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.     

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。     

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。     

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。     

考虑空间相关性的风电场等值方法

由于大规模风电场的复杂性,对风电场的每台风电机组建立详细的模型将大大增加仿真的计算量,因此需要对风电场进行等值化简。在分析了风电场风电机组之间尾流效应、海拔高度、空间遮挡和机组停运等相互作用的基础上,推导出能够表征风电机组空间相关性的相关性系数,并以此为分群指标运用K-means聚类算法对风电机组进行分群。K-means聚类算法需要事先给出聚类个数,针对此问题对K-means聚类方法进行了改进,提出了有效性指标来确定最优分群数,并给出了等值模型的参数计算方法,得到了风电场的多机等值模型。通过算例仿真表明,该方法具有较高的精度,对K-means方法的改进也具有一定的有效性。     

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。