數(shù)據(jù)-模型混合驅(qū)動的風(fēng)電場聚合等值建模方法

吳 磊，晁璞璞，李 甘，李衛(wèi)星，李志民

（1. 哈爾濱工業(yè)大學(xué)電氣工程及自動化學(xué)院,黑龍江省哈爾濱市 150006；2. 大連理工大學(xué)電氣工程學(xué)院,遼寧省大連市 116024；3. 國網(wǎng)四川省電力公司,四川省成都市 610041）

0 引言

隨著電力系統(tǒng)的風(fēng)電滲透率不斷攀升,電網(wǎng)的靈活性與安全性受到了諸多影響和沖擊,大規(guī)模風(fēng)電接入電力系統(tǒng)分析計算的需求日益精細,亟須建立能夠準(zhǔn)確描述風(fēng)電場動態(tài)特性的模型［1］。然而,風(fēng)電場一般由數(shù)十甚至上百臺風(fēng)機組成,考慮到仿真模型的復(fù)雜度、計算量和可靠性,進行風(fēng)電場的聚合等值建模研究至關(guān)重要［2］。

目前,風(fēng)電場的等值建模研究主要針對場站信息全息的情況,可分為單機和多機等值兩種方法［3］。單機等值將整個風(fēng)電場聚合為一臺等值機,取等值風(fēng)速或功率作為輸入［4-5］,計算簡單,但因無法表征風(fēng)電場中每臺機組的動態(tài)行為差異,會產(chǎn)生較大的等值誤差。為提高單機等值精度,文獻［6-10］分別通過遺傳算法［6］、模糊算法［7］、隨機優(yōu)化算法［8］、最小均方差優(yōu)化算法［9］和粒子群算法［10］,優(yōu)化等值機組的主導(dǎo)參數(shù),使等值模型的動態(tài)響應(yīng)和風(fēng)電場盡可能接近。但由于風(fēng)資源的隨機性與間歇性,風(fēng)電場的工況復(fù)雜多變,難以匹配到任一工況下的最優(yōu)等值參數(shù),而且計算量較大,無法實時在線計算,難以應(yīng)用于工程實際。

多機等值基于傳統(tǒng)發(fā)電機的“同調(diào)”思想,通常以風(fēng)速或其他能夠表征風(fēng)電機組運行狀態(tài)的特征量為分群指標(biāo),將具有相似運行點的風(fēng)電機組聚合成一臺等值機［11］,可分為等值機相對固定和不固定兩種類型。前者多采用依照機組類型、安裝位置、運行方式、運行區(qū)域或保護電路的動作與否等較為簡單的機群劃分方法［12-15］。這種方法由于等值機數(shù)量相對固定,當(dāng)機組運行狀態(tài)差異較大或風(fēng)速波動時,難以保持較高的等值精度。后者一般以能夠表征風(fēng)電機組運行狀態(tài)的一個或一組特征量作為分群指標(biāo),比如風(fēng)速［16-17］、槳距角［18］、定子短路電流［19］、轉(zhuǎn)子電流、轉(zhuǎn)速、端口電壓、功率、滑差、變速箱軸溫［20-23］、等效功角［24］、傳遞函數(shù)［25］等。另外,在文獻［26-28］中,提出了多階段分群方法,用簡單的特征量將具有顯著一致性的機組聚為一群后,再用復(fù)雜特征量對其二次分群或借助優(yōu)化算法對等值參數(shù)尋優(yōu)計算,以期達到較好的等值效果?？梢钥闯?多機等值方法雖然可以達到較高的等值精度,但計算復(fù)雜,運行點變化時,無法實時得到分群指標(biāo)。而且,這類等值方法仍然無法刻畫同群機組動態(tài)特性的差異,只能通過更多的分群數(shù)提高等值精度,實用性有待提高。

