CN115800362A - 用于确定风电场仿真参数的方法、装置及处理器 - Google Patents
用于确定风电场仿真参数的方法、装置及处理器 Download PDFInfo
- Publication number
- CN115800362A CN115800362A CN202211427084.8A CN202211427084A CN115800362A CN 115800362 A CN115800362 A CN 115800362A CN 202211427084 A CN202211427084 A CN 202211427084A CN 115800362 A CN115800362 A CN 115800362A
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- fan
- power plant
- wind 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004088 simulation Methods 0.000 title claims abstract description 59
- 238000011478 gradient descent method Methods 0.000 claims abstract description 12
- 230000035945 sensitivity Effects 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 101150036841 minJ gene Proteins 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例提供一种用于确定风电场仿真参数的方法、装置及处理器。包括:获取风电场的第一输入数据,其中,第一输入数据包括所有的风机参数;确定每个风机参数是否为关键参数;在风机参数为非关键参数的情况下,确定非关键参数的参数类型;选取与参数类型对应的参数识别法确定非关键参数的最优参数;在风机参数为关键参数的情况下,基于参数辨识法并通过共轭梯度下降法求解关键参数的最优参数;将每个风机参数对应的最优参数作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。采用该技术方案能够将风机参数类型进行细分,采用针对性的方法进行求解,实现风机参数的快速、有效的计算,提升风电场的仿真效率,提高风电场仿真的真实性。
Description
技术领域
本申请涉及电力系统运行与控制领域,具体涉及一种用于确定风电场仿真参数的方法、装置、存储介质及处理器。
背景技术
随着风电装机容量的不断增长,风电接入给电力系统带来的影响也逐渐凸显。由于系统惯性问题,风电接入引发的振荡给电力系统安全稳定运行带来了巨大挑战。为了电力系统能够正确的评估大规模风力发电场的接入对电网稳定性产生的影响,且提高电力系统在计算分析过程中的效率,亟需辨识风力发电场等值风机的众多参数。
现有的辨识风机参数的方法没有考虑到风机参数对系统运行影响大小的差异性,以及不同组成部分参数之间的差异,造成风机参数计算难度大、计算效率低下。
发明内容
本申请实施例的目的是提供一种用于确定风电场仿真参数的方法、装置、存储介质及处理器。
为了实现上述目的,本申请第一方面提供一种用于确定风电场仿真参数的方法,包括:
获取风电场的第一输入数据,其中,第一输入数据包括所有的风机参数;
确定每个风机参数是否为关键参数;
在风机参数为非关键参数的情况下,确定非关键参数的参数类型;
选取与参数类型对应的参数识别法确定非关键参数的最优参数;
在风机参数为关键参数的情况下,基于参数辨识法并通过共轭梯度下降法求解关键参数的最优参数;
将每个风机参数对应的最优参数作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。
在本申请实施例中,确定每个风机参数是否为关键参数包括:将第一输入数据输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的第一轨线;在所有的风机参数中随机选取一个风机参数作为待处理风机参数;改变待处理风机参数的参数值;根据改变后的待处理风机参数与其他未作改变的风机参数生成第二输入数据;将第二输入数据输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的第二轨线;根据第一轨线和第二轨线确定改变后的待处理风机参数的轨迹灵敏度;在轨迹灵敏度大于或者等于预设数值的情况下,确定待处理风机参数为关键参数;在轨迹灵敏度小于预设数值的情况下,确定待处理风机参数为非关键参数。
在本申请实施例中,根据第一轨线和第二轨线确定改变后的待处理风机参数的轨迹灵敏度包括根据公式(1)计算轨迹灵敏度:
xa(t)=((φ(a0+Δa0,t)-φ(a0,t))/φ(a0,t))/(Δa0/a0) (1)
其中,xa(t)为风机参数a的轨迹x灵敏度,φ(a0+Δa0,t)为改变后的风机参数a的轨线,φ(a0,t)为改变前的风机参数a的轨线,Δa0为风机参数a的变化量,a0为风机参数a的初始值,t为轨线第t个采样点。
在本申请实施例中,选取与参数类型对应的参数识别法确定非关键参数的最优参数包括:在非关键参数为非控制系统参数的情况下,基于容量加权平均法确定非控制系统参数的最优参数;在非关键参数为控制系统参数的情况下,基于典型值法确定控制系统参数的最优参数。
