基于分裂层次半监督谱聚类算法的风电场机群划分方法

在谱聚类技术的基础上,面向风电场动态等值建模,提出一种基于分裂层次半监督谱聚类算法的风电场机群划分方法。首先根据风电机组的实测运行数据,构造一个可以体现原始数据结构且能为分类提供更多有效信息的特征向量矩阵Y。进而利用获取的部分样本组的先验信息,采用自顶向下的簇分裂策略,对Y中的样本组进行半监督聚类划分,得到风电机组的机群划分结果 ,采用容量加权法计算各机群等值风电机组的参数,建立风电场的动态等值模型。以某实际风电场为例进行仿真验证,结果表明,采用所提方法建立的动态等值模型与详细模型较接近,能够较准确地反映风电场的动态响应特性。     

基于免疫离群数据和敏感初始中心的K-means算法的风电场机群划分

风电机组在实际运行时,受尾流效应和迟滞效应等因素的影响,场内机组运行状态并不相同,风电场采用传统的单机表征模型可能会产生较大误差。该文基于风电场实测运行数据,以风电机组具有相近运行点为机群划分原则,提出一种基于免疫离群数据和敏感初始中心的K-means算法的风电场机群划分方法。首先,针对风电场实测运行数据含有离群数据的问题,基于实测样本分布密度分析,对实测数据进行离群数据处理,免疫离群数据的干扰。其次,传统K-means算法对初始聚类中心的选取是随机的,划分结果容易陷入局部最优,基于改进的最大最小距离法对初始机群中心进行优化选择,免疫机群划分结果对初始机群中心随机选取的敏感性。最后,通过对某实际风电场的仿真分析,验证了所提机群划分方法的有效性,所建立的风电场等值模型能够较准确地反映风电场并网点的动态特性,模型的精确性有了较大的提高。     

永磁直驱同步风电场多机动态等值模型

以提高仿真效率为目的,建立了一种适用于永磁直驱同步电机风电场的多机动态等值模型。该模型在同调等值法的基础上,选择能综合反映风电机组运行状态的变量矩阵作为分群指标,通过模糊聚类算法对指标矩阵进行处理,将具有相近运行点的风电机组划分到同一机群。并用一台风电机组并联一个电流源组成等值机组表征该机群,最后通过多个表征机群的等值机组的组合建立了风电场动态等值模型。在此基础上,利用电力系统电磁暂态ATP/EMTP软件平台进行实例仿真,仿真结果验证了该等值模型的有效性。     

基于实测数据的风电场风速-功率模型的研究

建立准确的风电场模型是风电接入系统相关研究的基础。首先通过对某双馈风电机组的标准功率特性曲线和实测风速-功率散点图进行对比,针对它们之间的差异问题,建立基于实测运行数据的风电机组风速-功率模型。其次,针对地形复杂、机组排列不规则的大型风电场风速差异性问题,利用K-means聚类算法对风电场内所有风电机组按实测风速数据进行聚类划分,建立了整个风电场的等效风速模型,进而给出了基于实测运行数据的风电场风速-功率模型。然后,以某实际风电场为例,对该风电场内的风电机组按风速进行K-means聚类划分,结果显示该划分结果与简单按地理位置的机群划分结果有明显差异。最后,对传统的风速-功率模型和所提出的风速-功率模型输出结果进行比较,结果证明所提出的模型相对于传统模型而言,准确性有了较大的提高。     

风电场动态等值模型的多机表征方法

为提高风速分布不均匀时风电场等值模型的精度,提出了一种适用于定速机组风电场动态等值的多机表征方法。该方法以风电机组具有相近运行点为机组分群原则,定义了新的机群分类指标,结合聚类算法对风电机组进行动态分群,并给出了等值模型的参数计算方法及其仿真建模过程,从而得到多机表征的风电场模型。通过算例仿真,并与传统等值方法进行了比较分析。结果表明,提出的机群分类指标是有效的,所建立的多机等值模型能够较准确地反映风电场并网点的动态特性。     

适用于次同步振荡研究的直驱风电场等值建模

针对当前直驱风电场次同步振荡研究缺乏合适的等值模型这一问题,首先对单台直驱风机并网系统进行小信号建模及参与因子分析,得到了影响直驱风机次同步振荡的主导参量;接着将这些主导参量作为直驱风电场等值建模的聚类指标,利用SOM神经网络聚类算法对风电机组进行聚类,并借鉴同调等值法原理整定了风电机群的运行状态。最后,在PSCAD/EMTDC上建立了风电场等值模型,通过比较等值模型对实际风电场的等值效果,验证了直驱风电场等值建模方法的合理性。     

