一种考虑风电预测不确定性的风电场动态等值方法技术

本发明专利技术公开了一种考虑风电预测不确定性的风电场动态等值方法，该方法包括：确定风电预测中风速和功率误差的概率密度函数及参数，利用求逆法进行多场景抽样，得到服从风电机组预测误差概率分布的样本；建立以风速误差与功率误差为坐标的二维统计网格，统计每台风机在统计网格内的样本频率；基于改进KL距离，利用k‑means聚类算法进行风机分群；在各群内对风电机组和集电系统进行单机等值；发明专利技术通过基于概率分布的多场景抽样的方式考虑了风速和功率预测误差不确定性，在风电预测出现误差的情况下具有较好的准确性，可以更好服务于电力系统调度的预警计算，具有一定的工程应用价值。

A dynamic equivalent method of wind farm considering the uncertainty of wind power prediction

The invention discloses a wind power forecasting uncertainty of wind farm dynamic equivalent method, the method includes determining the wind power wind speed and power error in the prediction of the probability density function and parameters, using the inverse method for multi scene sampling, obeyed the wind turbine prediction error probability distribution of the sample; to establish wind speed error with the power grid coordinate error of two-dimensional statistics, statistics of each fan frequency in the sample statistics within the grid; improved KL distance based on fan clustering using K means clustering algorithm; in the group of wind turbine and collector system single equivalence; uses multi scene sampling probability distribution method based on the consideration of the error of wind speed and power forecast uncertainty, has good accuracy in the prediction of wind power has errors, can better serve the power system dispatching The early warning calculation has certain engineering application value.

【技术实现步骤摘要】
一种考虑风电预测不确定性的风电场动态等值方法
本专利技术涉及风电场等值方法研究领域，具体地，涉及一种考虑风电预测不确定性的风电场动态等值方法。
技术介绍
大规模风电接入给电网运行的诸多方面带来挑战，针对风电并网系统的动态特性进行研究能够帮助电网运行人员开展风险预估与科学决策，进而提高风电的渗透率。在大型风电场并网仿真中，如果对每台风电机组进行建模，不仅工作量浩大，而且会影响计算的速度、精度和收敛性，因此，有必要在保证风电场输出精度的前提下研究其动态等值模型。在现有的研究中，主要的风电场动态等值方法有单机等值法、半等值法和多机等值法等。单机等值法是指将风电场内所有风电机组等值为1台机；半等值法是指保留各台风机的风力机部分，将其发电机模型等值为1台机；多机等值法是指将风电机组按照运行点等值成多台机。其中，多机等值法因其精度高、易操作的优点被广泛采用。多机等值首先将风电场内风电机组依据运行特性分为多个群，然后对各群内的风电机组进行单机等值。风电机组分群时需选择可反映其运行状态的指标，风速，风机转子转速，风电机组状态变量，风电机组运行控制区域，风电机组风速、转速、定子电压、q轴定子电流和有功功率，风速、转速和桨距角综合指标等已经被提出作为风电机组分群指标。然而，当前的风电场动态等值研究均基于确定性数据，认为风电机组分群所采用的数据为准确数据，即不存在误差。然而在电力系统调度的预警计算中，风电场多机等值模型的分群数据将来源于风电功率预测数据，其误差不可避免且具有随机性。在风电预测准确的场景下，采用基于确定性数据的传统多机等值模型会有较高的准确度；然而，风电预测的大多数情景是不准确的，若此时风电场仍采用基于确定性数据分群的多机等值方法，则会给仿真计算带来较大误差。综上所述，本申请专利技术人在实现本申请专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：在现有技术中，由于风电预测的大多数情景是不准确的，若此时风电场仍采用基于确定性数据分群的多机等值方法，则会给仿真计算带来较大误差，因此现有的风电场等值方法存在准确性较差，导致仿真计算误差较大的技术问题。
技术实现思路
本专利技术提供了一种考虑风电预测不确定性的风电场动态等值方法，解决了现有的风电场等值方法存在准确性较差，导致仿真计算误差较大的技术问题，实现了在风电功率预测出现误差的场景下具有较好的准确性，在考虑风电预测不确定性的情况下，可以更好服务于电力系统调度的预警计算的技术效果。为解决上述技术问题，本申请提供了一种考虑风电预测不确定性的风电场动态等值方法，其改进之处在于，所述方法是基于风电预测不确定性分群的，包括下述步骤：A、确定风电预测中风速和功率误差的概率分布及其参数，利用求逆法进行多场景抽样，得到服从风电机组预测误差概率分布的样本；B、建立以风速误差与功率误差为坐标的二维统计网格，统计每台风机在统计网格内的样本频率；C、基于改进KL距离，即改进的KL散度(Kullback-LeiblerDivergence)，KL散度也叫作相对熵(RelativeEntropy)，利用k-means(k-均值)聚类算法进行风机分群；Kullback-Leibler为英文人名，国内统称为KL散度，D、对各个群内风电机组参数及网络参数进行单机等值。进一步地，所述步骤A包括以下步骤：A1、根据先验知识或者历史预测误差数据，确定每台风机风电预测中风速误差Δvw和功率误差ΔPw的累积分布函数F(Δvw)、F(ΔPw)；A2、针对每台风机生成Ns个(0,1)之间的随机数c，即概率，其中，同一台风机的风速和功率样本的随机数c相同；A3、求解方程F(Δvw)＝c、F(ΔPw)＝c，每台风机可以得到Ns组包含风速误差Δvw和功率误差ΔPw的二维数组，也即每一组二维数组中，包含由同一个随机数c计算得到的风速误差Δvw和功率误差ΔPw。进一步地，所述步骤B包括下述步骤：B1、针对风速误差Δvw和功率误差ΔPw，合理地将其变化范围平均划分为Mv、MP个区间，分别以Δvw和ΔPw作为横坐标和纵坐标，可以得到一个二维的网格状区间范围，区间范围内包含Mv×MP个网格，分别统计每台风机的Ns组二维数组在各网格内的样本频率，第i台风机的二维数组在第l个网格中的样本频率为Ei(l)，l∈[1，Mv×MP]；B2、判断各网格内的样本频率是否为0，如为0则叠加一极小值ε，如不为0则进行下一步。进一步地，所述步骤C包括下述步骤：C1、选择k台风机作为初始聚类中心；C2、对任意一台风机，计算其到k个聚类中心的改进KL距离，将该风机归到距离最小的聚类中心所在的群，第i台风机与第j台风机之间的改进KL距离计算公式为：dKL(Ei,Ej)＝[DKL(Ei||Ej)+DKL(Ej||Ei)]/2(1)其中，dKL(Ei,Ej)为第i台风机与第j台风机之间的改进KL距离，DKL(Ei||Ej)为第i台风机到第j台风机之间的KL距离，DKL(Ej||Ei)为第j台风机到第i台风机之间的KL距离，两者的计算公式为：其中，Ei(l)为第i台风机的二维数组在第l个网格中的样本频率，Ej(l)为第j台风机的二维数组在第l个网格中的样本频率，l∈[1，Mv×MP]。C3、计算群内各风机在统计网格中的平均样本频率，假设第k个群内有T台风机，其在第l个网格中的平均样本频率为：其中，Er(l)为第r台风机的二维数组在第l个网格中的样本频率，l∈[1，Mv×MP]。以此类推，可以得到T台风机在Mv×MP个网格中的平均样本频率Eav_k(l)，将其作为新的聚类中心值，对k个群计算其平均样本频率，得到k个新的聚类中心值；C4、判断：如果所有聚类中心值保持不变，或更新次数达到上限，则转C5，否则返回C2；C5、输出聚类结果。进一步地，所述步骤D包括下述步骤：D1、对风电机组群内的风电机组参数进行等值：基于等值前后风电机组输出特性不变对风电机组参数聚合，对风电机组群内风电机组的风速v、扫风面积A、容量S、有功功率P、无功功率Q、轴系惯性时间常数H、轴系刚度系数K和轴系阻尼系数D参数分别按照如下公式进行等值：式中：nw为风电机组群内风电机组数目；veq、vi分别为风电机组群内风电机组的总风速和第i台风电机组的风速；Aeq、Ai分别为风电机组群内风电机组的总扫风面积和第i台风电机组的扫风面积；Seq、Si分别为风电机组群内风电机组的总容量和第i台风电机组的容量；Peq、Pi分别为风电机组群内风电机组的总有功功率和第i台风电机组的有功功率；D2、对网络参数进行等值：对线路阻抗的等值是基于等值前后电压损耗不变的原则进行，计算如下：式中：nw为群内风电机组数目，nf为风电场中干线式风机支路中风电机组数目，Zg为干线式支路中第g段支路阻抗；等值对地导纳Yeq计算如下：式中：Y为对地导纳。本专利技术提供的技术方案具有的优异效果是：上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：本专利技术提供的考虑风电预测不确定性的风电场动态等值方法，确定风电预测中风速和功率误差的概率分布及其参数，利用求逆法进行多场景抽样，得到服从风电机组预测误差概率分布的样本；建立以风速误差与功率误差为坐标的二维统计网格，统计每台风机在统计网格内的样本频率；基于改进KL距离，利用k-mean本文档来自技高网...

