本發(fā)明屬于風(fēng)力發(fā)電技術(shù)領(lǐng)域，尤其涉及一種基于轉(zhuǎn)子電流動(dòng)態(tài)特性的雙饋風(fēng)電場(chǎng)機(jī)群聚合方法及系統(tǒng)。

背景技術(shù)：

隨著風(fēng)電裝機(jī)規(guī)模的超常規(guī)增長(zhǎng)，大規(guī)模風(fēng)電接入后對(duì)電力系統(tǒng)的影響越來越不可忽視。在風(fēng)電發(fā)展的早期，電力系統(tǒng)短路電流計(jì)算時(shí)并不考慮風(fēng)電機(jī)組對(duì)系統(tǒng)短路電流的貢獻(xiàn)。但是隨著風(fēng)電裝機(jī)規(guī)模的增加，上述做法已經(jīng)不滿足計(jì)算分析的要求，風(fēng)電對(duì)短路電流的貢獻(xiàn)不容忽視。

風(fēng)電場(chǎng)短路電流直接計(jì)算比較困難，目前的主要思路是根據(jù)單臺(tái)風(fēng)電機(jī)組的短路電流特性推導(dǎo)整個(gè)風(fēng)電場(chǎng)短路電流的變化規(guī)律。有研究根據(jù)已推導(dǎo)的DFIG定子短路電流表達(dá)式求取發(fā)電機(jī)支路的短路電流周期分量的運(yùn)算曲線，采用傳統(tǒng)的運(yùn)算曲線法計(jì)算系統(tǒng)支路短路電流周期分量的幅值，進(jìn)而可得短路點(diǎn)短路電流周期分量的幅值。但是上述方法在計(jì)算風(fēng)電機(jī)組短路容量時(shí)用風(fēng)電機(jī)組的次暫態(tài)電抗進(jìn)行計(jì)算，準(zhǔn)確性不足。

目前對(duì)于雙饋風(fēng)電場(chǎng)的動(dòng)態(tài)等值建模，目前主要集中在機(jī)群劃分和參數(shù)等值的研究。機(jī)群劃分是指通過合適的機(jī)群劃分指標(biāo)和算法，將具有相同或相近運(yùn)行點(diǎn)的機(jī)組歸為同一機(jī)群。如以DFIG機(jī)組槳距角動(dòng)作情況作為機(jī)群劃分的依據(jù)，利用SVM分類器算法，將能夠反映槳距角動(dòng)作的風(fēng)速、有功功率和極端電壓作為輸入，實(shí)現(xiàn)DFIG風(fēng)電場(chǎng)的機(jī)群劃分。也可以將故障前瞬間風(fēng)機(jī)轉(zhuǎn)子轉(zhuǎn)速作為DFIG風(fēng)機(jī)分群指標(biāo)，或?qū)⒎从矰FIG機(jī)組狀態(tài)的滑差、槳距角、電磁及機(jī)械轉(zhuǎn)矩、以及定轉(zhuǎn)子電流電壓等13個(gè)狀態(tài)變量構(gòu)成狀態(tài)矩陣，在此基礎(chǔ)上，通過K-means聚類算法對(duì)風(fēng)電場(chǎng)進(jìn)行機(jī)群劃分。王振樹等(王振樹,劉巖,雷鳴,卞紹潤,石云鵬.基于Crowbar的雙饋機(jī)組風(fēng)電場(chǎng)等值模型與并網(wǎng)仿真分析[J].電工技術(shù)學(xué)報(bào),2015,30(04),44-51.)根據(jù)DFIG轉(zhuǎn)子電流判別是否投入Crowbar，將DFIG風(fēng)電場(chǎng)分為投入與不投入兩組。這就需要針對(duì)每次故障分別計(jì)算每臺(tái)風(fēng)機(jī)的轉(zhuǎn)子電流峰值。也可以根據(jù)DFIG機(jī)組功率特性曲線來求取等效風(fēng)速，并將輸入風(fēng)速在機(jī)組功率特性曲線同一份段區(qū)間的DFIG機(jī)組分群?？傮w上看，目前風(fēng)電場(chǎng)的動(dòng)態(tài)等值建模研究主要關(guān)注風(fēng)電場(chǎng)總體有功、無功出力的動(dòng)態(tài)等值，忽略了故障期間風(fēng)電場(chǎng)短路電流的動(dòng)態(tài)特性。

