381294DEST_PATH_IMAGE002
表示待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵的相似度值；
Figure 957769DEST_PATH_IMAGE003
表示待识别频率响应曲线特征矩阵的第
Figure 87399DEST_PATH_IMAGE004
行第
Figure 432929DEST_PATH_IMAGE005
列的特征值；
Figure 52130DEST_PATH_IMAGE006
表示异常频率响应曲线特征矩阵的第
Figure 53584DEST_PATH_IMAGE007
行第
Figure 49222DEST_PATH_IMAGE008
列的特征值；
Figure 452521DEST_PATH_IMAGE009
表示数据采集装置采集待识别频率响应曲线特征矩阵的第
Figure 977043DEST_PATH_IMAGE010
行第
Figure 26645DEST_PATH_IMAGE011
列的特征值的误差系数；
Figure 294816DEST_PATH_IMAGE012
表示待识别频率响应曲线特征矩阵的第
Figure 552622DEST_PATH_IMAGE013
行第
Figure 779204DEST_PATH_IMAGE014
列的特征值的权重；
Figure 551988DEST_PATH_IMAGE015
表示待识别频率响应曲线特征矩阵的总行数；
Figure 561532DEST_PATH_IMAGE016
表示待识别频率响应曲线特征矩阵的总列数。
具体的，待识别频率响应曲线特征矩阵的特征值包括：最低点频率值、最低点频率响应值、稳态频率值、稳态频率响应值、频率初始下降值、频率初始下降率、频率的平均变化率和/或频率偏移最大量等。
具体的，待识别频率响应曲线特征矩阵与正常响应曲线特征矩阵的相似度值计算方法和待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵的相似度值的方法相同。
步骤S230，比较待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵和正常响应曲线特征矩阵的相似度值的大小，若频率响应曲线特征矩阵与异常频率响应曲线特征矩阵的相似度值大于正常响应曲线特征矩阵的相似度值，则待识别频率响应曲线为异常频率响应曲线；否则，为正常频率响应曲线。
步骤S3，若频率响应曲线存在异常时，依次对风电机组的多个风力发电机进行异常检测，识别异常风力发电机，同时执行系统异常响应应急措施，否则，继续识别频率响应曲线中是否存在异常。
对风电机组的风力发电机进行异常检测，识别异常风力发电机的方法包括：
步骤S310，采集风电机组中每个风力发电机的运行数据。
其中，运行数据包括风力发电机的输出有功功率、输出端电压、输出端电流和无功功率等运行参数。
为每个风力发电机进行编号，并分配地址ID，为每个风力发电机对应设置数据列表，数据列表用于存储采集的风力发电机的运行数据，每个一段时间对数据列表进行数据更新。
步骤S320，根据风力发电机的运行数据和预设的标准数据，获取异常风力发电机，输出异常风力发电机的编号。
如图4所示，步骤S320包括如下子步骤：
步骤S321，根据风力发电机的运行数据和预设的标准数据，计算风力发电机的异常指数。
其中，风力发电机的异常指数计算公式为：
Figure 1741DEST_PATH_IMAGE017
；
其中，
Figure 71328DEST_PATH_IMAGE018
表示风力发电机的异常指数；
Figure 596987DEST_PATH_IMAGE019
表示数据采集装置采集第
Figure 206960DEST_PATH_IMAGE020
种类别运行参数的偏差因子；
Figure 439358DEST_PATH_IMAGE021
表示采集运行参数的总类别数；
Figure 7743DEST_PATH_IMAGE022
表示第
Figure 991005DEST_PATH_IMAGE023
种类别运行参数占风力发电机异常的权重；
Figure 607931DEST_PATH_IMAGE024
表示第
Figure 757152DEST_PATH_IMAGE025
种类别运行参数的实际测量值；
Figure 434121DEST_PATH_IMAGE026
表示第
Figure 403214DEST_PATH_IMAGE027
种类别运行参数的标准值。
步骤S322，若计算的异常指数超过预设的异常阈值，则该风力发电机为异常风力发电机，否则，为正常风力发电机。
步骤S323，输出异常风力发电机的编号。
根据本发明的具体实施例，系统异常响应应急措施包括：风电场减载运行，通过变速法和变桨法进行风电场减载控制，减载运行后的弃风能作为调频旋转备用。
步骤S4，撤出风电并网系统中的异常风力发电机，并执行异常风力发电机调修方法。
如图5所示，异常风力发电机调修方法包括如下步骤：
步骤S410，获取数据监控设备采集的异常风力发电机的运行数据。
风力发动机在运行的过程中，数据监控设备将采集的风力发电机的运行数据按照风力发电机的编号不同存入相应的存储空间内，并为存储空间标识风力发电机对应的编号，因此，根据异常风力发电机的编号，即可在相应的存储空间内查找到异常风力发电机的运行数据。
其中，运行数据包括风力发电机的转速、环境参数、电压、电流、有功功率和无功功率。环境参数包括光照强度、风速及温度。
步骤S420，根据获取的风力发电机的运行数据，检测异常风力发电机的异常原因。
步骤S420包括如下子步骤：
步骤S421，获取风力发电机的各个运行数据与标准值之间的差值。
步骤S422，提取风力发电机的各个运行数据与标准值之间的差值超过预设差值范围的关键运行数据。
