CN112632774A - 一种基于动态模态分解的数据驱动风电场频率控制方法 - Google Patents

一种基于动态模态分解的数据驱动风电场频率控制方法 Download PDF

Info

Publication number
CN112632774A
CN112632774A CN202011521262.4A CN202011521262A CN112632774A CN 112632774 A CN112632774 A CN 112632774A CN 202011521262 A CN202011521262 A CN 202011521262A CN 112632774 A CN112632774 A CN 112632774A
Authority
CN
China
Prior art keywords
dynamic
state
frequency
data
wind power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011521262.4A
Other languages
English (en)
Other versions
CN112632774B (zh
Inventor
吴文传
郭子榛
孙宏斌
王彬
郭庆来
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202011521262.4A priority Critical patent/CN112632774B/zh
Publication of CN112632774A publication Critical patent/CN112632774A/zh
Priority to US17/446,653 priority patent/US20220195986A1/en
Application granted granted Critical
Publication of CN112632774B publication Critical patent/CN112632774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F03D7/0284—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power in relation to the state of the electric grid
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2220/00—Application
    • F05B2220/70—Application in combination with
    • F05B2220/706—Application in combination with an electrical generator
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/20—Purpose of the control system to optimise the performance of a machine
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/337—Electrical grid status parameters, e.g. voltage, frequency or power demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明设计了一种基于动态模态分解的数据驱动风电场频率控制方法，使得风电系统的低维非线性动态特性能够在高维空间通过Koopman算子理论给出的状态转移矩阵进行全局捕获，在模型拟合精度满足控制需求的同时需要的数据样本量更小，控制模型的纯线性特征也为在线快速动态响应提供了良好基础，从而同时满足实际控制环节中响应精度和速度的要求。

Description

一种基于动态模态分解的数据驱动风电场频率控制方法
技术领域
本发明属于电力技术领域，特别涉及一种基于动态模态分解的数据驱动风电场频率控制方法。
背景技术
由于传统化石能源的快速消耗带来的环境问题与能源危机日益凸显，电力系统的传统能源需要逐步被环境友好、高能效可持续的清洁能源替代，其中风电作为最具发展前景的清洁能源，成为世界范围内的投资和建设重点。以欧洲为例，近十年来欧洲风电装机容量持续保持每年10GW左右的增长速度，截至2019年，欧洲风电装机容量达到205GW，风电出力占比达到15％，其中丹麦国内风电出力占比高达48％。高风电渗透率对当前电网的运行控制带来新的挑战，电网的频率稳定则是其中的重要一环。随着大量可变速风机通过电力电子变流器接入电网，风场的有功出力和频率呈现电力电子化的解耦特点，导致系统整体的等效惯量降低，电网在同等负荷扰动下的频率波动更加严重，对电网的安全稳定运行构成危险。因此世界各地的电网运行准则均逐步将风电参与调频的能力作为入网的前提条件，例如加拿大Hydro-Quebec电网导则就要求装机规模在10MW以上的风电场都要具备频率校正控制能力，就国内情况而言，新的《电力系统安全稳定导则》规定，35kV及以上的风电、光伏电站都要具备一次调频能力。
