CN201868898U - 一种风电并网系统电压稳定预测装置 - Google Patents

Abstract

一种含风电系统电压稳定预测装置，属于风力发电技术领域。该装置包括：传感器、数据采集芯片、中央处理器、工控机和无线通讯模块。本实用新型的优点：避免了传统方法建立模型和选取参数时造成的误差，并且具有输入量提取简单，精确高，准确度好，预测效率高的特点。

Description

一种风电并网系统电压稳定预测装置

技术领域

本实用新型属于风力发电技术领域，特别涉及一种含风电系统电压稳定预测装置。

背景技术

近些年来，风力发电以其无污染、成本低等优点吸引了越来越多研究者的关注，2006年我国新增装机容量约达到1000MW，由于目前风力发电机组多数是异步发电机组，输出有功的同时还要从系统吸收一定的无功，易引起并网点的电压波动，所以风电场并网运行中普遍存在电压稳定的问题。电压不稳定或电压崩溃会引起电力系统局部负荷丧失，甚至会导致全网瓦解而造成大面积停电，从而给电力系统的安全运行带来巨大危害，而随着风电场容量越来越大，其对电力系统的影响也越来越大，因此研究风电场电压稳定预测具有极其重要的实际意义。

传统方法对于风电并网系统电压的预测与分析，都是先建立电网模型，再进行电压稳定预测，所以预测结果的准确性很大程度上取决于系统模型和参数的选择，由于分析时难以找到一种算法简单，精度高，预测时间长的模型，以往的方法都有比较大的误差，不能准确地进行电压稳定预测。

发明内容

为了克服已有技术的不足，本实用新型目的是提供一种风电场风机组电压稳定预测装置。

本实用新型电压稳定预测装置包括：传感器、数据采集芯片、中央处理器、工控机和无线通讯模块。预测装置各部件连接：传感器的输出端连接数据采集芯片的输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的输出端连接工控机和无线通信模块的输入端。

风电并网系统电压稳定预测装置所采用的预测方法，其特征在于，利用对混沌系统提取时间序列进行预测，主要包括如下步骤：

步骤1、采用风电并网系统电压稳定预测装置采集风电场并网点的电压、电流、相角以及风场输出的有功功率和无功功率作为输入量；

步骤2、将步骤1中采集的电网数据按采集时刻排列为时间序列，对时间序列进行相空间重构，重构出风电电压稳定非线性系统的相空间；

将风电场并网点的电压、电流、相角以及风场输出的有功作为输入量；设采集的系统时间序列为X＝{x₁，x₂，...，x_N}，N为自然数；适当选择延迟时间和嵌入维数，可重构原系统相空间为：

$\left\{\begin{array}{c}{X}_1=(x_1,x_{1+\mathrm{\τ}},...,x_{1+(m-1)\mathrm{\τ}})\\ X_2=(x_2,x_{2+\mathrm{\τ}},...,x_{2+(m-1)\mathrm{\τ}})\\ ...\\ X_i=(x_i,x_{i+\mathrm{\τ}},...,x_{i+(m-1)\mathrm{\τ}})\end{array}\right.---\left(1\right)$

其中，τ为时间延迟，m为嵌入维数，相点总数n＝N-(m-1)τ，X_i为重构相空间中相点，i＝1，2，…，n。

步骤3、对步骤2中重构的电压稳定相空间进行混沌特性的确定性检验；

对于系统时间序列X＝{x₁，x₂，…，x_N}，以嵌入维数为m，延迟时间为τ进行相空间重构，有：

Y(t_i)＝(x(t_i)，x(t_i+τ)，…，x(t_i+(m-1)τ)，(i＝1，2，…，n)    (2)

其中，n＝N-(m-1)τ。

Rosenstein改进算法的原理如图8所示。

取重构的系统相空间中的相点Y(t₁)，设重构相空间中Y(t₁)的最邻近点为Y₁(t₁)，Y(t₁)与Y₁(t₁)之间的距离为：

d₁(0)＝||Y(t₁)-Y₁(t₁)||    (3)

式中，||·||为欧氏距离。

对重构的系统相空间中每一对最邻近点，计算k个离散时间后的距离d_i(k)：

d_i(k)＝||Y(t_i)-Y_i(t_k)||    (4)

其中k＝1，2，…，n，n＝N-(m-1)τ。

求各个d_i(k)≠0的对数1n(d_i(k))，对每个k值，定义下式：

$y\left(k\right)=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\ln \left(\mathrm{di}\left(k\right)\right)---\left(5\right)$

