风电场动态等值建模研究
大型风电场的等值模型及其改进研究
大型风电场的等值模型及其改进研究李芸;王德林【摘要】随着风电场规模的日趋扩大,其随机变化功率对接入电网的影响也越来越受到重视.风电场并网的仿真研究中,通常将数十台甚至上千台风力发电机等值简化为由几台风电机组成的风电场模型.因此,如何在多方面因素的影响下建立符合实际情况的风电场等值模型极为重要.本文分析了风电场风速的实际状况,运用同调等值法,结合风速产生的尾流效应和时滞效应,对大型风电场中不同型号的双馈风力发电机(DFIG)进行了区域划分,将同一区域的风电机等值为一台风电机.最后,基于Matlab/Simulink仿真平台,验证了在不同风速情况、故障情况下的等值效果,证实了本文等值方法的正确性,为风电场并网研究提供了一种可靠的参考模型.【期刊名称】《电工电能新技术》【年(卷),期】2014(033)007【总页数】7页(P11-17)【关键词】双馈风力发电机;风电场等值;尾流效应;时滞效应【作者】李芸;王德林【作者单位】西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031【正文语种】中文【中图分类】TM910.6由于风速随机性、间歇性和波动性的特点导致风力发电场的输出功率不稳定，风电并网电力系统稳定性分析和控制技术成为当今最主要的问题之一。
该问题由于受到实际生产安全的制约，仅限于在大型电力系统软件中进行仿真实验分析，故风电场仿真与实际情况必须有较强的吻合，需要综合考虑多方面因素的影响。
风电场通常由数十甚至上千的风力发电机构成，直接研究如此庞大的风电系统计算量会非常大。
因此需要根据研究问题不同将风电场等效为单台或若干台风力发电机，从而简化复杂程度，缩短计算时间。
近年来，风电场等值建模的研究有着很大进展。
文献［1-3］总结了近些年风电场等值问题的研究现状，并提出这方面的研究还需要创新与改进。
在参数优化问题上，目前利用最小二乘法和单纯形法［4，5］。
文献［6］验证了不同风向下风电场的模型简化，但没有考虑电力线路的等值方法。
风电场建模和仿真研究
风电场建模和仿真研究一、本文概述随着全球能源结构的转型和可再生能源的大力发展，风电作为一种清洁、可再生的能源形式，在全球范围内得到了广泛的关注和应用。
风电场作为风电能源的主要载体，其运行效率、经济效益及安全性直接决定了风电产业的健康发展。
因此，对风电场进行精确建模与仿真研究，对于提升风电场的设计水平、优化运行策略、预测和评估风电场的性能具有重要的理论价值和现实意义。
本文旨在全面系统地探讨风电场的建模与仿真技术，通过对风电场各个组成部分的深入分析，构建一个真实反映风电场运行特性的仿真模型。
本文首先对风电场的基本原理和结构进行概述，介绍风电场的主要组成部分及其功能；接着，详细阐述风电场建模的关键技术，包括风力发电机组模型、风电场电气系统模型、风电场控制系统模型等；然后，介绍风电场仿真的基本流程和方法，包括数据收集、模型构建、仿真实验及结果分析等；结合具体案例，展示风电场建模与仿真技术在风电场设计、运行优化和性能评估中的应用。
通过本文的研究，希望能够为风电场的设计、运行和管理提供有益的参考和指导，推动风电产业的可持续发展。
二、风电场建模基础风电场建模是研究风电能转换、风电系统运行及风电场优化布局的重要手段。
建模的准确性直接关系到风电场运行的安全性和经济性。
风电场建模主要基于风电机组的运行特性、风电场的布局、地形地貌、气象条件以及电网接入方式等因素。
在风电场建模过程中，首先需要对风电机组进行单机建模。
这通常涉及风电机组的空气动力学特性、机械动力学特性、电气控制特性等方面的研究。
其中，空气动力学特性主要研究风轮对风能的捕获能力，机械动力学特性关注风电机组在风载荷作用下的动态响应，而电气控制特性则关注风电机组的能量转换和并网控制。
除了单机建模外，风电场建模还需要考虑风电场的整体布局。
风电场的布局直接影响到风能的分布、风电机组之间的相互干扰以及风电场的整体发电效率。