綜上,目前的方法均未解決機組級實時運行信息的缺失問題以及機組間動態(tài)行為差異的表征問題。針對以上兩個問題,論文以雙饋型風(fēng)電場為例,提出了基于數(shù)據(jù)-模型混合驅(qū)動的風(fēng)電場聚合等值建模方法:1）提出了基于神經(jīng)網(wǎng)絡(luò)匹配算法的機組級信息獲取方法,克服了實際場站機組級出力信息缺失難題；2）根據(jù)風(fēng)電機組全風(fēng)速的響應(yīng)特性確定分群指標(biāo),提出了風(fēng)電場最少等值機表征原理,發(fā)現(xiàn)了傳統(tǒng)等值方法的誤差來源于對同群機組動態(tài)特性差異的忽略；3）提出了等值機動態(tài)行為校正的兩機等值方法,最多用兩臺等值機即可表征風(fēng)電場的詳細動態(tài)行為。

1 數(shù)據(jù)驅(qū)動的風(fēng)電場運行狀態(tài)測辨

風(fēng)電場的運行信息包括各機組的功率和電壓,由于風(fēng)資源的隨機性、波動性及擾動的不確定性,其屬于大規(guī)模時變量,難以實時獲得。為解決機組級運行信息的缺失問題,本文提出了基于神經(jīng)網(wǎng)絡(luò)的匹配策略,如圖1 所示。

圖1 風(fēng)電場運行狀態(tài)測辨示意圖Fig.1 Schematic diagram of operation status detection and identification of wind farm

如圖1 所示,提出的風(fēng)電場運行狀態(tài)測辨方法分為神經(jīng)網(wǎng)絡(luò)模型建立和機組運行信息匹配兩個部分。

第1 步,首先對采集到的風(fēng)電場數(shù)據(jù)進行預(yù)處理,利用季節(jié)和風(fēng)速特征進行場景分類［29］,建立歷史場景數(shù)據(jù)庫；然后,將歷史場景數(shù)據(jù)庫中的場景代入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,建立風(fēng)電場的神經(jīng)網(wǎng)絡(luò)模型,包括“氣象塔風(fēng)速風(fēng)向-機組風(fēng)速”模型和“機組風(fēng)速-機組功率”模型。

1）氣象塔風(fēng)速風(fēng)向-機組風(fēng)速模型

采用3 層反向傳播（BP）神經(jīng)網(wǎng)絡(luò),建立風(fēng)電場氣象塔的風(fēng)速、風(fēng)向與風(fēng)電場內(nèi)所有機組的風(fēng)速之間的映射關(guān)系,故輸入?yún)?shù)為氣象塔歸一化后的風(fēng)速、風(fēng)向余弦值和風(fēng)向正弦值,輸出參數(shù)為所有機組歸一化后的風(fēng)速。輸入層與隱含層之間的傳遞函數(shù)選為tanh 函數(shù),隱含層與輸出層之間的傳遞函數(shù)選為sigmoid 函數(shù),模型結(jié)構(gòu)為3×49×33。

2）機組風(fēng)速-機組功率模型

同樣采用3 層BP 神經(jīng)網(wǎng)絡(luò),輸入?yún)?shù)為歸一化后的機組風(fēng)速,輸出參數(shù)為歸一化后的機組功率,輸入層與隱含層之間的傳遞函數(shù)選為tanh 函數(shù),隱含層與輸出層之間的傳遞函數(shù)選為softplus 函數(shù),模型結(jié)構(gòu)為1×5×1。

第2 步,根據(jù)風(fēng)電場的氣象塔信息和并網(wǎng)點處的電氣量匹配機組的電氣量。本文采取實時匹配,故不考慮機組慣性的影響。設(shè)風(fēng)電場共有n臺機組,神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的氣象塔風(fēng)速風(fēng)向-機組風(fēng)速模型函數(shù)為fvv,機組風(fēng)速-機組功率模型函數(shù)為fvp,匹配步驟如下:

