本發(fā)明涉及電力系統(tǒng)及其自動化領(lǐng)域，具體是一種適用于次同步振蕩分析的風(fēng)電集群等值聚合方法、系統(tǒng)及設(shè)備。

背景技術(shù)：

1、隨著大規(guī)模風(fēng)電場并網(wǎng)，電力系統(tǒng)新型次同步振蕩事件頻發(fā)，嚴(yán)重威脅新型電力系統(tǒng)的安全穩(wěn)定運(yùn)行。風(fēng)電并網(wǎng)系統(tǒng)特性和振蕩現(xiàn)象引發(fā)學(xué)者廣泛關(guān)注。大規(guī)模風(fēng)電集群等值聚合在保留風(fēng)電并網(wǎng)系統(tǒng)特性的基礎(chǔ)上將模型降階，提高模型計(jì)算分析的效率，為電力系統(tǒng)新型次同步振蕩的研究奠定基礎(chǔ)。

2、現(xiàn)有對風(fēng)電集群的等值聚合方法研究聚焦于分群指標(biāo)選擇、聚合方法改進(jìn)、針對的特定工況三方面。在適用于次同步振蕩特性分析的等值方法中，袁賽軍、郝治國、舒進(jìn)所著《適用于次同步振蕩分析的直驅(qū)式風(fēng)電場等值方法》在阻抗模型的基礎(chǔ)上通過阻抗靈敏度分析提取風(fēng)機(jī)分群指標(biāo)，采用k-means算法分群；譚尚晨、郭春義、杜東冶所著《直驅(qū)風(fēng)電場聚合模型下次同步振蕩模態(tài)特征的保真度分析與評價(jià)》根據(jù)風(fēng)機(jī)模式分析得到的主導(dǎo)次同步振蕩模態(tài)的主要參與環(huán)節(jié)，對風(fēng)電機(jī)組采用容量加權(quán)方法聚合，但這些方法獲取的分群指標(biāo)均和控制參數(shù)有關(guān)，然而實(shí)際同一區(qū)域同一風(fēng)電場極少存在控制參數(shù)設(shè)置不一致的情況，因此面對大量樣本時(shí)，依據(jù)控制參數(shù)對風(fēng)電機(jī)組進(jìn)行分群難度較大，且k-means算法需定義聚類數(shù)k，運(yùn)算過程需要進(jìn)行反復(fù)迭代，運(yùn)算效率較低。還有研究依據(jù)風(fēng)速、槳距角動作情況、風(fēng)機(jī)的控制系統(tǒng)切換情況、同調(diào)機(jī)群識別等對風(fēng)機(jī)進(jìn)行分群，然而這些方法均針對穩(wěn)定運(yùn)行、三相故障、低電壓穿越等風(fēng)機(jī)運(yùn)行工況，針對風(fēng)電系統(tǒng)次同步振蕩運(yùn)行狀態(tài)的等值聚合方法研究仍然欠缺。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明意在提供一種適用于次同步振蕩分析的風(fēng)電集群等值聚合方法，主要用于解決現(xiàn)有等值聚合方法存在的分群指標(biāo)區(qū)別性較小導(dǎo)致分群難度較大、算法運(yùn)算效率低以及不適應(yīng)特定風(fēng)電系統(tǒng)次同步振蕩運(yùn)行狀態(tài)分析的技術(shù)問題。

2、為解決上述技術(shù)問題，本發(fā)明提供如下第一個(gè)技術(shù)方案：

3、一種適用于次同步振蕩分析的風(fēng)電集群等值聚合方法，包括以下步驟：

4、s1：獲取適用于實(shí)際工程的計(jì)及振蕩的風(fēng)機(jī)分群指標(biāo)；

5、s2：按鏈路順序由并網(wǎng)側(cè)采樣構(gòu)造樣本數(shù)據(jù)，依據(jù)分群指標(biāo)通過birch算法生成聚類特征樹，實(shí)現(xiàn)風(fēng)電機(jī)組分群；

6、s3：將同一風(fēng)電機(jī)組集群中的不同機(jī)組按拓?fù)浣Y(jié)構(gòu)和算法結(jié)果聚合，遵循功率一致和容量一致原則對同一集群的機(jī)組聚合獲得聚合模型，針對次同步振蕩工況對風(fēng)電集群進(jìn)行等值聚合。

7、優(yōu)選的，所述步驟s1中，獲取對風(fēng)機(jī)的狀態(tài)空間模型進(jìn)行次同步振蕩模態(tài)辨識及參與因子排序，獲取風(fēng)機(jī)分群指標(biāo)，排序方法如下：

8、s11：根據(jù)風(fēng)機(jī)的動態(tài)模型在小擾動下線性化得到小信號模型，將風(fēng)電機(jī)組表示為如下狀態(tài)空間模型：

9、

10、式中：δx為狀態(tài)變量；δu為輸入變量；a為狀態(tài)矩陣；b為輸入矩陣；

11、s12：由狀態(tài)矩陣構(gòu)造特征方程求解系統(tǒng)特征根：

12、|λi-a|＝0

13、式中，λi＝σi+jωi,i＝1,2,...n為特征根；i表示單位矩陣；

14、每對共軛特征根對應(yīng)一個(gè)振蕩模式，特征根的實(shí)部表示系統(tǒng)對振蕩的阻尼，虛部用于計(jì)算振蕩的頻率，提取其中的次同步振蕩模式；

15、s13：根據(jù)狀態(tài)矩陣計(jì)算其左右特征向量，進(jìn)而求得各振蕩模式下狀態(tài)變量的歸一化參與因子；利用線性變換δx＝uz將狀態(tài)空間模型變換為約當(dāng)型，定義參與因子pij來表征狀態(tài)變量與振蕩模式的關(guān)系：

16、

17、式中，pij表示第i個(gè)振蕩模式與第j個(gè)狀態(tài)變量的相互參與程度；u為狀態(tài)矩陣右特征向量；左特征向量vt＝u-1；vij表示狀態(tài)矩陣的左特征向量中與第i個(gè)振蕩模式及第j個(gè)狀態(tài)變量對應(yīng)的項(xiàng)；uij表示狀態(tài)矩陣的右特征向量中與第i個(gè)振蕩模式及第j個(gè)狀態(tài)變量對應(yīng)的項(xiàng)；表示左特征向量中與第i個(gè)振蕩模式對應(yīng)項(xiàng)構(gòu)成矩陣的轉(zhuǎn)置；ui表示狀態(tài)矩陣的右特征向量中與第i個(gè)振蕩模式對應(yīng)的項(xiàng)構(gòu)成的矩陣。

18、對所有狀態(tài)變量求解次同步振蕩模式的參與因子，歸一化處理后排序，篩選出對風(fēng)電系統(tǒng)次同步振蕩參與程度由高到低的前2-3個(gè)狀態(tài)變量作為關(guān)鍵變量，并將關(guān)鍵變量作為分群指標(biāo)；

19、s14：將風(fēng)速及關(guān)鍵變量作為分群指標(biāo)。

20、優(yōu)選的，所述步驟s2中，所述按鏈路順序由并網(wǎng)側(cè)采樣構(gòu)造樣本數(shù)據(jù)，依據(jù)分群指標(biāo)通過birch算法生成聚類特征樹方法如下：

21、s21：在構(gòu)造用于分群的樣本數(shù)據(jù)時(shí)從pcc點(diǎn)向風(fēng)機(jī)側(cè)采樣，按鏈路順序依次讀取數(shù)據(jù)；

22、s22：根據(jù)分群指標(biāo)，選用利用層次方法的平衡迭代規(guī)約和birch算法實(shí)現(xiàn)風(fēng)電機(jī)組分群。

23、優(yōu)選的，所述步驟s22中，birch算法實(shí)現(xiàn)風(fēng)電機(jī)組分群方法如下：

24、s221：首先，預(yù)先定義葉子節(jié)點(diǎn)最大樣本半徑閾值t及聚類特征樹cf?tree節(jié)點(diǎn)內(nèi)部的最大樣本數(shù)b；

25、s222：而后，按順序讀取數(shù)據(jù)，從根節(jié)點(diǎn)向上尋找與樣本數(shù)據(jù)距離最近的葉子節(jié)點(diǎn)并將其加入該節(jié)點(diǎn)內(nèi)，計(jì)算葉子節(jié)點(diǎn)的樣本半徑閾值和聚類特征樹cftree節(jié)點(diǎn)內(nèi)部的樣本數(shù)，構(gòu)造出具備層次結(jié)構(gòu)的聚類特征樹cftree，其中每一葉子節(jié)點(diǎn)稱為一簇；

26、s223：當(dāng)輸入的數(shù)據(jù)與樣本數(shù)據(jù)距離最近的葉子節(jié)點(diǎn)的距離大于t或某一葉子節(jié)點(diǎn)內(nèi)部樣本數(shù)大于b以致分群聚合效果不佳時(shí)，分裂該葉子節(jié)點(diǎn)；將其中距離最遠(yuǎn)的兩樣本數(shù)據(jù)作為質(zhì)心，即新的葉子節(jié)點(diǎn)，其他樣本按距離劃分入兩節(jié)點(diǎn)中，實(shí)現(xiàn)子簇的分離，而后依次向下檢查父節(jié)點(diǎn)是否需要分裂，如需分裂方法與葉子節(jié)點(diǎn)分裂相同；

27、s224：最終得到符合樣本半徑閾值和特征樹節(jié)點(diǎn)內(nèi)部樣本數(shù)限值的聚類數(shù)，得到具備層次結(jié)構(gòu)的聚類特征樹cf?tree，從而實(shí)現(xiàn)風(fēng)電機(jī)組分群。

28、優(yōu)選的，所述步驟s3中，所述遵循功率一致和容量一致原則對同一集群的機(jī)組聚合方法如下：

29、s31：等值模型的控制參數(shù)一致，遵循功率一致和容量一致原則對同一集群的風(fēng)電機(jī)組電氣參數(shù)等值：

30、

31、req＝r/r；leq＝l/r；ceq＝rc

32、式中：s、p為風(fēng)機(jī)的容量、風(fēng)功率，pk為該集群內(nèi)的第k臺風(fēng)機(jī)的風(fēng)功率；v表示風(fēng)速，f-1根據(jù)風(fēng)功率的求解表達(dá)式通過反函數(shù)求解風(fēng)速；r、l、c為網(wǎng)側(cè)濾波或變流器等效電阻、電感、電容；r表示等值聚合的機(jī)組數(shù)；下標(biāo)eq代表等值參數(shù)；風(fēng)電機(jī)組聚合后的等值風(fēng)速通過風(fēng)速—功率曲線反推得到；

33、s32：針對集電線路的等值參數(shù)計(jì)算采用等功率損耗法，聚合后機(jī)組與pcc點(diǎn)間的等值電纜阻抗參數(shù)為：

34、

35、式中：zeq表示等值集電線路阻抗；zk、uk、sk、zk_t分別為第k臺風(fēng)機(jī)的線路阻抗、機(jī)端電壓、容量及升壓變壓器阻抗；si、ui分別為第i臺風(fēng)機(jī)的線路阻抗、機(jī)端電壓。

36、s33：電纜的等值電容的大小等于等值前集電線路所有電容值之和，即ceq＝∑ci；

37、式中：ceq表示電纜等值電容；ci為第i條集電線路電容值。

38、為解決上述技術(shù)問題，本專利提出的第二個(gè)技術(shù)方案如下：

39、一種適用于次同步振蕩分析的風(fēng)電集群等值聚合系統(tǒng)，應(yīng)用于一種適用于次同步振蕩分析的風(fēng)電集群等值聚合方法，包括：

40、分群指標(biāo)獲取模塊，用以獲取適用于實(shí)際工程的計(jì)及振蕩的風(fēng)機(jī)分群指標(biāo)；

41、分群模塊，用以依據(jù)分群指標(biāo)通過birch算法生成聚類特征樹，實(shí)現(xiàn)風(fēng)電機(jī)組分群；

42、聚合模塊，用以針對次同步振蕩工況對風(fēng)電集群進(jìn)行等值聚合。

43、優(yōu)選的，所述分群指標(biāo)獲取模塊包括：

44、狀態(tài)空間模型獲取單元，用以根據(jù)風(fēng)機(jī)的動態(tài)模型在小擾動下線性化得到小信號模型；特征根求解單元，用以根據(jù)狀態(tài)空間模型獲取單元中得到的狀態(tài)矩陣構(gòu)造特征方程求解出特征根；

45、關(guān)鍵變量獲取單元，用以根據(jù)特征根求解單元獲取的單位矩陣計(jì)算其左右特征向量，進(jìn)而求得各振蕩模式下狀態(tài)變量的歸一化參與因子，對所有狀態(tài)變量求解次同步振蕩模式的參與因子，歸一化處理后排序，篩選出對風(fēng)電系統(tǒng)次同步振蕩參與程度由高到低的前2-3個(gè)狀態(tài)變量作為關(guān)鍵變量，并將關(guān)鍵變量作為分群指標(biāo)；

46、分群指標(biāo)確定單元，用確立風(fēng)速及關(guān)鍵變量作為分群指標(biāo)。

47、優(yōu)選的，所述分群模塊包括：

48、數(shù)據(jù)讀取單元，用以在構(gòu)造用于分群的樣本數(shù)據(jù)時(shí)從pcc點(diǎn)向風(fēng)機(jī)側(cè)采樣，按鏈路順序依次讀取數(shù)據(jù)；

49、分群單元，用以根據(jù)分群指標(biāo)，選用利用層次方法的平衡迭代規(guī)約和birch算法實(shí)現(xiàn)風(fēng)電機(jī)組分群。

50、優(yōu)選的，所述聚合模塊包括：

51、電氣參數(shù)等值單元，用以遵循功率一致和容量一致原則對同一集群的風(fēng)電機(jī)組電氣參數(shù)等值；

52、電纜阻抗參數(shù)等值單元，用以針對集電線路的等值參數(shù)計(jì)算采用等功率損耗法，將聚合后機(jī)組與pcc點(diǎn)間的電纜阻抗參數(shù)等值；

53、為解決上述技術(shù)問題，本專利提出的第三個(gè)技術(shù)方案如下：

54、一種電子設(shè)備，其特征在于，包括存儲器及處理器，所述存儲器用于存儲計(jì)算機(jī)程序，所述處理器運(yùn)行所述計(jì)算機(jī)程序以使所述電子設(shè)備執(zhí)行一種適用于次同步振蕩分析的風(fēng)電集群等值聚合方法。

55、電容參數(shù)等值單元，用以將電纜的等值電容的與等值前集電線路所有電容值之和等值。

56、本發(fā)明的有益效果如下：

57、1.本發(fā)明中所提方法、系統(tǒng)及設(shè)備的分群指標(biāo)選取考慮了實(shí)際工程中風(fēng)機(jī)差異的影響因素，通過對風(fēng)機(jī)的狀態(tài)空間模型進(jìn)行次同步振蕩模態(tài)辨識及參與因子排序，篩選出對風(fēng)電系統(tǒng)次同步振蕩參與程度高的狀態(tài)變量作為分群指標(biāo)，因此，該分群指標(biāo)對次同步振蕩工況針對性強(qiáng)，適用于實(shí)際電力系統(tǒng)的次同步振蕩工況研究，具有一定的工程意義和應(yīng)用前景的同時(shí)，提高了算法分群效率與難度；相比k-means聚類算法，birch算法無需定義聚類數(shù)k，運(yùn)算不涉及反復(fù)迭代，計(jì)算時(shí)間短、占用空間小，因此適用于大量樣本的高維數(shù)據(jù)的分群；因此，本方案相比起現(xiàn)有技術(shù)，解決了現(xiàn)有等值聚合方法存在的分群指標(biāo)區(qū)別性較小導(dǎo)致分群難度較大、算法運(yùn)算效率低以及不適應(yīng)特定風(fēng)電系統(tǒng)次同步振蕩運(yùn)行狀態(tài)分析的技術(shù)問題。

58、2.birch算法按已有的數(shù)據(jù)輸入順序依次分配各葉子節(jié)點(diǎn)，因此對依據(jù)一定拓?fù)浣Y(jié)構(gòu)量測輸出的數(shù)據(jù)，該聚類算法考慮了拓?fù)浣Y(jié)構(gòu)，其分群結(jié)果更符合普遍認(rèn)知。