適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法
【專利摘要】本發(fā)明公開了一種適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法，選取能夠反映DFIG有功功率動態(tài)特性的5個指標，實時采集各雙饋風力發(fā)電機組的有功功率輸出特性指標構(gòu)成數(shù)據(jù)對象，設(shè)定不同的聚類數(shù)，對數(shù)據(jù)對象采用模糊C-均值聚類算法進行聚類，計算不同聚類數(shù)得到的聚類結(jié)果的Xie-Beni指數(shù)，選取最小Xie-Beni指數(shù)對應(yīng)的聚類數(shù)作為最優(yōu)聚類數(shù)，所對應(yīng)的聚類結(jié)果即為雙饋風電場的雙饋風力發(fā)電機組分群結(jié)果，根據(jù)機組分群結(jié)果對同一機群中的雙饋風力發(fā)電機組和集電系統(tǒng)的參數(shù)進行等效聚合，得到雙饋風電場等值模型。本發(fā)明綜合考慮了影響DFIG有功功率輸出的因素，可以得到較為準確反映真實雙饋風電場系統(tǒng)有功功率特性的雙饋風電場動態(tài)等值模型。
【專利說明】適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于電力系統(tǒng)仿真建模【技術(shù)領(lǐng)域】，更為具體地講，涉及一種適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法。
【背景技術(shù)】
[0002]隨著并網(wǎng)雙饋風電場容量的不斷增加，由風能的間歇性、隨機性帶來的出力波動對電力系統(tǒng)造成的影響日益凸顯。建立合適的雙饋風電場動態(tài)模型，以實時仿真分析雙饋風電場的有功功率輸出特性、評估其接入電力系統(tǒng)所帶來的影響、并能為有功功率控制算法的研究提供指導(dǎo)，有著十分重要的意義。然而與傳統(tǒng)發(fā)電站不同，雙饋風電場是由多臺單機容量較小的雙饋風力發(fā)電機組(Double-Fed Induct1n Generator, DFIG)組成,且單機模型復(fù)雜，若對每臺DFIG詳細建模，將極大增加仿真模型的復(fù)雜程度，會帶來很大的計算開銷，不適合實際工程應(yīng)用。因此，有必要研究雙饋風電場動態(tài)等值建模方法，以簡化模型、減少計算量。
[0003]目前，雙饋風電場動態(tài)等值建模方法可分為兩種:單機表征法、多機表征法。單機表征法是指將風電場用一臺DFIG等值模型表示，然而，受尾流效應(yīng)、時滯等因素的影響，風電場內(nèi)風速的分布往往是不均勻的，使得DFIG運行狀態(tài)各異，使用單機表征法難以全面反映風電場的動態(tài)有功功率輸出特性。多機表征法則借鑒電力系統(tǒng)“同調(diào)等值”思想，以DFIG具有相同或相近運行點為原則，提取能夠表征DFIG運行狀態(tài)的指標作為機組分群依據(jù)，采用智能分類算法將雙饋風電場動態(tài)分群，并對同群機組參數(shù)進行合并，從而達到簡化風電場模型的目的。
[0004]根據(jù)模型的應(yīng)用背景，不同研究中表征DFIG運行狀態(tài)的方法、所采用的智能分類算法也各異。隨著雙饋風電場所占發(fā)電比重的不斷增加，研究其適于有功功率特性分析的動態(tài)等值模型的重要性也將越來越突出，但是目前國內(nèi)外尚未有用于有功功率動態(tài)特性分析的雙饋風電場等值建模方法的研究。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法，建立能夠反饋雙饋風電場有功功率動態(tài)特性的等值模型。
[0006]為實現(xiàn)上述發(fā)明目的，本發(fā)明適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法，包括以下步驟:
