CN113381457A - 一种风电集群有功功率波动的抑制方法及系统 - Google Patents

一种风电集群有功功率波动的抑制方法及系统 Download PDF

Info

Publication number
CN113381457A
CN113381457A CN202110601387.6A CN202110601387A CN113381457A CN 113381457 A CN113381457 A CN 113381457A CN 202110601387 A CN202110601387 A CN 202110601387A CN 113381457 A CN113381457 A CN 113381457A
Authority
CN
China
Prior art keywords
wind power
cluster
power
wind
volatility
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
CN202110601387.6A
Other languages
English (en)
Other versions
CN113381457B (zh
Inventor
仲悟之
叶林
吕晨
马全
樊明鉴
路朋
曲莹
刘新元
郑惠萍
蓝海波
程雪婷
翟丙旭
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
China Agricultural University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
China Agricultural University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jibei Electric Power 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd, China Agricultural University, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110601387.6A priority Critical patent/CN113381457B/zh
Publication of CN113381457A publication Critical patent/CN113381457A/zh
Application granted granted Critical
Publication of CN113381457B publication Critical patent/CN113381457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/48—Controlling the sharing of the in-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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电集群有功功率波动的抑制方法及系统，包括：对风电场的功率预测值和风速预测值的波动性进行综合评估，根据综合波动性评分对每个风电场进行风电集群的划分；确定每种类型的风电集群的功率预测值；根据每种类型的风电集群的功率预测值所占的比例确定调度计划值的分配比例，并根据分配比例进行调度计划值的分配，以确定每种类型的风电集群的输出功率计划值；以每个风电场所属风电集群的类型和输出功率计划值以及安全边界为约束条件，以风电集群的优化控制指令为目标函数，建立风电场优化控制模型，并利用风电场优化控制模型确定每个风电场的优化控制指令，以根据每个风电场的优化控制指令对风电集群有功功率波动进行抑制。

Description

一种风电集群有功功率波动的抑制方法及系统
技术领域
本发明涉及风电调度运行技术领域，并且更具体地，涉及一种风电集群有功功率波动的抑制方法及系统。
背景技术
清洁能源是能源转型的重要组成部分和未来电力增量的主体；在能源供给侧构建多元化清洁能源供应体系，大力发展清洁能源，最大限度开发利用风电、太阳能等新能源是实现能源电力“碳中和、碳达峰”的重要手段之一。2020年末，清洁能源装机容量较上年末有大幅增长，其中风电装机总容量达到28153万千瓦，增长34.6％，太阳能发电装机总容量达到25343万千瓦，增长24.1％。风力发电是新能源发电中的主力，大规模集中式开发形成了风电集群，进而演变为风电基地，风电基地大多向负荷中心远距离输电。风力发电具有间歇性和波动性，调度部门需要对风电集群有功功率进行实时控制，以保证电力系统安全稳定运行。
