CN110266021A - 基于dfig虚拟惯量的微电网双维自适应动态频率控制方法 - Google Patents

Abstract

本发明涉及一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，包括以下步骤：1)考虑新能源波动性以及风机参与调频的能力，使得DFIG虚拟惯量适应风速变化；2)考虑虚拟惯量在频率调整不同阶段的不同作用，设置虚拟惯量参数的自适应取值；3)构建深度信念网络，预测多组DFIG虚拟惯量自适应参数下的动态频率调整指标，并选择最优的自适应参数进行虚拟惯量的双维自适应控制。与现有技术相比，本发明具有双维自适应、精度高等优点。

Description

基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法

技术领域

本发明涉及含风机虚拟惯量的微电网调频领域，尤其是涉及一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法。

背景技术

微电网是多种分布式电源接入配电网的有效方式，旨在实现分布式电源的灵活、高效应用，解决形式多样的分布式电源并网问题。因此微电网中新能源渗透率较高，电力电子化趋势日益显著，从而存在系统惯量严重不足的问题，导致扰动下微电网频率会发生剧烈波动。为提升微电网动态调频能力，需要释放微电网中潜在惯量源的惯性。

风电机组作为微电网中具有旋转原件的重要惯量源，一般在其控制中加入虚拟惯量控制模块，通过释放双馈风力发电机(DFIG)转子转速中储存的部分动能来增大DFIG出力，使电网频率与转子转速耦合来对频率的变化做出响应。传统虚拟惯量控制参数是恒定值，但风电机组输出功率与风速息息相关，因此需考虑不同风速下风电机组可参与调频的程度，从而确定合适的虚拟惯量控制参数。但虚拟惯量控制参数仅适应风速变化还远远不够。由于微电网发生扰动后的频率跌落阶段虚拟惯量取值稍大可减小动态频率偏差，频率回升阶段虚拟惯量取值较小可保证频率的快速回升，因此针对动态频率调整的不同阶段对虚拟惯量取值的不同要求，需要使其适应动态频率的变化。

在虚拟惯量控制参数设置方面，传统方法是通过试错法得到，根据不同控制参数作用下得到的系统动态频率偏差、频率恢复时间、最小转速及转子转速恢复时间来评价参数的优劣，从而利用试错法总结出控制参数与风速的关系曲线，不仅工作量巨大，而且最终曲线的精度难以保证。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法。

本发明的目的可以通过以下技术方案来实现：

一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，包括以下步骤：

1)考虑新能源波动性以及风机参与调频的能力，使得DFIG虚拟惯量适应风速变化；

2)考虑虚拟惯量在频率调整不同阶段的不同作用，设置虚拟惯量参数的自适应取值；

3)构建深度信念网络，预测多组DFIG虚拟惯量自适应参数下的动态频率调整指标，并选择最优的自适应参数进行虚拟惯量的双维自适应控制。

所述的步骤1)中，DFIG虚拟惯量适应风速变化具体为：

Kin＝f(Vw)

其中，K_in为虚拟惯量参数，V_w为实时风速。

所述的步骤2)中，为实现虚拟惯量的双维自适应控制，需使其适应动态频率调整不同阶段的变化，则虚拟惯量参数的取值包括以下三种情况：

1)当动态频率偏差Δf小于设定阈值k时，则取虚拟惯量参数K_in为K′_in；

2)当动态频率偏差Δf大于设定阈值k且为频率跌落阶段时，则加入附加虚拟惯量；

3)当动态频率偏差Δf大于设定阈值k且为频率回升阶段时，则取虚拟惯量参数K_in为K_i″_n；

具体为：

其中，K′_in为虚拟惯量自适应第一参数，K_f为虚拟惯量自适应附加参数，K_i″_n为虚拟惯量自适应第二参数。

所述的步骤3)中，深度信念网络结构包括设置在底层的多层受限玻尔兹曼机层以及设置在顶层的一层BP网络层。

所述的步骤3)中，深度信念网络以实时风速V_w、虚拟惯量自适应第一参数K′_in、虚拟惯量自适应附加参数K_f和虚拟惯量自适应第二参数K″_in作为输入量进行训练，以动态频率调整指标为输出，预测在不同风速下的动态频率调整指标。

