风电高渗透电网系统的等效惯量预测方法与流程

1.本发明属于电气自动化领域，具体涉及一种风电高渗透电网系统的等效惯量预测方法。


背景技术：

2.随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保证电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
3.目前，风电机组的大规模并网，使得具有转动惯量的常规同步电源被不断替代。区别于同步电源，风电等非同步电源均通过电力电子换流器和电网接口，与系统频率解耦，有功功率扰动下不能够为电网主动提供惯量支撑，导致电力系统惯量水平大幅降低、频率调节能力弱化。因此，对于风力发电电网系统的等效惯量计算，就对电网具有重要意义。
4.但是，目前的电网系统的惯量计算方法，只考虑了传统同步机组的旋转惯量。而随着风力发电的大规模并网，现有的计算方法已经无法精确计算或预测风电高渗透电网系统的等效惯量。


技术实现要素：

5.本发明的目的在于提供一种准确性高且可靠性好的风电高渗透电网系统的等效惯量预测方法。
6.本发明提供的这种风电高渗透电网系统的等效惯量预测方法，包括如下步骤：
7.s1.根据风力发电系统的参数，计算风电机组等效虚拟惯量时间常数；
8.s2.根据步骤s1得到的风电机组等效虚拟惯量时间常数，构建风电高渗透电网的等效惯量计算公式；
9.s3.获取风电高渗透电网系统的历史数据；
10.s4.获取待预测日的参数数据；
11.s5.采用灰色关联算法，在获取的历史数据中选取待预测日的相似日；
12.s6.基于ngboost集成学习模型，构建等效惯量预测初始模型，并采用选定的相似日的数据对等效惯量预测初始模型进行训练，得到等效惯量预测模型；
13.s7.将待预测日的参数数据输入到步骤s6得到的等效惯量预测模型，得到最终的待预测日的风电高渗透电网系统的等效惯量预测结果。
14.步骤s1所述的根据风力发电系统的参数，计算风电机组等效虚拟惯量时间常数，具体包括如下步骤：
15.风机捕获的机械功率pw表示为：
16.17.式中ρ为空气密度；a为风机扫风面积；v为风速；λ为叶尖速比且为转子转速，r为叶轮半径，β为桨距角，c
p
(λ,β)为风能利用系数且λi为中间参数且
18.当ω＜ω
min
时，风电机组虚拟惯性时间常数hw为hw＝0；
19.当ω
min
≤ω≤ω
max
时，风电机组虚拟惯性时间常数hw为
[0020][0021]
式中s
n,w
为双馈风电机组的额定容量；jw为单台风电机组的总转动惯量；ω0为风电机组初始转子转速；t
on
为机组调速初始时刻；t
off
为机组调速结束时刻；c
pmax
为风能利用系数最大值；
[0022]
当ω＞ω
max
时，风电机组虚拟惯性时间常数hw为
[0023][0024]
式中ω
min
为风电机组的最低转子转速；ω
max
为风电机组的最高转子转速。
[0025]
步骤s2所述的根据步骤s1得到的风电机组等效虚拟惯量时间常数，构建风电高渗透电网的等效惯量计算公式，具体包括如下步骤：
[0026]
构建风电高渗透电网的等效惯量计算公式为
[0027][0028]
式中h
eq
为风电高渗透电网的等效惯量；ng为与电网直接相连的同步发电机数量；h
g,i
为同步发电机i的惯性时间常数；s
g,i
为同步发电机i的额定容量；nw为能够参与系统惯量响应的风机数量；h
w,j
为风机j的虚拟惯性时间常数；s
w,j
为风机j的额定容量。
[0029]
步骤s5所述的采用灰色关联算法，在获取的历史数据中选取待预测日的相似日，具体包括如下步骤：
[0030]
对步骤s3和s4获取的数据进行标准化无量纲处理，无量纲化后的数据序列矩阵为
其中x
ij
为数据序列矩阵元素，i＝1,2,...,m，j＝1,2,...,n；
[0031]
计算历史数据与待预测日数据对应的输入特征变量的关联系数ε
i,j
为其中ε
i,j
为第i个历史样本的第j个输入特征变量与待预测日的第j个输入特征变量的关联系数；x
o,j
为待预测日的第j个输入特征变量；x
i,j
