CN114629160A - 风电场有功无功协同调度方法 - Google Patents
风电场有功无功协同调度方法 Download PDFInfo
- Publication number
- CN114629160A CN114629160A CN202111634562.8A CN202111634562A CN114629160A CN 114629160 A CN114629160 A CN 114629160A CN 202111634562 A CN202111634562 A CN 202111634562A CN 114629160 A CN114629160 A CN 114629160A
- Authority
- CN
- China
- Prior art keywords
- suburb
- wind
- wolf
- group
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000010248 power generation Methods 0.000 claims abstract description 14
- 230000008901 benefit Effects 0.000 claims abstract description 9
- 241000282461 Canis lupus Species 0.000 claims description 97
- 230000012010 growth Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000034994 death Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 235000021178 picnic Nutrition 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000011144 upstream manufacturing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013486 operation strategy Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008646 thermal stress Effects 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer 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
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种风电场有功无功协同调度方法，属于风力发电技术领域。其中，本发明的方法包括下述具体步骤：构建风电场经济效益的目标函数以整合预设优化要素；确定约束条件；基于郊狼优化算法进行寻优，以获取最优的变桨角和无功功率。本发明综合考虑了尾流效应、风电机组模型、风电场损耗和风电机组寿命模型的平准化生产成本模型，为每个风电机组分配合适的桨距角参考，这减少了尾流效应并增加了风电场的总发电量。本发明所提出的策略还为每个风电机组分配了一个合适的无功功率参考，这减少了风电场的总功率损耗并增加了风电场的寿命。
Description
技术领域
本发明属于风力发电技术领域，具体涉及一种风电场有功无功协同调度方法。
背景技术
随着风力发电在能源领域的渗透率不断提高，风力资源的随机性、波动性和不确定性影响着电网的经济性和安全运行。风电场的运行策略直接关系到系统的功率流分布、网络损耗和电压稳定性。如果不处理好风力资源波动对这些指标的影响，风力发电并网不畅将导致电能质量和系统稳定性下降。许多研究者对风电场的运行策略进行了研究，可分为有功和无功运行策略。
风电场有功功率运行策略主要有两条优化路线：提高风能捕获率和减少有功功率损失。一方面，考虑到土地资源的有限性和长距离传输的高建设成本，为了提高风电场的利用率，通常在有限的范围内密集布置风力发电机组,这使得风电机组之间的尾流效应更加明显。此外，风电机组的容量也在增加，这意味着风电机组叶片的直径也越来越大。因此，上游的风电机组引起的尾流面积更大，下游的风电机组受到的尾流影响也更严重。现有技术中考虑了风电机组之间的尾流效应，并提出了一种控制风电机组的自适应方案，提高了风电机组的发电量。以及，采用轴向感应控制策略来优化上游风电机组的俯仰角偏移，使风电场的功率捕获最大化。另一方面，在大型风电场中，有许多风电机组和复杂的连接电缆，这意味着风电场的组件产生的有功功率损失不能被忽视。减少风电场内部的有功功率损耗是提高风电场总输出的另一个策略。以及，还有的现有技术回顾并比较了基于双馈异步发电机的风电场的多种可能的无功控制策略，主要考虑了风电场的综合损耗模型。还有的考虑了风电场内部的尾流效应和功率损失，优化了每个风电机组的有功功率和无功功率，使风电场的总输出最大化。
