一种风电机组模型降阶方法及系统技术方案

本发明专利技术涉及一种适用于大扰动场景下的风电机组模型降阶方法及系统，属于风电系统领域，首先选择线性化点，在每个线性化点处对风电机组全阶模型进行线性化，然后根据每个局部线性化模型的广义参与矩阵中的广义参与因子，将所有状态变量划分为快变量和慢变量，最后对风电机组全阶模型进行奇异摄动降阶，获得风电并网系统在大扰动下的风电机组降阶模型，该方法是基于轨迹分段线性技术的非线性系统奇异摄动降阶算法，适用于风电并网系统大扰动分析并且保留了风电机组的状态变量，为风电并网系统在大扰动场景下机理分析提供了解决手段。统在大扰动场景下机理分析提供了解决手段。统在大扰动场景下机理分析提供了解决手段。

【技术实现步骤摘要】
一种风电机组模型降阶方法及系统


[0001]本专利技术涉及风电系统领域，特别是涉及一种风电机组模型降阶方法及系统。

技术介绍

[0002]近年来，对可再生能源发电的需求不断增加，风电得到大规模开发利用。伴随着大规模新能源的发展，电力电子设备的并网比例也逐渐提高，使得风电并网系统的暂态行为正发生显著变化，对电网安全稳定运行带来了严峻的挑战。为了正确评估风电并网可能对电网产生的影响，需要对风电并网系统在不同大干扰场景下的暂态响应特性进行深入研究。如果对风电并网系统采用详细的数学模型进行仿真分析，其矩阵阶数高、计算量大，仿真计算将面临“维数灾”的难题，严重制约了系统动态特性分析的精确性和有效性。因此，为提高系统分析计算效率，研究风电机组降阶模型很有必要性。
[0003]电力系统中，模型降阶方法主要有模态降阶方法、平衡截断方法和Krylov子空间法。对应的模型降阶原理可以总结为：在原有大规模系统所处的高维度空间中寻找一个低维度的投影空间，然后将原有动态系统模型投影到相应的低维度空间，就可以得到相应的降阶模型。此类方法一般基于系统在平衡点的小干扰模型进行理论分析，使得降阶系统能尽可能地逼近原系统的传递函数（输入输出关系），保持原系统的一些动态特性，但仅适用于电力系统平衡点附近的小扰动仿真分析。随着风电比例的不断提高，风电系统的非线性已经不可忽略，上述方法皆难以刻画大扰动下风电机组的非线性特性，具有一定局限性。