實(shí)際上風(fēng)電場(chǎng)的動(dòng)態(tài)特性受到風(fēng)電機(jī)組的低電壓穿越控制特性、風(fēng)機(jī)出力的波動(dòng)性以及PCC點(diǎn)電壓跌落程度等諸多因素的影響，這些因素的發(fā)生和影響具有一定的隨機(jī)性和模糊性，因此綜合考慮風(fēng)電場(chǎng)動(dòng)態(tài)等值過程中的隨機(jī)性和模糊性，準(zhǔn)確描述這些因素及其相互作用以形成合理聚類是建立風(fēng)電場(chǎng)動(dòng)態(tài)等值模型的關(guān)鍵。針對(duì)此問題，周明等(周明，葛江北，李庚銀.基于云模型的DFIG型風(fēng)電場(chǎng)動(dòng)態(tài)電壓等值方法[J].中國電機(jī)過程學(xué)報(bào)2015,35(5),1097-1105.)采用了云模型的方法，但是只是針對(duì)風(fēng)電機(jī)組的連鎖脫網(wǎng)動(dòng)態(tài)過程，基于風(fēng)機(jī)端電壓，并未考慮風(fēng)機(jī)的Crowbar動(dòng)作特性對(duì)于風(fēng)電場(chǎng)出口電氣量的暫態(tài)特性的影響，特別是暫態(tài)短路電流。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問題，本發(fā)明提出了一種基于轉(zhuǎn)子電流動(dòng)態(tài)特性的雙饋風(fēng)電場(chǎng)機(jī)群聚合方法，包括：

步驟1：建立雙饋風(fēng)電場(chǎng)模型，通過隨機(jī)風(fēng)速和隨機(jī)電壓跌落程度的兩者隨機(jī)組合獲取不同風(fēng)況和故障情況下每臺(tái)風(fēng)機(jī)的轉(zhuǎn)子電流峰值來作為云滴樣本數(shù)據(jù)；

步驟2：根據(jù)獲取的云滴樣本數(shù)據(jù)利用逆向云發(fā)生器，求取每臺(tái)風(fēng)機(jī)的轉(zhuǎn)子電流峰值云模型3個(gè)數(shù)字特征：期望、熵、超熵；

步驟3：將求取的每臺(tái)風(fēng)機(jī)的3個(gè)數(shù)字特征作為風(fēng)電場(chǎng)分群指標(biāo)，利用聚類算法對(duì)大型風(fēng)電場(chǎng)分群聚合。

所述隨機(jī)風(fēng)速通過考慮尾流效應(yīng)的風(fēng)速模型計(jì)算：式中，R為風(fēng)機(jī)葉輪半徑，k為尾流衰減系數(shù)，V_w(x)為距上風(fēng)機(jī)x處的尾流風(fēng)速，V₀為輸入風(fēng)速，C為推力系數(shù)。

所述逆向云發(fā)生器在估計(jì)期望和熵時(shí)，利用全部樣本信息進(jìn)行估計(jì)；在估計(jì)超熵時(shí)，如果超熵估計(jì)值為虛數(shù)，則逐步刪除離期望最近的云滴樣本，從新計(jì)算超熵，直到超熵為正實(shí)數(shù)，從而將人為可能產(chǎn)生的誤差降低到最小程度。

一種基于轉(zhuǎn)子電流動(dòng)態(tài)特性的雙饋風(fēng)電場(chǎng)機(jī)群聚合系統(tǒng)，包括依次相連的：雙饋風(fēng)電場(chǎng)建模模塊1、逆向云發(fā)生器模塊2、風(fēng)電場(chǎng)分群聚合模塊3；

