法律状态公告日
法律状态信息
法律状态
2019-01-18
授权
授权
2017-06-09
实质审查的生效 IPC(主分类):H02J3/38 申请日:20161121
实质审查的生效
2017-05-17
公开
公开
技术领域
本发明涉及风电场等值方法研究领域,具体地,涉及一种考虑风电预测不确定性的风电场动态等值方法。
背景技术
大规模风电接入给电网运行的诸多方面带来挑战,针对风电并网系统的动态特性进行研究能够帮助电网运行人员开展风险预估与科学决策,进而提高风电的渗透率。在大型风电场并网仿真中,如果对每台风电机组进行建模,不仅工作量浩大,而且会影响计算的速度、精度和收敛性,因此,有必要在保证风电场输出精度的前提下研究其动态等值模型。在现有的研究中,主要的风电场动态等值方法有单机等值法、半等值法和多机等值法等。单机等值法是指将风电场内所有风电机组等值为1台机;半等值法是指保留各台风机的风力机部分,将其发电机模型等值为1台机;多机等值法是指将风电机组按照运行点等值成多台机。其中,多机等值法因其精度高、易操作的优点被广泛采用。
多机等值首先将风电场内风电机组依据运行特性分为多个群,然后对各群内的风电机组进行单机等值。风电机组分群时需选择可反映其运行状态的指标,风速,风机转子转速,风电机组状态变量,风电机组运行控制区域,风电机组风速、转速、定子电压、q轴定子电流和有功功率,风速、转速和桨距角综合指标等已经被提出作为风电机组分群指标。然而,当前的风电场动态等值研究均基于确定性数据,认为风电机组分群所采用的数据为准确数据,即不存在误差。然而在电力系统调度的预警计算中,风电场多机等值模型的分群数据将来源于风电功率预测数据,其误差不可避免且具有随机性。在风电预测准确的场景下,采用基于确定性数据的传统多机等值模型会有较高的准确度;然而,风电预测的大多数情景是不准确的,若此时风电场仍采用基于确定性数据分群的多机等值方法,则会给仿真计算带来较大误差。
综上所述,本申请发明人在实现本申请发明技术方案的过程中,发现上述技术至少存在如下技术问题:
在现有技术中,由于风电预测的大多数情景是不准确的,若此时风电场仍采用基于确定性数据分群的多机等值方法,则会给仿真计算带来较大误差,因此现有的风电场等值方法存在准确性较差,导致仿真计算误差较大的技术问题。
发明内容
本发明提供了一种考虑风电预测不确定性的风电场动态等值方法,解决了现有的风电场等值方法存在准确性较差,导致仿真计算误差较大的技术问题,实现了在风电功率预测出现误差的场景下具有较好的准确性,在考虑风电预测不确定性的情况下,可以更好服务于电力系统调度的预警计算的技术效果。
为解决上述技术问题,本申请提供了一种考虑风电预测不确定性的风电场动态等值方法,其改进之处在于,所述方法是基于风电预测不确定性分群的,包括下述步骤:
A、确定风电预测中风速和功率误差的概率分布及其参数,利用求逆法进行多场景抽样,得到服从风电机组预测误差概率分布的样本;
B、建立以风速误差与功率误差为坐标的二维统计网格,统计每台风机在统计网格内的样本频率;
C、基于改进KL距离,即改进的KL散度(Kullback-Leibler Divergence),KL散度也叫作相对熵(Relative Entropy),利用k-means(k-均值)聚类算法进行风机分群;Kullback-Leibler为英文人名,国内统称为KL散度,
D、对各个群内风电机组参数及网络参数进行单机等值。
进一步地,所述步骤A包括以下步骤:
A1、根据先验知识或者历史预测误差数据,确定每台风机风电预测中风速误差Δvw和功率误差ΔPw的累积分布函数F(Δvw)、F(ΔPw);
A2、针对每台风机生成Ns个(0,1)之间的随机数c,即概率,其中,同一台风机的风速和功率样本的随机数c相同;
A3、求解方程F(Δvw)=c、F(ΔPw)=c,每台风机可以得到Ns组包含风速误差Δvw和功率误差ΔPw的二维数组,也即每一组二维数组中,包含由同一个随机数c计算得到的风速误差Δvw和功率误差ΔPw。
进一步地,所述步骤B包括下述步骤:
B1、针对风速误差Δvw和功率误差ΔPw,合理地将其变化范围平均划分为Mv、MP个区间,分别以Δvw和ΔPw作为横坐标和纵坐标,可以得到一个二维的网格状区间范围,区间范围内包含Mv×MP个网格,分别统计每台风机的Ns组二维数组在各网格内的样本频率,第i台风机的二维数组在第l个网格中的样本频率为Ei(l),l∈[1,Mv×MP];
B2、判断各网格内的样本频率是否为0,如为0则叠加一极小值ε,如不为0则进行下一步。
