一种优化旋转门算法的储能型风电场爬坡事件检测方法

1.本发明涉及电力系统领域，具体涉及一种储能型风电场爬坡事件检测方法。
技术背景
[0002]“双碳”目标的实现要求新能源以更大规模接入电网。风力发电是一种成熟的新能源发电技术，不过其固有的间歇性、波动性，尤其是时有发生的风电爬坡事件(wind power ramp event，wpre)，给接入电网的安全稳定运行带来了极大挑战。wpre是指大风、雷暴等极端天气导致风电出力短时间内大幅波动的现象，在风速急剧增加时，会产生风功率快速增长的现象，相应的产生上爬坡事件；天气恶劣的情况下，如暴风雨天气，风速达到风机最小切出风速时，风电机组对风机会有安全保护，会主动控制风机并停机，风机功率会骤然下降，产生风电下爬坡事件。
[0003]
wpre会对电网产生非常大的冲击，功率的急剧变化破坏了电力系统的供电平衡，不利于调度人员调度其他发电机组以配合风电出力。风电下爬事件会导致电网的频率降低，影响了电力系统的安全稳定运行，而且规模越大影响越严重。为解决wpre给电网带来的不利影响，许多研究采用储能系统对wpre进行平抑以维持电网的安全稳定运行。在此背景下，研究适用于储能型风电场的wpre检测方法对于平抑wpre的调控策略等方面具有重要作用。


技术实现要素：

[0004]
本发明目的在于设计合理的储能型风电场爬坡事件检测方法，从而能够有效地对储能型风电场发生的爬坡事件进行检测。本发明提供了一种改进天牛群优化旋转门(swing door trending，sdt)算法的储能型风电爬坡事件检测方法，不仅给出了储能型风电场爬坡事件的判断标准，提取出了风电功率的特征数据点，还以此为基础，设计了风电特征时段的合并方法，进而实现了储能型风电场爬坡事件的检测，最后通过仿真验证了检测方法的有效性。
[0005]
本发明采用技术方案：一种优化旋转门算法的储能型风电场爬坡事件检测方法，其包括步骤：
[0006]
(1)设计储能型风电场爬坡事件的判断标准；
[0007]
(2)对天牛群搜索算法进行改进，以提升其寻优速度；
[0008]
(3)利用改进天牛群算法(improved beetle swarm optimization，ibso)搜索sdt的最优门宽，并基于最优门宽，获取表征实际风电出力的特征数据点；
[0009]
(4)采用四点法对优化旋转门算法提取出的特征数据点进行处理，以消除特征数据点中的“凸起”问题；
[0010]
(5)将四点法处理之后的相邻两个特征数据点视为一个风电特征时段，然后对其分类并编码，之后基于编码结果对风电特征时段进行合并；
[0011]
(6)基于爬坡事件判断标准检测合并后的风电特征时段是否发生爬坡事件。
[0012]
所述步骤(1)中，储能型风电场爬坡事件的判断标准如下：
[0013][0014]
式中，p
fend
和p
fstart
分别表示合并后风电特征时段结束时刻和开始时刻的风电功率，t
fend
和t
fstart
分别表示合并后风电特征时段的结束时刻和开始时刻，p
th
为储能系统最大充放电功率，δt为储能系统以最大充放电功率运行的持续时间；
[0015]
进一步将爬坡方向的判定如下：
[0016][0017]
所述步骤(2)中，改进天牛群搜索算法的寻优过程如下：
[0018]
1)初始化天牛位置、速度和搜索方向：
[0019][0020][0021]
式中，和分别表示第k只天牛所在位置和搜索速度的第s个变量，s和k分别为搜索空间维度和天牛个体数量，u
ps
、l
ps
、u
vs
和l
vs
分别为第s个变量位置和搜索速度的上下边界；
[0022]
2)计算惯性权重系数
[0023][0024]
式中，ω
max
和ω
min
分别表示惯性系数的最大值和最小值，n为当前迭代次数，n为总迭代次数；
[0025]
3)计算搜索步长和搜索距离
[0026][0027][0028]
式中，为第n次迭代的步长，d
nk
为第n次迭代的搜索距离，c1、c2、c3、c4均为调整因子；
[0029]
4)天牛群左右须位置计算
[0030][0031]
式中，和为第n次迭代时第k只天牛的左右须位置；
[0032]
5)计算移动位置增量
[0033][0034]