为了保证电网的经济和安全运行，要求风电场具有无功调节能力，并对风电场的共同耦合点提供一定的电压支持。考虑到电网的电压安全和稳定，风电场的无功补偿是必要的。常用的无功补偿方法是配备一个额外的无功功率源，如STATCOM、SVC或其他无功补偿装置。风电场中的大多数风电机组是双馈异步发电机风电机组或永磁同步发电机风电机组，两者都配备有电力电子变流器。因此，风电机组本身也可以在公共耦合点提供无功功率支持。对于已经在运行的大型风电场，优化无功电源分配是比组装额外的无功补偿设备更经济的方法。考虑了双馈异步发电机和其他设备的无功补偿能力，以最大限度地减少电力损失和优化电力流。利用不确定负荷和风力发电条件下的随机多目标模型，提出了一种考虑功率损耗和风电场运行维护成本的无功优化控制策略。
但是，风电场的成本问题也值得考虑，对于风电场来说，除了建设成本之外，维护和维修成本也是一笔大笔支出。延长风电机组的寿命可以有效降低风电场的维护成本。
因此，本发明结合了有功功率策略、无功功率策略和风电场寿命的优化，提出了风电场运行的有功功率和无功功率合作调度的优化策略，同时考虑平准生产成本(LPC)最小化。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种风电场有功无功协同调度方法。
本发明提供一种风电场有功无功协同调度方法，包括下述具体步骤：
构建风电场经济效益的目标函数以整合预设优化要素；
确定约束条件；
基于郊狼优化算法进行寻优，以获取最优的变桨角和无功功率。
可选的，所述构建风电场经济效益的目标函数以整合预设优化要素，包括：
使用LPC作为目标函数来整合预设优化要素，所述目标函数表达式如下：
其中，
和
分别是风电机组k的桨距角和无功功率的参考值；
C0是风电场总投资的折现值，Ny是风电场的寿命，CAPt是风电场在t年的投资成本，r是折现率，Etol是风电场的年有功功率输出值。
可选的，C0和Etol通过下述关系式计算得到：
其中，PWT,k(t)是风电机组k在时间t的有功功率，
是风电场在时间t的总功率损失，T是采样点总数。
可选的，所述预设优化要素包括功率损失最小化、寿命最大化和总发电量最大化。
可选的，所述确定约束条件，包括：
在每个时间t，有以下约束：
其中，Pj和Qj分别为母线j的有功和无功功率，Vj(t)为母线j 电压，Vi(t)为母线i电压，Yji(t)为母线与母线之间电缆的导纳矩阵，
和
为母线电压的下限和上限，QPCC(t)为PCC处的无功功率，
为风电机组k中GSC电流的均方根值，
为GSC的额定电流，βmax为桨距角的上限；
和
是风电机组k的桨距角和无功功率参考值，
是电网给定的风电场的无功功率参考值，SWT,k是风电机组k的发电容量，PWT,k是风电机组k的有功功率，δi和δj分别是母线i和j的功率角，θji是母线i和j的相角偏差。
可选的，所述基于郊狼优化算法进行寻优，以获取最优的变桨角和无功功率，包括：
随机初始化郊狼群并随机分组；
组内郊狼成长；
郊狼的生与死；
郊狼被驱离与接纳。
可选的，所述随机初始化郊狼群并随机分组，包括：
设置参数郊狼组数Np、组内郊狼数Nc和最大迭代次数Ngen，对每只郊狼的初始社会状态因素进行随机设置如下述关系式，并计算每头郊狼的社会适应能力，以及进行随机分组，具体关系式如下：
socj＝lbj+rj*(ubj-lbj)
其中，lbj和ubj分别表示郊狼第j个状态因子的下界和上界， j＝1,2...,D，rj为[0,1]内均匀分布的随机数。
可选的，所述组内郊狼成长，包括：
确定组内最优狼alpha，计算组文化趋势以及随机选择两头郊狼，并由这四种因素影响郊狼的成长，组文化趋势的计算如下：
cultj＝median(Aj)
其中，A是一个Nc行D列的矩阵，代表Nc个解向量，Aj表示矩阵A的第j列，median表示取中位；其中，
在郊狼的成长过程中，计算组内最优郊狼alpha与组内一头随机选择郊狼的差异δ1，组文化趋势与组内另一头随机郊狼的差异δ2，且组内郊狼在δ1和δ2的影响下成长，如下关系式：
δ1＝Lbest-socr1,δ2＝cult-socr2
new_socc＝socc+s1*δ1+s2*δ2
其中，r1和r2代表两头不同的随机郊狼标号，Lbest代表组内最优郊狼alpha狼；s1和s2分别是δ1和δ2的随机权重，s1和s2为[0, 1]内均匀分布的随机数；
组内每头郊狼成长之后，采用下述关系式对其计算社会适应能力并采用贪婪选择，通过保留优质郊狼参与组内其余郊狼成长，加快算法收敛速度：
可选的，所述郊狼的生与死，包括：
新生郊狼产生的方式如下述关系式：
其中，cr1和cr2是第p组内的两头随机不同的郊狼，j1和j2是新生郊狼的两个随机维度，Ps是分散概率，Pa是关联概率，Rj是决策变量第维在取值范围内的随机数，rndj是[0,1]内均匀分布的随机数。
可选的，所述郊狼被驱离与接纳，包括：
郊狼被组驱离和被接纳的概率用Pe表示，Nc为组内郊狼数；具体如下：
