一种面向新能源场站的高精度预警方法

本发明涉及电力系统，具体涉及一种面向新能源场站的高精度预警方法。

背景技术：

1、随着高比例新能源电力系统的快速发展，风电、光伏等新能源场站呈现出强随机性、弱抗扰性和多时间尺度耦合的动态特性。截至2023年底，我国风电、光伏装机容量突破10亿千瓦，占全国发电总装机容量的36%以上。在“双碳”目标驱动下，新能源场站正从分散接入向集群化、基地化方向发展，其运行工况日趋复杂，出力偏差对电网安全运行的影响日益显著。

2、传统的新能源场站预警方法存在以下问题：

3、第一，传统预警出力偏差建模过于简单，难以准确刻画不同运行工况下场站出力偏差的非线性特征，新能源场站出力受气象条件影响显著，正常运行工况与极端天气工况下的出力偏差特性差异巨大，单一模型难以适应；

4、第二，现有方法未能充分考虑agc/avc控制精度、一次调频响应特性与系统安全运行的耦合关系，研究表明，agc控制精度劣化至±10%时，系统频率偏差可达0.35hz，超出安全运行范围，avc控制误差超过10%时将引发电压持续振荡；

5、第三，极端气象事件（如台风、低温、极端干旱）对新能源场站的影响具有强不确定性和时空分布特征，且传统方法主要依赖电气量测数据，未有效融合气象预报、设备健康状态及电网结构强度等多维信息，导致风险评估不全面、预警滞后，在多维信息融合和风险量化方面存在明显不足，难以实现精准预警；

6、第四，现有预警系统响应时间较长，通常在秒级甚至分钟级，难以满足高比例新能源电网对预警实时性的要求，dlt1092-2023明确规定，可再生能源电站中稳定控制装置的总动作时间必须小于等于30毫秒。故缺乏基于系统稳定裕度的动态分级策略，且在高风险场景下无法实现多场站的协同优化控制。

7、因此，需要对现有方法进行优化。

技术实现思路

1、本发明针对现有技术存在的问题，提供了一种面向新能源场站的高精度预警方法。

2、为实现上述目的，本发明采用的技术方案如下：

3、步骤一，采集各新能源场站历史运行数据和气象数据，基于所述采集数据划分运行工况，针对每类工况，建立出力偏差的分段指数分布模型并计算出力偏差标准差，后建立多场站出力偏差的空间相关性模型和空间衰减模型；

4、步骤二，建立agc控制精度与系统频率稳定的耦合模型、跟网型机组avc控制精度与电压稳定的耦合关系模型、构网型机组电压支撑边界模型以及一次调频控制精度的影响量化模型，量化agc、avc以及一次调频的控制误差对系统频率、电压以及功率平衡的安全影响；

5、步骤三，构建多源风险特征向量，采用d-s证据理论融合多源风险特征向量，为每个特征分配基本概率分配函数，计算各特征间的冲突系数，后基于证据合成规则得到综合风险信度；

6、步骤四，基于综合风险信度，计算气象恶劣度指数、台风天气下的出力损失系数以及台风期间功率预测误差增大倍数用于更新综合风险信度，后进行风险演化趋势分析得到风险演化率，基于当前时刻的综合风险信度和风险演化率构建未来风险预测模型，输出未来预测时刻的综合风险信度预测值；

7、步骤五，构建包括系统级、场站级和设备级的三层预警指标体系，设定预警启动判据，当满足任一项预警启动判据时触发预警判定，基于步骤四输出的未来预测时刻的综合风险信度预测值，按照四级风险分级策略判定预警等级，输出预警等级和对应响应策略；

8、步骤六，接收预警等级和对应响应策略，当预警等级为3级及以上时，基于模型预测控制方法生成高风险场景下的场站协同控制指令并执行。

9、可选的，所述历史运行数据包括各新能源场站的有功功率、无功功率、电压幅值、频率、机组启停状态、agc/avc控制指令和响应值以及一次调频动作记录；

10、所述气象数据包括风速、光照强度、环境温度、湿度、气压、降雨量，以及极端天气标识信息；

11、所述运行工况包括正常运行工况、低风速工况、高风速工况以及极端天气工况。

12、可选的，所述出力偏差的分段指数分布模型具体为：

13、，

14、式中，δp、λ1、e、μ1、λ2、μ2依次为出力偏差、第一区间的指数分布率参数、自然常数、第一区间的位置参数、第二区间的指数分布率参数、第二区间的位置参数；