现有风电参与电网一次调频的技术方案可以分为模型驱动和数据驱动两类。其中模型驱动的控制策略基于对风机能量转换模型的先验认知建立风机动态模型，然而由于场内众多设备参数需要逐一进行量测和定期维护，因此模型的精确性和有效性难以保障。数据驱动的方法目前以分段线性拟合为主，这类方法能够通过历史数据建立风机的动态模型，然而对于不同工况下风机动态特性的非线性问题，分段线性的思路仍然不能很好地解决，通常分段数量难以平衡模型的简洁性和精确性。因此，需要研究一种结合模型驱动与数据驱动优势的风机动态建模与控制方法，适应于风场快速灵活参与电网频率动态响应的实际需求。
发明内容
针对上述问题，本发明提出一种基于动态模态分解的数据驱动风电场频率优化控制方法。该优化控制方法主要由风机动态模态分解和风电场频率优化控制两个模块组成。具体优化控制实施步骤为：测量t时刻风电场内风机状态，并将其传输至控制器；在控制器内进行风机动态模态分解以及有功频率控制指令计算，并得到t+1时刻控制命令，从而将其传输至风电场。
本发明应用该优化控制方法的对象为大型风场内的风力发电机群，由于双馈异步风机当前的投资建设最具规模，示例性地，设置控制对象为双馈异步风机，同时对于场内运行工况和设备参数相近的风机可以聚合为一个单体进行控制。
为了叙述方便，设置双馈异步风机的本地控制环节可以使变流器的有功出力随外部有功指令进行调节，同时转速通过桨距角本地控制进行约束保护。
所述基于动态模态分解的数据驱动风电场频率优化控制方法具体包括以下步骤：
S1：构建初始数据集
从调频控制角度建立发电单体的状态方程如式(1)所示：
wk+1＝f(wk，uk) (1)
其中wk表示k时刻的风机转速，f代表非线性状态转移关系函数，输入变量uk定义为：
Figure BDA0002849507850000021
其中Pref，k为外部输入的有功指令，vw，k为当前风速。从数据驱动的角度，应当根据风机运行过程积累的历史数据还原其动态特性，而这种状态转移关系主要包含在具有时序对应关系的数据对中，表示为
X＝[x1 x2 … xN]，Y＝[y1 y2 … yN] (3)
其中
Figure BDA0002849507850000031
即为k时刻的数据对，共有N对，其中wk+1和uk+1分别表示下一步长的状态量和输入量。要注意的是，数据矩阵是可以进行列交换的，只要两个矩阵之间满足列对应关系即可。
S2：动态模态分解
模态可以理解为风机动态特性中的固有成分，对于双馈异步风机来说，其主动非线性动态特性就来自风能转换方程描述的风能转换过程。
Figure BDA0002849507850000032
其中pm为风机叶片捕获的机械功率；ρ为空气密度；Arot为风机叶片半径决定的受风截面积；cp为风机的风能利用率，是风机叶尖速比
Figure BDA0002849507850000033
和叶片桨距角θ的非线性函数，其中ω是风机转速，R是风机叶片半径，vw为当前风速。由式(4)可以看出，风能转换模型使得风机的状态量和输入量之间存在强非线性耦合关系，对于优化控制问题求解带来巨大挑战。如果采取模型驱动的建模策略，势必涉及其中诸多参数的估计或测量，模型不完备场景下控制效果往往难以保证。而动态模态分解的思路是基于对风机物理模型的先验信息，将低维非线性动态过程通过观测函数映射到高维观测空间，使得低维空间的非线性动态特性在高维空间呈现线性趋势，从而可以用矩阵线性代数运算分解其动态特征，这一思路既能发挥数据驱动的灵活优势，又没有舍弃模型驱动的理论基础，使得通过较小的数据样本量就可以得到较为精确的动态模型。
具体来说，对于k时刻的状态数据(wk，uk)，作用观测函数Ψ得到高维观测状态向量：
Figure BDA0002849507850000041
可以看出，映射变换后的向量与初始状态向量保持在同一个维数量级，因此不会由于这一操作增加过多数据处理负担。对于初始数据集的每一列都作用这一映射变换，就得到高维观测集矩阵：
Xlift＝[Ψ(ω1，u1)Ψ(ω2，u2)…Ψ(ωN，uN)]
Ylift＝[Ψ(ω2，u2)Ψ(ω3，u3)…Ψ(ωN+1，uN+1)] (6)
而对于高维观测空间的轨迹数据，根据Koopman算子的相关理论，可以通过有限维的状态转移矩阵数值拟合风机的高维线性动态特性。即寻找矩阵Alift使得||Ylift-AliftXlift||2最小，根据线性代数的理论，可以通过如下代数运算求解这一优化问题并得到风机动态模型：
Figure BDA0002849507850000042
其中
Figure BDA0002849507850000043
表示矩阵的伪逆运算。从控制的角度，还需要将矩阵Alift按照高维观测空间维数和输入量维数进行分割，对于本方法采取的高维映射函数结构，将矩阵Alift的左上方4×4子块分割出来就成为动态方程的状态转移矩阵A，将矩阵Alift的右上方4×2子块分割出来就得到输入矩阵B。至此经过动态模态分解的风机高维线性动态模型就可以表示为如下形式：
ψ(ωk+1，uk+1)＝Aψ(ωk，uk)+Buk (8)
S3：集中风场控制模型
根据动态模态分解方法，可以得到风场内M个发电单体的动态模型：
Figure BDA0002849507850000044
在此基础上定义集中控制模型中的状态向量：
Figure BDA0002849507850000045
同时定义集中控制模型的输入向量：