雙饋風(fēng)電場(chǎng)建模模塊1用于建立雙饋風(fēng)電場(chǎng)模型，通過隨機(jī)風(fēng)速和隨機(jī)電壓跌落程度的兩者隨機(jī)組合獲取不同風(fēng)況和故障情況下每臺(tái)風(fēng)機(jī)的轉(zhuǎn)子電流峰值來作為云滴樣本數(shù)據(jù)；

逆向云發(fā)生器模塊2根據(jù)雙饋風(fēng)電場(chǎng)建模模塊1獲取的云滴樣本數(shù)據(jù)求取每臺(tái)風(fēng)機(jī)的轉(zhuǎn)子電流峰值云模型3個(gè)數(shù)字特征：期望、熵、超熵；

風(fēng)電場(chǎng)分群聚合模塊3將逆向云發(fā)生器模塊2求取的每臺(tái)風(fēng)機(jī)的3個(gè)數(shù)字特征作為風(fēng)電場(chǎng)分群指標(biāo)，利用聚類算法對(duì)大型風(fēng)電場(chǎng)分群聚合。

本發(fā)明的有益效果在于：

本發(fā)明提出一種基于轉(zhuǎn)子電流動(dòng)態(tài)特性的風(fēng)電場(chǎng)動(dòng)態(tài)聚合方法及系統(tǒng)，描述風(fēng)電機(jī)組運(yùn)行狀態(tài)的隨機(jī)性和分群結(jié)果的模糊性。在隨機(jī)風(fēng)速和電壓跌落的情況下，選擇轉(zhuǎn)子電流峰值作為云滴樣本，通過改進(jìn)的逆向云發(fā)生器求取的各云滴的期望、熵、超熵，這三個(gè)數(shù)字特征共同體現(xiàn)了隨機(jī)風(fēng)速和電壓跌落情況下對(duì)于轉(zhuǎn)子電流峰值的影響，也間接反應(yīng)了在上述隨機(jī)情況下表Crowbar的動(dòng)作情況。本發(fā)明風(fēng)電場(chǎng)聚合方法能夠較準(zhǔn)確地反映隨機(jī)風(fēng)速和隨機(jī)電壓跌落程度下的風(fēng)電場(chǎng)的暫態(tài)故障特性，為風(fēng)電場(chǎng)的短路電流計(jì)算和繼電保護(hù)整定提供模型支持。

附圖說明

圖1為雙饋風(fēng)電場(chǎng)機(jī)組結(jié)構(gòu)及其轉(zhuǎn)子側(cè)撬棒保護(hù)電路圖；

圖2為轉(zhuǎn)子側(cè)變頻器不退出運(yùn)行時(shí)的轉(zhuǎn)子回路等效圖；

圖3為故障后立即投入撬棒保護(hù)的雙饋感應(yīng)電機(jī)等效電路圖；

圖4為用云模型刻畫“年輕”的概念圖；

圖5為逆向云發(fā)生器示意圖；

圖6為基于轉(zhuǎn)子電流云模型的雙饋風(fēng)電場(chǎng)分群指標(biāo)計(jì)算流程；

圖7為雙饋風(fēng)電場(chǎng)模型示意圖；

圖8a～8d分別為雙饋風(fēng)電場(chǎng)詳細(xì)模型與等值模型的PCC電壓、有功功率、無功功率、電流波形圖對(duì)比圖；

圖9為基于轉(zhuǎn)子電流動(dòng)態(tài)特性的雙饋風(fēng)電場(chǎng)機(jī)群聚合系統(tǒng)結(jié)構(gòu)圖。

具體實(shí)施方式

下面結(jié)合附圖，詳細(xì)說明實(shí)施方案。

本發(fā)明提供了一種基于轉(zhuǎn)子電流動(dòng)態(tài)特性的雙饋風(fēng)電場(chǎng)機(jī)群聚合方法及系統(tǒng)，綜合考慮了雙饋風(fēng)電場(chǎng)中風(fēng)機(jī)低電壓穿越特性、風(fēng)機(jī)出力和PCC電壓跌落程度等因素的影響。所述聚合方法的分析過程如下：