步骤S423，将关键运行数据输入到预先训练的风力发电机异常原因识别模型中进行识别，获得风力发电机的异常原因。
其中，训练风力发电机异常原因识别模型的方法为：
步骤S4231，获取已知异常原因的异常风力发电机在异常运行情况下的运行数据作为训练集。
其中，每一种已知异常原因的异常风力发电机在异常运行情况下的多组运行数据，作为多组子训练集。
步骤S4232，将训练集中的数据分别输入到基础卷积神经网络中进行训练，获得风力发电机异常原因识别模型。
其中，对训练集中的每组运行数据进行分开训练，获得对应异常原因的识别模型。
其中，采用神经网络训练异常原因的识别模型的具体步骤为现有技术，在此不再赘述。
步骤S430，根据异常原因对异常风力发电机进行调修。
步骤S440，调修完成后接入风电并网系统。
步骤S450，将异常风力发电机的异常运行数据和异常原因及调修方案存储至数据参考库，以备用。
步骤S5，撤出异常风力发电机后，判断风电并网系统的频率响应曲线是否还存在异常，若是，则继续对其他未被检测的风力发电机进行异常检测，识别异常风力发电机，否则，停止对其他未被检测的风力发电机的异常检测。
具体的，在撤出异常风力发电机后，根据预先训练的频率响应异常识别模型，判断风电并网系统的频率响应曲线是否还存在异常。
步骤S6，对系统异常响应应急措施进行评估。
如图6所示，对系统异常响应应急措施进行评估的方法包括如下步骤：
步骤S610，采集系统发生频率异常前一时刻至频率稳定阶段的端口参数数据。
其中，端口参数数据包括频率、电压、电流和有功功率数据。
步骤S620,根据采集的端口参数数据，计算系统异常响应应急措施的评价指标。
步骤S620，包括如下步骤：
步骤S621，计算端口能量的损失率。
具体的，端口能量的损失率计算公式为:
Figure 620569DEST_PATH_IMAGE028
;
其中，
Figure 827559DEST_PATH_IMAGE029
表示端口能量的损失率；
Figure 472167DEST_PATH_IMAGE030
表示
Figure 194136DEST_PATH_IMAGE031
时刻的端口能量，
Figure 152864DEST_PATH_IMAGE032
表示
Figure 11099DEST_PATH_IMAGE033
时间段内所有时刻的端口能量的平均值；
Figure 29871DEST_PATH_IMAGE034
表示异常前一时刻至频率稳定阶段的总时长。
其中，端口能量的计算公式为:
Figure 973556DEST_PATH_IMAGE035
；
其中，
Figure 296828DEST_PATH_IMAGE036
表示当前时间点，
Figure 212831DEST_PATH_IMAGE037
表示频率异常时间点；
Figure 933662DEST_PATH_IMAGE038
表示有功功率；
Figure 630223DEST_PATH_IMAGE039
表示有功功率相位角；
Figure 930754DEST_PATH_IMAGE040
表示无功功率；
Figure 29160DEST_PATH_IMAGE041
表示端口电压幅值；
Figure 124155DEST_PATH_IMAGE042
表示端口电压；
Figure 42433DEST_PATH_IMAGE043
表示端口电流；
Figure 208972DEST_PATH_IMAGE044
表示端口电流幅值。
步骤S622，计算频率波动的严重指数。
其中，频率波动的严重指数计算公式为：
Figure 833988DEST_PATH_IMAGE045
；
其中，
Figure 162201DEST_PATH_IMAGE046
表示频率波动的严重指数；
Figure 567775DEST_PATH_IMAGE047
表示频率波动的持续时长；
Figure 475688DEST_PATH_IMAGE048
表示
Figure 784572DEST_PATH_IMAGE049
时刻的频率偏差值；
Figure 486949DEST_PATH_IMAGE050
表示系统允许的频率偏差值；
Figure 114239DEST_PATH_IMAGE051
表示电网需求有功功率值；
Figure 622581DEST_PATH_IMAGE052
表示
Figure 222189DEST_PATH_IMAGE049
时刻系统输出的实际有功功率值。
步骤S623，计算最低点频率响应值。
其中，最低点频率响应值的计算公式为：
Figure 157784DEST_PATH_IMAGE053
；
其中，
Figure 272371DEST_PATH_IMAGE054
表示最低点频率响应值；
Figure 256507DEST_PATH_IMAGE055
表示初始频率；
Figure 38519DEST_PATH_IMAGE056
表示最低点频率；
Figure 82698DEST_PATH_IMAGE057
表示初始有功功率；
Figure 684581DEST_PATH_IMAGE058
表示最低点频率对应时刻系统发出的有功功率。
步骤S624，计算稳态频率响应值。
其中，稳态频率响应值计算公式为：
Figure 534725DEST_PATH_IMAGE059
；
其中，
Figure 108926DEST_PATH_IMAGE060
表示稳态频率响应值；
Figure 619279DEST_PATH_IMAGE061
表示稳态频率；
Figure 708458DEST_PATH_IMAGE062
表示系统频率稳定后发出的有功功率;
Figure 299976DEST_PATH_IMAGE063
表示初始有功功率;
Figure 791001DEST_PATH_IMAGE064