进一步地,所述步骤C包括下述步骤:
C1、选择k台风机作为初始聚类中心;
C2、对任意一台风机,计算其到k个聚类中心的改进KL距离,将该风机归到距离最小的聚类中心所在的群,第i台风机与第j台风机之间的改进KL距离计算公式为:
dKL(Ei,Ej)=[DKL(Ei||Ej)+DKL(Ej||Ei)]/2>
其中,dKL(Ei,Ej)为第i台风机与第j台风机之间的改进KL距离,DKL(Ei||Ej)为第i台风机到第j台风机之间的KL距离,DKL(Ej||Ei)为第j台风机到第i台风机之间的KL距离,两者的计算公式为:
其中,Ei(l)为第i台风机的二维数组在第l个网格中的样本频率,Ej(l)为第j台风机的二维数组在第l个网格中的样本频率,l∈[1,Mv×MP]。
C3、计算群内各风机在统计网格中的平均样本频率,假设第k个群内有T台风机,其在第l个网格中的平均样本频率为:
其中,Er(l)为第r台风机的二维数组在第l个网格中的样本频率,l∈[1,Mv×MP]。以此类推,可以得到T台风机在Mv×MP个网格中的平均样本频率Eav_k(l),将其作为新的聚类中心值,对k个群计算其平均样本频率,得到k个新的聚类中心值;
C4、判断:如果所有聚类中心值保持不变,或更新次数达到上限,则转C5,否则返回C2;
C5、输出聚类结果。
进一步地,所述步骤D包括下述步骤:
D1、对风电机组群内的风电机组参数进行等值:
基于等值前后风电机组输出特性不变对风电机组参数聚合,对风电机组群内风电机组的风速v、扫风面积A、容量S、有功功率P、无功功率Q、轴系惯性时间常数H、轴系刚度系数K和轴系阻尼系数D参数分别按照如下公式进行等值:
式中:nw为风电机组群内风电机组数目;veq、vi分别为风电机组群内风电机组的总风速和第i台风电机组的风速;Aeq、Ai分别为风电机组群内风电机组的总扫风面积和第i台风电机组的扫风面积;Seq、Si分别为风电机组群内风电机组的总容量和第i台风电机组的容量;Peq、Pi分别为风电机组群内风电机组的总有功功率和第i台风电机组的有功功率;
D2、对网络参数进行等值:
对线路阻抗的等值是基于等值前后电压损耗不变的原则进行,计算如下:
式中:nw为群内风电机组数目,nf为风电场中干线式风机支路中风电机组数目,Zg为干线式支路中第g段支路阻抗;
等值对地导纳Yeq计算如下:
式中:Y为对地导纳。
本发明提供的技术方案具有的优异效果是:
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
本发明提供的考虑风电预测不确定性的风电场动态等值方法,确定风电预测中风速和功率误差的概率分布及其参数,利用求逆法进行多场景抽样,得到服从风电机组预测误差概率分布的样本;建立以风速误差与功率误差为坐标的二维统计网格,统计每台风机在统计网格内的样本频率;基于改进KL距离,利用k-means聚类算法进行风机分群;根据分群结果,基于等值前后风电机组输出特性不变对风电机组参数聚合,基于等值前后电压损耗不变的原则对网络参数进行等值,仿真结果表明,本发明提供的风电场动态等值方法由于考虑风电预测不确定性(即风电预测误差的随机性),因而在风电功率预测出现误差的场景下具有较好的准确性,可以更好服务于电力系统调度的预警计算,对提高风电场动态等值模型的准确性和风电并网系统运行的安全稳定性具有一定的意义。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1是本申请中考虑风电预测不确定性的风电场动态等值方法的流程示意图。
具体实施方式
本发明提供了一种考虑风电预测不确定性的风电场动态等值方法,解决了现有的风电场等值方法存在准确性较差,导致仿真计算误差较大的技术问题,实现了在风电功率预测出现误差的场景下具有较好的准确性,在考虑风电预测不确定性的情况下,可以更好服务于电力系统调度的预警计算的技术效果。
本发明提供一种考虑风电预测不确定性的风电场动态等值方法,其流程图如图1所示,包括下述步骤:
A、确定风电预测中风速和功率误差的概率分布及其参数,利用求逆法进行多场景抽样,得到服从风电机组预测误差概率分布的样本
A1、根据先验知识或者历史预测误差数据,确定每台风机风电预测中风速误差Δvw和功率误差ΔPw的累积分布函数F(Δvw)、F(ΔPw);
A2、针对每台风机生成Ns个(0,1)之间的随机数c,即概率,其中,同一台风机的风速和功率样本的随机数c相同;
