风电场并网点无功调节方法、装置、设备及存储介质

技术领域

本发明属于电力系统电能质量调控技术领域，具体涉及一种结合大数据与多变量线性回归模型的方法，利用无功调节快速响应并网点电压的方法、装置、设备及存储介质。

背景技术

风力发电清洁能源的主力方向之一，占有极大的装机容量比例，且不论是风力发电场站规模还是单机装机容量都有着极快的提升。

在分布式能源场站规模不断提升的前提下，基于风功率的随机性以及时间变化规律，风电场发电功率的波动性也随场站规模的增大而增大，因此并网稳定性问题备受关注，并且电网对新能源场站的并网点电压稳定性要求也越来越高。由于新能源发电输出存在天然不稳定性，并网点电压容易受发用电功率的影响而造成波动，从而影响电网稳定。

现有分布式能源场站常利用电压与无功功率的耦合特性，通过无功功率补偿装置或者风电机组自身无功能力对场站无功功率进行调节，使并网点电压保持在稳定范围。一般来讲，利用无功功率调节电压过程中使用的方法为PI微调方法(或者通过场站阻抗公式法求解，PI微调方法是根据电压偏差值发一定比例的无功功率，使电压值一步一步不断逼近目标电压值，场站阻抗公式法求解是利用无功功率与电压值的代数关系求解。上述方法现阶段存在的问题是响应时间较长和高度依赖于风场的线路阻抗特征，往往对于不同的风电场也并不通用。

另外，目前也有提出利用风电场机组状态参数与有功功率预测结合，从而提前预测和发出下一时刻对应无功功率，最后再微调的方法。由于无功功率与有功功率并无普遍关联性，且部分风电场由于地形复杂，有功功率预测模型准确性难以保证，上述依赖有功功率预测并提前调度无功功率的方法也难以保证普遍的高准确率，无功补偿装置在某些时刻仍然需要实时对风电场无功功率值作较大的调整。

因此，目前亟需一种可以实时快速、准确地相应并网点电压控制指令，高效利用风电场无功能力调整并网点电压的方法，弥补上述技术的不足之处。

发明内容

本发明提供了风电场并网点无功调节方法、装置、设备及存储介质，可以节省PI调节期间消耗的时间，直接一步到位反馈出调整到目标电压值需要发出的无功功率数值。

为达到上述目的，本发明所述风电场并网点无功调节方法，收集风电场的历史数据作为训练用的X集，利用所述X集训练多变量线性回归模型，将预测时刻所需无功功率的自变量向量输入所述多变量线性回归模型，得到无功功率参考值，根据无功功率参考值调节风电场的无功功率。

具体包括以下步骤：

步骤1：收集风电场的历史数据作为训练用的X集，历史数据包括历史的并网点无功功率数据集Q、与并网点无功功率数据集Q对应的并网点电压数据集U、与并网点无功功率数据集Q对应的并网点频率F、与并网点无功功率数据集Q对应的并网点有功功率数据集P；

步骤2：构建用于训练多变量线性回归模型的风电场电力特征值表格，所述特征值表格的因变量列为并网点无功功率数据集Q，风电场电力特征值表格的自变量包括系统对应时刻的并网点电压、并网点有功功率、并网点频率、上一时刻并网点无功功率和上一时刻的并网点电压；

步骤3：根据自变量与对应的因变量，构建并训练多变量线性回归模型，得到多变量回归系数矩阵θ；

步骤4：将要预测的时刻的电压目标调度值、并网点有功功率、并网点频率、上一时刻的并网点无功功率与上一时刻并网点电压作为输入变量，输入至多变量线性回归模型，多变量线性回归模型输出电压目标调度值下所需要的风场无功功率参考值Q