式中，为第n次迭代的移动位置增量，sign为符号函数，f为适应度函数，其计算
公式需结合应用场景进行设置，后续将进行专门设计；
[0035]
6)速度更新
[0036][0037]
式中，β1和β2为两个正的常系数，r1和r2为两个取值范围为[0，1]的随机数，和分别表示个体极值与全局极值；
[0038]
7)天牛位置更新
[0039][0040]
式中，α为正常数；
[0041]
8)全局最优解更新
[0042]
计算每只天牛所在位置的适应度函数，并将最佳适应度函数所对应的天牛位置作为第n次迭代的全局最优解。
[0043]
所述步骤(3)中，使用改进天牛群算法搜索sdt算法的最优门宽e，并依据最优门宽采用sdt提取风电功率的特征数据点：
[0044]
sdt算法计算步骤：
[0045]
a)初始化
[0046][0047]
式中，t0和x0分别为初始时刻及对应的数据值；t1和x1分别为第1个时刻及对应的数据值；k
1d
和k
2d
分别为上、下支点门斜率的初始值；e为压缩偏移量；
[0048]
b)计算斜率
[0049][0050]
式中：tj和xj分别为第j个时刻及对应的数据值；tk和xk分别为第k个时刻及对应的数据值；
[0051]
c)斜率更新
[0052][0053]
d)数据提取
[0054]k2d
≤k≤k
1d
ꢀꢀꢀꢀꢀꢀ
(13)
[0055]
若不满足式(13)，则将前一时刻t
j-1
的数据值x
j-1
作为特征数据进行记录，并返回
步骤b)，否则返回步骤c)；
[0056]
ibso搜索sdt算法最优门宽e的适应度函数如下：
[0057][0058]
其中，fe和fc分别表示特征趋势的标准差和压缩比，n1为风电数据采样个数，pw(t)为t时刻风电功率采样数据值，pf(t)为相邻两个特征数据点线性插值后的t时刻的数据，n2为提取出的特征数据点个数，λ1和λ2为权重，其值分别为1.25和5。
[0059]
所述步骤(4)中，采用四点法对ibso-sdt提取出的特征数据点进行处理以消除“凸起”，其原理如下：
[0060]
若满足下式(15)或(16)，则将中间的2个点进行剔除以去除“凸起”；
[0061][0062][0063]
式中：xi、x
i 1
、x
i 2
、x
i 3
表示ibso-sdt提取出的连续相邻的4个特征数据点。
[0064]
所述步骤(5)中，将四点法处理之后的相邻两个特征数据点视为一个风电特征时段，然后对其分类并编码，之后基于编码结果对风电特征时段进行合并；风电特征时段的分类、编码、合并原则如下：
[0065]
分类：将四点法处理后的相邻两个风电特征数据点之间的连线视为一个风电特征时段；依据式(1)和下式(17)，将风电特征时段分为显性爬坡时段、隐性爬坡时段和非爬坡时段；其中，显性爬坡时段指满足式(1)，隐性爬坡时段指不满足式(1)而满足式(17)，其余时段均为非爬坡时段；
[0066][0067]
式中，pf(i)和pf(i-1)表示四点法处理后的相邻两个特征数据点；
[0068]
编码：根据分类结果和式(2)所确定的爬坡方向，显性爬坡时段编码为
±
1，隐性爬坡时段编码为
±
2，非爬坡时段编码为0，其中， 表示上爬坡，-表示下爬坡；
[0069]
合并：依据编码结果，对风电特征时段进行合并，合并原则为相邻的两个爬坡方向相同的隐性爬坡时段可以合并、相邻的两个非爬坡时段可以合并、相邻的爬坡方向相同的显性爬坡时段和隐性爬坡时段可以合并。
[0070]
所述步骤(6)中，基于爬坡事件判断标准检测合并后的风电特征时段是否发生爬坡事件，爬坡事件判断标准见式(1)。
[0071]
本发明提供的技术方案具有的有益效果：
[0072]
给出了适用于储能型风电场爬坡事件的判断标准；通过对天牛群算法进行改进，
可以加快其寻优速度；使用ibso-sdt的最优门宽对风电数据进行处理，可以获取有效表征风电实际出力的特征数据点；使用四点法可有效解决特征数据点中存在的“凸起”；将风电特征时段进行分类、编码、合并，可有效降低wpre的漏报率，提高wpre的检测效果。
附图说明
[0073]
下面结合附图对本发明作进一步说明：
[0074]
图1为本发明的流程图；
[0075]
