申请/专利权人：电子科技大学

申请日：2018-03-21

公开（公告）日：2021-06-04

公开（公告）号：CN108460228B

主分类号：G06F30/27(20200101)

分类号：G06F30/27(20200101);G06K9/62(20060101);G06F111/06(20200101);G06F113/06(20200101)

优先权：

专利状态码：有效-授权

法律状态：2021.06.04#授权;2018.09.21#实质审查的生效;2018.08.28#公开

摘要：本发明公开了一种基于多目标优化算法进行风电场等值的方法，通过K‑means算法将风机划分为K个机群，再对每个机群内部进行集电系统等值和风机等值，其中主要对风机等值方法进行了改进：首先分别基于风速波动和故障条件，采用轨迹灵敏度法进行了待辨识参数选取，然后选取容量最大的等值风机作为待辨识风机，最后采用NSGA‑II多目标优化算法对等值机的参数进行辨识，从而得到同时适用于风速波动扰动和故障扰动的风电场等值模型。

主权项：1.一种基于多目标优化算法进行风电场等值的方法，其特征在于，包括以下步骤：1、对风电机组聚类采用K-means聚类算法，以各风机的初始风速为聚类指标，将运行方式相近的风电机组划分为同一机群，得到K类风机组；2、集电系统等值利用PSASP软件建立线路和变压器模型，采用容量加权法对同一机群内的线路和变压器参数进行等值；3、风机等值3.1、利用PSASP软件建立风机等值模型；3.2、选取待辨别的参数；3.2.1、设置风速波动扰动，以风机出口处的输出曲线为观察对象，计算风机等值模型中每个参数的相对轨迹灵敏度，再选取相对轨迹灵敏度较大的参数作为风速波动扰动下的关键参数；3.2.2、设置故障扰动，以风机出口处的输出曲线为观察对象，计算风机等值模型中每个参数的相对轨迹灵敏度，再选取相对轨迹灵敏度较大的参数作为故障扰动的关键参数；3.2.3、将步骤3.2.1和3.2.2得到的关键参数求并集，得到最终的待辨识参数；3.3、确定待辨识的等值风机将聚类后的K类风机组用K台等值风机表征，再选取容量最大的等值风机作为待辨识的等值风机，将剩余的K-1台等值风机采用容量加权法进行等值；3.4、利用NSGA-II多目标优化算法进行参数辨识3.4.1、在待辨识的等值风机中，以步骤3.2.3中得到的最终的待辨识参数为优化对象，建立目标函数； 其中，N1为风速波动情况下风电场输出曲线的采样点总数，N2为故障情况下风电场输出曲线的采样点总数，P为风电场输出的有功功率，Q为风电场输出的无功功率，下标E表示风电场等值模型，下标D表示风电场详细模型，下标wind表示风速波动情况，下标fault表示故障情况，PE_wind表示风电场等值模型在风速波动条件下的输出有功功率；3.4.2、通过NSGA-II多目标优化算法对建立的目标函数求解，得到最优前沿解集，再在最优前沿解集中选取一个使风机等值模型在风速波动扰动和故障扰动条件下的误差最小的解，并作为最优解；3.5、更新风机等值模型将最优解对应待辨识参数带入到风机等值模型中，得到同时适用于风速波动扰动和故障扰动的风电场等值模型；其中，所述的相对轨迹灵敏度的计算方法为： 其中，TSRj为第j个参数θj的相对轨迹灵敏度，N为风机出口处的输出曲线的总采样点数，风速波动条件下采样点数N取N1，故障条件下采样点数N取N2，Δθj为参数θj的变化值，θj0为参数θj的给定值，yi+为参数θj增大Δθj后风机出口处的输出曲线的第i个采样点的值，yi-为参数θj减小Δθj后风机出口处的输出曲线的第i个采样点的值，K为参数总个数。