根據(jù)圖1所示的雙饋風(fēng)電場(chǎng)機(jī)組結(jié)構(gòu)及其轉(zhuǎn)子側(cè)撬棒保護(hù)電路示意圖。雙饋異步發(fā)電機(jī)定子直接與電網(wǎng)相連，轉(zhuǎn)子通過背靠背三相PWM變換器實(shí)現(xiàn)交流勵(lì)磁。由于定子側(cè)直接與電網(wǎng)相連，使得風(fēng)電機(jī)組對(duì)電網(wǎng)故障非常敏感。

當(dāng)電網(wǎng)發(fā)生三相短路，若機(jī)端電壓跌落輕微，此時(shí)轉(zhuǎn)子側(cè)過電流小于撬棒保護(hù)電流的動(dòng)作閥值，無法投入撬棒保護(hù)電流，而轉(zhuǎn)子側(cè)仍然連接有變頻器。此時(shí)轉(zhuǎn)子側(cè)變頻器的PI控制器可調(diào)節(jié)轉(zhuǎn)子側(cè)勵(lì)磁電壓，從而影響故障過程中的定子電流。轉(zhuǎn)子側(cè)變頻器不退出運(yùn)行時(shí)的轉(zhuǎn)子回路等效圖如圖2所示，對(duì)應(yīng)的轉(zhuǎn)子側(cè)電壓方程和PWM控制方程如下。

當(dāng)機(jī)端電壓跌落比較嚴(yán)重時(shí)，由于受到變流器容量的限制，單靠控制策略的調(diào)控已經(jīng)不能到達(dá)限制轉(zhuǎn)子電流和直流母線電壓的目的，此時(shí)很大的轉(zhuǎn)子電流立即激活Crowbar保護(hù)裝置，使轉(zhuǎn)子電流迅速衰減達(dá)到實(shí)現(xiàn)低電壓穿越的目的。投入Crowbar保護(hù)的同時(shí)閉鎖轉(zhuǎn)子側(cè)變流器，網(wǎng)側(cè)變流器依然保持對(duì)于直流母線電壓的控制并發(fā)出無功功率支持電網(wǎng)電壓恢復(fù)。在Crowbar裝置動(dòng)作期間，DFIG以并網(wǎng)籠型異步發(fā)電機(jī)形式運(yùn)行。故障后立即投入撬棒保護(hù)的雙饋感應(yīng)電機(jī)等效電路如圖3所示。

因此在電網(wǎng)故障情況下，雙饋風(fēng)電機(jī)組Crowbar動(dòng)作情況嚴(yán)重影響風(fēng)電機(jī)組出口功率和故障電流。此外風(fēng)機(jī)的Crowbar動(dòng)作與否還與風(fēng)機(jī)故障時(shí)刻的輸入風(fēng)速和機(jī)端電壓的跌落程度有關(guān)。對(duì)于大型的雙饋風(fēng)電場(chǎng)由大量風(fēng)電機(jī)組構(gòu)成，在空間上占據(jù)了巨大面積，風(fēng)電由于具有隨機(jī)性、波動(dòng)性和間歇性的特點(diǎn)，已有的風(fēng)電場(chǎng)分群方法受到風(fēng)機(jī)機(jī)端電壓跌落程度、Crowbar動(dòng)作情況和隨機(jī)風(fēng)速的影響。

云模型在統(tǒng)計(jì)數(shù)學(xué)和模糊數(shù)學(xué)的基礎(chǔ)上，統(tǒng)一刻畫了不確定性語言值和精確值之間的隨機(jī)性和模糊性。它主要由隨機(jī)性、模糊性和未確知行等多種要素的影響。它以概率理論中的正態(tài)分布和模糊集中的高斯隸屬函數(shù)為基礎(chǔ)，構(gòu)造特定的算法，來實(shí)現(xiàn)定性定量的不確定轉(zhuǎn)換。圖4為用云模型刻畫“年輕”的概念，橫坐標(biāo)表示人的年齡，縱坐標(biāo)表示每個(gè)年齡對(duì)“年輕”這個(gè)概念的隸屬度。

云模型的構(gòu)建主要通過逆向云發(fā)生器和正向云發(fā)生器實(shí)現(xiàn)。其中，逆向云發(fā)生器用于求取一定數(shù)量的數(shù)據(jù)樣本(云滴)分布特征，并將其轉(zhuǎn)換為以數(shù)字特征表示的定性概念，如圖5所示