为第i个历史样本的第j个输入特征变量；ρ1为分辨系数，0＜ρ1＜1，且ρ1越小，则关联系数间差异越大，区分能力越强；
[0032]
最后，计算各历史样本与待预测日之间的关联度γi为其中γi为第i个历史样本与待预测日之间的关联度，n为历史样本数量。
[0033]
步骤s6所述的基于ngboost集成学习模型，构建等效惯量预测初始模型，并采用选定的相似日的数据对等效惯量预测初始模型进行训练，得到等效惯量预测模型，具体包括如下步骤：
[0034]
构建基于ngboost集成学习模型的等效惯量预测初始模型；
[0035]
训练时，采用自然梯度提升算法对初始模型的参数进行学习；
[0036]
自然梯度提升算法包括基础学习器、概率分布和评分标准；
[0037]
适当得分法则s以概率分布p及观测值y为输入，且满足其中e
y～q
()为结果分布的期望，s(q,y)为将参数θ和第j个样本的结果y输入评分规则s得到的计算值，s(p,y)为衡量预测分布与真实分布的距离，p为预测的一个分布，q为观测值y服从的真实分布；
[0038]
适当得分法则采用最大似然估计，l(θ,y)＝-logp
θ
(y)；l()为评分规则，p
θ
( )为参数化的概率分布；
[0039]
根据适当得分法则的非负性定义，得到对应的kullback-leibler散度d
l
为
[0040][0041]
其中q(y)为结果y的真实分布，p(y)为结果y的概率分布；
[0042]
ngboost集成学习模型在每个阶段均包括一组基础学习器f和缩放因子ρ；ngboost集成学习模型首选估计一个共同的初始分布θ(0)为使模型本身能最小化评分规则s在所有训练样本的响应变量上的总和，从而得到所有样本的初始预
测参数；s(θ,yj)为将参数θ和第j个样本的结果y输入评分规则s得到的计算值；
[0043]
每次迭代m，对于第j个样本，模型根据样本直到本阶段的预测结果参数计算评分规则s的自然梯度为其中为第m-1次训练时利用第j个样本数据计算得到的参数，为评分规则mle的自然梯度，yj为第i个样本的输出；
[0044]il
()为费希尔信息量，且其中为预测结果对应概率分布的期望；
[0045]
迭代的一组基学习器f将进行拟合，得到迭代阶段的比例因子和基础学习器{ρ
(m)
,f
(m)
}m，其中m为迭代次数，f
(m)
为第m次训练得到的一组基学习器且fit()为通过迭代学习建立c与g的映射关系，cj为第j个样本的输入特征向量，为第j个样本的自然梯度，n为样本数，ρ
(m)
为第m次训练得到的比例系数且且为第m-1次训练时利用第j个样本数据计算得到的参数，ρ为比例系数，f
(m)
(cj)为第m次训练得到的一组基学习器关于cj的预测结果，yj为第j个样本的结果；
[0046]
针对预测得到的输出，再采用缩放因子ρ和通用学习率η进行缩放：
[0047]
y|c～p
θ
(c)
[0048][0049]
其中p
θ
(c)为输入特征c的概率预测结果，θ为最终条件概率分布的参数，c为输入特征向量，y|c～p
θ
(c)表示基于参数θ得到的概率密度为p(y|c)的概率预测结果，f
(m)
(c)为第m次训练得到的一组基学习器关于输入特征c的预测结果。
[0050]
本发明提供的这种风电高渗透电网系统的等效惯量预测方法，针对风电高渗透率电力系统，在考虑同步发电机转动惯量的基础上还加入了风电机组的虚拟惯量，建立风电机组虚拟惯量与转速之间的解析关系，进而给出考虑风电机组虚拟惯量的系统等效惯量表达式，并对其特性进行分析，实现了对短期系统等效惯量进行较高精度的预测；而且本发明方法的准确性高且可靠性好。本发明得到的等效惯量预测结果，能够为电网运行部分提供电网系统的等效惯量数据信息，从而辅助电网系统进行运行计划和调度计划的指定等。
附图说明
[0051]
图1为本发明的方法流程示意图。
[0052]
图2为本发明的实施例的等效惯量预测曲线示意图。
具体实施方式
[0053]
如图1所示为本发明的方法流程示意图：本发明提供的这种风电高渗透电网系统的等效惯量预测方法，包括如下步骤：
[0054]