15、所述出力偏差标准差为经k-means聚类划分工况类别后，各类工况内部样本的标准差统计值；

16、所述多场站出力偏差的空间相关性模型采用copula函数描述联合分布；

17、所述空间衰减模型基于kendall秩相关系数建立。

18、可选的，所述建立agc控制精度与系统频率稳定的耦合模型包括：

19、计算系统负荷扰动减去所有参与agc调节场站的agc控制误差之和的差值；

20、计算系统等效惯量、负荷阻尼系数以及各个场站agc控制回路增益和时间常数共同构成的频率响应传递函数的倒数；

21、将所述差值和所述倒数相乘得到系统频率偏差；

22、所述建立跟网型机组avc控制精度与电压稳定的耦合关系模型包括：计算系统短路电抗与额定电压的比值，所述比值乘以无功控制误差近似得到系统电压偏差；

23、所述建立构网型机组电压支撑边界模型包括：

24、计算额定内电势加上内电势控制偏差的和；

25、基于构网型机组的等效电抗、机组的有功出力、额定内电势以及机组的无功出力计算有功－无功出力修正项；

26、将所述和减去所述有功－无功出力修正项得到构网型机组的临界支撑电压；

27、所述建立一次调频控制精度的影响量化模型包括：

28、计算额定调差率与实际调差率的乘积；

29、计算负的调差率控制误差与所述乘积的比值；

30、计算所述比值与频率偏差、机组额定容量三者的乘积，得到一次调频功率响应偏差。

31、可选的，所述多源风险特征向量包括电气风险特征、气象风险特征、设备风险特征及地理风险特征；所述电气风险特征包括系统频率偏差、系统电压偏差以及功率波动率；所述气象风险特征包括风速变化率、温度极值以及灾害预警等级；

32、所述设备风险特征的生成包括：

33、针对场站内每台设备，将其各状态量的归一化偏差指数与对应权重进行加权求和，得到单台设备风险特征值；

34、所述权重系数根据各状态量对设备健康状态的敏感度确定，敏感度越高的状态量权重越大，且同一设备内各状态量权重之和为1；

35、将场站内所有设备中单台设备风险特征值的最大值作为该场站的设备风险特征。

36、可选的，所述地理风险特征的生成包括：

37、针对目标新能源场站所在区域，基于场站区域的海拔标准差、坡度变化率，量化地形起伏对气流/光照分布的影响程度，得到地形复杂度因子；基于场站区域的土地覆盖类型，量化下垫面粗糙度对风速衰减或光照反射的影响，得到下垫面类型因子；基于场站区域预设历史周期内台风、雷暴、冰冻等极端气象事件的统计频次，量化该区域的气象灾害历史风险水平，得到气象灾害历史频次因子；基于场站并网点的输电线路回数、线路长度、同塔架设比例、n-1通过率等指标，量化该场站送出通道的结构强度与冗余度，得到电网结构脆弱性因子；

38、将各地理特征因子分别归一化至[0,1]区间，并根据各因子对场站运行风险的影响显著程度分配权重系数，权重之和等于1；

39、将归一化后的各地理特征因子与其对应权重进行加权求和，得到该场站的地理风险特征指标。

40、可选的，所述功率波动率的生成包括：

41、将经k-means聚类划分工况类别后，各类工况内部样本的标准差统计值作为目标场站在对应工况下的基础功率波动强度；

42、基于copula函数描述的多场站联合分布和kendall空间衰减模型，计算目标场站与其周边所有场站之间的出力偏差空间相关系数，基于所述相关系数，对目标场站的基础功率波动强度进行空间叠加修正，得到计及多场站空间相关性的修正波动强度；

43、在预设的评估时间窗内，将经空间修正后的瞬时波动强度进行时间加权平均，得到该时间窗内的功率波动率。

44、可选的，所述修正综合风险信度包括：

45、采集实时气象数据，将各气象参数的实测值按预设的恶劣程度映射函数转换为[0,1]区间内的无量纲值，并依据各气象参数对新能源场站出力影响的显著程度分配权重，加权求和得到气象恶劣度指数；