Figure BDA0002849507850000051
从式(9)可以给出集中状态向量对应的控制模型：
χk+1＝Aχk+Bηk (12)
其中矩阵A，B可以由各发电单体的状态转移矩阵按照如下对角形式构造：
Figure BDA0002849507850000052
Figure BDA0002849507850000053
其中，A1…AM分别表示M个发电单体的状态转移矩阵，B1…BM分别表示M个发电单体的输入矩阵。
可以看出，通过这种方式构造的矩阵A，B具有特殊的稀疏结构，为快速求解在线动态优化控制问题提供了更便利的条件。
S4：在线动态优化
在通过数据驱动的方法获得风机线性动态模型的基础上，按照模型预测控制架构的一般形式，可以将风场动态优化控制算法表示如(15)所示：
Figure BDA0002849507850000054
其中T为模型预测控制算法的预测区间长度，而目标函数J为如下形式：
Figure BDA0002849507850000055
其中Qk，QT为k时刻和T时刻的状态变量的半正定目标系数矩阵，Rk为k时刻的输入变量的半正定目标系数矩阵，
Figure BDA00028495078500000610
为k时刻和T时刻的状态变量的目标系数向量，
Figure BDA00028495078500000611
为k时刻的输入变量的目标系数向量，Ek为k时刻的状态变量边界约束系数矩阵，Fk为k时刻的输入变量边界约束系数矩阵，bk为k时刻的边界约束系数向量，系数矩阵和系数向量的设计依赖风场动态优化控制目标。Qk，Rk为半正定系数矩阵，而矩阵Ek，Fk以及向量bk则对应k时刻的状态量和输入量的边界约束，ET，bT对应T时刻的状态量的边界约束，χT为T时刻的状态量，系数矩阵和系数向量的设计则依赖于风场动态优化控制目标。
在风电调频的问题中，鉴于控制目标需要在风电场有功调频指令跟随效果和发电单体的转速暂态稳定两方面进行优化，因此用风机转速的波动程度衡量其暂态稳定程度，给出如下优化目标：
Figure BDA0002849507850000062
其中有功调节量
Figure BDA0002849507850000063
定义为
Figure BDA0002849507850000064
表示风机有功指令
Figure BDA0002849507850000065
相对于本地控制器在最大功率跟踪模式下给出的控制指令
Figure BDA0002849507850000066
的调节量，如果当前风电场采取减载工作模式，相应的有功调节参考变为：
Figure BDA0002849507850000067
其中
Figure BDA0002849507850000068
为减载工作模式的有功指令，Rd为减载幅度系数。频率偏差量则定义为
Δf＝fmeas-fref (20)
表示并网点量测频率fmeas相对于参考频率fref之间的偏差量。而参数Kdf为风电场对外功频特性曲线的下垂系数，Qx为平衡两个优化目标的权重系数。式(17)中优化目标的第一项
Figure BDA0002849507850000069
通过在本地控制指令基础上调节有功指令，使风机调频任务的分配在考虑各自发电水平的基础上进行，从而使有功出力的总体分配与风机本地工况相对应，使风电场群在提供调频服务的同时也保障了风电场群整体的风能转化效益。优化目标的第二项
Figure BDA0002849507850000071
通过优化风机转速的波动程度使风机运行状态更加稳定，从而降低风机因为参与调频响应过程而对变速箱等脆弱机械部件增加的机械疲劳，延长风机的工作寿命。
在优化目标的基础上，给出集中状态向量的时序约束、状态量边界约束、输入约束以及初始状态约束分别如式(21)、式(22)、式(23)和式(24)所示：
χk+1＝Aχk+Bυk，k＝0，1，…，T-1 (21)
Figure BDA0002849507850000072
Figure BDA0002849507850000073
Figure BDA0002849507850000074
其中，χ0表示集中状态向量χk的初始状态；
式(17)至式(24)构成完整的风电场频率动态优化控制方法，由于约束条件和目标函数都具有凸性，因此整个模型就构成一个属于凸优化的二次规划问题，通过现有的优化求解程序能够精确快速求解。
本发明为高比例风电独立电力系统的动态频率控制提供了一种基于动态模态分解的数据驱动的控制方法，使得风电系统的低维非线性动态特性能够在高维空间通过Koopman算子理论给出的状态转移矩阵进行全局捕获，在模型拟合精度满足控制需求的同时需要的数据样本量更小，控制模型的纯线性特征也为在线快速动态响应提供了良好基础，从而同时满足实际控制环节中响应精度和速度的要求。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例的基于动态模态分解的风电场频率优化控制模块关系；
图2示出了根据本发明实施例的基于动态模态分解的风电场频率优化控制实施步骤。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种基于动态模态分解的数据驱动风场频率优化控制方法，图1所示为基于动态模态分解的风电场频率优化控制模块关系。由图1可知，该优化控制方法主要由风机动态模态分解和风电场频率优化控制两个模块组成。图2所示为基于动态模态分解的风电场频率优化控制实施步骤。由图2可知，该优化控制实施步骤为：测量t时刻风电场内风机状态，并将其传输至控制器；在控制器内进行风机动态模态分解以及有功频率控制指令计算，并得到t+1时刻控制命令，从而将其传输至风电场。
