一种基于功率预测的风电集群无功电压控制方法与流程

本发明涉及风电无功电压控制领域，具体为一种基于功率预测的风电集群无功电压控制方法。

背景技术：

1、近年来，我国风电进入快速发展阶段，而风能具有随机性和间歇性的特点，大规模集中式的风电并网由于接入的风电场数量多，电气结构复杂，不合理的无功电压控制可能会造成各个风电场之间无功倒流，潮流分布不合理，增加了系统有功损耗，降低了风电集群区域的静态电压稳定性。

2、传统的风电无功电压控制方法属于“后验式”方法，即在执行控制指令后才会反馈信息，降低了风电控制的时效性，并且严重依赖经验。

技术实现思路

1、有鉴于此，本发明提供了一种基于功率预测的风电集群无功电压控制方法，以解决现有风电大规模集中式并网后，系统有功损耗增加，风电集群区域的静态电压稳定性降低的问题。

2、本发明采用的技术方案如下：

3、一种基于功率预测的风电集群无功电压控制方法，包括以下步骤：

4、步骤1：获取各个风电场的参数和配电网结构；

5、步骤2：基于获取的参数建立各个风电场的有功功率预测模型，基于有功功率预测模型，将过去m个时刻的风电有功功率值作为输入，并输出未来n个时刻的风电有功功率预测值；

6、步骤2中，所述有功功率预测模型的建立具体包括以下步骤：

7、a1：选取风电场集群单月发电量最大的数据作为训练集，风电有功功率的分辨率选取15min；

8、a2：采用基于最小二乘支持向量机作为预测模型，采用高斯核，进行训练；所述最小二乘支持向量机的公式如下：

9、

10、式中，ppre为风电输出功率预测值；ω为权重向量；b为偏差；为样本集对应的输出功率；为非线性映射核函数，可以将风电功率样本数据映射到高维空间；λi为拉格朗日乘子；为核函数。

11、a3：使用粒子群算法对预测模型参数寻优，提高模型预测精度和泛化能力；

12、a4：采用遗传算法，以预测模型的输出精度为适应度函数，以输入个数为待求解问题进行寻优；

13、a5：得到各个风电场的有功功率预测模型；

14、步骤3：充分考虑多时间尺度下各个风电场风电有功功率值，基于各个风电场风电有功功率值的不同，对各个风电场进行动态分群，对不同的风电场采用不同的有功功率预测模型，并再次基于不同的有功功率预测模型，将过去m个时刻的风电有功功率值作为输入，并输出未来n个时刻的风电有功功率预测值；

15、步骤3中，所述动态分群的判断依据为功率变化系数，公式如下：

16、

17、

18、式中，ki表示风电场i的功率变化系数；sign(x)为判断函数；为风电场i在时刻t的输出功率实测值；和分别表示风电场i在时刻t+15min、t+30min、t+45min

19、和t+60min的输出功率预测值；当ki＝4时，表示在未来1h内，风电场功率持续上升，归为上升群，采用较为激进的预测策略；当ki＝-4时，表示在未来1h内，风电场功率持续下降，归为下降群，采用较为保守的预测策略；当-4<ki<4时，表示在未来1h内，风电场功率上升、下降皆有或幅度较小，归为过渡群，采用较为保守的预测策略。

20、步骤4：基于步骤1提供的配电网结构、参数，以及步骤3提供的风电有功功率预测值，建立风电集群无功电压控制模型，所述风电集群无功电压控制模型包括目标函数和约束条件；所述目标函数由电压中枢节点的电压偏差指标、系统有功损耗组成；所述约束条件包括功率约束、系统运行约束；

21、目标函数由电压中枢节点的电压偏差指标、系统有功损耗、无功补偿装置操作成本组成：

22、f(x)＝αfv(x)+βfloss(x)+γfq(x)

23、

24、floss＝ploss

25、

26、式中，fv(x)为中枢节点的电压偏差指标、floss(x)为系统有功损耗，fq(x)为系统动态设备无功裕度，α、β、γ为权重系数，为中枢节点i的实时电压和参考电压，np为中枢节点数量，ploss为风电集群的有功损耗，nq为集群内的动态无功设备节点的集合，分别为动态无功控制单元i的实时无功功率、可调无功功率上限和可调无功功率下限。

27、功率方程约束：

28、

29、静态电压稳定约束：

30、

31、

32、

33、控制变量约束：

34、

35、

36、

37、状态变量约束：

38、

39、

40、

41、式中，pi、qi分别是节点i的有功和无功出力；gij、bij分别是节点i和j之间的电导、电纳；δij是节点i和j之间的电压相角；为节点i分别是向上和向下的风电功率波动因子；是风电功率向上和向下波动的电压稳定裕度阈值；分别为t时刻和t+1时刻风电场i的风电功率实测值和预测值；分别为t+1时刻风电场i的风电功率预测值在某一置信度下向上或向下的误差；pu、pn是风电向上和向下波动时功率的临界值；pcap为风电接入容量；分别是风电场i接入节点的电压、上限值和下限值；分别是无功补偿节点j的补偿容量、上限值和下限值；分别是变压器可调分接头的状态、上限值和下限值；分别是各节点的电压、上限值和下限值；分别是风电场接入节点无功出力、上限值和下限值；ql、分别是支路无功潮流、上限值和下限值。

42、步骤5：对步骤4中的风电集群无功电压控制模型采用粒子群算法进行求解。

43、所述步骤5具体如下：

44、步骤5.1：初始化粒子群；

45、根据节点电压约束、节点无功补偿约束，对粒子群的速度、位置、个体最优值、全局最优值进行初始化，设置迭代次数nm为0；

46、步骤5.2：更新粒子群；

47、根据节点电压约束、节点无功补偿约束、支路无功潮流约束、变压器可调分接头约束，对粒子群的速度、位置进行更新，更新迭代次数为nm＝nm+1；

48、其中，所述速度和位置更新方程为：

49、

50、

51、式中，是粒子i在第m次迭代中第d维的速度，vd∈[vdmin,vdmax]；c1，c2分别为个体学习因子和社会学习因子，；rand1,2是[0,1]之间的随机数；是粒子i在第m次迭代中第d维的当前位置，xd∈[xdmin,xdmax]；pbestid是粒子i在第d维的个体极值点的位置；gbestd是整个群在第d维的全局极值点的位置；

52、步骤5.3：计算目标函数；

53、将得到的适应度与上层个体最优值比较，更新个体最优解和个体最优值；将得到的适应度与全局最优值比较，更新全局最优解和全局最优值。

54、步骤5.4：迭代次数判断；

55、判断迭代次数是否达到上限，若是，则输出迭代粒子群结果；若否，则转向(2)。

56、步骤5.5：得出无功电压控制结果。

57、综上所述，由于采用了上述技术方案，本发明的有益效果是：

58、本发明针对风电有功波动时无功电压控制效果变差，风电大规模集中并网引起电压偏移的现状，提出了一种基于功率预测的风电集群无功电压控制方法，提高电压中枢点的电压控制效果，维持风电集群区域的静态电压稳定性。