考慮到雙饋風(fēng)電機(jī)組的暫態(tài)故障特性受到Crowbar動(dòng)作的影響，在故障情況下，當(dāng)轉(zhuǎn)子電流峰值大于Crowbar動(dòng)作設(shè)定值之后，Crowbar才會(huì)投入。因此選取能反應(yīng)轉(zhuǎn)子電流動(dòng)態(tài)特性之一的轉(zhuǎn)子電流峰值作為云模型的云滴樣本，通過逆向云發(fā)生器求取各云滴的3個(gè)數(shù)字特征值，得到的各風(fēng)機(jī)的云模型存在固有差異性，反映了這些影響因素共同作用的效果。轉(zhuǎn)子電流的幅值動(dòng)態(tài)特性相近的風(fēng)機(jī)得到的云模型數(shù)字特征也相對(duì)更為接近，因此可以用得到的云模型的數(shù)字特征作為風(fēng)電機(jī)組的聚類指標(biāo)。

如圖6所示，基于轉(zhuǎn)子電流云模型的雙饋風(fēng)電場(chǎng)分群指標(biāo)計(jì)算流程包括以下步驟：

步驟101：考慮隨機(jī)風(fēng)速和隨機(jī)PCC電壓跌落程度，獲取每臺(tái)風(fēng)機(jī)轉(zhuǎn)子電流峰值的云滴數(shù)據(jù)樣本；

在DIgSILENT仿真軟件中搭建45MW的雙饋風(fēng)電場(chǎng)模型，風(fēng)場(chǎng)包含三條干線，風(fēng)機(jī)臺(tái)數(shù)依次分別為8、12、10。每臺(tái)風(fēng)機(jī)1.5MW，經(jīng)0.69/20kV的箱變升壓，經(jīng)不同長(zhǎng)度的電纜線路匯集到20kV的PCC母線，如圖7所示。

考慮尾流效應(yīng)的Jensen風(fēng)速模型：

式中：R為風(fēng)機(jī)葉輪半徑，在此取值為40m；k為尾流衰減系數(shù)，典取值為0.075；V_w(x)為距上風(fēng)機(jī)x處的尾流風(fēng)速；V₀為輸入風(fēng)速；C為推力系數(shù)，一般取0.8。

針對(duì)已經(jīng)建好的雙饋風(fēng)電場(chǎng)模型，對(duì)應(yīng)每一個(gè)隨機(jī)的輸出風(fēng)速V₀，利用尾流效應(yīng)的Jensen風(fēng)速模型求取每臺(tái)風(fēng)機(jī)的對(duì)應(yīng)輸入風(fēng)速。在隨機(jī)故障的情況下，通過隨機(jī)風(fēng)速和隨機(jī)電壓跌落程度的隨機(jī)組合，取不同風(fēng)況和故障情況下各風(fēng)機(jī)的轉(zhuǎn)子電流峰值I_rot為一個(gè)云滴樣本數(shù)據(jù)。

步驟102：根據(jù)獲取的每臺(tái)風(fēng)電機(jī)組的轉(zhuǎn)子電流云滴樣本，利用逆向云發(fā)生器，求取每臺(tái)風(fēng)機(jī)的轉(zhuǎn)子電流峰值云模型3個(gè)數(shù)字特征(Ex，En，He)；

在云模型理論中，通過用云的數(shù)字特征用期望Ex、熵En和超熵He來表征，反映定性概念整體上的定量特征。

(1)期望：概念在論域空間的中心值，最能代表定性概念的點(diǎn)。

(2)熵：熵反映定性概念的不確定性，這種不確定性表現(xiàn)在三個(gè)方面。熵反映了在數(shù)域空間可以被定性概念接受的云滴群的范圍大小，即模糊度，是定性概念模糊性的度量。En越大，定性概念所接受的云滴的取值范圍越大，定性概念就越模糊。熵反映了這個(gè)定性概念的云滴的離散程度，表示代表定性概念的云滴出現(xiàn)的隨機(jī)性。熵還揭示了模糊性與隨機(jī)性的關(guān)聯(lián)性。熵越大，概念越宏觀，模糊性和隨機(jī)性也越大，確定性量化越難。