本发明应用该优化控制方法的对象为大型风场内的风力发电机群，由于双馈异步风机当前的投资建设最具规模，示例性地，设置控制对象为双馈异步风机，同时对于场内运行工况和设备参数相近的风机可以聚合为一个单体进行控制。
为了叙述方便，设置双馈异步风机的本地控制环节可以使变流器的有功处理跟随外部有功指令进行调节，同时转速通过桨距角本地控制进行约束保护。
所述基于动态模态分解的数据驱动风电场频率优化控制方法具体包括以下步骤：
S1：构建初始数据集
从调频控制角度建立发电单体的状态方程如式(1)所示：
wk+1＝f(wk，uk) (1)
其中wk表示k时刻的风机转速，f代表非线性状态转移关系函数，输入变量uk定义为：
Figure BDA0002849507850000091
其中Pref，k为外部输入的有功指令，vw，k为当前风速。从数据驱动的角度，应当根据风机运行过程积累的历史数据还原其动态特性，而这种状态转移关系主要包含在具有时序对应关系的数据对中，表示为
Figure BDA0002849507850000092
和uk+1分别表示下一步长的状态量和输入量。要注意的是，数据矩阵是可以进行列交换的，只要两个矩阵之间满足列对应关系即可。
S2：动态模态分解
模态可以理解为风机动态特性中的固有成分，对于双馈异步风机来说，其主动非线性动态特性就来自风能转换方程描述的风能转换过程。
Figure BDA0002849507850000093
Figure BDA0002849507850000094
叶片桨距角θ的非线性函数，其中ω是风机转速，R是风机叶片半径，vw为当前风速。由式(4)可以看出，风能转换模型使得风机的状态量和输入量之间存在强非线性耦合关系，对于优化控制问题求解带来巨大挑战。如果采取模型驱动的建模策略，势必涉及其中诸多参数的估计或测量，模型不完备场景下控制效果往往难以保证。而动态模态分解的思路是基于对风机物理模型的先验信息，将低维非线性动态过程通过观测函数映射到高维观测空间，使得低维空间的非线性动态特性在高维空间呈现线性趋势，从而可以用矩阵线性代数运算分解其动态特征，这一思路既能发挥数据驱动的灵活优势，又没有舍弃模型驱动的理论基础，使得通过较小的数据样本量就可以得到较为精确的动态模型。
具体来说，对于k时刻的状态数据(wk，uk)，作用观测函数Ψ得到高维观测状态向量：
Figure BDA0002849507850000101
可以看出，映射变换后的向量与初始状态向量保持在同一个维数量级，因此不会由于这一操作增加过多数据处理负担。对于初始数据集的每一列都作用这一映射变换，就得到高维观测集矩阵：
Xlift＝[Ψ(ω1，u1)Ψ(ω2，u2)…Ψ(ωN，uN)]
Ylift＝[Ψ(ω2，u2)Ψ(ω3，u3)…Ψ(ωN+1，uN+1)] (6)
而对于高维观测空间的轨迹数据，根据Koopman算子的相关理论，可以通过有限维的状态转移矩阵近似风机的高维线性动态特性。即寻找矩阵Alift使得||Ylift-AliftXlift||2最小，根据线性代数的理论，可以通过如下代数运算求解这一优化问题并得到风机动态模型：
Figure BDA0002849507850000102
其中
Figure BDA0002849507850000103
表示矩阵的伪逆运算。从控制的角度，还需要将矩阵Alift按照高维观测空间维数和输入量维数进行分割，对于本方法采取的高维映射函数结构，将矩阵Alift的左上方4×4子块分割出来就成为动态方程的状态转移矩阵A，将矩阵Alift的右上方4×2子块分割出来就得到输入矩阵B。至此经过动态模态分解的风机高维线性动态模型就可以表示为如下形式：
ψ(ωk+1，uk+1)＝Aψ(ωk，uk)+Buk (8)
S3：集中风场控制模型
根据动态模态分解方法，可以得到风场内M个发电单体的动态模型：
Figure BDA0002849507850000111
在此基础上定义集中控制模型中的状态向量：
Figure BDA0002849507850000112
同时定义集中控制模型的输入向量：
Figure BDA0002849507850000113
从式(9)可以给出集中状态向量对应的控制模型：
χk+1＝Aχk+Bηk (12)
其中矩阵A，B可以由各发电单体的状态转移矩阵按照如下对角形式构造：
Figure BDA0002849507850000114
Figure BDA0002849507850000115
其中，A1…AM分别表示M个发电单体的状态转移矩阵，B1…BM分别表示M个发电单体的输入矩阵。
可以看出，通过这种方式构造的矩阵A，B具有特殊的稀疏结构，为快速求解在线动态优化控制问题提供了更便利的条件。
S4：在线动态优化
在通过数据驱动的方法获得风机线性动态模型的基础上，按照模型预测控制架构的一般形式，可以将风电场动态优化控制算法表示如(15)所示：
Figure BDA0002849507850000121
其中T为模型预测控制算法的预测区间长度，而目标函数J为如下形式：
Figure BDA0002849507850000122
