CN114139812A - 一种用于次同步振荡监测的监测装置优化配置方法 - Google Patents
一种用于次同步振荡监测的监测装置优化配置方法 Download PDFInfo
- Publication number
- CN114139812A CN114139812A CN202111470341.1A CN202111470341A CN114139812A CN 114139812 A CN114139812 A CN 114139812A CN 202111470341 A CN202111470341 A CN 202111470341A CN 114139812 A CN114139812 A CN 114139812A
- Authority
- CN
- China
- Prior art keywords
- node
- index
- wind power
- power system
- observable
- 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.)
- Pending
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 81
- 238000012806 monitoring device Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000013016 damping Methods 0.000 claims abstract description 104
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000005484 gravity Effects 0.000 claims description 18
- 238000002347 injection Methods 0.000 claims description 12
- 239000007924 injection Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 238000006116 polymerization reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010885 neutral beam injection Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于次同步振荡监测的监测装置优化配置方法,监测装置优化配置方法包括:S1:获取风电系统的系统参数;S2:根据系统参数,建立风电系统的回路阻抗矩阵;S3:根据回路阻抗矩阵,计算风电系统节点的可观指标;S4:获取风电系统节点的阻尼影响指标;S5:根据风电系统节点的可观指标和阻尼影响指标,利用熵权法,得到风电系统节点的可观指标权重和阻尼影响指标权重;S6:根据S5以及工况发生概率,得到风电系统节点关键度;S7:根据风电系统节点关键度,构建风电系统节点关键度的监测装置多阶段优化配置模型;S8:根据监测装置多阶段优化配置模型,得到监测装置优化配置结果。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种用于次同步振荡监测的监测装置优化配置方法。
背景技术
随着风电等可再生能源发电的快速发展,可再生能源并网的比例不断提高,在发挥节能减排效益的同时也给电力系统带来了发生次同步振荡的风险。国内外风电系统已发生了多起次同步振荡事故,严重威胁系统的安全稳定运行。为了监测振荡、研究振荡传播机理、抑制振荡扩散和避免振荡再次发生,对电网的可观测性和可控制性提出了更高的要求。
然而,现有的广域测量系统难以满足当前对次同步振荡的研究需求,需对传统的广域测量系统进行改进。我国新疆等地已在近期开始对同步相量装置进行改造使其具备记录波形数据能力(SPMU),当系统发生振荡时,主站随即下发召唤命令收集各点SPMU波形数据。但由于时间和成本上的限制,短时间内在风电系统所有节点安装监测装置是不现实的。同时,传统的优化配置方法研究主要集中在保证系统全局可观的基础上使得监测装置的数量最少,多基于各节点关键程度一致的前提假设。但是在实际工程应用中,各节点对监测的关键度是不同的,传统优化配置方法难以保证监测装置布置在更为关键的节点上。此外,考虑到系统往往存在多个可能发生次同步振荡事故的工况且各工况发生概率不一,以及零注入节点能够有效减少所需监测设备数量,如何计及系统振荡工况发生概率、零注入节点的影响提升系统经济性是值得关注的问题。
