摘要
随着可再生能源发电技术的快速发展，大规模风电接入电网，使风力发电机逐渐成为了母线负荷模型的重要组成部分。现有考虑风电接入的负荷建模仅能实现极短时间内的参数辨识，无法在较长一段时间内实现连续参数辨识，且模型结构固定单一，不能随风电渗透率变化而变化。因此，论文从以下三个方面进行研究: 首先，针对变电站母线日负荷实测数据存在缺失值的问题，采用补充集合经验模态分解与长短期记忆神经网络(CEEMD-LSTM)相结合的算法对其进行填补;针对母线日负荷曲线聚类，提出了一种将轮廓系数与K-SHAPE算法相结合的聚类方法(SCK-SHAPE)，弥补了聚类算法无法客观确定最佳聚类数的缺陷;通过对某省330kV变电站110kV侧母线实测数据进行仿真分析，验证了CEEMD-LSTM算法能精确的对缺失值进行预测，SCK-SHAPE算法比K-means算法聚类效果更佳。 其次，针对在整条日负荷曲线下实时负荷建模进行研究。选取距典型日负荷曲线最近的一条实际日负荷曲线作为负荷建模和参数辨识的研究对象，在其之下建立含风机接入的广义负荷模型;以SCADA数据15min为一段，选取在此时段内适合小扰动参数辨识的多组PMU数据，采用遗传算法对多组PMU数据进行连续参数辨识;将多组参数辨识结果以及模型输出功率求取平均值，与实测日负荷曲线拟合对比;算例仿真结果验证了所述方法的可行性。 最后，针对日负荷曲线各时段风电渗透率与母线负荷模型准确度的关系进行研究。以第三章参数辨识结果为基础，采用基于数值和趋势相似性的模型准确度评价方法，对其结果进行评估，引入风电渗透率，描述风电渗透率与模型准确度之间的变化关系;以模型准确度骤降点的风电渗透率值作为分界点，建立两种在不同风电渗透率下的负荷模型，其一为计及风机接入的广义负荷模型，其二为忽略风机接入的传统负荷模型;将所述变结构的负荷模型再次在同一条日负荷曲线下连续参数辨识;仿真结果表明风电渗透率与模型准确度之间大体服从反比的关系，且传统负荷模型在风电渗透率较低的情况下仍能很好的描述母线的负荷特性。 论文为风电接入变电站实时负荷建模及不同风电渗透率下变母线负荷结构的研究提供了参考依据。
NETL