Q

x

步骤5：将该无功功率参考值Q

进一步的，若收集的数据某些时刻空缺，则对空缺数据进行填补。

进一步的，填补数据时：

当缺失单个时刻的数据时，复制上一时刻的数据作为时刻的数据；

当某设定时间段内的数据均缺失，则使用缺失时间段的前一时刻的数据作为该时间段内所有时刻的数据；

当缺失数据所对应的时间段大于设定时间段，则缺失数据所对应的时间段所有数据不纳入多变量线性回归模型训练范围。

进一步的，进行下一次无功调节并网点电压时，只重复步骤4-步骤5。

进一步的，当线性回归模型的准确性下降时，重新采集最靠近要预测的时刻的20000-30000组历史数据训练多变量线性回归模型。

一种无功调节装置，包括：采集模块，用于采集数据，并将采集的数据传递至计算输出模块；所述数据包括作为训练用的X集和自变量；计算输出模块，用于根据X集训练线性回归模型，并根据线性回归模型和自变量输出无功功率参考值Q

一种计算机设备，包括电连接的存储器和处理器，存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现上述的方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的方法的步骤。

与现有技术相比，本发明至少具有以下有益的技术效果：

本发明仅利用多组风场历史数据训练出无功-电压关系模型，从而快速利用无功功率实现对并网点电压进行调控，具有如下优点：

(1)不需要考虑复杂风场线路的阻抗计算问题，直接通过历史数据进行训练，将阻抗关系隐藏于关系曲线中，可有效解决阻抗未知的“黑盒”问题，根据风电场调度中心实时发出电压指令快速准确地输出对应的无功功率参考值，最后达到控制并网点电压的目的；

(2)效率高且准确性高：在得出对应的无功-电压的关系模型后，可将实时目标并网点电压值代入模型中，快速得出对应无功参考值，免去传统方法例如PI算法中的迭代过程，节约时间成本；

(3)并网点无功功率与并网点电压有着较强的耦合关系，基于历史无功功率与并网点电压的对应关系，结合实时有功功率、并网点频率、上一时刻的无功功率与电压值作为辅助判断值，相比单纯依赖有功功率预测模型，受随机性因素影响的可能性较小，可训练出准确率较高的模型。在数据样本足够多的情况下模型可以有足够高的准确率。相比通过基于有功功率预测的无功功率预测，本发明方法受随机性因素影响比较少；

(4)从电力系统新型技术角度来讲，智能计算模型诸如机器学习模型等具有极大的潜力且在电力系统中尚未得到大量应用。对电力系统与设备拓扑结构的依赖性较低，同时模型本身具备自我学习能力，可以适用于不同的电力系统与新能源场站。相比电力系统传统的数学模型，智能计算模型的输出速度更快；

一种无功功率调节装置，包括采集模块和计算输出模块，分别实现数据采集和计算功能，自动化程度高，操作方便。风电场用户只需要将实时并网点目标电压值等数据传送至后台程序，即可快速得出所需的无功功率下发值。风电场再将该无功功率参考值分配至风机以及SVG，即可实现并网点电压控制。

附图说明

图1为本发明的模型原理图；

图2为用于本方法的风电场拓扑图；

图3为风电场无功控制流程图；

图4为本发明提供的无功调节装置的模块结构示意图；

图5为本发明提供的计算机设备的结构示意图。

具体实施方式

为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例，对本发明进行进一步的详细说明，此处所描述的具体实施例仅用于解释本发明，并非用于限定本发明。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明利用并网点电压、有功功率、频率与无功功率实测值的大量历史数据，通过大数据智能计算模型，耦合并网点电压与无功功率数值，训练出用于实时调控电压的无功功率预测模型。

本发明利用多变量线性回归模型对系统各项数据进行训练，高效准确地根据目标电压值得出所需要的无功功率参考值。然后利用风场无功功率调节并网点电压，有利于保证自身的电压稳定以及减少对大电网的波动干扰。该方法可用于解决当前阶段无功功率调节并网点电压存在的调节速度慢、有功功率预测准确度较低等问题。

由于部分风电站设计较为复杂，在线路材料、电子电力设备方面都有着复杂的选型，因此统计风场电路阻抗信息较为复杂。同时随着使用时间不断提升，线路由于老化或者更换，阻抗信息也随之变化。传统的“无功-电压”曲线求解法较依赖特定的风场结构，且依靠经验公式法，在该方法基础上需要花费大量时间成本统计电路信息，可操作性不高，同时适应性和准确性也不高。因此，基于大数据分析技术得出的“无功-电压”关系模型可以仅利用近期的一定数量的历史数据得出最符合新能源场站的“无功-电压”关系模型。本发明应用于具有无功功率调节能力的风力发电场，无功功率的发生源可以为风电机组本身或者场站配置的无功补偿装置。本发明的实施步骤如下：

