随着风电渗透率的持续上升,电力系统的惯量水平显著下降,对系统频率稳定性构成了新的挑战。为有效评估风电并网情况下电力系统节点惯量的变化,提出了一种基于受控自回归滑动平均(autoregressive moving average with exogenous variable...随着风电渗透率的持续上升,电力系统的惯量水平显著下降,对系统频率稳定性构成了新的挑战。为有效评估风电并网情况下电力系统节点惯量的变化,提出了一种基于受控自回归滑动平均(autoregressive moving average with exogenous variable,ARMAX)模型的改进最大似然估计(maximum likelihood estimation,MLE)参数辨识方法对系统机组直接相连节点进行惯量评估。首先,构建ARMAX模型对发电机组直接相连节点的动态特性进行建模,并利用改进MLE对模型参数进行辨识,以评估与机组直接相连的节点惯量。然后,基于k-means聚类算法对发电机组节点惯量进行分区,计算得到系统区域惯量和中心频率,并进一步对非发电机组节点频率进行自适应多项式拟合计算,得到其系统节点惯量。最后,搭建IEEE39含风力发电机组节点系统,绘制热力图直观展示电力系统节点和区域的惯量分布,验证了所提改进方法的有效性。该方法有助于精准识别系统中不同节点的动态响应特性,为风电并网系统的分析和规划提供了有力支持。展开更多
文摘随着风电渗透率的持续上升,电力系统的惯量水平显著下降,对系统频率稳定性构成了新的挑战。为有效评估风电并网情况下电力系统节点惯量的变化,提出了一种基于受控自回归滑动平均(autoregressive moving average with exogenous variable,ARMAX)模型的改进最大似然估计(maximum likelihood estimation,MLE)参数辨识方法对系统机组直接相连节点进行惯量评估。首先,构建ARMAX模型对发电机组直接相连节点的动态特性进行建模,并利用改进MLE对模型参数进行辨识,以评估与机组直接相连的节点惯量。然后,基于k-means聚类算法对发电机组节点惯量进行分区,计算得到系统区域惯量和中心频率,并进一步对非发电机组节点频率进行自适应多项式拟合计算,得到其系统节点惯量。最后,搭建IEEE39含风力发电机组节点系统,绘制热力图直观展示电力系统节点和区域的惯量分布,验证了所提改进方法的有效性。该方法有助于精准识别系统中不同节点的动态响应特性,为风电并网系统的分析和规划提供了有力支持。
