基于实测时间序列的风电场机群划分研究

发布时间：2018-06-18 05:49

本文选题：风电场 + 机群划分　；参考：《华北电力大学(北京)》2017年硕士论文

【摘要】：建立准确适用的风电场动态等值模型是风电并网稳定分析的基础,而常用的单机等值模型忽略了机组间运行状态的差异,存在较大误差。本文利用风电机组实测时间序列,根据风电机组运行状态的不同,提出了一种基于实测时间序列的风电场机群划分方法。具体内容如下:(1)建立了风电机组的数学模型,包括风速的四分量模型、风力机各部分模型(包括风力机转矩模型、传动系统模型、桨距控制系统模型)以及常见风力发电机的稳态和动态模型。(2)以风电场实测时间序列和常用聚类算法为基础,分析研究了基于时间序列聚类算法的机群划分原理。首先,根据时间序列的定义、分类,结合风电场运行实际,选取、构造了风电场实测时间序列。其次,从聚类算法分类和聚类相似性度量两个角度,阐明了聚类分析中常见的聚类算法原理。然后,选择风电机组实测有功时间序列作为划分指标,基于K-means聚类算法对某实际风电场进行机群划分,并以机组轮廓系数为评估指标对机群划分结果的合理性进行了分析。最后,按照机群划分结果建立了风电场动态等值模型,以含某实际风电场的CIGRE B4-39系统为例进行了动态仿真分析。(3)针对传统K-means聚类算法的缺陷和机群划分结果的不合理性,提出了基于模拟退火优化K-means聚类算法(SA-KM法)的机群划分方法。首先,利用K-means法快速寻得相对较优划分,然后以总机群离散度最小为目标,结合模拟退火算法进行更精确的启发式随机搜索,寻得全局最优机群划分。其次,对比分析两种算法划分结果的机组轮廓系数,以个别机组为例,验证了本文所提算法机群划分结果的合理性。最后,建立了多种风电场动态等值模型,对比分析了各等值模型在风速扰动和暂态故障下的动态响应曲线。结果表明,本文所提机群划分方法等值模型能够更为准确地反映风电场并网点的动态特性。
[Abstract]:In this paper , the principle of cluster division based on time series clustering algorithm is established based on the definition and classification of wind farm .
【学位授予单位】：华北电力大学(北京)
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TM614

【参考文献】