发明内容
本发明的目的在于提供一种用于次同步振荡监测的监测装置优化配置方法,能够将监测装置设置在风电系统中更为重要的节点上,同时计及系统振荡工况发生概率、零注入节点的影响,以进一步提高监测系统可靠性与经济性。
本发明解决上述技术问题的技术方案如下:
本发明提供一种用于次同步振荡监测的监测装置优化配置方法,所述监测装置优化配置方法包括:
S1:获取风电系统的系统参数;
S2:根据所述系统参数,建立所述风电系统的回路阻抗矩阵;
S3:根据所述回路阻抗矩阵,计算所述风电系统节点的可观指标;
S4:获取所述风电系统节点的阻尼影响指标;
S5:根据所述风电系统节点的可观指标和阻尼影响指标,利用熵权法,得到所述风电系统节点的可观指标权重和阻尼影响指标权重;
S6:根据所述风电系统节点的可观指标、所述阻尼影响指标、所述可观指标权重、所述阻尼影响指标权重以及工况发生概率,得到所述风电系统节点关键度;
S7:根据所述风电系统节点关键度,构建所述风电系统节点关键度的监测装置多阶段优化配置模型;
S8:根据所述监测装置多阶段优化配置模型,得到所述监测装置优化配置结果。
可选择地,所述步骤S3中,所述风电系统节点的可观指标为:
其中,On为振荡模态下节点n的可观指标,Ol为支路l振荡电流幅值的相对大小且Hlp'为矩阵H'第l行第p列的元素;H'=B'H;B为回路-支路关联矩阵;H为左特征矩阵且Z(λm)表示振荡模态λm下风电系统回路阻抗矩阵;λm表示振荡模态;Λ为特征矩阵;W为右特征矩阵;NL为支路数量;Ωln为节点n的邻接支路集合。
可选择地,所述步骤S4中,所述风电系统节点的阻尼影响指标为:
其中,Dj为节点j的阻尼影响指标;hj为节点j的阻尼灵敏度;NB为系统节点数。
可选择地,所述步骤S5包括以下分步骤:
S51:标准化处理所述可观指标和所述阻尼影响指标,得到可观指标的标准化结果以及阻尼影响指标的标准化处理结果;
S52:根据所述可观指标的标准化结果和所述阻尼影响指标的标准化处理结果,分别计算所述可观指标的特征比重和所述阻尼影响指标的特征比重;
S53:根据所述可观指标的特征比重和所述阻尼影响指标的特征比重,分别计算所述可观指标的信息熵和所述阻尼影响指标的信息熵;
S54:利用所述可观指标的信息熵和所述阻尼影响指标的信息熵,分别计算所述风电系统节点的可观指标权重和阻尼影响指标权重。
可选择地,所述步骤S51中,标准化处理所述可观指标和所述阻尼影响指标为:
其中,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标,ynj表示标准化处理的第n个节点的第j个指标,xnj表示第n个节点的第j个指标,xjmax为第j个指标的最大值,xjmin为第j个指标的最小值;
所述步骤S52中,所述可观指标和所述阻尼影响指标的特征比重为:
其中,Ynj表示特征比重,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标,ynj表示标准化处理的第n个节点的第j个指标;NB为系统节点数;
所述步骤S53中,所述信息熵为:
其中,ej为信息熵,j=1~2且j=1时表示可观指标,j=2时表示阻尼影响指标,Ynj为特征比重,NB为系统节点数;
所述步骤S54中,所述指标权重为:
其中,t为指标个数;Wj为第j个指标的权重,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标。
可选择地,所述风电系统节点关键度为:
其中,Cn表示风电系统节点n的节点关键度;cn=(W1On+W2Dn)Pσ,且cn表示风电系统中节点n的节点关键值,即定义节点关键度Cn为节点关键值cn的相对大小,On为振荡模态节点n的可观指标,Dn为节点n的阻尼影响指标,W1为振荡可观性指标的权重;W2为阻尼影响程度指标的权重;P为工况发生概率;且P=PkPv;Pk是线路k断线概率;是线路k的可靠性;NL是系统线路数量,σ为该工况的阻尼;Pv为风速概率分布且v为风速,c、k分别为尺度参数、形状参数;NB为系统节点数。
可选择地,所述步骤S7中,所述风电系统节点关键度的监测装置多阶段优化配置模型包括:监测装置全周期配置模型和监测装置子阶段配置模型。
可选择地,所述监测装置全周期配置模型为:
其中,NB为系统节点数,Cn表示风电系统节点关键度;xn为0~1变量,表示节点n是否配置监测装置;Ωn为节点n的邻接节点集合;zm为0~1变量,表示节点m是否为非零注入节点,且节点m为节点n的邻接节点集合Ωn中的点;unm为辅助变量。
所述监测装置子阶段配置模型为:
其中,NB为系统节点数,Cn表示风电系统节点关键度;xn为0~1变量,表示节点n是否配置监测装置;Ωn为节点n的邻接节点集合;zm为0~1变量,表示节点m是否为非零注入节点;unm为辅助变量;bn为0~1变量,表示节点n是否可观测;K表示全周期分割而成的建设阶段数;gk表示各阶段预期安装数目。
本发明具有以下有益效果:
1、计及系统节点关键度,鉴于大规模新能源接入电力系统导致的次同步振荡是由负阻尼引发的电气振荡,从节点阻尼影响、可观可控性两个角度定义和计算各节点在振荡监测中的关键度,与传统方法相比,在考虑到了系统节点关键度的基础上,并未增加所需监测装置的数量,兼顾了对关键节点的监测与配置的经济性;
2、在此基础上,建立了计及指标之间重要程度差异、振荡工况发生概率的监测关键度客观评价体系,建立了计及节点监测关键度、振荡工况发生概率SPMU多阶段优化配置模型,与全周期优化配置方法相比,更符合工程应用中常存在的分阶段安装的实际情况。
附图说明
图1为本发明实施例所提供的用于次同步振荡监测的监测装置优化配置方法的流程图;
图2为图1中步骤S5的分步骤流程图;
图3为实施例2的测试系统:美国德克萨斯州ERCOT系统拓扑;
图4为实施例3的测试系统:改进的New England 39节点系统拓扑;
图5为实施例3中系统各节点的综合指标。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
本发明解决上述技术问题的技术方案如下:
本发明提供一种用于次同步振荡监测的监测装置优化配置方法,参考图1所示,所述监测装置优化配置方法包括:
S1:获取风电系统的系统参数;
这里,本发明对于风电系统的系统参数不做具体限制,本领域技术人员可结合本申请和实际需求判断并选择该风电系统的系统参数。在本发明中,风电系统的系统参数具体包括拓扑结构、风电参数和线路参数。以下方案便结合该拓扑结构、风电参数和线路参数对本发明进行展开描述。
S2:根据所述系统参数,建立所述风电系统的回路阻抗矩阵;
S3:根据所述回路阻抗矩阵,计算所述风电系统节点的可观指标;
支路的振荡可观性定义为:振荡模态λm下,在支路h施加单位脉冲扰动电压后,在支路l观测到的相对电流幅值。节点的振荡可观性定义为节点所连接支路的可观性指标总和的相对大小,表征了监测装置在该节点所能监测支路振荡电流幅值的相对大小。支路的振荡可观性可以表示为:
式中:NL为支路数量;Il为支路l振荡电流幅值;Ol为支路l振荡电流幅值的相对大小;
通过建立系统回路阻抗矩阵Z,即可建立回路电压与电流之间的关系,进而实现振荡可观性指标的快速计算。回路电压与电流之间的关系可以表示为:
Z-1(s)V(s)=I(s)
式中:Z(s)、V(s)、I(s)分别为s域下系统回路阻抗矩阵、回路电压向量和回路电流向量。
Z的特征值为零或十分接近零时所对应的模态即为振荡模态λm=σm±jωm,σm为振荡阻尼,ωm为振荡角频率。
由回路阻抗矩阵Z的对称性,可得到:
Z(λm)=HΛW
式中:Λ为特征矩阵;H和W分别为左特征矩阵和右特征矩阵。
进一步地,Z-1(λm)可以改写为:
式中:b为独立回路数;μi为矩阵Z第i个特征值;Hlp和Wph分别为矩阵H和W第l行第p列、第p行第h列的元素。
可得支路电流与电压之间的关系为:
H'=BTH
W'=WB
式中:H′lp和W′ph分别为矩阵H'和W'第l行第p列、第p行第h列的元素。B为回路-支路关联矩阵。
可选择地,所述步骤S3中,所述风电系统节点的可观指标为:
其中,On为振荡模态下支路l、节点n的可观指标,Ol为支路l振荡电流幅值的相对大小且Hlp'为矩阵H'第l行第p列的元素;H'=B'H;B为回路-支路关联矩阵;H为左特征矩阵且Z(λm)表示振荡模态λm下风电系统回路阻抗矩阵;λm表示振荡模态;Λ为特征矩阵;W为右特征矩阵;NL为支路数量;Ωln为节点n的邻接支路集合。
S4:获取所述风电系统节点的阻尼影响指标;
利用矢量拟合技术计算系统聚合阻抗零点得到振荡频率与阻尼,在此基础上得到节点阻尼影响指标
系统的稳定性取决于系统聚合阻抗,通过计算聚合阻抗的零点,就可以得到系统的振荡模态,包括振荡阻尼σm和振荡频率fm。
考虑到工程应用中,风电等新能源机组的阻抗模型难以建立,遂将其视为黑盒模型,通过注入扰动测量风电等新能源机组的阻抗。进一步地,通过找到一个频域离散函数f(s)来匹配量测阻抗:
矢量拟合法通过设置一组初始极点a0,k并构建辅助函数σ(s):
辅助函数σ(s)可以理解为拟合误差,c0,k表示初始留数;s表示复频率;N表示拟合阶数;k=1、2、……、N;e、d表示实系数。