因此，在建模过程中，需要综合考虑地形地貌、风向风速分布、湍流强度等因素，以确保风电场布局的合理性。
基于实时数据的直驱风电场等值建模方法和装置
基于实时数据的直驱风电场等值建模方法和装置随着可再生能源的快速发展，风电成为了世界各地最重要的清洁能源之一、然而，由于风速的持续变化以及风电场中风机的数量众多，如何准确建模和控制风电场成为了一个挑战。
为了解决这个问题，研究者们提出了基于实时数据的直驱风电场等值建模方法和装置，以实现对风电场的精确控制。
1.数据采集：通过在风电场中布置传感器和监控设备，采集与风速、风向、风机状态等相关的实时数据。
这些数据可以以时间序列的形式记录，并通过无线传输技术传送到控制中心。
2.数据处理：对采集到的数据进行预处理，包括去除异常值、平滑处理和数据插值等。
预处理的目的是消除数据的噪声和间断性，并恢复数据的连续性。
3.建模方法选择：根据风电场的实际情况和需要，选择适合的建模方法。
常用的建模方法包括回归分析、神经网络和支持向量机等。
这些方法可以根据实时数据的特点，建立风速到风机输出功率之间的关系模型。
4.模型训练：使用历史数据集对所选的建模方法进行训练，以调整模型参数和提高预测精度。
训练过程可以使用交叉验证和优化算法进行优化，以找到最佳的模型参数。
5.模型验证：使用未知数据集对所建立的模型进行验证，评估模型的预测精度和稳定性。
如果模型的预测结果符合预期，则可以将其应用于实时控制。
基于实时数据的直驱风电场等值建模装置是实现上述方法的硬件设备。
该装置主要包括风速传感器、风向传感器、风机状态监测装置、数据采集模块、数据处理模块、建模方法模块和控制模块等。
风速传感器和风向传感器用于监测风电场中的风速和风向，风机状态监测装置用于监测风机的工作状态。
数据采集模块负责采集实时数据，并将其传送到数据处理模块进行预处理。
建模方法模块则根据所选的建模方法，训练模型并对实时数据进行预测。
最后，控制模块根据模型的预测结果，实现对风电场的控制。
基于实时数据的直驱风电场等值建模方法和装置可以有效地预测和控制风电场的输出功率，提高风电场的运行效率和稳定性。
风电场等值建模和参数辨识研究
精品文档供您编辑修改使用专业品质权威编制人：______________审核人：______________审批人：______________编制单位：____________编制时间：____________序言下载提示：该文档是本团队精心编制而成，希望大家下载或复制使用后，能够解决实际问题。
文档全文可编辑，以便您下载后可定制修改，请根据实际需要进行调整和使用，谢谢!同时，本团队为大家提供各种类型的经典资料，如办公资料、职场资料、生活资料、学习资料、课堂资料、阅读资料、知识资料、党建资料、教育资料、其他资料等等，想学习、参考、使用不同格式和写法的资料，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!And, this store provides various types of classic materials for everyone, such as office materials, workplace materials, lifestylematerials, learning materials, classroom materials, reading materials, knowledge materials, party building materials, educational materials, other materials, etc. If you want to learn about different data formats and writing methods, please pay attention!风电场等值建模和参数辨识探究关键词：风电场，等值建模，参数辨识，最小二乘法，矢量控制1. 引言随着我国对可再生能源的进步越来越重视，风电已成为我国电力行业的重要组成部分。
风电场建模和仿真研究_41_45