为：基于第i个相点的，第k个离散时间的距离平均值。式中M是对应于某一k值的非零的di(k)个数。

以k与y(k)为坐标，绘制y(k)的变化曲线，计算y(k)曲线的回归直线斜率。

该斜率值K即为最大Lyapunov指数λ₁。

步骤4、对重构相空间中相点变化轨迹的预测模型及模型参数进行确定，得到模型参数c和ε值及核函数参数γ值；

步骤1)、建立样本集，选择出支持向量样本；

在一个系统相空间相点构成的样本集S＝{(x_i，y_i)，i＝1，2，...M}中，通过求解二次规划和优化问题，寻找任意输入x_i∈Rⁿ与其对应的输出y_i∈R之间的映射函数g(x)，即寻找可表示y与x之间相互依赖关系的y＝g(x)，令

即可以通过x_i与y_i的对应关系

由x_i+1计算或预测出相点所代表的非线性系统的下一输出y_i+1。

设系统相空间相点构成的样本集为：S＝{(x_i，y_i)，i＝1，2，...M}。若存在一个超平面g(x)＝<w·x>+b，w∈Rⁿ，b∈R，使得：

|y_i-g(x_i)|≤ε，i＝1，2，...，M。

成立，则样本集S＝{(x_i，y_i)，i＝1，2，...M}为ε近似集。S的点(x_i，y_i)到超平面g(x)的距离为：

$d_i=\frac{|<w\&CenterDot;x>+b-y_i|}{\sqrt{1+{\left|\right|w\left|\right|}^2}}---\left(6\right)$

因为集合S＝{(x_i，y_i)，i＝1，2，...M}为ε近似集，有：

|<w·x>+b-y_i|≤ε    (7)

则：

$\frac{|<w\&CenterDot;x>+b-y_i|}{\sqrt{1+{\left|\right|w\left|\right|}^2}}\&le;\frac{\mathrm{\&epsiv;}}{\sqrt{1+{\left|\right|w\left|\right|}^2}},i=\mathrm{1,2},...,M---\left(8\right)$

由上式可得：

$d_i\&le;\frac{\mathrm{\&epsiv;}}{\sqrt{1+{\left|\right|w\left|\right|}^2}},i=\mathrm{1,2},...,M---\left(9\right)$

即集合S中的点到超平面的距离最大值为

则，集合S中的样本中，所有与g(x)之间距离小于

的样本，即为可用于建立相空间中相点轨迹预测模型建模的样本。

步骤2)、确定目标函数，获取重构相空间中相点轨迹的非线性映射

的回归函数g(x)，g(x)即为

在支持向量条件下的解；

通过最大化S中的点到超平面距离的上界可得到集合S的最优近似超平面。则最优近似超平面可通过最大化式(9)得到，因此求解||w||²的最小化问题即可得到集合S的最优近似超平面。此时，系统相空间上的支持向量回归问题可转化为||w||²的优化问题：

$\left\{\begin{array}{c}\min \frac{1}{2}{\left|\right|w\left|\right|}^2\\ s.t.|<w\&CenterDot;x_i>+b-y_i|\&le;\mathrm{\&epsiv;},i=\mathrm{1,2},...,M\end{array}\right.---\left(10\right)$

式(10)为二次规划问题，其Lagrange函数为：

$\left\{\begin{array}{c}L(w,b,\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*})=\frac{1}{2}{\left|\right|w\left|\right|}^2-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i(\mathrm{\&epsiv;}-y_i+<w\&CenterDot;x_i>+b)-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}(\mathrm{\&epsiv;}+y_i-<w\&CenterDot;x_i>-b)\\ {\mathrm{\&alpha;}}_i\&GreaterEqual;0,{\mathrm{\&alpha;}}_i^{*}\&GreaterEqual;0,i=\mathrm{1,2},...,M\end{array}\right.---\left(11\right)$

式(11)的Lagrange对偶问题为：

$\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\max }\left(\underset{w,b}{\min }L(w,b,\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*})\right)$

根据卡洛斯-库恩-塔克条件(Karush-Kuhn-Tucker Condition)：

$\frac{\&PartialD;L}{\&PartialD;w}=0;$ $\frac{\&PartialD;L}{\&PartialD;b}=0$

有：

$\left\{\begin{array}{c}w=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})x_i\\ \underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})x_i=0\end{array}\right.---\left(12\right)$

