针对故障情景下风电场等值模型精度偏低的问题,提出了一种考虑低压穿越(low voltage ride through,LVRT)功率特性的风电场多机聚合辨识等值建模方法。首先,基于风电机组LVRT期间有功功率动态特性的典型差异对风电场进行初次分群。其次,...针对故障情景下风电场等值模型精度偏低的问题,提出了一种考虑低压穿越(low voltage ride through,LVRT)功率特性的风电场多机聚合辨识等值建模方法。首先,基于风电机组LVRT期间有功功率动态特性的典型差异对风电场进行初次分群。其次,采用基于动态时间规整(dynamic time warping,DTW)度量的多路谱聚类(Ng-Jordan Weiss,NJW)算法实现机群的二次划分,得到最终两阶段分群结果。然后,针对聚合所得的风电场多机等值模型,采用参数灵敏度分析方法来确定需要优化的重点参数,以各参数聚合值为初值,同时结合单机分步辨识、多机依次辨识以及等值阻抗辨识3种策略,实现风电场整体等值参数的优化。最后,对比了不同方法的拟合曲线及等值误差,结果表明所提方法有效提高了等值模型的精确性与适应性。展开更多
文摘针对故障情景下风电场等值模型精度偏低的问题,提出了一种考虑低压穿越(low voltage ride through,LVRT)功率特性的风电场多机聚合辨识等值建模方法。首先,基于风电机组LVRT期间有功功率动态特性的典型差异对风电场进行初次分群。其次,采用基于动态时间规整(dynamic time warping,DTW)度量的多路谱聚类(Ng-Jordan Weiss,NJW)算法实现机群的二次划分,得到最终两阶段分群结果。然后,针对聚合所得的风电场多机等值模型,采用参数灵敏度分析方法来确定需要优化的重点参数,以各参数聚合值为初值,同时结合单机分步辨识、多机依次辨识以及等值阻抗辨识3种策略,实现风电场整体等值参数的优化。最后,对比了不同方法的拟合曲线及等值误差,结果表明所提方法有效提高了等值模型的精确性与适应性。