全文数据：一种基于多目标优化算法进行风电场等值的方法技术领域[0001]本发明属于电力系统领域，更为具体地讲，涉及一种基于多目标优化算法进行风电场等值的方法。背景技术[0002]新世纪以到来，社会经济飞速发展，能源的需求量剧增，能源紧缺问题日益突出，风电作为一种具有技术纯熟、发展前景好等特点的新能源发电技术，风电产业在我国得到迅速发展。中国可再生能源学会数据显示，2006年至2016年我国风电装机容量呈逐年递增趋势，2016年累计装机容量已达到1.69亿千瓦。世界气象组织WMO估计地球上可利用的风能大约有200亿千瓦，比地球上能用来水利发电的总量还要大10倍。在未来社会发展中，风力发电将起到举足轻重的效果，在许多国家，风电已成为电力系统不可缺少的一部分。[0003]随着风电场规模的不断增大，风资源及风电的随机性、波动性与不确定性，给电力系统的安全稳定带来了挑战。大型风电场机组众多，结构复杂，详细建模时对每台风机一一刻画，将导致模型高阶、计算复杂等问题。为分析含大规模风电场的电网安全与稳定，对风电场进行准确有效的等值建模成为亟待解决的问题。[0004]而风电场的主要扰动分为风速波动情况和故障情况，在对含大型风电场的电力系统进行仿真分析时，要求等值风电场能在两种情况下都有较好的等值效果。但是由于两种扰动的时间尺度不同，风速波动的时间尺度为秒级，而故障的时间尺度为毫秒级，因此基于某一扰动情况下的单目标参数辨识结果未必能适用于另一扰动情况，这无法保证等值风电场在多种扰动同时发生时的等值精确性和有效性。[0005]例如，文献“Y·Wang，C·Lu，L·Zhu，etal·"ComprehensiveModeIingandParameterIdentificationofWindFarmsBasedonWide-AreaMeasurementSystems，〃J.Mod.PowerSyst·CleanEnergy20164:383·”提出了一种基于同步向量单元测量的风电场建模和参数辨识方法。首先采用轨迹灵敏度选取主要参数，得到等值模型，再采用改进的遗传算法对参数进行辨识，最后分别在故障情况和风速波动情况下验证了该方法的等值精确性。然而在实际风电场中常常是风速波动和故障扰动并存的，该文章中基于某一扰动进行参数辨识得到的等值模型在另一扰动情况下可能产生误差，因此单目标优化参数辨识方法难以保证等值模型在电力系统分析中的等值精确性和有效性。发明内容[0006]本发明的目的在于克服现有技术的不足，提供一种基于多目标优化算法进行风电场等值的方法，通过多目标优化算法对等值风机参数进行辨识，从而得到适用于风速波动扰动和故障扰动两种条件下的风电场等值模型。[0007]为实现上述发明目的，本发明为一种基于多目标优化算法进行风电场等值的方法，其特征在于，包括以下步骤：[0008]1、对风电机组聚类[0009]采用κ-means聚类算法，以各风机的初始风速为聚类指标，将运行方式相近的风电机组划分为同一机群，得到K类风机组；[0010]⑵、集电系统等值[0011]利用PSASP软件建立线路和变压器模型，采用容量加权法对同一机群内的线路和变压器参数进行等值；[0012]3、风机等值[0013]3.1、利用PSASP软件建立风机等值模型；[0014]3.2、选取待辨别的参数；[0015]3.2.1、设置风速波动扰动，以风机出口处的输出曲线为观察对象，计算风机等值模型中每个参数的相对轨迹灵敏度，再选取相对轨迹灵敏度较大的参数作为风速波动扰动下的关键参数；[0016]3.2.2、设置故障扰动，以风机出口处的输出曲线为观察对象，计算风机等值模型中每个参数的相对轨迹灵敏度，再选取相对轨迹灵敏度较大的参数作为故障扰动的关键参数；[0017]3.2.3、将步骤3.2.1和3.2.2得到的关键参数求并集，得到最终的待辨识参数。