风电出力具有强随机波动性，由于常规调控技术对风电波动特性考虑不足，一方面断面越限现象时有发生，给电网安全运行带来隐患，另一方面保守分配有功指令不能充分利用电网消纳能力。现有抑制风电集群有功功率波动的方法准确性较低、波动抑制效果不足、弃风率高的缺陷日益突出。针对以上问题，亟需提出有效的解决方案。
发明内容
本发明提出一种风电集群有功功率波动的抑制方法及系统，以解决现有抑制风电集群有功功率波动的方法准确性较低、波动抑制效果不足和弃风率高的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种风电集群有功功率波动的抑制方法，所述方法包括：
对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，并根据所述综合波动性评分对每个风电场进行不同类型的风电集群的划分；
计算同一类型的风电集群中的所有风电场的功率预测值之和，以确定每种类型的风电集群的功率预测值；
根据每种类型的风电集群的功率预测值所占的比例确定调度计划值的分配比例，并根据所述分配比例进行调度计划值的分配，以确定每种类型的风电集群的输出功率计划值；
以每个风电场所属风电集群的类型和对应的风电集群的类型输出功率计划值以及安全边界为约束条件，以风电集群的优化控制指令为目标函数，建立风电场优化控制模型，并利用所述风电场优化控制模型确定每个风电场的优化控制指令，以根据每个风电场的优化控制指令对风电集群有功功率波动进行抑制。
优选地，其中所述方法还包括：
在对风电场的功率预测值和风速预测值的波动性进行综合评估之前，对风电场的功率预测值和风速预测值进行归一化处理。
优选地，其中所述不同类型的风电集群，包括：高波动性风电集群和低波动性风电集群。
优选地，其中所述对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，包括：
Figure BDA0003093056850000021
其中，Mark为风电场的综合波动性评分；RP和Rs分别为在滚动时域内风电场的功率预测值和风速预测值的极差；NP和Ns分别为在滚动时域内风电场的功率预测值和风速预测值所有的极值个数；N为滚动时域内极值数的最大值。
优选地，其中对于高波动性风电集群，所述目标函数，包括：
Figure BDA0003093056850000031
对于低波动性风电集群，所述目标函数包括：
Figure BDA0003093056850000032
Figure BDA0003093056850000033
Figure BDA0003093056850000034
其中，FC为风电集群的实际功率与功率预测值偏差最小的目标函数；T为优化时段数；
Figure BDA0003093056850000035
为高波动性风电集群中第i个风电场在t+Δt时刻的优化控制指令；Δt为预设的时间间隔步长；
Figure BDA0003093056850000036
为第i个风电场在t时刻的实际功率；α1和α2为权重系数，且α1＞α2；
Figure BDA0003093056850000037
为低波动性风电集群中第j个风电场在t+Δt时刻的优化控制指令；
Figure BDA0003093056850000038
为第j个风电场在t时刻的实际功率；
Figure BDA0003093056850000039
和
Figure BDA00030930568500000310
分别为高波动性风电集群和低波动性风电集群在t时刻的功率预测值。
根据本发明的另一个方面，提供了一种风电集群有功功率波动的抑制系统，所述系统包括：
风电集群类型划分模块，用于对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，并根据所述综合波动性评分对每个风电场进行不同类型的风电集群的划分；
集群功率预测值计算模块，用于计算同一类型的风电集群中的所有风电场的功率预测值之和，以确定每种类型的风电集群的功率预测值；
集群功率计划值计算模块，用于根据每种类型的风电集群的功率预测值所占的比例确定调度计划值的分配比例，并根据所述分配比例进行调度计划值的分配，以确定每种类型的风电集群的输出功率计划值；
功率波动抑制模块，用于以每个风电场所属风电集群的类型和对应的风电集群的类型输出功率计划值以及安全边界为约束条件，以风电集群的优化控制指令为目标函数，建立风电场优化控制模型，并利用所述风电场优化控制模型确定每个风电场的优化控制指令，以根据每个风电场的优化控制指令对风电集群有功功率波动进行抑制。
优选地，其中所述系统还包括：
归一化处理模块，用于在对风电场的功率预测值和风速预测值的波动性进行综合评估之前，对风电场的功率预测值和风速预测值进行归一化处理。
优选地，其中在所述风电集群类型划分模块，所述不同类型的风电集群，包括：高波动性风电集群和低波动性风电集群。
优选地，其中所述风电集群类型划分模块，对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，包括：