技术实现思路

[0004]本专利技术的目的是提供一种风电机组模型降阶方法及系统，以实现大扰动下风电机组的非线性特性刻画。
[0005]为实现上述目的，本专利技术提供了如下方案：一种风电机组模型降阶方法，包括：在风电并网系统遭遇大扰动后的状态轨迹上选择多个线性化点；在每个线性化点处对风电机组全阶模型进行线性化，获得每个线性化点处的局部线性化模型；采用Block Arnoldi算法计算使每个局部线性化模型的所有主导特征根均大于零时的每个局部线性化模型的正交基底和海森伯格矩阵；联立每个局部线性化模型的正交基底和海森伯格矩阵的参与矩阵，获得每个局部线性化模型的广义参与矩阵；根据每个局部线性化模型的广义参与矩阵中的广义参与因子，将所有状态变量划分为快变量和慢变量；根据所述快变量和所述慢变量，对所述风电机组全阶模型进行奇异摄动降阶，获得风电并网系统在大扰动下的风电机组降阶模型；利用所述风电机组降阶模型对风电并网系统在不同大干扰场景下的暂态响应特
性进行分析。
[0006]可选的，所述在风电并网系统遭遇大扰动后的状态轨迹上选择多个线性化点，具体包括：模拟风电机组全阶模型在遭遇大扰动后的非线性响应，获得所有时间步上的状态向量序列；选取所述状态向量序列中的第一个状态向量为第i个线性化点，并初始化i=1；在所述状态向量序列中从左至右依次选取状态向量，直至首次满足：选取的状态向量和每个线性化点之间的欧氏距离均大于欧式距离阈值，则令i的数值增加1，并将首次满足选取的状态向量作为第i个线性化点；判断i的数值是否小于选点个数，获得判断结果；若所述判断结果表示是，则返回步骤“在所述状态向量序列中从左至右依次选取状态向量，直至首次满足：选取的状态向量和每个线性化点之间的欧氏距离均大于欧式距离阈值，则令i的数值增加1，并将首次满足选取的状态向量作为第i个线性化点”；若所述判断结果表示否，则获得所有线性化点。
[0007]可选的，所述在每个线性化点处对风电机组全阶模型进行线性化，获得每个线性化点处的局部线性化模型，具体包括：确定风电机组全阶模型为；其中，X为风电机组的状态向量，U为风电机组节点电压向量，f (X,U)为风电机组的状态方程，g(X,U)为风电机组的输出方程，y为输出量；利用公式和，在每个线性化点处对风电机组全阶模型进行线性化，获得每个线性化点处的状态矩阵和输入矩阵，并将状态矩阵和输入矩阵构成每个线性化点处的局部线性化模型；其中，A
i
为在线性化点X
i
处的状态矩阵，B
i
为在线性化点X
i
处的输入矩阵，XΔ
im
和UΔ
im
分别为状态向量和输入向量的第m个分量的小扰动，X为直驱永磁同步发电机的状态向量，U为直驱永磁同步发电机节点电压向量，U
i
为在线性化点X
i
处的直驱永磁同步发电机节点电压向量，A
i
(:,m)为状态矩阵的第m个分量，B
i
(:,m)为输入矩阵的第m个分量。
[0008]可选的，所述联立每个局部线性化模型的正交基底和海森伯格矩阵的参与矩阵，获得每个局部线性化模型的广义参与矩阵，具体包括：对海森伯格矩阵进行参与因子分析，获得海森伯格矩阵的参与矩阵和主导特征根；
利用公式利用公式，联立每个局部线性化模型的正交基底和海森伯格矩阵的参与矩阵，获得每个局部线性化模型的广义参与矩阵；其中，W
s
为第s个局部线性化模型的广义参与矩阵，为第s个局部线性化模型的正交基底，为第s个局部线性化模型的海森伯格矩阵的参与矩阵，ξ1、ξ
m
和ξ
n
分别为第s个局部线性化模型的正交基底中第1个、第m个和第n个状态变量对应的1
×
2q阶横向量，p1、p
r
和p
2q
分别为第s个局部线性化模型的海森伯格矩阵的参与矩阵中第1个、第r个和第2q个主导特征根对应的列向量，w
rm
=ξ
m*
p
r
，w
rm
为第m个状态变量对应的广义参与因子，广义参与因子表示风电机组全阶模型第m个状态变量与局部线性化模型第r个主导特征根的参与度。
[0009]可选的，所述根据每个局部线性化模型的广义参与矩阵中的广义参与因子，将所有状态变量划分为快变量和慢变量，具体包括：将广义参与矩阵中的广义参与因子大于0.1的状态变量确定为慢变量，广义参与因子小于或等于0.1的状态变量确定为快变量。
[0010]可选的，根据所述快变量和所述慢变量，对所述风电机组全阶模型进行奇异摄动降阶，获得风电并网系统在大扰动下的风电机组降阶模型，具体包括：将所述风电机组全阶模型转换成快变量和慢变量的奇异摄动方程为；其中，X
I
为慢变量集合，X
II
为快变量集合，U为风电机组节点电压向量，f1(X
I
, X
II
, U)为与慢变量相关的状态方程，f2(X
I
, X
II
, U)为与快变量相关的状态方程，ε为奇异摄动参数；令奇异摄动参数ε等于0，则确定快变量的准稳态表达式为X
II
=h(X
I
, U)；其中，h(X
I
, U)为快变量的准稳态表达方程；结合快变量的准稳态表达式和所述奇异摄动方程，确定风电并网系统在大扰动下的风电机组降阶模型为；其中，f1(X...

