找到 4 条结果 · IEEE Transactions on Power Systems
考虑风电场尾流效应的电力系统频率稳定性概率分析
Probabilistic Analysis of Power System Frequency Stability Considering Wake Effects of Wind Farms
Zhaoyuan Wang · Siqi Bu · IEEE Transactions on Power Systems · 2025年1月
摘要：目前大多数受风力发电不确定性影响的概率频率稳定性（PFS）研究忽略了风电场（WFs）内风力发电机组的异质性及其相互作用，即尾流效应（WEs），这将导致结果不准确。本文提出一种考虑风电场尾流效应的概率频率稳定性分析方法。首先，提出一种适用于概率频率稳定性分析的解析尾流效应模型。所提出的省时尾流效应模型可轻松集成到电力系统原有的频率响应模型中，并综合考虑多种地形、风向和风流时间延迟，更真实地反映风电场的尾流效应。为同时分析系统频率和区域级频率并考虑二者之间的隐含关系，设计了多输出高斯过程回归以...
解读: 该研究对阳光电源的大型风电变流器和储能系统产品具有重要参考价值。通过考虑风电场尾流效应对系统频率稳定性的影响机制，可优化ST系列储能变流器的频率响应控制策略，提升PowerTitan储能系统在风电配套应用中的调频能力。研究成果可用于完善风储联合控制算法，特别是在构网型(GFM)控制和虚拟同步机(VS...
基于图神经网络的电力系统实时多稳定性风险评估与可视化
Real-Time Multi-Stability Risk Assessment and Visualization of Power Systems: A Graph Neural Network-Based Method
Qifan Chen · Siqi Bu · Huaiyuan Wang · Chao Lei · IEEE Transactions on Power Systems · 2024年12月
相较于单一稳定性评估，多稳定性风险评估（MSRA）在应对可再生能源出力波动和系统故障等不确定性时更具实用性。本文提出一种基于图神经网络（GNN）的实时MSRA方法，统一处理功角、电压、频率及换流器主导的多种稳定性问题。通过构建运行状态图与扰动图作为GNN输入，结合图卷积层与初始残差恒等映射，提取高阶特征；引入GraphNorm缓解过平滑并提升泛化能力。基于实时数据实现多稳定性风险的连续预测，并利用alpha形状可视化稳定与不稳定区域。在IEEE 39节点、WECC 179节点及英国电网系统中的仿...
解读: 该GNN多稳定性评估技术对阳光电源PowerTitan储能系统及iSolarCloud平台具有重要应用价值。针对大规模储能电站中ST系列变流器的构网型GFM控制，该方法可实时评估功角、电压、频率及换流器主导的多维稳定性风险，解决可再生能源波动下的系统安全问题。其图神经网络架构可集成至智能运维平台，实...
考虑尾流效应下风电出力不确定性对电力系统小信号稳定性的概率分析
Probabilistic Analysis of Small-Signal Stability of Power Systems Affected by Wind Power Generation Uncertainties Considering Wake Effects
Zhaoyuan Wang · Siqi Bu · IEEE Transactions on Power Systems · 2024年8月
目前大多数受风力发电影响的电力系统小干扰稳定性概率分析（PASS）研究都忽略了风电场（WFs）中的固有现象，即尾流效应（WE）。这将导致小干扰稳定性概率分析结果不准确。因此，本文提出了一种考虑风电场尾流效应的小干扰稳定性概率分析方法。首先，提出了一种改进的尾流效应模型，用于描述不同尾流区域风速亏损的形状转变。该模型能够更真实、准确地反映尾流效应。此外，由于所提出的改进尾流效应模型的计算结果可直接被电力系统模型使用，因此无需修改即可轻松集成到电力系统模型中，且计算时间有限，适用于小干扰稳定性概率分...
解读: 该研究对阳光电源大型风电变流器和储能系统的稳定性控制具有重要参考价值。通过考虑尾流效应的不确定性分析方法，可优化ST系列储能变流器和风电变流器的小信号稳定控制策略。研究成果可直接应用于：1)风储混合电站的GFM/GFL协调控制；2)PowerTitan储能系统的并网稳定性优化；3)大型风电场的群控策...
基于失稳模式引导的模型更新方法用于数据驱动的暂态稳定性评估
Instability Pattern-Guided Model Updating Method for Data-Driven Transient Stability Assessment
Huaiyuan Wang · Fajun Gao · Qifan Chen · Siqi Bu 等5人 · IEEE Transactions on Power Systems · 2024年7月
深度学习方法广泛应用于电力系统暂态稳定性评估（TSA），但其结果缺乏可解释性且评估过程难以控制，限制了实际应用。本文提出一种失稳模式引导的模型更新方法以优化TSA模型。首先，构建基于Transformer编码器的TSA模型，通过注意力分布解释和分析预测结果；其次，引入注意力引导损失函数，针对特定失稳模式调整评估规则，提升分类精度；同时采用注意力保持损失，维持其他样本的评估能力并抑制过拟合；此外，基于注意力分布构建代表性数据集以降低更新成本。在IEEE 39节点系统与华东电网中的仿真验证了该方法的...
解读: 该失稳模式引导的暂态稳定评估技术对阳光电源PowerTitan大型储能系统和构网型控制产品具有重要应用价值。在电网侧储能场景中，ST系列储能变流器需快速判断电网扰动后的稳定性并调整控制策略，该方法基于Transformer的注意力机制可实现毫秒级稳定性预判，指导GFM控制器动态调节虚拟惯量和阻尼参数...