[发明专利]一种基于随机最优潮流的风电穿透功率极限分析方法在审
申请号: | 201810616781.5 | 申请日: | 2018-06-15 |
公开(公告)号: | CN108847663A | 公开(公告)日: | 2018-11-20 |
发明(设计)人: | 涂杉杉;卜京;郑文哲;焦永辉;张宁宇;周前;殷明慧;谢云云;姚娟 | 申请(专利权)人: | 南京理工大学;国网江苏省电力有限公司电力科学研究院 |
主分类号: | H02J3/00 | 分类号: | H02J3/00;H02J3/06;H02J3/38 |
代理公司: | 南京理工大学专利中心 32203 | 代理人: | 薛云燕 |
地址: | 210094 江*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 风电 功率极限 随机生成 穿透 粒子 样本 潮流 风电场 风速 随机性 最优决策变量 粒子群算法 粒子适应度 适应度函数 初始参数 等式约束 计算模型 接入能力 控制变量 全局最优 设置系统 系统潮流 直接计算 迭代 构建 分析 输出 概率 更新 | ||
1.一种基于随机最优潮流的风电穿透功率极限分析方法,其特征在于,包括以下步骤:
步骤1、构建基于概率最优潮流的风电穿透功率极限计算模型,并设置系统信息以及粒子群算法初始参数;
步骤2、随机生成控制变量初始值和粒子初始速度;
步骤3、随机生成风电场风速样本,计算粒子在各个样本下的系统潮流,判断是否满足机会约束;
步骤4、将机会约束加入到适应度函数中,计算各粒子适应度值,获取个体最优值和全局最优值,并更新各粒子速度和位置;
步骤5、判断是否满足最大迭代次数,若不满足,则返回步骤3;若满足,则进行步骤6;
步骤6、输出最优决策变量以及风电穿透功率极限值。
2.根据权利要求1所述的基于随机最优潮流的风电穿透功率极限分析方法,其特征在于,步骤1中所述的构建基于概率最优潮流的风电穿透功率极限计算模型,具体如下:
该模型以系统可接纳的各风电场装机容量之和最大化作为目标,目标函数为:
式中,m为风电场个数,ni为第i个风电场中风机的个数,PNWi为第i个风电场中风机的额定功率;
等式约束为系统的潮流方程,约束为:
式中,PGi、QGi分别为节点i处的常规发电机组的有功和无功出力,PWi、QWi分别为节点i处的风电场的有功和无功出力,PLi、QLi分别为节点i处的有功和无功负荷,Ui、Uj、θij分别为节点i和节点j的电压幅值和相角差,Gij、Bij分别为系统导纳矩阵中的实部和虚部,CPQ、CPV分别为PQ、PV节点的集合;
不等式约束包括决策变量和状态变量的约束,其中决策变量为风机个数和常规机组出力,约束为:
式中,为第i个风电场中风机的最大配备个数,N*为正整数,分别为第i台常规发电机组的最小和最大有功出力,CG为常规发电机组的集合;
状态变量包括节点电压幅值、常规发电机组无功出力、线路潮流以及系统的上下旋转备用,约束为:
式中,分别为节点i的最小和最大电压幅值,分别为第i台常规发电机组的最小和最大无功出力,PLi为第i条线路上的潮流,为第i条线路上的潮流最大限值,CL为线路的集合,分别为系统的上、下旋转备用,取值为系统总负荷的5%,α1~α5分别为相应状态变量所对应不等式约束的置信水平。
3.根据权利要求1所述的基于随机最优潮流的风电穿透功率极限分析方法,其特征在于,步骤3中所述的随机生成风电场风速样本,具体如下:
风速近似服从双参数的威布尔分布,概率密度函数f(v)为:
式中,v为风电场的风速;k为威布尔分布的形状系数,取值范围为1.8~2.3;c为威布尔分布的尺度系数,表示某一时间段内该地区的平均风速;
风电机组有功出力与风速的关系如下:
式中,vin、vout、vN分别为风电机组的切入风速、切出风速和额定风速,p、pN分别为风电机组的实际输出功率和额定输出功率;
采用随机模拟算法处理带有随机变量ξ的机会约束:
Pr{g(x,ξ)≤0}≥α (7)
随机模拟算法如下:
a)置计数器N′=0;
b)根据随机变量ξ的概率分布Φ(ξ)生成随机变量ξ;
c)如果g(x,ξ)≤0成立,则N′=N′+1;
d)重复步骤b)和c)共N次;
e)如果N′/N≥α,则机会约束成立,否则不成立。
4.根据权利要求1所述的基于随机最优潮流的风电穿透功率极限分析方法,其特征在于,步骤4所述的将机会约束加入到适应度函数中,计算各粒子适应度值,获取个体最优值和全局最优值,并更新各粒子速度和位置,具体如下:
计算每个初始粒子的风速样本是否满足机会约束条件,并计算适应度函数为:
式中,x=1时表示满足机会约束,x=0则相反;
设定粒子群共由N个粒子组成,每个粒子定义为D维空间,则根据下式进行更新:
式中,i=1,2....,M为粒子的个数;d=1,2....,D为粒子的维数,即待优化问题的解的维数;c1、c2为学习因子;r1、r2为(0,1)上均匀分布的随机数;ω为惯性权重;分别为粒子i在第k次迭代的速度和位置;分别为粒子i的个体历史最优值和全部粒子的全局历史最优值;
其中惯性权重ω采用非线性递减策略,以凹函数递减:
ω=(ωstart-ωend)(t/tmax)2+(ωend-ωstart)(2t/tmax)+ωstart (9)
式中,ωstart、ωend分别为初始惯性权重和终止惯性权重;t、tmax分别为当前迭代次数和最大迭代次数;
整数型决策变量ni速度更新的公式为:
式中,int表示取整函数;表示区间上均匀分布的随机数,当时,取取当时,取取
在每次速度更新后,判断速度是否越限,如果越限,则根据下式对速度进行修正:
对于搜索空间限制在[Xmin,Xmax]的粒子,设定最大速度vmax为:
vmax=λ(Xmax-Xmin)/2,0.1≤λ≤1 (12)。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京理工大学;国网江苏省电力有限公司电力科学研究院,未经南京理工大学;国网江苏省电力有限公司电力科学研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810616781.5/1.html,转载请声明来源钻瓜专利网。