[0007]S1:得到雙饋風電場中的各個雙饋風力發(fā)電機組的有功功率輸出特性指標，各雙饋風力發(fā)電機組的類型和容量均相同，有功功率輸出特性指標包括當前時刻的風速g、轉(zhuǎn)差率S、定子電壓Us、定子電流q軸分量Iqs、實時有功功率Pe Mal，構(gòu)成數(shù)據(jù)對象Xi ={xn, xi2,...，XiJ ,其中i的取值范圍為i = 1，2，...，N, N表示雙饋風力發(fā)電機組的數(shù)量；
[0008]S2:根據(jù)步驟SI中的有功功率輸出特性指標，采用基于模糊C-均值聚類算法的機群分類算法對雙饋風力發(fā)電機組進行聚類，得到機組分群，具體方法為:[0009]S2.1:設(shè)定初始聚類數(shù)C = 2，迭代終止條件e ；
[0010]S2.2:采用模糊C-均值聚類算法得到聚類數(shù)為C的聚類結(jié)果，并計算對應(yīng)的Xie-Beni 指數(shù) Vffi—c,
[0011]S2.3:令C = C+1，如果，進入步驟S2.4，否則返回步驟2.2 ;
[0012]S2.4:將得到的所有聚類結(jié)果中Vxb。最小的聚類數(shù)作為最優(yōu)聚類數(shù)Cf，所對應(yīng)的聚類結(jié)果即為雙饋風電場的雙饋風力發(fā)電機組分群結(jié)果；
[0013]S3:根據(jù)步驟S2的機組分群結(jié)果，對同一機群中的雙饋風力發(fā)電機組和集電系統(tǒng)的參數(shù)進行等效聚合，得到雙饋風電場等值模型。
[0014]本發(fā)明適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法，選取能夠反映DFIG有功功率動態(tài)特性的5個指標，實時采集各雙饋風力發(fā)電機組的有功功率輸出特性指標構(gòu)成數(shù)據(jù)對象，設(shè)定不同的聚類數(shù)，對數(shù)據(jù)對象采用模糊C-均值聚類算法進行聚類，計算不同聚類數(shù)得到的聚類結(jié)果的Xie-Beni指數(shù)，選取最小Xie-Beni指數(shù)對應(yīng)的聚類數(shù)作為最優(yōu)聚類數(shù)，所對應(yīng)的聚類結(jié)果即為雙饋風電場的雙饋風力發(fā)電機組分群結(jié)果，根據(jù)機組分群結(jié)果對同一機群中的雙饋風力發(fā)電機組和集電系統(tǒng)的參數(shù)進行等效聚合，得到雙饋風電場等值模型。
[0015]本發(fā)明綜合考慮了影響DFIG有功功率輸出的因素，根據(jù)實時的能夠反映DFIG有功功率輸出特性的指標得到雙饋風電場動態(tài)等值模型，算法復(fù)雜度小，得到的雙饋風電場動態(tài)等值模型能夠較為準確反映真實的雙饋風電場系統(tǒng)，從而為雙饋風電場并網(wǎng)運行時有功功率特性的仿真分析提供基礎(chǔ)，并為相關(guān)有功功率控制算法的設(shè)計和仿真驗證提供方便。
【專利附圖】

【附圖說明】
[0016]圖1是本發(fā)明適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法的【具體實施方式】流程圖；
[0017]圖2是本發(fā)明中基于模糊C-均值聚類算法的機組分群算法的【具體實施方式】流程圖；
[0018]圖3是干線式風電場內(nèi)饋線示例圖；
[0019]圖4是本實施例使用的雙饋風電場模型；
[0020]圖5是本實施例的雙饋風電場多機等值模型；
[0021 ] 圖6是本實施例的雙饋風電場多機等值模型；
[0022]圖7是對比驗證I的輸入風速模型示意圖；
[0023]圖8是對比驗證I中多機等值模型、單機等值模型和詳細模型的有功功率輸出對比圖；
[0024]圖9是對比驗證I中多機等值模型、單機等值模型和詳細模型的有功功率誤差對比圖；
[0025]圖10是對比驗證2的有功功率控制示意圖；
[0026]圖11是對比驗證2中多機等值模型、單機等值模型和詳細模型的有功功率誤差對比圖?！揪唧w實施方式】
[0027]下面結(jié)合附圖對本發(fā)明的【具體實施方式】進行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當已知功能和設(shè)計的詳細描述也許會淡化本發(fā)明的主要內(nèi)容時，這些描述在這里將被忽略。
[0028]實施例
