考虑移动氢能存储的港口多能微网两阶段分布鲁棒优化调度

为有效应对海上风电固有的间歇及波动性给港口多能微网带来的不确定性风险,提出一种考虑移动氢能存储的港口多能微网两阶段分布鲁棒优化调度模型。首先,结合Wasserstein距离实现风电出力概率分布模糊集的精确刻画,并通过非参数核密度估计拟合海上风电预测误差概率分布,获得不同置信水平下风电出力区间及场景。其次,分析氢能船舶、汽车等移动氢能存储资源对间歇性风电出力的能源存储潜力,并结合用能心理、交通属性差异,将两者分别建模为激励型、价格型需求响应,实现港口移动氢能存储灵活性资源的高效聚合。再次,针对含移动氢能存储的港口多能微网,构建基于概率分布模糊集的日前-日内两阶段分布鲁棒优化调度模型,并运用线性决策规则与强对偶理论将其转换为混合整数线性规划模型求解。最后,基于海上风电实测数据进行仿真验证。结果证明,移动氢能存储可显著提升港口多能微网的低碳灵活性,所提模型在兼顾港口多能微网经济性的同时,可进一步保证风电不确定性风险下的鲁棒性。

平抑风电波动的电-氢混合储能容量优化配置

针对电-氢混合系统协同平抑接入新型电力系统的新能源波动问题,提出考虑碱性电解槽运行特性的电-氢混合储能容量优化配置方案。首先,基于经验模态分解,将原始风电功率信号分解为符合波动量限值的直接并网分量和混合储能功率任务;在综合考虑电化学储能和氢储能介质充放电功率约束和存储状态约束的基础上,制定计及碱性电解槽运行特性的混合储能能量管理策略。基于此策略,以综合成本最小为目标,建立用于平抑风电波动的电-氢混合储能容量配置模型,并通过实际数据进行计算分析。算例结果表明,所提策略下的容量配置方案,在满足平抑需求的前提下,可以有效提高系统经济性。

基于混合分解和PCG-BiLSTM的风速短期预测

为降低风速的随机性对风力发电的影响,提高风速短期预测的精准度,提出一种基于混合分解、双通道输入、多分支PCG-BiLSTM深度学习模型的短期风速预测方法。首先,将全年风速数据分为春、夏、秋、冬4个季度,选取春季作为主要实验对象;其次,利用奇异谱分解(SSD)和变分模态分解(VMD)以降低原始春季风速数据复杂度,生成具有不同模态且复杂度低的子分量,两种不同模式子分量组合为混合分量,实现不同模式分解算法的优势互补;最后,将混合分量以双通道的形式输入到多分支PCG-BiLSTM深度学习模型中,其模型的每个分支由卷积神经网络(CNN)与门控循环单元(GRU)并联组成时空特征提取模块,用于提取两种分解分量组合的混合分量的时空特征,各分支提取对应混合分量的时空特征经聚合后再由双向长短期记忆网络(BiLSTM)进一步提取风速信号的正向和反向双向波动规律,进而得到最终的风速预测结果。多组实验结果表明:提出的组合预测方法在短期风速预测中具有较高的精度和泛化能力,优于其他传统预测方法。

基于IWOA-SA-Elman神经网络的短期风电功率预测

由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算法和模拟退火组合优化的Elman神经网络短期风电功率预测模型,模型首先利用改进鲸鱼算法结合模拟退火策略获得高质量神经网络初始权值,接着引入正则化损失函数防止其过拟合,最后以西班牙瓦伦西亚某风电场陆上短期风电功率为研究对象,将该算法与BP、LSTM、Elman、WOA-Elman、IWOA-Elman 5种神经网络算法进行算法性能测试对比,结果表明IWOA-SA-Elman神经网络模型预测误差最小,验证了该算法的合理性和有效性。