如果达到迭代终止条件则输出最优郊狼。
本发明提供一种风电场有功无功协同调度方法，包括下述具体步骤：构建风电场经济效益的目标函数以整合预设优化要素；确定约束条件；基于郊狼优化算法进行寻优，以获取最优的变桨角和无功功率。本发明综合考虑了尾流效应、风电机组模型、风电场损耗和风电机组寿命模型的平准化生产成本模型，为每个风电机组分配合适的桨距角参考，这减少了尾流效应并增加了风电场的总发电量。本发明所提出的策略还为每个风电机组分配了一个合适的无功功率参考，这减少了风电场的总功率损耗并增加了风电场的寿命。
附图说明
图1为本发明一实施例的一种风电场有功无功协同调度方法流程框图；
图2为本发明另一实施例的风电场的Jensen尾流模型的示意图；
图3为本发明另一实施例的5MW风电机组的推力系数示意图；
图4为本发明另一实施例的5MW风电机组的功率系数示意图；
图5为本发明另一实施例的电缆的等效模型示意图；
图6为本发明另一实施例的变流器寿命计算模型示意图；
图7为本发明另一实施例的风电场布局示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。
如图1所示，本发明提供一种风电场有功无功协同调度方法 S100，包括下述具体步骤S110～S130。
需要说明的是，本实施例风电场的模型包括尾流模型、风电机组模型、风电场损耗模型。
具体的，本实施例采用Jensen尾流模型，如图2所示，其给出了尾流模型的原理图，其中，X是两个风电机组之间的距离， Rx是尾流场中距上游风电机组距离为X处的尾流区半径，R是叶片长度。R和RX具有几何关系，可以表示为：
RX＝R+kX (1)
其中，k是一个常数，反映了尾流区的膨胀率，对于近海风电场来说，它可以是0.04，对于陆上风电场来说，它可以是0.075。
从动量守恒定律来看:
这里，ρ是空气密度，VX是距离上游风电机组的尾流场处的风速，VT是风吹过风电机组叶片时的风速，V0是初始自然风速。VT和V0之间的关系可以表示为：
其中，Ct是推力系数，它与叶尖速比λ和桨距角β有关。Ct可以从图3中得到。
结合上述公式，下游风电机组风速计算公式可简化为：
如果下游风电机组没有完全位于上游风电机组的尾流区域，则风速公式可以更新如下：
其中，Soverlap是上游风电机组尾流区域和下游风电机组波及区域之间的重叠区域，S是下游风电机组的波及区域。
如果下游风电机组受多个上游风电机组的尾流影响，则多个尾流的影响可以叠加，下游风电机组的风速可以表示为：
其中，Vn为风电机组n的风速，Vn,i为风电机组n受风电机组 i尾流影响的风速，N为可能对风电机组n产生尾流影响的风电机组总数。
进一步的，风电机组模型如下，其中，风机捕获的有功功率可以表示为：
其中，ρ为空气密度，R为风电机组叶片的长度，Cp为与叶尖速比和桨距角相关的功率系数。Cp可从图4中得到。
更进一步的，本实施例风电场损耗模型考虑了风电场各部分的功率损失，包括发电机、变流器、滤波器、变压器和电缆的损失。
具体的，损失模型的详细描述如下，其包括发电机损耗模型、变流器损耗模型、滤波器损耗模型、变压器损耗模型以及电缆损耗模型。
第一、发电机损耗模型
PMSG的功率损失主要包括铜和铁的损失，可以表示为：
这里，Rs是发电机定子电阻，Isd和Isq分别是发电机定子的d 轴电流和q轴电流，k1是铁损系数，通常为0.1，ωe是发电机的角速度。
第二、变流器损耗模型
变流器功率损耗主要包括绝缘栅双极晶体管(IGBT)和二极管的切换和导通损耗，其可以表示为：
这里，al和bl是功率模块常数，分别为7.0252和0.0087。Irms是变流器交流端电流的均方根。定子侧变流器(SSC)可以表示为：
电网侧变流器(GSC)可以表示为：
这里，Igd和Igq分别是电网侧变流器的d轴和q轴电流。
第三、滤波器损耗模型
滤波器损耗可以表示为：
这里，Rfilter是过滤器的电阻。
第四、变压器损耗模型
变压器损耗包括空载和负载损耗，可以表示为：
这里，Po是空载损耗，Pk是负载损耗，β是负载率。
第五、电缆损耗模型
如图5所示，说明了母线和母线之间电缆的等效模型，电缆的损耗可以表示为：
这里，Y是电缆的导纳，I是电缆电流，V是总线电压。
综上，总的风电场功率损失可以表示为：
更进一步，风电机组的寿命计算模型如下，风机的内部组件包括涡轮机、齿轮箱、发电机和变流器。由于本研究使用的是PMSG 风电，所以不考虑齿轮箱。与风电的其他部件相比，变流器的电气部分的故障率最高，变流器的寿命决定了风电机组的寿命。因此，本研究分析了变流器的寿命计算，其流程图如图6所示。
如图6所示，计算过程由四个部分组成：负载转换、损耗计算、热应力和寿命分析。前两部分使用的模型是PMSG、变流器和变流器损耗模型，这些模型在前文已经介绍过。在第三步，根据功率模块的热阻抗和环境温度来评估热应力。平均结温Tjm和结温波动dTj可以通过以下公式得到：