− −35⎪⎩⎪⎨⎧===110100/'/'/1A B X A A T A X(3-27)上述即为基于最小二乘法，通过参数辨识异步发电机传递函数而得到发电机等值参数的算法。
3.4.5 风力发电机多机等值计算方法[23][24]由第二章中异步发电机组数学模型公式可知，对于风电机多机动态等值，需要等值的物理量主要包括转子惯性常数、初始运行滑差、同步电抗、暂态电抗和转子时间常数。
a)等值惯性时间常数与异步电动机类似，异步发电机转子惯性时间常数等值方法是按容量加权等值。
∑==n j j j M J S T S T 11 (3-28)其中S j 和T j 分别指第j 台异步电机的容量和惯性时间常数，S M 是各台异步电机容量之和，T J 为等值异步机的惯性时间常数。
b)等值初始运行滑差M s首先将异步机的г型等值电路并联，利用戴维南等值法求得两台机等值电阻M r ，然后利用(3-29)式求得初始状态下等值发电机的滑差M s ：])()[(])()[()()(2112122222221122122211s R x s R s R x s R x x R s R s R R s l l l l M M M ++++++= (3-29)其中R 1和R 2分别表示两台电机的定转子电阻之和，X l1和X l2分别表示电机定转子漏抗之和，s 1、s 2分别表示两台电机的初始运行滑差，式中各物理量单位均为标么值。
多台机的初始运行滑差的等值可连续使用该方法完成。
c)等值电抗、等值暂态电抗和等值转子时间常数首先按式(3-30)计算各台发电机同步电抗X 、暂态电抗X’和转子时间常数T 0’。
− −36⎪⎩⎪⎨⎧+=++=+=)2/()(')/('0r m r m r m r s m s R X X T X X X X X X X X X π(3-30)其中R s 、R r 、X s 和X r 的物理意义已在公式(3-17)中说明，X m 指激磁电抗，单位为标么值。
风电场动态等值建模研究
风电场动态等值建模研究摘要：针对风电场内各机组间尾流的相互影响，提出了一种新的风电场等值建模方法。
该方法是通过K-means聚类分析法对某风电场的实测数据进行合理处理，取相同时刻的同类机组风速的均值作为该类机组在此时刻的风速模型，同类机组功率的均值作为该类机组在此时刻的功率模型，将风电场内33台UP77-1.5MW风电机组聚成四类。
最后，数值分析及仿真计算表明了该方法的有效性和精确性。
关键词：风电场；动态建模；聚类分析法；电力系统0 引言随着风电场装机容量的不断增加，大规模风电场的接入会对电力系统的安全稳定运行产生一定的影响[1-4]。
为此，研究含风电场的电力系统稳定性一直是广大学者关注的焦点。
然而大型风电场内往往有数十甚至上百台风电机组，若对每一台风电机组进行详细建模，会极大地增加电力系统模型的复杂度，导致仿真时间过长，不仅难以满足电力系统运行计算的要求且没有必要。
对于大型互联电力系统，有必要研究大型风电场的动态等值方法，以减少含风电场电力系统分析规模和仿真时间[5-6]。
如果在大型互联电力系统动态仿真中，对大型风电场采用详细的模型（即对每一台风力发电机组单独建模），就会把多台小额定容量的发电机、升压变压器、无功补偿电容器以及大量的引出线都加入到电力系统模型中，这将极大地增加电力系统的分析规模和仿真时间，同时还会带来许多严重的问题，例如模型的有效性、数据的修正等[7]。
为此，风电场动态等值建模也是近些年学者研究的热点。
针对风电场内各机组间尾流的相互影响，本文提出一种K-means聚类分析法，将风电场的机组聚类，然后对聚类后的机组进行等值建模。
1 K-means聚类算法K-means算法是一种非常典型的基于距离的聚类算法，整个聚类过程采用距离作为相似性的评价标准，也就是认为两个对象之间的距离越近，它们之间的相似度就越大。
这种算法认为簇就是由距离比较接近的对象所组成的，所以把得到独立且紧凑的簇作为最终聚类目标[8-9]。
基于双馈式风电机组的风电场实用动态等值模型研究
