CN115800306B - 考虑风机故障的风光储无功补偿方法、装置及介质 - Google Patents
考虑风机故障的风光储无功补偿方法、装置及介质 Download PDFInfo
- Publication number
- CN115800306B CN115800306B CN202310064845.6A CN202310064845A CN115800306B CN 115800306 B CN115800306 B CN 115800306B CN 202310064845 A CN202310064845 A CN 202310064845A CN 115800306 B CN115800306 B CN 115800306B
- Authority
- CN
- China
- Prior art keywords
- power
- fan
- wind
- output
- active
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 34
- 230000000295 complement effect Effects 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000011065 in-situ storage Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000004146 energy storage Methods 0.000 claims description 46
- 238000010248 power generation Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 22
- 238000007599 discharging Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006698 induction Effects 0.000 claims description 5
- 229910052744 lithium Inorganic materials 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 230000005684 electric field Effects 0.000 abstract description 8
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000029087 digestion Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种考虑风机故障的风光储无功补偿方法、装置及介质,通过搭建双向长短期记忆神经网络模型,进行风光电场的短期功率预测。利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案。根据风光电场的输出功率预测情况,将预测的输出功率反馈给无功补偿装置,确定无功补偿装置的投切情况,同时针对风机可能出现的故障,提出以配电网线损最小为目标的风光互补系统的无功补偿措施。解决了风光并网对电压抬升、损耗增多等影响,同时还结合了实际情况,考虑了风机故障时的情况,使风光并网系统得到稳定运行。
Description
技术领域
本发明属于风机控制技术领域,尤其涉及一种考虑风机故障的风光储无功补偿方法、装置及介质。
背景技术
风光接入配电网会改变潮流的大小和方向,对电压具有抬升作用。风能和光能资源由于具有出力不规则性以及规模逐渐增大,会影响到分布式能源输出功率波动,可能造成电压迅速抬升甚至崩溃、线路损耗增大以及经济性差的情况。
专利CN 202210270849.5提出了一种风光储功率协调控制系统和方法,利用信号采集单元、有功指令跟踪控制单元、有功功率平滑输出控制单元、电压无功自动控制单元、储能管理单元、录波单元和通信单元,分别用于采集风光储发电场站数据采集、有功指令跟踪控制、有功功率平滑输出控制、电压无功自动控制单元、储能管理、录波和通信,实现了大规模新能源友好并网,保障并网安全并且避免了弃风弃光的问题,但是该专利没有考虑大容量的风光并网使得配电网运行网损增大的问题,不能满足良好的经济性。
专利CN 202010112982.9提出了一种含分布式电源微电网的无功功率控制方法,该方法是先对有功功率预测值、无功功率预测值和风光电站的出力预测值进行读取,计算特征值和风光电站的偏离概率,实时监控风光电站的出力。该专利通过对无功功率输出的合理调度,提高了微电网的稳定性和经济性,但是该专利没有考虑风能、光能资源出力不规则性以及风电发电厂的数量大幅增加,电压会出下迅速抬升甚至电压崩溃的问题,弃风弃光和线损增加的问题导致系统的经济性较差。
专利CN 201510977308.6提出了一种风光储联合发电站无功电压控制方法,根据风光储联合发电站并网点电压目标值和并网点母线电压实测值的偏差,给出风光储联合发电站的无功分配方法。实现了兼顾风光储联合发电站的全部无功源的无功能力,并且利用动态无功补偿装置的快速性,实现风机、光伏逆变器、储能变流器和无功补偿装置的无功协调控制,满足了电网对无功电压的要求,但是该专利没有对实际情况进行更全面的分析,没有考虑到风机正常与故障状态下,风电场可用无功源容量和种类都有较大差异。