这里，Ploss是功率半导体的功率损耗，Rthjc是节点到功率模块的热阻抗，T和D的下标分别代表IGBT和二极管，Rthca是冷却系统的热阻抗，Ta是环境温度，ton是导通状态时间，te是电流的基本周期，τ是热时间常数。
在第四步，使用Coffin-Manson方程和风资源来估计变流器的生命周期。变流器中的IGBT和二极管的失效期可表示为：
这里，β1是与温度波动有关的系数，β2是与平均温度有关的系数，β3是与传导时间有关的系数，β4是寿命模型的缩放系数。考虑到一年中不同的风况，年损坏率AD可以推导出如下：
这里，Vcutin和vcutout分别是风电机组的切入和切出风速，Dv是一年中v的风速比，fe是电流的基本频率。
根据图6的方法，已知风电机组的有功功率P和无功功率Q 时，可以计算出变流器的相应AD，AD的倒数就是变流器的寿命。
需要说明的是，本实施例基于上述风电场建立的模型，提出了风电场的运行策略，具体如下述过程。
进一步需要说明的是，本实施例所提出的风电场运行策略，考虑了风电场总功率损失的最小化、风电场寿命的最大化和风电场总发电量的最大化。这三个优化因素与风电机组的有功和无功功率直接相关。由于风电机组的尾流效应，各风电机组的有功功率是相互关联的。风电机组的有功功率与它的功率系数和风速有关。与俯仰角有关，风速与上游风电机组的俯仰角有关。因此，选择每个风电机组的俯仰角来优化有功功率。因此，本实施例将变桨角和无功功率被选为优化目标。其中，关于目标函数、约束目标以及优化方法如下：
S110、构建风电场经济效益的目标函数以整合预设优化要素。
为了整合三个优化要素(功率损失最小化、寿命最大化和总发电量最大化)，本研究使用LPC作为目标函数。LPC是衡量风电场经济效益的一个通用指标。它代表了风电场生命周期中单位发电量的折现资本成本，其表达式如下：
其中，
和
分别是风电机组k的桨距角和无功功率的参考值，这是两个优化变量。
c0是风电场总投资的折现值，Nγ是风电场的寿命，是本研究中所有风电机组寿命的最小值，CAPt是风电场在t年的投资成本，r是折现率，本研究中为0.05，Etol是风电场的年有功功率输出。 C0和Etol的计算公式如下：
这里，PWT，k(t)是风电机组k在时间t的有功功率，
是风电场在时间t的总功率损失，T是采样点总数。
S120、确定约束条件的过程如下；
在每个时间t，有以下约束：
其中，Pj和Qj分别为j母线的有功和无功功率，Vj(t)为j母线电压，Yji(t)为i母线与j母线之间电缆的导纳矩阵，
和
为j 母线电压的下限和上限，QPCC(t)为PCC处的无功功率，
为风电机组k中GSC电流的均方根值，
为GSC的额定电流，βmax为桨距角的上限。
S130、基于郊狼优化算法进行寻优，以获取最优的变桨角和无功功率。
需要说明的是，郊狼优化算法(coyote optimization algorithm, COA)是于2018年提出的，模拟郊狼群居生活、成长、生死、被组驱离和接纳等现象的新型智能优化算法。在COA中，每一头郊狼代表一个候选解，每个解向量由郊狼的社会状态因子构成，这些状态因子包括郊狼内在因素和外在因素，每一个状态因子代表一个决策变量，D个状态因子构成了一个含个决策变量的解向量，用社会适应能力衡量每头郊狼。COA主要分为四个步骤：随机初始化郊狼群并随机分组、组内郊狼成长、郊狼的生与死和郊狼被组驱离与接纳。算法的优化过程具体如下：
第一、随机初始化郊狼群并随机分组
设置参数郊狼组数Np、组内郊狼数Nc和最大迭代次数Ngen，对每只郊狼的初始社会状态因素进行随机设置如下述关系式，并计算每头郊狼的社会适应能力，以及进行随机分组，具体关系式如下：
socj＝lbj+rj*(ubj-lbj) (25)
其中，lbj和ubj分别表示郊狼第j个状态因子的下界和上界， j＝1,2...,D，rj为[0,1]内均匀分布的随机数。
第二、组内郊狼成长
确定组内最优狼alpha，计算组文化趋势以及随机选择两头郊狼，并由这四种因素影响郊狼的成长，组文化趋势的计算如下：
cultj＝median(Aj) (26)
其中，A是一个Nc行D列的矩阵，代表Nc个解向量，Aj表示矩阵A的第j列，median表示取中位；其中，
在郊狼的成长过程中，首先计算组内最优郊狼alpha与组内一头随机选择郊狼的差异δ1，组文化趋势与组内另一头随机郊狼的差异δ2，且组内郊狼在δ1和δ2的影响下成长，如下关系式：
δ1＝Lbest-socr1,δ2＝cult-socr2 (27)
new_socc＝socc+s1*δ1+s2*δ2 (28)
其中，r1和r2代表两头不同的随机郊狼标号，Lbest代表组内最优郊狼alpha狼；s1和s2分别是δ1和δ2的随机权重，s1和s2为[0, 1]内均匀分布的随机数；
组内每头郊狼成长之后，采用下述关系式对其计算社会适应能力并采用贪婪选择，通过保留优质郊狼参与组内其余郊狼成长，加快算法收敛速度：
第三、郊狼的生与死
应当理解的是，自然界中两个重要的演变过程是出生和死亡，在COA中郊狼的年龄以年为单位。在每组郊狼成长后，产生一只新生郊狼。郊狼的出生和死亡如下表1所示。
