风电高渗透电网系统的等效惯量预测方法技术方案

本发明专利技术公开了一种风电高渗透电网系统的等效惯量预测方法，包括计算风电机组等效虚拟惯量时间常数；构建风电高渗透电网的等效惯量计算公式；获取风电高渗透电网系统的历史数据和待预测日的参数数据；采用灰色关联算法在获取的历史数据中选取待预测日的相似日；构建等效惯量预测初始模型并训练得到等效惯量预测模型；将待预测日的参数数据输入到等效惯量预测模型得到最终的待预测日的风电高渗透电网系统的等效惯量预测结果。本发明专利技术建立风电机组虚拟惯量与转速之间的解析关系，给出考虑风电机组虚拟惯量的系统等效惯量表达式，并对其特性进行分析，实现了对短期系统等效惯量进行较高精度的预测；而且本发明专利技术方法的准确性高且可靠性好。靠性好。靠性好。

【技术实现步骤摘要】
风电高渗透电网系统的等效惯量预测方法


[0001]本专利技术属于电气自动化领域，具体涉及一种风电高渗透电网系统的等效惯量预测方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保证电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
[0003]目前，风电机组的大规模并网，使得具有转动惯量的常规同步电源被不断替代。区别于同步电源，风电等非同步电源均通过电力电子换流器和电网接口，与系统频率解耦，有功功率扰动下不能够为电网主动提供惯量支撑，导致电力系统惯量水平大幅降低、频率调节能力弱化。因此，对于风力发电电网系统的等效惯量计算，就对电网具有重要意义。
[0004]但是，目前的电网系统的惯量计算方法，只考虑了传统同步机组的旋转惯量。而随着风力发电的大规模并网，现有的计算方法已经无法精确计算或预测风电高渗透电网系统的等效惯量。

