基于IBSO-SDT的風電爬坡事件檢測方法

摘 要：為提升風電爬坡事件的檢測效果，針對含電池儲能的風電場，提出基于改進天牛群優(yōu)化旋轉(zhuǎn)門算法的爬坡事件檢測方法。首先，對天牛群搜索算法進行改進，利用其搜索旋轉(zhuǎn)門算法的最優(yōu)門寬，并據(jù)此提取風電功率的特征數(shù)據(jù)點；然后，對特征數(shù)據(jù)點進行處理以消除“凸起”現(xiàn)象，進而連接相鄰兩個數(shù)據(jù)點形成一個風電特征時段，將風電特征時段進行分類，結(jié)合爬坡方向?qū)ζ溥M行編碼，并依據(jù)編碼結(jié)果進行合并；接著，結(jié)合給出的含電池儲能風電場爬坡事件定義，對合并后的風電特征時段進行爬坡事件檢測；最后，利用某風電場實際運行數(shù)據(jù)對檢測方法進行仿真，并與多種爬坡事件檢測方法進行對比，驗證了所提方法的有效性。

關鍵詞：風電場；電池儲能；啟發(fā)式算法；旋轉(zhuǎn)門算法；爬坡事件檢測

中圖分類號：TM71 文獻標志碼：A

0 引 言

“雙碳”目標的實現(xiàn)要求風力發(fā)電以更大規(guī)模接入電網(wǎng)［1］。然而，風電具有間歇性、波動性［2-3］，尤其是大風、雷暴等極端天氣導致風電出力短時間內(nèi)急劇變化而形成的風電爬坡事件（wind power ramp event，WPRE），給電網(wǎng)安全穩(wěn)定運行帶來極大挑戰(zhàn)［4-7］。為解決WPRE，具有靈活調(diào)控能力的電池儲能系統(tǒng)（battery energy storage system，BESS）受到廣泛關注［8］，研究適用于含BESS的風電場WPRE檢測方法對于平抑WPRE具有重要作用。

當前關于WPRE檢測的研究，主要可分為兩大類。第1類方法是直接運用風電場實際運行數(shù)據(jù)進行WPRE檢測，如文獻［9］提出采用滑動窗口（sliding window，SW）的檢測方法，通過動態(tài)掃描固定時間間隔內(nèi)的風電功率以實現(xiàn)WPRE檢測，但需遍歷所有風電數(shù)據(jù)點，執(zhí)行效率較低，檢測時間稍長；文獻［10］對SW檢測方法加以改進，通過自適應調(diào)整窗口長度以獲取風電特征趨勢，并結(jié)合動態(tài)規(guī)劃算法完成檢測。第2類方法先對風電運行數(shù)據(jù)進行壓縮，然后基于壓縮數(shù)據(jù)完成WPRE檢測，極大提高了檢測效率。文獻［11］利用旋轉(zhuǎn)門（swing door trending，SDT）算法壓縮風電數(shù)據(jù)進行檢測，但未考慮SDT算法門寬參數(shù)的影響，故檢測準確率較低；在文獻［11］的基礎上，文獻［12］將WPRE的定義與SDT相結(jié)合，通過對風電時段進行編碼以提高檢測準確率；文獻［13］發(fā)現(xiàn)了爬坡檢測過程中的“凸起”現(xiàn)象，通過合并風電爬坡時段提升了檢測準確率；文獻［14］則提出基于參數(shù)與分辨率自適應算法的檢測方法，通過將非爬坡時段合并，并前后兩次使用SDT算法提高了檢測精度。然而，以上研究并未給出SDT算法的最優(yōu)門寬，檢測效果有待進一步提升?？梢?，當前檢測方法或多或少存在一些局限，且現(xiàn)有研究以探討無儲能的風電場WPRE檢測為主，專門針對含BESS風電場WPRE的檢測方法還較少。

為實現(xiàn)對于含BESS風電場WPRE的有效檢測，同時針對第2類檢測方法的不足，本研究提出基于改進天牛群（improved beetle swarm optimization，IBSO）優(yōu)化SDT算法的WPRE檢測方法，以下簡稱IBSO-SDT算法。利用含BESS風電場的實際運行數(shù)據(jù)，驗證了所提檢測方法的有效性和準確性。