表示初始频率。稳态频率响应值用于反映频率调节的质量和趋势。
步骤S625，计算频率初始下降率。
其中，频率初始下降率计算公式为：
Figure 973720DEST_PATH_IMAGE065
；
其中，
Figure 753457DEST_PATH_IMAGE066
表示频率初始下降率；
Figure 945404DEST_PATH_IMAGE067
表示频率波动
Figure 228618DEST_PATH_IMAGE068
秒后的频率;
Figure 847818DEST_PATH_IMAGE069
表示初始频率；
Figure 911589DEST_PATH_IMAGE070
表示频率波动的持续时长。
步骤S626，计算频率的平均变化率。
其中，频率的平均变化率的计算公式为：
Figure 844910DEST_PATH_IMAGE071
；
其中，
Figure 44947DEST_PATH_IMAGE072
表示频率的平均变化率，
Figure 336514DEST_PATH_IMAGE073
表示采样时间的总长；
Figure 825264DEST_PATH_IMAGE074
表示时刻；
Figure 359013DEST_PATH_IMAGE074
为正整数；
Figure 616819DEST_PATH_IMAGE075
为
Figure 577822DEST_PATH_IMAGE074
时刻采集的频率；
Figure 350606DEST_PATH_IMAGE076
为
Figure 625730DEST_PATH_IMAGE077
时刻采集的频率。
步骤S627，计算频率偏移最大量。
其中，频率偏移最大量的计算公式为：
Figure 65938DEST_PATH_IMAGE078
；
其中，
Figure 932263DEST_PATH_IMAGE079
表示频率偏移最大量；
Figure 395605DEST_PATH_IMAGE080
表示取最大值；
Figure 271158DEST_PATH_IMAGE081
表示
Figure 503556DEST_PATH_IMAGE082
时刻的频率；
Figure 806361DEST_PATH_IMAGE083
表示初始时刻的频率。
步骤S630,根据各项评价指标数据，计算系统异常响应应急措施的评价分值。
具体的，系统异常响应应急措施的评价分值的计算公式如下：
Figure 52272DEST_PATH_IMAGE084
；
其中，
Figure 669199DEST_PATH_IMAGE085
表示系统异常响应应急措施的评价分值；
Figure 818420DEST_PATH_IMAGE086
表示抗扰动因子；
Figure 292127DEST_PATH_IMAGE087
表示抗撤机组因子；
Figure 464482DEST_PATH_IMAGE088
表示添加扰动因素情况下风电并网主母线振荡风险值；
Figure 681837DEST_PATH_IMAGE089
表示撤掉机组情况下风电并网主母线振荡风险值；
Figure 888827DEST_PATH_IMAGE090
表示添加扰动因素的扰动强度值；
Figure 267856DEST_PATH_IMAGE091
表示撤掉机组的影响强度值；
Figure 989824DEST_PATH_IMAGE092
表示参数；
Figure 948553DEST_PATH_IMAGE093
表示第
Figure 806788DEST_PATH_IMAGE094
个评价指标的权重；
Figure 887876DEST_PATH_IMAGE095
表示第
Figure 34824DEST_PATH_IMAGE096
个评价指标的值；
Figure 95446DEST_PATH_IMAGE097
表示第
Figure 11449DEST_PATH_IMAGE098
个评价指标的预设允许限值。
实施例二
如图7所示，本申请还提供一种风电并网频率响应异常监测系统100，该系统包括：
获取模块10，用于获取风电并网系统的频率响应曲线；
频率异常识别模块20，用于根据预先训练的频率响应异常识别模型，识别频率响应曲线中是否存在异常；
异常设备识别模块30，用于在频率响应曲线存在异常时，依次对风电机组的多个风力发电机进行异常检测，识别异常风力发电机；
异常响应应急措施执行模块40，用于在对风力发电机进行异常检测的同时，执行系统异常响应应急措施；
在频率响应曲线未存在异常时，频率异常识别模块继续识别频率响应曲线中是否存在异常；
异常设备撤出模块50，撤出风电并网系统中的异常风力发电机。
异常响应应急措施评估模块60，用于对系统异常响应应急措施进行评估。
本申请实现的有益效果如下：
（1）本申请每检测出一台异常风力发电机后，立即撤出该异常风力发电机，防止该异常风力发电机对风电并网系统运行产生影响，并及时采集风电并网系统的频率响应数据，判断风电并网系统是否恢复正常，若还未恢复正常，则说明还存在其他故障，继续检测异常，否则，说明不存在异常了，可以不需要继续检测异常，提高了异常检测的效率。
（2）本申请获取异常响应应急措施的评价结果，有助于管理者对现有执行的异常响应应急措施进行评价，使得管理员后期系统维护的过程中可以对于评价值较低的异常响应应急措施参考评分较高的异常响应应急措施，以对评价值较低的异常响应应急措施进行优化，利于后期的系统维护使用。
（3）本申请及时对异常频率进行调控，使得系统频率响应恢复正常。
上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所做的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (10)