所述的动态频率调整指标包括动态频率偏差Δf、频率恢复时间Δt_f、转子转速最小值ω_rmin和转子转速恢复时间Δt_ωr。

所述的步骤3)中，根据动态频率调整指标，设置优化目标函数，并据此选择最优的自适应参数。

所述的优化目标函数的表达式为：

∑(0.5Δf+0.2Δt_f+0.2Δtω_r+0.1Δω_rmin)＝F(K_i'_n,K_f,K_i"_n)

约束条件为：

ω_min＜ω_r＜ω_max

其中，ω_r为转子转速，ω_max为转子转速最大值。

与现有技术相比，本发明具有以下优点：

一、双维自适应控制：基于风速对风机虚拟惯量取值的约束，针对动态频率调整的不同阶段的对虚拟惯量取值的不同要求，得到满足多方面要求的双维自适应虚拟惯量控制。

二、精度高：利用深度信念网络对风机双维自适应虚拟惯量控制参数进行优化，相比传统试错法具有更高精度。

附图说明

图1为DFIG功率特性曲线。

图2为双维自适应虚拟惯量控制框图。

图3为RBM结构。

图4为DBN的结构。

图5为孤岛微电网结构图。

图6为不同风速最优自适应参数效果对比，其中，图(6a)为风速7m/s时的微电网频率对比，图(6b)为风速7m/s时的DFIG转速对比，图(6c)为风速7m/s时的虚拟惯量参数对比，图(6d)为风速7m/s时的DFIG有功功率对比，图(6e)为风速9m/s时的微电网频率对比，图(6f)为风速9m/s时的DFIG转速对比，图(6g)为风速9m/s时的虚拟惯量参数对比，图(6h)为风速11m/s时的DFIG有功功率对比，图(6i)为风速11m/s时的微电网频率对比，图(6j)为风速7m/s时的DFIG转速对比，图(6k)为风速11m/s时的虚拟惯量参数对比，图(6l)为风速11m/s时的DFIG有功功率对比。

图7为实时风速变化曲线图。

图8为基于实时风速的不同参数设置下调频效果分析,其中图(8a)为采用不同参数时微电网频率的变化，图(8b)为采用不同参数时对应的虚拟惯量参数的变化。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明提供一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，包括以下步骤：

1)基于新能源波动性，考虑风机参与调频的能力，使DFIG虚拟惯量适应风速变化；

2)基于虚拟惯量对频率不同阶段的不同作用，考虑DFIG虚拟惯量适应频率不同阶段的变化，从而得到适应风速和动态频率不同阶段的虚拟惯量进行双维自适应控制；

3)考虑到双维自适应参数优化的数据量远大于单维，因此采用深度信念网络预测了不同自适应参数下的动态调频指标，从而选择最优的自适应参数，实现了动态频率的优化。

具体步骤如下：

1、首先分析风速对虚拟惯量取值的影响：

传统DFIG多采用最大风功率追踪(MPPT)控制，若要DFIG运行在有备用容量的状态下，则需对应的移动风能追踪曲线，使其偏离最大值。由于加入虚拟惯量控制后，当系统频率跌落时，DFIG释放部分转子存储的动能，对频率进行支撑，导致转速下降，因此只能向右移动风能追踪曲线，即实现超速控制，使其运行在低于最大输出功率点的高转速状态，如图1，若发生扰动时风速较低，则DFIG出力较低，DFIG可参与调频的备用容量有限，因此虚拟惯量取值不宜过大；若风速较高，DFIG出力大，可适当增加参与调频的有功备用，因而虚拟惯量可取较大值。