技术实现思路

[0005]本专利技术的目的在于提供一种准确性高且可靠性好的风电高渗透电网系统的等效惯量预测方法。
[0006]本专利技术提供的这种风电高渗透电网系统的等效惯量预测方法，包括如下步骤：
[0007]S1.根据风力发电系统的参数，计算风电机组等效虚拟惯量时间常数；
[0008]S2.根据步骤S1得到的风电机组等效虚拟惯量时间常数，构建风电高渗透电网的等效惯量计算公式；
[0009]S3.获取风电高渗透电网系统的历史数据；
[0010]S4.获取待预测日的参数数据；
[0011]S5.采用灰色关联算法，在获取的历史数据中选取待预测日的相似日；
[0012]S6.基于NGBoost集成学习模型，构建等效惯量预测初始模型，并采用选定的相似日的数据对等效惯量预测初始模型进行训练，得到等效惯量预测模型；
[0013]S7.将待预测日的参数数据输入到步骤S6得到的等效惯量预测模型，得到最终的待预测日的风电高渗透电网系统的等效惯量预测结果。
[0014]步骤S1所述的根据风力发电系统的参数，计算风电机组等效虚拟惯量时间常数，具体包括如下步骤：
[0015]风机捕获的机械功率P
w
表示为：
[0016][0017]式中ρ为空气密度；A为风机扫风面积；v为风速；λ为叶尖速比且为转子转速，R为叶轮半径，β为桨距角，C
P
(λ,β)为风能利用系数且λ
i
为中间参数且
[0018]当ω＜ω
min
时，风电机组虚拟惯性时间常数H
w
为H
w
＝0；
[0019]当ω
min
≤ω≤ω
max
时，风电机组虚拟惯性时间常数H
w
为
[0020][0021]式中S
n,w
为双馈风电机组的额定容量；J
w
为单台风电机组的总转动惯量；ω0为风电机组初始转子转速；t
on
为机组调速初始时刻；t
off
为机组调速结束时刻；C
pmax
为风能利用系数最大值；
[0022]当ω＞ω
max
时，风电机组虚拟惯性时间常数H
w
为
[0023][0024]式中ω
min
为风电机组的最低转子转速；ω
max
为风电机组的最高转子转速。
[0025]步骤S2所述的根据步骤S1得到的风电机组等效虚拟惯量时间常数，构建风电高渗透电网的等效惯量计算公式，具体包括如下步骤：
[0026]构建风电高渗透电网的等效惯量计算公式为
[0027][0028]式中H
eq
为风电高渗透电网的等效惯量；n
G
为与电网直接相连的同步发电机数量；H
G,i
为同步发电机i的惯性时间常数；S
G,i
为同步发电机i的额定容量；n
W
为能够参与系统惯量响应的风机数量；H
W,j
为风机j的虚拟惯性时间常数；S
W,j
为风机j的额定容量。
[0029]步骤S5所述的采用灰色关联算法，在获取的历史数据中选取待预测日的相似日，具体包括如下步骤：
[0030]对步骤S3和S4获取的数据进行标准化无量纲处理，无量纲化后的数据序列矩阵为
其中x
ij
为数据序列矩阵元素，i＝1,2,...,m，j＝1,2,...,n；
[0031]计算历史数据与待预测日数据对应的输入特征变量的关联系数ε
i,j
为其中ε
i,j
为第i个历史样本的第j个输入特征变量与待预测日的第j个输入特征变量的关联系数；x
o,j
为待预测日的第j个输入特征变量；x
i,j
为第i个历史样本的第j个输入特征变量；ρ1为分辨系数，0＜ρ1＜1，且ρ1越小，则关联系数间差异越大，区分能力越强；
[0032]最后，计算各历史样本与待预测日之间的关联度γ
i
为其中γ
i
为第i个历史样本与待预测日之间的关联度，N为历史样本数量。
[0033]步骤S6所述的基于NGBoost集成学习模型，构建等效惯量预测初始模型，并采用选定的相似日的数据对等效惯量预测初始模型进行训练，得到等效惯量预测模型，具体包括如下步骤：
[0034]构建基于NGBoost集成学习模型的等效惯量预测初始模型；
[0035]训练时，采用自然梯度提升算法对初始模型的参数进行学习；
[0036]自然梯度提升算法包括基础学习器、概率分布和评分标准；
[0037]适当得分法则S以概率分布P及观测值y为输入，且满足其中E
y～Q
()为结果分布的期望，S(Q,y)为将参数θ和第j个样本的结果y输入评分规则S得到的计算值，S(P,y)为衡量预测分布与真实分布的距离，P为预测的一个分布，Q为观测值y服从的真实分布；
[0038]适当得分法则采用最大似然估计，L(θ,y)＝
‑
logP
θ
(y)；L()为评分规则，P
θ
( )为参数化的概率分布；
[0039]根据适当得分法则的非负性定义，得到对应的Kullback
‑
Leibler散度D
L
为
[0040][0041]其中Q(y)为结果y的真实分布，P(y)为结果y的概率分布；
[0042]NGBoost集成学习模型在每个阶段均包括一组基础学习器f和缩放因子ρ；NGBoost集成学习模型首选估计一个共同的初始分布θ(0)为使模型本身能最小化评分规则S在所有训练样本的响应变量上的总和，从而得到所有样本的初始预
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电高渗透电网系统的等效惯量预测方法，包括如下步骤：S1.根据风力发电系统的参数，计算风电机组等效虚拟惯量时间常数；S2.根据步骤S1得到的风电机组等效虚拟惯量时间常数，构建风电高渗透电网的等效惯量计算公式；S3.获取风电高渗透电网系统的历史数据；S4.获取待预测日的参数数据；S5.采用灰色关联算法，在获取的历史数据中选取待预测日的相似日；S6.基于NGBoost集成学习模型，构建等效惯量预测初始模型，并采用选定的相似日的数据对等效惯量预测初始模型进行训练，得到等效惯量预测模型；S7.将待预测日的参数数据输入到步骤S6得到的等效惯量预测模型，得到最终的待预测日的风电高渗透电网系统的等效惯量预测结果。2.根据权利要求1所述的风电高渗透电网系统的等效惯量预测方法，其特征在于步骤S1所述的根据风力发电系统的参数，计算风电机组等效虚拟惯量时间常数，具体包括如下步骤：风机捕获的机械功率P
w
表示为：式中ρ为空气密度；A为风机扫风面积；v为风速；λ为叶尖速比且ω为转子转速，R为叶轮半径，β为桨距角，C
P
(λ,β)为风能利用系数且λ
i
为中间参数且当ω＜ω
min
时，风电机组虚拟惯性时间常数H
w
为H
w
＝0；当ω
min
≤ω≤ω
max
时，风电机组虚拟惯性时间常数H
w
为式中S
n,w
为双馈风电机组的额定容量；J
w
为单台风电机组的总转动惯量；ω0为风电机组初始转子转速；t
on
为机组调速初始时刻；t
off
为机组调速结束时刻；C
pmax
为风能利用系数最大值；当ω＞ω
max
时，风电机组虚拟惯性时间常数H
w
为
式中ω
min
为风电机组的最低转子转速；ω
max
为风电机组的最高转子转速。3.根据权利要求2所述的风电高渗透电网系统的等效惯量预测方法，其特征在于步骤S2所述的根据步骤S1得到的风电机组等效虚拟惯量时间常数，构建风电高渗透电网的等效惯量计算公式，具体包括如下步骤：构建风电高渗透电网的等效惯量计算公式为式中H
eq
为风电高渗透电网的等效惯量；n
G
为与电网直接相连的同步发电机数量；H
G,i
为同步发电机i的惯性时间常数；S
G,i
为同步发电机i的额定容量；n
W
为能够参与系统惯量响应的风机数量；H
W,j
为风机j的虚拟惯性时间常数；S
W,j
为风机j的额定容量。4.根据权利要求3所述的风电高渗透电网系统的等效惯量预测方法，其特征在于步骤S5所述的采用灰色关联算法，在获取的历史数据中选取待预测日的相似日，具体包括如下步骤：对步骤S3和S4获取的数据进行标准化无量纲处理，无量纲化后的数据序列矩阵为其中x
ij
为数据序列矩阵元素，i＝1,2,...,m，j＝1,2,...,n；计算历史数据与待预测日数据对应的输入特征变量的关联系数ε
i,j
为其中ε
i,j
为第i个历史样本的第j个输入特征变量与待预测日的第j个输入特征变量的关联系数；x
o,j
为待预测日的第j个输入特征变量；x
i,j
为第i个历史样本的第j个输入特征变量；ρ1为分辨系数，0＜ρ1...

【专利技术属性】
技术研发人员：文明，涂钊颖，文云峰，黄鸿奕，刘晓丹，谭玉东，
申请(专利权)人：国网湖南省电力有限公司经济技术研究院国家电网有限公司，
类型：发明
国别省市：