1 理論基礎

1.1 旋轉(zhuǎn)門算法

SDT算法于1990年提出，具有壓縮比高、誤差可控等優(yōu)勢，在數(shù)據(jù)壓縮、爬坡事件檢測等領域得到了有效應用［14-15］。其基本原理為通過原始數(shù)據(jù)與門寬不斷構(gòu)造平行四邊形以過濾非特征數(shù)據(jù)［13］。

門寬[E]是SDT算法的唯一可調(diào)參數(shù)，其直接決定了SDT算法中特征數(shù)據(jù)的提取結(jié)果。[E]值越大，壓縮比越高，但過大的E值易導致較大的壓縮誤差；反之，[E]值變小，可降低壓縮誤差，但過小的[E]值會使壓縮比變低，存在大量的冗余信息［16］，故尋找最優(yōu)E值尤為重要。

1.2 改進天牛群搜索算法

李帥等［17］于2016年提出一種基于生物覓食原理的天牛須搜索（beetle antennae search，BAS）算法。由于具有原理簡單、靈活和收斂速度較快等優(yōu)點，被廣泛應用于風力發(fā)電機故障智能診斷［18］、短期風電預測［19］等領域。然而，BAS算法僅使用一只天牛個體進行尋優(yōu)，而且由于搜索方向的隨機性，導致尋優(yōu)過程易陷入局部最優(yōu)。

為此，文獻［20］采用群體優(yōu)化的思想，提出天牛群優(yōu)化（beetle swarm optimization，BSO）算法，通過多只天牛共同尋優(yōu)以改善搜索方向隨機性問題。BSO算法的主要流程如下：

8） 全局最優(yōu)解更新

計算每只天牛所在位置的適應度函數(shù)，并將最佳適應度函數(shù)所對應的天牛位置作為第[n]次迭代的全局最優(yōu)解。

針對BAS算法，BSO的改進主要體現(xiàn)于兩點［20］：1）使用群體尋優(yōu)代替?zhèn)€體尋優(yōu)，提高了全局搜索能力，可有效避免陷入局部最優(yōu)并改善了收斂速度；2）在尋優(yōu)過程中，不同于BAS中隨機生成的搜索方向，BSO搜索方向由速度和移動位置增量而定，可使天牛朝著更優(yōu)解的位置方向移動，避免了盲目搜索。

然而，BSO仍然存在一些問題：其一，由式（4）可知，在尋優(yōu)過程中其搜索步長在迭代初期減小較快，不利于全局搜索；其二，當BSO尋找到更優(yōu)解時，不斷減小的搜索步長反而降低了收斂速度，此時迭代步長無需繼續(xù)減小以加快收斂速度。故設置合適的尋優(yōu)迭代步長至關重要。

為此，本研究設計了IBSO，針對問題一，本研究引入了指數(shù)非線性控制因子以提高尋優(yōu)個體的全局搜索能力；針對問題二，本研究采用了基于尋優(yōu)結(jié)果反饋的步長更新策略，當尋優(yōu)個體尋找到更優(yōu)的適應度函數(shù)時，迭代步長保持不變。綜上，本文設計的IBSO迭代步長計算公式為：

為驗證所設計IBSO的有效性和優(yōu)越性，本研究使用多個標準測試函數(shù)（F1～F7）［20］進行測試，同時將其與多個優(yōu)化算法進行對比，包括BSO、遺傳算法（genetic algorithm，GA）、粒子群優(yōu)化算法（particle swarm optimization，PSO）和鯨魚優(yōu)化算法（whale optimization algorithm，WOA）。為保證測試的公平性，統(tǒng)一將種群規(guī)模設置為30個，最大迭代次數(shù)為500次，對每個測試函數(shù)運行30次，不同優(yōu)化方法下尋優(yōu)結(jié)果的平均值AVE和標準差SD如表1所示。可知，對于大多數(shù)標準測試函數(shù)，相比于其他優(yōu)化算法，所設計IBSO的尋優(yōu)結(jié)果更好，由此驗證了IBSO的有效性和優(yōu)越性。

