【技術實現(xiàn)步驟摘要】
本專利技術涉及電力系統(tǒng)，尤其涉及電力系統(tǒng)暫態(tài)穩(wěn)定分析和最優(yōu)潮流計算技術，具體涉及計及新能源接入的電力系統(tǒng)暫態(tài)穩(wěn)定約束最優(yōu)潮流方法。
技術介紹
1、由于環(huán)境效益，近年來我國風電機組在電力系統(tǒng)中的滲透率不斷升高，因為風力渦輪機主要是由電力電子轉換器與電力系統(tǒng)連接，并且其輸出功率是不確定的，這導致了電力系統(tǒng)在運行和動態(tài)行為上呈現(xiàn)顯著復雜化的趨勢。因此，如何構建一種高精度的考慮風電不確定性的暫態(tài)穩(wěn)定約束最優(yōu)潮流模型對保障電力系統(tǒng)安全運行具有重要意義。
2、申請公布號為cn116436101a的專利文獻公布了一種基于場景縮減的輸配協(xié)同隨機調度方法，其場景縮減主要是根據(jù)原始場景和縮減場景之間的目標最優(yōu)性距離，把每個原始場景劃分到縮減場景的類別中進行迭代聚類，從而得到縮減后的多個經(jīng)典場景。申請公布號為cn116720436a的專利文獻公布了一種結合神經(jīng)網(wǎng)絡和物理模型的最優(yōu)潮流快速求解方法，它主要通過神經(jīng)網(wǎng)絡和物理模型構建最優(yōu)潮流模型，然后使用訓練集對模型不斷求解直到?jīng)]有新的學習樣本被識別出來。以上專利方法盡管提高了對模型的求解速度，但是并沒有考慮到新能源并網(wǎng)對電力系統(tǒng)暫態(tài)穩(wěn)定性造成的影響，將會導致以上方法對于求解含新能源的暫態(tài)穩(wěn)定約束最優(yōu)潮流模型難以適用。
3、綜上所述，當前對于高比例風電并網(wǎng)的電力系統(tǒng)研究并不深入，對此提出了計及新能源接入的電力系統(tǒng)暫態(tài)穩(wěn)定約束最優(yōu)潮流方法，可以使得當前電力系統(tǒng)更好適應新能源并網(wǎng)，從而保障了新型電力系統(tǒng)的安全運行。
技術實現(xiàn)思路
1、本專
2、為了解決上述技術問題，本專利技術采用的技術方案為：
3、計及新能源接入的電力系統(tǒng)暫態(tài)穩(wěn)定約束最優(yōu)潮流方法，包括以下步驟：
4、步驟1：采用toat方法，將不確定風電出力建模為少量魯棒測試場景；
5、步驟2：使用ann根據(jù)輸入變量近似估計預想事故集下的cct，以此構造暫態(tài)穩(wěn)定約束；
6、步驟3：將獲得的暫態(tài)穩(wěn)定約束附加到最優(yōu)潮流模型中得到tscopf模型；
7、步驟4：基于改進的chgs優(yōu)化算法求解含新能源的tscopf模型。
8、在步驟1中，采用toat方法，將不確定風電出力建模為少量魯棒測試場景時，采用以下子步驟：
9、步驟1-1：假設電力系統(tǒng)中含有m個風力發(fā)電機組，每個發(fā)電機組輸出功率有a個級別，風電輸出功率服從正態(tài)分布；
10、步驟1-2：使用正交陣列l(wèi)y(am)表示全部組合的y個風電測試場景，整個正交陣列使用y個層次組合來表示風電出力的不確定空間；
11、步驟1-3：使用兩個檢驗水平和來評估測試場景的精確性，其中和β分別表示正交陣列l(wèi)y(am)的平均值和方差，將風電預測的平均輸出記為基準值基準值的±10％記作標準差±β，因此對于一個風電機組使用兩個檢驗水平和來評估測試場景的精確性。
12、在步驟2中，使用ann根據(jù)輸入變量近似估計預想事故集下的cct，以此構造暫態(tài)穩(wěn)定約束；對ann訓練的過程分為以下兩個步驟：
13、步驟2-1：生成故障前負載母線處的有功功率和無功功率，以下模型表示負載母線上的有功和無功功率：
14、
15、式中：和分別為故障前負載母線i處的有功功率和無功功率；ζpl,i和ζql,i分別為獨立的隨機變量；△pl,i和△ql,i分別為負載母線i處允許的有功功率和無功功率的變化量；pl,i和ql,i分別為負載母線i處的基準有功功率和無功功率；
16、步驟2-2：對潮流進行求解，得到相應條件下的功率和電壓；以下模型表示發(fā)電機母線處注入的有功功率和電壓：
17、
18、式中：和分別為發(fā)電機母線i處注入的有功功率和電壓；ζpg,i和ζug,i分別為獨立的隨機變量；△pg,i和△ug,i為發(fā)電機母線i處允許的有功功率和電壓的變化量；pg,i和ug,i分別為發(fā)電機母線i處的基準有功功率和電壓；
19、通過上述步驟在對ann訓練結束后，可以得到函數(shù)fc關于輸入變量的一階和二階解析表達式，并且在每次迭代的過程中函數(shù)fc都被線性化，進而構造新的暫態(tài)穩(wěn)定約束為：
20、
21、式中：u＝[pg,qg]t為函數(shù)fc的輸入向量；函數(shù)fc為預想事故集下的cct估計值；u*為當前發(fā)電機的有功、無功功率；cctmin為電力系統(tǒng)所需的最小cct。
22、所述步驟3，采用以下步驟：
23、步驟3-1：考慮到風電不確定性，模型的目標函數(shù)使用期望值的形式表示為：
24、min?f(du,dl,xi)(4)
25、式中：函數(shù)f(du,dl,xi)為發(fā)電調度成本目標函數(shù)；du和dl分別為上層和下層的決策變量；xi為第i個場景下風電機組輸出功率；
26、步驟3-2：考慮整個系統(tǒng)的功率平衡，構造靜態(tài)等式約束如下：
27、
28、式中：ng為總發(fā)電機數(shù)；pi和qi為總線i處注入的有功功率和無功功率；δij為相位角差；gij和bij分別為母線導納矩陣的實部和虛部；vi和vj分別為母線i和母線j的電壓；
29、步驟3-3：考慮整個系統(tǒng)的穩(wěn)定運行，構造靜態(tài)安全不等式約束如下：
30、
31、式中：pgi,max和pgi,min分別為發(fā)電機有功輸出的上下限值；qgi,min、qgi,max分別為發(fā)電機無功輸出的上下限值；vi,max和vi,min分別為節(jié)點電壓的上下限值；sli,max為第i條母線視在功率的最大值；vi為節(jié)點i的電壓；sli為第i條母線的視在功率；ng、nb和nl分別為電力系統(tǒng)發(fā)電機集合、節(jié)點集合、線路集合；
32、步驟3-4：添加的暫態(tài)穩(wěn)定約束如下：
33、
34、式中：u＝[pg,qg]t為函數(shù)fc的輸入向量；函數(shù)fc為預想事故集下的cct估計值；u*為當前發(fā)電機的有功、無功功率；cctmin為電力系統(tǒng)所需的最小cct。
35、在步驟4中，hgs算法與混沌地圖相結合，構成chgs優(yōu)化算法；使用該算法求解上述tscopf模型的具體步驟為：
36、步驟4-1：利用混沌映射算法改進初始種群的選擇，初始化種群數(shù)量、饑餓權重和搜索界限；初始種群的數(shù)學模型表示為：
37、
38、式中：rand為從0到1隨機設置的向量；x為初始種群數(shù)；t為當前迭代次數(shù)；t為最大迭代次數(shù)；
39、步驟4-2：求解每個個體的適應度值，即發(fā)電成本，依據(jù)每個個體的適應度值將種群分為生產(chǎn)者、覓食者、游蕩者；
40、步驟4-3：依據(jù)每個個體的適應度值，饑餓權重，更新每個人體位置，然后對新的位置各位進行評估，以確定他們是否滿足tscopf模型設定的約束條件，并計算此刻的目標函數(shù)；
【技術保護點】
1.計及新能源接入的電力系統(tǒng)暫態(tài)穩(wěn)定約束最優(yōu)潮流方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的方法，其特征在于，在步驟1中，采用TOAT方法，將不確定風電出力建模為少量魯棒測試場景時，采用以下子步驟：
3.根據(jù)權利要求2所述的方法，其特征在于，在步驟2中，使用ANN根據(jù)輸入變量近似估計預想事故集下的CCT，以此構造暫態(tài)穩(wěn)定約束；對ANN訓練的過程分為以下兩個步驟：
4.根據(jù)權利要求2所述的方法，其特征在于，所述步驟3，采用以下步驟：
5.根據(jù)權利要求1所述的方法，其特征在于，在步驟4中，HGS算法與混沌地圖相結合，構成CHGS優(yōu)化算法；使用該算法求解上述TSCOPF模型的具體步驟為：
【技術特征摘要】
1.計及新能源接入的電力系統(tǒng)暫態(tài)穩(wěn)定約束最優(yōu)潮流方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的方法，其特征在于，在步驟1中，采用toat方法，將不確定風電出力建模為少量魯棒測試場景時，采用以下子步驟：
3.根據(jù)權利要求2所述的方法，其特征在于，在步驟2中，使用ann根據(jù)輸入變量近似估計預想...
【專利技術屬性】
技術研發(fā)人員：薛田良，劉頌凱，耿毅鐸，鐘浩，曾祥軍，李飛，黨喜，趙文博，周倩，楊明飛，
申請(專利權)人：三峽大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。