其中Qk，QT为k时刻和T时刻的状态变量的半正定目标系数矩阵，Rk为k时刻的输入变量的半正定目标系数矩阵，
Figure BDA0002849507850000123
为k时刻和T时刻的状态变量的目标系数向量，
Figure BDA0002849507850000124
为k时刻的输入变量的目标系数向量，Ek为k时刻的状态变量边界约束系数矩阵，Fk为k时刻的输入变量边界约束系数矩阵，bk为k时刻的边界约束系数向量，系数矩阵和系数向量的设计依赖风场动态优化控制目标。Qk，Rk为半正定系数矩阵，而矩阵Ek，Fk以及向量bk则对应k时刻的状态量和输入量的边界约束，ET，bT对应T时刻的状态量的边界约束，χT为T时刻的状态量，系数矩阵和系数向量的设计则依赖于风场动态优化控制目标。
在风电调频的问题中，鉴于控制目标需要在风电场有功调频指令跟随效果和发电单体的转速暂态稳定两方面进行优化，因此用风机转速的波动程度衡量其暂态稳定程度，给出如下优化目标：
Figure BDA0002849507850000125
其中有功调节量
Figure BDA0002849507850000126
定义为
Figure BDA0002849507850000127
表示风机有功指令
Figure BDA0002849507850000128
相对于本地控制器在最大功率跟踪模式下给出的控制指令
Figure BDA0002849507850000129
的调节量，如果当前风电场采取减载工作模式，相应的有功调节参考变为：
Figure BDA0002849507850000131
其中
Figure BDA0002849507850000132
为减载工作模式的有功指令，Rd为减载幅度系数。频率偏差量则定义为
Δf＝fmeas-fref (20)
表示并网点量测频率fmeas相对于参考频率fref之间的偏差量。而参数Kdf为风电场对外功频特性曲线的下垂系数，Qx为平衡两个优化目标的权重系数。式(17)中优化目标的第一项
Figure BDA0002849507850000133
通过在本地控制指令基础上调节有功指令，使风机调频任务的分配在考虑各自发电水平的基础上进行，从而使有功出力的总体分配与风机本地工况相对应，使风电场群在提供调频服务的同时也保障了风电场群整体的风能转化效益。优化目标的第二项
Figure BDA0002849507850000134
通过优化风机转速的波动程度使风机运行状态更加稳定，从而降低风机因为参与调频响应过程而对变速箱等脆弱机械部件增加的机械疲劳，延长风机的工作寿命。
在优化目标的基础上，给出集中状态向量的时序约束、状态边界约束、输入边界约束以及初始状态约束分别如式(21)、式(22)、式(23)和式(24)所示：
χk+1＝Aχk+Bvk，k＝0，1，…，T-1 (21)
Figure BDA0002849507850000135
Figure BDA0002849507850000136
Figure BDA0002849507850000137
其中，χ0表示集中状态向量χk的初始状态；
式(17)至式(24)构成完整的风场频率动态优化控制方法，由于约束条件和目标函数都具有凸性，因此整个模型就构成一个属于凸优化的二次规划问题，通过现有的优化求解程序能够精确快速求解。
本发明为高比例风电独立电力系统的动态频率控制提供了一种基于动态模态分解的数据驱动的控制方法，使得风电系统的低维非线性动态特性能够在高维空间通过Koopman算子理论给出的状态转移矩阵进行全局捕获，在模型拟合精度满足控制需求的同时需要的数据样本量更小，控制模型的纯线性特征也为在线快速动态响应提供了良好基础，从而同时满足实际控制环节中响应精度和速度的要求。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于动态模态分解的数据驱动风电场频率控制方法，其特征在于，所述方法包括以下步骤：
S1：建立发电单体的状态方程；
S2：将状态方程中的状态数据通过观测函数映射至高维观测状态向量，通过矩阵代数运算得到风机高维线性动态模型；
S3；根据步骤S2的动态模态分解方法，得到风场内发电单体的动态模型；进而定义集中控制模型中的状态向量，同时定义发电单体的风速以及有功指令的输入向量，从而得到集中风电场控制模型；
S4：根据风电场有功调频指令和风机转速波动程度设计控制优化目标；在优化目标基础上，得到集中状态向量的约束条件，从而构建完整的风电场频率动态优化控制方法。
2.根据权利要求1所述的一种基于动态模态分解的数据驱动风电场频率控制方法，其特征在于，
所述步骤S1中发电单体的状态方程如式(1)所示：
wk+1＝f(wk，uk) (1)
其中wk表示k时刻的风机转速，f代表非线性状态转移关系函数，输入变量uk定义为：
Figure FDA0002849507840000011
其中Pref，k为外部输入的有功指令，vw，k为当前风速；
发电单体的状态转移关系主要包含在具有时序对应关系的数据对中，表示为：X＝[x1x2 … xN]，Y＝[y1 y2 … yN](3)
其中
Figure FDA0002849507840000012
即为k时刻的数据对，共有N对。
3.根据权利要求1所述的一种基于动态模态分解的数据驱动风电场频率控制方法，其特征在于，
所述步骤S2中，对于k时刻的状态数据(wk，uk)，作用观测函数Ψ得到高维观测状态向量：