专利CN 201310680616.3提出了一种风光互补系统设计方法,通过测量风光互补系统部署地的支撑负载的能耗数据,统计部署地太阳辐射强度、温度以及风力数据得到日照强度函数、温度函数和风速函数,得到能耗均值以及能量消耗率,降低了能量终端概率和弃风弃光率,提高了风光互补的经济性,但是该专利没有考虑到风能、光能资源出力不规则性以及风电发电厂的数量大幅增加,电压会出下迅速抬升甚至电压崩溃的问题。
发明CN 201510520594.3提出了一种具有无功自补偿风光互补发电控制方法及系统,提出采取无功信号平均的方法,利用大型风光互补电站中多个光伏发电单元的协调进行有功无功控制,解决了风力发电单元输出电能质量问题,发电系统中的每个设备得到合理利用,实现了设备寿命周期内效益最大化,同时提高了经济性和设备利用率,但是该专利没有考虑到风光并网后对配电网线损、功率因素的影响,经济性较差。
专利CN 202010338936.0提出了一种风光新能源互补电网的帕累托多目标无功优化方法,利用当前气象条件得到风光新能源的无功调节范围,计算风光无功输出变量的范围,建立包含高比例风电场和光伏电站的电网多目标无功优化模型,通过确定电网变压器分接头档位调节、无功补偿设备投切、传统发电机组电压调节以及风光无功输出的最优控制方案,通过帕累托多目标无功优化方法实现速度快、收敛稳定性高、最大经济性和安全性,但是该专利没有考虑到实际情况会出现的问题,风电场无功配置在故障情况下的分析以及控制需要进行进一步的研究。
现有的研究大多只考虑了风电场在正常情况下的无功补偿分析,而没有对故障情况下进行分析和控制有更进一步的研究,成果中适应的情况不够全面以及切合实际。
发明内容
提供了本发明以解决现有技术中存在的上述问题。因此,需要一种考虑风机故障的风光储无功补偿方法、装置及介质。
根据本发明的第一方案,提供了一种考虑风机故障的风光储无功补偿方法,所述方法包括:
获取光伏数据、风机数据和储能数据,所述光伏数据包括温度、光照、光伏输出功率、光伏电流和光伏电压中的一种及其组合,所述风机数据包括风速、风机输出功率、风机电流和风机电压中的一种及其组合,所述储能数据包括储能的充放电状态和储能的输出功率的一种及其组合;
利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案;
根据风机故障监测,获取风机工作状态;
基于所述风光储的调度方案,针对风机不同工作状态,确定以配电网线损最小为目标的风光互补系统的无功补偿措施。
进一步地,所述利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案,具体包括:
所述短期预测模型的计算过程为:
其中:是遗忘门,是输入门,是输出门,分别是
t-1和
t时刻的记忆细胞状态,分别是
t-1和
t时刻的隐层状态,是激活函数,是
t时的时间序列步输入,是训练得到的特征权值和偏移量,下标
f、i、
o、c分别表示遗忘门、输入门、输出门、记忆细胞;
正向序列和反向序列分别得到两个激活函数,得到最终输出:
其中,分别表示前向和后向层的输出向量,表示输入到向前隐藏层和向后隐藏层的权重向量,分别表示各隐藏层间的权重向量,分别表示向前和向后隐藏层到输出层的权值向量,以建立数据的关联;
确定光伏发电系统模型:
其中:是在
t时的光伏发电输出有功功率,分别表示在
t时的辐射率和标准状态的辐射率,指的时在标准状态下的最大输出功率,分别表示
t时组件温度和标准状态下温度,指的是正常工作时电池温度;
确定风机发电模型:
其中:分别是指在
t时的风机输出功率和风机的额定功率,分别是指
t时刻风速、切出风速、投入风速以及额定功率时的风速;
确定锂电池发电模型:
其中:分别指的是其在
t时和
t-1时的蓄电量,指的是其自身的电能损耗率,分别指的是其在
t时的充电、放电效率,分别指的是其在
t时的充电、放电功率;
确定配电网网络损耗最小的目标函数
F 1和电压偏差最小的目标函数
F 2和促进配电网消纳的目标函数
F 3分别如下式(12)和(13)所示:
其中:分别为节点向配网中输送的有功功率、配网中分布式发电装置有功之和、配电网总有功负荷、储能储存能量增量,分别为节点额定电压、节点电压;
约束条件为:
其中:和分别是节点
i注入的有功和无功功率;和分别是节点
i和
j的电压幅值;和分别是节点
i和
j连接支路的导纳;是节点
i和
j的相角差;和是节点电压幅值的上下限;和是节点电压相角上下限;分别是第
m个节点接入的风电有功功率、光伏有功功率、储能充放电有功功率,分别是上级电网火电机组出力、配电网有功负荷。
进一步地,所述根据风机故障监测,获取风机工作状态,具体包括:
将大量的风机状态历史信息进行统计归纳,并将其特征属性进行简化,得到一个能够表现出其状态属性的集合,将集合中数据进行关联分析,筛选整理潜在的规则得到具有意义的规则,存进故障规则库;
将风机的实时参数与所述故障规则库中的规则进行匹配得到风机工作状态。
进一步地,所述基于所述风光储的调度方案,针对风机不同工作状态,确定以配电网线损最小为目标的风光互补系统的无功补偿措施,具体包括:
以配电网线损最小为目标的风光互补系统的无功补偿,针对风机故障以及正常时两种情况下的优化目标函数为:
风机正常时:
风机故障时:
其中,
f loss 为配电网线损,
i k 为第
k段线路的电流,
R k 为第
k段线路的电阻,和分别是第
m段线路的有功和无功功率;
P L,
m ,
P PV,
m ,
P W,
m 分别是第