s1.根据风力发电系统的参数，计算风电机组等效虚拟惯量时间常数；具体包括如下步骤：
[0055]
双馈感应风力发电机(doubly fed induction genera-tor，dfig)因其优良的变速恒频运行特性和经济性，在并网风机中占有主导地位；根据实际风况的不同，并网风电机组输出最大功率曲线可分为启动区、最大功率跟踪区、恒转速区和恒功率区；风机捕获的机械功率pw表示为：
[0056][0057]
式中ρ为空气密度；a为风机扫风面积；v为风速；λ为叶尖速比且为转子转速，r为叶轮半径，β为桨距角，c
p
(λ,β)为风能利用系数且λi为中间参数且
[0058]
当ω＜ω
min
时，风电机组虚拟惯性时间常数hw为hw＝0；
[0059]
当ω
min
≤ω≤ω
max
时，风电机组虚拟惯性时间常数hw为
[0060][0061]
式中s
n,w
为双馈风电机组的额定容量；jw为单台风电机组的总转动惯量；ω0为风电机组初始转子转速；t
on
为机组调速初始时刻；t
off
为机组调速结束时刻；c
pmax
为风能利用系数最大值；
[0062]
当ω＞ω
max
时，风电机组虚拟惯性时间常数hw为
[0063][0064]
式中ω
min
为风电机组的最低转子转速；ω
max
为风电机组的最高转子转速；；
[0065]
s2.根据步骤s1得到的风电机组等效虚拟惯量时间常数，构建风电高渗透电网的等效惯量计算公式；具体包括如下步骤：
[0066]
为缓解高比例风电并网带来的惯量短缺问题，在控制技术的驱动下，已有大量研究和应用实践将频率变化率与频率偏差信号引入到双馈风电机组的控制系统中；通过风机的快速有功控制调节机组转子转速，进而释放/吸收转子动能来响应系统频率变化，起到一
定的虚拟惯量支撑与辅助调频作用；因此，构建风电高渗透电网的等效惯量计算公式为
[0067][0068]
式中h
eq
为风电高渗透电网的等效惯量；ng为与电网直接相连的同步发电机数量；h
g,i
为同步发电机i的惯性时间常数；s
g,i
为同步发电机i的额定容量；nw为能够参与系统惯量响应的风机数量；h
w,j
为风机j的虚拟惯性时间常数；s
w,j
为风机j的额定容量；
[0069]
s3.获取风电高渗透电网系统的历史数据；
[0070]
s4.获取待预测日的参数数据；
[0071]
s5.采用灰色关联算法，在获取的历史数据中选取待预测日的相似日；具体包括如下步骤：
[0072]
对步骤s3和s4获取的数据进行标准化无量纲处理，无量纲化后的数据序列矩阵为其中x
ij
为数据序列矩阵元素，i＝1,2,...,m，j＝1,2,...,n；
[0073]
计算历史数据与待预测日数据对应的输入特征变量的关联系数ε
i,j
为其中ε
i,j
为第i个历史样本的第j个输入特征变量与待预测日的第j个输入特征变量的关联系数；x
o,j
为待预测日的第j个输入特征变量；x
i,j
为第i个历史样本的第j个输入特征变量；ρ1为分辨系数，0＜ρ1＜1，且ρ1越小，则关联系数间差异越大，区分能力越强；
[0074]
最后，计算各历史样本与待预测日之间的关联度γi为其中γi为第i个历史样本与待预测日之间的关联度，n为历史样本数量；
[0075]
s6.基于ngboost集成学习模型，构建等效惯量预测初始模型，并采用选定的相似日的数据对等效惯量预测初始模型进行训练，得到等效惯量预测模型；具体包括如下步骤：
[0076]
为确保系统等效惯量预测结果的准确性，应选取与系统等效惯量紧密相关的变量作为模型的输入数据；系统等效惯量随着同步发电机状态以及风机出力大小的变化而变化，受历史系统等效惯量值、负荷以及风机输出功率等因素的综合影响；因此，选取待预测时刻的负荷预测值、风电输出功率预测值以及对应当日时刻t作为该模型的输入，输出为待预测时刻系统等效惯量值；
[0077]
构建基于ngboost集成学习模型的等效惯量预测初始模型；
[0078]
训练时，采用自然梯度提升算法对初始模型的参数进行学习；
[0079]
自然梯度提升算法包括基础学习器、概率分布和评分标准；
[0080]
适当得分法则s以概率分布p及观测值y为输入，且满足其中e
y～q
()为结果分布的期望，s(q,y)为将参数θ和第j个样本的结果y输入评分规则s得到的计算值，s(p,y)为衡量预测分布与真实分布的距离，p为预测的一个分布，q为观测值y服从的真实分布；
[0081]
适当得分法则采用最大似然估计，l(θ,y)＝-logp
θ
(y)；l()为评分规则，p
θ
( )为参数化的概率分布；
[0082]
根据适当得分法则的非负性定义，得到对应的kullback-leibler散度d
l
为
[0083][0084]
其中q(y)为结果y的真实分布，p(y)为结果y的概率分布；
[0085]
ngboost集成学习模型在每个阶段均包括一组基础学习器f和缩放因子ρ；ngboost集成学习模型首选估计一个共同的初始分布θ
(0)
为使模型本身能最小化评分规则s在所有训练样本的响应变量上的总和，从而得到所有样本的初始预测参数；s(θ,yj)为将参数θ和第j个样本的结果y输入评分规则s得到的计算值；
[0086]
每次迭代m，对于第j个样本，模型根据样本直到本阶段的预测结果参数计算评分规则s的自然梯度为其中为第m-1次训练时利用第j个样本数据计算得到的参数，为评分规则mle的自然梯度，yj为yj为第i个样本的输出；
[0087]il
()为费希尔信息量，且其中为预测结果对应概率分布的期望；
[0088]
迭代的一组基学习器f将进行拟合，得到迭代阶段的比例因子和基础学习器{ρ
(m)
,f
(m)
}m，其中m为迭代次数，f
(m)
为第m次训练得到的一组基学习器且fit()为通过迭代学习建立c与g的映射关系，cj为第j个样本的输入特征向量，为第j个样本的自然梯度，n为样本数，ρ
(m)
为第m次训练得到的比例系数且且为第m-1次训练时利用第j个样本数据计算得到的参数，ρ为比例系数，f
(m)
(cj)为第m次训练得到的一组基学习器关于cj的预测结果，yj为第j个样本的结果；
[0089]
针对预测得到的输出，再采用缩放因子ρ和通用学习率η进行缩放：
[0090]
y|c～p
θ
(c)
[0091][0092]
其中p
θ
(c)为输入特征c的概率预测结果，θ为最终条件概率分布的参数，c为输入特征向量，y|c～p
θ
(c)表示基于参数θ得到的概率密度为p(y|c)的概率预测结果，f
(m)
(c)为第m次训练得到的一组基学习器关于输入特征c的预测结果。
[0093]
s7.将待预测日的参数数据输入到步骤s6得到的等效惯量预测模型，得到最终的待预测日的风电高渗透电网系统的等效惯量预测结果。
[0094]
以下结合一个实施例，对本发明方法的预测效果进行说明：
[0095]
选择测试样本为2018年12月24日-12月30日，则2018年1月1日到12月23日为历史样本。利用灰色惯量算法分别确定各测试样本对应的相似日数据集，并将测试样本对应的相似日数据集用来训练基于ngboost的系统等效惯量预测器。基于各测试样本对应的所构建的系统等效惯量预测模型，对测试样本集2018年12月24日-12月30日连续七天共168个样本的系统等效惯量进行预测，结果如图2所示。
[0096]
可以看出，系统等效惯量在一天内变化范围较为明显，预测结果较好地刻画了这一趋势，根据数据驱动的点预测结果可初步了解系统等效惯量变化趋势，识别系统何时可能面临惯量薄弱风险。
[0097]
其中，准确率的计算公式为h
pred
为系统等效惯量预测值，h
true
为系统等效惯量真实值；预测误差＝等效惯量真实值-等效惯量预测值。计算基于ngboost和灰色关联算法的系统等效惯量预测精度，例如：2018年12月30日所得结果如表1所示。
[0098]
表1系统等效惯量预测结果数据表
[0099][0100]
根据基于ngboost和灰色关联算法的系统等效惯量预测结果可知，预测准确率最低为83.412，最高为99.822，平均准确率为95.515，说明本发明方法准确率较高。根据较为精确的系统等效惯量预测值，使电网调度运行部门可以提前预判系统惯量水平，提前识别系统惯量小于临界水平的时间段，从而做好应对措施提高频率稳定性。