由式(11)与(12)可得(13)优化问题的对偶问题为：

$\left\{\begin{array}{c}\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)({\mathrm{\&alpha;}}_j^{*}-{\mathrm{\&alpha;}}_j)<x_i\&CenterDot;x_j>+\mathrm{\&epsiv;}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{y}_i({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)\\ s.t.\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)=0,{\mathrm{\&alpha;}}_i\&GreaterEqual;0,{\mathrm{\&alpha;}}_i^{*}\&GreaterEqual;0,i=\mathrm{1,2},...,M\end{array}\right.---\left(13\right)$

求解对偶问题(13)，即可得到系统相空间中相点轨迹的非线性映射

的回归函数g(x)。由于电力系统是非线性系统，对偶问题(13)没有可行解，必须用一个非线性映射φ把系统相空间中的相点x_i映射到一个高维空间，然后在高维空间进行线性回归。同样由于优化过程中涉及到高维空间中的内积运算，为避免内积运算，用核函数Φ(x_i，x_j)代替内积<φ(x_i)·φ(x_j)>来实现系统相空间中非线性回归。当系统时间序列重构相空间中的相点组成的样本集：x_i∈Rⁿ，φ(x_i)∈R^m，y_i∈{-1，+1}，就是在高维特征空间中构造相点样本集{(φ(x_i)，y_i)，i＝1，2，...，M}的最优分类面：

g(x)＝<w·φ(x)>+b＝0

此时，求非线性回归函数的问题转化为求解以下优化问题：

$\left\{\begin{array}{c}\min \frac{1}{2}{\left|\right|w\left|\right|}^2\\ |<w\&CenterDot;\mathrm{\&phi;}\left(x_i\right)>+b-y_i|<\mathrm{\&epsiv;},i=\mathrm{1,2},...,M\end{array}\right.---\left(14\right)$

优化(14)的Lagrange对偶问题为：

$\left\{\begin{array}{c}\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)({\mathrm{\&alpha;}}_j^{*}-{\mathrm{\&alpha;}}_j)\mathrm{\&Phi;}(x_i,x_j)+\mathrm{\&epsiv;}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{y}_i({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)\\ s.t.\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)=0,{\mathrm{\&alpha;}}_i\&GreaterEqual;0,{\mathrm{\&alpha;}}_i^{*}\&GreaterEqual;0,i=\mathrm{1,2},...,M\end{array}\right.---\left(15\right)$

在进行系统相空间中非线性映射函数逼近时，由于求得的回归函数与实际函数之间不可避免的存在误差，因此引入松弛变量：

ξ_i≥0 ${\mathrm{\&xi;}}_i^{*}\&GreaterEqual;0,$ i＝1，2，...，M

此时的优化问题为：

$\left\{\begin{array}{c}\min \frac{1}{2}{\left|\right|w\left|\right|}^2+c\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&xi;}}_i+{\mathrm{\&xi;}}_i^{*})\\ s.t.<w\&CenterDot;\mathrm{\&phi;}\left(x_i\right)>+b-y_i\&le;{\mathrm{\&xi;}}_i^{*}+\mathrm{\&epsiv;},i=\mathrm{1,2},...,M\\ y_i-<w\&CenterDot;\mathrm{\&phi;}\left(x_i\right)>-b\&le;{\mathrm{\&xi;}}_i+\mathrm{\&epsiv;},i=\mathrm{1,2},...,M\\ {\mathrm{\&xi;}}_i\&GreaterEqual;0,{\mathrm{\&xi;}}_i^{*}\&GreaterEqual;0,i=\mathrm{1,2},...,M\end{array}\right.---\left(16\right)$

优化问题(16)的Lagrange函数为：

$\left\{\begin{array}{c}L(w,b,\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*})=\frac{1}{2}{\left|\right|w\left|\right|}^2+c\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&xi;}}_i+{\mathrm{\&xi;}}_i^{*})-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i({\mathrm{\&xi;}}_i+\mathrm{\&epsiv;}-y_i+<w\&CenterDot;\mathrm{\&phi;}\left(x_i\right)>+b)\\ -\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}({\mathrm{\&xi;}}_i^{*}+\mathrm{\&epsiv;}+y_i-<w\&CenterDot;\mathrm{\&phi;}\left(x_i\right)>-b)-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}_i({\mathrm{\&xi;}}_i+{\mathrm{\&xi;}}_i^{*})\\ {\mathrm{\&alpha;}}_i\&GreaterEqual;0,{\mathrm{\&alpha;}}_i^{*}\&GreaterEqual;0,i=\mathrm{1,2},...,M\end{array}\right.---\left(17\right)$