1）輸入風(fēng)電場氣象塔風(fēng)速vT、風(fēng)向θ和并網(wǎng)點功率PF；

2）將輸入信息依次代入訓(xùn)練好的模型中,匹配得到每臺機組的功率,即

式中:ΔP為匹配得到的風(fēng)電場總功率與并網(wǎng)點處功率的差值；f-1(?)為風(fēng)電場功率與風(fēng)速的反函數(shù)；Δv為氣象塔風(fēng)速的調(diào)整量。

5）將vT代入第2 步重新求解,直至模型匹配次數(shù)達到最大值,或ΔP減小到設(shè)定的閾值以內(nèi)。

基于以上方法,以附錄A 圖A1 所示某實際風(fēng)電場為例,采集風(fēng)電場一年的量測數(shù)據(jù)（包括每臺風(fēng)電機組的風(fēng)速、功率、電壓、風(fēng)電場并網(wǎng)點信息和氣象塔信息）,通過風(fēng)電場的歷史運行數(shù)據(jù)建立其歷史場景數(shù)據(jù)庫,見附錄A 圖A2。圖A2 中包含了春夏秋冬4 條風(fēng)電場總功率曲線,曲線中每一個點代表某時刻風(fēng)電場總功率,而每一個點也對應(yīng)風(fēng)電場的一個場景,包括風(fēng)速和功率場景（圖A2 下方兩圖即為該時刻的風(fēng)速場景和功率場景,圖中X、Y軸表示地理排布,Z軸表示每臺風(fēng)電機組的風(fēng)速或功率）。以某時刻風(fēng)電場的氣象塔信息（風(fēng)速9.86 m/s,風(fēng)向240°）和并網(wǎng)點信息（功率31.86 MW,電壓1.03 p.u.）為例,采用神經(jīng)網(wǎng)絡(luò)算法,匹配出的風(fēng)電場功率分布場景見附錄A 圖A3。可以看出,匹配場景與實際場景基本一致,有著較高的擬合度。

為了驗證所提風(fēng)電場運行狀態(tài)測辨方法的準(zhǔn)確性,選取15 組場景,計算匹配功率場景與實際功率場景之間的精度,結(jié)果如附錄A 圖A4 所示。從圖中可以看出,匹配出的功率場景的精度在95%附近,證明了本文提出風(fēng)電場狀態(tài)測辨方法的有效性。

2 風(fēng)電場兩機聚合等值建模方法

2.1 聚群指標(biāo)的確定及測辨方法

風(fēng)電場聚合等值建模的關(guān)鍵是確定風(fēng)電機組的聚群指標(biāo),在兼顧精度的條件下,將具有相似動態(tài)響應(yīng)特性的機組分成最少的群。為識別具有相似動態(tài)響應(yīng)特性的機組,對附錄A 圖A1 所示場站內(nèi)的機組從切入到切出風(fēng)速,每隔0.1 m/s 進行了動態(tài)響應(yīng)特性仿真,結(jié)果如圖2 所示。每條曲線對應(yīng)一個風(fēng)速下的仿真結(jié)果,5～5.2 s（t0～tc）發(fā)生三相短路故障,電壓對稱跌落至0.3 p.u.。

圖2 雙饋風(fēng)電機組的故障穿越行為Fig.2 Fault ride-through behavior of doubly-fed wind turbines

圖2 中,在較低風(fēng)速下,故障期間機組Crowbar電路因未達到動作閾值未觸發(fā)；在較高風(fēng)速下,機組Crowbar 電路達到其動作閾值而觸發(fā)。因此,機組在全部工作區(qū)域的通用故障穿越曲線見圖3。圖中:ts,low和ts,high分別為低、高出力機組恢復(fù)至穩(wěn)態(tài)的時刻。

綜合圖2 和圖3,風(fēng)電場內(nèi)工作在不同風(fēng)速的機組在同一電壓擾動下的動態(tài)響應(yīng)特性可分為3 個階段,每個階段的特點和差異如下:

圖3 單臺雙饋風(fēng)電機組的通用故障穿越動態(tài)曲線Fig.3 General fault ride-through dynamic curves of single doubly-fed wind turbine