m段线路并入的负荷有功功率、光伏有功功率、风电有功功率,为,
Q L,
m ,
Q PV,
m ,
Q W,
m ,
Q C,m分别是第
m段线路并入的负荷无功功率、光伏无功功率、风电无功功率、无功补偿装置的无功功率。
根据本发明的第二方案,提供了一种考虑风机故障的风光储无功补偿装置,所述装置包括:
数据获取单元,被配置为获取光伏数据、风机数据和储能数据,所述光伏数据包括温度、光照、光伏输出功率、光伏电流和光伏电压中的一种及其组合,所述风机数据包括风速、风机输出功率、风机电流和风机电压中的一种及其组合,所述储能数据包括储能的充放电状态和储能的输出功率的一种及其组合;
调度方案确定单元,被配置为利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案;
风机工作状态确定单元,被配置为根据风机故障监测,获取风机工作状态;
无功补偿措施单元,被配置为基于所述风光储的调度方案,针对风机不同工作状态,确定以配电网线损最小为目标的风光互补系统的无功补偿措施。
进一步地,所述利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案,具体包括:
所述短期预测模型的计算过程为:
其中:是遗忘门,是输入门,是输出门,分别是
t-1和
t时刻的记忆细胞状态,分别是
t-1和
t时刻的隐层状态,是激活函数,是
t时的时间序列步输入,是训练得到的特征权值和偏移量,下标
f、i、
o、c分别表示遗忘门、输入门、输出门、记忆细胞;
正向序列和反向序列分别得到两个激活函数,得到最终输出:
其中,分别表示前向和后向层的输出向量,表示输入到向前隐藏层和向后隐藏层的权重向量,分别表示各隐藏层间的权重向量,分别表示向前和向后隐藏层到输出层的权值向量,以建立数据的关联;
确定光伏发电系统模型:
其中:是在
t时的光伏发电输出有功功率,分别表示在
t时的辐射率和标准状态的辐射率,指的时在标准状态下的最大输出功率,分别表示
t时组件温度和标准状态下温度,指的是正常工作时电池温度;
确定风机发电模型:
其中:分别是指在
t时的风机输出功率和风机的额定功率,分别是指
t时刻风速、切出风速、投入风速以及额定功率时的风速;
确定锂电池发电模型:
其中:分别指的是其在
t时和
t-1时的蓄电量,指的是其自身的电能损耗率,分别指的是其在
t时的充电、放电效率,分别指的是其在
t时的充电、放电功率;
确定配电网网络损耗最小的目标函数
F 1和电压偏差最小的目标函数
F 2和促进配电网消纳的目标函数
F 3分别如下式(12)和(13)所示:
其中:分别为节点向配网中输送的有功功率、配网中分布式发电装置有功之和、配电网总有功负荷、储能储存能量增量,分别为节点额定电压、节点电压;
约束条件为:
其中:和分别是节点
i注入的有功和无功功率;和分别是节点
i和
j的电压幅值;和分别是节点
i和
j连接支路的导纳;是节点
i和
j的相角差;和是节点电压幅值的上下限;和是节点电压相角上下限;是节点电压相角上下限;分别是第
m个节点接入的风电有功功率、光伏有功功率、储能充放电有功功率,分别是上级电网火电机组出力、配电网有功负荷。
进一步地,所述风机工作状态确定单元被进一步配置为:
将大量的风机状态历史信息进行统计归纳,并将其特征属性进行简化,得到一个能够表现出其状态属性的集合,将集合中数据进行关联分析,筛选整理潜在的规则得到具有意义的规则,存进故障规则库;
将风机的实时参数与所述故障规则库中的规则进行匹配得到风机工作状态。
进一步地,所述无功补偿措施确定单元被进一步配置为:
以配电网线损最小为目标的风光互补系统的无功补偿,针对风机故障以及正常时两种情况下的优化目标函数为:
风机正常时:
风机故障时:
其中,
f loss 为配电网线损,
i k 为第
k段线路的电流,
R k 为第
k段线路的电阻,和分别是第
m段线路的有功和无功功率;
P L,
m ,
P PV,
m ,
P W,
m 分别是第
m段线路并入的负荷有功功率、光伏有功功率、风电有功功率,为,
Q L,
m ,
Q PV,
m ,
Q W,
m ,
Q C,m分别是第
m段线路并入的负荷无功功率、光伏无功功率、风电无功功率、无功补偿装置的无功功率。
根据本发明的第三方案,提供了一种存储有指令的非暂时性计算机可读存储介质,当所述指令由处理器执行时,执行根据本发明各个实施例所述的方法。
根据本发明各个方案的考虑风机故障的风光储无功补偿方法、装置及介质,其至少具有以下技术效果:
本发明依托风光电厂的历史处理信息和未来短期时间内的气象因素和天气预报结果,搭建双向长短期记忆神经网络模型,进行风光电场的短期功率预测。利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案。根据风光电场的输出功率预测情况,将预测的输出功率反馈给无功补偿装置,确定无功补偿装置的投切情况,同时针对风机可能出现的故障,提出以配电网线损最小为目标的风光互补系统的无功补偿措施。解决了风光并网对电压抬升、损耗增多等影响,同时还结合了实际情况,考虑了风机故障时的情况,使风光并网系统得到稳定运行。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了根据本发明实施例的一种考虑风机故障的风光储无功补偿方法的流程图。
图2示出了根据本发明实施例的基于Bi-LSTM算法的网络训练预测流程示意图。