在本申请实施例中,根据公式(2)计算非关键参数的最优参数:
其中,aeq为最优参数,ai为风电场的风机i的风机参数,Si为风电场的风机i的容量,Seq为风电场的等值容量,Ω为风电场的风机集合,CSP为控制系统参数集合,aTV为风电场风机参数的典型值,a为风机参数。
在本申请实施例中,非控制系统参数包括风电场的发电机参数和传动链参数。
在本申请实施例中,参数辨识法的目标函数如表达式(3)所示:
其中,c=Preal,t 2+real,t 2,J为目标函数,min J为目标函数最小值,Pt为任意一个扰动下风机参数改变后的仿真风电场在并网点的有功功率,Qt为任意一个扰动下风机参数改变后的仿真风电场在并网点的无功功率,Preal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的有功功率,Qreal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的无功功率,T为采样点的集合,上标T为矩阵的转置。
本申请第二方面提供一种处理器,被配置成执行上述的确定风电场仿真参数的方法。
本申请第三方面提供一种确定风电场仿真参数的装置,包括上述处理器。
本申请第四方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得所述处理器被配置成执行上述的确定风电场仿真参数的方法。
通过上述技术方案,通过获取风电场的第一输入数据,其中,第一输入数据包括所有的风机参数;确定每个风机参数是否为关键参数;在风机参数为非关键参数的情况下,确定非关键参数的参数类型;选取与参数类型对应的参数识别法确定非关键参数的最优参数;在风机参数为关键参数的情况下,基于参数辨识法并通过共轭梯度下降法求解确定关键参数的最优参数;将每个风机参数对应的最优参数作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。采用该技术方案能够将风机参数类型进行细分,采用针对性的方法进行求解,实现风机参数的快速、有效的计算,提升风电场的仿真效率,提高风电场仿真的真实性。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的确定风电场仿真参数的方法的一种流程示意图;
图2示意性示出了根据本申请实施例的确定风电场仿真参数的方法的另一种流程示意图;
图3示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示意性示出了根据本申请实施例的用于确定风电场仿真参数的方法的一种流程示意图。如图1所示,在本申请一实施例中,提供了一种用于确定风电场仿真参数的方法,包括以下步骤:
步骤101,获取风电场的第一输入数据,其中,第一输入数据包括所有的风机参数。
步骤102,确定每个风机参数是否为关键参数。
步骤103,在风机参数为非关键参数的情况下,确定非关键参数的参数类型。
步骤104,选取与参数类型对应的参数识别法确定非关键参数的最优参数。
步骤105,在风机参数为关键参数的情况下,基于参数辨识法并通过共轭梯度下降法求解关键参数的最优参数。
步骤106,将每个风机参数对应的最优参数作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。
风机参数是指风机的运行时的运行数据与工作状态数据。参数辨识法,是一种将理论模型与实验数据结合起来用于预测的方法。参数辨识是根据实验数据和建立的模型来确定一组模型的参数值,使得由模型计算得到的数值结果能最好地拟合测试数据,从而可以对未知过程进行预测,提供一定的理论指导。共轭梯度下降法是介于最速下降法与牛顿法之间的一个方法,它仅需要利用一阶导数信息,既克服了最速下降法收敛慢的缺点,又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点,具有所需存储量小,收敛性稿以及稳定性好等优点。处理器可以确定第一输入数据中的每个风机参数是否为关键参数,在风机参数为非关键参数的情况下,确定非关键参数的参数类型;在风机参数为关键参数的情况下,基于参数辨识法并通过共轭梯度下降法确定关键参数的最优参数。其中,非关键参数可以是工作人员根据实际风电场的工作需要确定的对风电场的工作影响较小的风机参数;关键参数可以是工作人员根据实际风电场的工作需要确定的对风电场的工作影响较大的风机参数。最优参数是指经过优化处理后的风机参数。处理器可以将每个风机参数对应的最优参数作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。
例如,处理器获取风电场的第一输入数据A,其中,第一输入数据A包括10个风机参数,分别为A1、A2、A3、A4、A5、A6、A7、A8、A9、A10。确定A1、A2、A3、A4、A5、A6、A7、A8、A9、A10是否为关键参数。其中,A1、A2、A3、A4为关键参数,基于参数辨识法并通过共轭梯度下降法分别确定A1、A2、A3、A4的最优参数a1、a2、a3、a4;A5、A6、A7、A8、A9、A10为非关键参数,确定A5、A6、A7、A8、A9、A10的参数类型。A5、A6、A7为Ⅰ类型,采用Ⅰ类型对应的参数识别法分别确定A5、A6、A7的最优参数a5、a6、a7;A8、A9、A10为Ⅱ类型,采用Ⅱ类型对应的参数识别法分别确定A8、A9、A10的最优参数a8、a9、a10。将最优参数a1、a2、a3、a4、a5、a6、a7、a8、a9、a10作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。