2 爬坡事件定義

2.1 現(xiàn)有爬坡事件定義分析

爬坡事件通常涉及以下幾種特征量［21］：爬坡幅值、爬坡持續(xù)時間、爬坡率和爬坡方向?；诖?，目前爬坡事件主要包含3種定義［22］：

該定義能體現(xiàn)爬坡速度大小，但忽略了固定時段內(nèi)的風電功率變化。

以上分析表明，固定時段和相應閾值的選取直接影響著爬坡識別性能。不同的時間間隔往往對應著不同的閾值，而相同時間間隔下，閾值選取過大會導致較高的漏報率，閾值選取過小又會帶來較大的誤報率。當前，現(xiàn)場中一般將固定時段選取為1 h，閾值選取為風電場裝機容量的20%，但該方法難以適用于含BESS風電場的爬坡平滑場景。

2.2 含BESS風電場爬坡事件定義

描述BESS特征的兩個重要指標為其最大充放電功率和以最大充放電功率持續(xù)運行的時間。因此，本研究給出含BESS風電場WPRE定義為：將閾值[Pth]設置為儲能系統(tǒng)的最大充放電功率，將固定時間間隔[Δt]取為儲能系統(tǒng)以最大充放電功率運行的持續(xù)時間，合并后風電特征時段始末時刻的時間間隔小于[Δt]，且始末時刻的風電功率差值超過[Pth]，則認為爬坡事件發(fā)生，表達式為：

式中：[Pfend]和[Pfstart]——合并后風電特征時段結(jié)束時刻和開始時刻的風電功率，MW；[tfend]和[tfstart]——組合后風電特征時段的結(jié)束時刻和開始時刻，s。

本研究給出的含BESS風電場WPRE定義借鑒上述定義1的優(yōu)點，又明顯不同于定義1，克服定義1的缺陷。首先，針對現(xiàn)有定義方法未考慮BESS特性，本研究定義結(jié)合了BESS的最大充放電功率和可持續(xù)充放電時間，能在后續(xù)研究中更合理地調(diào)控BESS平抑風電爬坡事件；其次，根據(jù)合并后的風電特征時段處于上升或下降趨勢可判斷爬坡方向，由此彌補了定義1中難以判斷爬坡方向的不足。

3 風電爬坡事件檢測

3.1 檢測流程

本研究設計的基于IBSO-SDT算法的含BESS風電場WPRE檢測流程見圖1。

主要檢測步驟可描述如下：

1）風電特征數(shù)據(jù)提?。焊鶕?jù)風電場運行數(shù)據(jù)，采用IBSO算法對SDT算法的最優(yōu)門寬進行尋優(yōu)，根據(jù)獲取的最優(yōu)門寬，采用SDT算法對風電數(shù)據(jù)進行壓縮，以提取風電特征數(shù)據(jù)點。

2）風電特征時段形成與組合：首先采用四點法對提取的風電特征數(shù)據(jù)進行處理以消除“凸起”，將連續(xù)相鄰兩個數(shù)據(jù)點連線視為一個風電特征時段，之后將風電特征時段進行分類并編碼，根據(jù)每個特征時段的編碼對其進行組合。

3）WPRE檢測：根據(jù)BESS最大充放電功率和可持續(xù)充放電時間判斷每個時段是否發(fā)生WPRE，進而根據(jù)特征時段的變化趨勢判別爬坡方向。

3.2 風電特征數(shù)據(jù)提取

首先，基于某風電場時間間隔1 s、窗長24 h的運行數(shù)據(jù)，使用IBSO算法對SDT算法最優(yōu)門寬進行尋優(yōu)。為降低提取誤差，同時盡可能地減少冗余信息，采用壓縮誤差和壓縮比構(gòu)建IBSO尋優(yōu)的適應度函數(shù)，如式（16）所示。

中：[f]——IBSO尋優(yōu)的適應度函數(shù)；[α1]和[α2]——系數(shù)；[fMSE]——壓縮誤差；[fc]——壓縮比；[Pw（t）]——[t]時刻的風電場實際出力，MW；[Pf（t）]——對相鄰兩個特征數(shù)據(jù)點進行線性插值后的[t]時刻風電功率，MW；[N1]——樣本總數(shù)；[N2]——提取的風電特征數(shù)據(jù)數(shù)量。

