APP下载

基于数据融合的电力系统调度研究

2021-03-16王善立张佳艺郑丽娟

通信电源技术 2021年19期
关键词:风电调度机组

张 巍,王善立,张佳艺,信 茜,郑丽娟

(1.海南电网有限责任公司,海南 海口 570203;2.泰豪软件股份有限公司,江西 南昌 330200)

0 引 言

随着风电机组多状态电力系统的智能控制能力增强,对风电机组多状态电力系统的均衡化调度受到人们的极大关注。构建风电机组多状态电力系统传输和自适应控制模型,结合对风电机组多状态模糊度参数解析和信道参数调节,实现对风电机组多状态电力系统的差分融合控制。采用大数据融合的方法,进行风电机组多状态电力系统调度,提高系统的输出稳定性和均衡性,同时在提高电力系统的输出稳态控制能力方面具有重要意义[1]。

对风电机组多状态电力系统调度是建立在对系统参数识别和信息融合基础上,结合对风电机组多状态电力系统输出参数的可靠性检测和模糊度融合,采用归一化的参数调节,进行风电机组多状态电力系统的数据输出稳态调节,提高稳定性,本文提出基于数据融合的电力系统调度方法。首先构建风电机组多状态电力系统的状态参数和约束规划模型[2],结合对风电机组多状态电力系统的调度参数融合结果,建立风电机组多状态电力系统的频率、负荷、功率以及效率的联合参数识别模型,根据信息融合结果,实现风电机组多状态电力系统调度。最后进行仿真测试,得出有效性结论。

1 电力系统调度的约束参数和模型构造

1.1 电力系统调度约束参数

为了实现基于数据融合的电力系统调度,首先构建风电机组多状态电力系统的参数融合模型,结合对风电机组多状态电力系统的输出有功/无功功率参数分析,结合对研究系统的模型参数分析,进行风电机组多状态电力系统的线性变化分析,构建风电机组多状态电力系统的同态参数融合模型,通过模糊度检测[3],进行风电机组多状态电力系统的稳态控制和零度检测,得到有功/无功功率的动态认证,得到动态传输协议:

式中:Pi(i=1,…, n)表示风电机组多状态电力系统非线性关联规则函数;x为电流快速上升的标量时间序列;I1,I2,…, In为电力系统调度的关联系数;令t0=H1(g,g1,g2,g3,h),得到风电机组多状态电力系统调度的明文序列码,表示为:

式中,Kv(z)函数表示风电机组多状态电力系统调度过程函数;z为经验模态系数;H1∶{0,1}*→G1;H2∶G2×G1×G1×G1→Zq*表示共线特征分量;将非线性分量的最大值与最小值进行分组融合,当满足αk≥0,,采用频率协调控制的方法,得到电力系统调度的约束同态传递函数,基于非线性同态参数控制,得到电机组多状态电力系统的稳态分布频域为:

式中,Γ(α)为风电接入电力系统的风险状态;wα为耦合频率分量;Kα-1(w)为系统切负荷同态融合特征量;为风电机组多状态电力系统调度的抗积分饱和特征量。基于数据融合,结合同态特征量提取,进行电力系统的均衡调度。

1.2 电力调度系统模型构造及指标参数

结合对风电机组多状态电力系统的调度参数融合结果,建立风电机组多状态电力系统的频率、负荷、功率以及效率的联合参数识别模型性能的统计特性,得到风电机组多状态电力分布的频率、负荷、功率以及效率的联合识别码元序列满足组合控制函数为H1∶{0,1}*→Zq*,H0∶ {0,1}*→ Zq*。采用代价约束,建立Sigmoid 函数拟合风电机组多状态电力参数模型,得到模糊域:s={si,i=1,…, M|, si∈S},设置风电机组多状态电力系统调度的比特序列流z满足:

式中,r为电力系统的实际功角;ur为电力系统的输出稳态电压;σr为电力系统的小电流限幅器分布参数;引入过采样和欠采样的方法,建立风电机组多状态电力系统的频率、负荷、功率以及效率的联合参数识别模型,得到电流限幅值的变化下的明文向量,风电机组多状态电力系统数据样本的模糊参数分布集为:

表1 电力系统调度的约束指标参数

2 电力系统调度的数据融合

根据表1的参数设置,通过建立基于电压和频率的风电机组多状态电力参数解析结果,采用模糊调度系统和大数据融合,采用关联指标分析,在不同风电接入容量下,根据第三层评估指标分布,得到风电机组多状态电力系统模糊学习样本,基于组合控制的方法,得到电机多级调压节能参数:

式中,yi为风电机组多状态电力系统的输出调度参数的时域采样点;为电力系统联合调度的信息参数;bij为电机多级调压节能调度系数,采用高阶统计分布式检测的方法,得到电力系统调度的数据自相关检测统计量为:

式中,μ表示联合分布系数;ei表示调整峰值功率。结合输出状态参数的均衡控制,实现对风电机组多状态电力系统的均衡控制和模糊调度[4],得到优化的调度模型表示为:

式中:Φk(ω)表示电力系统调度的动平衡参数;E[xk]为等效阻抗;xk为电压闭环分布值;f(x)为电力系统调度的衰减参数。综上分析,实现基于数据融合的电力系统调度算法设计[5]。

3 实验测试

为了验证本文方法进行风电机组多状态电力系统调度中的应用性能,进行实验测试,在ESOGIFLL、MSOGI-FLL以及CSOGI-FLL工况下进行多状态电力系统调度仿真,给出测试参数集见表2。

表2 仿真参数设定

根据表2的仿真参数,进行风电机组多状态电力系统的调度数据采集,得到调度数据如图1所示。

图1 样本数据

以图1的样本数据为测试对象,进行风电机组多状态电力系统的优化调度融合,融合结果如图2所示。

图2 数据融合结果

分析图2得知,本文方法及逆行风电机组多状态电力系统调度,数据融合可靠性较高,测试不同方法进行风电机组多状态电力系统调度的稳定性,得到对比结果如图3所示,分析图3得知,本文方法进行风电机组多状态电力系统调度的稳定性较高。

图3 稳定性测试

4 结 论

构建风电机组多状态电力系统传输和自适应控制模型,结合对风电机组多状态模糊度参数解析和信道参数调节,本文提出基于数据融合的电力系统调度方法。结合输出状态参数的均衡控制,实现对风电机组多状态电力系统的均衡控制和模糊调度。研究得知,本文方法进行风电机组多状态电力系统调度的融合度较高,稳定性较好。

猜你喜欢

风电调度机组
10 上海电气风电问鼎全球整机商海上新增装机量冠军
基于智慧高速的应急指挥调度系统
双馈式可变速抽水蓄能机组运行控制
关于间接蒸发冷机组在数据中心中应用的节能分析
风电建设项目全过程造价控制探讨
基于增益调度与光滑切换的倾转旋翼机最优控制
2020 年上半年欧洲风电新增装机统计
风电新景
基于强化学习的时间触发通信调度方法
川航备降机组获“英雄机组”称号,机长刘传健被授英雄机长