基于双馈式风电机组的风电场实用动态等值模型研究赵艳军;曾沅【摘要】针对采用风电场详细模型导致仿真计算复杂的问题,对风电场动态等值展开研究.选取机组类型和参数完全相同的风电场,提出基于风速等值的单机倍乘等值法；以机组类型相同但参数不完全相同的风电场为例,采用基于同调等值的容量加权等值法.基于DlgSILENT/PowerFactory软件,通过比较风电场单机倍乘模型、容量加权模型和详细模型在风速改变和暂态故障情况下的仿真结果,验证了不同模型的准确性和适用性,结果表明所提方法实用有效.【期刊名称】《广东电力》【年(卷),期】2012(025)004【总页数】7页(P53-58,64)【关键词】双馈式风电机组;风电场等值模型;单机倍乘法;容量加权法【作者】赵艳军;曾沅【作者单位】广东电网公司电力科学研究院,广东广州510080;天津大学电气与自动化工程学院,天津300072【正文语种】中文【中图分类】TM614近年来，我国风电机组的装机容量成倍增长，风电场规模日益扩大，风电并网对电力系统的影响不容忽视。
风电机组建模和风电场建模逐渐成为焦点，前者已初见成效，但风电场建模尤其是基于双馈式风电机组的风电场建模还需进一步研究。
相比常规发电厂，风电场机组数目庞大，若每台风电机组都采用详细模型，在仿真计算时将造成维数灾。
目前常用的解决方法是进行风电场等值，其思想源于电力系统动态等值中的同调等值法。
同调是指在受到外界扰动时，2台机组具有相似的转子角摆动曲线。
风电场同调等值的关键步骤包括同调机群划分和同调机群参数聚合。
机群划分的方法有很多，文献［1］提出将异步电机机械暂态数学模型方程组的特征值较为接近的机组划分为1个机群；文献［2］考虑尾流效应影响，以风速作为机群的分类指标；文献［3］以转子转速作为机群划分指标，结合聚类算法对风电机组进行动态分群；文献［4］以风速、有功功率、风机状态的实时测量数据作为输入量，建立支持向量机核函数进行机群划分。
大规模风电场的静态及动态等值方法
大规模风电场的静态及动态等值方法引言：工程实际中,风电并网对电网的影响经常是“场”，即若干台“机”集聚后对电网的综合效应。
因此,建立能够精确反映风电场运行特性的模型是进行所有其它相关问题研究的基础。
通常,大规模风电基地包含几千台风电机组,针对每台机组对风电场进行详细建模的任务相当繁琐，同时会导致潮流难于收敛，并且大大延长仿真时间，对系统分析软件计算规模提出更高要求。
同时复杂的风电场模型对运行调度部门进行日常方式安排和安全稳定措施控制研究也很不方便。
因此，对大规模风电场进行等值计算分析，对于工程实际很有意义。
风电场常用等值方法风电场常用等值方法有两种。
等值方法1如图1 所示。
图1 等值方法1图1把风电场等值成1台风电机和1台发电机，等值风电机组的容量等于所有风电机组容量的代数和，其输入为平均风速。
等值参数的计算公式如下：式中：MM为风电机组台数，下标eq表示等值后；S、P、C、H、K、D、Z G、Z T、v分别表示容量、有功功率、补偿电容、惯性时间常数、轴系刚度系数、轴系阻尼系数、发电机阻抗、机端变压器阻抗和风速。
等值方式2如图2所示。
图2 等值方法2等值方式2中，把风电场等值为1台发电机，保留所有风力机和风速模型，叠加风力机的机械转矩Tusm，并把其作为等值发电机的输入。
等值参数的计算公式如下：当风机间风速差异较大时，风速波动下采用等值方式1会出现有功功率和无功功率误差，而等值方式2仅会出现无功功率误差；故障条件下等值方式1、2都会出现有功功率和无功功率误差，其误差大小与故障持续时间、故障前风电机组的风速有关，此时等值方式2的等值精度优于等值方式1。
故障条件下，常用等值方法与分类方法相结合，这样可以显著提高风电场动态等值模型的精度。
风电场机组稳态等值：为了对含有风电场的电力系统进行传统的潮流分析,需要考虑不同类型风电场在潮流程序中的节点类型，理想的情况是将风电机组的稳态等值电路添加在潮流程序中,得到相应的滑差、有功和无功,从而求得修正方程式中的有功、无功不平衡量,进而修改雅克比矩阵,进行后续迭代计算。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