表1郊狼的出生和死亡过程
| 开始 |
| 计算ω和φ |
| 如果φ＝1 |
| 则新生郊狼存活，ω中唯-的郊狼死亡，幼狼年龄为0 |
| 如果φ＞1 |
| 则新生的狼存活，ω中年龄最大的社会适应能力最差的郊狼死亡，幼狼年龄为0 |
| 否则 |
| 新生的狼死亡。 |
| 结束 |
具体的，新郊狼的出生受两个随机选择父母郊狼的社会条件和社会环境共同影响。新生郊狼产生的方式如下所示：
其中，cr1和cr2是第p组内的两头随机不同的郊狼，j1和j2是新生郊狼的两个随机维度，Ps是分散概率，Pa是关联概率，分散和关联概率大小影响了新生郊狼的多样性。Rj是决策变量第维在取值范围内的随机数，rndj是[0，1]内均匀分布的随机数。
Ps＝1/D
Pa＝(1-Ps)/2 (31)
其中ω表示与新生的狼相比适应能力更差的郊狼群，
该组中的郊狼数量，新生郊狼的年龄为0。
第四、郊狼被驱离和接纳
最初郊狼被随机分配到各组，但是郊狼有时会离开，然后加入到其他组内。郊狼被组驱离和被接纳的概率用Pe表示。这种机制有助于COA各组之间进行信息交流，促使种群中郊狼之间相互影响。
在初始化并随机分组后，郊狼成长、郊狼生死、郊狼被驱离和接纳这三个步骤依次不断进行。如果达到迭代终止条件则输出最优郊狼。否则跳转到第二步骤。
下面将以具体实施例对风电场有功无功协同调度方法进行具体说明：
案例研究选择了125MW风电场。风电场的布局如图7所示，其中包含25个5MW风电机组。两个风电机组之间的距离为882米。
风电机组的参数如下：切入、额定、切出风速分别为4m/s，11.4 m/s，25m/s、转子、轮毂直径分别为126m，3m、额定功率5MW、切入，额定转子速度分别是6.9rpm，12.1rpm。为适应不同的负载，风电场在不同位置选择了三种电缆。风电场使用的电缆参数如下表2：
表2风电场使用电缆参数
| 电缆位置 | 横截面 | 电阻 | 电容 | 电感 |
| 行1-3 | 95 | 0.1824 | 0.18 | 0.44 |
| 行3-5 | 150 | 0.1167 | 0.21 | 0.41 |
| 行5-PCC | 240 | 0.0729 | 0.24 | 0.38 |
另外，根据前文记载的方法计算风电机组的寿命。寿命值是通过假设风电机组在一年内产生固定数量的有功和无功功率来计算的。寿命上限设定为100年。风电机组有功功率的测试范围为 0-1.0pu，风电机组无功功率的测试范围为-1.0-1.0pu，生成风电机组的寿命表格。
风速设置为12m/s，风向设置为180°，风电场的无功功率参考值设置为0.33pu。本发明所提出的风电场运行策略，考虑了风电场总功率损失的最小化、风电场寿命的最大化和风电场总发电量的最大化。这三个优化因素与风电机组的有功和无功功率直接相关。由于风电机组的尾流效应，各风电机组的有功功率是相互关联的。风电机组k的有功功率PWVT，k与它的功率系数Cp，k和风速Vk有关。Cp，k与俯仰角βWT，k有关，风速Vk与上游风电机组l的俯仰角βWT，l有关。因此，选择每个风电机组的俯仰角来优化有功功率。因此，变桨角和无功功率被选为优化目标。
1)目标函数
为了整合三个优化要素(功率损失最小化、寿命最大化和总发电量最大化)，本研究使用LPC作为目标函数。LPC是衡量风电场经济效益的一个通用指标。它代表了风电场生命周期中单位发电量的折现资本成本，其表达式如下：
其中，
和
分别是风电机组k的桨距角和无功功率的参考值，这是两个优化变量。
C0是风电场总投资的折现值，Ny是风电场的寿命，是本研究中所有风电机组寿命的最小值，CAPt是风电场在t年的投资成本， r是折现率，本研究中为0.05，Etol是风电场的年有功功率输出。 c0和Etol的计算公式如下：
这里，PWT，k(t)是风电机组k在时间t的有功功率，
是风电场在时间t的总功率损失，T是采样点总数。
2)约束条件
在每个时间t，有以下约束：
其中，Pj和Qj分别为母线j的有功和无功功率，Vj(t)为母线j 电压，Vi(t)为母线i电压，Yji(t)为母线与母线之间电缆的导纳矩阵，
和
为母线电压的下限和上限，QPCC(t)为PCC处的无功功率，
为风电机组k中GSC电流的均方根值，
为GSC的额定电流，βmax为桨距角的上限；
和
是风电机组k的桨距角和无功功率参考值，
是电网给定的风电场的无功功率参考值， SWT,k是风电机组k的发电容量，PWT,k是风电机组k的有功功率，δi和δj分别是母线i和j的功率角，θji是母线i和j的相角偏差。
针对以上优化问题，使用郊狼优化算法进行寻优，两个决策变量分别是
和
适应度函数是LPS，如下述关系式所示。具体优化过程如下。
在COA中，每一头郊狼代表一个候选解，每个解向量由郊狼的社会状态因子构成，这些状态因子包括郊狼内在因素和外在因素，每一个状态因子代表一个决策变量，D个状态因子构成了一个含个决策变量的解向量，用社会适应能力衡量每头郊狼。COA 主要分为四个步骤：随机初始化郊狼群并随机分组、组内郊狼成长、郊狼的生与死和郊狼被组驱离与接纳。算法的优化过程具体如下：