46、对于台风天气，比较场站机组的额定功率曲线与实际运行功率曲线，积分计算台风过境期间的累积能量损失，并引入湍流强度因子对损失值进行修正，得到台风天气下的出力损失系数；

47、以实测最大风速为核心输入，通过历史台风事件的拟合系数计算功率预测误差增大倍数；

48、将气象恶劣度指数、出力损失系数及功率预测误差增大倍数进行加权聚合，得到气象风险修正系数；

49、用气象风险修正系数修正步骤三输出的当前时刻气象风险特征，并经d-s证据融合后得到经气象修正后的当前时刻综合风险信度。

50、可选的，所述风险演化趋势分析包括：

51、将当前时刻经气象修正后的综合风险信度减去上一时刻综合风险信度，后除以采样时间间隔，得到当前时刻的风险演化率；

52、当风险演化率大于0时，判定风险呈增长趋势，当风险演化率等于0时，判定风险处于稳定状态，当风险演化率小于0时，判定风险呈下降趋势；

53、所述基于当前时刻的综合风险信度和风险演化率构建未来风险预测模型，输出未来时刻的综合风险信度预测值包括：将当前时刻的风险值加上预测时间窗口与当前时刻的风险演化率的相乘值，得到未来预测时刻的综合风险信度预测值。

54、可选的，基于模型预测控制方法生成高风险场景下的场站协同控制指令包括：

55、以综合风险最小化和各场站的功率调整代价最小化为控制目标，构建目标函数，以功率平衡约束、电压约束以及控制量约束为约束条件；

56、在当前时刻，基于步骤四提供的未来风险预测序列、步骤三提供的综合风险信度、步骤一提供的出力偏差特性及步骤二提供的控制精度约束，在线求解上述带约束优化问题，得到预测时域内各新能源场站的有功功率和无功功率最优调整序列；

57、取当前时刻的最优控制指令作为实际执行指令，将实际执行指令下发至各新能源场站执行。

58、相对于现有技术，本发明具有以下有益效果：

59、第一，按风速、光照、温度将工况划分为正常运行工况、低风速工况、高风速工况以及极端天气工况，每类工况独立建立分段指数分布模型，并采用k-means聚类计算各类工况的出力偏差标准差，克服了单一模型适应性差的问题，实现不同工况下的精准刻画，提高预警针对性和有效性；

60、第二，分别建立agc与频率稳定耦合模型、跟网型avc与电压稳定耦合模型、构网型电压支撑边界模型以及一次调频影响量化模型，量化控制误差对频率（0.35hz）、电压（持续振荡）的安全影响边界，弥补现有方法在控制精度耦合分析方面的不足；

61、第三，构建电气、气象、设备、地理四维风险特征向量，采用d-s证据理论融合多源异构信息，为每个特征分配基本概率分配函数，计算各特征间的冲突系数，后基于证据合成规则得到综合风险信度，基于综合风险信度，计算气象恶劣度指数、台风天气下的出力损失系数以及台风期间功率预测误差增大倍数用于更新综合风险信度，后进行风险演化趋势分析得到风险演化率，基于当前时刻的综合风险信度和风险演化率构建未来风险预测模型，输出未来预测时刻的综合风险信度预测值，能够提前45分钟预警极端天气风险，为调度员预留充足的应对时间，预警准确率从75%提升至92%以上，解决了评估不全面和预警滞后问题；

62、第四，构建包括系统级、场站级和设备级的三层预警指标体系，设定预警启动判据，当满足任一项预警启动判据时触发预警判定，基于未来预测时刻的综合风险信度预测值，按照四级风险分级策略判定预警等级，输出预警等级和对应响应策略，当预警等级为3级及以上时，基于模型预测控制方法生成高风险场景下的场站协同控制指令并执行，相比单一场站独立控制，能够优化新能源场群整体运行状态，提升高比例新能源电网的安全稳定运行水平，预警响应时间小于80ms，满足在线预警实时性要求，有利于实现高风险场景下多场站协同优化控制。