基于改进FCM聚类算法的风电场等值建模研究

考虑风电场中各机组接收到的风速、机械特性、控制特性等差异,以风速-功率作为聚类指标,并以隶属度-权值构成的多条件聚合约束对风电机组进行分群优化,结合尾流效应模型提出了改进FCM聚类算法的风电场等值建模方法。最后,以陕西某风电场实测数据为样本进行等值建模,验证了模型的准确性和有效性。     

考虑实际运行数据的风电场稳态建模

为建立准确的风电场稳态模型,该文分区域分析了风电机组的稳态运行特性,提出一种基于实测数据的三机等效风电场稳态建模方法。首先,分析了风电机组在4个不同运行区域的稳态输出特性;然后,根据风电场内各风电机组的实测风速,采用改进型最大树法将其分类,并建立各类机群的实际风速-功率特性曲线;最后,由风电机组各区域稳态输出特性建立各类机群的风速-功率分段函数关系。在此基础上,计算各类机群的等值风速,从而建立三机等效风电场稳态模型。仿真结果表明三机等效模型可有效提高风电场稳态建模的精度。     

基于扩散映射理论的谱聚类算法的风电场机群划分

针对地形复杂或布局不规则的风电场,将谱聚类方法应用于风电场机群划分,提出了一种风电场的机群分类方法.该方法以风电机组具有相同或相近运行点为机组分群原则,应用基于扩散映射理论的谱聚类算法对风电场各机组的实测运行数据进行聚类分析,找到风电机组之间动态运行过程的相似性,从而实现对风电场内所有风电机组的聚类划分.通过算例仿真验证了所提出的机群划分方法的有效性.     

基于撬棒控制策略的DFIG风电场动态等值建模研究

为研究双馈风电机组(doubly fed induction generator,DFIG)低电压穿越对风电场动态等值的影响,提出了一种基于撬棒控制策略的双馈风电场动态等值建模方法。首先通过对DFIG在电网故障时的转子电流分析,给出了时域下转子暂态电流表达式。然后研究撬棒电路两种常用控制策略在不同电压跌落程度及DFIG运行状况下对风电机组低电压穿越的影响,仿真结果表明两种控制策略均有各自的适用范围。在此基础上,文中提出了撬棒电路投切曲线及控制策略选择区域曲线,以此判断电网故障时撬棒电路投切以及投切时控制策略选择情况。考虑故障前一时刻风电场机群划分情况,在电网故障时以实测风速与撬棒电路是否动作共同作为分群指标,将撬棒电路动作机组从故障前原"N"个机群中独立出来形成"N+1"个机群,利用容量加权法计算各机群参数,建立多机等值模型。最后在MATLAB/Simulink平台上搭建算例,验证了该等值方案的有效性和准确性。     

风电场群出力的汇聚效应分析

分析大规模风电场群的汇聚效应特性,找出其中的规律,可以帮助电网更为合理的接纳风电,提高新能源利用效率。通过实测某省级电网的风电场群运行数据,基于时间序列、频谱分析、概率统计等方法,分析风电场、风电场群的风电功率变化特征,获取风电场群出力的汇聚效应特性。     

面向提供系统灵活性的风电场内机组优化运行

现有风电优化运行模型中鲜有涉及风电场内部机组优化的运行策略,且风电大多以“被动”参与者的身份参与系统调度,忽略了风电自身提供灵活性的可能。基于此,提出一种面向提供系统灵活性的风电场内机组优化运行方法。首先,从供给侧和负荷侧分析风电场站并网时的灵活性资源及灵活性需求,探讨了风电作为灵活性资源的可能性,建立了其灵活性模型;其次,基于风电机组的运行特性采用FCM聚类算法对其进行灵活性分类,并建立分类机组的等效虚拟电源运行模型;然后,构建面向提供系统灵活性的风电场内机组优化运行模型,该模型在得到风电场最优出力计划的同时,通过优化风电场内机组的出力计划使风电场机组的损伤最小;最后,以某风电场为例,通过修订后的IEEE标准节点测试系统验证了该方法的正确性与有效性。     

面向提供系统灵活性的风电场内机组优化运行

现有风电优化运行模型中鲜有涉及风电场内部机组优化的运行策略,且风电大多以“被动”参与者的身份参与系统调度,忽略了风电自身提供灵活性的可能。基于此,提出一种面向提供系统灵活性的风电场内机组优化运行方法。首先,从供给侧和负荷侧分析风电场站并网时的灵活性资源及灵活性需求,探讨了风电作为灵活性资源的可能性,建立了其灵活性模型;其次,基于风电机组的运行特性采用FCM聚类算法对其进行灵活性分类,并建立分类机组的等效虚拟电源运行模型;然后,构建面向提供系统灵活性的风电场内机组优化运行模型,该模型在得到风电场最优出力计划的同时,通过优化风电场内机组的出力计划使风电场机组的损伤最小;最后,以某风电场为例,通过修订后的IEEE标准节点测试系统验证了该方法的正确性与有效性。     