1）階段A（t0至tcrb）:t0時刻機端變壓器的高壓側(cè)發(fā)生三相短路故障,如果轉(zhuǎn)子故障電流大于動作閾值,Crowbar 導(dǎo)通,Crowbar 電阻短接發(fā)電機轉(zhuǎn)子,控制器閉鎖,機組處于短時失控狀態(tài),直至幾十毫秒后Crowbar 電路退出。若轉(zhuǎn)子電流未達到動作閾值,則風(fēng)電機組在整個故障持續(xù)期間均受控。在t0（5 s,故障開始）到tcrb（5.06 s,Crowbar 電路退出）期間,風(fēng)電機組在低、高風(fēng)速下的動態(tài)行為存在顯著差異,各自顯示出了較強的聚群特性。

2）階段B（tcrb至tc）:tcrb時刻之后,低、高風(fēng)速下的機組均受控于無功電流優(yōu)先控制策略。有功和無功功率經(jīng)短時暫態(tài)后趨于穩(wěn)定值（定義為準(zhǔn)穩(wěn)態(tài)值）。由圖3 可以看出,較高風(fēng)速下的準(zhǔn)穩(wěn)態(tài)無功功率與低風(fēng)速下的基本相等,但準(zhǔn)穩(wěn)態(tài)有功功率顯著不同。

3）階段C（tc至ts,low或ts,high）:tc時刻（5.2 s）故障清除,風(fēng)電機組經(jīng)短時暫態(tài),進入恢復(fù)過程。有功功率以一定速率恢復(fù)至穩(wěn)態(tài)（ts,low或ts,high時刻）,無功功率直接減小到故障前的穩(wěn)態(tài)。更高的有功功率會導(dǎo)致更高的初始點和更長的恢復(fù)時間。

綜上可知,低、高風(fēng)速機組按照其Crowbar 電路的動作與否,可以分為兩群,兩個機群的動態(tài)響應(yīng)特性在故障初期完全不同,故障持續(xù)期間的暫穩(wěn)態(tài)和故障清除后的恢復(fù)過程類似,僅具體數(shù)值和持續(xù)時間不同。為能同時表征風(fēng)電場內(nèi)Crowbar 電路動作和不動作機組的響應(yīng)特性,風(fēng)電場內(nèi)的機組應(yīng)按其Crowbar 電路的動作與否分為兩群,即用兩臺等值機才有可能模擬整個風(fēng)電場的綜合動態(tài)響應(yīng)特性。

按照Crowbar 電路的動作與否將風(fēng)電場分為兩群的關(guān)鍵,是判斷各機組Crowbar 電路的動作情況,即判斷轉(zhuǎn)子電流在故障時是否超過其動作閾值。根據(jù)文獻［30］,對于某一雙饋風(fēng)電機組,Crowbar 電路的動作狀態(tài)僅與其故障前的穩(wěn)態(tài)和殘壓有關(guān)。故障前的穩(wěn)態(tài)可以方便地通過匹配獲得,機組的殘壓可以通過并網(wǎng)點的電壓實時推算而得。也就是說,可以通過離線計算/仿真獲取不同工作場景下Crowbar 電路的動作情況,通過查表實現(xiàn)在線判斷。例如,本文風(fēng)電機組離線仿真獲得的機組Crowbar電路的動作情況如附錄A 圖A5 所示。

測辨后的等值模型如附錄A 圖A6 所示。值得提及的是,僅通過將風(fēng)電機組分為兩群,每群聚合成一臺等值機的兩機等值模型并不能準(zhǔn)確表征風(fēng)電場的綜合動態(tài)響應(yīng)特性,原因?qū)⒃?.2 節(jié)詳細闡述。