式中:zk和z0,k为对应函数零点,z0,k=eig(a-bcT),其中,a、b、c可利用σ(s)求解。
由上式可知,等式左右两端极点相消后,右端零点将成为新的极点,重复此过程即可求得传递函数f(s)极点ak,进而通过最小二乘法得到d、e,即可获得风电机组等黑盒模型的输出阻抗模型。
在此基础上,即可根据系统拓扑、线路参数等已知信息,计算系统聚合阻抗模型。求得系统聚合阻抗零点的实部,即为振荡阻尼σm;系统聚合阻抗零点的虚部,即为振荡角频率ωm;振荡频率fm可由振荡角频率求得:
定义节点阻尼灵敏度为:发电机阻抗变化10%而导致系统阻尼的变化量。
节点阻尼影响指标为对应节点阻尼灵敏度的绝对值与所有节点阻尼灵敏度绝对值之和的比值,即:
所述步骤S4中,所述风电系统节点的阻尼影响指标为:
其中,Dn为节点n的阻尼影响指标;hn为节点n的阻尼灵敏度;NB为系统节点数。
S5:根据所述风电系统节点的可观指标和阻尼影响指标,利用熵权法,得到所述风电系统节点的可观指标权重和阻尼影响指标权重;
熵权法是一种常用的客观赋权法,不依赖于人的主观判断,评价结果更具数学依据,能够客观评价节点监测关键度各指标。
由此,参考图2所示,熵权法的评价步骤即所述步骤S5的分步骤如下:
S51:标准化处理所述可观指标和所述阻尼影响指标,得到可观指标的标准化结果以及阻尼影响指标的标准化处理结果;
标准化处理所述可观指标和所述阻尼影响指标为:
其中,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标,ynj表示标准化处理的第n个节点的第j个指标,xnj表示第n个节点的第j个指标,xjmax为第j个指标的最大值,xjmin为第j个指标的最小值。
S52:根据所述可观指标的标准化结果和所述阻尼影响指标的标准化处理结果,分别计算所述可观指标的特征比重和所述阻尼影响指标的特征比重;
所述步骤S52中,所述可观指标和所述阻尼影响指标的特征比重为:
其中,Ynj表示特征比重,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标,ynj表示标准化处理的第n个节点的第j个指标;NB为系统节点数。
S53:根据所述可观指标的特征比重和所述阻尼影响指标的特征比重,分别计算所述可观指标的信息熵和所述阻尼影响指标的信息熵;
所述信息熵为:
其中,ej为信息熵,j=1~2且j=1时表示可观指标,j=2时表示阻尼影响指标,Ynj为特征比重,NB为系统节点数。
S54:利用所述可观指标的信息熵和所述阻尼影响指标的信息熵,分别计算所述风电系统节点的可观指标权重和阻尼影响指标权重。
所述步骤S54中,所述指标权重为:
其中,t为指标个数;Wj为第j个指标的权重,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标。
S6:根据所述风电系统节点的可观指标、所述阻尼影响指标、所述可观指标权重、所述阻尼影响指标权重以及工况发生概率,得到所述风电系统节点关键度;
根据系统风速、N-1断线概率确定振荡工况发生概率。
风速概率分布可以表示为:
式中:Pv为风速概率分布且v为风速,c、k分别为尺度参数、形状参数。
已知风力资源特性(平均风速v0、风速标准差r)可通过如下算法计算参数c、k:
要计算振荡工况概率,还应确定系统N-1断线概率Pk:
式中:Pk是线路k断线概率;RLk是线路k的可靠性;NL是系统线路数量σ为该工况的阻尼。
在获得风速、N-1断线概率模型之后,即可计算系统某一振荡工况发生概率P:
P=PkPv
由此,根据所述节点可观可控指标、阻尼影响指标、指标权重、工况发生概率综合评估系统节点关键度(Nodal Critical Index,NCI)。
系统节点关键度(Nodal Critical Index,NCI)可以通过下式确定:
其中,Cn表示风电系统节点n的节点关键度;cn=(W1On+W2Dn)Pσ,且cn表示风电系统中节点n的节点关键值,即定义节点关键度Cn为节点关键值cn的相对大小,On为振荡模态节点n的可观指标,Dn为节点n的阻尼影响指标,W1为振荡可观性指标的权重;W2为阻尼影响程度指标的权重;P为工况发生概率;且P=PkPv;Pk是线路k断线概率;是线路k的可靠性;NL是系统线路数量,σ为该工况的阻尼;Pv为风速概率分布且v为风速,c、k分别为尺度参数、形状参数;NB为系统节点数。
S7:根据所述风电系统节点关键度,构建所述风电系统节点关键度的监测装置多阶段优化配置模型;
