风电机组的大规模接入导致电力系统惯量明显下降,并对系统频率安全稳定造成威胁。针对风电高渗透电力系统区域惯量辨识中频率最优测点选择困难和惯量估计误差较大等问题,提出了一种基于组合模型的风电高渗透电力系统区域惯量辨识方法。...风电机组的大规模接入导致电力系统惯量明显下降,并对系统频率安全稳定造成威胁。针对风电高渗透电力系统区域惯量辨识中频率最优测点选择困难和惯量估计误差较大等问题,提出了一种基于组合模型的风电高渗透电力系统区域惯量辨识方法。首先,采用基于形状距离(shape-based distance,SBD)指标的K-shape聚类算法对频率响应曲线进行聚类,并确定各区域内频率动态响应曲线的最优测量路径。其次,结合最小二乘支持向量机(least squares support vector machine,LSSVM)和受控自回归滑动平均模型(autoregressive moving average with exogenous input,ARMAX)对不同风电渗透率下各区域惯量水平进行辨识,并与传统ARMAX模型的惯量辨识结果进行对比分析。最后,通过改进的IEEE10机39节点系统对所提方法的有效性进行仿真验证。结果表明,所提方法有效提高了区域和全系统惯量辨识精度。展开更多
文摘风电机组的大规模接入导致电力系统惯量明显下降,并对系统频率安全稳定造成威胁。针对风电高渗透电力系统区域惯量辨识中频率最优测点选择困难和惯量估计误差较大等问题,提出了一种基于组合模型的风电高渗透电力系统区域惯量辨识方法。首先,采用基于形状距离(shape-based distance,SBD)指标的K-shape聚类算法对频率响应曲线进行聚类,并确定各区域内频率动态响应曲线的最优测量路径。其次,结合最小二乘支持向量机(least squares support vector machine,LSSVM)和受控自回归滑动平均模型(autoregressive moving average with exogenous input,ARMAX)对不同风电渗透率下各区域惯量水平进行辨识,并与传统ARMAX模型的惯量辨识结果进行对比分析。最后,通过改进的IEEE10机39节点系统对所提方法的有效性进行仿真验证。结果表明,所提方法有效提高了区域和全系统惯量辨识精度。