1)随机初始化郊狼群并随机分组。
设置参数郊狼组数Np、组内郊狼数Nc和最大迭代次数Ngen，对每只郊狼的初始社会状态因素进行随机设置如下述关系式，并计算每头郊狼的社会适应能力，以及进行随机分组，具体关系式如下：
socj＝lbj+rj*(ubj-lbj) (37)
其中，lbj和ubj分别表示郊狼第j个状态因子的下界和上界， j＝1,2...,D，rj为[0,1]内均匀分布的随机数。
2)组内郊狼成长。
确定组内最优狼alpha，计算组文化趋势以及随机选择两头郊狼，并由这四种因素影响郊狼的成长，组文化趋势的计算如下：
cultj＝median(Aj) (38)
其中，A是一个Nc行D列的矩阵，代表Nc个解向量，Aj表示矩阵A的第j列，median表示取中位；其中，
在郊狼的成长过程中，首先计算组内最优郊狼alpha与组内一头随机选择郊狼的差异δ1，组文化趋势与组内另一头随机郊狼的差异δ2，且组内郊狼在δ1和δ2的影响下成长，如下关系式：
δ1＝Lbest-socr1,δ2＝cult-socr2 (39)
new_socc＝socc+s1*δ1+s2*δ2 (40)
其中，r1和r2代表两头不同的随机郊狼标号，Lbest代表组内最优郊狼alpha狼；s1和s2分别是δ1和δ2的随机权重，s1和s2为[0， 1]内均匀分布的随机数；
组内每头郊狼成长之后，采用下述关系式对其计算社会适应能力并采用贪婪选择，通过保留优质郊狼参与组内其余郊狼成长，加快算法收敛速度：
3)郊狼生与死
自然界中两个重要的演变过程是出生和死亡，在COA中郊狼的年龄以年为单位。在每组郊狼成长后，产生一只新生郊狼。郊狼的出生和死亡如下表3所示：
表3郊狼的出生和死亡过程
| 开始 |
| 计算ω和φ |
| 如果φ＝1 |
| 则新生郊狠存活，ω中唯-的郊狼死亡，幼狼年龄为0 |
| 如果φ＞1 |
| 则新生的狼存活，ω中年龄最大的社会适应能力最差的郊狼死亡，幼狼年龄为0 |
| 否则 |
| 新生的狼死亡。 |
| 结束 |
新郊狼的出生受两个随机选择父母郊狼的社会条件和社会环境共同影响。新生郊狼产生的方式如下所示：
其中，cr1和cr2是第p组内的两头随机不同的郊狼，j1和j2是新生郊狼的两个随机维度，Ps是分散概率，Pa是关联概率，分散和关联概率大小影响了新生郊狼的多样性。Rj是决策变量第维在取值范围内的随机数，rndj是[0，1]内均匀分布的随机数。
Ps＝1/D
Pa＝(1-Ps)/2 (43)
其中ω表示与新生的狼相比适应能力更差的郊狼群，
该组中的郊狼数量，新生郊狼的年龄为0。
4)郊狼被驱离和接纳
最初郊狼被随机分配到各组，但是郊狼有时会离开，然后加入到其他组内。郊狼被组驱离和被接纳的概率用Pe表示。这种机制有助于COA各组之间进行信息交流，促使种群中郊狼之间相互影响。
在初始化并随机分组后，郊狼成长、郊狼生死、郊狼被驱离和接纳这三个步骤依次不断进行。如果达到迭代终止条件则输出最优郊狼。否则跳转到第二步骤。
最终，生成最优的
和
并计算风电场总发电量、风电场总功率损耗、风电场寿命和平准化生产成本。
本发明提供一种风电场有功无功协同调度方法，与现有技术相比具有以下有益效果：本发明所提出的风电场有功无功协同调度方法为每个风电机组分配合适的桨距角参考，即每台风电机组的俯仰角和无功功率参考值都得到了优化，这减少了尾流效应并增加了风电场的总发电量。本发明结合了有功功率策略、无功功率策略和风电场寿命的优化，提出了风电场运行的有功功率和无功功率合作调度的优化策略，同时考虑平准生产成本(LPC)最小化。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种风电场有功无功协同调度方法，其特征在于，包括下述具体步骤：
构建风电场经济效益的目标函数以整合预设优化要素；
确定约束条件；
基于郊狼优化算法进行寻优，以获取最优的变桨角和无功功率。
2.根据权利要求1所述的方法，其特征在于，所述构建风电场经济效益的目标函数以整合预设优化要素，包括：
使用LPC作为目标函数来整合预设优化要素，所述目标函数表达式如下：
其中，
和
分别是风电机组k的桨距角和无功功率的参考值；
C0是风电场总投资的折现值，Ny是风电场的寿命，CAPt是风电场在t年的投资成本，r是折现率，Etol是风电场的年有功功率输出值。
3.根据权利要求2所述的方法，其特征在于，C0和Etol通过下述关系式计算得到：
其中，PWT,k(t)是风电机组k在时间t的有功功率，
是风电场在时间t的总功率损失，T是采样点总数。
4.根据权利要求2所述的方法，其特征在于，所述预设优化要素包括功率损失最小化、寿命最大化和总发电量最大化。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述确定约束条件，包括：
在每个时间t，有以下约束：
其中，Pj和Qj分别为母线j的有功和无功功率，Vj(t)为母线j电压，Vi(t)为母线i电压，Yji(t)为母线与母线之间电缆的导纳矩阵，