Figure FDA0002849507840000021
对于初始数据集的每一列都作用映射变换，得到高维观测集矩阵：
Xlift＝[Ψ(ω1，u1) Ψ(ω2，u2) … Ψ(ωN，uN)]
Ylift＝[Ψ(ω2，u2) Ψ(ω3，u3) … Ψ(ωN+1，uN+1)] (5)
对于高维观测空间的轨迹数据，寻找矩阵Alift使得||Ylift-AliftXlift||2最小；并通过如式(6)所示的代数运算求解优化问题：
Figure FDA0002849507840000022
其中
Figure FDA0002849507840000023
表示矩阵的伪逆运算；从控制的角度，将矩阵Alift按照高维观测空间维数和输入量维数进行分割；对于本方法采取的高维映射函数结构，将矩阵Alift的左上方4×4子块分割出来成为动态方程的状态转移矩阵A，将矩阵Alift的右上方4×2子块分割出来得到输入矩阵B；
得到风机高维线性动态模型如式(7)所示：
ψ(wk+1，uk+1)＝Aψ(wk，uk)+Buk (7)。
4.根据权利要求1所述的一种基于动态模态分解的数据驱动风电场频率控制方法，其特征在于，
所述步骤S3中，风场内M个发电单体的动态模型如式(8)所示：
Figure FDA0002849507840000024
在此基础上定义集中控制模型中的状态向量如式(9)所示：
Figure FDA0002849507840000025
同时定义集中控制模型的输入向量如式(10)所示：
Figure FDA0002849507840000031
从式(8)给出集中状态向量对应的控制模型：
χk+1＝Aχk+Bηk (11)
其中矩阵A，B分别由各发电单体的状态转移矩阵按照如式(12)和式(13)对角形式构造：
Figure FDA0002849507840000032
Figure FDA0002849507840000033
其中，A1…AM分别表示M个发电单体的状态转移矩阵，B1…BM分别表示M个发电单体的输入矩阵。
5.根据权利要求1所述的一种基于动态模态分解的数据驱动风电场频率控制方法，其特征在于，
所述步骤S4中，优化目标如式(14)所示：
Figure FDA0002849507840000034
其中有功调节量
Figure FDA0002849507840000035
定义为：
Figure FDA0002849507840000036
表示风机有功指令
Figure FDA0002849507840000037
相对于本地控制器在最大功率跟踪模式下给出的控制指令
Figure FDA0002849507840000038
的调节量，参数Kdf为风电场对外功频特性曲线的下垂系数，Δf为频率偏差量，Qx为平衡两个优化目标的权重系数；
如果当前风电场采取减载工作模式，相应的有功调节参考变为：
Figure FDA0002849507840000039
其中
Figure FDA00028495078400000310
为减载工作模式的有功指令，Rd为减载幅度系数；
频率偏差量则定义为：
Δf＝fmeas-fref (17)
表示并网点量测频率fmeas相对于参考频率fref之间的偏差量。
6.根据权利要求1所述的一种基于动态模态分解的数据驱动风电场频率控制方法，其特征在于，
所述步骤S4中，集中状态向量的约束条件为时序约束、状态边界约束、输入约束以及初始状态约束，分别如式(18)、式(19)、式(20)和式(21)所示：
χk+1＝Aχk+Bυk，k＝0，1，…，T-1 (18)
Figure FDA0002849507840000041
Figure FDA0002849507840000042
Figure FDA0002849507840000043
其中，χ0表示集中状态向量χk的初始状态，
式(14)至式(21)构成完整的风电场频率动态优化控制方法。
CN202011521262.4A 2020-12-21 2020-12-21 一种基于动态模态分解的数据驱动风电场频率控制方法 Active CN112632774B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011521262.4A CN112632774B (zh) 2020-12-21 2020-12-21 一种基于动态模态分解的数据驱动风电场频率控制方法
US17/446,653 US20220195986A1 (en) 2020-12-21 2021-09-01 Data-driven wind farm frequency control method based on dynamic mode decomposition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011521262.4A CN112632774B (zh) 2020-12-21 2020-12-21 一种基于动态模态分解的数据驱动风电场频率控制方法

Publications (2)

Publication Number Publication Date
CN112632774A true CN112632774A (zh) 2021-04-09
CN112632774B CN112632774B (zh) 2022-07-08

Family

