论文部分内容阅读
目前,风电已成为我国仅次于火电和水电的第三大能源,但是与风电场/风电基地大规模开发建设形成对比的是,在如何建立合理、有效的风电场模型的问题上仍未达成广泛共识,严重阻碍了风电并网特性的仿真与分析。本文充分考虑了不同类型风电场各自的特点,提出了针对性的机群划分原则,解决了机群划分数目与风电场等值模型精度的问题,并从工程实际角度给出了分群判据指标的计算或采集方法,所建立的等值模型可准确表征风电场的机电暂态外特性。主要研究内容及研究成果包括:(1)提出了一种计及Crowbar电路的双馈型风电场等值建模方法。基于对短路故障后DFIG转子电流公式的推导,将Crowbar电路动作判据转化为更易获取的DFIG机端电压跌落值;在此基础上,考虑到单机无穷大并网结构和风电场拓扑结构的不同,对所提动作判据进行修正并依此判定Crowbar电路的动作情况;最后,以Crowbar电路动作的差异将风场内的DFIG最多划分为2个机群,在保证对双馈型风电场外特性拟合精度的同时最大程度的降低了等值模型的阶数。(2)提出了一种计及LVRT特性的直驱型风电场等值建模方法。该方法将全功率变流器的直流母线电压作为机组参数、输入风速、机组到故障点电气距离以及卸荷电路动作情况等信息的载体,依据机电暂态过程中直流母线电压的差异对PMSG进行机群划分,并基于实际工程中容易获取的机组输入风速和机端电压跌落值推导出了直流母线电压的计算公式,最后在不依赖任何聚类算法的条件下将风场内的PMSG最多划分为3个机群,建立了直驱型风电场的等值模型。(3)提出了一种基于聚类—判别分析的鼠笼型风电场概率等值建模方法。该方法通过采集不同工况和短路故障类型组合下风力发电机的转速向量,利用two-step法对风电机组聚合分类,并根据Fisher判别分析进行聚类结果的显著性检验。在综合考虑风电场全年风资源统计信息和系统侧不同类型故障发生比例的基础上,以概率最大的机群划分结果,建立了能较全面表征风电场全年的运行外特性风电场概率等值模型。(4)提出了一种不同于同调等值思想的混合型风电场等值节点模型构建方法。该方法从系统辨识建模角度出发,将混合型风电场看作―黑箱‖,利用BP神经网络的自适应和自学习能力对风电场的输入输出数据进行训练与测试,最终使得神经网络模型符合精度要求,此时各神经元上的权值及其激励函数的线性组合即为建立的混合型风电场等值节点模型。混合型风电场的等值节点模型打破了学术界和工程界仿真平台不统一的壁垒,更加便于电力调度部门使用。