Figure BDA0003093056850000041
其中，Mark为风电场的综合波动性评分；RP和Rs分别为在滚动时域内风电场的功率预测值和风速预测值的极差；NP和Ns分别为在滚动时域内风电场的功率预测值和风速预测值所有的极值个数；N为滚动时域内极值数的最大值。
优选地，其中在所述功率波动抑制模块，对于高波动性风电集群，所述目标函数，包括：
Figure BDA0003093056850000042
对于低波动性风电集群，所述目标函数包括：
Figure BDA0003093056850000043
Figure BDA0003093056850000044
Figure BDA0003093056850000045
其中，FC为风电集群的实际功率与功率预测值偏差最小的目标函数；T为优化时段数；
Figure BDA0003093056850000046
为高波动性风电集群中第i个风电场在t+Δt时刻的优化控制指令；Δt为预设的时间间隔步长；
Figure BDA0003093056850000051
为第i个风电场在t时刻的实际功率；α1和α2为权重系数，且α1＞α2；
Figure BDA0003093056850000052
为低波动性风电集群中第j个风电场在t+Δt时刻的优化控制指令；
Figure BDA0003093056850000053
为第j个风电场在t时刻的实际功率；
Figure BDA0003093056850000054
和
Figure BDA0003093056850000055
分别为高波动性风电集群和低波动性风电集群在t时刻的功率预测值。
本发明提供了一种风电集群有功功率波动的抑制方法及系统，对风电场的功率预测值和风速预测值的波动性进行综合评估，根据评分进行风电集群类型的划分；计算同一类型的风电集群中的所有风电场的功率预测值之和，确定每种类型的风电集群的功率预测值；根据风电集群的功率预测值进行调度计划值的分配，确定每种类型的风电集群的输出功率计划值，以每个风电场所属风电集群的类型和对应的风电集群的类型输出功率计划值以及安全边界为约束条件，以风电集群的优化控制指令为目标函数，建立风电场优化控制模型，并利用所述风电场优化控制模型确定每个风电场的优化控制指令，以根据每个风电场的优化控制指令对风电集群有功功率波动进行抑制，提高了有功功率波动抑制的准确性，解决了现有抑制风电集群有功功率波动的方法准确性较低、波动抑制效果不足、弃风率高的问题。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的风电集群有功功率波动的抑制方法100的流程图；
图2为根据本发明实施方式的风电集群有功功率波动的抑制系统200的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的模块/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的风电集群有功功率波动的抑制方法100的流程图。如图1所示，本发明实施方式提供的风电集群有功功率波动的抑制方法，根据各个风电场功率预测值和风速预测值的波动性将风电场划分到不同的风电集群，进而针对不同类型风电集群分配调度指令和求解目标函数，得到各风电场的优化功率指令，提高了有功功率波动抑制的准确性；对于高波动性风电集群采取优先平抑风电功率的波动、其次减少弃风功率的优化目标，可提高风电功率波动抑制效果；对于低波动性风电集群采取优先减少弃风功率、其次平抑风电功率的波动的优化目标，可降低弃风率；解决了现有抑制风电集群有功功率波动的方法准确性较低、波动抑制效果不足、弃风率高的问题。本发明实施方式提供的风电集群有功功率波动的抑制方法100，从步骤101处开始，在步骤101对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，并根据所述综合波动性评分对每个风电场进行不同类型的风电集群的划分。
优选地，其中所述方法还包括：
在对风电场的功率预测值和风速预测值的波动性进行综合评估之前，对风电场的功率预测值和风速预测值进行归一化处理。
优选地，其中所述不同类型的风电集群，包括：高波动性风电集群和低波动性风电集群。
优选地，其中所述对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，包括：
Figure BDA0003093056850000071
其中，Mark为风电场的综合波动性评分；RP和Rs分别为在滚动时域内风电场的功率预测值和风速预测值的极差；NP和Ns分别为在滚动时域内风电场的功率预测值和风速预测值所有的极值个数；N为滚动时域内极值数的最大值。