基于主动尾流控制的风电机群协同优化调度

针对机组间尾流效应严重影响风电机组发电效率的问题,提出了风电机组安全偏航约束计算方法、尾流特性混合半机理建模方法以及风电机群多目标协同优化调度方法。基于FAST.FARM平台完善了多自由度可控机组与尾流的动态交互集成仿真环境,对比分析了2台机组串列式排布以及华东地区某海上风电场7台机组实际排布下的协同运行优化性能。结果表明:所建立的集成仿真模型能够合理表征风电机群与空气流场的多领域动态交互特性,所提方法能够有效提升风电机群发电效能,促进经济效益、资源利用和成本控制的均衡优化。

风电虚拟惯量延时的影响机理模型解析及替代性研究

风电机组采用虚拟惯量参与电网调频时,其本质是带延时的快速功率响应,但虚拟惯量延时对频率控制的非线性影响尚不清晰。同时,虚拟惯量存在测频精度要求高、延时大、频率微分环节放大量测误差等固有缺陷。为此,提出了风电机组虚拟惯量延时的影响机理模型解析及替代性研究的思路。首先,通过将风电机组虚拟惯量和下垂控制的延时特性近似等效为一阶惯性环节,建立风电调频使用虚拟惯量和下垂控制的系统频率响应模型;其次,基于劳斯近似法对高阶模型进行降阶解析,求得系统频率最低点的解析表达式;然后,解析求解风电调频仅使用下垂控制的系统频率响应模型,并在频率最低点指标下给出与虚拟惯量和下垂控制相同调频效果的下垂控制系数设定方法。进一步,在设定下垂控制参数下,对比两种控制方式下的最大频率变化率、稳态频率等关键指标关系,得出结论:适当改变下垂系数可替代带延时虚拟惯量,并能取得比虚拟惯量和下垂控制更佳的调频效果。最后,建立仿真模型,并从系统频率响应动态、调频能量需求、风电机组响应功率等方面验证了分析的正确性。

含静止无功发生器的直驱风电并网系统稳定性分析及振荡抑制策略

风电并网系统稳定性分析及振荡抑制策略大多集中于风电场本身,针对含静止无功发生器(SVG)的直驱风电并网系统研究较少。基于特征值灵敏度筛选出对含SVG的直驱风电并网系统稳定性较显著的控制通道,然后基于独立通道分析设计理论将并网系统由多输入多输出耦合系统等效拆分为多个单输入单输出控制通道,在定性分析并网系统稳定性的同时定量评估不同控制通道间的交互作用程度。为抑制控制通道间的交互作用,提出了基于H∞鲁棒控制的次同步振荡抑制策略。通过电磁暂态仿真,验证了基于独立通道分析设计理论分析并网系统稳定性的正确性以及基于H∞鲁棒控制的次同步振荡抑制策略的有效性。

基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解(VMD)、改进麻雀搜索算法(ISSA)和门控循环神经网络(GRU)的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明:VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.2118MW、1.8900及1.5916MW;相较于传统的GRU、长短时记忆(LSTM)神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题.

考虑储能SOC自恢复的风电波动平抑混合储能容量配置策略

针对混合储能系统(HESS)平抑风电功率波动过程中HESS有功功率参考误差大、储能荷电状态(SOC)控制困难造成储能配置成本过高的问题,提出考虑SOC自恢复的混合储能系统容量优化配置策略。首先,考虑单一风电平抑滤波算法平滑性与跟踪性不能兼顾的问题,提出限幅与滑动平均加权滤波算法,动态调整算法权重和限幅参数,降低并网功率滞后时间,提升HESS有功功率参考准确性;然后,引入HESS累积放电量为分解对象,研究基于频率划分的HESS有功功率分配方法,避免功率参考二次修正、实现储能SOC自恢复控制;最后,以储能配置成本最低为目标,建立HESS全生命周期优化配置模型。基于风电场实测数据设计仿真验证方案,结果表明,该文策略可提高储能风电波动补偿裕度,降低储能配置成本。