在全周期安装规划中,应优先保证监测装置最终安装在监测关键度更高的节点上;在各子阶段进行安装规划时,应保证本阶段的安装方案能够使监测系统可观测程度最佳的同时使监测装置配置在更为关键的节点上。因此,对含有NB个节点、NL条线路的系统,首先以节点监测关键度指标为节点权重,全局可观为约束条件,建立监测装置全周期配置模型。
可选择地,所述步骤S7中,所述风电系统节点关键度的监测装置多阶段优化配置模型包括:监测装置全周期配置模型和监测装置子阶段配置模型。
可选择地,所述监测装置全周期配置模型为:
其中,NB为系统节点数,Cn表示风电系统节点关键度;xn为0~1变量,表示节点n是否配置监测装置;Ωn为节点n的邻接节点集合;zm为0~1变量,表示节点m是否为非零注入节点,且节点m为节点n的邻接节点集合Ωn中的点;unm为辅助变量。
考虑到在实际工程应用中监测装置往往不能一次配置到位,一般存在多个建设周期,且各周期有预期安装数目。因此将全周期分割为K个建设阶段,各阶段预期安装数目为gk,以建设阶段系统可观测程度最大(即系统可观测节点数最多)、节点监测关键度最高为目标,以监测装置子阶段预期安装数目为约束,建立子阶段优化配置模型:
其中,NB为系统节点数,Cn表示风电系统节点关键度;xn为0~1变量,表示节点n是否配置监测装置;Ωn为节点n的邻接节点集合;zm为0~1变量,表示节点m是否为非零注入节点;unm为辅助变量;bn为0~1变量,表示节点n是否可观测;K表示全周期分割而成的建设阶段数;gk表示各阶段预期安装数目。
S8:根据所述监测装置多阶段优化配置模型,得到所述监测装置优化配置结果。
具体在本发明中,通过整数线性规划求解所述模型得到监测装置多阶段优化配置方案。
本发明具有以下有益效果:
1、计及系统节点关键度,鉴于大规模新能源接入电力系统导致的次同步振荡是由负阻尼引发的电气振荡,从节点阻尼影响、可观可控性两个角度定义和计算各节点在振荡监测中的关键度,与传统方法相比,在考虑到了系统节点关键度的基础上,并未增加所需监测装置的数量,兼顾了对关键节点的监测与配置的经济性;
2、在此基础上,建立了计及指标之间重要程度差异、振荡工况发生概率的监测关键度客观评价体系,建立了计及节点监测关键度、振荡工况发生概率SPMU多阶段优化配置模型,与全周期优化配置方法相比,更符合工程应用中常存在的分阶段安装的实际情况。
实施例2
采用美国德克萨斯州ERCOT系统验证所提算法的有效性。该系统拓扑结构如图3所示。风电场WF1~WF5风机台数如表1所示,各风电场风速v为8m/s,平均风速v0、风速标准差r分别取6.42812、3.04964。节点5、6间固定串联补偿器补偿容量为25%,各线路可靠性如表2所示。
表1各风电场风机台数
表2各线路可靠性
第一步,过建立系统回路阻抗矩阵Z,计算节点可观指标。
本仿真案例中各断线情况对应阻尼、频率如表3所示。
表3 ERCOT系统各断线情况下阻尼、频率
可以发现只有在L5-8断线时才会引发次同步振荡,因此只需计算L5-8断线下各节点指标。各节点可观指标如表4所示。
表4可观指标
第二步,利用矢量拟合技术计算系统聚合阻抗零点得到振荡频率与阻尼,在此基础上得到节点阻尼影响指标。
节点阻尼指标计算结果如表5所示。
表5节点阻尼指标
第三步,利用熵权法综合评估所述节点可观指标、阻尼影响指标的权重。
利用熵权法求得各指标权重分别为:W1=0.3995、W2=0.6005。
第四步,根据系统风速、N-1断线概率确定振荡工况发生概率。
已知平均风速v0、风速标准差r、风速v、线路可靠性,即可求得振荡工况发生概率。本例振荡工况发生概率为:0.45626%
第五步,根据所述节点可观可控指标、阻尼影响指标、指标权重、工况发生概率综合评估系统节点关键度(Nodal Critical Index,NCI)。
求得系统节点关键度如表6所示。
表6节点关键度
第六步,计及零注入节点的影响,构建基于所述系统节点关键度的监测装置多阶段优化配置模型。
第七步,通过整数线性规划求解所述模型得到监测装置多阶段优化配置方案。与未考虑系统节点关键度的传统算法求解的结果进行对比,两种算法配置结果对比如表7所示。
表7监测装置配置情况
本发明所提计及节点关键度的配置方法相较于传统方法,在考虑到了系统节点关键度的基础上,并未增加所需监测装置的数量使得监测装置布置在更为重要的节点上,兼顾了关键节点的监测与配置的经济性。
实施例3
采用改进的New England 39节点系统验证所提算法的有效性。该系统拓扑结构如图4所示。系统具有39个节点、46条支路,在4、5、7、8、16、17、18、26、27九个节点处分别设置风电场WF1、WF2、WF3、WF4、WF5、WF6、WF7、WF8、WF9。在线路L4-5、L17-27分别设置串补电容。分析了如表8所示的典型工况下系统次同步振荡风险。