(3)超熵：是對(duì)熵的不確定性的度量，是熵的熵，反映在論域空間代表該語言值的所有點(diǎn)的不確定的凝聚性，它的大小間接反映了云的厚度。所有的云滴都在期望曲線附近做隨機(jī)的波動(dòng)，而波動(dòng)程度的大小由He控制。

根據(jù)逆向云發(fā)生器算法計(jì)算數(shù)字特征的主要步驟如下：

(1)計(jì)算每臺(tái)風(fēng)機(jī)轉(zhuǎn)子電流數(shù)據(jù)的樣本均值樣本方差(二階中心距)樣本四階中心距

(2)計(jì)算樣本的云模型數(shù)字特征：期望熵超熵

在計(jì)算超熵He過程中，計(jì)算得到超熵值為虛數(shù)，則意味著本次計(jì)算失效，需要獲得更多的云滴樣本進(jìn)行更精確的參數(shù)估計(jì)。如果進(jìn)一步的數(shù)據(jù)無法獲得，則超熵?zé)o從計(jì)算。超熵He是描述定性概念不可或缺的數(shù)字特征，對(duì)表達(dá)概念的定量數(shù)據(jù)的范圍和分布情況有著重要影響。因此，對(duì)逆向云算法進(jìn)行改進(jìn)，提出更合理，更精確的逆向云算法。

新的逆向云算法：盡可能的利用樣本點(diǎn)的信息，減少估計(jì)誤差，同時(shí)保證超熵估計(jì)值為正實(shí)數(shù)。因此，在估計(jì)Ex和En時(shí)，利用全部樣本信息；在估計(jì)超熵He時(shí)，如果超熵估計(jì)值He為虛數(shù)，則逐步刪除離期望Ex最近的云滴樣本，從新計(jì)算He，直到He為正實(shí)數(shù)。這樣可將人為可能產(chǎn)生的誤差降低到最小程度。

步驟3：將每臺(tái)風(fēng)電機(jī)組的3個(gè)數(shù)字特征作為風(fēng)電場(chǎng)分群指標(biāo)，利用聚類算法對(duì)大型風(fēng)電場(chǎng)分群聚合。

得到各風(fēng)機(jī)對(duì)應(yīng)的云模型數(shù)字特征后，以云模型3的個(gè)特征量作為分群指標(biāo)，應(yīng)用k-means聚類算法進(jìn)行風(fēng)電機(jī)組的聚類分析。K-Means聚類算法主要分為三個(gè)步驟：

(1)第一步是為待聚類的點(diǎn)尋找聚類中心

(2)第二步是計(jì)算每個(gè)點(diǎn)到聚類中心的距離，將每個(gè)點(diǎn)聚類到離該點(diǎn)最近的聚類中去

(3)第三步是計(jì)算每個(gè)聚類中所有點(diǎn)的坐標(biāo)平均值，并將這個(gè)平均值作為新的聚類中心

反復(fù)執(zhí)行(2)、(3)，直到聚類中心不再進(jìn)行大范圍移動(dòng)或者聚類次數(shù)達(dá)到要求為止。

實(shí)施例

在附圖7所示的風(fēng)電場(chǎng)模型中，1.5MW風(fēng)機(jī)的參數(shù)為:Pe＝1.5MW,Ue＝690kV,Rs/p.u.＝0.01,Xs/p.u.＝0.1,Rr/p.u.＝0.01,Xr/p.u.＝0.1,Xm/p.u.＝3.5；H＝4.02s,D＝1.5s,K＝80.27。其中Rs、Xs、Rr、Xr、Xm分別為發(fā)電機(jī)的定子電阻、定子電抗、轉(zhuǎn)子電阻、轉(zhuǎn)子電抗、勵(lì)磁電抗參數(shù)。H、D、K分別為風(fēng)機(jī)的慣性時(shí)間常數(shù)、軸系阻尼系數(shù)和軸系剛度系數(shù)。