在本发明中，按照设置的时间间隔每15min进行一次波动抑制。在每次抑制时，首先将风电场t时刻起至未来1h的超短期风电功率预测值(分辨率为15min)和数据采集与监视控制系统(Supervisory Control And Data Acquisition，SCADA)给出的风速预测值(分辨率为15min)每15min分别进行一次归一化处理，输出归一化处理后的风电场功率预测值和风速预测值。归一化处理的计算公式，包括：
Figure BDA0003093056850000072
Figure BDA0003093056850000073
其中，Pt f和
Figure BDA0003093056850000074
分别原始风电场在t时刻的功率预测值和原始风电场在t时刻的风速预测值；Pt f*和
Figure BDA0003093056850000075
分别为归一化后的风电场功率预测值和风速预测值；Pn为该风电场的装机容量，Smax为历史最高风速。
然后，再根据设置的风电集群波动性评价策略对经过归一化处理后的风电场的功率预测值和风速预测值的波动性进行综合评价，获取评分，并根据评分将每个风电场划分到高波动性风电集群或低波动性风电集群之中，每15min划分1次。
具体地，设置的风电集群波动性评价策略，包括：若Mark＞η，则将风电场划分至高波动性风电集群；若Mark≤η，则将风电场划分至低波动性风电集群；其中，Mark为风电场的综合波动性评分，风电场的综合波动性评分的计算公式为：
Figure BDA0003093056850000076
η为风电场的波动阈值，η的计算公式为：
Figure BDA0003093056850000081
其中，RP和Rs分别为在滚动时域内风电场的功率预测值和风速预测值的极差；NP和Ns分别为在滚动时域内风电场的功率预测值和风速预测值所有的极值个数；N为滚动时域内极值数的最大值；Pi,N为风电场i的装机容量；当风电场装机容量在150MW以内时，阀值η设为风电场装机容量的百分之一；当风电场容量大于等于150MW时，阀值η设为5MW。
其中，滚动时域指未来14分钟至4小时内的时间窗。滚动时域可以根据需求设置。
在步骤102，计算同一类型的风电集群中的所有风电场的功率预测值之和，以确定每种类型的风电集群的功率预测值。
在本发明中，将划分为高波动性风电集群和低波动性风电集群中的各风电场功率预测值分别相加得到两种类型的风电集群各自的风电集群功率预测值，每15min求和1次，输出为风电场名称及其所属风电集群类型和两种类型风电集群各自的风电集群功率预测值。具体地，计算公式为：
Figure BDA0003093056850000082
Figure BDA0003093056850000083
其中，
Figure BDA0003093056850000084
和
Figure BDA0003093056850000085
分别为高波动性风电集群和低波动性风电集群在t时刻的功率预测值；n1为高波动性风电集群中风电场的个数；n2为低波动性风电集群中风电场的个数；
Figure BDA0003093056850000086
为高波动性风电集群中的第i个风电场在t时刻的功率预测值；
Figure BDA0003093056850000087
为低波动性风电集群中的第j个风电场在t时刻的功率预测值。
在步骤103，根据每种类型的风电集群的功率预测值所占的比例确定调度计划值的分配比例，并根据所述分配比例进行调度计划值的分配，以确定每种类型的风电集群的输出功率计划值。
在本发明中，设置调度计划值时按比例进行分配，以上述风电集群的功率预测值为权重，将调度中心下发的调度计划值按比例分配给两种类型的风电集群，每15min分配1次；输出为两种类型的风电集群分配到的输出功率计划值。具体地，按照如下公式将调度中心下发的调度计划值按比例分配到各个风电集群，输出两种类型的风电集群分配到的输出功率计划值，包括：
Figure BDA0003093056850000091
Figure BDA0003093056850000092
其中，
Figure BDA0003093056850000093
和
Figure BDA0003093056850000094
分别为高波动性风电集群和低波动性风电集群分配到的输出功率计划值；Pt dispatch是调度中心下发的调度计划值。
在步骤104，以每个风电场所属风电集群的类型和对应的风电集群的类型输出功率计划值以及安全边界为约束条件，以风电集群的优化控制指令为目标函数，建立风电场优化控制模型，并利用所述风电场优化控制模型确定每个风电场的优化控制指令，以根据每个风电场的优化控制指令对风电集群有功功率波动进行抑制。
优选地，其中对于高波动性风电集群，所述目标函数，包括：
Figure BDA0003093056850000095
对于低波动性风电集群，所述目标函数包括：
Figure BDA0003093056850000096
Figure BDA0003093056850000097
Figure BDA0003093056850000098