2、其次分析动态频率调整不同阶段对虚拟惯量取值的影响

微电网频率受扰动影响会瞬时变化，以负荷突增扰动为例，惯量作用在频率跌落的初始阶段，由于系统惯量的支撑作用，初始频率变化率减缓，动态频率偏差减小，可有效防止频率的突然大范围跌落。传统电网的惯性均来自同步机的转子，微电网中DFIG加入了虚拟惯量控制，虽只能为频率提供短暂的支撑，但对频率的变化率df/dt响应迅速，对动态频率偏差有一定改善作用。频率回升阶段，同步机调速器动作，输出有功增加，进行一次调频，频率逐步上升恢复。而DFIG出力会出现反向缺额，原因是吸收功率进行转子动能的存储。当虚拟惯量较大时，转速跌落值越大，DFIG有功出力反向缺额越大，转子转速恢复较快，但频率的回升速率会受惯量的限制而无法快速回升。

由此惯量在频率跌落部分有正面作用，可以降低频率跌落的速率，并减小动态频率偏差；在频率恢复阶段会减缓频率的恢复速率，并且对于DFIG来说，在提供短暂有功支撑后，为恢复转子动能，进而吸收功率，造成有功功率的波动，且转速恢复速率也影响其应对下一次扰动的能力。传统的DFIG虚拟惯量控制的虚拟惯量值为恒定值，无法满足频率不同阶段的要求，具有一定的局限性。因此在DFIG虚拟惯量控制中考虑风速的影响，并考虑自适应特性，实现适用于DFIG的虚拟惯量双维自适应控制。

3、双维自适应虚拟惯量控制

综合考虑虚拟惯量与风速及频率的关系，提出双维自适应虚拟惯量控制。如图2所示，第一维是所有虚拟惯量参数的取值均适应风速的变化，第二维是虚拟惯量适应动态频率调整的不同阶段的变化，因而对应不同阶段取虚拟惯量自适应第一、附加、第二参数，即K′_in、K_f和K″_in。

在考虑第二维虚拟惯量自适应控制时，电网中风速的波动性会造成一定程度的频率波动，当风速波动较小时，频率波动也较微弱，为了区分由风速小波动带来的频率波动问题和扰动造成的频率波动问题，取风速变化带来的频率波动均值为k，当频率偏差值|Δf|小于k时则认为未发生扰动，取虚拟惯量自适应第一参数K′_in；当Δf|大于k时认为发生小扰动。为保证频率变化率不突变、动态频率偏差较小以及兼顾频率的快速回升，应区分小扰动发生时频率的跌落和回升两个部分。考虑频率跌落部分虚拟惯量参数的取值与频率偏差值直接相关，因此在虚拟惯量控制中引入频率偏差|Δf|的响应，并乘以虚拟惯量自适应附加参数K_f。频率回升阶段取较小虚拟惯量值，则频率可迅速恢复，因此当频率回升时取虚拟惯量自适应第二参数K_i″_n，且K″_in<K′_in，如式(1)，其控制框图如图2。

4、进行深度信念网络的建模：

深度信念网络(deep belief network,DBN)是由限制玻尔兹曼机(RestrictedBoltzmann Machines，RBM)为基本单元组成的，RBM的基本结构如图3所示。

RBM由一个显层和一个隐层构成，其中v为输入量，h为输出量，每一个节点都有激活和未激活两种状态，系统不同状态的概率可以通过该状态具有的能量表示，定义RBM的能量函数为：