[0018]3.3、确定待辨识的等值风机[0019]将聚类后的K类风机组用K台等值风机表征，再选取容量最大的等值风机作为待辨识的等值风机，将剩余的K-I台等值风机采用容量加权法进行等值；[0020]3.4、利用NSGA-II多目标优化算法进行参数辨识[0021]3.4.1、在待辨识的等值风机中，以步骤3.2.3中得到的最终的待辨识参数为优化对象，建立目标函数；[0023]其中，N1为风速波动情况下风电场输出曲线的采样点总数，N2为故障情况下风电场输出曲线的米样点总数，P为风电场输出的有功功率，Q为风电场输出的无功功率，下标E表示风电场等值模型，下标D表示风电场详细模型，下标wind表示风速波动情况，下标fault表示故障情况，PE_wind表示风电场等值模型在风速波动条件下的输出有功功率；[0024]3.4.2、通过NSGA-II多目标优化算法对建立的目标函数求解，得到最优前沿解集，再在最优前沿解集中选取一个使风机等值模型在风速波动扰动和故障扰动条件下的误差最小的解，并作为最优解；[0025]3.5、更新风机等值模型[0026]将最优解对应待辨识参数带入到风机等值模型中，得到同时适用于风速波动扰动和故障扰动的风电场等值模型。[0027]本发明的发明目的是这样实现的：[0028]本发明一种基于多目标优化算法进行风电场等值的方法，通过K-means算法将风机划分为K个机群，再对每个机群内部进行集电系统等值和风机等值，其中主要对风机等值方法进行了改进:首先分别基于风速波动和故障条件，采用轨迹灵敏度法进行了待辨识参数选取，然后选取容量最大的等值风机作为待辨识风机，最后采用NSGA-II多目标优化算法对等值机的参数进行辨识，从而得到同时适用于风速波动扰动和故障扰动的风电场等值模型。[0029]同时，本发明一种基于多目标优化算法进行风电场等值的方法还具有以下有益效果：[0030]1、通过合并风速波动和故障两种条件下选取的关键参数作为最终的待辨识参数，保证了待辨识参数在两种扰动下都有较高灵敏度；[0031]2、只选取容量最大的等值风机进行参数辨识，能避免辨识参数过多的问题，有效减少了算法程序的计算量和运行时间；[0032]3、以风速波动和故障条件下的等值误差作为两个目标函数，采用NSGA-II多目标优化算法进行参数辨识，保证了参数辨识结果同时在两种扰动情况下运行的精确性。附图说明[0033]图1是宁夏某实际风电场详细模型结构示意图；[0034]图2是部分外部系统结构示意图；[0035]图3是本发明基于多目标优化算法进行风电场等值的方法流程图；[0036]图4是风电场等值模型结构示意图；[0037]图5是永磁直驱风力发电机结构示意图；[0038]图6是Pareto最优前沿解；[0039]图7是多目标优化参数辨识方法的等值效果图；[0040]图8是单目标风速波动辨识方法的等值效果图；[0041]图9是单目标故障辨识方法的等值效果图。具体实施方式[0042]下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。[0043]实施例[0044]在本实施例中，以PSASP软件搭建宁夏某实际风电场，其结构示意图如图1所示。该风电场包含66台1.5MW永磁直驱风力发电机，风机通过0.6235kV机端变压器升压汇聚于PCC母线，再经一台35110kV的风电场出口变压器于外部系统相连部分外部系统结构示意图如图2所示。[0045]风速波动条件设置为:初始风速为Ilms，从第2s到第6s出现阵风，阵风最大值为3ms。考虑尾流效应和时滞影响，具体每台风机的输入风速通过尾流模型计算获得。仿真时长设置为20s。[0046]故障条件设置为:外部系统母线9到母线7之间的线路的50%处发生两相接地短路故障，故障时间设置为第2.Os出现，第2.2s切除。仿真时长设置为5s。下面我们结合宁夏某实际风电场对本发明一种基于多目标优化算法进行风电场等值的方法进行详细说明，如图3所示，包括以下步骤：[0047]SI、对风电机组聚类[0048]考虑到大型风电场中尾流效应对风电机组的运行状态影响较大，采用K-means聚类算法，以各风机的初始风速为聚类指标，将66台风机划分为3类，聚类结果如表1所示；[0049]表1是风电机组聚类结果表。「00501[0051]表1[0052]因此，风电场可由三台等值风机表示，其等值模型结构如图4所示，然后主要对该模型中的集电系统参数和风机参数进行等值，下面我们进行详细说明。[0053]S2、集电系统等值[0054]集电系统等值主要是对系统中的线路和变压器进行等值，在本实施例中，利用容量加权法对集电系统中的线路和变压器进行等值；[0055]S2.1、线路等值[0056]遵循等值前后电压降落不变的原则，对线路的阻抗和导纳进行等值，公式如下，线路电容可忽略不计；[0058]其中，m为群内风机数量，η为群内干线式支路中风机数量，P1J伪第i、j台风机的有功输出，Zk为干线式支路中第k段线路的阻抗,Y1为第i段线路的导纳。[0059]S2.2、变压器等值[0060]对变压器的容量和阻抗进行等值，公式如下：[0061][0062]其中，St为单台变压器容量，Zt为单台变压器阻抗。[0063]S3、风机等值[0064]S3·1、利用PSASP软件建立风机等值模型；[0065]虽然双馈风机是目前应用最广泛的机型，但随着风力发电机组单机容量的增加，双馈风机中齿轮箱的高速传动部件故障问题日益突出，不需要传动机构的永磁直驱风机的优势渐渐凸显。在大功率变流技术和高性能永磁材料日益发展完善的背景下，大范围采用永磁直驱风机建场将是日后的主流趋势。[0066]因此，在本实施例中，利用PSASP软件中的11型永磁直驱风力发电机模型作为建立的风机等值模型，其结构如图5所示，主要包括风轮机及其控制模块、变流器及其控制模块和发电机模块。[0067]S3.2、选取待辨识参数；[0068]在辨识过程中，参数过多容易导致计算复杂、效率低和多解等问题，且不同参数对系统动态特性的影响能力不一致，灵敏度弱的参数，即使变化较大的数值，对系统动态特性也不能造成较大的影响，从而在计算过程中造成资源浪费。因此，有必要根据需要选出对系统动态特性有较强影响能力的关键参数，并对其进行重点辨识。在本实施例中，将从11型永磁直驱风力发电机模型的69个参数中选取待辨识参数。[0069]S3.2.1、设置风速波动扰动，以风机出口处的输出曲线为观察对象，计算每个参数的相对轨迹灵敏度，再选取相对轨迹灵敏度较大的前Ni=10个参数作为风速波动扰动下的关键参数；[0070]S3.2.2、设置故障扰动，以风机出口处的输出曲线为观察对象，计算每个参数的相对轨迹灵敏度，再选取相对轨迹灵敏度较大的前N2=7个参数作为故障扰动的关键参数；[0071]上述步骤中，计算某一个参数的相对轨迹灵敏度的方法为：[0074]其中，TSRj为第j个参数Θ」的相对轨迹灵敏度，N为风机出口处的输出曲线的总采样点数，风速波动条件下采样点数，故障条件下采样点数N取Ν2,ΔΘ」为参数~的变化值，心〇为参数心的给定值，y1+为参数M曾大Ah后风机出口处的输出曲线的第i个采样点的值，yi-为参数减小A后风机出口处的输出曲线的第i个采样点的值，K=69为参数总个数。[0075]S3.2.3、将步骤S3.2.1和S3.2.2得到的关键参数求并集，得到最终的待辨识参数。