2.2 誤差解析與校正

將Crowbar 電路動作和不動作的機組分別聚合成一臺等值機,可以表征Crowbar 動作情況不同的風(fēng)電機組的響應(yīng)特性差異。但僅將風(fēng)電場按照Crowbar 動作情況進行分群,忽略同群內(nèi)的機組差異,仍無法表征整個場站的詳細動態(tài),其等值誤差推導(dǎo)如下［4］。

詳細風(fēng)電場在故障穿越全過程A、B、C 階段的綜合動態(tài)響應(yīng)特性可解析為:

式中:PWPP(t)為t時刻風(fēng)電場的有功功率；PNotCrowbar(t)為t時刻所有Crowbar 電路不動作機組的有功功率；PActCrowbar(t)為t時刻所有Crowbar 電路動作機組的有功功率；n1為風(fēng)電場內(nèi)Crowbar 電路不動作的機組數(shù)量；Pnormal,i為第i臺機組穩(wěn)態(tài)的有功功率；Ui(t)為t時刻第i臺機組的電壓；IP,i(t)為t時刻第i臺機組的有功電流；si(t)為t時刻第i臺機組的滑差；fP,i(?)為第i臺機組的電導(dǎo)函數(shù)；k為風(fēng)電機組故障穿越恢復(fù)階段的有功恢復(fù)斜率；PWTistageB(tc)為第i臺機組故障清除時的有功功率；j1為Crowbar 不動作的機組序號；j2為Crowbar 動作的機組序號；Inormal,i為第i臺機組穩(wěn)態(tài)的電流；Imax為風(fēng)電機組電流的最大值；t0為故障開始時刻；IQ,i(t)為t時刻第i臺機組的無功電流；IN為機組的額定電流；ti為第i臺機組到達穩(wěn)態(tài)的時刻；tn為所有機組到達穩(wěn)態(tài)的時刻,如圖4 所示,圖中,n2為風(fēng)電場內(nèi)Crowbar 電路動作的機組數(shù)量。

圖4 所提兩機等值方法原理Fig.4 Principle of proposed two-machine equivalent method

式中:PEQ2WPP(t)為t時刻兩機等值模型的有功功率；下標(biāo)“eqM1”表示由Crowbar 電路不動作的機組聚合而成的等值機（等值機1）；下標(biāo)“eqM2”表示由Crowbar 電路動作的機組聚合而成的等值機（等值機2）；PEQ2eqMx(t) 為t時 刻 等 值 機x的 有 功 功 率；UeqMx(t)為t時刻等值機x的電壓；IP,eqMx(t)為t時刻等值機x的有功電流；seqMx(t)為t時刻等值機x的滑差,等于所涉及風(fēng)電機組滑差的平均值；fP,eqMx(?)為等值機x的電導(dǎo)函數(shù)；PEQ2stageB,Mx(tc)為等值機x故障清除時的有功功率；Inormal,eqMx為等值機x的穩(wěn)態(tài)電流；Imax,eqMx為等值機x的電流最大值；IQ,eqMx(t)為t時刻等值機x的無功電流；IN,eqMx為等值機x的額定電流；teqx為等值機x達到穩(wěn)態(tài)的時間。

由式（21）和式（22）可知,階段C 兩機等值模型的動態(tài)響應(yīng)與詳細模型不一致,其誤差源于沒有考慮到每一臺機組有功恢復(fù)的動態(tài)過程。

圖4 展示了詳細風(fēng)電場和兩機等值模型在故障全過程的動態(tài)行為、Crowbar 動作機群的詳細響應(yīng)特性和聚合成等值機的響應(yīng)特性,以及Crowbar 未動作機群的詳細響應(yīng)特性和聚合成等值機的響應(yīng)特性。

由圖4 可以看出,改進前的兩機等值模型在階段A、B 和C 均存在明顯的等值誤差:在階段A,動態(tài)行為不一致；在階段B,暫、穩(wěn)態(tài)值不一致；在階段C,恢復(fù)起點和恢復(fù)速率不一致。若采用推導(dǎo)出的每個機群在并網(wǎng)點處的故障穿越全過程動態(tài)行為的解析式更新等值機轉(zhuǎn)子側(cè)變換器控制器功率外環(huán)的參考值,即可實現(xiàn)對詳細風(fēng)電場動態(tài)行為的自動模擬,消除等值誤差。

