[发明专利]一种风电并网系统电压稳定预测装置及方法

权利要求书

1.一种风电场风机组电压稳定预测装置，其特征在于：该装置包括传感器、数据采集芯片、中央处理器、工控机和无线通讯模块；其中传感器的输出端连接数据采集芯片的输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的输出端连接工控机和无线通信模块的输入端。

2.采用权利要求1所述的风电场风机组电压稳定预测装置进行预测的方法，其特征在于：

按如下步骤进行：

步骤1、采用风电并网系统电压稳定预测装置采集风电场并网点的电压、电流、相角以及风场输出的有功功率和无功功率作为输入量；

步骤2、将步骤1中采集的电网数据按采集时刻排列为时间序列，对时间序列进行相空间重构，重构出风电电压稳定非线性系统的相空间；

将风电场并网点的电压、电流、相角以及风场输出的有功功率作为输入量；设采集的系统时间序列为X＝{x₁，x₂，…，x_N}，N为自然数；选择延迟时间和嵌入维数，重构原系统相空间为：

X1=(x1,x1+x,···,x1+(m-1)x)X2=(x2,x2+x,···,x2+(m-1)x)···Xi=(xi,xi+x,···,xi+(m-1)x)---(1)]]>

其中，τ为时间延迟，m为嵌入维数，相点总数n＝N-(m-1)τ，X_i为重构相空间中相点，i＝1，2，…，n；

步骤3、对步骤2中重构的电压稳定相空间进行混沌特性的确定性检验；

对于系统时间序列X＝{x₁，x₂，…，x_N}，以嵌入维数为m，延迟时间为τ进行相空间重构，有：

Y(t_i)＝(x(t_i)，x(t_i+τ)，…，x(t_i+(m-1)τ)，(i＝1，2，…，n)       (2)

其中，n＝N-(m-1)τ；

取重构的系统相空间中的相点Y(t₁)，设重构相空间中Y(t₁)的最邻近点为Y₁(t₁)，Y(t₁)与Y₁(t₁)之间的距离为：

d₁(0)＝‖Y(t₁)-Y₁(t₁)‖                                            (3)

式中，‖·‖为欧氏距离；

对重构的系统相空间中每一对最邻近点，计算k个离散时间后的距离d_i(k)：

d_i(k)＝‖Y(t_i)-Y_i(t_k)‖                     (4)

其中k＝1，2，…，n，n＝N-(m-1)τ；

求各个d_i(k)≠0的对数ln(d_i(k))，对每个k值，定义下式：

y(k)=1MΣi=1Mln(di(k))---(5)]]>

为：基于第i个相点的，第k个离散时间的距离平均值，式中M是对应于某一k值的非零的di(k)个数；

以k与y(k)为坐标，绘制y(k)的变化曲线，计算y(k)曲线的回归直线斜率；该斜率值K即为最大李雅普诺夫指数λ₁；当λ₁大于零，就证明这个系统是混沌的，就可以采用非线性时间序列支持向量机解法；

步骤4、对重构相空间中相点变化轨迹的预测模型及模型参数进行确定，得到模型参数c和ε值及核函数参数γ值；

步骤5、对电网电压稳定性预测结果分析；

在重构的系统相空间中，以相空间中的所有相点构成系统时间序列支持向量机模型的训练样本，建立支持向量机模型，对系统时间序列预测模型中的非线性映射进行拟合；

重构的相空间中全部相点构成的训练样本为：

Vn=(x1,n,x1,n-x1,···,x1,n-(m1-1)x1,···,xM,n,xM,n-xM,···,xM,n-(mM-1)xM)···Vi=(x1,i,x1,i-x1,···,x1,i-(m1-1)x1,···,xM,i,xM,i-xM,···,xM,i-(mM-1)xM)···VN=(x1,N,x1,N-x1,···,x1,N-(m1-1)x1,···,xM,N,xM,N-xM,···,xM,N-(mM-1)xM)---(20)]]>

相点总数为N＝6(n-(m-1)τ)，从这些样本中选出支持向量样本，拟合支持向量样本对应的曲线函数g(x)，将g(x)看做相空间中相点轨迹和电压稳定系统轨迹f的拟合函数，计算g(x)的值，即可解得风电电压稳定的值，完成对电压稳定的预测；

根据系统时间序列重构相空间相点(20)构成的支持向量机模型训练样本集容量及电网非线性系统特性，应用交叉检验法，选择支持向量机模型核函数及模型各参数：核函数选择高斯核函数；核函数参数γ；惩罚c；不敏感损失函数参数ε。

3.采用权利要求2所述的风电场风机组电压稳定预测装置进行预测的方法，其特征在于：所述的步骤4，按如下步骤进行：

步骤1)、建立样本集，选择出支持向量样本；

设系统相空间相点构成的样本集为：S＝{(x_i，y_i)，i＝1，2，…M}，若存在一个超平面g(x)＝<w·x>+b，w∈Rⁿ，b∈R，使得：

|y_i-g(x_i)|≤ε，i＝1，2，…，M，

成立，则样本集S＝{(x_i，y_i)，i＝1，2，…M}为ε近似集，S的点(x_i，y_i)到超平面g(x)的距离为：

di=|⟨w·x⟩+b-yi|1+||w||2---(6)]]>

因为集合S＝{(x_i，y_i)，i＝1，2，…M}为ε近似集，有：

|<w·x>+b-y_i|≤ε                              (7)

则：

|⟨w·x⟩+b-yi|1+||w||2≤ϵ1+||w||2,i=1,2,···,M---(8)]]>

由上式可得：

di≤ϵ1+||w||2,i=1,2,···,M---(9)]]>

即集合S中的点到超平面的距离最大值为

则，集合S中的样本中，所有与g(x)之间距离小于的样本都作为相空间的支持向量，用于作为建立相空间中相点轨迹预测模型建模的支持向量样本；

步骤2)、确定目标函数，获取重构相空间中相点轨迹的非线性映射的回归函数g(x)，g(x)即为在支持向量条件下的解；

目标函数为：

minα,α*12Σi,j=1M(αi*-αi)(αj*-αj)Φ(xi,xj)+ϵΣi=1M(αi*-αi)-Σi=1Myi(αi*-αi)s.t.Σi=1M(αi*-αi)=0,αi≥c,αi*≥0,i=1,2,···,M---(19)]]>

通过目标函数解得·φ(x)，由公式g(x)＝<w·φ(x)>+b＝0得到回归函数g(x)；g(x)即是在支持向量样本条件下的解；

步骤3)、建立核函数参数模型，并调整模型参数c和ε值及核函数参数γ值；

高斯核函数为：

Φ(x,y)=e-||x-y||γ]]>

通过交叉检验法调整模型参数c和ε值及核函数参数γ值，得到最优的c和ε值及γ值的配比。