其中，FC为风电集群的实际功率与功率预测值偏差最小的目标函数；T为优化时段数；
Figure BDA0003093056850000099
为高波动性风电集群中第i个风电场在t+Δt时刻的优化控制指令；Δt为预设的时间间隔步长；
Figure BDA00030930568500000910
为第i个风电场在t时刻的实际功率；α1和α2为权重系数，且α1＞α2；
Figure BDA00030930568500000911
为低波动性风电集群中第j个风电场在t+Δt时刻的优化控制指令；
Figure BDA00030930568500000912
为第j个风电场在t时刻的实际功率；
Figure BDA0003093056850000101
和
Figure BDA0003093056850000102
分别为高波动性风电集群和低波动性风电集群在t时刻的功率预测值。
在本发明中，设置指令优化策略，根据风电集群类型和上述分配至对应类型的风电集群的调度指令以及其他安全约束求解风电集群控制指令的目标函数，得到各风电场的优化控制指令；其中，每15min求解1次；输出为各风电场优化控制指令。
对于高波动性风电集群，优化主要目标是稳定控制平抑风电功率的波动，次要目标是减少弃风功率，约束条件为调度指令与高波动性风电集群分配到的输出功率计划值相等和其他安全约束，因此，以如下公式作为目标函数，对风电集群控制指令进行优化，包括:
Figure BDA0003093056850000103
对于低波动性风电集群，优化主要目标是减少弃风功率，次要目标是稳定控制平抑风电功率的波动，约束条件为调度指令与低波动性风电集群分配到的输出功率计划值相等和其他安全约束，以如下公式作为目标函数，对风电集群控制指令进行优化，包括：
Figure BDA0003093056850000104
其中，FC为风电集群的实际功率与功率预测值偏差最小的目标函数；T为优化时段数；
Figure BDA0003093056850000105
为高波动性风电集群中第i个风电场在t+Δt时刻的优化控制指令；Δt为预设的时间间隔步长；
Figure BDA0003093056850000106
为第i个风电场在t时刻的实际功率；α1和α2为权重系数，且α1＞α2；
Figure BDA0003093056850000107
为低波动性风电集群中第j个风电场在t+Δt时刻的优化控制指令；
Figure BDA0003093056850000108
为第j个风电场在t时刻的实际功率。α1和α2由下述公式确定，包括：
Figure BDA0003093056850000109
Figure BDA00030930568500001010
其中，
Figure BDA00030930568500001011
和
Figure BDA00030930568500001012
分别为高波动性风电集群和低波动性风电集群在t时刻的功率预测值。
本发明的风电集群有功功率波动的抑制方法，将风电场功率预测值和SCADA系统给出的风速预测值进行归一化处理；将归一化后的功率预测值和风速预测值的波动性进行综合评价，根据评分将风电场划分为高波动性风电集群和低波动性风电集群，分别将两种风电集群的风电场功率预测值相加得到各自的风电集群功率预测值；以风电集群功率预测值为权重，将调度中心下发的计划值按比例分配到各个风电集群；根据风电集群类型和分配至该类型风电集群的调度指令以及其他安全约束求解风电集群控制指令的目标函数，得到优化的风电集群控制指令；通过该发明可对风电场划分为不同的风电集群，进而针对不同类型风电集群分配调度指令和求解目标函数，提高了有功功率波动抑制的准确性；对于高波动性风电集群可提高风电功率波动抑制效果，对于低波动性风电集群实现了平抑波动和减少弃风。
图2为根据本发明实施方式的风电集群有功功率波动的抑制系统200的结构示意图。如图2所示，本发明实施方式提供的风电集群有功功率波动的抑制系统200，包括：风电集群类型划分模块201、集群功率预测值计算模块202、集群功率计划值计算模块203和功率波动抑制模块204。
优选地，所述风电集群类型划分模块201，用于对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，并根据所述综合波动性评分对每个风电场进行不同类型的风电集群的划分。
优选地，其中所述系统还包括：
归一化处理模块，用于在对风电场的功率预测值和风速预测值的波动性进行综合评估之前，对风电场的功率预测值和风速预测值进行归一化处理。
优选地，其中在所述风电集群类型划分模块201，所述不同类型的风电集群，包括：高波动性风电集群和低波动性风电集群。
优选地，其中所述风电集群类型划分模块201，对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，包括：
Figure BDA0003093056850000121