[0029]本發(fā)明適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法針對的是同型號的DFIG，即類型和容量均一致。如果某雙饋風電場中有不同型號的DFIG，那么就需要按照類型、容量先對DFIG進行分類，再對同類型同容量的DFIG采用本發(fā)明進行等值建模。
[0030]圖1是本發(fā)明適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法的【具體實施方式】流程圖。如圖1所示，本發(fā)明適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法包括以下步驟:
[0031]SlOl:確定有功功率輸出特性指標:
[0032]本發(fā)明主要是針對雙饋風電場的有功功率特性進行分析與建模，因此需要先確定能夠表征DFIG有功功率輸出特性的指標，包括當前時刻的風速g、轉(zhuǎn)差率S、定子電壓Us、定子電流q軸分量Iqs、實時有功功率Pe—Mal。本發(fā)明是針對當前時刻的實時指標，實時指標采集的時刻不同，得到的模型也不盡相同，因此得到的是動態(tài)等值模型。在實際應(yīng)用中，可以周期性采集指標并得到模型，從而跟蹤雙饋風電場的變化。
[0033]各指標的具體描述如下:
[0034]I)風速 g
[0035]根據(jù)DFIG的運行特性，風速是決定其有功功率輸出的重要因素，有功功率主要隨著風速的變化而變化。風速不僅可以反映作用在風力機上風能的大小，還能夠反映出各臺DFIG所處安裝地的地形、地貌以及相鄰機組在風速上相互影響的情況(如:尾流效應(yīng)、時滯、風剪等所產(chǎn)生的影響)。因此，本發(fā)明選取風速g作為機組分群指標。
[0036]2)轉(zhuǎn)差率s
[0037]轉(zhuǎn)速是DFIG在運行中的一個主要表現(xiàn)形式。當存在風速擾動或其他干擾時，轉(zhuǎn)子轉(zhuǎn)速會發(fā)生變化，使得DFIG運行在不同狀態(tài)(如:次同步、同步、超同步)，從而影響機組的有功功率輸出。而且，槳距角控制系統(tǒng)的控制動作也與轉(zhuǎn)速有關(guān)。當風速處于切入風速和額定風速之間時，DFIG為捕獲最大風能，常常是通過調(diào)節(jié)機組的轉(zhuǎn)速來保證槳距角處于最佳的風能捕獲角度，以實現(xiàn)對最大風能的跟蹤；當轉(zhuǎn)速超出額定轉(zhuǎn)速時，槳距角控制器也會采取一定措施控制轉(zhuǎn)速，而不再追蹤最大風能，以保護DFIG的運行安全。
[0038]可見，轉(zhuǎn)速η也反映了 DFIG有功功率的變化，可以作為機組分群指標之一。由于轉(zhuǎn)速η與轉(zhuǎn)差率s之間存在關(guān)系:n= (1-s).Ii1，其中同步轉(zhuǎn)速Ii1為常量，故本發(fā)明將用轉(zhuǎn)差率s來表征轉(zhuǎn)速η。
[0039]3)定子電壓Us和定子電流q軸分量Iqs
[0040]DFIG的有功功率Pe由定子側(cè)有功功率Ps和轉(zhuǎn)子側(cè)有功功率P,兩部分組成，即Pe=Ps+Pro由于轉(zhuǎn)子側(cè)有功功率P,很小，可以認為定子側(cè)有功功率Ps是影響DFIG有功功率的主要因素。通過定子磁場定向矢量控制方法解耦、化簡后的DFIG定子側(cè)有功功率表達式為:
[0041]Ps= IuJlqs (I)[0042]其中，|US表示對定子電壓Us取模。
[0043]由上式可知，定子側(cè)有功功率Ps與定子電壓Us、定子電流q軸分量Iqs有關(guān)，即DFIG的有功功率可以由us、Iqs反映。
[0044]4)實時有功功率Pe real
[0045]有功功率是DFIG在運行中的另一個主要表現(xiàn)形式，雖然DFIG的有功功率輸出主要是隨著風速的變化而變化的，但在實際運行中，由于受機械慣性等因素的影響，有功功率輸出并不是總隨著風速而同時或同趨勢變化的。DFIG的實時有功功率值Pe ,eal是風能經(jīng)過復(fù)雜的轉(zhuǎn)換過程最終以電能輸出的表現(xiàn)形式，也是對各臺DFIG的輸入風速、安裝位置地形地貌因素以及控制系統(tǒng)實際動作情況等的綜合反饋。因此，將Pe—Mal作為機群劃分的指標之
O
