CN114696340A - 一种基于深度学习的风电调频逐步惯性控制方法 - Google Patents

一种基于深度学习的风电调频逐步惯性控制方法 Download PDF

Info

Publication number
CN114696340A
CN114696340A CN202210130049.3A CN202210130049A CN114696340A CN 114696340 A CN114696340 A CN 114696340A CN 202210130049 A CN202210130049 A CN 202210130049A CN 114696340 A CN114696340 A CN 114696340A
Authority
CN
China
Prior art keywords
wind power
frequency modulation
gradual
inertia control
power frequency
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.)
Pending
Application number
CN202210130049.3A
Other languages
English (en)
Inventor
周涛
王亚伦
权浩
李常刚
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.)
Nanjing University of Science and Technology
Shandong University
Original Assignee
Nanjing University of Science and Technology
Shandong 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 Nanjing University of Science and Technology, Shandong University filed Critical Nanjing University of Science and Technology
Priority to CN202210130049.3A priority Critical patent/CN114696340A/zh
Publication of CN114696340A publication Critical patent/CN114696340A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于深度学习的风电调频逐步惯性控制方法，该方法主要包含以下三个步骤：1）在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集；2）基于堆叠式降噪自动编码器对数据集进行特征提取；3）基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案。本发明能够当电力系统中出现功率不平衡时，快速、准确地提供当前系统下的最优风电调频逐步惯性控制方案；能够促使风电场主动为电力系统提供功率支撑，有效地参与电力系统频率控制，及时抑制系统频率跌落，有利于补偿系统惯性，有效提高风电调频的质量与效率，为电力系统规划和决策工作提供重要方案，对电力系统运行的安全性、稳定性有着重大意义。