计及低电压穿越及故障全过程动态的双馈风电场等值方法

在分析双馈感应发电机(DFIG)故障各阶段动态的基础上,提出了一种计及低电压穿越控制的双馈风电场等值方法。首先,讨论了低电压穿越控制策略,给出了含双馈风电场的电力系统故障稳态潮流计算方法。在考虑电压暂态过程的条件下,分析了外部系统短路故障后DFIG转子电流的变化机理,指出电压跌落深度及风电功率是影响短路电流的主要因素,可根据动作分界线判断撬棒是否动作。然后,根据初始风速及撬棒状态将风电场中的DFIG分为3群,并对等值DFIG及集电网络进行聚合。为提高等值模型在恢复阶段的精度,根据故障稳态电压对双馈风电场功率恢复曲线进行预估,并在此基础上对等值DFIG恢复速率进行分段修正。最后,对含双馈风电场的算例系统进行了等值计算。仿真结果表明,等值模型较好地保持了原系统在故障各阶段的动态,在保持较高精度的前提下有效简化了系统,提高了计算速度。

一种风电场经VSC-HVDC并网的VSG变参数负荷频率控制策略

风电的大规模并网导致系统等效惯量下降、不确定性增加,给电力系统的负荷频率控制(loadfrequency control,LFC)带来新的挑战。考虑到柔性直流输电系统(voltage source converter based high voltage DC,VSC-HVDC)具有的潜在调频能力,对此展开研究,针对风电场经VSC-HVDC并网的情形提出了一种虚拟同步发电机(virtual synchronous generator,VSG)变参数负荷频率控制策略。首先,在风电场经VSC-HVDC并网的LFC模型及拓扑结构分析基础上,为了提高VSC-HVDC的可控性,对换流器的控制环节进行了VSG控制方法的设计;然后,对VSG控制参数与频率变化的关联性进行分析,并基于分数阶梯度下降法(fractional-order gradient descent method,FOGDM),利用频率的分数阶导数提取频率深层变化特征,以优化VSG控制参数;在此基础上,考虑到系统的不确定性,设计触发机制对VSG变参数优化模式进行调整,以降低VSG参数的变换频次,提高系统频率控制的针对性。仿真结果表明:所提控制方法能有效改善电网负荷频率控制效果,具有良好的适应性。

计及SOC自恢复的混合储能平抑风电功率波动控制

混合储能系统能够较好地应对复杂的风电波动,有效地提高电网的稳定性和安全性。在混合储能平抑风电功率波动的典型应用场景下,该文首先提出一种计及荷电状态(SOC)自恢复的混合储能平抑风电功率波动控制方法,在满足风电平抑需求的情况下,通过模型预测控制快速调节储能在平抑功率过程中的荷电状态,提高储能持续稳定运行能力;然后,为提高混合储能系统协调运行能力,设计了加权滑动平均(WMA)-模糊控制策略对超级电容和蓄电池功率进行动态分配;最后,结合实际风电功率数据,通过仿真验证了所提策略能有效平衡储能寿命和平抑风电波动的矛盾,能充分考虑两种储能设备的特性差异并提高功率分配的合理性。

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

考虑时段划分的高风电渗透率系统储能配置

随着风电渗透率不断升高,其波动性、随机性的特点使得电力系统出现严重的弃风及调峰困难问题。为此,提出一种考虑时段划分的高风电渗透率系统储能优化配置模型。首先,在净负荷的基础上计算峰谷隶属度,综合考虑风电消纳、峰谷差和用户满意度,采用量子粒子群算法寻优;其次,在最优时段的基础上综合考虑火电机组和储能的成本及收益,以净成本最小为目标函数优化出最优储能配置方案;最后,通过不同风电渗透率的算例分析验证所提优化模型的合理性和有效性。

基于KL散度距离处理风电不确定性的负荷恢复分布鲁棒优化

在构建以新能源为主体的新型电力系统的背景下,在恢复控制过程中积极利用新能源并充分应对其对运行安全带来的潜在风险对于减小停电损失具有重要意义。首先,为了表征风电出力的不确定性,采用KL散度(Kullback-Leibler)距离作为筛选极端风电出力场景的控制条件,并据此构建模糊集作为风电出力典型场景。在满足相关运行安全约束的前提下,建立了以最大化加权负荷恢复量为优化目标的分布鲁棒优化模型以制定计及风电的负荷恢复方案。经松弛处理和对偶转换所得到的混合整数二阶锥模型可调用商业求解器求解。以接入规模风电场的IEEE 10机39母线系统为例进行仿真,结果表明:相比于传统的鲁棒优化方法,该方法降低了优化结果的保守性,有助于加快负荷恢复,减小停电损失。