在一个实施例中,处理器可以将第一输入数据输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的第一轨线;在所有的风机参数中随机选取一个风机参数作为待处理风机参数;改变待处理风机参数的参数值;根据改变后的待处理风机参数与其他未作改变的风机参数生成第二输入数据;将第二输入数据输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的第二轨线;根据第一轨线和第二轨线确定改变后的待处理风机参数的轨迹灵敏度;在轨迹灵敏度大于或者等于预设数值的情况下,确定待处理风机参数为关键参数;在轨迹灵敏度小于预设数值的情况下,确定待处理风机参数为非关键参数。其中,处理器可以小幅度的改变待处理风机参数的参数值,幅度可以是不高于10%。并网点是指风电场的升压站高压侧的母线或者节点。第一轨线是指在某一系统扰动下,风电场在并网点的有功扰动轨线和无功扰动轨线。第二轨线是指在同一系统扰动下,任意一个风机参数的参数值发生变化后,风电场在并网点的有功扰动轨线和无功扰动轨线。
例如,第一输入数据A包括风机参数A1、A2、A3,将第一输入数据A输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的第一轨线X。选取A1作为待处理风机参数,小幅度改变待处理风机参数A1的参数值,得到改变后的待处理风机参数A′1。根据改变后的待处理风机参数与其他未作改变的风机参数生成第二输入数据,第二输入数据为A′1、A2、A3。将第二输入数据A′1、A2、A3输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的第二轨线Y。根据第一轨线X和第二轨线Y确定改变后的待处理风机参数A′1的轨迹灵敏度。在轨迹灵敏度大于或者等于预设数值的情况下,确定待处理风机参数A1为关键参数;在轨迹灵敏度小于预设数值的情况下,确定待处理风机参数A1为非关键参数。
在待处理风机参数A1为关键参数的情况下,可以基于参数辨识法并通过共轭梯度下降法确定关键参数A1的最优参数a1;在待处理风机参数A1为非关键参数的情况下,确定非关键参数A1的参数类型,选取与参数类型对应的参数识别法确定非关键参数A1对应的最优参数a1。同样,确定分别与风机参数A2、A3对应的最优参数a2、a3。将a1、a2、a3作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。
在一个实施例中,处理器可以根据第一轨线和第二轨线确定改变后的待处理风机参数的轨迹灵敏度。可以根据公式(1)计算轨迹灵敏度:
xa(t)=((φ(a0+Δa0,t)-φ(a0,t)a/φ(a0,t))/(Δa0/a0) (1)
其中,xa(t)为风机参数a的轨迹x灵敏度,φ(a0+Δa0,t)为改变后的风机参数a的轨线,φ(a0,t)为改变前的风机参数a的轨线,Δa0为风机参数a的变化量,a0为风机参数a的初始值,t为轨线第t个采样点。
例如,采用公式(1)计算风机参数A1的轨迹灵敏度。第一输入数据A包括风机参数A1、A2、A3。选取A1作为待处理风机参数,改变待处理风机参数A1的参数值,得到改变后的待处理风机参数A′1。其中,Δa0为风机参数A1的变化量,即Δa0=A′1-A1。a0为风机参数A1的参数值,a0+Δa0为改变后的待处理风机参数A′1的参数值。
在一个实施例中,处理器在确定风机参数为非关键参数的情况下,可以确定非关键参数的类型。非关键参数的类型可以包括非控制系统参数和控制系统参数。在非关键参数为非控制系统参数的情况下,可以基于容量加权平均法确定非控制系统参数的最优参数。在非关键参数为控制参数的情况下,可以基于典型值法确定控制系统参数的最优参数。其中,容量加权平均法是指基于风电场的风机容量,获取过去若干个按照时间序列排列起来的容量变量的观测值并以时间顺序容量变量出现的次数为权数,计算出观测值的加权算是平均数,以这一数字作为预测未来时期该容量预测值的一种趋势预测法。典型值法是指选取风电场中有代表性的、能表征群体特征的参数作为典型值。
例如,第一输入数据包括风机参数A1和风机参数A2。处理器在确定第一输入数据中的A1、A2为非关键参数后,进一步确定非关键参数A1、A2的参数类型。非关键参数A1为非系统控制参数,基于容量加权平均法确定非控制系统参数A1的最优参数a1。非关键参数A2为系统控制参数,基于典型值法确定控制系统参数A2的最优参数a2。将最优参数a1、a2作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。
在一个实施例中,可以根据公式(2)计算非关键参数的最优参数:
其中,aeq为最优参数,ai为风电场的风机i的风机参数,Si为风电场的风机i的容量,Seq为风电场的等值容量,Ω为风电场的风机集合,CSP为控制系统参数集合,aTV为风电场风机参数的典型值,a为风机参数。
在一个实施例中,非控制系统参数包括风电场的发电机参数和传动链参数。也就是说,在获取的风电场的风机参数为发电机参数和传动链参数的情况下,可以采用容量加权平均法确定发电机参数和传动链参数的最优参数。