風(fēng)機(jī)低電壓穿越能力采用仿真軟件DIgSILENT的默認(rèn)設(shè)置。其中Crowbar設(shè)置：轉(zhuǎn)子電流大于2pu，Crowbar投入；轉(zhuǎn)子電流小于2pu，Crowbar切除。

在隨機(jī)輸入風(fēng)速和隨機(jī)PCC電壓跌落程度的情況下，獲取不同情況下風(fēng)機(jī)的轉(zhuǎn)子電流峰值為一次隨機(jī)實(shí)現(xiàn)，即為一個(gè)云滴樣本，通過隨機(jī)模擬產(chǎn)生大量的云滴樣本，然后用逆向云發(fā)生器即可得到反映該風(fēng)機(jī)轉(zhuǎn)子電流峰值動(dòng)態(tài)過程的云模型數(shù)字特征。

得到各風(fēng)機(jī)對(duì)應(yīng)的云模型數(shù)字特征后，以云模型3的個(gè)特征量作為分群指標(biāo)，應(yīng)用k-means聚類算法進(jìn)行風(fēng)電機(jī)組的聚類分析。

表1雙饋風(fēng)電場(chǎng)分群結(jié)果

根據(jù)確定的DFIG分組，分別按照容量加權(quán)的方法進(jìn)行等值，對(duì)發(fā)電機(jī)的功率(容量)、定轉(zhuǎn)子阻抗參數(shù)、風(fēng)機(jī)的機(jī)械參數(shù)、控制系統(tǒng)PI參數(shù)進(jìn)行等值計(jì)算求等值風(fēng)機(jī)的參數(shù)，建立DFIG的風(fēng)電場(chǎng)多機(jī)等值模型。

仿真：t＝1s時(shí)PCC外輸電線路發(fā)生三相故障，1.5s時(shí)故障切出，對(duì)比詳細(xì)模型與仿真模型PCC輸出功率、電壓、電流波形。PCC輸出功率、電壓、電流波形如附圖8所示。由此可見，等值模型相對(duì)于詳細(xì)模型的誤差較小，具有良好的暫態(tài)等值精度。

因此，若采用基于轉(zhuǎn)子電流動(dòng)態(tài)特性的雙饋風(fēng)電場(chǎng)機(jī)群聚合方法，能夠較綜合考慮風(fēng)電場(chǎng)動(dòng)態(tài)等值過程中的隨機(jī)性和模糊性，準(zhǔn)確地反映隨機(jī)風(fēng)速和隨機(jī)電壓跌落程度下的風(fēng)電場(chǎng)的暫態(tài)故障特性，為風(fēng)電場(chǎng)的短路電流計(jì)算提供模型支持。

圖9為本發(fā)明的所述系統(tǒng)結(jié)構(gòu)圖，包括依次相連的：雙饋風(fēng)電場(chǎng)建模模塊1、逆向云發(fā)生器模塊2、風(fēng)電場(chǎng)分群聚合模塊3；

雙饋風(fēng)電場(chǎng)建模模塊1用于建立雙饋風(fēng)電場(chǎng)模型，通過隨機(jī)風(fēng)速和隨機(jī)電壓跌落程度的兩者隨機(jī)組合獲取不同風(fēng)況和故障情況下每臺(tái)風(fēng)機(jī)的轉(zhuǎn)子電流峰值來作為云滴樣本數(shù)據(jù)；

逆向云發(fā)生器模塊2根據(jù)雙饋風(fēng)電場(chǎng)建模模塊1獲取的云滴樣本數(shù)據(jù)求取每臺(tái)風(fēng)機(jī)的轉(zhuǎn)子電流峰值云模型3個(gè)數(shù)字特征：期望、熵、超熵；

風(fēng)電場(chǎng)分群聚合模塊3將逆向云發(fā)生器模塊2求取的每臺(tái)風(fēng)機(jī)的3個(gè)數(shù)字特征作為風(fēng)電場(chǎng)分群指標(biāo)，利用聚類算法對(duì)大型風(fēng)電場(chǎng)分群聚合。

此實(shí)施例僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。