[0076]在本实施例中，以单台风机出口处的有功和无功输出曲线为观察目标，设置参数变化率为10%，分别在风速波动条件下和故障条件下进行参数灵敏度分析，取采样点N1=2000，Ν2=500,得到最后的待辨识参数如表2所示，共计16个待辨识参数，在表2中若某参数的相对轨迹灵敏度太小而几乎接近于0,说明该参数在该扰动下对风机动态响应的影响可忽略，则该参数的TSR值直接用0表示。[0077]表2是待辨识参数选取结果表；[0080]表2[0081]S3.3、确定待辨识的等值风机[0082]步骤Sl中将风电场划分为3群，每群由一台等值风机来表征，步骤S3.2中给每台等值风机选出了16个待辨识参数，若要对每台风机都进行辨识，则共有48个待辨识参数，过多的参数将导致优化算法容易陷入局部最优解，考虑到三台等值机中容量最大的等值风机对等值风电场的动态响应最大，因此只对容量最大的等值风机进行参数辨识，而其余的两台等值风机采用容量加权法等值，其公式如下：[0084]其中，S1,P1,Q1*别为群内风机i的容量、有功功率和无功功率，表示风机i中的第j个参数。[0085]S3.4、利用NSGA-II多目标优化算法进行参数辨识[0086]NSGA-II多目标优化算法旨在解决多个目标共同存在甚至是相互冲突的问题。通常情况下要使多个子目标同时达到最优是不可能的，只能对各个子目标进行协调折中处理，得到一个使得各子目标尽可能达到最优的解集，称之为Pareto解集。考虑到传统单目标辨识的风电场等值方法中，基于某一扰动情况下，得到的等值模型运用于其他扰动时效果不佳;且风速波动条件下和故障条件下得到的关键参数不能完全解耦，等值风机的参数组只能同时在两种扰动情况下辨识。[0087]S3.4.1、在待辨识的等值风机中，以步骤S3.2.3中得到的最终的待辨识参数为优化对象，建立目标函数；[0089]S3.4.2、通过NSGA-II多目标优化算法对建立的目标函数求解，得到最优前沿解集，再在最优前沿解集中选取一个使风机等值模型在风速波动扰动和故障扰动条件下的误差最小的解，并作为最优解；[0090]在本实施例中，对表1中的16个参数进行辨识，得到的最优前沿解集如图6所示，再选取风速波动条件下误差和故障条件下的误差都最小的解作为最优解，即图中标识的最终解。[0091]S3.5、更新风机等值模型[0092]将最优解对应待辨识参数带入到风机等值模型中，得到同时适用于风速波动扰动和故障扰动的风电场等值模型。[0093]在本实施例中，将最终解对应的16个参数的辨识结果带入风电场等值模型，分别在风速波动和故障条件下进行仿真，并与风电场详细模型作对比，其在两种扰动条件下的有功无功输出曲线如图7所示，由图7可见多目标优化参数辨识方法得到的等值模型在两种扰动情况下的输出曲线都能与详细模型较好的重合。[0094]为体现本发明方法的优势，本发明还采用了单目标优化参数辨识方法进行风电场等值，即分别以风速波动和故障条件的风电场输出曲线为目标，采用粒子群算法进行单目标辨识。图8呈现了在风速波动条件下进行单目标优化参数辨识得到的等值模型与详细模型的输出曲线，图9呈现了在故障条件下进行单目标优化参数辨识得到的等值模型与详细模型的输出曲线。由图可见，单目标风速波动辨识方法在风速波动条件下误差比多目标辨识方法的误差更小，但其在故障情况下直接切机，导致风电场的有功无功输出都降为0，这种误操作在电力系统分析时是不可出现的，这将引起很大的误差，难以还原风电场的动态特性；同样单目标故障辨识方法也只能在故障条件下表现良好，在风速波动条件下的精度太低。由此可见，本发明所提的多目标优化参数辨识方法弥补了单目标优化参数辨识方法的不足，能使得等值模型在两种扰动条件下都能与原风电场的响应保持较高的一致性，体现了多目标优化参数辨识方法的等值准确性与有效性。[0095]尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