A3、求解方程F(Δvw)=c、F(ΔPw)=c,每台风机可以得到Ns组包含风速误差Δvw和功率误差ΔPw的二维数组,也即每一组二维数组中,包含由同一个随机数c计算得到的风速误差Δvw和功率误差ΔPw。
B、建立以风速误差与功率误差为坐标的二维统计网格,统计每台风机在统计网格内的样本频率
B1、针对风速误差Δvw和功率误差ΔPw,合理地将其变化范围平均划分为Mv、MP个区间,分别以Δvw和ΔPw作为横坐标和纵坐标,可以得到一个二维的网格状区间范围,区间范围内包含Mv×MP个网格,分别统计每台风机的Ns组二维数组在各网格内的样本频率,第i台风机的二维数组在第l个网格中的样本频率为Ei(l),l∈[1,Mv×MP];
B2、判断各网格内的样本频率是否为0,如为0则叠加一极小值ε,如不为0则进行下一步。
C、基于改进KL距离,利用k-means聚类算法进行风机分群
C1、选择k台风机作为初始聚类中心;
C2、对任意一台风机,计算其到k个聚类中心的改进KL距离,将该风机归到距离最小的聚类中心所在的群,第i台风机与第j台风机之间的改进KL距离计算公式为:
dKL(Ei,Ej)=[DKL(Ei||Ej)+DKL(Ej||Ei)]/2>
其中,dKL(Ei,Ej)为第i台风机与第j台风机之间的改进KL距离,DKL(Ei||Ej)为第i台风机到第j台风机之间的KL距离,DKL(Ej||Ei)为第j台风机到第i台风机之间的KL距离,两者的计算公式为:
其中,Ei(l)为第i台风机的二维数组在第l个网格中的样本频率,Ej(l)为第j台风机的二维数组在第l个网格中的样本频率,l∈[1,Mv×MP]。C3、计算群内各风机在统计网格中的平均样本频率,假设第k个群内有T台风机,其在第l个网格中的平均样本频率为:
其中,Er(l)为第r台风机的二维数组在第l个网格中的样本频率,l∈[1,Mv×MP]。
以此类推,可以得到T台风机在Mv×MP个网格中的平均样本频率Eav_k(l),将其作为新的聚类中心值,对k个群计算其平均样本频率,得到k个新的聚类中心值;
C4、判断:如果所有聚类中心值保持不变,或更新次数达到上限,则转C5,否则返回C2;
C5、输出聚类结果。
D、对风电机组群内风电机组参数及网络参数进行单机等值
D1、对风电机组群内的风电机组参数进行等值:
基于等值前后风电机组输出特性不变对风电机组参数聚合,对风电机组群内风电机组的风速v、扫风面积A、容量S、有功功率P、无功功率Q、轴系惯性时间常数H、轴系刚度系数K和轴系阻尼系数D参数分别按照如下公式进行等值:
式中:nw为风电机组群内风电机组数目;veq、vi分别为风电机组群内风电机组的总风速和第i台风电机组的风速;Aeq、Ai分别为风电机组群内风电机组的总扫风面积和第i台风电机组的扫风面积;Seq、Si分别为风电机组群内风电机组的总容量和第i台风电机组的容量;Peq、Pi分别为风电机组群内风电机组的总有功功率和第i台风电机组的有功功率;
D2、对网络参数进行等值:
对线路阻抗的等值是基于等值前后电压损耗不变的原则进行,计算如下:
式中:nw为群内风电机组数目,nf为风电场中干线式风机支路中风电机组数目,Zg为干线式支路中第g段支路阻抗;
等值对地导纳Yeq计算如下:
式中:Y为对地导纳。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
本发明提供的考虑风电预测不确定性的风电场动态等值方法,确定风电预测中风速和功率误差的概率分布及其参数,利用求逆法进行多场景抽样,得到服从风电机组预测误差概率分布的样本;建立以风速误差与功率误差为坐标的二维统计网格,统计每台风机在统计网格内的样本频率;基于改进KL距离,利用k-means聚类算法进行风机分群;根据分群结果,基于等值前后风电机组输出特性不变对风电机组参数聚合,基于等值前后电压损耗不变的原则对网络参数进行等值,仿真结果表明,本发明提供的风电场动态等值方法由于考虑风电预测不确定性(即风电预测误差的随机性),因而在风电功率预测出现误差的场景下具有较好的准确性,可以更好服务于电力系统调度的预警计算,对提高风电场动态等值模型的准确性和风电并网系统运行的安全稳定性具有一定的意义。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
机译: 一种用于运行风电场的方法,风电场控制单元和风电场
机译: 考虑系统参数不确定性的MEMS加速度计的设计方法及MEMS加速度计的设计方法
机译: 考虑系统参数不确定性的MEMS加速度计设计方法及MEMS加速度计设计方法