[发明专利]一种针对风力场状态协同估计方法

说明书

本发明属于风电场状态估计领域。针对风电场支路电力系统的受风速影响会波动较大的特点，设计了强跟踪平方根容积卡尔曼滤波器，提高了状态估计的精度；并进一步针对风电场分布式结构，提出了基于强跟踪容积平方根卡尔曼滤波的协同并行以及顺序状态估计算法。在风电场不确定环境下，容积卡尔曼滤波能够更好的估计效果，从而验证了算法的有效性。

本发明属于风电场内状态估计领域，涉及一种风电场内状态估计的分布式方法。

发明内容

与传统发电方式(火电、水电、核电等)相比，风力发电具有波动性、不完全预测性、低可控性等特点，给电力系统带来了挑战，尤其是在有功功率和无功功率调度控制方面。在风电场中通过算例表明电压和无功之间的关系。

针对风电场分布式调控(控制)方法较多。比较典型就是基于多智能体思想的控制方法，将各个风机看成一个独立自主的智能体；基于风机分组思想的控制方法，将具有相同能力和工况的风机分为一组，每组设计一个分布式的控制。不管哪种分布式控制方式，都需要一种响应的估计器进行状态的有效获取和分析。

(1)风电场支路状态空间模型

风电场的有功出力和风具有很大关系，通常有功会随风波动，潮流在并网线路以及输电线路上变化较快，一些大规模风电场的并网会对电网电压质量和电压稳定性产生一定的影响。由此可知，在风电场内其有功功率有波动性、间歇性的特点，无功功率和风电场内所使用的风机类型相关，同时还和其控制系统有一定的关系。

在典型的电力系统中，等效后的模型，也即多支路单机等效模型的并网点低压侧电压U_low，以及各个风机集电线路上的电压U_jeq的表达式

风电机组机端电压不仅与自身的输出功率有关，还与其他机组的输出功率有关，风电场各机组之间相互耦合在一起，当风电场某台风机的输出功率改变，同“串”乃至整个风电场中其他机组的机端电压都将受到影响，只是影响程度不同，对此利用Holt’s两参数法建立风机的状态空间：

状态方程：

经过分析和计算，可得，其状态方程为：

其中为系统噪声，η≠i。

观测方程：

经过电路的分析，可得其观测方程为：

其中为系统噪声。

对风电场进行无功控制，目的是为了保证整个风电场的电压质量，如果能对风电场进行无功控制后迅速对风电场进行高精度的状态估计，具有重要意义，同时在了解各个支路的状态之后，也能进行更高效、准确的电力调度。

(2)强跟踪平方根容积卡尔曼滤波

针对风电场的某个支路，由于一条支路上的风机数量一般不会太多；风电场内风具有：不确定性、不连续、突变性等特点，风的变化对风电场支路风机影响很大，支路状态也会发生较大的变化，为此需要在第三章的基础上找到相对适合的状态估计算法，强跟踪算法对电力系统具有良好的信号跟踪能力，该算法也具有较强的鲁棒性，为此使用了强跟踪容积卡尔曼滤波算法来对风电场的同支路单机等效模型进行状态估计。

针对风电场支路等效模型的特点，采用的是强跟踪平方根容积卡尔曼滤波(Strong Tracking Square Root Cubature Kalman Filter,STFSRCKF)算法，假设已知系统在k时刻的状态估计和估计协方差阵的平方根系数S_k，其算法原理如下：

①系统初始化：