其中，Mark为风电场的综合波动性评分；RP和RS分别为在滚动时域内风电场的功率预测值和风速预测值的极差；NP和NS分别为在滚动时域内风电场的功率预测值和风速预测值所有的极值个数；N为滚动时域内极值数的最大值。
优选地，所述集群功率预测值计算模块202，用于计算同一类型的风电集群中的所有风电场的功率预测值之和，以确定每种类型的风电集群的功率预测值。
优选地，所述集群功率计划值计算模块203，用于根据每种类型的风电集群的功率预测值所占的比例确定调度计划值的分配比例，并根据所述分配比例进行调度计划值的分配，以确定每种类型的风电集群的输出功率计划值。
优选地，所述功率波动抑制模块204，用于以每个风电场所属风电集群的类型和对应的风电集群的类型输出功率计划值以及安全边界为约束条件，以风电集群的优化控制指令为目标函数，建立风电场优化控制模型，并利用所述风电场优化控制模型确定每个风电场的优化控制指令，以根据每个风电场的优化控制指令对风电集群有功功率波动进行抑制。
优选地，其中在所述功率波动抑制模块，对于高波动性风电集群，所述目标函数，包括：
Figure BDA0003093056850000122
对于低波动性风电集群，所述目标函数包括：
Figure BDA0003093056850000123
Figure BDA0003093056850000124
Figure BDA0003093056850000125
其中，FC为风电集群的实际功率与功率预测值偏差最小的目标函数；T为优化时段数；
Figure BDA0003093056850000131
为高波动性风电集群中第i个风电场在t+Δt时刻的优化控制指令；Δt为预设的时间间隔步长；
Figure BDA0003093056850000132
为第i个风电场在t时刻的实际功率；α1和α2为权重系数，且α1＞α2；
Figure BDA0003093056850000133
为低波动性风电集群中第j个风电场在t+Δt时刻的优化控制指令；
Figure BDA0003093056850000134
为第j个风电场在t时刻的实际功率；
Figure BDA0003093056850000135
和
Figure BDA0003093056850000136
分别为高波动性风电集群和低波动性风电集群在t时刻的功率预测值。
本发明的实施例的风电集群有功功率波动的抑制系统200与本发明的另一个实施例的风电集群有功功率波动的抑制方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种风电集群有功功率波动的抑制方法，其特征在于，所述方法包括：
对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，并根据所述综合波动性评分对每个风电场进行不同类型的风电集群的划分；
计算同一类型的风电集群中的所有风电场的功率预测值之和，以确定每种类型的风电集群的功率预测值；
根据每种类型的风电集群的功率预测值所占的比例确定调度计划值的分配比例，并根据所述分配比例进行调度计划值的分配，以确定每种类型的风电集群的输出功率计划值；
以每个风电场所属风电集群的类型和对应的风电集群的类型输出功率计划值以及安全边界为约束条件，以风电集群的优化控制指令为目标函数，建立风电场优化控制模型，并利用所述风电场优化控制模型确定每个风电场的优化控制指令，以根据每个风电场的优化控制指令对风电集群有功功率波动进行抑制。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在对风电场的功率预测值和风速预测值的波动性进行综合评估之前，对风电场的功率预测值和风速预测值进行归一化处理。
3.根据权利要求1所述的方法，其特征在于，所述不同类型的风电集群，包括：高波动性风电集群和低波动性风电集群。
4.根据权利要求1所述的方法，其特征在于，所述对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，包括：
Figure FDA0003093056840000011
其中，Mark为风电场的综合波动性评分；RP和RS分别为在滚动时域内风电场的功率预测值和风速预测值的极差；NP和Ns分别为在滚动时域内风电场的功率预测值和风速预测值所有的极值个数；N为滚动时域内极值数的最大值。
5.根据权利要求1所述的方法，其特征在于，对于高波动性风电集群，所述目标函数，包括：
Figure FDA0003093056840000021
对于低波动性风电集群，所述目标函数包括：
Figure FDA0003093056840000022
Figure FDA0003093056840000023
Figure FDA0003093056840000024
其中，FC为风电集群的实际功率与功率预测值偏差最小的目标函数；T为优化时段数；
Figure FDA0003093056840000025
