买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网湖南省电力有限公司;国网湖南省电力有限公司经济技术研究院;国家电网有限公司

摘要：本发明公开了一种风电高渗透电网系统的等效惯量预测方法，包括计算风电机组等效虚拟惯量时间常数；构建风电高渗透电网的等效惯量计算公式；获取风电高渗透电网系统的历史数据和待预测日的参数数据；采用灰色关联算法在获取的历史数据中选取待预测日的相似日；构建等效惯量预测初始模型并训练得到等效惯量预测模型；将待预测日的参数数据输入到等效惯量预测模型得到最终的待预测日的风电高渗透电网系统的等效惯量预测结果。本发明建立风电机组虚拟惯量与转速之间的解析关系，给出考虑风电机组虚拟惯量的系统等效惯量表达式，并对其特性进行分析，实现了对短期系统等效惯量进行较高精度的预测；而且本发明方法的准确性高且可靠性好。

主权项：1.一种风电高渗透电网系统的等效惯量预测方法，包括如下步骤：S1.根据风力发电系统的参数，计算风电机组等效虚拟惯量时间常数；具体包括如下步骤：风机捕获的机械功率Pw表示为： 式中ρ为空气密度；A为风机扫风面积；v为风速；λ为叶尖速比且ω为转子转速，R为叶轮半径，β为桨距角，CPλ,β为风能利用系数且λi为中间参数且当ω＜ωmin时，风电机组虚拟惯性时间常数Hw为Hw＝0；当ωmin≤ω≤ωmax时，风电机组虚拟惯性时间常数Hw为 式中Sn,w为双馈风电机组的额定容量；Jw为单台风电机组的总转动惯量；ω0为风电机组初始转子转速；ton为机组调速初始时刻；toff为机组调速结束时刻；Cpmax为风能利用系数最大值；当ω＞ωmax时，风电机组虚拟惯性时间常数Hw为 式中ωmin为风电机组的最低转子转速；ωmax为风电机组的最高转子转速；S2.根据步骤S1得到的风电机组等效虚拟惯量时间常数，构建风电高渗透电网的等效惯量计算公式；具体包括如下步骤：构建风电高渗透电网的等效惯量计算公式为 式中Heq为风电高渗透电网的等效惯量；nG为与电网直接相连的同步发电机数量；HG,i为同步发电机i的惯性时间常数；SG,i为同步发电机i的额定容量；nW为能够参与系统惯量响应的风机数量；HW,j为风机j的虚拟惯性时间常数；SW,j为风机j的额定容量；S3.获取风电高渗透电网系统的历史数据；S4.获取待预测日的参数数据；S5.采用灰色关联算法，在获取的历史数据中选取待预测日的相似日；S6.基于NGBoost集成学习模型，构建等效惯量预测初始模型，并采用选定的相似日的数据对等效惯量预测初始模型进行训练，得到等效惯量预测模型；具体包括如下步骤：构建基于NGBoost集成学习模型的等效惯量预测初始模型；训练时，采用自然梯度提升算法对初始模型的参数进行学习；自然梯度提升算法包括基础学习器、概率分布和评分标准；适当得分法则S以概率分布P及观测值y为输入，且满足其中Ey～Q为结果分布的期望，SQ,y为将参数θ和第j个样本的结果y输入评分规则S得到的计算值，SP,y为衡量预测分布与真实分布的距离，P为预测的一个分布，Q为观测值y服从的真实分布；适当得分法则采用最大似然估计，Lθ,y＝-logPθy；L为评分规则，Pθ为参数化的概率分布；根据适当得分法则的非负性定义，得到对应的Kullback-Leibler散度DL为 其中Qy为结果y的真实分布，Py为结果y的概率分布；NGBoost集成学习模型在每个阶段均包括一组基础学习器f和缩放因子ρ；NGBoost集成学习模型首选估计一个共同的初始分布θ0为使模型本身能最小化评分规则S在所有训练样本的响应变量上的总和，从而得到所有样本的初始预测参数；Sθ,yj为将参数θ和第j个样本的结果y输入评分规则S得到的计算值；每次迭代m，对于第j个样本，模型根据样本直到本阶段的预测结果参数计算评分规则S的自然梯度为其中为第m-1次训练时利用第j个样本数据计算得到的参数，为评分规则MLE的自然梯度，yj为yj为第i个样本的输出；IL为费希尔信息量，且其中为预测结果对应概率分布的期望；迭代的一组基学习器f将进行拟合，得到迭代阶段的比例因子和基础学习器{ρm,fm}M，其中M为迭代次数，fm为第m次训练得到的一组基学习器且fit为通过迭代学习建立c与g的映射关系，cj为第j个样本的输入特征向量，为第j个样本的自然梯度，n为样本数，ρm为第m次训练得到的比例系数且为第m-1次训练时利用第j个样本数据计算得到的参数，ρ为比例系数，fmcj为第m次训练得到的一组基学习器关于cj的预测结果，yj为第j个样本的结果；针对预测得到的输出，再采用缩放因子ρ和通用学习率η进行缩放：y|c～Pθc 其中Pθc为输入特征c的概率预测结果，θ为最终条件概率分布的参数，c为输入特征向量，y|c～Pθc表示基于参数θ得到的概率密度为Py|c的概率预测结果，fmc为第m次训练得到的一组基学习器关于输入特征c的预测结果；S7.将待预测日的参数数据输入到步骤S6得到的等效惯量预测模型，得到最终的待预测日的风电高渗透电网系统的等效惯量预测结果。

全文数据：

权利要求：

百度查询： 国网湖南省电力有限公司 国网湖南省电力有限公司经济技术研究院 国家电网有限公司 风电高渗透电网系统的等效惯量预测方法