2.3 數(shù)據(jù)-模型混合驅(qū)動的等值模型生成

在風(fēng)電場運行狀態(tài)測辨和基于等值機動態(tài)行為校正的兩機聚合等值建模的基礎(chǔ)上,形成了數(shù)據(jù)-模型混合驅(qū)動的風(fēng)電場等值模型生成方案,如附錄A圖A7 所示。風(fēng)速場景更新后,首先,通過風(fēng)電場運行狀態(tài)測辨,獲得機組的功率和電壓；再通過風(fēng)電場并網(wǎng)點的殘壓和集電網(wǎng)絡(luò)線路,計算機組的殘壓；然后,通過故障前的穩(wěn)態(tài)和機組的殘壓判斷各個機組Crowbar 電路的動作情況,將風(fēng)電場劃分為兩群；最后,計算等值機的參數(shù)和校正等值機的動態(tài)行為,生成風(fēng)電場的等值模型。

值得說明的是,場景的更新會導(dǎo)致分群機組臺數(shù)發(fā)生變化,從而影響等值參數(shù)計算和等值機動態(tài)行為校正的過程。由于文中風(fēng)電場機組的型號相同,可設(shè)置基準(zhǔn)值為該群機組總?cè)萘?使等值機參數(shù)的標(biāo)幺值不變。等值機動態(tài)行為校正時機組臺數(shù)為輸入量,因此,場景更新導(dǎo)致每群機組臺數(shù)變化時,不涉及計算過程及校正功能邏輯的改變,模型實現(xiàn)簡單,便于工程應(yīng)用。

3 仿真驗證

1）不同風(fēng)速場景下的等值效果驗證

為驗證提出的等值方法對風(fēng)速場景的適應(yīng)性,本章對附錄A 圖A1 所示風(fēng)電場隨機選取匹配出如附錄A 圖A8 所示的15 個風(fēng)速場景,并進行等值實驗。故障場景為:5 s 時并網(wǎng)點處發(fā)生三相短路故障,5.2 s 時故障清除,電壓跌落至0.3 p.u.。

不同等值方法的有功功率相對等值誤差如圖5所示。為更直觀地展示本文方法所建模型的有效性,選取第1 組風(fēng)速場景,對單機、兩機、本文方法及詳細風(fēng)電場在并網(wǎng)點處暫態(tài)響應(yīng)特性的時域仿真結(jié)果進行展示,如圖6 所示。

圖5 各風(fēng)速場景下不同模型有功功率的等值誤差Fig.5 Equivalent error of active power of different models in different wind speed scenarios

由圖5 和圖6 可以看出,提出的等值方法所建模型明顯優(yōu)于單機和兩機等值模型的等值精度,電壓、電流、有功功率和無功功率在故障穿越全過程的動態(tài)行為都可以較好地跟蹤詳細風(fēng)電場模型的動態(tài)響應(yīng),對風(fēng)速數(shù)據(jù)有著良好的適應(yīng)性。

圖6 電壓跌落至0.3 p.u. 時第1 組風(fēng)速場景的等值效果Fig.6 Equivalent effect of the first group of wind speed scenarios when voltage drops to 0.3 p.u.