ID=75320409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011521262.4A Active CN112632774B (zh) 2020-12-21 2020-12-21 一种基于动态模态分解的数据驱动风电场频率控制方法

Country Status (2)

Country Link
US (1) US20220195986A1 (zh)
CN (1) CN112632774B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114583710A (zh) * 2022-01-28 2022-06-03 天津大学 基于数据驱动建模的风电场无功电压优化控制方法
CN115833102A (zh) * 2022-12-08 2023-03-21 南方电网数字电网研究院有限公司 基于模型预测控制的风电场频率快速响应控制方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115483691B (zh) * 2022-11-15 2023-02-28 华北电力大学 储能协调漂浮式风电机组的控制方法及装置
CN115498660B (zh) * 2022-11-17 2023-04-07 华北电力大学 风电场调频动态建模方法、装置及电子设备
CN116070471B (zh) * 2023-04-06 2023-06-20 浙江远算科技有限公司 一种基于降阶分解处理的风力发电机仿真加速方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109085755A (zh) * 2018-08-14 2018-12-25 中国电力科学研究院有限公司 基于分布式模型预测控制的风电集群系统超前频率控制方法及系统
US20200012754A1 (en) * 2013-06-14 2020-01-09 Wallace LARIMORE Method and system of dynamic model identification for monitoring and control of dynamic machines with variable structure or variable operation conditions
CN110795840A (zh) * 2019-10-22 2020-02-14 海南电网有限责任公司电力科学研究院 基于dmd的电力系统主导振荡模式及参数识别方法
CN112016194A (zh) * 2020-08-10 2020-12-01 天津大学 基于Koopman算子的全方位移动机械臂数据驱动模型预测控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200012754A1 (en) * 2013-06-14 2020-01-09 Wallace LARIMORE Method and system of dynamic model identification for monitoring and control of dynamic machines with variable structure or variable operation conditions
CN109085755A (zh) * 2018-08-14 2018-12-25 中国电力科学研究院有限公司 基于分布式模型预测控制的风电集群系统超前频率控制方法及系统
CN110795840A (zh) * 2019-10-22 2020-02-14 海南电网有限责任公司电力科学研究院 基于dmd的电力系统主导振荡模式及参数识别方法
CN112016194A (zh) * 2020-08-10 2020-12-01 天津大学 基于Koopman算子的全方位移动机械臂数据驱动模型预测控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHAO HUO等: "《A Coordinated Primary Frequency Control Method for DFIG-based Wind Farm》", 《2020 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE》 *
MILAN KORDA等: "《Linear predictors for nonlinear dynamical systems: Koopman operator meets model predictive control》", 《ARXIV》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114583710A (zh) * 2022-01-28 2022-06-03 天津大学 基于数据驱动建模的风电场无功电压优化控制方法
CN115833102A (zh) * 2022-12-08 2023-03-21 南方电网数字电网研究院有限公司 基于模型预测控制的风电场频率快速响应控制方法
CN115833102B (zh) * 2022-12-08 2023-08-25 南方电网数字电网研究院有限公司 基于模型预测控制的风电场频率快速响应控制方法