图2为改进天牛群与普通天牛群搜索最优门宽的寻优过程；
[0076]
图3为ibso-sdt提取出风电特征数据点；
[0077]
图4为风电爬坡事件检测结果；
[0078]
图5为不同检测方法下爬坡事件检测效果对比。
具体实施方案
[0079]
为了更好地理解本发明的目的、技术方案及技术效果，以下结合附图对本发明进行进一步的讲解说明。
[0080]
本发明提出了一种优化旋转门算法的储能型风电场爬坡事件检测方法，附图1为本发明的流程图，其实施流程包括如下详细步骤。
[0081]
步骤1设计储能型风电场爬坡事件的判断标准：
[0082]
储能型风电场爬坡事件的判断标准如下：
[0083][0084]
式中，p
fend
和p
fstart
分别表示合并后风电特征时段结束时刻和开始时刻的风电功率，t
fend
和t
fstart
分别表示合并后风电特征时段的结束时刻和开始时刻，p
th
为储能系统最大充放电功率，δt为储能系统以最大充放电功率运行的持续时间；
[0085]
进一步将爬坡方向的判定如下：
[0086][0087]
步骤2对天牛群搜索算法进行改进，以提升其寻优速度：
[0088]
改进天牛群搜索算法的详细寻优过程如下：
[0089]
1)初始化天牛位置、速度和搜索方向：
[0090][0091][0092]
式中，和分别表示第k只天牛所在位置和搜索速度的第s个变量，s和k分别为搜索空间维度和天牛个体数量，u
ps
、l
ps
、u
vs
和l
vs
分别为第s个变量位置和搜索速度的上下边界；
[0093]
2)计算惯性权重系数
[0094][0095]
式中，ω
max
和ω
min
分别表示惯性系数的最大值和最小值，n为当前迭代次数，n为总迭代次数；
[0096]
3)计算搜索步长和搜索距离
[0097][0098][0099]
式中，为第n次迭代的步长，d
nk
为第n次迭代的搜索距离，c1、c2、c3、c4均为调整因子；
[0100]
4)天牛群左右须位置计算
[0101][0102]
式中，和为第n次迭代时第k只天牛的左右须位置；
[0103]
5)计算移动位置增量
[0104][0105]
式中，为第n次迭代的移动位置增量，sign为符号函数，f为适应度函数，其计算公式需结合应用场景进行设置，后续将进行专门设计；
[0106]
6)速度更新
[0107][0108]
式中，β1和β2为两个正的常系数，r1和r2为两个取值范围为[0，1]的随机数，和分别表示个体极值与全局极值；
[0109]
7)天牛位置更新
[0110][0111]
式中，α为正常数；
[0112]
8)全局最优解更新
[0113]
计算每只天牛所在位置的适应度函数，并将最佳适应度函数所对应的天牛位置作为第n次迭代的全局最优解。
[0114]
步骤3使用改进天牛群算法搜索sdt算法的最优门宽e，并依据最优门宽采用sdt提取风电功率的特征数据点：
[0115]
sdt算法计算步骤：
[0116]
a)初始化
[0117]
[0118]
式中，t0和x0分别为初始时刻及对应的数据值；t1和x1分别为第1个时刻及对应的数据值；k
1d
和k
2d
分别为上、下支点门斜率的初始值；e为压缩偏移量；
[0119]
b)计算斜率
[0120][0121]
式中：tj和xj分别为第j个时刻及对应的数据值；tk和xk分别为第k个时刻及对应的数据值；
[0122]
c)斜率更新
[0123][0124]
d)数据提取
[0125]k2d
≤k≤k
1d
ꢀꢀꢀꢀꢀꢀ
(32)
[0126]
若不满足式(32)，则将前一时刻t
j-1
的数据值x
j-1
作为特征数据进行记录，并返回步骤b)，否则返回步骤c)；
[0127]
ibso搜索sdt算法最优门宽e的适应度函数如下：
[0128][0129]
其中，fe和fc分别表示特征趋势的标准差和压缩比，n1为风电数据采样个数，pw(t)为t时刻风电功率采样数据值，pf(t)为相邻两个特征数据点线性插值后的t时刻的数据，n2为提取出的特征数据点个数，λ1和λ2为权重，其值分别为1.25和5。
[0130]
步骤4采用四点法对ibso-sdt提取出的特征数据点进行处理以消除“凸起”：
[0131]