在一个实施例中,参数辨识法的目标函数如表达式(3)所示:
其中,c=Preal,t 2+real,t 2,J为目标函数,min J为目标函数最小值,Pt为任意一个扰动下风机参数改变后的仿真风电场在并网点的有功功率,Qt为任意一个扰动下风机参数改变后的仿真风电场在并网点的无功功率,Preal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的有功功率,Qreal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的无功功率,T为采样点的集合,上标T为矩阵的转置。其中,扰动可以是电力系统切机、失负荷、断相以及短路等大扰动。
图2示意性示出了根据本申请实施例的确定风电场仿真参数的另一种流程示意图。如图2所示,风电场的参数初始化,基于PSASP的机电暂态仿真构建单机并网仿真模型。将参数输入至单机并网仿真模型,在某一系统扰动下,以生成风电场在并网点的有功扰动轨线和无功扰动轨线(即第一轨线)。然后,在同一扰动下,小幅度修改待识别参数的值(即改变待处理风机参数的参数值),将改变后的待识别参数与未改变的参数输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的有功扰动轨线和无功扰动轨线(即第二轨线)。基于数值法计算待识别参数的轨迹灵敏度(即确定改变后的待处理风机参数的轨迹灵敏度),可以根据公式(1)计算轨迹灵敏度:
xa(t)=((φ(a0+Δa0,t)-φ(a0,t))/φ(a0,t))/(Δa0/a0) (1)
其中,xa(t)为风机参数a的轨迹x灵敏度,φ(a0+Δa0,t)为改变后的风机参数a的轨线,φ(a0,t)为改变前的风机参数a的轨线,Δa0为风机参数a的变化量,a0为风机参数a的初始值,t为轨线第t个采样点。
根据轨迹灵敏度确定待识别参数是否为关键参数,如果改变后的待识别参数的有功灵敏度和/或无功灵敏度小于判别阈值,则待识别参数为非关键参数。在待识别参数为非关键参数的情况下,对非关键参数进行类型判断。参数类型包括发电机参数、传动链参数以及控制系统参数。在非关键参数为发电机参数或者传动链参数的情况下,采用容量加权平均法确定发电机参数或者川公路参数(即非控制系统参数)的最优参数。在非关键参数为控制系统参数的情况下,采用典型值法确定控制系统参数的最优参数。根据公式(2)计算非关键参数的最优参数:
其中,aeq为最优参数,ai为风电场的风机i的风机参数,Si为风电场的风机i的容量,Seq为风电场的等值容量,Ω为风电场的风机集合,CSP为控制系统参数集合,aTV为风电场风机参数的典型值,a为风机参数。
如果改变后的待识别参数的有功灵敏度和无功灵敏度(即轨迹灵敏度)均大于或者等于判别阈值(即预设数值),则待识别参数为关键参数。在待识别参数为关键参数的情况下,基于参数识别法并通过共轭梯度下降法求解确定关键参数的最优参数;参数辨识法的目标函数如表达式(3)所示:
其中,c=Preal,t 2+real,t 2,J为目标函数,min J为目标函数最小值,Pt为任意一个扰动下风机参数改变后的仿真风电场在并网点的有功功率,Qt为任意一个扰动下风机参数改变后的仿真风电场在并网点的无功功率,Preal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的有功功率,Qreal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的无功功率,T为采样点的集合,上标T为矩阵的转置。
基于MATLAB和PSASP联合仿真的方式计算梯度g0,计算公式如公式(4)所示:
其中,J为目标函数,a为风机参数,Pt为任意一个扰动下风机参数改变后的仿真风电场在并网点的有功功率,Qt为任意一个扰动下风机参数改变后的仿真风电场在并网点的无功功率,Preal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的有功功率,Qreal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的无功功率,T为采样点的集合,t为轨线第t个采样点,Pa(t)为风机参数a的轨迹P灵敏度,Qa(t)为风机参数a的轨迹Q的灵敏度。
在得到与风电场对应的最优参数后,将风电场的最优参数作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。
通过上述技术方案,通过获取风电场的第一输入数据,其中,第一输入数据包括所有的风机参数;确定每个风机参数是否为关键参数;在风机参数为非关键参数的情况下,确定非关键参数的参数类型;选取与参数类型对应的参数识别法确定非关键参数的最优参数;在风机参数为关键参数的情况下,基于参数辨识法并通过共轭梯度下降法确定关键参数的最优参数;将每个风机参数对应的最优参数作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。采用该技术方案能够将风机参数类型进行细分,采用针对性的方法进行求解,实现风机参数的快速、有效的计算,提升风电场的仿真效率,提高风电场仿真的真实性。
图1、2为一个实施例中确定风电场仿真参数的方法的流程示意图。应该理解的是,虽然图1、2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述确定风电场仿真参数的方法。