步骤1：收集风电场的历史数据作为训练用的X集，历史数据包括历史并网点无功功率数据集Q、与并网点无功数据集Q对应时刻的并网点电压数据集U、与并网点无功数据集Q对应时刻的并网点频率数据集F、与并网点无功数据集Q对应时刻的并网点有功功率数据集P。每个数据集容量可根据实际收集数据数量而定，建议参考数据容量为20000-30000组数据。

其中，并网点无功功率数据集Q中的元素为多个时刻并网点无功功率，并网点电压数据集U中的元素为多个时刻并网点电压，并网点频率数据集F中的元素为多个时刻并网点频率，并网点有功功率数据集P中的元素为多个时刻并网点有功功率；同一历史时刻的并网点无功功率、并网点电压、并网点频率和并网点有功功率为一组数据。

步骤2：步骤1中数据收集过程中，若存在某些对应时刻的缺失数据，则需要对空缺数据进行填补处理，因为该算法模型的预测同时依赖于长远历史数据以及短期内历史数据。基本原则为复制最邻近时刻的数据：

a)对于单个时刻t

b)对于某时间段内的缺失数据(小于或等于5个时刻的采样点数据)，则均使用缺失时间段的前一时刻的数据作为该时间段内所有时刻的采样点的数据；对于大量的缺失数据，例如大于时刻的5个采样点数据，则该时间段所有数据不纳入模型训练范围。

步骤3：在完成步骤2的数据集填充后，构建风电场电力特征值表格，用于多变量线性回归模型的训练。其中特征值表格的因变量Y列为系统的无功功率值，即上述的无功功率数据集Q中的元素，表格的自变量包括系统的并网点电压x

步骤4：根据上述系统的并网点电压值x

线性回归模型的基本思想为：

y＝θ

x

对于风力发电场站数据的单个样本y

y

误差随机项ε

P(ε

随机误差项反映线性回归模型映射值与真实值的偏差，为了尽可能地减小模型预测值的偏差情况，需要对偏差项进行整合与优化，则需要引入概率似然函数(likelihoodfunction)，用L(θ)表示：

由于最终目标为最大化似然函数，从而得到与无功功率关联性最强的电压、有功、频率系数，因此需要进一步调整化简似然函数：

k表示自变量或因变量向量的长度，即训练所用数据的组数。

于此提取出关于无功功率与其他变量的回归系数矩阵的代价函数，以下用J(θ)表示代价函数：

最后经过求代价函数偏导，结合最小二乘法相关方法可得出使偏差项最小的回归系数矩阵为：

θ＝(X

由此可得最接近真实值的回归系数矩阵θ，X为自变量向量，Y为因变量向量，用于关联某一特定时刻的无功功率与其他电网变量。

步骤5：经过步骤4的模型训练得出多变量回归系数矩阵θ后，将需要预测时刻(以下简称t时刻)电压目标调度值、并网点有功功率、并网点频率、上一时刻的并网点无功功率与电压值作为输入变量，下发至模型输入端，该模型可快速输出目标电压值下所需要的风场无功功率参考值Q

Q

x

步骤6：根据上述获取的无功功率参考值Q

Q

式中Q

步骤7：步骤5-6为根据目标并网点电压值进行单次无功功率快速预测并且利用风电场站无功能力进行快速无功调节的过程，在往后的无功快速调节并网点电压过程中，只需要重复步骤5-6。步骤1-4中训练得出的回归系数矩阵本身与风电场环境及线路拓扑有着极强的耦合性，一般无需在短期内进行重新训练。除非当模型准确性因场站线路老化及改建等原因下降，则需要重新采集最新的20000-30000组数据进行训练。

本方案的具体实施案例选用多变量线性回归模型，在“无功-电压”关系训练上能取得较高的准确率，并且对历史训练数据集的容量要求不高，在对样本风场的测试中，20000-30000容量的历史数据集可训练出准确率可观的预测模型。