2）不同電壓跌落下的等值效果驗證

為進一步驗證提出的等值方法所建模型對電壓跌落程度的適應(yīng)性,選取第3 組匹配出的風(fēng)速場景,在相同仿真條件和不同電壓跌落下進行等值實驗,各類等值模型的誤差如附錄A 圖A9 所示。同樣地,選取了電壓跌落至0 p.u.時,不同等值模型與詳細風(fēng)電場模型在并網(wǎng)點處暫態(tài)響應(yīng)特性的時域仿真結(jié)果進行展示,如附錄A 圖A10 所示。由圖A9 和圖A10 可知,本文方法所建模型明顯優(yōu)于單機和兩機模型的等值精度,電壓、電流、有功功率和無功功率在故障穿越全過程的動態(tài)行為與詳細風(fēng)電場模型的動態(tài)行為保持一致,對電壓跌落程度有良好的適應(yīng)性。

3）不同故障持續(xù)時間的等值效果驗證

為進一步驗證提出的等值方法所建模型對故障持續(xù)時間的適應(yīng)性,選取第15 組匹配出的風(fēng)速場景,在相同仿真條件和不同故障持續(xù)時間下（0.1、0.2、0.3、0.4、0.5 s）進行等值實驗,各類等值模型的誤差如附錄A 圖A11 所示。選取故障持續(xù)時間為0.5 s,對不同等值模型與詳細風(fēng)電場模型在并網(wǎng)點處的暫態(tài)響應(yīng)特性的時域仿真結(jié)果進行展示,如附錄A 圖A12 所示。綜合圖A11 和圖A12 可知,本文方法所建模型對不同故障持續(xù)時間具有良好的適應(yīng)性,精度明顯優(yōu)于單機和按照Crowbar 分群的兩機模型。

4）與其他常規(guī)等值方法的對比

為進一步驗證提出的等值方法的性能,除和傳統(tǒng)單機、按Crowbar 動作情況分群的兩機等值方法進行對比外,進一步將提出的方法和3 種常規(guī)等值（按風(fēng)速聚合等值、按槳距角動作情況聚合等值和按組合指標(biāo)聚合等值）方法進行了對比,性能指標(biāo)如表1 所示。以第15 組場景為例,不同方法的等值效果如附錄A 圖A13 所示。

綜合表1 和附錄A 圖A13 可以看出,傳統(tǒng)單機等值方法無須分群,耗時最短,但精度最差；采用Crowbar 動作情況和槳距角動作情況分群的等值方法,分群簡單,無須借助復(fù)雜的聚類算法,因至多需要兩臺等值機,耗時適中,但精度不夠理想；按照風(fēng)速和組合指標(biāo)分群的方法,能夠達到較好的等值精度,但需要的等值機臺數(shù)較多,且組合指標(biāo)分群一般需要借助聚類算法實現(xiàn)機組分群；本文提出的聚合等值建模方法可以在至多兩臺等值機的前提下達到多機等值方法的精度,且不會顯著增加仿真負擔(dān)。

表1 不同方法的等值性能對比Table 1 Equivalent performance comparison of different equivalent methods

4 結(jié)語

本文提出了基于數(shù)據(jù)-模型混合驅(qū)動的風(fēng)電場聚合等值建模方法,根據(jù)場站氣象塔信息和并網(wǎng)點信息,采用神經(jīng)網(wǎng)絡(luò)匹配算法,解決了機組級實時出力信息缺失難題。通過仿真分析雙饋機組在不同風(fēng)速下的動態(tài)響應(yīng)特性,證明了按照Crowbar 分群的理論依據(jù),提出了風(fēng)電場最少等值機表征原理。通過解析傳統(tǒng)等值方法的誤差來源,提出了等值機動態(tài)行為校正方法,大大降低了僅按照Crowbar 分群的等值誤差,形成了數(shù)據(jù)驅(qū)動的風(fēng)電場等值模型在線生成方案。

本文提出的數(shù)據(jù)-模型混合驅(qū)動的風(fēng)電場聚合等值建模方法,需要大量的機組級歷史運行數(shù)據(jù)做支撐,未來將根據(jù)場站所處地理位置的氣象及拓撲條件,研究數(shù)據(jù)的自動生成與校正方法,減少對歷史數(shù)據(jù)的依賴。本文方法的推廣有助于克服新能源發(fā)電模型不準(zhǔn)確導(dǎo)致的電網(wǎng)運行規(guī)劃保守問題,實現(xiàn)高滲透新能源電網(wǎng)的分析與控制。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。