适用于次同步振荡分析的直驱式风电场等值方法

为解决大规模直驱式风电场阻抗建模困难和数值仿真节点限制的问题,基于阻抗分析法的核心原理,以等值前、后直驱式风电场外阻抗特性相一致为目标,提出了适用于次同步振荡分析的直驱式风电场等值方法。该方法包括基于阻抗灵敏度分析的分群聚合和基于遗传算法的等值降阶2个步骤。分别以风电场含相同型号直驱风机和不同型号直驱风机为例,对等值前、后的直驱式风电场外阻抗特性进行对比分析。结果表明,所提方法能够实现大规模直驱式风电场模型的等值降阶,等值前、后的直驱式风电场外阻抗特性较为接近,其等值误差能够被量化。     

基于高斯混合模型聚类的风电场短期功率预测方法

对任意来流条件下的风电场发电功率进行准确预测,是提高电网对风电接纳能力的有效措施。针对大型风电场的功率预测采用单点位风速外推预测代表性差的局限,提出基于高斯混合模型(GMM)聚类的风电场短期功率预测方法。方法结合数据分布特征,利用GMM聚类将大型风电场划分为若干机组群,借助贝叶斯信息准则指标评价,获得风电场内最优机组分组方案。实际算例验证表明,按照小时级、月度级、年度级等时间尺度进行统计,所建立的GMM聚类模型均极大地提高了未分组的风电功率预测模型的准确性。相较于应用广泛的k-means聚类、层次凝聚聚类等方法,GMM聚类方法在分组功率预测中表现出了显著优势,为大型风电场短期功率预测模型的优化及运行经济性的提升提供了技术支持与依据。     

Power Fluctuations From Large Wind Farms

This paper deals with power fluctuations from wind farms. The time range in focus is between one minute and up to a couple of hours. In this time range, substantial power fluctuations have been observed during unstable weather conditions. A wind power fluctuation model is described, and measured time series from the first large offshore wind farm, Horns Rev in Denmark, are compared to simulated time series. The comparison between measured and simulated time series focuses on the ramping characteristics of the wind farm at different power levels and on the need for system generation reserves due to the fluctuations. The comparison shows a reasonable agreement between simulations and measurements, although there is still room for improvement of the simulation model.     

基于IGWO-K-means的风电场动态等值建模

风电场等值建模是分析风电系统的前提和基础,为了提高风电场动态等值建模精度,降低等值难度,本文基于风(风速和风向)、风机本体、风电输出效果和风机工作环境等4个方面,从内蒙古某风电场24台机组实际采样的运行数据中选取了14个变量作为分群指标,全面描述了风电场特性。其次提出了收敛因子非线性策略和动态参考率策略两个控制策略,改进了灰狼优化算法(GWO),并结合K-means聚类算法寻找最佳聚类中心,输出聚类结果,建立风电场动态等值模型。最后在MATLAB/Simulink平台上建立风电场聚类模型,验证该模型的可行性。结果表明,该方法提高了风电场等值建模的精度,能够更好地描述风电场的动态特性。     

计及Crowbar状态改进识别的双馈风电场等值建模方法

故障过程中双馈风机Crowbar投入与不投入的暂态响应特性差异明显,因而在风电场等值中场内机组Crowbar状态是一个良好的机群划分指标。然而,双馈风电场与单台机组间故障特性的差异性,使得现有采用单机模型来识别场内机组Crowbar状态的方法存在识别不准确的问题,从而降低风电场等值建模精度。为此,该文提出一种计及Crowbar状态改进识别的双馈风电场等值建模方法。通过分析风电场故障特性,构建Crowbar状态特征向量;收集风电场各工况下的样本数据,建立基于支持向量机(support vector machine,SVM)的识别模型。在新工况下,依次以Crowbar状态识别结果和输入风速为分群指标对场内机组进行机群划分,从而建立风电场等值模型。仿真算例结果表明,该文提出的基于SVM的Crowbar状态识别方法在各个故障场景下相较于传统方法均有较好的识别效果,所建立的等值模型与详细模型故障暂态特性十分吻合,等值方法合理有效。     

含大规模风电集群电网的在线计算数据生成技术

风电机组大规模接入导致电网的稳定形态更加复杂,迫切需要通过在线安全分析提高电网的新能源消纳能力和运行效率。针对在线安全分析难以准确模拟风电场动态特性的问题,提出了一种含大规模风电集群电网的在线计算数据生成技术。首先,融合状态估计、SCADA和安控系统等多源实时数据辨识低电压网络的运行状态,形成包含风电集群的电网运行方式数据。其中,根据量测数据的时空关联校正模型,识别和校正未经过状态估计量测中的不良数据。然后,依次依据风电机组的静态特征信息和运行状态进行分群,采用基于层次分析的聚类方法确定风电场的动态等值模型。最后,通过实际电网的算例分析验证了所提出方法的有效性。