Also Published As

Publication number Publication date
US20220195986A1 (en) 2022-06-23
CN112632774B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN112632774B (zh) 一种基于动态模态分解的数据驱动风电场频率控制方法
Zhao et al. Fatigue load sensitivity-based optimal active power dispatch for wind farms
Abdelbaky et al. Design and implementation of partial offline fuzzy model-predictive pitch controller for large-scale wind-turbines
Assareh et al. A novel approach to capture the maximum power from variable speed wind turbines using PI controller, RBF neural network and GSA evolutionary algorithm
Jafarnejadsani et al. Gain-Scheduled $\ell _ {1} $-Optimal Control of Variable-Speed-Variable-Pitch Wind Turbines
CN104595106B (zh) 基于强化学习补偿的风力发电变桨距控制方法
Geng et al. Robust pitch controller for output power levelling of variable-speed variable-pitch wind turbine generator systems
CN109296500A (zh) 基于鲁棒控制理论的最大风能捕获方法
Hosseini et al. Improving response of wind turbines by pitch angle controller based on gain-scheduled recurrent ANFIS type 2 with passive reinforcement learning
Kayedpour et al. Model predictive control with a cascaded Hammerstein neural network of a wind turbine providing frequency containment reserve
CN112636366B (zh) 一种基于控制过程数据拟合的风电场动态频率控制方法
CN116928016A (zh) 风电机组输出功率控制方法、装置、电子设备及存储介质
Hosseini et al. Partial-or full-power production in WECS: A survey of control and structural strategies
Song et al. An overview of renewable wind energy conversion system modeling and control
Yao et al. Fatigue load suppression during active power control process in wind farm using dynamic-local-reference DMPC
CN115764931A (zh) 一种电力系统自动发电控制方法、系统、设备和介质
CN114336592B (zh) 一种基于模型预测控制的风电场agc控制方法
CN109611274A (zh) 一种风力发电机组高风速区lqg优化控制方法
CN113394813B (zh) 海上风电场的机组功率指令值计算方法和分布式调度方法
CN102410138A (zh) 一种获取风力发电机组最优控制输入的方法
Pham et al. LQR control for a multi-MW wind turbine
Wang et al. Wind power compound model-free adaptive predictive control based on full wind speed
Do et al. Robust observer-based load extenuation control for wind turbines
Puangdownreong Optimal PIλDµ controller design based on spiritual search for wind turbine systems
Dang et al. A multi-objective optimal nonlinear control of variable speed wind turbine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant