CN117811210A - 一种风电场的微网智能电网集成系统 - Google Patents
一种风电场的微网智能电网集成系统 Download PDFInfo
- Publication number
- CN117811210A CN117811210A CN202410001241.1A CN202410001241A CN117811210A CN 117811210 A CN117811210 A CN 117811210A CN 202410001241 A CN202410001241 A CN 202410001241A CN 117811210 A CN117811210 A CN 117811210A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- power
- grid
- wind
- 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
- 238000004146 energy storage Methods 0.000 claims abstract description 62
- 238000010248 power generation Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005311 autocorrelation function Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000001960 triggered effect Effects 0.000 abstract description 3
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- 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
- H02J13/00001—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 the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
-
- 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
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- 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)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电场的微网智能电网集成系统，属于电网技术领域。本发明包括数据监测采集模块、数据分析预测模块、能量协调调度模块、通信控制模块和故障检测调整模块；本发明基于智能电网的历史数据，预测智能电网在未来时刻的风力状况、负荷需求和能源存储数据，提前调整智能电网的充放电策略和与电网的能量交换，实现风力发电的平稳输出和电网的平衡供电，通过实时监测电力设备和电网状态，及时发现故障信号和异常情况，自动进行故障诊断和判别；确定故障设备或部件，并进行相应的报警和通知；在出现故障或异常情况时，自动触发快速切换和调节机制，确保能源的平衡和稳定供应。
Description
技术领域
本发明涉及电网技术领域，具体为一种风电场的微网智能电网集成系统。
背景技术
随着科技的不断发展，智能电力技术正逐渐成为电力行业的主流。智能电力技术是以先进的电子、通信和计算机技术为基础，通过实时数据采集、分析和控制，实现对电力系统的精确检测和管理。
微电网需要一个高度智能化的能源管理系统来监控和调度各种电力资源。管理和调度微电网的复杂性增加了技术和管理的挑战，需要可靠的数据分析、决策支持和优化算法。微电网技术在独立运行时依赖自身的能源和储能设备。如果某个电力资源出现故障或存储能量不足，可能会导致微电网供电能力下降，增加了系统的不稳定性和供电风险。因此，确保微电网的可靠性和稳定性是一个挑战。
所以，本发明公开一种风电场的微网智能电网集成系统来解决上述问题。
发明内容
本发明的目的在于提供一种风电场的微网智能电网集成系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：该集成系统包括数据监测采集模块、数据分析预测模块、能量协调调度模块、通信控制模块和故障检测调整模块；
所述数据监测采集模块安装传感器和监测设备，实时监测风力发电设备和储能装置的运行状态、性能参数和环境变量；所述数据分析预测模块通过建立模型和算法，预测未来的风力状况、负荷需求和能源存储情况；所述能量协调调度模块通过监测和预测的数据，进行风力发电设备和储能装置的能量协调调度；所述通信控制模块能够实现实时的数据传输和控制指令下发；所述故障检测调整模块用于及时发现风力发电设备和储能装置的故障或异常情况。
根据上述方案，所述监测采集模块采集的数据包括风速、风向、发电功率、电池状态和负荷需求。
根据上述方案，所述数据分析预测模块包括风力预测单元、负荷需求预测单元和储能需求预测单元；
所述风力预测单元基于历史风速，建立自回归差分移动平均模型预测未来的风力状况，为风力发电设备的运行调度提供依据；
所述负荷需求预测单元基于历史负荷数据，建立自回归差分移动平均模型预测未来的负荷需求趋势，以供智能电网系统进行能量调度和优化；
所述储能需求预测单元基于历史的负荷数据和储能装置的充放电状态，建立自回归差分移动平均模型，预测未来的储能需求量，从而制定合理的储能设备控制策略。
根据上述方案，所述自回归差分移动平均模型英文简称为所述自回归差分移动平均模型，所述自回归差分移动平均模型主要由三部分构成，分别为自回归模型(AR)、差分过程(I)和移动平均模型(MA)；用公式表示为：ARIMA(p,d,q)；
暂时不考虑差分，即假设d＝0，那么所述自回归差分移动平均模型被看作是AR模型和MA模型的直接结合，形式上看，所述自回归差分移动平均模型的公式表示为：
其中Yt为分析的时间序列系数；是AR模型的参数，用来描述当前值与过去p个时间点值之间的关系；θi是MA模型的参数，用来描述当前值与过去q个时间点的误差之间的关系；∈t为在t时间点的误差项；c是常数项。
根据上述方案，对于时间序列Yt，均值函数定义如下：μt＝E(Yt)，即μt是过程在t时刻的期望值，序列的方差定义如下：
Var(Yt)＝E((Yt-μt)2)
其中n代表序列的长度；根据序列的滞后阶数k来计算对应的序列自协方差，自协方差定义如下：
Cov(Yt,Yt-k)＝E((Yt-μt)(Yt-k-μt))
自相关函数ρ(k)表示为：
偏自相关函数ωk表示为：
在建立所述自回归差分移动平均模型的前，要将数据平稳化，对于校验原始数据的平稳性，本发明利用单位根校验的方式，计算原始数据的相伴概率，若相伴概率计算值小于0.05，即平稳性校验合格，进行下步白噪声检验，若相伴概率计算值大于0.05，即稳性校验不合格，需要对数据进行差分处理，差分处理能够减小或消除时间序列的趋势和季节性变化，所述差分处理为一组数值序列中相邻数据点的进行差计算，差分方程如下表示：
ΔdYt＝(1-B)dYt
其中(1-B)dYt表示Yt的d阶差分；B表示延迟算子；
首先对原始不平稳数据做一阶差分，用公式表示为：
ΔYt＝Yt-Yt-1
对一阶差分处理后的数据再次进行平稳性校验，若平稳性校验合格，进行下步白噪声检验，若平稳性校验不合格，需要对数据进行二阶差分处理，直至差分后数据变成平稳的时间序列；
用可视化技术显示自相关函数图和偏自相关函数图，查看函数拖尾或截尾情况；
对平稳的时间序列进行BIC矩阵计算，得到最小的p和q值，得到最终的所述自回归差分移动平均模型。
根据上述方案，数据分析预测模块的原始数据时间间隔选择多种，包括小时、天和月；根据回归差分移动平均模型预测所得，不同时间间隔时所得同一类型的发电功率存在差异，记PEDMax为储能装置最大放电功率；PECH、PECD和PECM分别为预测的储能需求每小时、每天和每月充电功率；PECMax为储能装置每小时最大充电功率；PWH、PWD和PWM分别为预测的风场每小时、每天和每月发电功率；PWMax为风场每小时最大发电功率，WLDH、WLDD和WLDM分别为预测的每小时、每天和每月负荷需求；
其中其中24和720为换算成天和月换算小时的折算系数；其中月按30天计算；
当PW×t+PEDM×t<WLD时，集成系统向主电网申请能量注入；当PW×t+PEDM×t≥WLD，且PW×t<WLD时，集成系统降低储能装置放电功率至匹配预测的负荷需求；当PW×t≥WLD时，集成系统开启储能装置充电模式；当PW×t≥WLD+PEC×t时，风力发电机组降低发电功率；当储能装置充电后，任有PW×t≥WLD+PECMax×t，若主电网需要能量注入，将多余的电传输给主电网；当PW≥PWMax时，风力发电机组先按照风场每小时最大发电功率发电，后续按照其他预测需求及时改变发电策略。
根据上述方案，所述能量协调调度模块在建立多种时间间隔自回归差分移动平均模型前提下，利用储能系统的特性，协调风力发电和主电网之间的能量交换，通过充放电策略，实现风力发电的平稳输出和电网的平衡供电；根据实时情况，调整风力发电机组的输出、电网的调度和储能系统的充放电策略，以提高能源利用效率和电网的稳定性。
当风力发电超过负荷需求时，将多余的能量存储到储能系统中；当负荷需求超过风力发电时，从储能系统中释放能量进行补充。通过合理的充放电策略，实现风力发电的平稳输出和电网的平衡供电。
根据上述方案，所述故障检测调整模块实时监测电力设备和电网状态，获取关键设备的性能数据，检测故障信号和异常情况；利用故障检测调整模块的数据，结合故障模型库，自动进行故障诊断和判别；
故障行波本质上是一种非平稳的高频信号，小波变换具有表示信号在时域和频域中的局部特征的能力，因此非常适合分析故障行波信号并提取其特征；信号f(x)的连续小波变换写法如下：
其中ψa,b(x)是小基波函数是由母小波ψ(x)经位移和伸缩所产生的一族函数，它是一个连续函数，是ψa,b(x)的共轭复数；a是比例因子，b是平移因子；
假设每个尺度s处f(x)的小波系数为如果函数
对附近所有的x都满足xn在尺度s下，小波变换的模量最大值点为xn，小波变换的模量最大值为奇点检测理论表明，连续小波变换的模量最大值与信号的突变点之间存在一对一的对应关系；因此，使用测量线路电流的连续小波变换模量最大值来检测行波到达时间；此外，连续小波变换模量最大值的符号和绝对值分别表示输入信号的突变极性和强度；因此，将连续小波变换的模量最大值应用于所提出的故障定位方案；
定义下列比率：
其中Mij(P)和Mij(N)分别表示段ij的正线和负线的小波变换模量最大值；那么故障识别判据如下：
1-k<λi<1+k
λi>1+k
λi<1-k
其中k(0<k<1)表示可靠系数；如果满足上述第一条，则确定为双极性短路故障；如果满足上述第二条，则正极被标识为故障极；如果满足上述第三条，则负极被标识为故障极；
对于故障段确定；利用小波变换模量最大值构建以下故障段确定判据：
如果故障极被识别为正极，同时满足上述第一条，则确定段ij为故障段，否则验证段ij为非故障段；如果负极是故障极，同时满足上述第二条，则判断段ij为故障段，否则段ij为正常；对于双极性短路故障，选择段ij作为故障段只需要满足上述第一条；
确定了故障段后，即可进一步计算故障距离；假设段ij两端都配备了测量单元，这些单元具有同步收集信号的能力，其中传输线ij的长度为l千米，故障点在段ij中的x处，从故障点x到端子i和j的距离为l1千米和l2千米，测量单元可以测量终端i和j的首次行波到达时间，分别用t1和t2表示，故障距离的计算方法如下：
Δt＝t2-t1
其中v代表行波的传播速度，Δt是行波两端第一个到达行波的时间差；
根据故障类型和位置，确定故障设备或部件，并进行相应的报警和通知；在出现故障或异常情况时，自动触发快速切换和调节机制；包括，当发生线路故障时，能够自动切换至备用线路，以保证电力供应的连续性；同时，根据负荷需求调节发电机组的输出，确保能源的平衡和稳定供应。
根据上述方案，所述故障模型库基于故障模型和专家知识的规则库，规则库包含与已知故障类型相关联的特征和规则，包括电压异常和电流偏高；所述故障模型基于历史数据、经验和学术研究进行构建，以反映不同故障类型的特征；所述故障诊断和判别利用采集到的数据提取合适的特征，包括电流、电压、频率、振动幅度和功率变化；所述特征提取对于原始时域信号进行基本的时域分析；
所述特征提取利用傅里叶变换技术；所述傅里叶变换需要先将采集到的时域振动信号转换到频域，傅里叶变换将时域信号分解成不同频率的正弦和余弦分量，可视化为频谱图；通过分析频谱图，提取相关的频域特征，频域特征包括：峰值频率、频率范围、谐波含量和能量分布；所述峰值频率为信号中能量最高的频率分量；所述频率范围为信号功率集中的频率范围；所述谐波含量为判断信号中谐波分量的强弱；所述能量分布为不同频率区间内的能量分布情况。
对于提取到的频域特征，进行特征选择和降维的处理；本发明利用主成分分析，以减少特征的维度并保留最具辨别力的特征；所述主成分分析的步骤主要包括数据标准化、协方差矩阵计算、特征值与特征向量计算和主成分选择；
所述数据标准化为将原始数据进行标准化处理，使得每个特征都具有相同的尺度，以避免不同特征对主成分分析结果的影响；所述协方差矩阵计算为计算标准化后的数据的协方差矩阵。协方差衡量了不同特征之间的相关性。协方差越大，表示特征之间关联性越高；所述特征值与特征向量计算为对协方差矩阵进行特征值分解，得到特征值和相应的特征向量；特征值表示每个主成分所解释的方差，特征向量表示主成分的方向；所述主成分选择根据特征值的大小，选择最具有代表性的主成分。通常，选择特征值较大的若干个主成分作为数据集的主要特征。
根据上述方案，利用预先建立的规则库和故障模型，将本次故障特征与故障模型库中的数据进行比较，以识别和判别存在的故障类型。通过规则匹配方式实现；所述规则匹配将特征数据与规则库中的每一条规则进行逐条比较，寻找与之匹配的规则，当特征数据满足某条规则的条件时，该规则会被视为匹配成功，从而得到相应的故障或判定结果。
与现有技术相比，本发明所达到的有益效果是：本发明基于微网智能电网的历史风力状况、负荷需求和能源存储数据，预测微网智能电网在未来时刻的风力状况、负荷需求和能源存储数据，提前调整微网智能电网的充放电策略和与电网的能量交换，实现风力发电的平稳输出和电网的平衡供电，通过实时监测电力设备和电网状态，及时发现故障信号和异常情况，结合故障模型库，自动进行故障诊断和判别；根据故障类型和位置，确定故障设备或部件，并进行相应的报警和通知；在出现故障或异常情况时，自动触发快速切换和调节机制，确保能源的平衡和稳定供应。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种风电场的微网智能电网集成系统的结构示意图；
图2是本发明一种风电场的微网智能电网集成系统的自回归差分移动平均模型构建流程图；
图3是本发明一种风电场的微网智能电网集成系统的自回归差分移动平均模型参数拟合流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，该集成系统包括数据监测采集模块、数据分析预测模块、能量协调调度模块、通信控制模块和故障检测调整模块；