表8典型工况设置情况
本例中,平均风速v0、风速标准差r分别取6.42812、3.04964。对具有次同步振荡风险的工况,求得系统振荡可观性指标、阻尼影响程度指标、监测关键度指标如图5所示,改进的New England 39节点系统各线路可靠性Rk见表9。
表9系统各线路可靠性
设建设阶段数K=3,各阶段SPMU预期安装数目分别为m 1=m 2=m 3=3。构建基于所述系统节点关键度的监测装置多阶段优化配置模型,通过整数线性规划求解所述模型得到监测装置最优配置方案。与传统多阶段优化配置算法(计及零注入节点,未计及节点关键度)进行对比,结果如表10所示。
表10不同算法下的SPMU配置情况
本发明所提出的能够使得SPMU配置方案节点关键度更高,即能保证SPMU配置在更为关键的节点(如节点27)上,且未增加所需SPMU数目。可见,所提方法在保证配置方案的经济性的前提下,保证了SPMU配置在更为关键的节点上且使得各阶段监测系统可观测程度最高。
可见,本发明提出的计及系统节点关键度的配置方法与传统方法相比,在考虑到了系统节点关键度的基础上,并未增加所需监测装置的数量,兼顾了对关键节点的监测与配置的经济性。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于次同步振荡监测的监测装置优化配置方法,其特征在于,所述监测装置优化配置方法包括:
S1:获取风电系统的系统参数;
S2:根据所述系统参数,建立所述风电系统的回路阻抗矩阵;
S3:根据所述回路阻抗矩阵,计算所述风电系统节点的可观指标;
S4:获取所述风电系统节点的阻尼影响指标;
S5:根据所述风电系统节点的可观指标和阻尼影响指标,利用熵权法,得到所述风电系统节点的可观指标权重和阻尼影响指标权重;
S6:根据所述风电系统节点的可观指标、所述阻尼影响指标、所述可观指标权重、所述阻尼影响指标权重以及工况发生概率,得到所述风电系统节点关键度;
S7:根据所述风电系统节点关键度,构建所述风电系统节点关键度的监测装置多阶段优化配置模型;
S8:根据所述监测装置多阶段优化配置模型,得到所述监测装置优化配置结果。
4.根据权利要求1所述的用于次同步振荡监测的监测装置优化配置方法,其特征在于,所述步骤S5包括以下分步骤:
S51:标准化处理所述可观指标和所述阻尼影响指标,得到可观指标的标准化结果以及阻尼影响指标的标准化处理结果;
S52:根据所述可观指标的标准化结果和所述阻尼影响指标的标准化处理结果,分别计算所述可观指标的特征比重和所述阻尼影响指标的特征比重;
S53:根据所述可观指标的特征比重和所述阻尼影响指标的特征比重,分别计算所述可观指标的信息熵和所述阻尼影响指标的信息熵;
S54:利用所述可观指标的信息熵和所述阻尼影响指标的信息熵,分别计算所述风电系统节点的可观指标权重和阻尼影响指标权重。
5.根据权利要求4所述的用于次同步振荡监测的监测装置优化配置方法,其特征在于,所述步骤S51中,标准化处理所述可观指标和所述阻尼影响指标为:
其中,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标,ynj表示标准化处理的第n个节点的第j个指标,xnj表示第n个节点的第j个指标,xjmax为第j个指标的最大值,xjmin为第j个指标的最小值;
所述步骤S52中,所述可观指标和所述阻尼影响指标的特征比重为:
其中,Ynj表示特征比重,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标,ynj表示标准化处理的第n个节点的第j个指标;NB为系统节点数;
所述步骤S53中,所述信息熵为:
其中,ej为信息熵,j=1~2且j=1时表示可观指标,j=2时表示阻尼影响指标,Ynj为特征比重,NB为系统节点数;
所述步骤S54中,所述指标权重为:
其中,t为指标个数;Wj为第j个指标的权重,j=1~2且j=1时表示可观指标;j=2时表示阻尼影响指标。
7.根据权利要求1所述的用于次同步振荡监测的监测装置优化配置方法,其特征在于,所述步骤S7中,所述风电系统节点关键度的监测装置多阶段优化配置模型包括:监测装置全周期配置模型和监测装置子阶段配置模型。
8.根据权利要求7所述的用于次同步振荡监测的监测装置优化配置方法,其特征在于,所述监测装置全周期配置模型为:
其中,NB为系统节点数,Cn表示风电系统节点关键度;xn为0~1变量,表示节点n是否配置监测装置;Ωn为节点n的邻接节点集合;zm为0~1变量,表示节点m是否为非零注入节点,且节点m为节点n的邻接节点集合Ωn中的点;unm为辅助变量。
