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。     

基于DIgSILENT的风电场等值建模研究

本文针对实际风电场运行条件复杂、运行工况动态变化等特点,提出了一种基于马氏距离的模糊聚类算法对风电场进行等值建模的方法。以风电场在不同风况下、季节变化时间段内所采集的实测风速-功率数据作为分群指标进行机群聚类划分,将同群的风电机组等值成一台机组并在DIgSILENT和其Matlab接口下实现风电场的动态等值建模。仿真结果表明,该等值模型在风速波动时和高压侧线路故障的情况下,风电场并网点的有功、无功变化与实测数据曲线的动态变化基本一致,可用于含双馈风电机组的风电场接入电力系统时的稳定性分析。     

基于改进分裂H-K聚类算法的风电场机群划分方法

针对风电场建立多机等值模型时等效风机数目不确定的问题,通过分析风电机组的运行机理,以风机的实际参数为聚类指标,引入轮廓系数计算不同等值数目时的轮廓值,选择最优的聚类数目,运用改进分裂H-K聚类算法进行聚类。在MATLAB平台上建立风电场详细模型和聚类模型,在两种风速模式下分析两种模型输出的有功功率和无功功率曲线,结果表明两种模型曲线在同时间点上相对误差率很小,提高了模型精度。文中提出的方法可以运用于风电场的多机等值建模,能够比较准确地反映风电场的动态响应特性。     

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。     

基于改进模糊C均值聚类和MPSO的风电场等值研究

为了提高双馈风电场等值模型的精准度,提出了一种双馈风电场等值建模方法。首先选取能表征各个机组运行状态的特征状态变量矩阵作为分群指标,采用改进模糊C均值聚类算法进行机群划分;然后基于全局最优位置变异粒子群算法对等值机模型的参数进行辨识,将同群的机组等值成一台风机。利用DIgSILENT/PowerFactory平台进行仿真建模,对风电场发生风速阶跃变化和三相短路故障2种状态进行仿真,仿真结果表明,该等值模型与详细模型的动态特性基本一致,比传统的单机等值模型更适合表征双馈风电场的工况。     

基于自组织映射神经网络K-means聚类算法的风电场多机等值建模

为研究高比例风电接入对电网安全稳定性的影响,提出了基于SOM(自组织映射神经网络) Kmeans聚类的风电场多机等值建模方法。首先选取风电场运行时的有功功率、无功功率、机端电压、输出电流、平均风速5种状态变量作为聚类算法的输入变量矩阵,通过基于SOM K-means聚类算法对变量矩阵进行处理,得到风电机组等值群数。然后用1台机组并联理想受控电流源的方法表征整个同群机组,得到风电机组的多机等值模型并进行仿真计算。最后通过与单机模型及详细模型在风速扰动和短路下的仿真曲线对比验证所提出的多机等值方法的有效性。     

考虑空间效应的风电场动态特性等值方法研究

提出了一种基于聚类算法和实测数据的风电场动态等值建模方法,根据某风电场的实测数据,通过随机抽样比较的方式证明了风电场内机组间的空间效应,并且利用风速曲线和功率曲线在不同机组间的显著差别,说明风电机组间的空间效应在建立风电场动态等值模型时是不可忽略的。利用K-means聚类分析方法并以实测的数据作为分群指标,将某风电场的33台UP77-1.5 MW风电机组聚成4个机群,每个机群对应建立一个等值模型,消除了机组间的空间效应。最后,通过将各个模型与实测的数据的等值比较与误差分析,验证了模型的合理性。与传统模型进行比较,实际验证结果表明该方法建立的模型比传统模型精确度高。     

基于实测数据的大型风电场稳态等值建模

针对大型风电场仿真模型复杂、计算量大的缺点,提出一种利用实测数据建立大型风电场稳态等值模型的方法。对于实测风速数据中的各种干扰,通过粒子滤波算法进行滤除;同时采用聚类算法对反映风电机组风速差异性的特征风速进行提取。然后,以特征风速为输入,实测风电输出功率为输出,采用BP神经网络拟合风电场稳态等值模型。最后,利用不同季节不同日期的实测风速功率数据对稳态等值模型进行泛化能力分析和精度验证,仿真结果表明该建模方法合理,所建模型具有一定的准确性。     

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。     

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。     

用于次同步振荡分析的直驱风电场等值模型

实际风电场具有风电场数量多、运行工况呈分散性等特点,对风电场进行恰当的等值建模具有实际工程意义。针对由电流内环主导的直驱风电场次同步振荡的等值建模问题,参考同步发电机组建模研究工作,结合K-means分群方法与相似变换原理建立多机并联直驱风电场主导振荡特性保持的等值模型。通过改变电流内环控制参数,对比分析详细模型（考虑风机并网台数,集电线路差异）与等值模型振荡特性差异。研究结果表明:基于相似变换原理搭建的直驱风电场等值模型可以准确反映系统主导振荡特性,有效降低模型阶数,提高仿真速度。     

风电场等值建模研究综述

随着风电场规模的不断增大,对风电场中每台风机建模将造成计算量过大,不利于大型风电场的研究,需要对风电场进行等值化简。对双馈感应风机和直驱永磁同步风机两种当前热门机型的建模进行概述,同时介绍了潮流计算中风电场的处理方法,并对风电系统的等值进行了综述,包括风速的等值、风电场的分群、同群风机的等值方法、常用的参数优化算法及其对等值的影响。最后综述了含单一主流机型风电场通常采用的等值方法,并指出随着不同机型并存的大型混合风电场的增多,混合风电场等值建模研究的必要性及研究趋势。     

计及尾流效应的双馈机组风电场等值建模研究

针对双馈机组风电场内机组间尾流的相互影响,提出一种新的风电场等值建模方法。该方法考虑尾流效应,定义了"尾流影响因子"表征各台风电机组受其他风电机组尾流影响的程度,并以此作为风电场内风电机组的分组依据。将风向作为输入,从而进行风电机组的分组以及合并等值。同时给出了合并后等值模型参数的计算方法,得到风电场的多机等值模型。仿真结果表明,利用该方法建立的等值模型较之传统的等值模型能更准确地体现风电场的功率输出特性。     

双馈风力发电机组的分群方法研究

风电机组的分群对提高风电场等效建模的精度具有重要的意义.首先分析了常用分群方法的优缺点,在此基础上提出了一种基于双馈风电机组（DFIG）动态特性曲线分群的方法.将故障条件下DFIG动态特性曲线的相似度作为分群指标,运用系统聚类法对风电机组进行分群.然后又利用该分群方法,对风电机组运行状态曲线进行分区,从而得到一种快速的分群策略.最后通过仿真,对比分析了采用不同风电机组分群方法时风电场等效建模的精度,验证了所提出的风电机组分群方法的有效性和可行性.     

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。     

基于模糊C均值聚类的风电场多机等值方法

风电场等值是含风电场接入电网分析计算的重要技术手段。为降低风电场等值的难度,提高风电场分群的效率,本文基于风电机组实际运行中的监测状态量,采用模糊C均值(FCM)聚类算法,实现了风电场等值。首先选定各机组输出有功功率、无功功率、机端电压有效值及输出电流有效值为分群指标,并根据给定的等值机台数,将风电场分群问题转化为聚类问题;其次建立了风电机组类属隶属度函数和模糊C均值聚类算法的目标函数,通过迭代求解最优的聚类中心和模糊隶属度矩阵,得到风电场分群结果,算法具有计算简单、收敛性好的特点;然后,根据分群结果,对不同群的风电机组进行等值,实现风电场的多机等值;最后,通过仿真比较验证了本方法的有效性。本方法选取的分群指标具有可实操性,且在给定等值机台数条件下,计算更为简单、等值精度更高,适合用于风电场等值的实际工程计算。     

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。     

基于主成分分析法的直驱式风电场分群方法

为了建立较为精确的风电场等值模型,提出了一种基于主成分分析法的直驱式风电场分群方法。首先对直驱式风电机组进行建模和分析,得到了表征风电机组运行状态的全部状态变量。然后利用主成分分析法提取了3个主导变量,它们代表了全部状态变量90%以上的信息,可较准确地反映机组的运行点。最后为了进行对比分析,在算例中分别以3个主导变量和风速为分群指标进行分群计算,并在Matlab/Simulink平台上搭建了风电场的详细模型、以主导变量分群的等值模型及以风速分群的等值模型。通过比较三种模型在风速波动及电网故障情况下动态特性的仿真结果,验证了所提分群方法的正确性及较高的精确性。以该方法分群建立的风电场等值模型的精确性较高。