本申请实施例提供了一种确定风电场仿真参数的装置,包括上述处理器。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述确定风电场仿真参数的方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储风电场和风机的数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种确定风电场仿真参数的方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取风电场的第一输入数据,其中,第一输入数据包括所有的风机参数;确定每个风机参数是否为关键参数;在风机参数为非关键参数的情况下,确定非关键参数的参数类型;在风机参数为关键参数的情况下,基于参数辨识法并通过共轭梯度下降法求解关键参数的最优参数;选取与参数类型对应的参数识别法确定非关键参数的最优参数;将每个风机参数对应的最优参数作为风电场等值单机并网模型的仿真参数,以对风电场进行仿真。
在一个实施例中,确定每个风机参数是否为关键参数包括:将第一输入数据输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的第一轨线;在所有的风机参数中随机选取一个风机参数作为待处理风机参数;改变待处理风机参数的参数值;根据改变后的待处理风机参数与其他未作改变的风机参数生成第二输入数据;将第二输入数据输入至风电场等值单机并网模型,以通过风电场等值单机并网模型生成风电场在并网点的第二轨线;根据第一轨线和第二轨线确定改变后的待处理风机参数的轨迹灵敏度;在轨迹灵敏度大于或者等于预设数值的情况下,确定待处理风机参数为关键参数;在轨迹灵敏度小于预设数值的情况下,确定待处理风机参数为非关键参数。
在一个实施例中,根据第一轨线和第二轨线确定改变后的待处理风机参数的轨迹灵敏度包括根据公式(1)计算轨迹灵敏度:
xa(t)=((φ(a0+Δa0,t)-φ(a0,t))/φ(a0,t))/(Δa0/a0) (1)
其中,xa(t)为风机参数a的轨迹x灵敏度,φ(a0+Δa0,t)为改变后的风机参数a的轨线,φ(a0,t)为改变前的风机参数a的轨线,Δa0为风机参数a的变化量,a0为风机参数a的初始值,t为第t个轨线采样点。
在一个实施例中,选取与参数类型对应的参数识别法确定非关键参数的最优参数包括:在非关键参数为非控制系统参数的情况下,基于容量加权平均法确定非控制系统参数的最优参数;在非关键参数为控制系统参数的情况下,基于典型值法确定控制系统参数的最优参数。
在一个实施例中,根据公式(2)计算非关键参数的最优参数:
其中,aeq为最优参数,ai为风电场的风机i的风机参数,Si为风电场的风机i的容量,Seq为风电场的等值容量,Ω为风电场的风机集合,CSP为控制系统参数集合,aTV为风电场风机参数的典型值,a为风机参数。
在一个实施例中,非控制系统参数包括风电场的发电机参数和传动链参数。
在一个实施例中,参数辨识法的目标函数如表达式(3)所示:
其中,c=Preal,t 2+real,t 2,J为目标函数,min J为目标函数最小值,Pt为任意一个扰动下风机参数改变后的仿真风电场在并网点的有功功率,Qt为任意一个扰动下风机参数改变后的仿真风电场在并网点的无功功率,Preal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的有功功率,Qreal,t为任意一个扰动下风机参数改变后的实际风电场在并网点的无功功率,T为采样点的集合,上标T为矩阵的转置。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下确定风电场仿真参数的方法步骤的程序。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于确定风电场仿真参数的方法,其特征在于,所述方法包括:
获取风电场的第一输入数据,其中,所述第一输入数据包括所有的风机参数;
确定每个风机参数是否为关键参数;
在所述风机参数为非关键参数的情况下,确定所述非关键参数的参数类型;
选取与所述参数类型对应的参数识别法确定所述非关键参数的最优参数;
在所述风机参数为关键参数的情况下,基于参数辨识法并通过共轭梯度下降法确定所述关键参数的最优参数;
将每个风机参数对应的最优参数作为风电场等值单机并网模型的仿真参数,以对所述风电场进行仿真。
2.根据权利要求1所述的确定风电场仿真参数的方法,其特征在于,所述确定每个风机参数是否为关键参数包括:
将所述第一输入数据输入至所述风电场等值单机并网模型,以通过所述风电场等值单机并网模型生成所述风电场在并网点的第一轨线;
在所述所有的风机参数中随机选取一个风机参数作为待处理风机参数;
改变所述待处理风机参数的参数值;
根据改变后的待处理风机参数与其他未作改变的风机参数生成第二输入数据;
将所述第二输入数据输入至所述风电场等值单机并网模型,以通过所述风电场等值单机并网模型生成所述风电场在所述并网点的第二轨线;
根据所述第一轨线和所述第二轨线确定所述改变后的待处理风机参数的轨迹灵敏度;
在所述轨迹灵敏度大于或者等于预设数值的情况下,确定所述待处理风机参数为所述关键参数;