在本发明方案的实施中，建立模型需要历史的并网点无功功率数据集Q、与无功数据对应的并网点电压数据集U、与无功数据对应的并网点频率F、与无功数据对应的并网点有功功率数据集P作为训练用的X集，利用X对应的无功功率历史数据作为训练用的Y(即Q)。在得到训练模型的之后，用户以需要预测时刻的目标并网点电压值、并网点有功功率、并网点频率、上一时刻的并网点无功功率与电压值作为输入，模型可以输出相应所需的无功功率值。风场接收到该无功功率值后可分配给全场风电机组或者无功补偿设备进行无功发力，完成无功调节电压的目标。

为更直观地阐述本发明方案的实施过程与原理，下面通过具体示例进行详细说明。

实施例1

(1)假设风电场A为并网运作的场站，并且场内设置有10台自身带有具有无功功率调节变流器的双馈机组以及并网点配置有一台无功补偿装置，以填补风电机组本身无功能力出力的不足。

(2)在风电场A使用本发明所述方法的前期，风电场控制中心收集了并网点近5个月的并网点无功功率数据集Q、与无功数据对应的并网点电压数据集U、与无功数据对应的并网点频率F、与无功数据对应的并网点有功功率数据集P。其中数据采集频率为10分钟一次，一共为21600组数据。

(3)该风电场采用多变量线性回归模型作为训练模型，并且在搭建多变量线性回归模型框架的预备阶段，用上述的21600组数据的75％容量作为训练集，25％容量作为验证集，即16200组数据用于建立具体模型，另外5400组数据用于验证模型合理性与准确率。

(4)其中，在该次获取的实验数据中，因为有多个时刻场站设备处于检修或者故障状态，对应时段的数据有缺失。对于连续N个采样点的缺失数据，大于5，则不纳入训练范围；对于个别单个时刻缺失数据，则直接使用上一时刻的数据作为该时刻的数据。

(5)模型的构建采用线性回归基本理念，将历史数据的无功功率值y和相关自变量有功功率、频率、电压值x

y＝θ

式中x

要使线性模型贴近真真实的“无功-电压”模型，则需要使偏差项ε尽可能地小，即需要最优化上述公式求ε极小值。根据线性回归法偏差项的正态分布原则，得到偏差项的数学期望公式

从而得出与风场对应的似然函数以及对应似然函数对数化操作：

其中y

θ＝(X

(6)在实施应用阶段中，某一时刻调度中心下发了并网点电压目标调度值，为akV，此时并网点的电压为bkV、实时有功功率为ckW、实时频率为dHz、上一时刻的无功功率为ekVar、上一时刻的电压为fkV，将a、c、d、e和f作为输入量x

Q

该无功参考值Q

(6)当控制中心收到无功参考值Q

具体的根据上一步骤获取的无功功率参考值Q

Q

即每台机组需要发出Q

(8)在风电场各台风机均完成上一步骤的无功功率发力后，本轮风电场无功调节并网点电压过程完成。当下一轮并网点电压调度指令下发后，直接重复(5)-(7)，即可完成下一轮的无功调节。

实施例2

如图4所示，本发明提供的一种无功调节装置，包括采集模块和计算输出模块；

其中，采集模块，用于采集数据，并将采集的数据传递至计算输出模块；所述数据包括作为训练用的X集和自变量x，X集包括历史数据包括历史的并网点无功功率数据集Q、与无功数据集Q对应的并网点电压数据集U、与无功数据集Q对应的并网点频率F、与无功数据集Q对应的并网点有功功率数据集P；自变量x包括需要预测时刻的目标并网点电压值、并网点有功功率、并网点频率、上一时刻的并网点无功功率与电压值。

计算输出模块，用于根据X集训练线性回归模型，然后根据线性回归模型和自变量x输出无功功率参考值Q

实施例3

如图5所示，本发明提供的一种计算机设备，包括电连接的存储器和处理器，其中，存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现上述的功率器件的结温监测方法的步骤。

实施例4

所述无功调节装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。