图3示出了根据本发明实施例的一种考虑风机故障的风光储无功补偿方法的实例应用示意图。
图4示出了根据本发明实施例的风光储及大电网的有功出力情况。
图5示出了根据本发明实施例的风机故障诊断模型示意图。
图6a示出了根据本发明实施例的分布式能源风电发电出力的就地消纳情况。
图6b示出了根据本发明实施例的分布式能源光伏发电出力的就地消纳情况。
图7示出了根据本发明实施例的无功补偿装置并网前后的网损变化。
实施方式
为使本领域技术人员更好的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详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述,但不作为对本发明的限定。本文中所描述的各个步骤,如果彼此之间没有前后关系的必要性,则本文中作为示例对其进行描述的次序不应视为限制,本领域技术人员应知道可以对其进行顺序调整,只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
本发明实施例提供一种考虑风机故障的风光储无功补偿方法,请如图1所示,该方法包括如下步骤:
步骤S100,获取光伏数据、风机数据和储能数据。
所述光伏数据包括温度、光照、光伏输出功率、光伏电流和光伏电压中的一种及其组合,所述风机数据包括风速、风机输出功率、风机电流和风机电压中的一种及其组合,所述储能数据包括储能的充放电状态和储能的输出功率的一种及其组合。
需要说明的是,在实际实施时,利用传感器和电能表对温度、光照、输出功率、电流电压等光伏的相关数据、风速、输出功率、电流电压等风机运行的相关数据以及储能的充放电状态、输出功率等相关数据进行采集。
步骤S200,利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案。
在一些实施例中,所述利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案,具体包括:
步骤201,依托风光电厂的历史处理信息和未来短期时间内的气象因素和天气预报结果,搭建双向长短期记忆神经网络模型,进行风光电场的短期功率预测。由于风光电场工作时的风速、温度和光照与其历史变化规律有关,在提取时间特征时,应该要考虑多个历史时刻的风速、温度和光照的累计影响。长短期记忆神经网络解决了RNN的梯度消失问题,使其对时间序列的提取效率得到显著增强。长短期记忆神经网络可以从实际风速和太阳照射度序列中对预测时间段的风速和太阳照射度的时间特征,映射至预测时刻目标地点的风速和太阳照射度,从时间序列尺度上实现对输出功率的预测。图2是本专利基于Bi-LSTM算法的网络训练算法。通过训练能够得到更加贴合实际的风光电预测出力,得风光相关性参数。
双向长短期记忆神经网络的计算过程为:
其中:是遗忘门,是输入门,是输出门,分别是
t-1和
t时刻的记忆细胞状态,分别是
t-1和
t时刻的隐层状态,是激活函数,是
t时的时间序列步输入,是训练得到的特征权值和偏移量,下标
f、i、
o、c分别表示遗忘门、输入门、输出门、记忆细胞;
正向序列和反向序列分别得到两个激活函数,得到最终输出。
其中,分别表示前向和后向层的输出向量,表示输入到向前隐藏层和向后隐藏层的权重向量,分别表示各隐藏层间的权重向量,分别表示向前和向后隐藏层到输出层的权值向量,以建立数据的关联。
执行预测任务,首先得保证算法的最优性能,对Bi-LSTM的隐藏层、学习率等进行确定。其中隐藏层单元数、学习率、隐藏层、L2正则化因子等参数都会对模型性能产生影响。例如隐藏层单元数如果数量太少,会导致模型不能够充分学习到有效信息,而数量太多又会导致训练时间太长甚至过拟合而泛化能力下降的问题;学习率如果过低会导致收敛速度慢甚至不收敛的情况,过高会加速收敛得到次优解;L2正则化因子用来优化Bi-LSTM的权值参数,而降低过拟合的概率。
步骤202,调度优化模型。
光伏发电系统模型:
其中:是在
t时的光伏发电输出功率,分别表示在
t时的辐射率和标准状态的辐射率,指的时在标准状态下的最大输出功率,分别表示
t时组件温度和标准状态下温度,指的是正常工作时电池温度。
确定风机发电模型:
其中:分别是指在
t时的风机输出功率和风机的额定功率,分别是指
t时刻风速、切出风速、投入风速以及额定功率时的风速。
确定锂电池发电模型:
其中:分别指的是其在
t时和
t-1时的蓄电量,指的是其自身的电能损耗率,分别指的是其在
t时的充电、放电效率,分别指的是其在
t时的充电、放电功率。
步骤203,电压损耗最小、电压偏差最小和分布式电源就地消纳最大为双重优化目标。
其中式(12)分别是配电网网络损耗最小和电压偏差最小的目标函数:
式(13)是促进配电网消纳的目标函数:
其中:分别为节点向配网中输送的有功功率、配网中分布式发电装置有功之和、配电网总有功负荷、储能储存能量增量,分别为节点额定电压、节点电压。
约束条件为:
其中:和分别是节点
i注入的有功和无功功率;和分别是节点
i和
j的电压幅值;和分别是节点
i和
j连接支路的导纳;是节点
i和
j的相角差;和是节点电压幅值的上下限;和是节点电压相角上下限;分别是第
m个节点接入的风电有功功率、光伏有功功率、储能充放电有功功率,分别是上级电网火电机组出力、配电网有功负荷。
其中式(14)和(15)是节点潮流平衡约束,式(16)和(17)是节点电压约束,式(18)是分布式电源和储能约束,式(19)是系统功率平衡约束。
示例性的,以IEEE33系统为例,在此基础上接入风电场、光伏系统以及储能系统。系统结构见图3,在节点10装设300kW的风电场,节点17装设300kW的光伏电站,节点23装设额定容量200kW·h,额定功率200kW的储能设备,对配电网的节点电压和线路损耗进行分析。图4为本发明实施例的风光储及大电网的有功出力情况。
并网前的总有功网损为:
并网后的总有功网损为:
步骤S300,根据风机故障监测,获取风机工作状态。
在一些实施例中,风机故障监测,图5为风机故障诊断模型示意图。风机故障诊断首先要先将大量的风机状态历史信息进行统计归纳,并将其特征属性进行简化,得到一个简约而又能够最佳表现出其状态属性的集合,将其中数据进行关联分析,筛选整理潜在的规则得到具有意义的规则,存进故障规则库。本专利通过将风机的实时参数与规则库中的规则进行匹配得到风机故障结果。
步骤S400,基于所述风光储的调度方案,针对风机不同工作状态,确定以配电网线损最小为目标的风光互补系统的无功补偿措施。
在一些实施例中,所述基于所述风光储的调度方案,针对风机不同工作状态,确定以配电网线损最小为目标的风光互补系统的无功补偿措施,具体包括:
步骤S401,目前双馈风电机组的主流无功控制模式为恒功率控制模式,由于风机加装无功补偿装置投资较大,国内多数风机暂时没有进行改造,从而只能在恒功率控制模式下运行。在系统发生故障时,恒功率模式由于没有响应的无功补偿措施,会导致系统电压迅速下降至临界值以下,继电保护装置动作,将风机从系统切出。
步骤402,根据风光电场的输出功率预测情况,将预测的输出功率反馈给无功补偿装置,确定无功补偿装置的投切情况,同时针对风机出现故障的情况下,风机输出功率降为0,进行相应的无功补偿措施。
示例性的,本发明实施例在系统的关键节点引入无功补偿装置,根据对风机状态的监测诊断以及风光出力的实时变化波动,向系统提供必要的无功补偿。本发明实施例以配电网线损最小为目标的风光互补系统的无功补偿,针对风机故障以及正常时两种情况下的优化目标函数为:
风机正常时:
风机故障时:
其中,
f loss 为配电网线损,
i k 为第
k段线路的电流,
R k 为第
k段线路的电阻,和分别是第
m段线路的有功和无功功率;
P L,
m ,
P PV,
m ,
P W,
m 分别是第
m段线路并入的负荷有功功率、光伏有功功率、风电有功功率,为,
Q L,
m ,
Q PV,
m ,
Q W,
m ,
Q C,m分别是第
m段线路并入的负荷无功功率、光伏无功功率、风电无功功率、无功补偿装置的无功功率。
图6a和图6b为本专利分布式电源风电发电出力和光伏发电出力的就地消纳情况,对于解决电网安全稳定以及经济成本具有重要意义。图7为本专利无功补偿装置并网前后的网损变化情况,分布式装置参与系统无功补偿,能够有效提高电压并且还能大大降低网损,风光相关性参数与电压优化效果以及分布式装置发出的无功功率呈正比关系。根据相关性系数作为参考指标,将分布式装置同无功补偿装置协同运行,配电网的线损率得到有效改善,同时也大大改善了风光发电系统的运行状态,有效提高了系统运行的经济性。
因此,本发明提出的风光互补无功补偿通过Bi-LSTM算法保证模型处于最优性能,对风光发电系统出力情况进行准确预测,同时对风机状态进行监测,针对风机不同状态提出针对性的无功补偿措施。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反,本发明的主题可以少于特定的发明的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (5)
1.一种考虑风机故障的风光储无功补偿方法,其特征在于,所述方法包括:
获取光伏数据、风机数据和储能数据,所述光伏数据包括温度、光照、光伏输出功率、光伏电流和光伏电压中的一种及其组合,所述风机数据包括风速、风机输出功率、风机电流和风机电压中的一种及其组合,所述储能数据包括储能的充放电状态和储能的输出功率的一种及其组合;
利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案;
根据风机故障监测,获取风机工作状态;
基于所述风光储的调度方案,针对风机不同工作状态,确定以配电网线损最小为目标的风光互补系统的无功补偿措施;
所述利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案,具体包括:
所述短期预测模型的计算过程为:
,
其中: 是遗忘门, 是输入门, 是输出门, 分别是t-1和t时刻的记忆细胞状态, 分别是t-1和t时刻的隐层状态,是激活函数,是t时的时间序列步输入, 是训练得到的特征权值和偏移量,下标f、i、o、c分别表示遗忘门、输入门、输出门、记忆细胞;
正向序列和反向序列分别得到两个激活函数,得到最终输出:
,
其中,分别表示向前隐藏层的输出向量和向后隐藏层的输出向量,是t时的时间序列步输入, 表示输入到向前隐藏层和向后隐藏层的权重向量, 分别表示各隐藏层间的权重向量, 分别表示向前和向后隐藏层到输出层的权值向量,以建立数据的关联;
确定光伏发电系统模型:
(9)
其中: 是在t时的光伏发电输出有功功率, 分别表示在t时的辐射率和标准状态的辐射率, 指的是在标准状态下的最大输出功率, 分别表示t时组件温度和标准状态下温度, 指的是正常工作时电池温度;
确定风机发电模型:
(10)
其中: 分别是指在t时的风机输出功率和风机的额定功率, 分别是指t时刻风速、切出风速、投入风速以及额定功率时的风速;