在所述轨迹灵敏度小于所述预设数值的情况下,确定所述待处理风机参数为所述非关键参数。
3.根据权利要求2所述的确定风电场仿真参数的方法,其特征在于,所述根据所述第一轨线和所述第二轨线确定所述改变后的待处理风机参数的轨迹灵敏度包括根据公式(1)计算所述轨迹灵敏度:
xa(t)=((φ(a0+Δa0,t)-φ(a0,t))/φ(a0,t))/(Δa0/a0) (1)
其中,xa(t)为风机参数a的轨迹x灵敏度,φ(a0+Δa0,t)为改变后的风机参数a的轨线,φ(a0,t)为改变前的风机参数a的轨线,Δa0为风机参数a的变化量,a0为风机参数a的初始值,t为第t个轨线采样点。
4.根据权利要求1所述的确定风电场仿真参数的方法,其特征在于,所述选取与所述参数类型对应的参数识别法确定所述非关键参数的最优参数包括:
在所述非关键参数为非控制系统参数的情况下,基于容量加权平均法确定所述非控制系统参数的最优参数;
在所述非关键参数为控制系统参数的情况下,基于典型值法确定所述控制系统参数的最优参数。
6.根据权利要求4所述的确定风电场仿真参数的方法,其特征在于,所述非控制系统参数包括所述风电场的发电机参数和传动链参数。
8.一种处理器,其特征在于,被配置成执行根据权利要求1至7中任意一项所述的确定风电场仿真参数的方法。
9.一种确定风电场仿真参数的装置,其特征在于,包括根据权利要求8所述的处理器。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的确定风电场仿真参数的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211427084.8A CN115800362B (zh) | 2022-11-14 | 2022-11-14 | 用于确定风电场仿真参数的方法、装置及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211427084.8A CN115800362B (zh) | 2022-11-14 | 2022-11-14 | 用于确定风电场仿真参数的方法、装置及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115800362A true CN115800362A (zh) | 2023-03-14 |
CN115800362B CN115800362B (zh) | 2023-12-19 |
Family
ID=85437749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211427084.8A Active CN115800362B (zh) | 2022-11-14 | 2022-11-14 | 用于确定风电场仿真参数的方法、装置及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115800362B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150149128A1 (en) * | 2013-11-22 | 2015-05-28 | General Electric Company | Systems and methods for analyzing model parameters of electrical power systems using trajectory sensitivities |
CN105678033A (zh) * | 2016-03-04 | 2016-06-15 | 国家电网公司 | 一种适用于电磁暂态仿真的风电场等值建模方法 |
CN110119570A (zh) * | 2019-05-10 | 2019-08-13 | 东北电力大学 | 一种实测数据驱动的风电场模型参数校核方法 |
CN110750907A (zh) * | 2019-10-24 | 2020-02-04 | 国网湖南省电力有限公司 | 一种双馈风电场等值模型参数识别方法 |
CN110829495A (zh) * | 2019-11-21 | 2020-02-21 | 国网湖南省电力有限公司 | 一种永磁直驱同步风电场等值模型参数辨识方法 |
-
2022
- 2022-11-14 CN CN202211427084.8A patent/CN115800362B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150149128A1 (en) * | 2013-11-22 | 2015-05-28 | General Electric Company | Systems and methods for analyzing model parameters of electrical power systems using trajectory sensitivities |
CN105678033A (zh) * | 2016-03-04 | 2016-06-15 | 国家电网公司 | 一种适用于电磁暂态仿真的风电场等值建模方法 |
CN110119570A (zh) * | 2019-05-10 | 2019-08-13 | 东北电力大学 | 一种实测数据驱动的风电场模型参数校核方法 |