1.一种风电并网频率响应异常监测方法，其特征在于，该方法包括如下步骤：
获取风电并网系统的频率响应曲线数据；
根据预先训练的频率响应异常识别模型，识别频率响应曲线数据中是否存在异常；
若频率响应曲线数据存在异常时，依次对风电机组的多个风力发电机进行异常检测，识别异常风力发电机，同时执行系统异常响应应急措施，否则，继续识别频率响应曲线数据中是否存在异常；
撤出风电并网系统中的异常风力发电机。
2.根据权利要求1所述的风电并网频率响应异常监测方法，其特征在于，该方法还包括如下步骤：
撤出异常风力发电机后，判断风电并网系统的频率响应曲线是否还存在异常，若是，则对其他未被检测的风力发电机进行异常检测，识别异常风力发电机，否则，停止对其他未被检测的风力发电机进行异常检测。
3.根据权利要求1所述的风电并网频率响应异常监测方法，其特征在于，该方法还包括如下步骤：
对系统异常响应应急措施进行评估：
采集系统发生频率异常前一时刻至频率稳定阶段的端口参数数据；
根据采集的端口参数数据，计算系统异常响应应急措施的评价指标；
根据各项评价指标数据，计算系统异常响应应急措施的评价分值。
4.根据权利要求1所述的风电并网频率响应异常监测方法，其特征在于，将风电并网系统的频率响应曲线按照预设的时长截取相应的曲线段作为待识别频率响应曲线，将截取出的待识别频率响应曲线输入到预先训练的频率响应识别模型中进行识别，获取异常的频率响应曲线，以及异常的频率响应曲线对应异常发生的时间段。
5.根据权利要求1所述的风电并网频率响应异常监测方法，其特征在于，频率响应异常识别模型中包括异常频率响应曲线特征矩阵和正常频率响应曲线特征矩阵。
6.根据权利要求1所述的风电并网频率响应异常监测方法，其特征在于，识别频率响应曲线中是否存在异常的方法包括如下步骤：
将待识别的频率响应曲线输入到频率响应异常识别模型中，获取待识别频率响应曲线特征矩阵；
分别计算待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵和正常响应曲线特征矩阵的相似度值；
比较待识别频率响应曲线特征矩阵与异常频率响应曲线特征矩阵和正常响应曲线特征矩阵的相似度值的大小，若频率响应曲线特征矩阵与异常频率响应曲线特征矩阵的相似度值大于正常响应曲线特征矩阵的相似度值，则待识别频率响应曲线为异常频率响应曲线；否则，为正常频率响应曲线。
7.根据权利要求6所述的风电并网频率响应异常监测方法，其特征在于，待识别频率响应曲线特征矩阵的特征值包括：最低点频率值、最低点频率响应值、稳态频率值、稳态频率响应值、频率初始下降值、频率初始下降率、频率的平均变化率和/或频率偏移最大量。
8.根据权利要求1所述的风电并网频率响应异常监测方法，其特征在于，对风力发电机进行异常检测，识别异常风力发电机的方法包括：
采集风电机组中每个风力发电机的运行数据；
根据风力发电机的运行数据和预设的标准数据，获取异常风力发电机，输出异常风力发电机的编号。
9.根据权利要求8所述的风电并网频率响应异常监测方法，其特征在于，获取异常风力发电机的方法包括：
根据风力发电机的运行数据和预设的标准数据，计算风力发电机的异常指数；
若计算的异常指数超过预设的异常阈值，则该风力发电机为异常风力发电机，否则，为正常风力发电机；
输出异常风力发电机的编号。
10.一种风电并网频率响应异常监测系统，其特征在于，该系统包括：
获取模块，用于获取风电并网系统的频率响应曲线；
频率异常识别模块，用于根据预先训练的频率响应异常识别模型，识别频率响应曲线中是否存在异常；
异常设备识别模块，用于在频率响应曲线存在异常时，依次对风电机组的多个风力发电机进行异常检测，识别异常风力发电机；
异常响应应急措施执行模块，用于在对风力发电机进行异常检测的同时，执行系统异常响应应急措施；
在频率响应曲线未存在异常时，频率异常识别模块继续识别频率响应曲线中是否存在异常；
异常设备撤出模块，撤出风电并网系统中的异常风力发电机。
CN202011573821.6A 2020-12-28 2020-12-28 一种风电并网频率响应异常监测方法及系统 Active CN112308470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011573821.6A CN112308470B (zh) 2020-12-28 2020-12-28 一种风电并网频率响应异常监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011573821.6A CN112308470B (zh) 2020-12-28 2020-12-28 一种风电并网频率响应异常监测方法及系统