【技术保护点】

【技术特征摘要】
1.一种风电机组模型降阶方法，其特征在于，包括：在风电并网系统遭遇大扰动后的状态轨迹上选择多个线性化点；在每个线性化点处对风电机组全阶模型进行线性化，获得每个线性化点处的局部线性化模型；采用Block Arnoldi算法计算使每个局部线性化模型的所有主导特征根均大于零时的每个局部线性化模型的正交基底和海森伯格矩阵；联立每个局部线性化模型的正交基底和海森伯格矩阵的参与矩阵，获得每个局部线性化模型的广义参与矩阵；根据每个局部线性化模型的广义参与矩阵中的广义参与因子，将所有状态变量划分为快变量和慢变量；根据所述快变量和所述慢变量，对所述风电机组全阶模型进行奇异摄动降阶，获得风电并网系统在大扰动下的风电机组降阶模型；利用所述风电机组降阶模型对风电并网系统在不同大干扰场景下的暂态响应特性进行分析。2.根据权利要求1所述的风电机组模型降阶方法，其特征在于，所述在风电并网系统遭遇大扰动后的状态轨迹上选择多个线性化点，具体包括：模拟风电机组全阶模型在遭遇大扰动后的非线性响应，获得所有时间步上的状态向量序列；选取所述状态向量序列中的第一个状态向量为第i个线性化点，并初始化i=1；在所述状态向量序列中从左至右依次选取状态向量，直至首次满足：选取的状态向量和每个线性化点之间的欧氏距离均大于欧式距离阈值，则令i的数值增加1，并将首次满足选取的状态向量作为第i个线性化点；判断i的数值是否小于选点个数，获得判断结果；若所述判断结果表示是，则返回步骤“在所述状态向量序列中从左至右依次选取状态向量，直至首次满足：选取的状态向量和每个线性化点之间的欧氏距离均大于欧式距离阈值，则令i的数值增加1，并将首次满足选取的状态向量作为第i个线性化点”；若所述判断结果表示否，则获得所有线性化点。3.根据权利要求1所述的风电机组模型降阶方法，其特征在于，所述在每个线性化点处对风电机组全阶模型进行线性化，获得每个线性化点处的局部线性化模型，具体包括：确定风电机组全阶模型为；其中，X为风电机组的状态向量，U为风电机组节点电压向量，f (X,U)为风电机组的状态方程，g(X,U)为风电机组的输出方程，y为输出量；利用公式和，在每个线性化点处对风电机组全阶模型进行线性化，获得每个线性化点处的状态矩阵和输入矩阵，并将状态矩阵和输入矩阵构成每个线性化点处的局部线性化模型；其中，A
i
为在线性化点X
i
处的状态矩阵，B
i
为在线性化点X
i
处的输入矩阵，XΔ
im
和UΔ
im
分别为状态向量和输入向量的第m个分量的小扰动，X为直驱永磁同步发电机的状态向量，U为直驱永磁同步
发电机节点电压向量，U
i
为在线性化点X
i
处的直驱永磁同步发电机节点电压向量，A
i
(:,m)为状态矩阵的第m个分量，B
i
(:,m)为输入矩阵的第m个分量。4.根据权利要求1所述的风电机组模型降阶方法，其特征在于，所述联立每个局部线性化模型的正交基底和海森伯格矩阵的参与矩阵，获得每个局部线性化模型的广义参与矩阵，具体包括：对海森伯格矩阵进行参与因子分析，获得海森伯格矩阵的参与矩阵和主导特征根；利用公式利用公式，联立每个局部线性化模型的正交基底和海森伯格矩阵的参与矩阵，获得每个局部线性化模型的广义参与矩阵；其中，W
s
为第s个局部线性化模型的广义参与矩阵，为第s个局部线性化模型的正交基底，为第s个局部线性化模型的海森伯格矩阵的参与矩阵，ξ1、ξ
m
和ξ
n
分别为第s个局部线性化模型的正交基底中第1个、第m个和第n个状态变量对应的1
×
2q阶横向量，p1、p
r
和p
2q
分别为第s个局部线性化模型的海森伯格矩阵的参与矩阵中第1个、第r个和第2q个主导特征根对应的列向量，w
rm
=ξ
m*
p
r
，w
rm
为第m个状态变量对应的广义参与因子，广义参与因子表示风电机组全阶模型第m个状态变量与局部线性化模型第r个主导特征根的参与度。5.根据权利要求4所述的风电机组模型降阶方法，其特征在于，所述根据每个局部线性化模型的广义参与矩阵中的广义参与因子，将所有状态变量划分为快变量和慢变量，具体包括：将广义参与矩阵中的广义参与因子大于0.1的状态变量确定为慢变量，广义参与因子小于或等于0.1的状态...

【专利技术属性】
技术研发人员：王彤，李永达，王增平，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：