所述数据监测采集模块安装传感器和监测设备，实时监测风力发电设备和储能装置的运行状态、性能参数和环境变量；所述数据分析预测模块通过建立模型和算法，预测未来的风力状况、负荷需求和能源存储情况；所述能量协调调度模块通过监测和预测的数据，进行风力发电设备和储能装置的能量协调调度；所述通信控制模块能够实现实时的数据传输和控制指令下发；所述故障检测调整模块用于及时发现风力发电设备和储能装置的故障或异常情况。
所述监测采集模块采集的数据包括风速、风向、发电功率、电池状态和负荷需求。
所述数据分析预测模块包括风力预测单元、负荷需求预测单元和储能需求预测单元；
所述能量协调调度模块在建立多种时间间隔自回归差分移动平均模型前提下，利用储能系统的特性，协调风力发电和主电网之间的能量交换，通过充放电策略，实现风力发电的平稳输出和电网的平衡供电；根据实时情况，调整风力发电机组的输出、电网的调度和储能系统的充放电策略。
所述故障检测调整模块实时监测电力设备和电网状态，获取关键设备的性能数据，检测故障信号和异常情况；利用故障检测系统的数据，结合故障模型库，自动进行故障诊断和判别；
故障行波本质上是一种非平稳的高频信号，小波变换具有表示信号在时域和频域中的局部特征的能力，因此非常适合分析故障行波信号并提取其特征；信号f(x)的连续小波变换写法如下：
其中ψa,b(x)是小基波函数是由母小波ψ(x)经位移和伸缩所产生的一族函数，它是一个连续函数，是ψa,b(x)的共轭复数；a是比例因子，b是平移因子；
假设每个尺度s处f(x)的小波系数为如果函数
对附近所有的x都满足xn在尺度s下，小波变换的模量最大值点为xn，小波变换的模量最大值为奇点检测理论表明，连续小波变换的模量最大值与信号的突变点之间存在一对一的对应关系；因此，使用测量线路电流的连续小波变换模量最大值来检测行波到达时间；此外，连续小波变换模量最大值的符号和绝对值分别表示输入信号的突变极性和强度；因此，将连续小波变换的模量最大值应用于所提出的故障定位方案；
定义下列比率：
其中Mij(P)和Mij(N)分别表示段ij的正线和负线的小波变换模量最大值；那么故障识别判据如下：
1-k<λi<1+k
λi>1+k
λi<1-k
其中k(0<k<1)表示可靠系数；如果满足上述第一条，则确定为双极性短路故障；如果满足上述第二条，则正极被标识为故障极；如果满足上述第三条，则负极被标识为故障极；
对于故障段确定；利用小波变换模量最大值构建以下故障段确定判据：
如果故障极被识别为正极，同时满足上述第一条，则确定段ij为故障段，否则验证段ij为非故障段；如果负极是故障极，同时满足上述第二条，则判断段ij为故障段，否则段ij为正常；对于双极性短路故障，选择段ij作为故障段只需要满足上述第一条；
确定了故障段后，即可进一步计算故障距离；假设段ij两端都配备了测量单元，这些单元具有同步收集信号的能力，其中传输线ij的长度为l千米，故障点在段ij中的x处，从故障点x到端子i和j的距离为l1千米和l2千米，测量单元可以测量终端i和j的首次行波到达时间，分别用t1和t2表示，故障距离的计算方法如下：
Δt＝t2-t1
其中v代表行波的传播速度，Δt是行波两端第一个到达行波的时间差；
在不失一般性的情况下，将金属正极接地断层设置为f，其中为68.1km，
其中l为227km，行波的传播速度为2.8425×108m/s，仿真检测得Δt为0.32ms，故障距离l1计算结果为68.02km，误差值为0.04％，该故障定位算法具有较高的精度；
根据故障类型和位置，确定故障设备或部件，并进行相应的报警和通知；在出现故障或异常情况时，自动触发快速切换至备用储能装置供电；以保证微网智能电网的稳定性。
如图2和3所示：是所述自回归差分移动平均模型构建流程图；
所述风力预测单元基于历史风速，建立自回归差分移动平均模型预测未来的风力状况，为风力发电设备的运行调度提供依据；所述负荷需求预测单元基于历史负荷数据，建立自回归差分移动平均模型预测未来的负荷需求趋势，以供智能电网系统进行能量调度和优化；所述储能需求预测单元基于历史的负荷数据和储能装置的充放电状态，建立自回归差分移动平均模型，预测未来的储能需求量，从而制定合理的储能设备控制策略。
所述自回归差分移动平均模型英文简称为所述自回归差分移动平均模型，所述自回归差分移动平均模型主要由三部分构成，分别为自回归模型(AR)、差分过程(I)和移动平均模型(MA)；用公式表示为：ARIMA(p,d,q)；
暂时不考虑差分，即假设d＝0，那么所述自回归差分移动平均模型被看作是AR模型和MA模型的直接结合，形式上看，所述自回归差分移动平均模型的公式表示为：
其中Yt为待分析的时间序列；是AR模型的参数，用来描述当前值与过去p个时间点值之间的关系；θi是MA模型的参数，用来描述当前值与过去q个时间点的误差之间的关系；∈t为在t时间点的误差项；c是常数项。
对于时间序列Yt，均值函数定义如下：μt＝E(Yt)，即μt是过程在t时刻的期望值，序列的方差定义如下：
Var(Yt)＝E((Yt-μt)2)
其中n代表序列的长度；根据序列的滞后阶数k来计算对应的序列自协方差，自协方差定义如下：
Cov(Yt,Yt-k)＝E((Yt-μt)(Yt-k-μt))
自相关函数ρ(k)表示为：
偏自相关函数ω(k)表示为：
在建立所述自回归差分移动平均模型的前，要将数据平稳化，对于校验原始数据的平稳性，本发明利用单位根校验的方式，若平稳性校验合格，进行下步白噪声检验，若平稳性校验不合格，需要对数据进行差分处理，差分处理能够减小或消除时间序列的趋势和季节性变化；
所述校验平稳性；首先展示自相关图，在Python中利用statsmodels库；校验时间序列平稳性，利用函数进行检测需要观测pvalue的数值，若数值大于等于0.05，即时间序列不平稳；若数值小于0.05，即时间序列平稳；
关于白噪声检验，利用函数进行检测，同样需要查看p值大小，若数值大于等于0.05，即时间序列为白噪声序列；若数值小于0.05，即时间序列为非白噪声序列；
所述差分处理为一组数值序列中相邻数据点的进行差计算，差分方程如下表示：
ΔdYt＝(1-B)dYt
其中(1-B)dYt表示Yt的d阶差分；B表示延迟算子；
首先对原始不平稳数据做一阶差分，用公式表示为：
ΔYt＝Yt-Yt-1
对一阶差分处理后的数据再次进行平稳性校验，若平稳性校验合格，进行下步白噪声检验，若平稳性校验不合格，需要对数据进行二阶差分处理，直至差分后数据变成平稳的时间序列；
显示自相关函数图和偏自相关函数图，查看函数拖尾或截尾情况；
在Python中，对平稳的时间序列进行BIC矩阵计算，查找到BIC矩阵计算之后矩阵中的最小数值，所述最小数值所对应的p和q，即为p和q的最优解，即获得最终的所述自回归差分移动平均模型；
数据分析预测模块的原始数据时间间隔选择多种，包括小时、天和月；根据回归差分移动平均模型预测所得，不同时间间隔时所得同一类型的发电功率存在差异，记PEDMax为储能装置最大放电功率；PECH、PECD和PECM分别为预测的储能需求每小时、每天和每月充电功率；PECMax为储能装置每小时最大充电功率；PWH、PWD和PWM分别为预测的风场每小时、每天和每月发电功率；PWMax为风场每小时最大发电功率，WLDH、WLDD和WLDM分别为预测的每小时、每天和每月负荷需求；
其中其中24和720为换算成天和月换算小时的折算系数；其中月按30天计算；
当PW×t+PEDM×t<WLD时，集成系统向主电网申请能量注入；当PW×t+PEDM×t≥WLD，且PW×t<WLD时，集成系统降低储能装置放电功率至匹配预测的负荷需求；当PW×t≥WLD时，集成系统开启储能装置充电模式；当PW×t≥WLD+PEC×t时，风力发电机组降低发电功率；当储能装置充电后，任有PW×t≥WLD+PECMax×t，若主电网需要能量注入，将多余的电传输给主电网；当PW≥PWMax时，风力发电机组先按照风场每小时最大发电功率发电，后续按照其他预测需求及时改变发电策略。
假设PEDMax为500KW，PECH为300KW，PECD为7224KW，PECM为219600KW，PECMax为350KW，PWH为5800KW，PWD为139440KW，PWM为4179600KW，PWMax为6000KW，WLDH为5000KW*h，WLDD为118800KW*h，WLDM为3672000KW*h；
由上述公式计算得PEC为302KW，PW为5805KW；WLD为5016.7KW*h；因此所述数据满足PW×t≥WLD，集成系统开启储能装置充电模式，又因为满足PW×t≥WLD+PEC×t，风力发电机组降低发电功率至5318.7KW即可，能够一定程度上延长发电机组的使用寿命。
所述故障模型库基于故障模型和专家知识的规则库，规则库包含与已知故障类型相关联的特征和规则，包括电压异常和电流偏高；所述故障模型基于历史数据、经验和学术研究进行构建，以反映不同故障类型的特征；所述故障诊断和判别利用采集到的数据提取合适的特征，包括电流、电压、频率、振动幅度和功率变化；所述特征提取对于原始时域信号进行基本的时域分析；
所述特征提取利用傅里叶变换技术；所述傅里叶变换需要先将采集到的时域振动信号转换到频域，傅里叶变换将时域信号分解成不同频率的正弦和余弦分量，可视化为频谱图；通过分析频谱图，提取相关的频域特征，频域特征包括峰值频率、频率范围、谐波含量和能量分布；所述峰值频率为信号中能量最高的频率分量；所述频率范围为信号功率集中的频率范围；所述谐波含量为判断信号中谐波分量的强弱；所述能量分布为不同频率区间内的能量分布情况；
对于提取到的频域特征，进行特征选择和降维的处理；本发明利用主成分分析。利用预先建立的规则库和故障模型，将特征与故障模型和规则进行匹配，以识别和判别存在的故障类型；本发明通过规则匹配方式实现；所述规则匹配将特征数据与规则库中的每一条规则进行逐条比较，寻找与之匹配的规则，当特征数据满足某条规则的条件时，该规则会被视为匹配成功，从而得到相应的故障或判定结果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (10)
1.一种风电场的微网智能电网集成系统，其特征在于：该集成系统包括数据监测采集模块、数据分析预测模块、能量协调调度模块、通信控制模块和故障检测调整模块；
所述数据监测采集模块安装传感器和监测设备，实时监测风力发电设备和储能装置的运行状态、性能参数和环境变量；所述数据分析预测模块通过建立模型和算法，预测未来的风力状况、负荷需求和能源存储情况；所述能量协调调度模块通过监测和预测的数据，进行风力发电设备和储能装置的能量协调调度；所述通信控制模块能够实现实时的数据传输和控制指令下发；所述故障检测调整模块用于及时发现风力发电设备和储能装置的故障或异常情况。
2.根据权利要求1所述的一种风电场的微网智能电网集成系统，其特征在于：所述监测采集模块采集的数据包括风速、风向、发电功率、电池状态和负荷需求。
3.根据权利要求1所述的一种风电场的微网智能电网集成系统，其特征在于：所述数据分析预测模块包括风力预测单元、负荷需求预测单元和储能需求预测单元；
所述风力预测单元基于历史风速，建立自回归差分移动平均模型，预测未来的风力状况；
所述负荷需求预测单元基于历史负荷数据，建立自回归差分移动平均模型，预测未来的负荷需求趋势；
所述储能需求预测单元基于历史的负荷数据和储能装置的充放电状态，建立自回归差分移动平均模型，预测未来的储能需求量。
4.根据权利要求3所述的一种风电场的微网智能电网集成系统，其特征在于：所述自回归差分移动平均模型由三部分构成，分别为自回归模型(AR)、差分过程(I)和移动平均模型(MA)；用公式表示为：ARIMA(p,d,q)；
暂时不考虑差分，那么所述自回归差分移动平均模型被看做是AR模型和MA模型的直接结合，形式上看，所述自回归差分移动平均模型的公式表示为：
其中Yt为待分析的时间序列；是AR模型的参数，用来描述当前值与过去p个时间点值之间的关系；θi是MA模型的参数，用来描述当前值与过去q个时间点的误差之间的关系；∈t为在t时间点的误差项；c是常数项。
5.根据权利要求1-4任意一项所述的一种风电场的微网智能电网集成系统，其特征在于：对于时间序列Yt，均值函数定义如下：μt＝E(Yt)，即μt是过程在t时刻的期望值，序列的方差：
Var(Yt)＝E((Yt-μt)2)
其中n代表序列的长度；根据序列的滞后阶数k来计算对应的序列自协方差，自协方差定义如下：
Cov(Yt,Yt-k)＝E((Yt-μt)(Yt-k-μt))
自相关函数ρ(k)表示为：
偏自相关函数ω(k)表示为：
在建立所述自回归差分移动平均模型的前，要将数据平稳化，对于校验原始数据的平稳性，本发明利用单位根校验的方式，若平稳性校验合格，进行下步白噪声检验，若平稳性校验不合格，需要对数据进行差分处理，差分处理能够减小或消除时间序列的趋势和季节性变化；所述差分处理为一组数值序列中相邻数据点的进行差计算，差分方程如下表示：
ΔdYt＝(1-B)dYt
其中(1-B)dYt表示Yt的d阶差分；B表示延迟算子；
首先对原始不平稳数据做一阶差分，用公式表示为：
ΔYt＝Yt-Yt-1
对一阶差分处理后的数据再次进行平稳性校验，若平稳性校验合格，进行下步白噪声检验，若平稳性校验不合格，需要对数据进行二阶差分处理，直至差分后数据变成平稳的时间序列；
用可视化技术显示自相关函数图和偏自相关函数图，查看函数拖尾或截尾情况；
对平稳的时间序列进行BIC矩阵计算，得到最小的p和q值，得到最终的所述自回归差分移动平均模型。
6.根据权利要求5所述的一种风电场的微网智能电网集成系统，其特征在于：数据分析预测模块的原始数据时间间隔选择多种，包括小时、天和月；根据回归差分移动平均模型预测所得，不同时间间隔时所得同一类型的发电功率存在差异，记PEDMax为储能装置最大放电功率；PECH、PECD和PECM分别为预测的储能需求每小时、每天和每月充电功率；PECMax为储能装置每小时最大充电功率；PWH、PWD和PWM分别为预测的风场每小时、每天和每月发电功率；PWHmax为风场每小时最大发电功率，WLDH、WLDD和WLDM分别为预测的每小时、每天和每月负荷需求；
其中其中月按30天计算；
当PW×t+PEDM×t<WLD时，集成系统向主电网申请能量注入；当PW×t+PEDM×t≥WLD，且PW×t<WLD时，集成系统降低储能装置放电功率至匹配预测的负荷需求；当PW×t≥WLD时，集成系统开启储能装置充电模式；当PW×t≥WLD+PEC×t时，风力发电机组降低发电功率；当储能装置充电后，任有PW×t≥WLD+PECMax×t，若主电网需要能量注入，将多余的电传输给主电网；当PW≥PWMax时，风力发电机组先按照风场每小时最大发电功率发电，后续按照其他预测需求及时改变发电策略。
7.根据权利要求1所述的一种风电场的微网智能电网集成系统，其特征在于：所述能量协调调度模块在建立多种时间间隔自回归差分移动平均模型前提下，利用储能系统的特性，协调风力发电和主电网之间的能量交换，通过充放电策略，实现风力发电的平稳输出和电网的平衡供电；根据实时情况，调整风力发电机组的输出、电网的调度和储能系统的充放电策略。
8.根据权利要求1所述的一种风电场的微网智能电网集成系统，其特征在于：所述故障检测调整模块实时监测电力设备和电网状态，获取关键设备的性能数据，检测故障信号和异常情况；利用故障检测系统的数据，结合故障模型库，自动进行故障诊断和判别；
故障行波本质上是一种非平稳的高频信号，小波变换具有表示信号在时域和频域中的局部特征的能力，因此非常适合分析故障行波信号并提取其特征；信号f(x)的连续小波变换写法如下：
其中ψa,b(x)是小基波函数是由母小波ψ(x)经位移和伸缩所产生的一族函数，它是一个连续函数，是ψa,b(x)的共轭复数；a是比例因子，b是平移因子；
假设每个尺度s处f(x)的小波系数为如果函数
对附近所有的x都满足xn在尺度s下，小波变换的模量最大值点为xn，小波变换的模量最大值为定义下列比率：
其中Mij(P)和Mij(N)分别表示段ij的正线和负线的小波变换模量最大值；那么故障识别判据如下：
1-k<λi<1+k
λi>1+k
λi<1-k
其中k(0<k<1)表示可靠系数；如果满足上述第一条，则确定为双极性短路故障；如果满足上述第二条，则正极被标识为故障极；如果满足上述第三条，则负极被标识为故障极；
对于故障段确定；利用小波变换模量最大值构建以下故障段确定判据：
如果故障极被识别为正极，同时满足上述第一条，则确定段ij为故障段，否则验证段ij为非故障段；如果负极是故障极，同时满足上述第二条，则判断段ij为故障段，否则段ij为正常；对于双极性短路故障，选择段ij作为故障段只需要满足上述第一条；
确定了故障段后，即可进一步计算故障距离；假设段ij两端都配备了测量单元，这些单元具有同步收集信号的能力，其中传输线ij的长度为l千米，故障点在段ij中的x处，从故障点x到端子i和j的距离为l1千米和l2千米，测量单元可以测量终端i和j的首次行波到达时间，分别用t1和t2表示，故障距离的计算方法如下：
Δt＝t2-t1
其中v代表行波的传播速度，Δt是行波两端第一个到达行波的时间差；
根据故障类型和位置，确定故障设备或部件，并进行相应的报警和通知；在出现故障或异常情况时，自动触发快速切换至备用储能装置供电。
9.根据权利要求8所述的一种风电场的微网智能电网集成系统，其特征在于：所述故障模型库基于故障模型和专家知识的规则库，规则库包含与已知故障类型相关联的特征和规则，包括电压异常和电流偏高；
所述故障诊断和判别利用采集到的数据提取合适的特征，包括电流、电压、频率、振动幅度和功率变化；所述特征提取对于原始时域信号进行基本的时域分析；
所述特征提取利用傅里叶变换技术；所述傅里叶变换需要先将采集到的时域振动信号转换到频域，傅里叶变换将时域信号分解成不同频率的正弦和余弦分量，可视化为频谱图；
通过分析频谱图，提取相关的频域特征，频域特征包括峰值频率、频率范围、谐波含量和能量分布；所述峰值频率为信号中能量最高的频率分量；所述频率范围为信号功率集中的频率范围；所述谐波含量为判断信号中谐波分量的强弱；所述能量分布为不同频率区间内的能量分布情况。
10.根据权利要求8所述的一种风电场的微网智能电网集成系统，其特征在于：利用预先建立的规则库和故障模型，将本次故障特征与故障模型库中的数据进行比较，以识别和判别存在的故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001241.1A CN117811210A (zh) | 2024-01-02 | 2024-01-02 | 一种风电场的微网智能电网集成系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001241.1A CN117811210A (zh) | 2024-01-02 | 2024-01-02 | 一种风电场的微网智能电网集成系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117811210A true CN117811210A (zh) | 2024-04-02 |
Family
ID=90421832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410001241.1A Pending CN117811210A (zh) | 2024-01-02 | 2024-01-02 | 一种风电场的微网智能电网集成系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117811210A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118281908A (zh) * | 2024-06-04 | 2024-07-02 | 江苏航运职业技术学院 | 一种风电-储能系统调频协同控制方法及系统 |
| CN118336733A (zh) * | 2024-04-08 | 2024-07-12 | 浙江大学 | 一种基于极端灾害天气的电网预警和调度方法及系统 |
-
2024
