一种优化旋转门算法的储能型风电场爬坡事件检测方法

技术特征：
1.一种优化旋转门算法的储能型风电场爬坡事件检测方法，其特征在于，包括以下步骤：(1)设计储能型风电场爬坡事件的判断标准；(2)对天牛群搜索算法进行改进，以提升其寻优速度；(3)利用改进天牛群搜索旋转门算法的最优门宽，并基于最优门宽，获取表征实际风电出力的特征数据点；(4)采用四点法处理改进天牛群优化旋转门算法提取出的特征数据点以消除“凸起”；(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；(6)基于爬坡事件判断标准检测组合后的风电特征时段是否发生爬坡事件。2.根据权利要求1所述的一种优化旋转门算法的储能型风电场爬坡事件检测方法，其特征在于，所述步骤(1)中储能型风电场爬坡事件的判断标准如下：式中，p
fend
和p
fstart
分别表示组合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
分别表示组合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；进一步将爬坡方向的判定如下：3.根据权利要求1所述的一种优化旋转门算法的储能型风电场爬坡事件检测方法，其特征在于，所述步骤(2)中改进天牛群算法的步长通过以下公式获取：其中，n为迭代次数，k表示第k只天牛，c1、c2、c3均为步长参数，其值分别为1.5、0.5和8。4.根据权利要求1所述的一种优化旋转门算法的储能型风电场爬坡事件检测方法，其特征在于，所述步骤(3)中采用改进天牛群算法搜索旋转门算法的最优门宽，并依据最优门宽采用旋转门算法提取表征风电实际出力的特征数据点；改进天牛群搜索旋转门算法的适应度函数为：其中，f
e
和f
c
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，p
w
(t)为t时刻风电功率采样数据值，p
f
(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。5.根据权利要求1所述的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
特征在于，所述步骤(4)中采用四点法处理风电特征数据点以消除特征数据点中的“凸起”；四点法去除“凸起”：若满足下式(5)或(6)，则将中间的2个点进行剔除以去除“凸起”；；式中：x
i
、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。6.根据权利要求1所述的一种优化旋转门算法的储能型风电场爬坡事件检测方法，其特征在于，所述步骤(5)中风电特征时段的分类、编码及合并；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)和式(7)，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；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(7)，其余时段均为非爬坡时段；式中，p
f
(i)和p
f
(i-1)表示四点法处理后的相邻两个特征数据点；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；合并：依据编码结果，对风电特征时段进行合并，合并原则如表1所示。表1风电特征时段合并原则7.根据权利要求1所述的一种优化旋转门算法的储能型风电场爬坡事件检测方法，其特征在于，所述步骤(6)中采用储能型风电场爬坡事件判断标准检测合并后风电特征时段是否发生爬坡事件。

技术总结
本发明公开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。它包括以下步骤：设计储能型风电场爬坡事件判断标准；对天牛群算法进行改进，并利用其搜索旋转门算法的最优门宽；利用优化旋转门算法提取风电功率特征数据点；采用四点法处理特征数据点以去除“凸起”；将四点法处理后的相邻两个特征数据点视为一个风电特征时段，并对其分类、编码、合并；根据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。本发明提取了风电特征数据点，设计了风电特征时段合并方法，给出了储能型风电场爬坡事件判断标准，从而能够有效地检测储能型风电场发生的爬坡事件，提高了风电爬坡事件的检测效果。电爬坡事件的检测效果。电爬坡事件的检测效果。


技术研发人员：余洋 陈东阳
受保护的技术使用者：华北电力大学（保定）
技术研发日：2022.01.06
技术公布日：2022/5/5