所述监测装置子阶段配置模型为:
其中,NB为系统节点数,Cn表示风电系统节点关键度;xn为0~1变量,表示节点n是否配置监测装置;Ωn为节点n的邻接节点集合;zm为0~1变量,表示节点m是否为非零注入节点;unm为辅助变量;bn为0~1变量,表示节点n是否可观测;K表示全周期分割而成的建设阶段数;gk表示各阶段预期安装数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470341.1A CN114139812A (zh) | 2021-12-03 | 2021-12-03 | 一种用于次同步振荡监测的监测装置优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470341.1A CN114139812A (zh) | 2021-12-03 | 2021-12-03 | 一种用于次同步振荡监测的监测装置优化配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139812A true CN114139812A (zh) | 2022-03-04 |
Family
ID=80387693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470341.1A Pending CN114139812A (zh) | 2021-12-03 | 2021-12-03 | 一种用于次同步振荡监测的监测装置优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114977222A (zh) * | 2022-07-28 | 2022-08-30 | 东南大学溧阳研究院 | 一种电力系统宽频振荡影响因素和传播路径分析方法 |
-
2021
- 2021-12-03 CN CN202111470341.1A patent/CN114139812A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114977222A (zh) * | 2022-07-28 | 2022-08-30 | 东南大学溧阳研究院 | 一种电力系统宽频振荡影响因素和传播路径分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meegahapola et al. | Review on oscillatory stability in power grids with renewable energy sources: Monitoring, analysis, and control using synchrophasor technology | |
Mei et al. | A study of self-organized criticality of power system under cascading failures based on AC-OPF with voltage stability margin | |
CN108075470A (zh) | 一种基于sfr和elm的电网暂态频率特征预测方法 | |
WO2020162937A1 (en) | Automated model validation system for electrical grid | |
Huang et al. | An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning | |
AU2022231757B2 (en) | Method for multi-adaptive optimal μPMU placement in micro-energy network | |
Xiao et al. | Optimal sizing and siting of soft open point for improving the three phase unbalance of the distribution network | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN114139812A (zh) | 一种用于次同步振荡监测的监测装置优化配置方法 | |
CN109149566A (zh) | 一种大功率缺失下频率最低点预测的仿真模型的建模方法 | |