确定锂电池发电模型:
(11)
其中: 分别指的是其在t时和t-1时的蓄电量, 指的是其自身的电能损耗率, 分别指的是其在t时的充电、放电效率, 分别指的是其在t时的充电、放电功率;
确定配电网网络损耗最小的目标函数F 1、电压偏差最小的目标函数F 2和促进配电网消纳的目标函数F 3分别如下式(12)和(13)所示:
,
其中:分别为节点向配网中输送的有功功率、配网中分布式发电装置有功之和、配电网总有功负荷、储能储存能量增量, 分别为节点额定电压、节点电压,i为节点,n为总节点个数;
约束条件为:
,
,
其中: 和 分别是节点i注入的有功和无功功率; 和 分别是节点i和j的电压幅值; 和 分别是节点i和j连接支路的导纳; 是节点i和j的相角差;和是节点电压幅值的上下限;和是节点电压相角上下限,是节点i电压相角,是t时刻分布式发电装置的有功功率之和,是t时刻分布式发电装置的总有功功率下限,是t时刻分布式发电装置的总有功功率上限;分别是第m个节点接入的风电有功功率、光伏有功功率、储能充放电有功功率,分别是上级电网火电机组出力、配电网有功负荷,m是节点,M是总节点个数;
所述基于所述风光储的调度方案,针对风机不同工作状态,确定以配电网线损最小为目标的风光互补系统的无功补偿措施,具体包括:
以配电网线损最小为目标的风光互补系统的无功补偿,针对风机故障以及正常时两种情况下的优化目标函数为:
风机正常时:
,
风机故障时:
(21)
其中,f loss 为配电网线损,i k 为第k段线路的电流,R k 为第k段线路的电阻, 和 分别是第m段线路的有功和无功功率; P L,m ,P PV,m ,P W,m 分别是第m段线路并入的负荷有功功率、光伏有功功率、风电有功功率,m、k为线路,n为线路总数量,Q L,m ,Q PV,m ,Q W,m ,Q C,m分别是第m段线路并入的负荷无功功率、光伏无功功率、风电无功功率、无功补偿装置的无功功率,v k 为第k段线路的电压。
2.根据权利要求1所述的方法,其特征在于,所述根据风机故障监测,获取风机工作状态,具体包括:
将大量的风机状态历史信息进行统计归纳,并将其特征属性进行简化,得到一个能够表现出其状态属性的集合,将集合中数据进行关联分析,筛选整理潜在的规则得到具有意义的规则,存进故障规则库;
将风机的实时参数与所述故障规则库中的规则进行匹配得到风机工作状态。
3.一种考虑风机故障的风光储无功补偿装置,其特征在于,所述装置包括:
数据获取单元,被配置为获取光伏数据、风机数据和储能数据,所述光伏数据包括温度、光照、光伏输出功率、光伏电流和光伏电压中的一种及其组合,所述风机数据包括风速、风机输出功率、风机电流和风机电压中的一种及其组合,所述储能数据包括储能的充放电状态和储能的输出功率的一种及其组合;
调度方案确定单元,被配置为利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案;
风机工作状态确定单元,被配置为根据风机故障监测,获取风机工作状态;
无功补偿措施单元,被配置为基于所述风光储的调度方案,针对风机不同工作状态,确定以配电网线损最小为目标的风光互补系统的无功补偿措施;
所述利用双向长短期记忆神经网络搭建风光出力的短期预测模型,并以电压损耗最小和分布式电源就地消纳最大为双重优化目标提供风光储的调度方案,具体包括:
所述短期预测模型的计算过程为:
,
其中: 是遗忘门, 是输入门, 是输出门, 分别是t-1和t时刻的记忆细胞状态, 分别是t-1和t时刻的隐层状态,是激活函数,是t时的时间序列步输入, 是训练得到的特征权值和偏移量,下标f、i、o、c分别表示遗忘门、输入门、输出门、记忆细胞;
正向序列和反向序列分别得到两个激活函数,得到最终输出:
,
其中,分别表示向前隐藏层的输出向量和向后隐藏层的输出向量,是t时的时间序列步输入, 表示输入到向前隐藏层和向后隐藏层的权重向量, 分别表示各隐藏层间的权重向量, 分别表示向前和向后隐藏层到输出层的权值向量,以建立数据的关联;
确定光伏发电系统模型:
(9)
其中: 是在t时的光伏发电输出有功功率, 分别表示在t时的辐射率和标准状态的辐射率, 指的是在标准状态下的最大输出功率, 分别表示t时组件温度和标准状态下温度, 指的是正常工作时电池温度;
确定风机发电模型:
(10)
其中: 分别是指在t时的风机输出功率和风机的额定功率, 分别是指t时刻风速、切出风速、投入风速以及额定功率时的风速;
确定锂电池发电模型:
(11)
其中: 分别指的是其在t时和t-1时的蓄电量, 指的是其自身的电能损耗率, 分别指的是其在t时的充电、放电效率, 分别指的是其在t时的充电、放电功率;
确定配电网网络损耗最小的目标函数F 1、电压偏差最小的目标函数F 2和促进配电网消纳的目标函数F 3分别如下式(12)和(13)所示:
,
其中:分别为节点向配网中输送的有功功率、配网中分布式发电装置有功之和、配电网总有功负荷、储能储存能量增量, 分别为节点额定电压、节点电压,i为节点,n为总节点个数;
约束条件为:
,
其中: 和 分别是节点i注入的有功和无功功率; 和 分别是节点i和j的电压幅值; 和 分别是节点i和j连接支路的导纳; 是节点i和j的相角差;和是节点电压幅值的上下限;和是节点电压相角上下限,是节点i电压相角,是t时刻分布式发电装置的有功功率之和,是t时刻分布式发电装置的总有功功率下限,是t时刻分布式发电装置的总有功功率上限;分别是第m个节点接入的风电有功功率、光伏有功功率、储能充放电有功功率,分别是上级电网火电机组出力、配电网有功负荷,m是节点,M是总节点个数;
所述无功补偿措施确定单元被进一步配置为:
以配电网线损最小为目标的风光互补系统的无功补偿,针对风机故障以及正常时两种情况下的优化目标函数为:
风机正常时:
,
风机故障时:
(21)
其中,f loss 为配电网线损,i k 为第k段线路的电流,R k 为第k段线路的电阻, 和 分别是第m段线路的有功和无功功率; P L,m ,P PV,m ,P W,m 分别是第m段线路并入的负荷有功功率、光伏有功功率、风电有功功率,m、k为线路,n为线路总数量,Q L,m ,Q PV,m ,Q W,m ,Q C,m分别是第m段线路并入的负荷无功功率、光伏无功功率、风电无功功率、无功补偿装置的无功功率,v k 为第k段线路的电压。
4.根据权利要求3所述的装置,其特征在于,所述风机工作状态确定单元被进一步配置为:
将大量的风机状态历史信息进行统计归纳,并将其特征属性进行简化,得到一个能够表现出其状态属性的集合,将集合中数据进行关联分析,筛选整理潜在的规则得到具有意义的规则,存进故障规则库;
将风机的实时参数与所述故障规则库中的规则进行匹配得到风机工作状态。
5.一种存储有指令的非暂时性计算机可读存储介质,当所述指令由处理器执行时,执行根据权利要求1至2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064845.6A CN115800306B (zh) | 2023-02-06 | 2023-02-06 | 考虑风机故障的风光储无功补偿方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064845.6A CN115800306B (zh) | 2023-02-06 | 2023-02-06 | 考虑风机故障的风光储无功补偿方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115800306A CN115800306A (zh) | 2023-03-14 |
CN115800306B true CN115800306B (zh) | 2023-05-05 |
Family
ID=85429912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310064845.6A Active CN115800306B (zh) | 2023-02-06 | 2023-02-06 | 考虑风机故障的风光储无功补偿方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115800306B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235462B (zh) * | 2023-11-09 | 2024-02-13 | 海门市知行包装制品有限公司 | 基于时序数据分析的袋式包装机故障智能预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115133573A (zh) * | 2022-06-24 | 2022-09-30 | 浙江工业大学 | 一种考虑负荷光伏随机性的配电网故障恢复滚动优化方法 |
CN115133541A (zh) * | 2022-07-27 | 2022-09-30 | 国网山东省电力公司枣庄供电公司 | 基于改进粒子群算法的光伏发电系统无功补偿方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110350527A (zh) * | 2019-07-15 | 2019-10-18 | 国网冀北电力有限公司唐山供电公司 | 一种含分布式电源的增量配电网双层优化配置方法 |
CN111293683B (zh) * | 2020-02-13 | 2021-05-18 | 东方电子股份有限公司 | 一种兼顾安全性与经济性的配网自愈优化方法 |
CN114243702B (zh) * | 2022-01-28 | 2023-06-23 | 国网湖南省电力有限公司 | 一种电网avc系统运行参数的预测方法、系统及存储介质 |
CN114914955A (zh) * | 2022-07-11 | 2022-08-16 | 广东电网有限责任公司佛山供电局 | 一种微电网有功与无功联合优化调度方法及系统 |
-
2023
- 2023-02-06 CN CN202310064845.6A patent/CN115800306B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115133573A (zh) * | 2022-06-24 | 2022-09-30 | 浙江工业大学 | 一种考虑负荷光伏随机性的配电网故障恢复滚动优化方法 |
CN115133541A (zh) * | 2022-07-27 | 2022-09-30 | 国网山东省电力公司枣庄供电公司 | 基于改进粒子群算法的光伏发电系统无功补偿方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115800306A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8659186B2 (en) | Methods and systems for controlling a power conversion system | |