然后，根據(jù)最優(yōu)門寬，利用SDT算法提取出可充分表征風電場出力的風電特征數(shù)據(jù)點。

3.3 風電特征時段形成與組合

3.3.1 四點法消除凸起

由于SDT算法提取出的風電特征數(shù)據(jù)點存在“凸起”，為解決此問題，本研究引入四點法［23］對特征數(shù)據(jù)點進行處理。其原理為：相鄰的4個數(shù)據(jù)點若滿足式（17）或式（18），則剔除中間兩個數(shù)據(jù)點。

3.3.2 風電特征時段形成

去除“凸起”后，將相鄰兩個特征數(shù)據(jù)點之間的連線形成一個風電特征時段。若風電特征時段的持續(xù)時間較短、爬坡幅值較低，將很難滿足式（14）的WPRE定義，如果不加以處理會導致較高的漏報率。而多個風電特征時段組合之后可延長爬坡持續(xù)時間、提高爬坡幅值，有利于利用式（14）進行WPRE檢測，也更便于準確統(tǒng)計WPRE的起始時間和幅值。

3.3.3 風電特征時段組合

為降低漏報率，提高WPRE檢測效果，本研究設計了包括分類、編碼及合并等3個步驟的風電特征時段組合方法。

首先，對風電特征時段進行分類。根據(jù)爬坡幅值和持續(xù)時間將風電特征時段分為3類，即顯性爬坡時段、隱性爬坡時段和非爬坡時段，其中，顯性爬坡時段是指相鄰兩個特征數(shù)據(jù)點的最大值和最小值之差超過[Pth]，且持續(xù)時間低于[Δt]，即滿足式（14）；隱性爬坡時段是指相鄰兩個特征數(shù)據(jù)點的最大值和最小值之差未超過[Pth]，但爬坡率較高，滿足式（19）；剩余的時段均為非爬坡時段，即相鄰兩個風電特征數(shù)據(jù)點的爬坡率較低，無法滿足式（19）。

式中：[Pf（i）]和[Pf（i-1）]——相鄰的兩個特征數(shù)據(jù)點。

其次，對風電特征時段進行編碼。當對所有風電特征時段分類完成之后，繼續(xù)根據(jù)式（15）判斷其爬坡方向，并完成編碼，即將顯性爬坡時段標記為±1，隱性爬坡時段標記為±2，非爬坡時段標記為0，其中，+表示上爬坡，-表示下爬坡，如+1表示顯性上爬坡。

最后，對風電特征時段進行合并。當相鄰兩個時段的編碼一致時，則這兩個時段可以合并為一個時段，編碼不變；當相鄰兩個時段一個為顯性、一個為隱性時，若爬坡方向相同，則這兩個時段亦可合并為一個時段，并將編碼更新為顯性爬坡時段的編碼。詳細描述如表2所示，共涉及25種情況。

當完成各個風電特征時段的組合后，即可根據(jù)每個特征時段的編碼結(jié)果，通過式（14）判斷是否發(fā)生爬坡事件，并分析相應的特征量。

4 仿真驗證

4.1 仿真參數(shù)設置

選取某區(qū)域內(nèi)的含BESS風電場作為研究對象，其中風電裝機容量為97.5 MW，配備的鋰電池儲能系統(tǒng)規(guī)模為[5 MW/10 MWh]，電池儲能系統(tǒng)的最大充放電功率為±10 MW，故式（14）中的[Pth]為10 MW，[Δt]為1 h。風電采樣時間為[1 s]，數(shù)據(jù)窗長24 h。用本文檢測方法對該風電場WPRE進行檢測以檢驗方法的優(yōu)越性。

4.2 風電特征數(shù)據(jù)點提取結(jié)果及分析

選取該風電場冬季某一典型日的風電功率進行分析。首先，采用不同的優(yōu)化算法搜索該典型日中SDT算法的最優(yōu)門寬，尋優(yōu)過程如圖2所示。可見，IBSO比其他優(yōu)化算法擁有更快的收斂速度和更高的尋優(yōu)精度。具體而言，PSO、GA、WOA和BSO尋到最優(yōu)解所需迭代次數(shù)分別為18、44、45和30，相應的適應度函數(shù)值分別為0.5639、0.5694、0.5588、0.5873。而IBSO僅需迭代16次即可尋找到最優(yōu)解，相應的適應度函數(shù)值更低，僅為0.5566，由此進一步驗證IBSO的優(yōu)越性。此時SDT算法的門寬為0.7154，壓縮誤差為0.2779，壓縮比為0.0418。

然后，根據(jù)最優(yōu)門寬[E]，運用SDT算法提取該典型日的風電特征數(shù)據(jù)點，結(jié)果如圖3所示。為進一步突出本文所提IBSO-SDT算法的優(yōu)點，將其與SDT、PSO-SDT、GA-SDT、WOA-SDT、BSO-SDT、卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）、變分模態(tài)分解（variational mode decomposition，VMD）等方法進行對比，結(jié)果如表3所示?？芍啾扔谄渌卣魈崛》椒?，所提IBSO-SDT算法提取風電特征的誤差最小，由此說明了IBSO-SDT確實能更加準確地提取風電特征。

4.3 風電爬坡事件檢測結(jié)果及分析

該典型日的WPRE檢測結(jié)果如圖4所示。可見，該典型日16：00—24：00爬坡事件較多，22：00—23：00的爬坡事件較為嚴重。

為進一步體現(xiàn)本文檢測方法的優(yōu)越性，將其與其他多種檢測方法進行對比。其中，方法1為本研究所提WPRE檢測方法；方法2為文獻［9］使用的SW檢測方法；方法3為BSO優(yōu)化的SDT算法與本文所提風電特征時段組合的檢測方法；方法4為IBSO-SDT與文獻［11］中特征時段合并相結(jié)合的檢測方法；方法5為IBSO-SDT與文獻［13］中特征時段合并相結(jié)合的檢測方法；方法6為IBSO-SDT與文獻［14］中風電時段合并相結(jié)合的爬坡事件檢測方法；方法7～10分別為使用PSO、GA、WOA、BSO優(yōu)化SDT與本文所提風電特征時段組合的檢測方法。采用文獻［24］提出的WPRE檢測評價指標體系對本文檢測方法進行評價，該體系包含4個指標：準確率ACC、命中率SR、查全率POD、關鍵成功指數(shù)CSI。

不同方法下WPRE的檢測結(jié)果評價如圖5所示?？梢?，在4個評價指標上，所提檢測方法的檢測效果均為最好，且ACC和SR達到0.83以上，由此驗證了所提爬坡事件檢測方法的有效性和優(yōu)越性。

5 結(jié) 論

1）相較于原始BSO算法，所設計的IBSO算法具有更強的搜索能力和更快的尋優(yōu)速度，且與其他優(yōu)化算法相比，尋優(yōu)精度更高，由此驗證了IBSO的有效性和優(yōu)越性。

2）相比于其他5種風電特征數(shù)據(jù)提取方法，所設計的基于IBSO-SDT的提取方法誤差最低，僅為0.2779 MW，表明其能更加準確地提取含BESS風電場風電特征數(shù)據(jù)點。

3）四點法有效解決了風電特征數(shù)據(jù)的“凸起”問題，對風電特征時段進行分類并編碼能方便實現(xiàn)風電特征時段的合并，進一步結(jié)合含BESS風電場爬坡事件定義，可有效檢測含BESS風電場中的爬坡事件。

4）相較于其他5種風電爬坡事件檢測方法，本文方法對含BESS風電場的爬坡事件檢測效果最好，準確率、查全率、命中率和關鍵成功指數(shù)等指標均在一定程度上得到了提升。

不過，本研究未考慮風電數(shù)據(jù)的采樣誤差，后續(xù)可結(jié)合對數(shù)據(jù)采樣誤差的分析，以進一步提升含BESS風電場爬坡事件檢測方法的有效性。

［參考文獻］

［1］ WANG W， LIU L， LIU J Z， et al." Energy management and optimization of vehicle-to-grid systems for wind power integration［J］. CESS journal of power and energy systems， 2021， 7（1）： 172-180.

［2］ 賈偉青， 任永峰， 薛宇， 等. 基于小波包-模糊控制的混合儲能平抑大型風電場功率波動［J］." 太陽能學報， 2020， 42（9）：357-363.

JIA W Q， REN Y F， XUE Y， et al. Wavelet packet-fuzzy control of hybrid energy storage for power fluctuation smoothing" of" large" wind" farm［J］. Acta" energiae" solaris sinica， 2021， 42（9）： 357-363.

［3］ 孫澤倫， 陳潔， 閆亞嶺， 等. 基于混合儲能平抑風電波動的雙堆自循環(huán)協(xié)調(diào)控制［J］. 太陽能學報， 2021， 42（4）：125-132.

SUN Z L， CHEN J， YAN Y L， et al. Coordination control of double reactors self-circulation based on hybrid energy storage for wind power fluctuation suppression［J］. Acta energiae solaris sinica， 2021， 42（4）： 125-132.

［4］ FUJIMOTO Y， TAKAHASHI Y， HAYASHI Y." Alerting to rare large-scale ramp events in wind power generation ［J］. IEEE transactions on sustainable energy， 2018， 10（1）： 55-65.

［5］ LYNERS D， VERMEULEN H， GROCH M. Wind power ramp event detection using a multi-parameter segmentation algorithm ［J］." Energy reports， 2021， 7： 5536-5548.

［6］ 徐浩， 李華強. 火電機組靈活性改造規(guī)劃及運行綜合隨機優(yōu)化模型［J］. 電網(wǎng)技術， 2020， 44（12）： 4626-4638.

XU H， LI H Q. Planning and operation stochastic optimization model of power systems considering the flexibility" "reformation［J］." "Power" "system" "technology， 2020， 44（12）： 4626-4638.

［7］ 唐振浩， 孟慶煜， 曹生現(xiàn)， 等. 基于小波深度置信網(wǎng)絡的風電爬坡預測方法［J］. 太陽能學報， 2019， 40（11）：3213-3220.

TANG Z H， MENG Q Y， CAO S X， et al. Wind power ramp prediction algorithm based on wavelet deep belief network ［J］." Acta energiae solaris sinica， 2019， 40（11）：3213-3220.

［8］ 舒印彪， 陳國平， 賀靜波， 等. 構(gòu)建以新能源為主體的新型電力系統(tǒng)框架研究［J］. 中國工程科學， 2021， 23（6）：61-69.

SHU Y B， CHEN G P， HE J B， et al." Building a new electric power system based on new energy sources［J］." Strategic study of CAE， 2021， 23（6）：61-69.

［9］ 楊茂， 馬劍， 李大勇， 等. 超短期風電功率爬坡事件檢測和統(tǒng)計分析［J］." 電力系統(tǒng)保護與控制， 2018， 46（6）： 62-68.

YANG M， MA J， LI D Y， et al. Ultra-short-term wind power climbing event detection and statistical analysis［J］." Power system protection and control， 2018， 46（6）： 62-68.

［10］ SEVLIAN R， RAJAGOPAL R. Detection and statistics of wind" "power" "ramps［J］. IEEE" "transactions" "on" "power systems， 2013， 28（4）： 3610-3620.

［11］ 張穎超， 宗陽， 鄧華， 等. 基于趨勢特征的風電功率爬坡事件檢測方法［J］. 電測與儀表， 2020， 57（18）： 122-127， 132.

ZHANG Y C， ZONG Y， DENG H， et al." Wind power ramp event detection method based on trend feature［J］." Electrical measurement amp; instrumentation， 2020， 57（18）： 122-127， 132.

［12］ OUYANG T H， ZHA X M， QIN L， et al." Prediction of wind power ramp events based on residual correction［J］." Renewable energy， 2019， 136： 781-792.

［13］ CUI Y， HE Y J， XIONG X， et al. Algorithm for identifying wind power ramp events via novel improved dynamic swinging door［J］. Renewable energy， 2021， 171：542-556.

［14］ QU Y P， XU J， SUN Y Z， et al. A parameter and resolution adaptive algorithm for rapid detection of ramp events in different timescale databases of the power system ［J］. International journal of electrical power amp; energy systems， 2019， 112： 393-403.

［15］ ZHANG F， CHENG L， LI X， et al. Application of a real-time data compression and adapted protocol technique for WAMS［J］. IEEE transactions on power systems， 2015， 30（2）： 653-662.

［16］ 胥峰. SCADA系統(tǒng)中的壓縮算法的研究［D］. 成都： 西南交通大學， 2012.

XU F." Study of the data compression algorithm in the SCADA system［D］. Chengdu： Southwest Jiaotong University， 2012.

［17］ JIANG X Y， LI S A. BAS：beetle antennae search algorithm" "for" "optimization" "problems［J］." "International journal of robotics and control， 2018， 1（1）： 1-5.

［18］ WANG Z Y， YAO L G， CAI Y W， et al." Mahalanobis semi-supervised mapping and beetle antennae search based support vector machine for wind turbine rolling bearings fault diagnosis［J］. Renewable energy， 2020， 155： 1312-1327.

［19］ FU W L， FANG P， WANG K， et al. Multi-step ahead short-term wind speed forecasting approach coupling variational mode decomposition， improved beetle antennae search algorithm-based" "synchronous" "optimization" "and Volterra series model［J］. Renewable energy， 2021， 179：1122-1139.

［20］ WANG T T， YANG L， LIU Q A. Beetle swarm optimization" "algorithm：" "theory" "and" "application［J］. Filomat， 2020， 34（15）： 5121-5137.

［21］ 楊茂， 劉紅柳." 超短期風電功率爬坡事件對風電功率實時預測誤差的影響研究［J］. 太陽能學報， 2017， 38（3）：571-577.

YANG M， LIU H L. Ultra-short-term wind power climbing event research on the effect of wind power real-time prediction error［J］. Acta energiae solaris sinica， 2017， 38（3）： 571-577.

［22］ 何川， 劉天琪， 胡曉通， 等. 基于超短期風電預測和混合儲能的風電爬坡優(yōu)化控制［J］. 電網(wǎng)技術， 2017， 41（3）： 782-790.

HE C， LIU T Q， HU X T， et al." Optimal control of wind ramp based on very short-term wind forecast and hybrid ESS［J］. Power system technology， 2017， 41（3）： 782-790.

［23］ 渠曉剛， 溫鑫， 張曉康. 基于損傷力學的橋式起重機疲勞壽命分析［J］. 安全與環(huán)境學報， 2021， 21（3）： 1012-1016.

QU X G， WEN X， ZHANG X K." Assessing and analysis of the fatigue life of the bridge-type crane based on the damage mechanics［J］. Journal of safety and environment， 2021， 21（3）： 1012-1016.

［24］ 徐正華. 基于殘差修正的風電功率爬坡預測及其控制策略研究［D］. 上海： 上海電機學院， 2020.

XU Z H. Research for wind power ramp events prediction and" control" strategy" based" on" residual" correction［D］." Shanghai： Shanghai Dianji University， 2020.

WIND POWER RAMP EVENT DETECTION METHOD BASED ON IBSO-SDT

Yu Yang1，2，Chen Dongyang1，2，Wang Boxiao1，2，Li Jiali1，2，Wu Yuwei1，2，Yu Zongzhe1，2

（1. State Key Laboratory of New Energy and Electric Power Systems （North China Electric Power University）， Baoding 071003， China；

2. Key Laboratory of Distributed Energy Storage and Microgrid of Hebei Province （North China Electric Power University）， Baoding 071003， China）

Abstract：To improve the detection effect of wind power ramp event， a wind power ramp event detection method based on swing door trending optimized by improved beetle swarm optimization algorithm is proposed for wind farm with battery storage. Firstly， the beetle swarm optimization algorithm is improved and used to search the optimal door value of swing door trending. The wind power feature data points are extracted through the swing door trending with optimal door value. Then， the feature data points are processed to eliminate the‘bump’phenomenon. Two adjacent data points is connected to form a wind power feature period. The wind power feature periods are classified and coded in combination with the ramp direction. They are also combined according to the coding results. Next， the ramp definition of wind farm with battery storage is introduced and the ramp detection is performed based on the combined wind power feature periods. Finally， the actual wind power output of a wind farm is used to simulate the proposed detection method. The effectiveness of the proposed detection method is verified in comparison with the various ramp event detection algorithms.

Keywords：wind farm； battery storage； heuristic algorithms； swing door trending algorithm； ramp event detection

收稿日期：2022-05-23

基金項目：國家重點研發(fā)計劃（2018YFE0122200）；國家自然科學基金（52077078）；中央高?；究蒲袠I(yè)務費（2020MS090）

通信作者：余 洋（1982—），男，博士、教授，主要從事電力儲能技術、新能源并網(wǎng)調(diào)控等方面的研究。yangyu@ncepu.edu.cn