风电场动态等值建模的研究.docVIP

风电场动态等值建模的研究 　　摘要：针对风电场内各机组间尾流的相互影响，提出了一种新的风电场等值建模方法。该方法是通过K-means聚类分析法对某风电场的实测数据进行合理处理，取相同时刻的同类机组风速的均值作为该类机组在此时刻的风速模型，同类机组功率的均值作为该类机组在此时刻的功率模型，将风电场内33台UP77-1.5MW风电机组聚成四类。最后，数值分析及仿真计算表明了该方法的有效性和精确性。 　　关键词：风电场；动态建模；聚类分析法；电力系统 　　中图分类号： TM71 文献标识码：A 　　0 引言 　　随着风电场装机容量的不断增加，大规模风电场的接入会对电力系统的安全稳定运行产生一定的影响[1-4]。为此，研究含风电场的电力系统稳定性一直是广大学者关注的焦点。然而大型风电场内往往有数十甚至上百台风电机组，若对每一台风电机组进行详细建模，会极大地增加电力系统模型的复杂度，导致仿真时间过长，不仅难以满足电力系统运行计算的要求且没有必要。对于大型互联电力系统，有必要研究大型风电场的动态等值方法，以减少含风电场电力系统分析规模和仿真时间[5-6]。 　　如果在大型互联电力系统动态仿真中，对大型风电场采用详细的模型（即对每一台风力发电机组单独建模），就会把多台小额定容量的发电机、升压变压器、无功补偿电容器以及大量的引出线都加入到电力系统模型中，这将极大地增加电力系统的分析规模和仿真时间，同时还会带来许多严重的问题，例如模型的有效性、数据的修正等[7]。 　　为此，风电场动态等值建模也是近些年学者研究的热点。针对风电场内各机组间尾流的相互影响，本文提出一种K-means聚类分析法，将风电场的机组聚类，然后对聚类后的机组进行等值建模。 　　1 K-means聚类算法 　　K-means算法是一种非常典型的基于距离的聚类算法，整个聚类过程采用距离作为相似性的评价标准，也就是认为两个对象之间的距离越近，它们之间的相似度就越大。这种算法认为簇就是由距离比较接近的对象所组成的，所以把得到独立且紧凑的簇作为最终聚类目标[8-9]。 　　k个初始类聚类中心点的选择对聚类结果具有很大的影响，因为在该算法的第一步中是随机的选取k个对象作为最初的聚类中心，初始地代表一个簇。这种算法在每次迭代过程中对数据集内剩余的每个对象，根据其与各个簇中心的距离把每个对象重新赋给最近的簇。当考察完所有的样本数据对象后，一次迭代运算结束，新的聚类中心就被计算出来。如果在一次迭代的前后，聚类中心的值没有发生变化，则说明算法已经收敛。 　　假设共有N个样本数据，且为第i个样本，则第i个样本，与第j个样本之间的闵科夫斯基距离定义为： 　　 （1） 　　 　　式子中：q是整数，当q取2时该式被称为欧式距离，即 　　 （2） 　　样本i的轮廓值计为： 　　 （3） 　　式子中：a表示样本i与同一簇中的其他样本之间的平均距离；b表示一个数值向量，组成元素是样本i和不同簇的样本之间的平均距离，轮廓值的合理范围为[0，1]。 　　k-means 法的步骤如下： 　　1） 从N个数据对象任意选择k个对象作为初始聚类中心； 　　2） 根据每个聚类对象的均值，计算每个对象与这些中心对象的距离，并根据最小距离重新确定聚类中心； 　　3） 重新计算每个聚类的均值； 　　4） 如聚类满足一定条件时，则算法终止，否则返回步骤2），直到满足条件结束。 　　与此同时，应该按时段分别计算样本数据，当本时段样本数据与上一时段相差较大时，首先利用上一时段的聚类k值进行新的聚类，如果聚类结果与上一时段相同，就继续使用该聚类结果；如果与上一时段的结果不同，则需要重新输入k值聚类，使用本时段的样本数据的聚类结果。 　　本文采取同一时刻下各机组的有功出力作为分群指标，且采样时刻不少于1000个。 　　2 等值模型参数计算 　　风电场内有N台同型号的风力发电机组，通过K-means聚类算法和机群分类指标将N台机组分为k个分群，然后将每个分群等值为一台机组。等值机组的参数计算公式如下： 　　1）发电机参数 　　 （4） 　　式中，下表eq代表等值参数；m为等值机数；S为视在功率；P为有功功率；Q为无功功率；xs为定子回路电抗；xr为转子回路电抗；xm为激磁电抗；rs为定子电阻；rr为转子电阻。 　　2）轴系参数 　　 （5） 　　式中，H为惯性时间常数；D为轴系阻尼系数；K为轴系刚度系数。 　　3）变压器参数 　　 （6） 　　式中，ST为变压器容量；ZT为变压器等值电抗。 　　3 算例分析 　　本文以某风电场为例，该风电场是由33台UP77-1.5MW风电机组组成，风电机端电压为690V，每一台机组直接经变压器升为35kV后连接架空线路，35k