本發(fā)明涉及電力系統(tǒng)及其自動化領域，具體是一種適用于次同步振蕩分析的風電集群等值聚合方法、系統(tǒng)及設備。

背景技術：

1、隨著大規(guī)模風電場并網(wǎng)，電力系統(tǒng)新型次同步振蕩事件頻發(fā)，嚴重威脅新型電力系統(tǒng)的安全穩(wěn)定運行。風電并網(wǎng)系統(tǒng)特性和振蕩現(xiàn)象引發(fā)學者廣泛關注。大規(guī)模風電集群等值聚合在保留風電并網(wǎng)系統(tǒng)特性的基礎上將模型降階，提高模型計算分析的效率，為電力系統(tǒng)新型次同步振蕩的研究奠定基礎。

2、現(xiàn)有對風電集群的等值聚合方法研究聚焦于分群指標選擇、聚合方法改進、針對的特定工況三方面。在適用于次同步振蕩特性分析的等值方法中，袁賽軍、郝治國、舒進所著《適用于次同步振蕩分析的直驅式風電場等值方法》在阻抗模型的基礎上通過阻抗靈敏度分析提取風機分群指標，采用k-means算法分群；譚尚晨、郭春義、杜東冶所著《直驅風電場聚合模型下次同步振蕩模態(tài)特征的保真度分析與評價》根據(jù)風機模式分析得到的主導次同步振蕩模態(tài)的主要參與環(huán)節(jié)，對風電機組采用容量加權方法聚合，但這些方法獲取的分群指標均和控制參數(shù)有關，然而實際同一區(qū)域同一風電場極少存在控制參數(shù)設置不一致的情況，因此面對大量樣本時，依據(jù)控制參數(shù)對風電機組進行分群難度較大，且k-means算法需定義聚類數(shù)k，運算過程需要進行反復迭代，運算效率較低。還有研究依據(jù)風速、槳距角動作情況、風機的控制系統(tǒng)切換情況、同調(diào)機群識別等對風機進行分群，然而這些方法均針對穩(wěn)定運行、三相故障、低電壓穿越等風機運行工況，針對風電系統(tǒng)次同步振蕩運行狀態(tài)的等值聚合方法研究仍然欠缺。

技術實現(xiàn)思路

1、本發(fā)明意在提供一種適用于次同步振蕩分析的風電集群等值聚合方法，主要用于解決現(xiàn)有等值聚合方法存在的分群指標區(qū)別性較小導致分群難度較大、算法運算效率低以及不適應特定風電系統(tǒng)次同步振蕩運行狀態(tài)分析的技術問題。

2、為解決上述技術問題，本發(fā)明提供如下第一個技術方案：

3、一種適用于次同步振蕩分析的風電集群等值聚合方法，包括以下步驟：

4、s1：獲取適用于實際工程的計及振蕩的風機分群指標；

5、s2：按鏈路順序由并網(wǎng)側采樣構造樣本數(shù)據(jù)，依據(jù)分群指標通過birch算法生成聚類特征樹，實現(xiàn)風電機組分群；

6、s3：將同一風電機組集群中的不同機組按拓撲結構和算法結果聚合，遵循功率一致和容量一致原則對同一集群的機組聚合獲得聚合模型，針對次同步振蕩工況對風電集群進行等值聚合。

7、優(yōu)選的，所述步驟s1中，獲取對風機的狀態(tài)空間模型進行次同步振蕩模態(tài)辨識及參與因子排序，獲取風機分群指標，排序方法如下：

8、s11：根據(jù)風機的動態(tài)模型在小擾動下線性化得到小信號模型，將風電機組表示為如下狀態(tài)空間模型：

9、

10、式中：δx為狀態(tài)變量；δu為輸入變量；a為狀態(tài)矩陣；b為輸入矩陣；

11、s12：由狀態(tài)矩陣構造特征方程求解系統(tǒng)特征根：

12、|λi-a|＝0

13、式中，λi＝σi+jωi,i＝1,2,...n為特征根；i表示單位矩陣；

14、每對共軛特征根對應一個振蕩模式，特征根的實部表示系統(tǒng)對振蕩的阻尼，虛部用于計算振蕩的頻率，提取其中的次同步振蕩模式；

15、s13：根據(jù)狀態(tài)矩陣計算其左右特征向量，進而求得各振蕩模式下狀態(tài)變量的歸一化參與因子；利用線性變換δx＝uz將狀態(tài)空間模型變換為約當型，定義參與因子pij來表征狀態(tài)變量與振蕩模式的關系：