考虑系统频率安全稳定约束的风储联合频率响应控制策略

为提升风-储联合运行系统的动态频率稳定性能,针对目前调频控制策略未充分发挥风电机组频率调节能力、无法适应负荷扰动过大情况以及转子转速恢复阶段存在频率二次跌落的问题,提出一种考虑系统频率安全稳定约束的风储联合频率响应控制策略。在惯量响应阶段结合转速约束和频率指标自适应调整虚拟惯量和下垂控制系数,在转子转速恢复阶段利用负指数函数动态调整转速恢复过程中功率参考值,避免频率的二次跌落。将风电机组与储能电池结合,引入频率稳定域概念,利用储能电池扩展频率稳定域边界,进一步提升风储联合系统的抗负荷扰动能力和频率稳定性。最后对风储联合调频策略进行仿真,结果表明在不同风速和不同负荷扰动下,所提控制策略能充分发挥风电机组频率响应控制能力的同时,避免了频率二次跌落,提升了电网频率安全稳定性。

基于TPA‑MBLSTM模型的超短期风电功率预测

风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力(time pattern attention,TPA)机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法(den⁃sity based spatial clustering with noise,DBSCAN)和线性回归算法进行风功率数据集的异常值检测,利用k最邻近(k⁃nearest neighbor,KNN)插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。

基于分布式潮流控制器的海上风电系统谐波治理方法和控制策略

由于电力电缆的电容效应,海上风电经电缆汇集系统极易出现谐波谐振放大的现象,造成电能质量的下降。分布式潮流控制器属于基于电压源换流器的装置,在进行潮流调节的同时也能进行谐波治理。文中首先构建了海上风电系统的频域相关模型,基于该模型分析了谐波谐振放大的原因;随后,采用了将分布式潮流控制器串入海上风电系统的谐波治理方式,推导并得到了含分布式潮流控制器的海上风电系统的谐波特性。基于该谐波特性,设计了一种控制策略。该策略通过控制分布式潮流控制器实时跟踪使并网点谐波电压幅值为零的谐波补偿电压,从而降低并网点的谐波电压含量。仿真结果表明,所提出的基于分布式潮流控制器的海上风电系统谐波治理方法和控制策略能够有效地降低并网点的谐波电压,改善电能质量。

计及低电压穿越影响的感应电动机动态分群

随着新能源的大规模广泛并网,其对感应电动机动态等值建模的影响值得关注。该文提出了新能源电力系统中感应电动机动态分群新方法。分析了感应电动机与电网的交互作用,提出在现有基于感应电动机动态相似性分群的基础上,同时考虑机端电压动态相似性的分群可提高感应电动机动态等值精度。针对高比例新能源电力系统,研究发现感应电动机附近有新能源机组,且部分新能源机组在故障期间进入低电压穿越(LVRT)时,这些感应电动机动态特性具有显著差异。为此提出新能源电力系统中考虑感应电动机端口电压跌落深度的动态分群方法。算例分析表明,该文提出的兼顾感应电动机端口电压动态相似性以及端口电压跌落深度的分群方法具有较高的等值精度,且适应性强。

基于VMD-IMPA-SVM的超短期风电功率预测

针对风力发电强波动性带来的预测精度不高问题,构建一种基于变模态分解(VMD)、灰狼优化算法(GWO)、海洋捕食者算法(MPA)和支持向量机(SVM)的组合预测模型。采用GWO对VMD的模态数和惩罚因子进行寻优,将原始功率序列分解为子序列进行降噪处理;运用对立学习和柯西变异等方法改进MPA的种群生成与变异方式,得到改进MPA(IMPA)并优化SVM中的核参数与惩罚参数,进而构建VMD-IMPA-SVM组合预测模型,对各子序列进行预测并叠加得到最终预测值。实际算例分析表明,所提组合预测模型具有较高的预测精度,同时具备强鲁棒性。