其中，wi_j为显层神经元i到隐层神经元j的连接权值，a_i为显层第i个神经元的偏执，b_i为显层第j个神经元的偏执。

基于Sigmoid函数，在RBM中隐层神经元h_j被激活的概率为：

由于层间的双向连接，同理可得显层神经元v_i被激活的概率为：

基于对比散度法对RBM网络进行训练，首先将输入数据赋给显层，利用(3)式计算出隐层每个神经元被激活的概率P(h_j|v_i)。采用Gibbs抽样在概率分布中抽取一个样本h_j～P(h_j|v_i)，通过h_j重构显层，再利用(4)式计算显层每个神经元被激活的概率P(v_i|h_j)，同样采用Gibbs抽样从中抽取一个样本v_i～P(v_i|h_j)，通过v_i再次计算隐层每个神经元被激活的概率得到概率分布P(h_j|v_i)，并更新权重w_ij、a_i及b_j。进行若干次如上训练，最终，隐层可较为精准的显示显层特征，并还原显层，训练结束。

DBN是由多个RBM“串联”而成，如图4。上一个RBM的隐层作为下一个RBM的显层，由于深层网络较容易陷入局部最优解，而初始参数的选择对网络最终收敛位置有很大影响，因此DBN训练过程的第一步就是分别单独无监督的训练每一层的RBM，将各层训练所得值作为下一层神经元的初始参数，以确保特征学习的准确度，这一步称为“预训练”。第二步则是利用带标签数据采用BP算法进行“微调”，在DBN的最后一层设置BP网络以RBM的输出特征向量作为输入，进行反向网络权值的调整，BP算法只需要对权值参数空间进行局部搜索，相比前向BP算法的效率更高。

3、最后进行参数优化及仿真验证

在DIgSILENT/PowerFactory中搭建了如图5所示的孤岛微电网系统，其中柴油机为平衡节点；光伏按恒功率模式运行；并对其进行仿真训练作为DBN的训练样本，通过DBN进行预测，得到不同风速下的最优自适应虚拟惯量控制参数；最后在微电网模型中对所得参数调频效果进行验证。

算例1：利用DBN进行控制参数优化

首先将风速分为低、中、高三个等级，设定不同风速下自适应参数的各种不同组合如表1。在如图5所示的孤岛微电网系统进行恒定风速仿真，其中柴油机为平衡节点，光伏为恒功率模式运行，设置30s时投入2MW临时负荷的扰动。

表1不同风速下自适应控制参数取值范围

对3个参数的不同组合，每个风速随机选取800种组合进行，仿真结果作为DBN的训练样本，通过DBN进行预测得所有组合下的动态频率调整的指标，从而找到不同风速下的最优自适应控制参数。

设置DBN的结构为50-20-10，表2是各个风速的训练结果与实际值的误差对比，可见DBN在大数据回归预测上误差较小，具有一定的优越性。

表2不同风速下最大训练误差对比

自适应虚拟惯量参数的取值受第一维风速制约，若风速较低，DFIG转速较低，释放转子动能有限，没有足够的备用容量导致DFIG调频的参与度较低。自适应虚拟惯量控制的第二维是适应频率的变化，而不同的参数取值，对动态频率指标有不同的影响，频率的快速恢复，会导致转子储存动能的能力减弱，转子转速恢复较慢，不利于应对下一次扰动，因此，优化的目标函数定义为：

∑(0.5Δf+0.2Δt_f+0.2Δt_ωr+0.1Δω_rmin)＝F(K′_in,K_f,K″_in) (5)

约束条件：

ω_min＜ω_r＜ω_max (6)

基于目标函数在DBN预测结果的基础上对仿真结果进行如上筛选，从而得到最优的自适应参数，如表3所示。

表3不同风速下最优自适应参数

风速	K<sub>in</sub>	K<sub>f</sub>	K″<sub>in</sub>
				7m/s	5	1150	0
9m/s	37	2900	5
				11m/s	56	2900	11

图6对比了不同风速下的恒定参数和自适应参数对频率的支撑效果，可知不同风速下采用优化后的自适应参数不但可以使频率快速恢复，一定程度上也抑制了DFIG有功功率的波动，且高风速下对转速的二次波动有抑制作用，保证了转速的快速恢复。

