本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》
论文与完整源程序_电网论文源程序的博客-CSDN博客
https://blog.csdn.net/liang674027206/category_12531414.html
这是一篇关于高比例新能源特高压直流送端电网的源-网频率协同控制及参数优化方法的研究论文。以下是其核心内容的整理：
标题
- 高比例新能源特高压直流送端电网的源-网频率协同控制及参数优化方法
作者与机构
- 谢岩、唐晓骏、董昱、马世英、申家锴、严剑峰
- 电网安全全国重点实验室（中国电力科学研究院有限公司），北京市海淀区
- 国家电网有限公司，北京市西城区
摘要
- 研究目的是平衡调频效果和经济成本，减少或避免系统切机、切负荷，提升高比例新能源电力系统的供电可靠性。
- 通过分析新能源发电和LCC-HVDC系统的调频原理和控制策略，构建多维评价指数系统，提出基于调频措施综合效能评估的源-网频率协同控制及参数优化方法。
- 使用PSASP软件平台构建仿真模型，验证所提方法的有效性，结果表明能显著提升系统的频率支撑能力。
关键词
- 新能源频率支撑控制
- 直流频率调制
- 综合效能评估
- 频率协同控制
- 参数优化
研究内容
- 源-网侧潜在调频资源的频率控制策略：分析新能源机组和LCC-HVDC系统的调频控制策略。
- 基于调频措施综合效能评估的源-网频率协同控制及参数优化方法：提出多维评估指标体系和综合效能评估方法，包括技术与经济指标。
- 算例分析：基于实际数据构建仿真模型，验证所提方法的有效性。
结论
- 提出的方法能够改善系统的调频控制，充分挖掘和协调源-网两侧的频率调节资源，提升系统的调频效能。
基金项目
- 国家电网有限公司科技项目(5100-202205277A-2-0-XG)。
引言
- 讨论了“十四五”以来中国新能源装机和发电占比的提升，以及新型电力系统中常规同步机组比例压缩、系统惯量降低等问题。
方法论
- 详细描述了新能源机组的调频控制策略，包括虚拟惯量控制和下垂控制。
- 介绍了LCC-HVDC系统的调频控制，包括直流频率调制器的结构和工作原理。
- 提出了基于多维评估指标体系的综合效能评估方法，使用层次分析法(AHP)和熵权法(EWM)组合权重的优劣解距离(TOPSIS)评估法。
算例分析
- 构建了特高压直流送端电网的仿真模型，并设计了昼、夜两种仿真场景。
- 分析了不同调频参数下的系统频率响应和各类调频资源的出力情况。
- 进行了综合效能评估，证明了所提方法的有效性。
为了复现文章中的仿真研究，我们需要遵循以下步骤，并将其转化为程序语言（Python）代码。以下是复现仿真的总体思路和具体步骤：
总体思路：
- 数据准备：收集电网的运行数据，包括新能源发电数据、LCC-HVDC系统参数等。
- 模型构建：使用PSASP软件平台或类似工具构建电网仿真模型。
- 参数设置：根据文章中的参数优化方法设置调频参数。
- 仿真运行：在不同的运行场景和扰动工况下运行仿真。
- 结果分析：分析仿真结果，包括频率响应、调频资源出力等，并进行综合效能评估。
程序实现：
# 导入必要的库
import numpy as np
import pandas as pd
from psasp import PSASP # 假设PSASP是一个用于电力系统仿真的库
# 1. 数据准备
# 假设已有电网运行数据和新能源发电数据
grid_data = pd.read_csv('grid_data.csv')
renewable_data = pd.read_csv('renewable_data.csv')
# 2. 模型构建
# 使用PSASP构建电网仿真模型
model = PSASP(grid_data)
# 3. 参数设置
# 根据文章中的参数优化方法设置调频参数
def set_tuning_parameters(model):
# 设置火电、水电、核电、风电、光伏、储能和直流的调频死区
dead_zones = {
'fire': 0.033,
'water': 0.05,
'nuclear': 0.067,
'wind': 0.05,
'pv': 0.03,
'storage': 0.04,
'dc': 0.1
}
model.set_dead_zones(dead_zones)
# 设置调差率和比例系数
adjustment_rates = {
'fire': 0.05,
'water': 0.04,
'nuclear': 0.05,
'wind': 0.03125,
'pv': 0.0167,
'storage': 0.125,
'dc': 0.15
}
model.set_adjustment_rates(adjustment_rates)
# 设置备用系数与调制范围
backup_coefficients = {
'fire': 0.06,
'water': 0.10,
'nuclear': 0.06,
'wind': 0.05,
'pv': 0.03,
'storage': 0.20,
'dc': 0.05
}
model.set_backup_coefficients(backup_coefficients)
# 4. 仿真运行
def run_simulation(model, scenario, disturbance):
model.set_scenario(scenario)
model.apply_disturbance(disturbance)
model.run_simulation()
return model.get_results()
# 5. 结果分析
def analyze_results(results):
# 分析频率响应和调频资源出力
frequency_response = results['frequency_response']
tuning_resources_output = results['tuning_resources_output']
# 进行综合效能评估
综合效能评估 = evaluate_comprehensive_effectiveness(frequency_response, tuning_resources_output)
return 综合效能评估
# 设置参数
set_tuning_parameters(model)
# 运行仿真
daytime_results = run_simulation(model, 'daytime', 'disturbance1')
nighttime_results = run_simulation(model, 'nighttime', 'disturbance2')
# 分析结果
daytime_evaluation = analyze_results(daytime_results)
nighttime_evaluation = analyze_results(nighttime_results)
# 打印评估结果
print("昼间场景综合效能评估结果:", daytime_evaluation)
print("夜间场景综合效能评估结果:", nighttime_evaluation)
# 综合效能评估函数（示例，需要根据实际评估方法实现）
def evaluate_comprehensive_effectiveness(frequency_response, tuning_resources_output):
# 这里只是一个示例，实际的评估方法需要根据文章中的方法实现
effectiveness = np.mean(frequency_response) - np.mean(tuning_resources_output)
return effectiveness注意事项：
- 上述代码是一个框架性的示例，具体的函数实现（如
evaluate_comprehensive_effectiveness）需要根据文章中的具体方法来编写。 PSASP是一个假设的库，实际中需要使用具体的电力系统仿真软件或库。- 数据文件
grid_data.csv和renewable_data.csv需要根据实际情况准备。 - 参数设置和仿真运行的具体细节需要根据实际电网和仿真平台进行调整。
本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》
论文与完整源程序_电网论文源程序的博客-CSDN博客https://blog.csdn.net/liang674027206/category_12531414.html