若满足下式(15)或(16)，则将中间的2个点进行剔除以去除“凸起”；
[0132][0133][0134]
式中：xi、x
i 1
、x
i 2
、x
i 3
表示ibso-sdt提取出的连续相邻的4个特征数据点。
[0135]
步骤5将四点法处理之后的相邻两个特征数据点视为一个风电特征时段，然后对其分类并编码，之后基于编码结果对风电特征时段进行合并；风电特征时段的分类、编码、
合并原则如下：
[0136]
分类：将四点法处理后的相邻两个风电特征数据点之间的连线视为一个风电特征时段；依据式(18)和下式(36)，将风电特征时段分为显性爬坡时段、隐性爬坡时段和非爬坡时段；其中，显性爬坡时段指满足式(18)，隐性爬坡时段指不满足式(18)而满足式(36)，其余时段均为非爬坡时段；
[0137][0138]
式中，pf(i)和pf(i-1)表示四点法处理后的相邻两个特征数据点；
[0139]
编码：根据分类结果和式(19)所确定的爬坡方向，显性爬坡时段编码为
±
1，隐性爬坡时段编码为
±
2，非爬坡时段编码为0，其中， 表示上爬坡，-表示下爬坡；
[0140]
合并：依据编码结果，对风电特征时段进行合并，合并原则为相邻的两个爬坡方向相同的隐性爬坡时段可以合并、相邻的两个非爬坡时段可以合并、相邻的爬坡方向相同的显性爬坡时段和隐性爬坡时段可以合并，具体如下表1所示。
[0141]
表1风电特征时段合并原则
[0142][0143]
步骤6基于爬坡事件判断标准检测合并后的风电特征时段是否发生爬坡事件。
[0144]
为了进一步理解本发明，并验证所提风电爬坡事件检测方法的有效性，利用某风电场的实际风电功率进行仿真；该风电场装机容量97.5mw，配备规模为10mw/10mwh的电池储能系统，因此，式(18)中的p
th
和δt分别取为10mw和1h；选取某典型日的风电实际出力进行研究，其采样时间为1s，时长为24h。
[0145]
首先采用ibso搜索sdt的最优门宽；为体现ibso算法的优越性，采用bso算法搜索最优门宽的搜索过程进行对比，ibso和bso的寻优过程如附图2所示可知，ibso的寻优速度更快，当迭代到16次时，ibso算法寻找到了最优解，此时的门宽为0.7154，相应的适应度函数值为0.5566，压缩误差为0.2779，压缩比为0.0418；ibso-sdt提取出的风电特征数据点如附图3所示。
[0146]
为进一步体现ibso-sdt提取风电特征数据点的有效性，将其与普通sdt算法和卷积神经网络(convolutional neural network，cnn)方法对风电特征数据点的提取误差进行对比，结果如表2所示。可知，相比于sdt和cnn，所提ibso-sdt算法提取的特征数据点适应度函数值最优，压缩误差最小。
[0147]
表2不同方法提取风电特征数据点
[0148][0149]
本发明所提检测方法对该典型日的爬坡事件检测结果如附图4所示，可知，该典型日16点-24点爬坡事件较多，22点-23点的爬坡事件较为严重。
[0150]
为进一步验证检测结果的有效性，将其与sdt算法和滑动窗口法(sliding window，sw)进行对比，并采用wpre检测评价指标对不同检测方法进行评价。
[0151]
wpre检测结果评价指标：
[0152]
该评价指标体系主要包含4个指标，分别为准确率(acc)、查全率(pod)、命中率(sr)、关键成功指数(csi)。其中，准确率指风电特征时段是否属于爬坡事件或非爬坡事件的正确判定占比；查全率指正确检测到的风电爬坡事件与实际风电爬坡事件的占比；命中率指检测到的风电爬坡事件中实际发生占比；关键成功指数表示正确检测到的风电爬坡事件占比；四者的计算公式如下：
[0153][0154]
式中，tp指实际发生的爬坡事件被检测到，表示检测准确；tn指实际未发生的爬坡事件没有被检测到，表示检测准确；fn指实际发生的爬坡事件没有被检测到，表示漏报；fp指实际未发生的爬坡事件被检测到，表示虚报。
[0155]
不同方法下wpre的检测结果评价如附图5所示，可知，在4个评价指标上，本文检测方法的检测效果均为最好，尤其是acc和sr均高达0.83以上，这表明本发明所提检测方法确实能够有效地对储能型风电场的wpre进行检测。