一种风电场内机组间的功率优化分配算法制造技术

本发明专利技术涉及一种风电场内机组间的功率优化分配算法，根据场内各个机组不同的运行特性，计算出各机组的特征矩阵，运用IMOA

【技术实现步骤摘要】
一种风电场内机组间的功率优化分配算法


[0001]本专利技术属于电网调度领域，尤其是涉及一种风电场内机组间的功率优化分配算法。

技术介绍

[0002]由于风力发电自身的特点及其生产电能时的特殊性，从有风力发电技术之日起，风力发电技术就面临着各种问题。尤为突出的问题就是风电功率的随机性和波动性。当并入电网的风电容量较小时，其所带来的影响可以通过电力系统自身的调节能力进行缓解。但是，当并入电网的风电容量较大时，电网的自身调节能力不再能缓解风电波动性所带来的影响，此时会使电网不再运行于稳定状态，甚至可能会造成风电场退出系统运行。如果电网完全依靠传统电源对并网的风电进行补偿，那么随着电网中风力发电机容量所占总容量比例的增加，可能会因此增加传统电源的备用容量，这会加大系统的运行成本。风电利用小时数也较低，如果完全按照风电满发容量来确定系统所需的备用容量，电网投资会很大，输送通道也会造成很大的浪费，因此风电大规模并入电网会对电网造成较明显的影响。如果风力发电想继续快速发展，风电场将需要具备一些能减弱自身对电网造成不利影响的能力。
[0003]考虑到风电场规模越来越大，场内机组越来越多，风电场内部机组的优化调度问题也会更加突出。因此当电网接纳风电备用容量不足，风电场需参与系统调峰时，不仅需要运用风电场间的功率优化分配策略，而且需要运用风电场内机组间的功率优化分配策略。而目前在进行风电场内机组优化的过程中没有根据机组的不同特性进行调度，或虽然在机组优化过程中对场内机组进行了分类却没有考虑地势地形对机组分类的影响。
专利
技术实现思路

