CN109004687A - 风电场参与电网调频的智能惯量响应控制方法及系统 - Google Patents

Abstract

本发明公开了一种风电场参与电网调频的智能惯量响应控制方法及系统，从频率响应的角度定义频率调整的优化模型，采用闪电算法求解该模型，计算风机的最佳出力和持续时间，协调风电场的全部风电机组，在电网功率不平衡情况下，通过释放一定的转子动能的方式参与频率调节，并在惯量响应期间和之后控制各个风机。本发明无论电网扰动和风速如何变化，目标函数全局最优值附近的区域保持稳定，具有很高的稳定性。

Description

风电场参与电网调频的智能惯量响应控制方法及系统

技术领域

本发明涉及一种风电场参与电网调频的智能惯量响应控制方法及系统。

背景技术

随着可再生能源接入到电力系统中，传统的发电机逐渐遭到了淘汰，并且增加了电力生产的可持续性。然而，高渗透率的可再生能源降低了电力系统的惯性，并且危及系统的频率稳定性。具有大规模可再生能源和低惯量的电网极易受到故障和功率缺额的影响从而可能导致跳闸、级联故障和停电事故。

变速风机(Variable speed wind turbines，WTs)，例如双馈感应发电机(doublyfed induction generators，DFIGs)和全功率变换器风机，通过电力电子转换器异步连接到电网，它们通常工作在最大功率跟踪模式(MPPT)。然而MPPT运行模式使风机与系统频率之间不存在耦合关系，从而导致风机不能针对系统频率偏移做出调整。早期的研究表明，风机可以利用惯量控制策略参与系统调频。

惯量控制方法分为两类：基于频率的惯量控制法和方波惯量控制法(stepwiseinertial control,SIC)。基于频率的惯量控制，例如频率变化率和下垂环路，针对由于连续的频率测量而导致的频率偏差响应缓慢。相反，方波惯量控制具有相对较好的频率最低值的快速响应速度，当电网发生有功功率不平衡时，方波惯量控制立即增加风机的输出功率，并在短时间内保持在过载阶段。

由于风机的惯量响应不同于常规发电机，因此目前对风机参与频率调整的研究仍处于初期阶段，还有几个问题有待解决。大量的文献研究表明，利用常规控制器来调整风机的运行已经得以实现，然而在这些研究中通常假设频率偏差是微小的并且是线性的，所以这些假设不易实现。此外，通过在短时间内偏离MPPT模式而使风机参与频率调整，减少了风电场的利润，并且会导致风机中产生过多的热量和机械应力。在方波惯量控制方案中，风机的输出功率随转子转速的降低而突然增加，为了恢复转速，风机的输出功率只能在有限时间内以过载模式运行。而为了提高转速恢复的速度，过载模式应得到及时的退出。如果采取的控制措施不适当，这个退出操作会在电力系统中引起额外的二次频率跌落，甚至可能会恶化频率偏差。适当的控制策略应该可以决定单台风机的出力增量以及风机的运行时间，目前的研究并没有明确地解决这些问题。此外，现有的大多数研究仅考虑了单一风机的频率控制，考虑风电场频率控制的研究很少。

发明内容

本发明为了解决上述问题，提出了一种风电场参与电网调频的智能惯量响应控制方法及系统，本发明从系统频率响应的角度定义了频率调整的优化模型，采用闪电算法(Lightning Flash Algorithm，LFA)求解该模型，协调风电场的全部风电机组，在电网功率不平衡情况下，通过释放一定的转子动能的方式参与频率调节，允许在电网遭受严重干扰后对还在发展中的频率失稳作出即时反应，使得目标函数全局最优值附近的区域保持稳定，有效降低SIC的影响。

为了实现上述目的，本发明采用如下技术方案：

一种风电场参与电网调频的智能惯量响应控制方法，包括以下步骤：

从系统频率响应的角度定义频率调整的优化模型，采用闪电算法求解该模型，计算风机的最佳出力和持续时间，协调风电场的全部风电机组，在电网功率不平衡情况下，通过释放一定的转子动能的方式参与频率调节，并在惯量响应期间和之后控制各个风机。

进一步的，从系统频率响应的角度，电网中的功率扰动会引起频率波动，电网功率不平衡量会导致风机的方波式惯量控制产生阶跃功率增量，另外方波式惯量控制的终止时间也产生突然的功率变化，风机的恢复阶段具有斜坡形式的功率变化，将上述因素叠加综合考虑。

进一步的，所述优化模型的目标函数为最大限度地降低电网中的频率下降，即电网中的频率下降值最小。

进一步的，通过闪电算法获得的数据应用到前馈神经网络中进行训练，协调风电机组并设置它们的最佳有功出力和其参与调频的持续时间，风电机组将返回到MPPT模式以获取最大功率，当电网发生功率不平衡或故障时，计算风机的最佳出力和持续时间，并在惯量响应期间和之后控制各个风机。

更进一步的，所述前馈神经网络的输入层具有三个节点，隐藏层具有十个节点，输出层具有两个节点，隐藏层使用S形传递函数来处理其节点输出的总和，输出层采用线性函数，具体输入包括风机的叶片角度、功率失衡向量和风速，闪电算法计算对应于不同实际输入的最佳方波惯量控制的调整输出数据。

进一步的，所述风机的最佳出力的持续时间不少于第一次频率达到最低点的时间。

进一步的，采用闪电算法求解优化模型的过程包括：

设置闪电算法的参数，对其进行初始化，使在大气中产生电离的电荷粒子通过跟随高电位电荷粒子，在不同的闪电分支中向下朝向地面移动，在闪电的间歇时间，前导电荷粒子发生积聚并形成统一的大电荷粒子；形成的电荷粒子球以一定的临界距离跳入不同的方向，确定新的电荷粒子是否符合设定的约束条件，对不符合条件的粒子进行校正，并确定所有分支中最小频率下降的最佳领导者，作为最优解输出。

更进一步的，对初始带电粒子进行索引，找出其中适应度值最低的L个带电粒子作为领导粒子，其余的带电粒子分配给不同的领导粒子以构成闪电算法的分支，更新分支粒子直到满足迭代约束条件；

测量每个闪电算法分支最优与最差带电粒子之间的距离，在领导粒子的帮助下，累积每个分支上所有的带电粒子，直到每个分支的整个带电粒子都与该分支的领导粒子相同；

对形成的带电粒子进行跳跃，跳跃后的带电粒子如果有比其领导粒子更好的适应度值，将其与领导粒子交换，更新粒子直到满足迭代约束条件；

各闪电分支的领导粒子即为最优解，传输至风机用于控制频率偏差。

更进一步的，闪电算法参数包括大气中带电粒子流动的惯性；所有该闪电分支的带电粒子是否可以跟随该分支的领导粒子的确定因子，闪电分支或领导粒子和速度参数。

一种风电场参与电网调频的智能惯量响应控制系统，包括：

优化建模模块，被配置为从系统频率响应的角度定义频率调整的优化模型；

控制模块，被配置为采用闪电算法、使用前馈神经网络求解优化模型，计算风机的最佳出力和持续时间；

执行器，被配置为根据计算得到的风机的最佳出力和持续时间协调风电场的全部风电机组，并在惯量响应期间和之后控制各个风机。

与现有技术相比，本发明的有益效果为：

本发明的控制策略使得风电场在最优频率调节下能够正常运行并且降低了方波惯性控制(SIC)的二次影响。

功率扰动的增加将搜索空间水平地拉向WT的功率增量范围更大的方向；

风速的增加将搜索空间垂直地拉向频率下降更多的方向；

无论电网扰动和风速如何变化，目标函数全局最优值附近的区域保持稳定，具有很高的稳定性。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1(a)以λ、β为函数的风机气动特性；

图1(b)β＝0下，以vw和ωr为函数的风机气动特性；

图2(a)和图2(b)为风电场中单台风机的SIC过程示意图；

图3为电网功率扰动作为SFR模块的输入引发的频率响应示意图；

图4为用于风机智能惯量控制基于闪电算法的前馈神经网络示意图；

图5为实施例中的大型并网风电场示意图；

图6为使用LFA的100个不同试验中可取的频率响应示意图；

图7(a)、(b)为电网中具有最优频率响应的LFA的精确性能(vw＝10m/s,ΔPL＝0.35pu)；

图8为情景一中每台风机出现功率不平衡之前的风速；

图9(a)、(b)为对ΔP_L＝0.1p.u.的电网功率不平衡下的最优风场参与频率示意图；

图10为存在不同的功率不平衡和风速的情况下，利用风电场的最优控制来抑制电网频率漂移；

图11为ANN在数据上可接受的性能示意图；

图12为风机惯性控制对最优和预测调整之间的训练、校验和测试数据的比较图；

图13为有功扰动对风机SIC调频目标函数的影响示意图；

图14为风速变化对风机SIC调频目标函数的影响示意图；

图15为闪电算法流程示意图；

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

本实施例采用一种新的人工智能方法研究风电场的惯量控制和频率调整。从系统频率响应的角度定义了频率调整的优化模型，采用闪电算法(Lightning FlashAlgorithm，LFA)求解该模型，协调风电场的全部风电机组，在电网功率不平衡情况下，通过释放一定的转子动能的方式参与频率调节。通过LFA获得的精确数据包将会进一步被应用到前馈神经网络中进行训练，然后对训练后的控制系统作为智能实时控制系统进行测试和验证。本实施例所提出的方法允许在电网遭受严重干扰后对还在发展中的频率失稳作出即时反应，并且为了恢复频率稳定而允许自动激活控制策略。

为了模拟更真实的场景，电网中不同的功率扰动以及每台风机的实际瞬时随机风速在本实施例中都得到了考虑。本实施例所提出的AI控制系统协调风电机组并设置它们的最佳有功出力和其参与调频的持续时间。然后，风电机组将返回到MPPT模式以获取最大功率。当电网发生功率不平衡或故障时，AI控制系统计算风机的最佳出力和持续时间，并在惯量响应期间和之后控制它们。基于以上分析，风电场将根据电网规程自主运行。本实施例的主要贡献如下：

1)从优化频率调整的角度提出了一种风电场的协调频率控制策略。

2)介绍了有关SIC在风电场层面应用的更多观点。

3)为模拟现实情景，随机的功率波动和随机风速被考虑并且提供了大量数据包。

4)首次应用LFA来优化和解决风电场的频率控制。

5)作为一种自主学习控制系统，基于Levenberg-Marquardt的神经网络首次被开发出来，用于控制风电场参与频率调整。该控制系统被提出并得到验证，可以作为风电场参与频率调整的实用智能控制系统。

风电场是由一组经过变换器连接的风电机组组成，风电机组集中安装在特定的场地，利用风能进行发电。风电场的总发电量是运行中的风电机组发电量的总和。

式中，Pe,i和P_WF分别代表第i台风机的输出功率和风电场总的输出功率；n代表风电机组的总数量。

每台风电机组输出的电功率由获取的机械功率转换而来：

式中，ρ代表空气密度；r_i是风机叶片的半径；v_w,i代表进入风机的风速；根据风速、风向和风机所在的地理位置，风电场中的吹风被认为是包含不同实际风速的矢量，进入风机叶片的风速以v＝[v_w,1,…,v_w,n]表示。实际风速的考虑可以消除预测误差，保证实际分析的可靠性。

每台风机的空气动力学性能参数C_p,i可以表示如下：

式中，C_p,i取决于尖速比λi和桨距角β。

式中，ω_r，i代表风机的转子转速。不同桨距角下的风能利用系数C_p,i(λ,β)如图1(a)所示，当β＝0时，C_p,i(λ,β)出现最大值。对于一个给定的桨距角，在某一个特定风速下存在转子转速的最优值。图1(b)显示了在不同风速和β＝0情况下C_p,i(λ,β)的不同特性。

正常情况下，风机运行在最大性能MPPT模式下，输出功率为：

P_MPPT(ω_r,i)＝k_optω_r,i ³ (6)

式中，k_opt代表风力机的恒定控制器增益和MPPT曲线的系数。

当发生诸如由于负载需求突增或发电损失之类而导致的电力系统失衡时，电力系统的频率会下降。可再生能源连接的电网惯量很低，如果不能立即进行控制，严重的频率下降可能导致因频率过低而使继电器跳闸，级联故障甚至停电。如果连接的风电场参与频率调节，可以阻止系统频率的跌落。要做到这一点，风电场应该加大输出功率，并在有限的时间内停留在过载阶段，以补偿电网中的功率缺额。然后，终止过载阶段使风机进入恢复阶段。

风电机组的惯量响应是能量守恒的，也就是说过载阶段之后伴随的是一段时间的功率衰减，最后是恢复阶段，直到系统再次达到平衡状态。SIC惯量响应的各个阶段如图2所示，结合图2做出如下解释：

A-B：风机工作于额定转速(ω0)，此时输出功率为P0。当电网中的功率不平衡时，其输出功率随着功率增量ΔPf的递增而增加。

B-C：为了补偿功率缺额，风电机组持续运行在过载阶段，输出功率为P0+ΔPf。但是，随着转子速度下降，过载阶段必须在过度减速和随之而来的转子失速之前终止。SIC在终止时间toff终止，此时转速为ωoff。

C-D：输出功率下降ΔPoff后与MPPT曲线相交，此时终止会导致功率不平衡，对系统产生不利的影响，从而导致电网产生二次频率跌落。如果不能采取适当的预防措施来保证功率增量(ΔPf)和足够的SIC终止时间(toff)，二次频率跌落可能会导致频率跌落至最低值。

D-A：toff至tend期间，转子速度沿MPPT轨迹从ωoff恢复到正常工作点ω0。

对风电场进行适当的惯量控制需要了解每台风机的参数属性，如转子速度、功率增量贡献和参与调整的持续时间。以下公式可以描述当t0＝0时发生功率缺额，风电场中第i台风机的惯量控制特性。

利用转子运动方程来定义阶跃的功率增量(A-B)。

式中，H_w,i代表惯量常数。过载阶段(B-C)中转子运动方程的积分系数可以确定终止时间和转子速度。

利用黎曼和解决这个复杂的非线性积分问题：

可利用在终止时刻得到的转子转速求得在终止时刻(C-D)风电机组的功率跌落值：

风电机组(D-A)的恢复阶段遵循MPPT轨迹，故有：

我们可以使用一个分段函数取代处理(D-A)阶段中所示的恢复函数，如图2(b)虚线所示，基于这种假设也可以大大减少风电场中大量风机的计算量。

式中，kr代表式(7)中转子运动方程偏差的分段函数的斜率，

从系统频率响应(SFR)的角度来看，电网中的功率扰动会引起频率波动。如图3所示，采用降阶SFR进行研究。

电网中发生不同的功率变化。电网功率不平衡量ΔPL将会导致风机的方波式惯量控制(SIC)产生阶跃功率增量ΔPf。图3(a)显示了这种功率缓冲过程。另一个突然的功率变化发生在方波式惯量控制(SIC)的终止时间，如图3(b)所示。由图3(c)可知，风机的恢复阶段具有斜坡形式。这些功率变化的总叠加如图3(d)所示。它们相应的频率响应波形分别在图3的右侧示出。

这些变化及其频率响应可以通过输入量的拉普拉斯变换和输出量的拉普拉斯逆变换来得到。如公式(14)：

式中：

ΔP₁＝ΔP_f-ΔP_Lε(t)

ΔP₂＝-ΔP_offε(t-t_off)

ΔP₃＝ε(t-t_off)k_r(t-t_off)-ε(t-t_end)k_r(t-t_end) (15)

Ds是阻尼因子；Km是机械功率增益因子；R是同步发电机一次调频系数；FH是同步发电机高压缸做工比例；Pm是同步发电机机械功率增量比例；Hs是系统惯量常数；TR是同步发电机再热时间常数。

求解(14)，求得电网对应频率偏差如下：

Δf(t)＝Δf₁+Δf₂+Δf₃

Δf₁＝(ΔP_f-ΔP_L)ε(t)h(t)

Δf₂＝-ΔP_offε(t-t_off)h(t-t_off)

Δf₃＝ε(t-t_off)k_rc(t-t_off)-ε(t-t_end)k_rc(t-t_end) (18)

式中h(t)和c(t)是时域形式下的系统频率响应(SFR)的阶跃单元函数和斜坡单元函数。

其中：

风电场惯性响应的目标是最大限度地降低电网中的频率下降。因此，目标函数可以表示如下：

由于风电场包含n个运行中的风机，ΔPf＝[ΔPf,1,…,ΔPf,n]；toff＝[toff,1,…,toff,n],所以目标函数可以视作调整2n个变量的n维问题。

一旦检测到功率失衡，风电场中的风机将参与到惯性控制中。它们的过度出力将持续不少于第一次频率达到最低点的时间(tn1)。这是因为如果风机的惯性控制在此时间之前终止，则该涡轮机的突然功率下降将对频率偏移产生不利影响并使频率最低点恶化。因此，对于终止时间的约束是：

t_off>t_n1 (25)

另外，当风机参与到频率调整时，转子速度将降低。当转子转速低于其阈值时，将发生转子失速，并与电网断开。突然失速造成将很大的功率损失和严重的频率偏差。为避免转子失速，方波式惯量控制(SIC)应在速度下降到某阈值之前终止。双馈异步风机的运行转子速度范围通常在0.7到1.2pu之间。

ω_off(ΔP_f,t_off)≥ω_min (26)

频率下降应该小于一定的阈值，否则将导致低频减载。此时如果发生跳闸则会导致其他传输线路过载，可能会发生级联故障。因此，方波式惯量控制(SIC)必须比没有风机参与调频的情况有更好的频率响应。

Δf(t,ΔP_f,t_off)≥max(Δf_min,-0.5) (27)

考虑到风机所处的地点不同，风电场的地理位置不同，风机类型和风向也不同，每个风机可能有不同的风速，因此产生不同的功率。我们的目标是调整功率增量的最佳值和每个风机上的惯性控制动作的持续时间，以最小化电网中的频率下降。

由于该问题涉及多维度且复杂度高，经典方法并不可行。相反，需要通过进化计算来分析得到的风电场数据，并对每个风机进行最佳调整以阻止频率偏移。

问题是当发生功率不平衡时，每台风机应该产生多大的功率以及应该持续多长时间才能使频率下降最小化，所有这些因素都受到实际间歇和约束的影响。为此，本实施例采用人工智能系统解决该问题，以确保大规模风电场参与电网频率调节的高效率。

人工神经网络是人工智能系统的核心部分。人工神经网络非常有效地解决了传统方法难以解决的非线性和复杂问题。通常采用闪电算法(LFA)来设计、使用前馈神经网络，用于构建人工智能系统。智能控制系统的结构如图4所示。L-M算法用于训练人工神经网络，这种算法除了其可靠性外，还在几个时期内具有快速收敛性，能够以较少的时间获得较正确的输出。

网络的输入层具有三个节点，隐藏层具有十个节点，输出层具有两个节点。隐藏层使用S形传递函数来处理其节点输出的总和。输出层采用线性函数。

网络的输入包括关键参数，叶片角度，功率失衡和风速。闪电算法用于计算对应于不同实际输入的最佳方波惯量控制(SIC)的调整输出数据。

网络的期望输出和预测输出之间的误差使用均方误差(MSE)值来计算，公式如下：

其中，m为采样个数，T是由闪电算法获得的期望或目标输出值，P是通过人工神经网络所得到的预测输出值。可以通过输入层—隐藏层以及隐藏层—输出层之间的权重值实时更新用于减小该误差。调整后的网络可视作可靠、精确的实际控制系统。

闪电算法继承了集群算法和演化算法的优点，是处理非平滑频率目标函数动态特性的合适工具。而且，这种方法的另一个特点是可以更可靠地进行全局最优搜索。这种方法涉及四个步骤。首先，在大气中产生电离的电荷粒子，然后这些电荷粒子通过跟随高电位电荷粒子，在不同的闪电分支中向下朝向地面移动，其中高电位电荷粒子为该分支的前导粒子。在闪电的间歇时间，前导电荷粒子发生积聚并形成统一的大电荷粒子。最后，形成的电荷粒子球将以一定的临界距离跳入不同的方向。临界距离是分支的前导电荷粒子和最末电荷粒子之间的测量距离。这些步骤由(29)-(34)表示。

X＝X_min+u×(X_max-X_min) (29)

其中Xmin和Xmax是目标变量的上下限，例如toff和ΔPf；成分u是通过闪电算法随机生成的。代表第j个带电粒子对第i个前导粒子的跳变值；w代表大气中流动的带电粒子的惯性；C₁表示一条闪电分支上的所有电荷可以跟随该分支前导粒子的轨迹。是相对于粒子j及前导粒子I的变量；代表第i个闪电分支的前导粒子。临界距离Di是在闪电分支i中最末粒子与前导粒子的测量距离，其中，代表了第i个闪电分支的最末粒子；αi是闪电的速度。

这种算法收集了控制室中的数据并将输出信号发送给风电场中的相应风机。闪电算法监控下的风电场数据分析和控制指令既可以在集中控制系统中运行，也可以在分散控制系统中运行。

具体为：风电场的智能控制使风电机组能够及时、准确地参与电网的频率调节。控制系统分为两部分：第一部分是离线开发，将必要的数据应用到控制器上，并采集最优输出集，这一部分采用LFA方法完成。第一部分中采集到的输入与输出集将其应用于待训练的人工神经网络(ANN)系统中，一旦训练完毕，就可以作为在线控制系统，实时计算风电场中各个风机的参数，从而使风机能够准确、可靠地参与电网的频率调节。

上述控制系统的操作步骤如下：

第一部分：应用LFA进行离线开发、采集最优输入/输出数据

步骤1：采集运行中风机的桨距角、风速以及功率不平衡

对于一个有多台运行中风机的风电场来说，桨距角(β)和风速(Vω)是1×n的向量，比如：

[β]_1×n＝[β₁,β₂,...,β_n]和[v_w]_1×n＝[v_w,1,v_w,2,...,v_w,n]。

电网功率不平衡为1×n向量[ΔP_L]_1×1＝ΔP_L。

步骤2：LFA的初始化：设置LFA的参数，w是大气中带电粒子流动的惯性；C1代表所有该闪电分支的带电粒子是否可以跟随该分支的领导粒子，N代表闪电分支或领导粒子，α是算法的速度参数。

步骤3：给定toff和ΔPf的起始值，其中ωoff(toff,ΔPf)>0.7p.u

[t_off]＝t_off,min+u.(t_off,max-t_off,min)

[ΔP_f]＝ΔP_f,min+u.(ΔP_f,max-ΔP_f,min)

LFA的带电粒子用一组值来代替：

带电粒子＝[t_off(t)ΔP_f(t)]

步骤4：当t＝0时，对初始带电粒子进行索引，找出其中适应度值最低的L个带电粒子作为领导粒子。

由于每个粒子是一组(toff,ΔPf)的值，将它们的值带入到目标函数中，找出具有最小适应度值的最佳电荷粒子。这些粒子即为领导粒子。

步骤5：其余的带电粒子分配给不同的领导粒子以构成LFA的分支。X_ij是LFA第i个分支的第j个粒子，该分支的领导粒子为X_i。

步骤6：更新分支粒子直到满足ωoff(toff,ΔPf)>0.7p.u以及fitness(X_ij)<0.5Hz的约束条件为止。

J_ij(t)＝w.J_ij(t-1)+C₁.u.(X_i(t-1)-X_ij(t-1))

t为算法进行过程中的当前迭代次数。

步骤7：经过粒子的向下运动后，所有的粒子都将处于新的位置用于解决问题。如果这些带电粒子有比其领导粒子更好的适应度值，它们将与领导粒子交换。

步骤8：测量每个LFA分支最优与最差带电粒子之间的距离

D_i＝(X_i(t-1))-(X_iw(t-1))

其中X_i(t-1)是i分支最优粒子和领导粒子，X_iw(t-1)是具有最大频率偏差或者说具有最差适应度的带电粒子。

步骤9：在领导粒子的帮助下，累积每个分支上所有的带电粒子。在这一步，每个分支的整个带电粒子都将与该分支的领导粒子相同。因此：

X_ij(t)＝X_i(t)

步骤10：跳跃过程

X_ij(t)＝X_ij(t-1)+u×D_i×α_i

其中Di是上面得到的量测距离，αi是控制算法速度的参数，设置为1。

步骤11：跳跃过程之后，所有的粒子都将处在新的位置用于解决问题。如果这些带电粒子有比其领导粒子更好的适应度值，它们将与领导粒子交换。

步骤12：返回第6步重新开始一直到最大迭代次数。

步骤13：达到最大迭代次数之后，LFA各分支的领导粒子即为最优解。解包括最优的一组(toff,ΔPf)值；

可以传送到风机用于控制频率偏差。由于通信延迟以及整个计算过程会占用一段时间，在这里得到的信息

可以存储下来用于训练人工神经网络，以便日后用于实时控制。

为了将收集到的数据用于人工神经网络的训练和验证，最优的一组(toff,,ΔPf)值和其对应的桨距角β，风速(Vω)和负荷扰动ΔPL将作为人工神经网络的输入值，(toff,ΔPf)为人工神经网络的输出值。对于不同的桨距角，风速和负荷扰动，有不同的最优(toff,ΔPf)与之对应。一旦将这些不同的监测数据应用到人工神经网络中，就可以调整人工神经网络的权重，为在线控制计算做好准备。

进行控制策略效果的验证。

采用在IEEE九节点网络中并入一个大型的100MW风力发电场作为案例研究系统。该风场有二十台双馈风电机组，容量等级为5MW，如图5所示。本实施例在不同的情景下进行了仿真实验。在基于AI的LFA监督和ANN预测下，该系统应用随机的风速和功率扰动来评估风电场的性能。

情景一

在这个案例研究中，将风电场等效为一个风电机组的集合模型。平均风速为10m/s，ΔP_L定义为一个0.35p.u.的大扰动。图6所示为利用上述提到的LFA进行频率调节。足够的ΔP_L值将系统的临界频率最低点升至最佳，得到更可靠的运行值如图7(a)所示。仅仅得到功率增量ΔP_L的最优值不足以支撑风力发电机的频率调节。利用所获得的功率增量值，不同的终止时间将导致不同的频率偏移，其中一些可能导致系统故障。由于最终的频率调节是最优的，得到最优的终止时间，如图7(b)所示。可以看出，必须同时获取惯性控制功率增量和终止时间值，以确保使用风电的最优功率系统频率调节能够安全、可靠地运行，否则，可能对没有惯性控制或使用不适当控制调整的系统产生不利的影响。

情景二

在t＝0s时，对电网施加一个0.1p.u的大功率不平衡，如图8所示，模拟出风电场在随机风况下运行出现扰动时的实际情景。

发生干扰时，频率偏离其标称值。LFA计算场内每台风机参与调频的最优调整，该算法根据运行情况找到每台风机的最优功率增量以及SIC持续时间，其结果如表1所示。

表1智能系统在不同情景下SIC的最优终止时间和功率增量

WT No.	ΔPf(pu)	toff(sec.)	WT No.	ΔPf(pu)	toff(sec.)
						1	0.0338	5.6696	11	0.0315	5.2819
2	0.0347	5.7786	12	0.0348	6.3012
						3	0.0308	9.0627	13	0.0347	5.9698
4	0.0314	5.2090	14	0.0359	6.9214
						5	0.0344	6.1959	15	0.0333	5.9709
6	0.0332	5.5652	16	0.0354	6.4877
						7	0.0327	5.5670	17	0.0336	7.1184
8	0.0366	6.5131	18	0.0338	6.8925
						9	0.0361	6.0870	19	0.0349	7.0037
10	0.0348	6.6157	20	0.0363	6.8229

图9(a)展示了由每台风机引起的外加频率效应。如图9(b)所示，将全部风机总的参与频率加起来作为风电场的输出。可以看出，与没有智能系统优化参与的风电场相比，使用智能控制系统优化的风电场的电网频率具有更安全更好的频率偏移。

情景三

在存在随机风和固定功率不平衡时，风电场参与频率调整表明出了其使用受监督LFA的优良性能。在这里，将不同的功率不平衡应用于电网，以研究使用上述系统风电场参与频率调整的效率。随机的风速如图8所示。分别将0.1pu，0.35pu，0.65pu和1.0pu的不同严重程度的功率不平衡施加到电网上，使用LFA计算出各台风电机组的最优功率增量和参与调频的持续时间。最终风电场的功率输出会导致更安全可靠的电网功率调节，如图10所示。

该结果还表明，无论是风速不稳定还是电网中出现功率不平衡，在风电场采用上述算法参与频率的控制和调整，电网的频率偏移都会更好。另外，采用SIC出现的频率二次跌落问题将会比第一次跌落出现的最低点更好。

为了实现实时智能控制系统，本实施例沿着LFA使用了ANN。由LFA监督得到大规模的输入/输出数据包以训练ANN。输入ΔP_L是一个20*1的矢量，大小为{0.05,0.1,…,1}p.u.风速是一个38*1阶的矢量，大小为{8,8.1,8.2,…,11.7}m/s。从LFA中获得760个样本，随机选择其中70％用于训练ANN，15％用于验证以及15％用于测试本实施例所提到的智能控制系统。AI控制系统的性能如图11所示。测试集错误和验证集错误具有相似的特征，最终的平均方差很小，表现出控制系统合理的性能。

采用线性回归分析的形式对所提出的控制系统模型的可靠性进行评估。针对实验数据和预测值，线性回归分析表明，对于所有数据集，ANN具有用于调整WT控制惯性参数的有效预测，相关系数(R值)大于0.98，如图12所示。由图中可以看出，使用基于智能系统的惯性控制调整的优化模型，能够在电网发生动态变化时，有效且恰当地预测最佳调整。

综上，本发明能够解决风电场参与调整高度非线性动态频率的问题。闪电算法(LFA)提供了大量的监督数据，包括电网和风电场参数的动态变化。通过LFA获得的数据被进一步应用到人工神经网络(ANN)中，并通过L-M(Levenberg-Marquardt algorithm)算法对神经网络进行训练。训练好的人工神经网络可以被实际应用，作为风电场参与频率调整的实时系统。在具有100MW风电场的IEEE 9-bus系统上进行的仿真结果表明，风电场在最优频率调节下能够正常运行并且降低了方波惯性控制(SIC)的二次影响。本实施例还提出了：

1.功率扰动的增加将搜索空间水平地拉向WT的功率增量范围更大的方向。

2.风速的增加将搜索空间垂直地拉向频率下降更多的方向。

3.无论电网扰动和风速如何变化，目标函数全局最优值附近的区域保持稳定。

4.尽管风场的风速存在非线性和动态的变化，风场中采用最优控制的风机输出的叠加能够降低SIC的影响。

图13显示了功率扰动对调频目标函数的影响。当功率扰动增加到严重的情况时，目标函数的形状就会随着更大的搜索空间和更大的功率增加而水平地延伸然而，该函数在全局最优值附近的凹形形状在电源干扰下保持稳定，可以支持算法找到最优解集。

图14显示了风速对调频目标函数形状的影响。当风速增加时，函数的形状垂直地向频率下降更多的方向倾斜。这表明，风速的增加会导致更多的频率下降。这是因为转子的速度随风速的增加而增加，而更高的转子速度会导致WT在SIC终止时更大的功率下降，该现象可以通过对式(9)分析看出。然而，在间歇风速下该函数在其全局最优值附近的凹形形状保持稳定，这又能支持算法找到最优解集。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种风电场参与电网调频的智能惯量响应控制方法，其特征是：包括以下步骤：

从系统频率响应的角度定义频率调整的优化模型，采用闪电算法求解该模型，计算风机的最佳出力和持续时间，协调风电场的全部风电机组，在电网功率不平衡情况下，通过释放一定的转子动能的方式参与频率调节，并在惯量响应期间和之后控制各个风机。

2.如权利要求1所述的一种风电场参与电网调频的智能惯量响应控制方法，其特征是：从系统频率响应的角度，电网中的功率扰动会引起频率波动，电网功率不平衡量会导致风机的方波式惯量控制产生阶跃功率增量，另外方波式惯量控制的终止时间也产生突然的功率变化，风机的恢复阶段具有斜坡形式的功率变化，将上述因素叠加综合考虑。

3.如权利要求1所述的一种风电场参与电网调频的智能惯量响应控制方法，其特征是：所述优化模型的目标函数为最大限度地降低电网中的频率下降，即电网中的频率下降值最小。

4.如权利要求1所述的一种风电场参与电网调频的智能惯量响应控制方法，其特征是：通过闪电算法获得的数据应用到前馈神经网络中进行训练，协调风电机组并设置它们的最佳有功出力和其参与调频的持续时间，风电机组将返回到MPPT模式以获取最大功率，当电网发生功率不平衡或故障时，计算风机的最佳出力和持续时间，并在惯量响应期间和之后控制各个风机。

5.如权利要求4所述的一种风电场参与电网调频的智能惯量响应控制方法，其特征是：所述前馈神经网络的输入层具有三个节点，隐藏层具有十个节点，输出层具有两个节点，隐藏层使用S形传递函数来处理其节点输出的总和，输出层采用线性函数，具体输入包括风机的叶片角度、功率失衡向量和风速，闪电算法计算对应于不同实际输入的最佳方波惯量控制的调整输出数据。

6.如权利要求1所述的一种风电场参与电网调频的智能惯量响应控制方法，其特征是：所述风机的最佳出力的持续时间不少于第一次频率达到最低点的时间。

7.如权利要求1所述的一种风电场参与电网调频的智能惯量响应控制方法，其特征是：采用闪电算法求解优化模型的过程包括：

设置闪电算法的参数，对其进行初始化，使在大气中产生电离的电荷粒子通过跟随高电位电荷粒子，在不同的闪电分支中向下朝向地面移动，在闪电的间歇时间，前导电荷粒子发生积聚并形成统一的大电荷粒子；形成的电荷粒子球以一定的临界距离跳入不同的方向，确定新的电荷粒子是否符合设定的约束条件，对不符合条件的粒子进行校正，并确定所有分支中最小频率下降的最佳领导者，作为最优解输出。

8.如权利要求1所述的一种风电场参与电网调频的智能惯量响应控制方法，其特征是：对初始带电粒子进行索引，找出其中适应度值最低的L个带电粒子作为领导粒子，其余的带电粒子分配给不同的领导粒子以构成闪电算法的分支，更新分支粒子直到满足迭代约束条件；

测量每个闪电算法分支最优与最差带电粒子之间的距离，在领导粒子的帮助下，累积每个分支上所有的带电粒子，直到每个分支的整个带电粒子都与该分支的领导粒子相同；

对形成的带电粒子进行跳跃，跳跃后的带电粒子如果有比其领导粒子更好的适应度值，将其与领导粒子交换，更新粒子直到满足迭代约束条件；

各闪电分支的领导粒子即为最优解，传输至风机用于控制频率偏差。

9.如权利要求1所述的一种风电场参与电网调频的智能惯量响应控制方法，其特征是：闪电算法参数包括大气中带电粒子流动的惯性；所有该闪电分支的带电粒子是否可以跟随该分支的领导粒子的确定因子，闪电分支或领导粒子和速度参数。

10.一种风电场参与电网调频的智能惯量响应控制系统，其特征是：包括：

优化建模模块，被配置为从系统频率响应的角度定义频率调整的优化模型；

控制模块，被配置为采用闪电算法、使用前馈神经网络求解优化模型，计算风机的最佳出力和持续时间；

执行器，被配置为根据计算得到的风机的最佳出力和持续时间协调风电场的全部风电机组，并在惯量响应期间和之后控制各个风机。