和
为母线电压的下限和上限，QPCC(t)为PCC处的无功功率，
为风电机组k中GSC电流的均方根值，
为GSC的额定电流，βmax为桨距角的上限；
和
是风电机组k的桨距角和无功功率参考值，
是电网给定的风电场的无功功率参考值，SWT,k是风电机组k的发电容量，PWT,k是风电机组k的有功功率，δi和δj分别是母线i和j的功率角，θji是母线i和j的相角偏差。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述基于郊狼优化算法进行寻优，以获取最优的变桨角和无功功率，包括：
随机初始化郊狼群并随机分组；
组内郊狼成长；
郊狼的生与死；
郊狼被驱离与接纳。
7.根据权利要求6所述的方法，其特征在于，所述随机初始化郊狼群并随机分组，包括：
设置参数郊狼组数Np、组内郊狼数Nc和最大迭代次数Ngen，对每只郊狼的初始社会状态因素进行随机设置如下述关系式，并计算每头郊狼的社会适应能力，以及进行随机分组，具体关系式如下：
socj＝lbj+rj*(ubj-lbj)
其中，lbj和ubj分别表示郊狼第j个状态因子的下界和上界，j＝1,2...,D，rj为[0,1]内均匀分布的随机数。
8.根据权利要求6所述的方法，其特征在于，所述组内郊狼成长，包括：
确定组内最优狼alpha，计算组文化趋势以及随机选择两头郊狼，并由这四种因素影响郊狼的成长，组文化趋势的计算如下：
cultj＝median(Aj)
其中，A是一个Nc行D列的矩阵，代表Nc个解向量，Aj表示矩阵A的第j列，median表示取中位；其中，
在郊狼的成长过程中，计算组内最优郊狼alpha与组内一头随机选择郊狼的差异δ1，组文化趋势与组内另一头随机郊狼的差异δ2，且组内郊狼在δ1和δ2的影响下成长，如下关系式：
δ1＝Lbest-socr1,δ2＝cult-socr2
new_socc＝socc+s1*δ1+s2*δ2
其中，r1和r2代表两头不同的随机郊狼标号，Lbest代表组内最优郊狼alpha狼；s1和s2分别是δ1和δ2的随机权重，s1和s2为[0,1]内均匀分布的随机数；
组内每头郊狼成长之后，采用下述关系式对其计算社会适应能力并采用贪婪选择，通过保留优质郊狼参与组内其余郊狼成长，加快算法收敛速度：
9.根据权利要求6所述的方法，其特征在于，所述郊狼的生与死，包括：
新生郊狼产生的方式如下述关系式：
其中，cr1和cr2是第p组内的两头随机不同的郊狼，j1和j2是新生郊狼的两个随机维度，Ps是分散概率，Pa是关联概率，Rj是决策变量第维在取值范围内的随机数，rndj是[0,1]内均匀分布的随机数。
10.根据权利要求6所述的方法，其特征在于，所述郊狼被驱离与接纳，包括：
郊狼被组驱离和被接纳的概率用Pe表示，Nc为组内郊狼数；具体如下：
如果达到迭代终止条件则输出最优郊狼。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111634562.8A CN114629160A (zh) | 2021-12-29 | 2021-12-29 | 风电场有功无功协同调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111634562.8A CN114629160A (zh) | 2021-12-29 | 2021-12-29 | 风电场有功无功协同调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114629160A true CN114629160A (zh) | 2022-06-14 |
Family
ID=81898223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111634562.8A Pending CN114629160A (zh) | 2021-12-29 | 2021-12-29 | 风电场有功无功协同调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114629160A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115912484A (zh) * | 2022-12-08 | 2023-04-04 | 南方电网数字电网研究院有限公司 | 一种提供电网主动支撑能力的风电场功率快速控制系统 |
| CN117748628A (zh) * | 2024-02-21 | 2024-03-22 | 青岛理工大学 | 一种面向风电机组输出功率平滑的有功功率优化调度方法 |
-
2021