[0004]为了解决上述存在的技术问题，本专利技术提供一种风电场内机组间的功率优化分配算法，主要通过基于机组特征矩阵提出一种改进MOA流形k均值聚类方法即IMOA
‑
MSSK
‑
means，加入了差分进化算法，有效的避免了聚类陷入局部极值，并将机组分成需参与功率分配和无需参与功率分配两组，简化机组优化过程中的复杂矩阵，再用人工蜂群寻优算法(ABC)对分类机组进行机组组合，选取最优的机组运行组合，对风电场内各机组出力进行优化分配，有助于更好地调节风电场的功率输出，以提高调度指令的执行能力。
[0005]本专利技术采用的技术方案如下：
[0006]一种风电场内机组间的功率优化分配算法，其特征在于：
[0007]步骤一：
[0008]选取风力发电机组输出功率的平均值及标准差作为表征风电机组出力变化的参数，其中
[0009][0010]式中P
imean
‑‑
风电场第i台机组在j＝1,2,...N时段输出功率的平均值；
[0011][0012]P
istd
‑‑
风电场第i台机组在j
‑
1,2,...N时段内输出功率的标准差；
[0013]将上述机组输出功率的平均值与标准差进行数据归一化处理，得出风电机的输出功率特征矩阵：
[0014][0015][0016]式中P
imean
(0
‑
1)为风电场第i台机组输出功率平均值的归一化结果；
[0017]P
istd
(0
‑
1)为风电场第i台机组输出功率标准差的归一化结果；
[0018]P
meanmin
为风电场内各机组输出功率平均值的最小值；
[0019]P
minmax
为风电场内各机组输出功率平均值的最大值；
[0020]P
std min
为风电场内各机组输出功率标准差的最小值；
[0021]P
std max
为风电场内各机组输出功率标准差的最大值；
[0022]步骤二：
[0023]运用MOA对MSSK
‑
means进行优化，即MOA
‑
MSSK
‑
means算法，其计算过程如下：
[0024]2.)首先对数据集采取归一化处理，消除量级带来的影响；
[0025]2.2)初始化S个特征矩阵，将计算得到的S个聚类中心初始值集合，编码作为S个磁性粒子的值；设置最大迭代次数Max_itr，则磁性粒子的位置初始化如下：
[0026][0027]式中：rand是[0,1]之间的随机数发生器；value_l
r
和value_h
r
则表示第r维的最大值和最小值；itr是当前的迭代次数；
[0028]2.3)计算每个磁性粒子的目标函数值并将此值赋给磁性粒子B
itr
，然后对磁性粒子进行标准化：
[0029][0030]式中：min＝min(B
itr
)，磁性粒子磁场中的最小值；max＝max(B
itr
)，磁性粒子磁场中的最大值；
[0031]2.4)计算磁性粒子的质量：
[0032]M
itr
＝α+ρ
×
B
itr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0033]式中：α和β都是常数。
[0034]2.5)计算每个磁性粒子的邻居对其作用的吸引力的合力，如计算第i个磁性粒子合力：
[0035][0036]其中D是磁性粒子i与相邻磁性粒子j之间的距离，公式如下：
[0037][0038]2.6)更新每个磁性粒子的加速度，速度和位置：
[0039][0040]V
itr+1
＝V
itr
+α
itr+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0041]X
itr+1
＝X
itr
+V
itr+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0042]2.7)根据新的磁性粒子位置求取特征矩阵，接着求得目标函数值，并且判断是否达到最大迭代次数Max_itr，若是则运行步骤h，否则重复步骤2.4)
ꢀ‑
步骤2.6)；
[0043]2.8)获取最优磁性粒子代表的聚类中心值，将其赋给MSSK
‑
means进行负荷曲线聚类分析，判断MSSK
‑
means的目标函数差值是否符合设置的阈值，若满足则输出聚类结果；
[0044]步骤三：
[0045]优化目标函数：
[0046][0047]X
‑
由0和1组成的n*N维矩阵，0代表第j时间段内第i台风机处于停机状态，1
‑
代表第j时间段内第i台风机处于运行状态；
[0048]N
‑
风电机组优化调度的时间；
[0049]n
‑
风电场内风电机组总台数；
[0050]W
‑
风电场运行相对损耗指标的权重系数；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电场内机组间的功率优化分配算法，其特征在于：步骤一：选取风力发电机组输出功率的平均值及标准差作为表征风电机组出力变化的参数，其中式中P
imean
‑‑
风电场第i台机组在j＝1，2，...N时段输出功率的平均值；P
istd
‑‑
风电场第i台机组在j
‑
1，2，...N时段内输出功率的标准差；将上述机组输出功率的平均值与标准差进行数据归一化处理，得出风电机的输出功率特征矩阵：特征矩阵：式中P
imean(0
‑
1)
为风电场第i台机组输出功率平均值的归一化结果；P
istd(0
‑
1)
为风电场第i台机组输出功率标准差的归一化结果；P
meanmin
为风电场内各机组输出功率平均值的最小值；P
minmax
为风电场内各机组输出功率平均值的最大值；P
stdmin
为风电场内各机组输出功率标准差的最小值；P
stdmax
为风电场内各机组输出功率标准差的最大值；步骤二：运用MOA对MSSK
‑
means进行优化，即MOA
‑
MSSK
‑
means算法，其计算过程如下：2.)首先对数据集采取归一化处理，消除量级带来的影响；2.2)初始化S个特征矩阵，将计算得到的S个聚类中心初始值集合，编码作为S个磁性粒子的值；设置最大迭代次数Max_itr，则磁性粒子的位置初始化如下：式中：rand是[0，1]之间的随机数发生器；value_l
r
和value_h
r
则表示第r维的最大值和最小值；itr是当前的迭代次数；2.3)计算每个磁性粒子的目标函数值并将此值赋给磁性粒子B
itr
，然后对磁性粒子进行标准化：式中：min＝min(B
itr
)，磁性粒子磁场中的最小值；max＝max(B
itr
)，磁性粒子磁场中的最大值；2.4)计算磁性粒子的质量：
M
itr
＝α+ρ
×
B
itr
ꢀꢀꢀꢀ
(7)式中：α和β都是常数。2.5)计算每个磁性粒子的邻居对其作用的吸引力的合力，如计算第i个磁性粒子合力：其中D是磁性粒子i与相邻磁性粒子j之间的距离，公式如下：2.6)更新每个磁性粒子的加速度，速度和位置：V
itr+1
＝V
itr
+α
itr+1
ꢀꢀꢀꢀ
(11)X
itr+1
＝X
itr
+V
itr+1
ꢀꢀꢀꢀ
(12)2.7)根据新的磁性粒子位置求取特征矩阵，接着求得目标函数值，并且判断是否达到最大迭代次数Max_itr，若是则运行步骤h，否则重复步骤2.4)
‑
步骤2.6)；2.8)获取最优磁性粒子代表的聚类中心值，将其赋给MSSK
‑
means进行负荷曲线聚类分析，判断MSSK
‑
means的目标函数差值是否符合设置的阈值，若满足则输出聚类结果；步骤三：优化目标函数：X
‑
由0和1组成的n*N维矩阵，0代表第j...

【专利技术属性】
技术研发人员：单锦宁，裴根，王琛淇，陈刚，陈鑫宇，王鑫，赵琰，马艳娟，
申请(专利权)人：沈阳工程学院国家电网有限公司，
类型：发明
国别省市：