算例2：DBN优化参数参与微电网调频效果分析

考虑实时风速的变化如图7，设置30s时投入2MW临时负荷，对微电网造成扰动。设置不同虚拟惯量参数，如表4，并对比采用不同参数时微电网频率的变化如图(8a)，其对应的虚拟惯量参数的变化，如图(8b)。

表4不同参数设置

由图(8a)、(8b)可知，采用变风速恒定虚拟惯量参数的case3和case4对动态频率的支撑效果不佳，尤其是采用小惯量时，其动态频率偏差最大，调频效果最差。采用仅适应风速变化的虚拟惯量参数case1时，相比变风速恒定虚拟惯量其动态频率偏差有所改善，但是频率恢复时间无法保证；而采用优化后的双维自适应虚拟惯量控制的case2，可有效减小动态频率偏差，减缓扰动发生后的频率变化率，且频率恢复时间为四种参数设置中最短，具有较优的频率调节效果。改善了微电网频率响应特性，提高了微电网抗干扰能力，为高新能源渗透率的微电网频率稳定问题提供了新的解决方案。

Claims (8)

1.一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，其特征在于，包括以下步骤：

1)考虑新能源波动性以及风机参与调频的能力，使得DFIG虚拟惯量适应风速变化；

2)考虑虚拟惯量在频率调整不同阶段的不同作用，设置虚拟惯量参数的自适应取值；

3)构建深度信念网络，预测多组DFIG虚拟惯量自适应参数下的动态频率调整指标，并选择最优的自适应参数进行虚拟惯量的双维自适应控制。

2.根据权利要求1所述的一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，其特征在于，所述的步骤1)中，DFIG虚拟惯量适应风速变化具体为：

K_in＝f(V_w)

其中，K_in为虚拟惯量参数，V_w为实时风速。

3.根据权利要求1所述的一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，其特征在于，所述的步骤2)中，为实现虚拟惯量的双维自适应控制，需使其适应动态频率调整不同阶段的变化，则虚拟惯量参数的取值包括以下三种情况：

1)当动态频率偏差Δf小于设定阈值k时，则取虚拟惯量参数K_in为K′_in；

2)当动态频率偏差Δf大于设定阈值k且为频率跌落阶段时，则加入附加虚拟惯量；

3)当动态频率偏差Δf大于设定阈值k且为频率回升阶段时，则取虚拟惯量参数K_in为K″_in；

具体为：

其中，K′_in为虚拟惯量自适应第一参数，K_f为虚拟惯量自适应附加参数，K″_in为虚拟惯量自适应第二参数。

4.根据权利要求1所述的一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，其特征在于，所述的步骤3)中，深度信念网络结构包括设置在底层的多层受限玻尔兹曼机层以及设置在顶层的一层BP网络层。

5.根据权利要求3所述的一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，其特征在于，所述的步骤3)中，深度信念网络以实时风速V_w、虚拟惯量自适应第一参数K′_in、虚拟惯量自适应附加参数K_f和虚拟惯量自适应第二参数K″_in作为输入量进行训练，以动态频率调整指标为输出，预测在不同风速下的动态频率调整指标。

6.根据权利要求5所述的一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，其特征在于，所述的动态频率调整指标包括动态频率偏差Δf、频率恢复时间Δt_f、转子转速最小值ω_rmin和转子转速恢复时间Δt_ωr。

7.根据权利要求6所述的一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，其特征在于，所述的步骤3)中，根据动态频率调整指标，设置优化目标函数，并据此选择最优的自适应参数。

8.根据权利要求7所述的一种基于DFIG虚拟惯量的微电网双维自适应动态频率控制方法，其特征在于，所述的优化目标函数的表达式为：

∑(0.5Δf+0.2Δt_f+0.2Δt_ωr+0.1Δω_rmin)＝F(K′_in,K_f,K″_in)

约束条件为：

ω_min＜ω_r＜ω_max

其中，ω_r为转子转速，ω_max为转子转速最大值。