- 2021-12-29 CN CN202111634562.8A patent/CN114629160A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115912484A (zh) * | 2022-12-08 | 2023-04-04 | 南方电网数字电网研究院有限公司 | 一种提供电网主动支撑能力的风电场功率快速控制系统 |
| CN115912484B (zh) * | 2022-12-08 | 2024-02-20 | 南方电网数字电网研究院有限公司 | 一种提供电网主动支撑能力的风电场功率快速控制系统 |
| CN117748628A (zh) * | 2024-02-21 | 2024-03-22 | 青岛理工大学 | 一种面向风电机组输出功率平滑的有功功率优化调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A hybrid optimization-based scheduling strategy for combined cooling, heating, and power system with thermal energy storage | |
| Amaral et al. | Offshore wind farm layout optimization regarding wake effects and electrical losses | |
| CN103903073B (zh) | 一种含分布式电源及储能的微电网优化规划方法及系统 | |
| CN114629160A (zh) | 风电场有功无功协同调度方法 | |
| CN110620397B (zh) | 一种高比例可再生能源电力系统的调峰平衡评估方法 | |
| CN107681655B (zh) | 一种潮汐流能发电场协调规划方法 | |
| Wang et al. | Dynamic equivalent modeling for wind farms with DFIGs using the artificial bee colony with K-means algorithm | |
| CN109524955B (zh) | 一种考虑源荷电压特性的主动配电网优化方法 | |
| CN111144655A (zh) | 一种分布式电源选址定容与配电网网架联合优化方法 | |
| CN114202186A (zh) | 一种海上风电场并网输送系统经济评估性方法 | |
| CN106897793A (zh) | 一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法 | |
| CN110601254A (zh) | 一种考虑动态载流特性的风电场储能优化配置方法及系统 | |
| CN105552896B (zh) | 一种基于分布式光伏发电的配电网高峰负荷控制方法 | |
| CN114996908B (zh) | 考虑智能软开关接入的主动配电网扩展规划方法及系统 | |
| Liu et al. | Optimal short-term load dispatch strategy in wind farm | |
| Wang et al. | Optimal active and reactive power cooperative dispatch strategy of wind farm considering levelised production cost minimisation | |
| CN110571794A (zh) | 一种适用于双馈风机风电场的暂态模型等值计算方法 | |
| CN113555908A (zh) | 一种智能配电网储能优化配置方法 | |
| Li et al. | Dynamic equivalent modeling of wind farm with DDPMSG wind turbine generators | |
| CN117239792A (zh) | 一种区域化分布式储能选址定容方法及装置 | |
| CN114243766B (zh) | 一种区域多能源系统优化配置方法及系统 | |
| CN113869771B (zh) | 基于局域疲劳载荷均衡的海上风电场功率调度方法 | |
| CN114240203A (zh) | 一种包含热泵的配电网与分布式风电协同规划方法和装置 | |
| CN110414185B (zh) | 一种用于多可再生能源发电系统的储能设备容量优化方法 | |
| Chowdhury et al. | Optimal allocation of wind based DG for enhancement of technical, economic and social benefits using jaya algorithm for radial distribution networks |
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 |