风电场/场群规模化接入电网背景下,电网的故障暂态特性发生了根本性改变。然而,现有单机等值型无法精确表征风电场/场群的故障暂态特性。该文提出一种基于特征影响因子和改进人工神经网络反向传播(backpropagation neuronnetworks,BP)...风电场/场群规模化接入电网背景下,电网的故障暂态特性发生了根本性改变。然而,现有单机等值型无法精确表征风电场/场群的故障暂态特性。该文提出一种基于特征影响因子和改进人工神经网络反向传播(backpropagation neuronnetworks,BP)算法的直驱风机风电场建模方法。首先,建立直驱风机暂态模型,通过理论分析构建风机与公共连接点(point of common coupling,PCC)距离、直流侧限流措施投入情况、风速、出口处无功功率等故障特征影响因子。然后,对特征影响因子集计算欧式距离,基于改进最大最小距离法提取风机的分类初始中心。通过改进BP算法,以特征影响因子和分类初始中心为训练集,实现神经网络的快速收敛。最后,通过仿真算例,对所提方法进行验证。仿真结果表明,所述方法在收敛速度、建模精度方面,与传统BP算法和单机等值建模方法相比均有较大提升。展开更多
针对大规模风电场接入给电力系统安全稳定分析过程带来的方程高维性、计算效率低问题,提出了一种基于模型-数据混合驱动的风电场暂态过程等值方法。对整个风电场进行两阶段聚合,最终将含有多台风机的风电场等值为单台风机模型。第一阶...针对大规模风电场接入给电力系统安全稳定分析过程带来的方程高维性、计算效率低问题,提出了一种基于模型-数据混合驱动的风电场暂态过程等值方法。对整个风电场进行两阶段聚合,最终将含有多台风机的风电场等值为单台风机模型。第一阶段等值过程中基于物理模型驱动思想,通过获取不同风速下风机并网点有功暂态响应特性及出力特性,采用K-means方法将所有风机聚合为四台等效风机。第二阶段基于数据驱动策略,通过所建立风电场并网点有功偏差最小的多时段优化模型并结合长短期记忆网络(long short term memory,LSTM)训练,将四台等效风机聚合为单台风机模型,实现了整个风电场的暂态过程等值聚合。通过算例验证了所提等值方法能够有效地反映风电场的暂态过程特性,为电力系统安全稳定分析模型降维提供了一种实用化解决方案。展开更多
文摘风电场/场群规模化接入电网背景下,电网的故障暂态特性发生了根本性改变。然而,现有单机等值型无法精确表征风电场/场群的故障暂态特性。该文提出一种基于特征影响因子和改进人工神经网络反向传播(backpropagation neuronnetworks,BP)算法的直驱风机风电场建模方法。首先,建立直驱风机暂态模型,通过理论分析构建风机与公共连接点(point of common coupling,PCC)距离、直流侧限流措施投入情况、风速、出口处无功功率等故障特征影响因子。然后,对特征影响因子集计算欧式距离,基于改进最大最小距离法提取风机的分类初始中心。通过改进BP算法,以特征影响因子和分类初始中心为训练集,实现神经网络的快速收敛。最后,通过仿真算例,对所提方法进行验证。仿真结果表明,所述方法在收敛速度、建模精度方面,与传统BP算法和单机等值建模方法相比均有较大提升。
文摘针对大规模风电场接入给电力系统安全稳定分析过程带来的方程高维性、计算效率低问题,提出了一种基于模型-数据混合驱动的风电场暂态过程等值方法。对整个风电场进行两阶段聚合,最终将含有多台风机的风电场等值为单台风机模型。第一阶段等值过程中基于物理模型驱动思想,通过获取不同风速下风机并网点有功暂态响应特性及出力特性,采用K-means方法将所有风机聚合为四台等效风机。第二阶段基于数据驱动策略,通过所建立风电场并网点有功偏差最小的多时段优化模型并结合长短期记忆网络(long short term memory,LSTM)训练,将四台等效风机聚合为单台风机模型,实现了整个风电场的暂态过程等值聚合。通过算例验证了所提等值方法能够有效地反映风电场的暂态过程特性,为电力系统安全稳定分析模型降维提供了一种实用化解决方案。