风电场动态等值建模研究
摘要：针对风电场内各机组间尾流的相互影响，提出了一种新的风电场等值建模方法。
该方法是通过K-means聚类分析法对某风电场的实测数据进行合理处理，取相同时刻的同类机组风速的均值作为该类机组在此时刻的风速模型，同类机组功率的均值作为该类机组在此时刻的功率模型，将风电场内33台UP77-1.5MW风电机组聚成四类。
最后，数值分析及仿真计算表明了该方法的有效性和精确性。
关键词：风电场；动态建模；聚类分析法；电力系统
0 引言
随着风电场装机容量的不断增加，大规模风电场的接入会对电力系统的安全稳定运行产生一定的影响[1-4]。
为此，研究含风电场的电力系统稳定性一直是广大学者关注的焦点。
然而大型风电场内往往有数十甚至上百台风电机组，若对每一台风电机组进行详细建模，会极大地增加电力系统模型的复杂度，导致仿真时间过长，不仅难以满足电力系统运行计算的要求且没有必要。
对于大型互联电力系统，有必要研究大型风电场的动态等值方法，以减少含风电场电力系统分析规模和仿真时间[5-6]。
如果在大型互联电力系统动态仿真中，对大型风电场采用详细的模型（即对每一台风力发电机组单独建模），就会把多台小额定容量的发电机、升压变压器、无功补偿电容器以及大量的引出线都加入到电力系统模型中，这将极大地增加电力系统的分析规模和仿真时间，同时还会带来许多严重的问题，例如模型的有效性、数据的修正等[7]。
为此，风电场动态等值建模也是近些年学者研究的热点。
针对风电场内各机组间尾流的相互影响，本文提出一种K-means聚类分析法，将风电场的机组聚类，然后对聚类后的机组进行等值建模。
1 K-means聚类算法
K-means算法是一种非常典型的基于距离的聚类算法，整个聚类过程采用距离作为相似性的评价标准，也就是认为两个对象之间的距离越近，它们之间的相似度就越大。
这种算法认为簇就是由距离比较接近的对象所组成的，所以把得到独立且紧凑的簇作为最终聚类目标[8-9]。
k个初始类聚类中心点的选择对聚类结果具有很大的影响，因为在该算法的第一步中是随机的选取k个对象作为最初的聚类中心，初始地代表一个簇。
这种算法在每次迭代过程中对数据集内剩余的每个对象，根据其与各个簇中心的距离把每个对象重新赋给最近的簇。
当考察完所有的样本数据对象后，一次迭代运算结束，新的聚类中心就被计算出来。
如果在一次迭代的前后，聚类中心的值没有发生变化，则说明算法已经收敛。
假设共有N个样本数据，且为第i个样本，则第i个样本，与第j个样本之间的闵科夫斯基距离定义为：
（1）
式子中：q是整数，当q取2时该式被称为欧式距离，即
（2）
样本i的轮廓值计为：
（3）
式子中：a表示样本i与同一簇中的其他样本之间的平均距离；b表示一个数值向量，组成元素是样本i和不同簇的样本之间的平均距离，轮廓值的合理范围为[0，1]。
k-means 法的步骤如下：
1）从N个数据对象任意选择k个对象作为初始聚类中心；
2）根据每个聚类对象的均值，计算每个对象与这些中心对象的距离，并根据最小距离重新确定聚类中心；
3）重新计算每个聚类的均值；
4）如聚类满足一定条件时，则算法终止，否则返回步骤2），直到满足条件结束。
与此同时，应该按时段分别计算样本数据，当本时段样本数据与上一时段相差较大时，首先利用上一时段的聚类k值进行新的聚类，如果聚类结果与上一时段相同，就继续使用该聚类结果；如果与上一时段的结果不同，则需要重新输入k值聚类，使用本时段的样本数据的聚类结果。
本文采取同一时刻下各机组的有功出力作为分群指标，且采样时刻不少于1000个。
2 等值模型参数计算
风电场内有N台同型号的风力发电机组，通过K-means聚类算法和机群分类指标将N台机组分为k个分群，然后将每个分群等值为一台机组。
等值机组
的参数计算公式如下：
1）发电机参数
（4）
式中，下表eq代表等值参数；m为等值机数；S为视在功率；P为有功功率；Q为无功功率；xs为定子回路电抗；xr为转子回路电抗；xm为激磁电抗；rs为定子电阻；rr为转子电阻。