[0046]根據(jù)各雙饋風力發(fā)電機組的有功功率特性指標構(gòu)成各機組對應(yīng)的數(shù)據(jù)對象Xi ={xn, xi2,...，xi5},其中i的取值范圍為i = 1，2，...，N, N表示雙饋風力發(fā)電機組的數(shù)量。對這些數(shù)據(jù)對象進行聚類即可實現(xiàn)機組分群。
[0047]S102:基于模糊C-均值聚類算法的機組分群算法進行機組分群:
[0048]基于目標函數(shù)優(yōu)化的模糊C-均值聚類算法是在K-均值聚類的基礎(chǔ)上發(fā)展而來，通過將算法的隸屬度取值從O和I推廣到區(qū)間[0，I]上，模糊化了數(shù)據(jù)對象之間“屬于”的概念，克服了許多研究中采用K-均值聚類算法將數(shù)據(jù)對象之間的界限關(guān)系絕對化的不足，使得聚類結(jié)果能更真實 地反映客觀世界中數(shù)據(jù)對象之間的關(guān)系。本發(fā)明針對的是型號相同的DFIG組成的雙饋風電場，運行過程中不同DFIG的分群指標數(shù)據(jù)會發(fā)生實時變化，且指標數(shù)值間的差異很小。用模糊C-均值聚類算法對此類數(shù)據(jù)進行劃分，不但能從大量的原始數(shù)據(jù)中提取特征，還能對特征進行優(yōu)化選擇和降維，聚類效果理想，適用于雙饋風電場動態(tài)分群。
[0049]圖2是本發(fā)明中基于模糊C-均值聚類算法的機組分群算法的【具體實施方式】流程圖。如圖2所示，基于模糊C-均值聚類算法的機組分群算法包括以下步驟:
[0050]S201:聚類參數(shù)初始化:設(shè)定初始聚類數(shù)C = 2，設(shè)置迭代終止條件e。
[0051]接下來就采用模糊C-均值聚類算法進行聚類，得到聚類數(shù)為C的聚類結(jié)果，其詳細步驟為S202至S206。
[0052]S202:隨機給定初始聚類中心V(°)，聚類中心和數(shù)據(jù)對象一樣，是5維向量。
[0053]S203:計算步驟SI得到的數(shù)據(jù)對象對聚類中心的隸屬度矩陣U，隸屬度矩陣U中的元素Uu的計算公式為:
【權(quán)利要求】
1.一種適于有功功率特性分析的雙饋風電場動態(tài)等值建模方法，其特征在于，包括以下步驟: S1:得到雙饋風電場中的各個雙饋風力發(fā)電機組的有功功率輸出特性指標，包括當前時刻的風速g、轉(zhuǎn)差率S、定子電壓Us、定子電流q軸分量Iqs、有功功率Pe real，構(gòu)成數(shù)據(jù)對象Xi = {xn, Xi2,...，Xi5I ,其中i的取值范圍為i = 1，2，...，N,N表示雙饋風力發(fā)電機組的數(shù)量; 52:對步驟SI中得到的數(shù)據(jù)對象采用基于模糊C-均值聚類算法的機群分類算法對雙饋風力發(fā)電機組進行聚類，得到機組分群，具體方法為: S2.1:設(shè)定初始聚類數(shù)C = 2，迭代終止條件e ； S2.2:采用模糊C-均值聚類算法得到聚類數(shù)為C的聚類結(jié)果，并計算對應(yīng)的Xie-Beni指數(shù)VXB—C， S2.3:令C = C+1，如果C>C>#，進入步驟S2.4，否則返回步驟2.2 ; S2.4:將得到的所有聚類結(jié)果中Vxb。最小的聚類數(shù)作為最優(yōu)聚類數(shù)Cf，所對應(yīng)的聚類結(jié)果即為雙饋風電場的雙饋風力發(fā)電機組分群結(jié)果； 53:根據(jù)步驟S2的機組分群結(jié)果，對同一機群中的雙饋風力發(fā)電機組和集電系統(tǒng)的參數(shù)進行等效聚合，得到雙饋風電場等值模型。
2.根據(jù)權(quán)利要求1所述的雙饋風電場動態(tài)等值建模方法，其特征在于，所述步驟S3中等值發(fā)電機組和集電系統(tǒng)的等效聚合中，等值參數(shù)采用容量加權(quán)法計算。
【文檔編號】G06F17/50GK104036073SQ201410220508
【公開日】2014年9月10日 申請日期:2014年5月23日 優(yōu)先權(quán)日:2014年5月23日
【發(fā)明者】彭超, 鄒見效, 徐紅兵, 辛曉帥, 嚴妍 申請人:電子科技大學(xué)