Lin et al. | A physical-data combined power grid dynamic frequency prediction methodology based on adaptive neuro-fuzzy inference system | |
He et al. | Power system frequency situation prediction method based on transfer learning | |
CN108767867B (zh) | 基于元模型的分布式电源就地电压无功控制策略求解方法 | |
Tian et al. | A network analysis-based distributed load shedding strategy for voltage collapse prevention | |
Gao et al. | SPSO-DBN based compensation algorithm for lackness of electric energy metering in micro-grid | |
Wei et al. | A lite cellular generalized neuron network for frequency prediction of synchronous generators in a multimachine power system | |
Qin et al. | An integrated situational awareness tool for resilience-driven restoration with sustainable energy resources | |
CN109245090A (zh) | 一种大功率缺失下频率最低点预测的解析模型的建模方法 | |
CN113690930B (zh) | 基于nsga-iii算法的分布式光伏电源中长期选址定容方法 | |
CN113177717B (zh) | 一种基于影响增量灵敏度的输电系统韧性快速评估方法 | |
US20220284156A1 (en) | Real-time update of power system models for dynamic security assessment | |
Jabari et al. | Multi‐objective optimal preventive islanding based on stochastic backward elimination strategy considering uncertainties of loads and wind farms | |
Li et al. | Deep Reinforcement Learning-Based Fast Prediction of Strategies for Security Control | |
Ding et al. | Multi-Objective optimial configuration of distributed wind-solar generation considering energy storage | |
Wang et al. | Neural Network Applications in Hybrid Data-Model Driven Dynamic Frequency Trajectory Prediction for Weak-Damping Power Systems |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220712 Address after: 010000 No.11, Ordos East Street, Saihan District, Hohhot, Inner Mongolia Autonomous Region Applicant after: STATE GRID EAST INNER MONGOLIA ELECTRIC POWER Co.,Ltd. Applicant after: State Grid Co., Ltd. Address before: 010000 No.11, Ordos East Street, Saihan District, Hohhot, Inner Mongolia Autonomous Region Applicant before: STATE GRID EAST INNER MONGOLIA ELECTRIC POWER Co.,Ltd. |