2）轴系参数
（5）
式中，H为惯性时间常数；D为轴系阻尼系数；K为轴系刚度系数。
3）变压器参数
（6）
式中，ST为变压器容量；ZT为变压器等值电抗。
3 算例分析
本文以某风电场为例，该风电场是由33台UP77-1.5MW风电机组组成，风电机端电压为690V，每一台机组直接经变压器升为35kV后连接架空线路，35kV 架空线路经升压变压器升为220kV与电网相联，风电场与电网的结构图如图1所示，分析计算均在MATLAB7.0下的simulink仿真环境中进行。
根据某风电场2014年3-5月份的实测风速和功率数据，利用K-means聚类算法，对风速和功率进行聚类，将风电场内33台机组等值为4台，具体结果如表1所示，轮廓值的计算值如图2所示。
由表1和图2可知，将33台机组聚成4类的机群是合理的，能够通过4类等值机组来表征整个风电场的特性。
为了进一步验证该方法的合理性和有效性，在风电场与大系统相联的两回线路中，一回线路发生三相短路故障，100ms后故障切除，运行方式由双回线路变为单回线路。
此时，仿真分析风电场35kV母线至35/220kV升压变压器间线路有功功率的变化情况。
为了验证该等值方法的有效性，仿真过程中采取与详细模型做比较。
表2为某一时刻风电场实测的风速，在此风速下研究详细模型与等值模型在同一故障下的动态相应过程，具体见图3所示。
从图3可以看出，采用本文提出的算法进行等值建模，在风电场外系统侧发生短路故障时，等值模型的功率变化曲线与详细模型的功率曲线非常相近，在1.5s-5.5s存在误差，但是整个变化范围之内趋势很相近，具有较高的精度。
4 结论
针对风电场机组间尾流效应的相互影响，本文提出了动态等值建模方法，该方法采用了K-means聚类算法，根据风电场33台机组的实测数据，将其分群为4类等值机组。
然后，通过轮廓值的计算结果表明了分为4类等值机组的合理性。
最后的仿真算例表明了所建模型具有较高的精度。
本文的研究成果为今后风电场的建模以及含风电场电力系统的稳定性分析提供了一定的理论基础。
参考文献
[1] 刘双，张建周，柏嵩.计及机组运行工矿的风电场有功功率控制策略[J].电气技术，2013，（10）：15-18.
[2] 汪海瑛，白晓民.大规模风电场的发电充裕度与容量可信度评估[J].电网技术，2012，36（6）：200-206.
[3] 索江镭，胡志坚，仉梦林，等.大规模风电场并网下的互联电力系统广域阻尼协调控制[J].电网技术，2014，38（6）：1459-1464.
[4] 程俊，王艾萌胡雪峰，等.风电接入对电网小干扰稳定影响的研究[J].电气时代，2014，（3）：74-78.
[5] 米增强，苏勋文，杨奇逊，等.风电场动态等值模型的多机表征方法[J].电工技术学报，2010，25（5）：162-169.
[6] 陈树勇，王聪，申洪.基于聚类算法的风电场动态等值[J].中国电机工程学报，2012，32（4）：11-20.
[7] Perdana A. Dynamic models of wind turbines：a contribution towards the establishment of standardized models of wind turbines for power system stability studies[D]. Chalmers University of Techno-logy，2008.
[8] Anil K J.Data clustering：50 years beyond K-means[J]. Pattern Recognition Letters，2010，31（8）：651-666.
[9] Likas A，Vlassis M，Verbeek J.The global K-means clustering algorithm[J]. Pattern Recognition，2003，36（2）：451-461.。