权利要求：1.一种基于多目标优化算法进行风电场等值的方法，其特征在于，包括以下步骤：1、对风电机组聚类采用K-means聚类算法，以各风机的初始风速为聚类指标，将运行方式相近的风电机组划分为同一机群，得到K类风机组；2、集电系统等值利用PSASP软件建立线路和变压器模型，采用容量加权法对同一机群内的线路和变压器参数进行等值；3、风机等值3.1、利用PSASP软件建立风机等值模型；3.2、选取待辨别的参数；3.2.1、设置风速波动扰动，以风机出口处的输出曲线为观察对象，计算风机等值模型中每个参数的相对轨迹灵敏度，再选取相对轨迹灵敏度较大的参数作为风速波动扰动下的关键参数；3.2.2、设置故障扰动，以风机出口处的输出曲线为观察对象，计算风机等值模型中每个参数的相对轨迹灵敏度，再选取相对轨迹灵敏度较大的参数作为故障扰动的关键参数；3.2.3、将步骤3.2.1和3.2.2得到的关键参数求并集，得到最终的待辨识参数。3.3、确定待辨识的等值风机将聚类后的K类风机组用K台等值风机表征，再选取容量最大的等值风机作为待辨识的等值风机，将剩余的K-I台等值风机采用容量加权法进行等值；3.4、利用NSGA-II多目标优化算法进行参数辨识3.4.1、在待辨识的等值风机中，以步骤3.2.3中得到的最终的待辨识参数为优化对象，建立目标函数；其中，N1为风速波动情况下风电场输出曲线的采样点总数，N2为故障情况下风电场输出曲线的采样点总数，P为风电场输出的有功功率，Q为风电场输出的无功功率，下标E表示风电场等值模型，下标D表示风电场详细模型，下标wind表示风速波动情况，下标fault表示故障情况，PE_wind表示风电场等值模型在风速波动条件下的输出有功功率；3.4.2、通过NSGA-II多目标优化算法对建立的目标函数求解，得到最优前沿解集，再在最优前沿解集中选取一个使风机等值模型在风速波动扰动和故障扰动条件下的误差最小的解，并作为最优解；3.5、更新风机等值模型将最优解对应待辨识参数带入到风机等值模型中，得到同时适用于风速波动扰动和故障扰动的风电场等值模型。2.根据权利要求1所述的一种利用多目标优化参数来辨识风电场等值的方法，其特征在于，所述的相对轨迹灵敏度的计算方法为：其中，TSRj为第j个参数Θ」的相对轨迹灵敏度，N为风机出口处的输出曲线的总采样点数，风速波动条件下采样点数，故障条件下采样点数N取N2，ΔΘ」为参数~的变化值，0J〇为参数h的给定值，y1+为参数h增大AΘ」后风机出口处的输出曲线的第i个采样点的值，yi_为参数Θj减小AΘj后风机出口处的输出曲线的第i个采样点的值，K为参数总个数。3.根据权利要求1所述的一种利用多目标优化参数来辨识风电场等值的方法，其特征在于，所述的容量加权法对同一机群内的线路和变压器参数进行等值的方法为：3.1、线路等值遵循等值前后电压降落不变的原则，对线路的阻抗和导纳进行等值，公式如下：其中，m为群内风机数量，η为群内干线式支路中风机数量，P1、匕为第i、j台风机的有功输出，Zk为干线式支路中第k段线路的阻抗,Y1为第i段线路的导纳；3.2、变压器等值对变压器的容量和阻抗进行等值，公式如下：其中，St为单台变压器容量，Zt为单台变压器阻抗。4.根据权利要求1所述的一种利用多目标优化参数来辨识风电场等值的方法，其特征在于，所述的容量加权法对剩余K-I台等值风机进行等值的方法为：其中，S1,P1,Q1*别为群内风机i的容量、有功功率和无功功率，表示风机i中的第j个参数。

百度查询： 电子科技大学 一种基于多目标优化算法进行风电场等值的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD