计及双馈机组无功辅助功能的电力系统多目标无功优化研究

双馈异步风力发电机转子侧和网侧变流器具有一定的无功调节能力,可根据所接入电网运行要求发挥其自身的无功辅助功能。本文在双馈风电机组输出有功功率最佳的前提下将风电场作为连续无功源参与到无功电压控制中,在双馈机组无功出力不确定的情况下,应用免疫遗传算法(IGA)进行求解。在此基础上,根据风电场建设需求,讨论不同装机容量的风电场以及风电场并网位置对无功优化的影响。建立了以系统有功网损和电压偏差之和最小的目标函数,通过对改进的IEEE 30节点系统分析计算,验证了该目标函数及算法的可行性。     

考虑双馈机组无功调节能力的海上风电场无功优化

针对目前海上风电场运行时大量无功传输会引起有功损耗增加的问题,分析了海上风电场集电系统各电气设备的无功特性,以及双馈风电机组(doubly fed induction generator,DFIG)无功出力约束、风速变化对风电场内部无功潮流影响,提出了在保证最大风能利用的前提下将双馈风力发电机组作为连续无功源参与风电场无功补偿的方式,在保证风电场内部节点电压质量的前提下同时获得风电场内部网损最小的目标。以各风电机组的无功实时输出值为控制对象,将风电场无功优化问题转换为一个多变量、多约束的非线性混合优化问题,并采用粒子群优化算法(particle swarm optimization algorithm,PSO)进行求解。算例结果验证了该方法的有效性。     

基于改进差分进化法的含双馈型风电场的配电网无功优化

以双馈型风电机组为研究对象,建立以风电无功功率、并联电容器投运组数为优化变量,以电压稳定性最好、电压偏差最小和有功网损最小为目标的无功优化模型。在对差分进化方法进行改进的基础上,研究基于改进差分进化法的含双馈型风电场的配电网无功优化算法。在IEEE 33节点系统中进行算例测试,结果验证了无功优化算法的有效性,合理调度双馈风力发电机有利于配电网的运行优化与电能质量的改善。     

基于系统有功网损-风速灵敏度的双馈机风电场并网位置研究

关于风电并网对网损影响的分析,有助于风电系统安全经济运行,但是现有网损灵敏度指标,不能直接反映风速波动影响。在最大功率点跟踪(maximum power point tracking,MPPT)方式下,考虑双馈感应发电机(doubly-fed induction generator,DFIG)内部损耗时,有功出力与定子电压有关,在潮流求解前未知。基于并网DFIG潮流模型,拓展网损灵敏度算法,提出电网有功网损对风速的灵敏度模型,以反映有功网损受风速影响及趋势。量化DFIG不同无功控制方式对网损及风速灵敏度的影响。考虑风速概率区间分布,综合分析灵敏度结果对风电场选址和双馈感应风电机组无功控制方式的辅助参考价值。算例结果证明了所提灵敏度模型的可行性和正确性。     

考虑拓扑影响的风电场无功优化策略研究

双馈风电机组(DFIG)机群的拓扑结构对风电场无功优化有较大影响。分析了DFIG的无功出力极限,将DFIG作为风电场连续无功源,计及风电场有载调压变压器分接头设置对DFIG机端电压的影响。以风电场内部有功损耗最小为优化目标建立风电场无功优化模型。最后,以丹麦HornsRev1离岸风电场为例,采用粒子群优化算法对所建立的无功优化模型进行求解。仿真结果验证了所提优化控制策略的安全性和经济性。     

基于集电系统无功灵敏度的双馈风电场无功控制策略

针对目前双馈风电场并网点电压水平低、场内集电系统网损大等典型无功控制问题,提出一种基于无功灵敏度指标的新型双馈风电场无功控制策略。在对双馈风电场无功需求及双馈风电机组无功调节能力进行分析的基础上,构建了风电场集电系统无功灵敏度指标,即集电系统网损无功灵敏度及电压无功灵敏度。该策略能够在保证最大有功出力的同时,实现如下目的:1)利用集电系统电压无功灵敏度控制双馈风电机组无功输出,以改善并网点电压水平;2)利用集电系统网损灵敏度控制双馈风电机组无功输出,实现降低集电系统网损的目的。对某实际风电场的仿真算例验证了所提控制策略的有效性。     

基于改进粒子群算法含双馈风电机组配网无功优化研究

针对风电机组并网后对配电网无功补偿产生的影响,从双馈风电机组自身的有功、无功输出特性出发,基于场景概率的方法计算风力机组出力情况,以网损最小为目标函数寻求优化求解方法。利用改进粒子群算法来实现系统接入双馈风电机组后的无功优化,在Matlab 2013b软件中构造IEEE33节点模型并利用该算法求解。结果表明,双馈风电机组在参与系统无功优化时具有良好的性能,验证了该改进算法的有效性。     

采用改进下垂控制和双层无功优化的风电场无功均衡分配研究

计及风电场详细模型,按照双馈风电机组(DFIG)无功容量比例分配无功,难以实现风电场无功裕度均衡控制。根据DFIG无功裕度和并网点(PCC)允许电压偏差,提出可变下垂系数以改进无功-电压控制。结合每台DFIG无功裕度及其与PCC间电气距离,定义新的无功不均衡度。针对大规模风电场控制问题,建立双层无功优化模型,其中电网层以减小网损、电压偏差和风电场铜耗为目标,整定电网无功需求量;风电场层以场内线损、DFIG铜耗及无功不均衡度最小为目标,确定各台DFIG无功出力。采用有限记忆拟牛顿信赖域(LBFGS-TR)算法求解无功均衡分配方案。算例结果表明,所提算法可充分利用DFIG无功调控能力,实现风电场无功裕度均衡控制。     

双馈风电场损耗最小化的有功无功协调优化控制

基于最优潮流模型,提出一种适用于双馈风电场的有功无功协调控制策略。该策略能够在分配机组的有功和无功功率的同时降低双馈风电场的网络损耗、发电机损耗和变流器损耗,也可以根据调度中心的调度需求实现双馈风电场的降载运行。通过优化双馈风力发电机的定子侧和网侧变流器的无功分配来降低双馈风机内部的发电机铜耗和变流器损耗。在此基础上,将双馈风电场构建成基于线性潮流方程的最优潮流模型,从而同时降低网络损耗和双馈风机的内部损耗。该文提出的控制策略能够在实现风电场降载运行的同时降低双馈风电场内部损耗,从而降低变流器等设备的累积疲劳效应。仿真结果表明,所提出的优化控制策略在实现跟踪有功功率、分配无功功率的前提下,能够降低双馈风电场的内部损耗。     

电力市场下含双馈电机风电场的电力系统无功优化

在电力市场环境下,为无功制定一个合适的价格有利于调动供应商的积极性。在考虑将含双馈电机风电场作为连续无功源参与电力系统无功优化的基础上,分析了同步发电机和双馈电机风电场的无功计价模型,建立了以有功网损和无功购买费用最小为目标函数,包含各种运行约束条件的含双馈电机风电场的电力系统无功优化模型,并采用改进粒子群优化算法进行求解。以IEEE-30节点系统为例进行了仿真计算,结果表明所采用的无功优化模型和算法的正确性、适用性和较好的经济性。     

含风电场的配电网无功优化策略研究

针对传统的配电网无功优化调节手段离散化、难以实现电压的连续调节等问题,研究了含风电场的配电网无功优化模型和算法,分析了双馈感应电机的无功发生能力,将风电场作为连续的无功调节手段参与配电网无功优化。并针对风电出力随机性的特点,用场景功率描述风电的随机出力,使之更具代表性。考虑了配电网的网损、电压偏差以及电压稳定性指标,建立了多目标无功优化模型。提出了基于量子粒子群算法(QPSO)的无功优化方法,该算法通过波函数描述粒子的状态,增加了种群的多样性,有效地避免了种群早熟等问题。用该算法对改进的IEEE33节点进     

考虑风功率分布规律的风电场无功补偿容量优化决策

双馈型风电机组的无功调节范围随其有功功率输出变化而存在波动性,极端条件下,又有其不可调节性,由此必然降低其对自身电压水平支撑的持续性。为此,在依据功率估算数据对风电场输出功率分布特性进行统计分析的基础上,提出考虑风功率分布特性的风电场无功补偿容量优化决策方法。该方法在充分计及双馈感应发电机无功调节能力与风功率分布特性的前提下,以无功补偿的投资成本与运行成本最小化为目标,构建无功补偿容量优化计算模型。该研究可使双馈型风电场的无功补偿决策更具针对性,并以最小代价实现该类风电场连续、无缝的无功电压调节。应用改进粒子群优化算法对所构建算例系统进行求解,分析结果表明了该研究的有效性。     

双馈风力发电场无功支撑范围的鲁棒估计

双馈异步发电机无功功率在一定范围内可调,双馈风力发电场可作为新型无功源向电网提供无功支撑。由于风电场内网络约束的非线性以及双馈风力发电机有功功率的不确定性,难以准确估计双馈风力发电场的无功支撑范围,对此提出鲁棒估计方法。首先建立基于两阶段鲁棒优化的无功支撑范围估计模型,其中第1阶段优化给出候选的最大无功支撑范围,第2阶段优化检查在各种不确定场景下,风电场是否均可提供候选范围内的无功功率。为便于求解,通过锥松弛和对偶转化将非凸的第2阶段问题转化为凸优化问题,并通过罚因子保证松弛解的精确性。基于列约束生成算法求解该鲁棒优化模型,得到最大无功支撑范围。最后给出风电场作为无功源参与电网无功优化的策略。算例证明了所提方法可以准确估计风电场的无功支撑范围以及策略的可行性。     

风电场尾流分布计算及场内优化控制方法

对于已建风电场,减少尾流效应,提高风电场整体输出功率,是风电场优化控制的目标之一。文中分析了风电机组状态参数变化与输出功率、尾流分布间的耦合关系,建立了尾流与风轮交汇面积的计算方法,以及多台风电机组尾流的叠加模型。针对不同来流风向及来流风速下风电场尾流分布的不同,提出了一种风电场尾流分布计算方法,用于计算每台风电机组位置处的风速;基于该尾流分布计算方法,以风电场整体输出功率最大为目标函数,轴向诱导因子为优化参数,粒子群算法为优化算法,建立风电场优化控制模型。以丹麦Horns Rev风电场为研究对象,进行计算分析,结果表明:风电场尾流分布计算方法能够准确计算风电场尾流分布,风电场优化控制方法能够提高风电场整体输出功率。     

基于改进遗传算法的风电场多目标无功优化

针对风电场并网运行的多目标无功优化和电压稳定问题,建立了基于异步发电机内部等值电路的含风电场的电力系统无功优化模型,提出了风电场无功优化的目标函数和约束条件。结合非支配排序思想、精英保留策略、改进的小生境技术,得到了一种将向量模适应度函数作为淘汰准则的改进Pareto遗传多目标优化算法。以某风电场接入IEEE 14节点标准测试系统为例,将改进算法用于含风电场的电力系统无功优化。仿真结果表明,应用改进的遗传多目标优化算法可以同时得到多组Pareto最优解,为决策者提供了更多的选择余地,使风电场并网点母线电压在允许范围内。     

基于改进粒子群优化算法的风电场最大接入容量计算

位于电网末端的大型风电场的接入极大地影响电力系统的安全,风电场最大接入容量研究成为风电场规划和运行的重要课题。根据静态安全约束和暂态稳定约束条件,提出一种基于粒子群优化算法的风电场最大接入容量的确定方法。通过改进粒子群优化算法,其全局搜索能力可进一步提高,并可避免陷入局部最优。通过在IEEE New England 39节点系统上的仿真计算,验证所提方法的有效性,同时还分析了其他影响风电场接入容量的因素。     

Coordinated control by ADRC strategy for a wind farm based on SCIG considering low voltage ride-through capability

Wind farms are integrated with the power grid system to provide active and reactive power. Because in a wind farm, wind turbines (WTs) are highly coupled to their operating conditions, a central wind farm supervisory unit must take into account these conditions when producing power control references for each WT. The aim of this paper is to manage and control the active and reactive power of wind farms based on squirrel cage induction generators and back-to-back converters. The proportional distribution algorithm is used for distributing wind farm power to individual WTs. In addition, we consider the development of a local power management and control units for WTs. This is in order to extract the maximum available power from the wind, and to provide the active and reactive power predetermined by the transmission system operator, or to satisfy the grid code requirements considering Low Voltage Ride-through capability. The power dispatch strategy is to be used on all WTs using the distribution algorithm while ensuring the control loops using the proposed Active Disturbance Rejection Control strategy. The results demonstrate that the proposed strategies are efficient and can guarantee the safe integration of wind farms into the grid while respecting grid code requirements and power system stability.