- 2024-01-02 CN CN202410001241.1A patent/CN117811210A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118336733A (zh) * | 2024-04-08 | 2024-07-12 | 浙江大学 | 一种基于极端灾害天气的电网预警和调度方法及系统 |
| CN118281908A (zh) * | 2024-06-04 | 2024-07-02 | 江苏航运职业技术学院 | 一种风电-储能系统调频协同控制方法及系统 |
| CN118281908B (zh) * | 2024-06-04 | 2024-08-23 | 江苏航运职业技术学院 | 一种风电-储能系统调频协同控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
| CN117811210A (zh) | 一种风电场的微网智能电网集成系统 | |
| US9142968B2 (en) | Systems and methods for islanding detection | |
| Bakdi et al. | Nonparametric Kullback-divergence-PCA for intelligent mismatch detection and power quality monitoring in grid-connected rooftop PV | |
| CN106655160A (zh) | 一种非侵入式电力负荷分解的辨识决策方法及系统 | |
| Farooq et al. | Frequency event detection and mitigation in power systems: A systematic literature review | |
| Bu et al. | Stability and dynamics of active distribution networks (ADNs) with D-PMU technology: A review | |
| Fatama et al. | A multi feature based islanding classification technique for distributed generation systems | |
| CN115514100A (zh) | 一种基于多元储能和控制的混合储能系统 | |
| CN116865368A (zh) | 一种基于负载启动发电机的船舶功率管理方法与系统 | |
| CN117200241B (zh) | 一种新能源并网智能调压系统 | |
| CN117491845A (zh) | 用于多路直流负载设备的精准直流分路计量方法 | |
| Lamia et al. | Integration of Renewable Energies into the Smart Grid Electricity network | |
| CN111880121B (zh) | 一种基于运行扰动数据分析的低压台区拓扑系统及拓扑识别方法 | |
| CN110277834B (zh) | 一种电网响应建筑内部负荷监控方法、系统及存储介质 | |
| Dutta et al. | A Net Energy Meter-Based Approach for Islanding Detection in Modern Distribution Systems | |
| You et al. | Build Smart Grids on Artificial Intelligence–A Real-world Example | |
| CN117272633B (zh) | 基于变电站的数字孪生辅助控制方法、设备以及存储介质 | |
| CN113408892B (zh) | 一种保障多能互补微网分层协同调控系统及其调控方法 | |
| CN118589658B (zh) | 一种移动式储能电源控制系统 | |
| CN118300146B (zh) | 一种基于海上储能系统的电力调度方法及系统 | |
| Shi et al. | Research on low voltage distribution network topology generation method based on “transformer-distribution box-meter box-meter” model | |
| Streubel et al. | TRANSIENT CLUSTERING APROACH FOR PQ MONITORING | |
| CN118646076A (zh) | 采用pmu信号的低惯性微电网控制系统及方法 | |
| Ma et al. | A real-time data quality analysis method and application for power systems based on balance calculation |
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 |