CN110750907A (zh) * | 2019-10-24 | 2020-02-04 | 国网湖南省电力有限公司 | 一种双馈风电场等值模型参数识别方法 |
CN110829495A (zh) * | 2019-11-21 | 2020-02-21 | 国网湖南省电力有限公司 | 一种永磁直驱同步风电场等值模型参数辨识方法 |
Non-Patent Citations (1)
Title |
---|
张剑 等: "基于轨迹灵敏度分析的永磁直驱风电场等值模型参数辨识", 电工技术学报, vol. 35, no. 15, pages 3303 - 3312 * |
Also Published As
Publication number | Publication date |
---|---|
CN115800362B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Real-time transient stability assessment model using extreme learning machine | |
Casau et al. | A set-valued approach to FDI and FTC of wind turbines | |
Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
Thakallapelli et al. | Measurement‐based wide‐area damping of inter‐area oscillations based on MIMO identification | |
KR20170061377A (ko) | 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치 | |
Taherkhani et al. | Wind turbines robust fault reconstruction using adaptive sliding mode observer | |
JP6688902B2 (ja) | 制御モデルに基づいて技術システムを制御するための方法および装置 | |
CN111221520B (zh) | 电力系统控制器控制算法生成方法、设备及可读存储介质 | |
Barzegkar-Ntovom et al. | Robust framework for online parameter estimation of dynamic equivalent models using measurements | |
CN111708284A (zh) | 一种燃料电池系统仿真测试方法、装置、设备及存储介质 | |
CN117200250A (zh) | 火储联合调频的控制方法及系统 | |
CN115800362A (zh) | 用于确定风电场仿真参数的方法、装置及处理器 | |
CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
CN116360294A (zh) | 基于有源配电网的仿真方法及装置 | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN114221359A (zh) | 基于决策树的新能源电力系统调频能力建模与分析方法 | |
CN108223278B (zh) | 一种偏航控制方法及相关设备 | |
Thapa et al. | High-precision transient stability assessment using convolution neural network | |
Barrios Gómez et al. | System identification applied to a single area electric power system under frequency response | |
AINHIRN | Application of Machine Learning Models for the Thermal Rating of a 400 kV Cable System and their Validation | |
Pohlkötter et al. | Unlocking the Potential of Digital Twins: Development of the Virtual Commissioning Model to a Hybrid Predictive Maintenance System | |
CN118070522A (zh) | 电力系统自动化模型评估方法、系统、设备及存储介质 | |
CN116361705A (zh) | 发电机组的异常数据识别方法及装置、电子设备 | |
Mokhayeri et al. | A phasor-based framework for real-time identification of power systems islanding through decision-tree algorithm | |
CN113723723A (zh) | 运行参数波动路径提取方法、装置、存储介质及处理器 |
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 |