风电场/场群规模化接入电网背景下,电网的故障暂态特性发生了根本性改变。然而,现有单机等值型无法精确表征风电场/场群的故障暂态特性。该文提出一种基于特征影响因子和改进人工神经网络反向传播(backpropagation neuronnetworks,BP)...风电场/场群规模化接入电网背景下,电网的故障暂态特性发生了根本性改变。然而,现有单机等值型无法精确表征风电场/场群的故障暂态特性。该文提出一种基于特征影响因子和改进人工神经网络反向传播(backpropagation neuronnetworks,BP)算法的直驱风机风电场建模方法。首先,建立直驱风机暂态模型,通过理论分析构建风机与公共连接点(point of common coupling,PCC)距离、直流侧限流措施投入情况、风速、出口处无功功率等故障特征影响因子。然后,对特征影响因子集计算欧式距离,基于改进最大最小距离法提取风机的分类初始中心。通过改进BP算法,以特征影响因子和分类初始中心为训练集,实现神经网络的快速收敛。最后,通过仿真算例,对所提方法进行验证。仿真结果表明,所述方法在收敛速度、建模精度方面,与传统BP算法和单机等值建模方法相比均有较大提升。展开更多
文摘风电场/场群规模化接入电网背景下,电网的故障暂态特性发生了根本性改变。然而,现有单机等值型无法精确表征风电场/场群的故障暂态特性。该文提出一种基于特征影响因子和改进人工神经网络反向传播(backpropagation neuronnetworks,BP)算法的直驱风机风电场建模方法。首先,建立直驱风机暂态模型,通过理论分析构建风机与公共连接点(point of common coupling,PCC)距离、直流侧限流措施投入情况、风速、出口处无功功率等故障特征影响因子。然后,对特征影响因子集计算欧式距离,基于改进最大最小距离法提取风机的分类初始中心。通过改进BP算法,以特征影响因子和分类初始中心为训练集,实现神经网络的快速收敛。最后,通过仿真算例,对所提方法进行验证。仿真结果表明,所述方法在收敛速度、建模精度方面,与传统BP算法和单机等值建模方法相比均有较大提升。