16、

17、式中，pij表示第i個振蕩模式與第j個狀態(tài)變量的相互參與程度；u為狀態(tài)矩陣右特征向量；左特征向量vt＝u-1；vij表示狀態(tài)矩陣的左特征向量中與第i個振蕩模式及第j個狀態(tài)變量對應的項；uij表示狀態(tài)矩陣的右特征向量中與第i個振蕩模式及第j個狀態(tài)變量對應的項；表示左特征向量中與第i個振蕩模式對應項構成矩陣的轉置；ui表示狀態(tài)矩陣的右特征向量中與第i個振蕩模式對應的項構成的矩陣。

18、對所有狀態(tài)變量求解次同步振蕩模式的參與因子，歸一化處理后排序，篩選出對風電系統(tǒng)次同步振蕩參與程度由高到低的前2-3個狀態(tài)變量作為關鍵變量，并將關鍵變量作為分群指標；

19、s14：將風速及關鍵變量作為分群指標。

20、優(yōu)選的，所述步驟s2中，所述按鏈路順序由并網(wǎng)側采樣構造樣本數(shù)據(jù)，依據(jù)分群指標通過birch算法生成聚類特征樹方法如下：

21、s21：在構造用于分群的樣本數(shù)據(jù)時從pcc點向風機側采樣，按鏈路順序依次讀取數(shù)據(jù)；

22、s22：根據(jù)分群指標，選用利用層次方法的平衡迭代規(guī)約和birch算法實現(xiàn)風電機組分群。

23、優(yōu)選的，所述步驟s22中，birch算法實現(xiàn)風電機組分群方法如下：

24、s221：首先，預先定義葉子節(jié)點最大樣本半徑閾值t及聚類特征樹cf?tree節(jié)點內(nèi)部的最大樣本數(shù)b；

25、s222：而后，按順序讀取數(shù)據(jù)，從根節(jié)點向上尋找與樣本數(shù)據(jù)距離最近的葉子節(jié)點并將其加入該節(jié)點內(nèi)，計算葉子節(jié)點的樣本半徑閾值和聚類特征樹cftree節(jié)點內(nèi)部的樣本數(shù)，構造出具備層次結構的聚類特征樹cftree，其中每一葉子節(jié)點稱為一簇；

26、s223：當輸入的數(shù)據(jù)與樣本數(shù)據(jù)距離最近的葉子節(jié)點的距離大于t或某一葉子節(jié)點內(nèi)部樣本數(shù)大于b以致分群聚合效果不佳時，分裂該葉子節(jié)點；將其中距離最遠的兩樣本數(shù)據(jù)作為質心，即新的葉子節(jié)點，其他樣本按距離劃分入兩節(jié)點中，實現(xiàn)子簇的分離，而后依次向下檢查父節(jié)點是否需要分裂，如需分裂方法與葉子節(jié)點分裂相同；

27、s224：最終得到符合樣本半徑閾值和特征樹節(jié)點內(nèi)部樣本數(shù)限值的聚類數(shù)，得到具備層次結構的聚類特征樹cf?tree，從而實現(xiàn)風電機組分群。

28、優(yōu)選的，所述步驟s3中，所述遵循功率一致和容量一致原則對同一集群的機組聚合方法如下：

29、s31：等值模型的控制參數(shù)一致，遵循功率一致和容量一致原則對同一集群的風電機組電氣參數(shù)等值：

30、

31、req＝r/r；leq＝l/r；ceq＝rc

32、式中：s、p為風機的容量、風功率，pk為該集群內(nèi)的第k臺風機的風功率；v表示風速，f-1根據(jù)風功率的求解表達式通過反函數(shù)求解風速；r、l、c為網(wǎng)側濾波或變流器等效電阻、電感、電容；r表示等值聚合的機組數(shù)；下標eq代表等值參數(shù)；風電機組聚合后的等值風速通過風速—功率曲線反推得到；

33、s32：針對集電線路的等值參數(shù)計算采用等功率損耗法，聚合后機組與pcc點間的等值電纜阻抗參數(shù)為：

34、

35、式中：zeq表示等值集電線路阻抗；zk、uk、sk、zk_t分別為第k臺風機的線路阻抗、機端電壓、容量及升壓變壓器阻抗；si、ui分別為第i臺風機的線路阻抗、機端電壓。

36、s33：電纜的等值電容的大小等于等值前集電線路所有電容值之和，即ceq＝∑ci；

37、式中：ceq表示電纜等值電容；ci為第i條集電線路電容值。

38、為解決上述技術問題，本專利提出的第二個技術方案如下：

39、一種適用于次同步振蕩分析的風電集群等值聚合系統(tǒng)，應用于一種適用于次同步振蕩分析的風電集群等值聚合方法，包括：

40、分群指標獲取模塊，用以獲取適用于實際工程的計及振蕩的風機分群指標；

41、分群模塊，用以依據(jù)分群指標通過birch算法生成聚類特征樹，實現(xiàn)風電機組分群；

42、聚合模塊，用以針對次同步振蕩工況對風電集群進行等值聚合。

43、優(yōu)選的，所述分群指標獲取模塊包括：

44、狀態(tài)空間模型獲取單元，用以根據(jù)風機的動態(tài)模型在小擾動下線性化得到小信號模型；特征根求解單元，用以根據(jù)狀態(tài)空間模型獲取單元中得到的狀態(tài)矩陣構造特征方程求解出特征根；

45、關鍵變量獲取單元，用以根據(jù)特征根求解單元獲取的單位矩陣計算其左右特征向量，進而求得各振蕩模式下狀態(tài)變量的歸一化參與因子，對所有狀態(tài)變量求解次同步振蕩模式的參與因子，歸一化處理后排序，篩選出對風電系統(tǒng)次同步振蕩參與程度由高到低的前2-3個狀態(tài)變量作為關鍵變量，并將關鍵變量作為分群指標；

46、分群指標確定單元，用確立風速及關鍵變量作為分群指標。

47、優(yōu)選的，所述分群模塊包括：

48、數(shù)據(jù)讀取單元，用以在構造用于分群的樣本數(shù)據(jù)時從pcc點向風機側采樣，按鏈路順序依次讀取數(shù)據(jù)；

49、分群單元，用以根據(jù)分群指標，選用利用層次方法的平衡迭代規(guī)約和birch算法實現(xiàn)風電機組分群。

50、優(yōu)選的，所述聚合模塊包括：

51、電氣參數(shù)等值單元，用以遵循功率一致和容量一致原則對同一集群的風電機組電氣參數(shù)等值；

52、電纜阻抗參數(shù)等值單元，用以針對集電線路的等值參數(shù)計算采用等功率損耗法，將聚合后機組與pcc點間的電纜阻抗參數(shù)等值；

53、為解決上述技術問題，本專利提出的第三個技術方案如下：

54、一種電子設備，其特征在于，包括存儲器及處理器，所述存儲器用于存儲計算機程序，所述處理器運行所述計算機程序以使所述電子設備執(zhí)行一種適用于次同步振蕩分析的風電集群等值聚合方法。

55、電容參數(shù)等值單元，用以將電纜的等值電容的與等值前集電線路所有電容值之和等值。

56、本發(fā)明的有益效果如下：

57、1.本發(fā)明中所提方法、系統(tǒng)及設備的分群指標選取考慮了實際工程中風機差異的影響因素，通過對風機的狀態(tài)空間模型進行次同步振蕩模態(tài)辨識及參與因子排序，篩選出對風電系統(tǒng)次同步振蕩參與程度高的狀態(tài)變量作為分群指標，因此，該分群指標對次同步振蕩工況針對性強，適用于實際電力系統(tǒng)的次同步振蕩工況研究，具有一定的工程意義和應用前景的同時，提高了算法分群效率與難度；相比k-means聚類算法，birch算法無需定義聚類數(shù)k，運算不涉及反復迭代，計算時間短、占用空間小，因此適用于大量樣本的高維數(shù)據(jù)的分群；因此，本方案相比起現(xiàn)有技術，解決了現(xiàn)有等值聚合方法存在的分群指標區(qū)別性較小導致分群難度較大、算法運算效率低以及不適應特定風電系統(tǒng)次同步振蕩運行狀態(tài)分析的技術問題。

58、2.birch算法按已有的數(shù)據(jù)輸入順序依次分配各葉子節(jié)點，因此對依據(jù)一定拓撲結構量測輸出的數(shù)據(jù)，該聚類算法考慮了拓撲結構，其分群結果更符合普遍認知。