【技术保护点】
一种考虑风电预测不确定性的风电场动态等值方法，其特征在于，所述方法中的风电机组是基于风电预测不确定性进行分群，包括下述步骤：A、确定风电预测中风速和功率误差的概率分布及其参数，利用求逆法进行多场景抽样，得到服从风电机组预测误差概率分布的样本；B、建立以风速误差与功率误差为坐标的二维统计网格，统计每台风机在统计网格内的样本频率；C、基于改进KL距离，利用k‑means聚类算法进行风机分群；D、对各个群内风电机组参数及网络参数进行单机等值。

【技术特征摘要】
1.一种考虑风电预测不确定性的风电场动态等值方法，其特征在于，所述方法中的风电机组是基于风电预测不确定性进行分群，包括下述步骤：A、确定风电预测中风速和功率误差的概率分布及其参数，利用求逆法进行多场景抽样，得到服从风电机组预测误差概率分布的样本；B、建立以风速误差与功率误差为坐标的二维统计网格，统计每台风机在统计网格内的样本频率；C、基于改进KL距离，利用k-means聚类算法进行风机分群；D、对各个群内风电机组参数及网络参数进行单机等值。2.如权利要求1所述的风电场动态等值方法，其特征在于，所述步骤A包括以下步骤：A1、根据预设条件或者历史预测误差数据，确定每台风机风电预测中风速误差Δvw和功率误差ΔPw的累积分布函数F(Δvw)、F(ΔPw)；A2、针对每台风机生成Ns个0至1之间的随机数c，即概率，其中，同一台风机的风速和功率样本的随机数c相同；A3、求解方程F(Δvw)＝c、F(ΔPw)＝c，每台风机可以得到Ns组包含风速误差Δvw和功率误差ΔPw的二维数组，也即每一组二维数组中，包含由同一个随机数c计算得到的风速误差Δvw和功率误差ΔPw。3.如权利要求2所述的风电场动态等值方法，其特征在于，所述步骤B包括下述步骤：B1、针对风速误差Δvw和功率误差ΔPw，将其变化范围平均划分为Mv、MP个区间，分别以Δvw和ΔPw作为横坐标和纵坐标，得到一个二维的网格状区间范围，区间范围内包含Mv×MP个网格，分别统计每台风机的Ns组二维数组在各网格内的样本频率，第i台风机的二维数组在第l个网格中的样本频率为Ei(l)，l∈[1，Mv×MP]；B2、判断各网格内的样本频率是否为0，若为0则叠加一极小值ε，若不为0则进行步骤C。4.如权利要求3所述的风电场动态等值方法，其特征在于，所述步骤C包括下述步骤：C1、选择k台风机作为初始聚类中心；C2、对任意一台风机，计算其到k个聚类中心的改进KL距离，将该风机归到距离最小的聚类中心所在的群，第i台风机与第j台风机之间的改进KL距离计算公式为：dKL(Ei,Ej)＝[DKL(Ei||Ej)+DKL(Ej||Ei)]/2(1)其中，dKL(Ei,Ej)为第i台风机与第j台风机之间的改进KL距离，DKL(Ei||Ej)为第i台风机到第j台风机之间的KL距离，DKL(Ej||Ei)为第j台风机到第i台风机之间的KL距离，两者的计算公式为：其中，Ei(l)为第i台风机的二维数组在第l个网格中的样本频率，Ej(l)为第j台风机...

【专利技术属性】
技术研发人员：曾鉴，唐权，叶希，李婷，王云玲，叶圣永，胥威汀，沈力，陶宇轩，朱觅，李龙源，徐红灿，
申请(专利权)人：国网四川省电力公司经济技术研究院，国家电网公司，
类型：发明
国别省市：四川,51