CN104682435B (zh) | 一种具有可平抑功率波动的储能系统的微电网的运行和监控方法 | |
CN113964885B (zh) | 一种基于态势感知的电网无功主动预测及控制方法 | |
CN107069814B (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与系统 | |
CN104682436B (zh) | 一种具有可平抑功率波动的储能系统的微电网 | |
CN115800306B (zh) | 考虑风机故障的风光储无功补偿方法、装置及介质 | |
Wei et al. | Capacity configuration optimisation of hybrid renewable energy system using improved grey wolf optimiser | |
Han et al. | Optimal sizing considering power uncertainty and power supply reliability based on LSTM and MOPSO for SWPBMs | |
CN104682449B (zh) | 一种具有可平抑功率波动的储能系统的微电网的监控装置 | |
Malik et al. | Grid Integration Difficulties and Solutions for PV Solar Systems with AI Technique in a Homogeneous Environment | |
CN104659800A (zh) | 一种基于功率预测的电池储能电站的监控装置 | |
jing Hu et al. | Capacity optimization of wind/PV/storage power system based on simulated annealing-particle swarm optimization | |
Zhang et al. | Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads | |
Khan et al. | Contingency analysis of a power grid with the participation of utility-scale solar PV units: a case study from Sarawak, Malaysia | |
CN115663791A (zh) | 基于运行环境时变性的智能配电网多目标自适应调度方法 | |
Gong et al. | Research on scheduling of wind solar energy storage microgrid considering new energy consumption | |
Kai et al. | Optimization for PV-ESS in Distribution Network Based on CSBO | |
Li et al. | Research on Distributed Photovoltaic Day-ahead Scheduling and Consumption Strategy | |
Praveen et al. | Genetic Algorithm Based Power Control Strategies of a Grid Integrated Hybrid Distributed Generation System | |
Wang et al. | Research on OPF Control of Three‐Phase Four‐Wire Low‐Voltage Distribution Network considering Uncertainty | |
CN115207910B (zh) | 一种考虑稳定特性的典型方式生成方法、系统及存储介质 | |
Li et al. | Research on short-term power prediction and energy storage capacity allocation of wind and photovoltaic power based on Elman neural network | |
Onanda | Smart Loading Management System for Hybrid Photovoltaic/Wind Power Supply | |
Han et al. | Research on Distribution Network Planning Based on DE-PSO Hybrid Algorithm | |
Lu et al. | Vulnerability Assessment and Governance of Distribution Network Considering New Energy Integration |
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 |