为高波动性风电集群中第i个风电场在t+Δt时刻的优化控制指令；Δt为预设的时间间隔步长；
Figure FDA0003093056840000026
为第i个风电场在t时刻的实际功率；α1和α2为权重系数，且α1＞α2；
Figure FDA0003093056840000027
为低波动性风电集群中第j个风电场在t+Δt时刻的优化控制指令；
Figure FDA0003093056840000028
为第j个风电场在t时刻的实际功率；
Figure FDA0003093056840000029
和
Figure FDA00030930568400000210
分别为高波动性风电集群和低波动性风电集群在t时刻的功率预测值。
6.一种风电集群有功功率波动的抑制系统，其特征在于，所述系统包括：
风电集群类型划分模块，用于对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，并根据所述综合波动性评分对每个风电场进行不同类型的风电集群的划分；
集群功率预测值计算模块，用于计算同一类型的风电集群中的所有风电场的功率预测值之和，以确定每种类型的风电集群的功率预测值；
集群功率计划值计算模块，用于根据每种类型的风电集群的功率预测值所占的比例确定调度计划值的分配比例，并根据所述分配比例进行调度计划值的分配，以确定每种类型的风电集群的输出功率计划值；
功率波动抑制模块，用于以每个风电场所属风电集群的类型和对应的风电集群的类型输出功率计划值以及安全边界为约束条件，以风电集群的优化控制指令为目标函数，建立风电场优化控制模型，并利用所述风电场优化控制模型确定每个风电场的优化控制指令，以根据每个风电场的优化控制指令对风电集群有功功率波动进行抑制。
7.根据权利要求6所述的系统，其特征在于，所述系统还包括：
归一化处理模块，用于在对风电场的功率预测值和风速预测值的波动性进行综合评估之前，对风电场的功率预测值和风速预测值进行归一化处理。
8.根据权利要求6所述的系统，其特征在于，在所述风电集群类型划分模块，不同类型的风电集群，包括：高波动性风电集群和低波动性风电集群。
9.根据权利要求6所述的系统，其特征在于，所述风电集群类型划分模块，对风电场的功率预测值和风速预测值的波动性进行综合评估，获取综合波动性评分，包括：
Figure FDA0003093056840000031
其中，Mark为风电场的综合波动性评分；RP和Rs分别为在滚动时域内风电场的功率预测值和风速预测值的极差；NP和Ns分别为在滚动时域内风电场的功率预测值和风速预测值所有的极值个数；N为滚动时域内极值数的最大值。
10.根据权利要求6所述的系统，其特征在于，在所述功率波动抑制模块，对于高波动性风电集群，所述目标函数，包括：
Figure FDA0003093056840000032
对于低波动性风电集群，所述目标函数包括：
Figure FDA0003093056840000041
Figure FDA0003093056840000042
Figure FDA0003093056840000043
其中，FC为风电集群的实际功率与功率预测值偏差最小的目标函数；T为优化时段数；
Figure FDA0003093056840000044
为高波动性风电集群中第i个风电场在t+Δt时刻的优化控制指令；Δt为预设的时间间隔步长；
Figure FDA0003093056840000045
为第i个风电场在t时刻的实际功率；α1和α2为权重系数，且α1＞α2；
Figure FDA0003093056840000046
为低波动性风电集群中第j个风电场在t+Δt时刻的优化控制指令；
Figure FDA0003093056840000047
为第j个风电场在t时刻的实际功率；
Figure FDA0003093056840000048
和
Figure FDA0003093056840000049
分别为高波动性风电集群和低波动性风电集群在t时刻的功率预测值。
CN202110601387.6A 2021-05-31 2021-05-31 一种风电集群有功功率波动的抑制方法及系统 Active CN113381457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110601387.6A CN113381457B (zh) 2021-05-31 2021-05-31 一种风电集群有功功率波动的抑制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110601387.6A CN113381457B (zh) 2021-05-31 2021-05-31 一种风电集群有功功率波动的抑制方法及系统

Publications (2)

Publication Number Publication Date