Publications (2)

Publication Number Publication Date
CN112308470A true CN112308470A (zh) 2021-02-02
CN112308470B CN112308470B (zh) 2021-04-20

Family

ID=74487656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011573821.6A Active CN112308470B (zh) 2020-12-28 2020-12-28 一种风电并网频率响应异常监测方法及系统

Country Status (1)

Country Link
CN (1) CN112308470B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255485A (zh) * 2021-05-13 2021-08-13 云南电网有限责任公司 一种水力发电机组并网模式的识别方法及装置
CN113723502A (zh) * 2021-08-27 2021-11-30 西安热工研究院有限公司 一种基于电流波形的风力发电机组变频器网侧异常识别方法及系统
CN117074248A (zh) * 2023-04-18 2023-11-17 国网宁夏电力有限公司中卫供电公司 一种数字化改造后的sf6气体密度的监测方法和系统
CN117874663A (zh) * 2024-01-17 2024-04-12 内蒙古工业大学 一种风力发电机异常诊断装置及其诊断方法
CN118469255A (zh) * 2024-07-10 2024-08-09 华能信息技术有限公司 一种风电网络业务流控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105403811A (zh) * 2015-12-14 2016-03-16 北京天诚同创电气有限公司 风电场电网故障诊断方法和装置
CN108874733A (zh) * 2018-04-25 2018-11-23 明阳智慧能源集团股份公司 一种大型半直驱机组健康状态评估方法
CN110299729A (zh) * 2019-07-30 2019-10-01 华北电力大学 一种双馈风电机组的稳定性评估方法及系统
CN110425092A (zh) * 2019-07-30 2019-11-08 华北电力大学 一种基于能量频谱的风电并网系统振荡源定位系统及方法
CN110518631A (zh) * 2019-07-30 2019-11-29 华北电力大学 一种直驱风电机组的稳定性评估方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105403811A (zh) * 2015-12-14 2016-03-16 北京天诚同创电气有限公司 风电场电网故障诊断方法和装置
CN108874733A (zh) * 2018-04-25 2018-11-23 明阳智慧能源集团股份公司 一种大型半直驱机组健康状态评估方法
CN110299729A (zh) * 2019-07-30 2019-10-01 华北电力大学 一种双馈风电机组的稳定性评估方法及系统
CN110425092A (zh) * 2019-07-30 2019-11-08 华北电力大学 一种基于能量频谱的风电并网系统振荡源定位系统及方法
CN110518631A (zh) * 2019-07-30 2019-11-29 华北电力大学 一种直驱风电机组的稳定性评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SINA YAMAC等: "Compositional Transient Stability Analysis of Multimachine Power Networks", 《IEEE TRANSACTIONS ON CONTROL OF NETWORK SYSTEMS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255485A (zh) * 2021-05-13 2021-08-13 云南电网有限责任公司 一种水力发电机组并网模式的识别方法及装置
CN113255485B (zh) * 2021-05-13 2022-05-17 云南电网有限责任公司 一种水力发电机组并网模式的识别方法及装置
CN113723502A (zh) * 2021-08-27 2021-11-30 西安热工研究院有限公司 一种基于电流波形的风力发电机组变频器网侧异常识别方法及系统
CN117074248A (zh) * 2023-04-18 2023-11-17 国网宁夏电力有限公司中卫供电公司 一种数字化改造后的sf6气体密度的监测方法和系统
CN117874663A (zh) * 2024-01-17 2024-04-12 内蒙古工业大学 一种风力发电机异常诊断装置及其诊断方法
CN118469255A (zh) * 2024-07-10 2024-08-09 华能信息技术有限公司 一种风电网络业务流控制系统