Lagrange函数(17)满足：

$\left\{\begin{array}{c}\frac{\&PartialD;L}{\&PartialD;w}=0,\frac{\&PartialD;L}{\&PartialD;b}=0\\ \frac{\&PartialD;L}{\&PartialD;{\mathrm{\&xi;}}_i}=0,\frac{\&PartialD;L}{\&PartialD;{\mathrm{\&xi;}}_i^{*}}=0\end{array}\right.$

因此有：

$\left\{\begin{array}{c}w=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})x_i,\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{\mathrm{\&alpha;}}_i^{*})=0\\ c={\mathrm{\&alpha;}}_i-{\mathrm{\&eta;}}_i=0,c-{\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&eta;}}_i^{*}=0,i=\mathrm{1,2},...,M\end{array}\right.---\left(18\right)$

由式(17)和式(18)可得Lagrange对偶问题为：

$\left\{\begin{array}{c}\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)({\mathrm{\&alpha;}}_j^{*}-{\mathrm{\&alpha;}}_j)\mathrm{\&Phi;}(x_i,x_j)+\mathrm{\&epsiv;}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{y}_i({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)\\ s.t.\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)=0,{\mathrm{\&alpha;}}_i\&GreaterEqual;c,{\mathrm{\&alpha;}}_i^{*}\&GreaterEqual;0,i=\mathrm{1,2},...,M\end{array}\right.---\left(19\right)$

求解式(19)即可得系统相空间中非线性映射的回归函数g(x)，通过g(x)得到

步骤3)、建立核函数参数模型，并调整模型参数c和ε值及核函数参数γ值；

本文采用高斯核函数： $\mathrm{\&Phi;}(x,y)=e^{-\frac{\left|\right|x-y\left|\right|}{y}};$

在解出了

后，系统时间序列的预测就变为根据非线性映射

利用重构的系统相空间中的已知相点，计算系统下一时刻的运动轨迹的问题。并根据系统相空间中有限的相点拟合出尽可能接近非线性映射f的映射

支持向量机算法求解

是利用一非线性映射φ(x_i)，将系统相空间中的相点映射到高维特征空间中，使相点之间的非线性映射关系

在高维特征空间中，相点内积<x_i·x_j>的计算转化为计算非线性映射函数的内积<φ(x_i)·φ(x_j)>。而非线性映射内积<φ(x_i)·φ(x_j)>又可用核函数代替，即设：

<φ(x_i)·φ(x_j)>＝Φ(x_i，x_j)

其中，核函数Φ(x_i，x_j)满足Mercer条件。

影响支持向量机非线性拟合模型性能的参数主要有容许误差ε、惩罚因子c。

参数ε表明了对回归函数g(x)在电压稳定系统相空间上相点预测误差的期望，使支持向量机的解具有稀疏性，增强其泛化能力。当参数ε不为零时，支持向量的数目可小于全部相空间相点的数目，可以用支持向量来代表全部相点进行计算。在其它参数一定时，随着ε的增大，支持向量机模型的计算复杂度也减小，模型的训练误差增大。参数ε值过小时，支持向量的数量也将迅速减少，导致支持向量无法充分反映风电电压稳定系统相空间中蕴含的信息，致使拟合函数g的精度下降。

惩罚因子c的作用是调节支持向量机模型置信范围和经验风险的比例，使其具有良好的推广性能。不同风电电压稳定采集的时间序列重构的相空间上的c不同，在确定的风电电压稳定系统相空间中，c的取值越小表示对经验误差的修正越小，支持向量机的复杂度小，误差风险值较大。当支持向量机模型的其它参数确定后，在c较小时，预测效果很差，随着c增大，预测精度提高。

本实用新型中支持向量机求解算法采用高斯核函数：

$\mathrm{\&Phi;}(x,y)=e^{-\frac{\left|\right|x-y\left|\right|}{y}}$

为使系统相空间上的支持向量机方法能够在相空间相点数量很小的情况下达到较好的非线性逼近效果，构造准确的支持向量回归模型至关重要，而支持向量回归模型构造的本质是选取和优化核函数及模型的其它参数。采用交叉检验法进行支持向量机模型参数的选择。

交叉检验法具体方法为：

①给定惩罚因子c值和核函数参数γ值，使ε值在一定范围内变化，取预测精度最好时的容许误差ε值为支持向量机模型的ε参数；

②根据给定的ε值和γ和，使c值在一定范围内变化，取预测精度最好时的c值为支持向量机模型的c参数；

③最后在给定ε值和c值后，使γ在一定范围内变化以根据模型的预测精度确定支持向量机模型的γ参数。

步骤5、对电网电压稳定性预测结果分析；

采集一段系统时间序列，同时将同一时间段的采集参数如：电压、电流、相角、风机输出有功和无功等测量数据进行标准化数据处理，构成一个六维的系统多变量时间序列。以延迟时间τ和嵌入维数m对多变量时间序列进行相空间重构。在重构的系统相空间中，以相空间中的所有相点构成系统时间序列支持向量机模型的训练样本，建立支持向量机模型，对系统时间序列全局预测模型中的非线性映射

进行拟合。

相空间中全部相点构成的训练样本为：

$\left\{\begin{array}{c}{V}_n=(x_{1,n},x_{1,n-{\mathrm{\&tau;}}_1},...,x_{1,n-(m1-1){\mathrm{\&tau;}}_1},...,x_{M,n},x_{M,n-{\mathrm{\&tau;}}_M},...,x_{M,n-(m_M-1){\mathrm{\&tau;}}_M})\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ V_i=(x_{1,i},x_{1,i-{\mathrm{\&tau;}}_1},...,x_{1,i-(m1-1){\mathrm{\&tau;}}_1},...,x_{M,i},x_{M,i-{\mathrm{\&tau;}}_M},...,x_{M,i-(m_M-1){\mathrm{\&tau;}}_M})\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ V_N=(x_{1,N},x_{1,N-{\mathrm{\&tau;}}_1},...,x_{1,N-(m1-1){\mathrm{\&tau;}}_1},...,x_{M,N},x_{M,N-{\mathrm{\&tau;}}_M},...,x_{M,N-(m_M-1){\mathrm{\&tau;}}_M})\end{array}\right.---\left(20\right)$

其中相点总数为N＝6(n-(m-1)τ)。从这些样本中选出支持向量样本，拟合支持向量样本对应的曲线函数g(x)，将g(x)看做相空间中相点轨迹

和电压稳定系统轨迹f的拟合函数，计算g(x)在未来某一时刻的值，即可解得风电电压稳定的值，即可实现对电压稳定的预测。

根据系统时间序列重构相空间相点(20)构成的支持向量机模型训练样本集容量及电网非线性系统特性，应用交叉检验法，选择支持向量机模型核函数及模型各参数：核函数选择高斯核函数；核函数参数γ；惩罚c；不敏感损失函数参数ε。

本实用新型的优点：本实用新型风电场风机组电压稳定预测装置及方法，提出了利用直接测量风机组电压、电压相角及无功功率和有功功率，使用混沌时间序列算法支持预测模型，并最终利用传感器、数据采集芯片、中央处理器、工控机和无线通讯模块实现风电并网系统电压的监测。这种方法避免了传统方法建立模型和选取参数时造成的误差，并且具有输入量提取简单，精确高，准确度好，预测效率高的特点。

附图说明：

图1本实用新型风电机组电压稳定预测装置结构总图；

图2本实用新型风电机组电压稳定预测硬件实现框图；

图3本实用新型风电机组电压稳定预测终端的数据采集与传输电路图；

图4本实用新型风电机组电压稳定预测方法流程图；

图5本实用新型建立混沌时间序列预测模型方法流程图；

图6本实用新型预测电压曲线与实际电压曲线图；

图7本实用新型得到模型参数c和ε值及核函数参数γ值流程图；

图8本实用新型Rosenstein法原理图；

图9本实用新型系统相空间支持向量机模型示意图；

具体实施方式：

本实用新型是一种风电场风机电压稳定预测装置结合实例和附图加以说明；

该风电场风机组电压稳定预测使用的装置包括有传感器、数据采集芯片、中央处理器、工控机和无线通讯模块；其中传感器上的电压互感器和电流互感器分别选用JDG4-0.51000/100型号和LZJC-10Q 1000/5型号，无线网络通信模块采用H7000系列无线通信系统，工控机采用UNO-3072系列Pentium M/Celeron M嵌入式工控机，中央处理器采用DSP芯片，DSP芯片为TMS320F2812A系列数字信号处理器，时钟频率是150MHz，机器周期为6.67ns，接口电源为3.3V，内核电源为1.8V；数据采集芯片采用ADS7825，4通道16位数据采集芯片进行采样和模数转换，由±5V供电，数据采样和转换时间不超过25us；这里的数据线低八位D0-D7和高八位D8-D15分两次把转换后的16位数据送入DSP的XD0-XD7，SHT11为智能化温度/湿度传感器，GND：接地端；DATA：双向串行数据线；SCK：串行时钟输入；VDD电源端；其它空管脚，温度值输出的分辨率为12位，湿度值输出为14位，如图1、图2和图3所示；

该装置各部件的连接：温度传感器和湿度传感器的输出端连接DSP的输入端BDX和BDR，电压传感器、电压相角传感器及无功功率传感器和有功功率传感器输出端连接数据采集芯片ADS7825的AIN0到AIN3端，数据采集芯片ADS7825的输出端BYTE、

连接DSP的输入端

XA0、

DSP的输出端连接工控机和无线通信模块的输入端；风电场风机的电气信息和机械信息经由相应的互感器或传感器由采样芯片进行同步采样、保持、A/D转换成数字信号，送入DSP进行分类的计算和数据处理，通过通信接口与工控机相连并送到无线通信模块，为与远方调度通讯做好准备；

利用上述风电场风机组电压稳定预测装置进行预测的方法，包括如下步骤：

步骤1、采集风电场的风电机组并网点电压、电压相角及无功功率和有功作为输入量；即维数为4，采集样本值见表1，过程如图4所示。

表1

采集样本	采样值
		风电机组电压	759(伏)
风电机组电压相角	22(度)
		风电机组无功功率	-29(兆乏)
风电机组有功功率	46(兆瓦)

步骤2、将采集的模拟信号转化为数字信号并生成时间序列，进行电压稳定系统的相空间重构；

重构的系统相空间形式为：

$\left\{\begin{array}{c}{X}_1=(x_1,x_{1+\mathrm{\&tau;}},...,x_{1+(m-1)\mathrm{\&tau;}})\\ X_2=(x_2,x_{2+\mathrm{\&tau;}},...,x_{2+(m-1)\mathrm{\&tau;}})\\ ...\\ X_i=(x_i,x_{i+\mathrm{\&tau;}},...,x_{i+(m-1)\mathrm{\&tau;}})\end{array}\right.$

其中，τ为延迟时间，m为嵌入维数；

步骤3、对步骤2中重构的电压稳定相空间进行混沌特性的确定性检验；

采用Rosenstein改进算法，计算得到最大Lyapunov指数λ₁＞0，则可用非线性支持向量机算法进行求解；

步骤4、确定由时间序列重构的相空间中的电压稳定变化曲线预测模型，获取核函数参数γ值；步骤如下：如图5所示，

1).建立系统相空间相点构成的样本集：S＝{(x_i，y_i)，i＝1，2，...M}，x_i∈Rⁿ为任意输入、y_i∈R为x_i对应的输出；

2).建立目标函数：

$\left\{\begin{array}{c}\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)({\mathrm{\&alpha;}}_j^{*}-{\mathrm{\&alpha;}}_j)\mathrm{\&Phi;}(x_i,x_j)+\mathrm{\&epsiv;}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{y}_i({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)\\ s.t.\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)=0,{\mathrm{\&alpha;}}_i\&GreaterEqual;c,{\mathrm{\&alpha;}}_i^{*}\&GreaterEqual;0,i=\mathrm{1,2},...,M\end{array}\right.$

其中，s.t.为约束条件，M为自然数。c为惩罚系数因子，ε为容许误差；

则只要从中求出Φ(x_i，x_j)，得到回归函数g(x)＝<w·φ(x)>+b＝0，即可完成对电压稳定变化曲线的预测；

3).求核函数：根据交叉检验法求解核函数的参数，确定核函数；

核函数模型为：

$\mathrm{\&Phi;}(x,y)=e^{-\frac{\left|\right|x-y\left|\right|}{y}}$

由交叉检验法得到核函数参数γ＝0.3；惩罚c＝70；不敏感损失函数参数ε＝0.22；

步骤5、以g(x)＝<w·φ(x)>+b＝0作为电压稳定预测函数，以采集量生成的时间序列为输入，计算得到电网电压稳定性预测结果；

预测某风场的日24小时电压稳定为例。由图6可知预测电压稳定指数与实际电压稳定指数曲线，预测误差在±8％以内。

Claims (1)

1.一种风电场风机组电压稳定预测装置，其特征在于：该装置包括传感器、数据采集芯片、中央处理器、工控机和无线通讯模块；其中传感器的输出端连接数据采集芯片的输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的输出端连接工控机和无线通信模块的输入端。

Images