CN113381457A true CN113381457A (zh) 2021-09-10
CN113381457B CN113381457B (zh) 2023-08-08

Family

ID=77575186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110601387.6A Active CN113381457B (zh) 2021-05-31 2021-05-31 一种风电集群有功功率波动的抑制方法及系统

Country Status (1)

Country Link
CN (1) CN113381457B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579418A (zh) * 2022-05-05 2022-06-03 杭州网易云音乐科技有限公司 实验评估方法、评估装置、存储介质及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107769254A (zh) * 2017-08-01 2018-03-06 中国农业大学 一种风电集群轨迹预测与分层控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107769254A (zh) * 2017-08-01 2018-03-06 中国农业大学 一种风电集群轨迹预测与分层控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579418A (zh) * 2022-05-05 2022-06-03 杭州网易云音乐科技有限公司 实验评估方法、评估装置、存储介质及设备

Also Published As

Publication number Publication date
CN113381457B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN107482692B (zh) 风电场有功控制的方法、装置及系统
CN104600747A (zh) 协调运行风险与风能消纳的电力系统运行优化方法
WO2021022665A1 (zh) 一种月度计划安全稳定校核方法及系统
CN103259285A (zh) 含大规模风电电力系统的短期运行优化方法
CN104915737A (zh) 基于风险控制含大规模风电的电力系统协调经济调度方法
CN109245184B (zh) 适应多类型约束与多控制区间的多源协同有功控制方法
CN108054790B (zh) 基于预测出力逐次逼近的风光发电集群有功实时优化控制方法
CN110159484B (zh) 基于风电场场级能量控制的风电机群启停机控制方法
CN113591359A (zh) 一种风电机组切入/切出风速调优方法、系统及设备介质
CN113077075B (zh) 新能源不确定性电力系统安全风险预防控制方法及装置
CN108695857A (zh) 风电场自动电压控制方法、装置及系统
CN105826946B (zh) 大规模光伏接入的配电网动态无功优化方法
CN113381457A (zh) 一种风电集群有功功率波动的抑制方法及系统
CN114336592A (zh) 一种基于模型预测控制的风电场agc控制方法
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
CN110429645B (zh) 一种光伏电站有功功率变化率控制方法、系统及存储介质
US20230344242A1 (en) Method for automatic adjustment of power grid operation mode base on reinforcement learning
CN109474003B (zh) 一种接入风电场的区域电网优化调度方法
Su et al. A coordinative optimization method of active power and fatigue distribution in onshore wind farms
CN105048491A (zh) 基于机组组合和经济调度的多阶段风电接纳范围计算方法
CN104578113B (zh) 基于agc的机组控制模式自适应切换方法
CN113158566A (zh) 一种基于需求侧的用户有序用电控制方法、系统和介质
CN108155675B (zh) 基于预测信息与运行状态的风电场群功率优化调度方法
CN112350335A (zh) 一种风电场分级调压控制方法及系统
CN112366686A (zh) 适应分布式光伏的低频减负荷分配方案的自动生成方法

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