Also Published As

Publication number Publication date
CN112308470B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN112308470B (zh) 一种风电并网频率响应异常监测方法及系统
CN105403811B (zh) 风电场电网故障诊断方法和装置
CN105790265B (zh) 一种考虑交流潮流约束的不确定性机组组合模型及求解方法
CN103400302B (zh) 一种风电基地连锁故障风险感知预警方法
CN106230024B (zh) 含双馈风电场的电力系统停电风险计算方法
CN106611965B (zh) 预防大规模风电频繁穿越的风电场协调控制方法及系统
CN109447441B (zh) 一种考虑新能源机组不确定性的暂态稳定风险评估方法
CN109993665B (zh) 电力系统在线安全稳定评估方法、装置及系统
CN110159484A (zh) 基于风电场场级能量控制的风电机群启停机控制方法
CN113128005B (zh) 基于动态特性电网节点聚类及频率安全分析方法及系统
CN109934437A (zh) 一种配电网停电风险评估方法及系统
CN112436542A (zh) 计及稳控策略的稳态安全紧急控制在线预决策方法
CN112821424A (zh) 一种基于数据-模型融合驱动的电力系统频率响应分析方法
Li et al. A line-fault cause analysis method for distribution network based on decision-making tree and machine learning
CN110687385A (zh) 基于负荷区间动态调整的并网机组远程频率扰动测试方法
CN107465206B (zh) 一种基于谐波阻抗矩阵的风电场防孤岛识别方法及其系统
Zhang et al. Power system transient stability control method based on deep learning hybrid model
CN117787698A (zh) 基于供电范围最大化的微网风险评估方法及系统
He et al. Power system frequency situation prediction method based on transfer learning
CN103532520A (zh) 一种防御大规模风电机组连锁脱网的无功补偿装置控制方法
CN105701265A (zh) 一种双馈风电机组建模方法及装置
CN112240267A (zh) 基于风速相关性与风功率曲线的风机监测方法
CN114726090A (zh) 基于潮流调整的中低压网络数据在线拼接方法和系统
CN105515043A (zh) 风电场电网、风机和网络的故障预警方法、装置及系统
Zhang et al. Estimation and Influencing Factors Analysis for Equivalent Inertia of Wind Turbines with Active Inertia Support

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
TR01 Transfer of patent right

Effective date of registration: 20220913

Address after: Room 518, Administrative Service Center, No. 1, Renmin Road, Pingshang Town, Lingang Economic Development Zone, Linyi City, Shandong Province, 276600

Patentee after: Linyi xingchuangda Intellectual Property Operation Co.,Ltd.

Address before: 101300 Beijing Shunyi District Airport Street, No. 1 Anhua Street, 1st Building, 1st Floor, No. 2159

Patentee before: BEIJING LONGPU INTELLIGENT TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right