Description

一种基于深度学习的风电调频逐步惯性控制方法
技术领域
本发明涉及风电调频技术领域，尤其涉及一种基于深度学习的风电调频逐步惯性控制方法。
背景技术
为了应对气候、环境、能源等多方面问题，可再生能源在电力系统中的比例不断增大已经成为了一种趋势。风电作为一种重要的可再生能源，得到了稳定、持续的发展。风电在提供清洁能源的同时，也使得电力系统惯量下降，削弱了系统应对有功功率不平衡的能力，给系统的频率控制质量与频率稳定带来严峻挑战。风力涡轮机一般采用最大功率点跟踪控制，通过电力电子变流器接入电网，与系统频率解耦，无法通过释放或吸收能量响应功率偏差，不具备惯量响应特性，有功功率扰动下不能够为电网主动提供惯量支撑。为了提高系统频率控制的质量与效率，有必要让风力发电机参与这种控制，并通过这种方式补偿整个系统惯性的降低。近期，新的电网规范也要求风电场必须有助于电力系统频率控制。为了满足要求，当电网中出现有功功率不平衡时，可以使用逐步惯性控制参与电网频率控制，它能够迅速地提供短暂的功率支撑。
在使用逐步惯性控制进行调频过程中，风机通过释放转子动能向电网提供一段时间长度的增发功率，转子转速也随之下降。如果风机转子转速下降至其限定下限，风机将与电力系统断开连接。因此，风机只能通过释放有限的转子动能额外提供给电网一个短暂的功率支撑。逐步惯性控制也必须保证风机转子在达到最低转速前终止功率超发。然而，突然地终止功率超发会导致电网频率出现新的下降，也称为二次频率跌落（secondaryfrequency drop，SFD）。在逐步惯性控制下，调频效果好坏与二次频率跌落的大小有着复杂的联系，在保证良好调频效果的前提下，为了减轻二次频率跌落，可以采用不同的方法。
目前，有人提出将风电调频策略设计为分段函数，并使用粒子群算法获得不同风速区间下的分段函数值，可以有效改善SFD现象，但分段函数的使用也导致电网频率出现多次跌落现象，产生更多的频率波动，不利于频率快速恢复。还有人提出使用高压直流链路补偿风力涡轮机在终端的功率降低，由于高压直流链路的快速响应特性，功率衰减补偿技术在缓解二次频率跌落方面表现出良好的性能。然而，这种方法需要大量的投资。目前的逐步惯性控制下的改进方法，在面对不同负荷扰动事件时，难以快速、高效、经济地提供相应频率控制方案，发挥出逐步惯性控制的全部实力；难以满足风电调频时对于优秀逐步惯性控制的要求。
发明内容
本发明提供了一种基于深度学习的风电调频逐步惯性控制方法，其特征在于，包括以下三个步骤：
步骤1、在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集；
步骤2、基于堆叠式降噪自动编码器对数据集进行特征提取；
步骤3、基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案。
进一步地，所述步骤1的最优风电调频逐步惯性控制参数是在风电调频中使用逐步惯性控制策略时所使用的。
逐步惯性控制（stepwise inertial control，SIC）是一种风电参与电力系统频率调整的控制策略，包括两个主要阶段：短时超发阶段和转速恢复阶段。图2、图3分别表示固定风电占比、恒风速的条件下使用逐步惯性控制策略时，风机转子转速与输出功率的关系以及逐步惯性控制过程中输出功率的变化。具体参与调频过程如下：
1）风机正常工作在MPPT曲线上的A点，输出的电磁功率为
Figure 668996DEST_PATH_IMAGE001
，转子转速为
Figure 352918DEST_PATH_IMAGE002
，输出功率
Figure 51884DEST_PATH_IMAGE003
。T 0时刻，系统突然出现功率不平衡，导致频率下降，风机监测到频率下降超过死区限值，随即切换到逐步惯性控制模式，立即增加输出功率
Figure 846664DEST_PATH_IMAGE004
，输出功率
Figure 72109DEST_PATH_IMAGE005
，输出功率从A点到提升到B点，进入短时超发阶段。
2）在短时超发阶段，风机的输出功率在一段时间
Figure 894310DEST_PATH_IMAGE006
内保持不变，即输出功率一直为
Figure 205205DEST_PATH_IMAGE007
，从B点持续到C点。此阶段风机输出的电磁功率大于机械功率，转子随即减速，此时风机的转子运动方程为：
Figure 741360DEST_PATH_IMAGE008
（1）
式中：
Figure 86891DEST_PATH_IMAGE009
指的是风机惯性常数。
值得注意的是，短时超发阶段必须在转子过度减速之前终止，以避免风机发生转子失速事件。因此，短时超发阶段的持续时间
Figure 315878DEST_PATH_IMAGE004
的取值需保证转子转速在
Figure 786173DEST_PATH_IMAGE010
时刻未达到最小转速
Figure 250653DEST_PATH_IMAGE011
，
Figure 827521DEST_PATH_IMAGE011
一般为0.7p.u.。
3）
Figure 352043DEST_PATH_IMAGE010
时刻，短时超发阶段结束，风机输出功率突然下降
Figure 512897DEST_PATH_IMAGE012
，此时
Figure 46647DEST_PATH_IMAGE013
，转子转速为
Figure 976557DEST_PATH_IMAGE014
，输出功率由C点突降到D点，风机进入到恢复阶段。
4）风机进入转速恢复阶段，此时风机在最大功率点跟踪模式下运行，风机输出功率为
Figure 937559DEST_PATH_IMAGE013
，产生的系统功率缺额为：
Figure 585710DEST_PATH_IMAGE015
，该阶段风机的机械功率大于电磁功率，转子开始加速，经过
Figure 391992DEST_PATH_IMAGE016
的恢复时间，在
Figure 940522DEST_PATH_IMAGE017
时刻转子转速由
Figure 806847DEST_PATH_IMAGE014
恢复到
Figure 270190DEST_PATH_IMAGE018
，风机输出的电磁功率也将随着转子转速的上升恢复至
Figure 755529DEST_PATH_IMAGE019
，输出功率沿MPPT轨迹从D点缓慢回到A点。
进一步地，所述步骤1中获得最优风电调频逐步惯性控制参数是在时域仿真中使用金鹰优化算法获得的。
金鹰优化算法（Golden Eagle Optimizer，GEO）的灵感来自于金鹰的智慧，具有寻优能力强，收敛速度快等优点。金鹰狩猎时在不同的盘旋轨迹阶段调整速度。在狩猎的初期，其表现出更多的巡游、寻找猎物的倾向，在后期，其表现出更多的攻击倾向。金鹰通过调整这两个部分使得其在最短的时间、可行的区域内捕捉到最佳的猎物。将此类行为编写为数学模型，并以突出探索和全局优化的方法开发。
盘旋动作：金鹰优化算法基于金鹰的盘旋运动，每只金鹰都记得它目前所到过的最佳位置。金鹰想要攻击猎物和巡航寻找更好食物。在每次迭代中，每只金鹰随机选择另一只金鹰的猎物，并在其目前访问过的最佳位置盘旋。金鹰也可以选择圈出自己的记忆。
猎物选择：在每次迭代中，每只金雕必须选择一个猎物来执行巡航和攻击操作。在金鹰优化算法中，猎物被建模为金雕群迄今找到的最佳解决方案。每只金鹰都能记住目前为止找到的最佳解决方案。在每次迭代中，每个搜索代理从整个群体的记忆中选择目标猎物。然后计算每只金鹰选定相应猎物的攻击和巡航向量。如果通过攻击和巡航向量计算的新位置优于内存中的前一个位置，则更新内存。猎物选择策略在金鹰优化算法中起着重要作用。选择可以用一种基本的方式进行，每只金鹰只在自己的记忆中选择猎物。为了使金鹰更好地探索这片土地，提出了随机的一对一映射方案，每只金鹰从其他群体成员的记忆中随机选择当前迭代中的猎物。值得注意的是，被选中的猎物不一定是最近或最远的猎物。在这个方案中，记忆中的每一个猎物，都被分配或映射给唯一的金鹰。然后每只金鹰对选定的猎物进行攻击和巡航。
攻击行为：攻击行为可以通过一个矢量来模拟，从金鹰当前的位置开始，到金鹰记忆中猎物的位置结束。通过式（2）可以计算出金鹰的攻击矢量：
Figure 50244DEST_PATH_IMAGE020
（2）
式中：
Figure 228415DEST_PATH_IMAGE021
为第i只金鹰的攻击向量；
Figure 710212DEST_PATH_IMAGE022
为金鹰f目前所到达的最佳地点(猎物)；
Figure 999242DEST_PATH_IMAGE023
为第i只金鹰的当前位置。
巡航（探索）行为：巡航向量是在攻击向量的基础上计算出的。巡航向量是圆的切向量，垂直于攻击向量。巡航也可以被认为是金鹰相对于猎物的线性速度。n维巡航矢量位于与圆相切的超平面内，所以，为了计算巡航矢量，必先计算相切超平面的方程。n维超平面的方程可以由超平面上的任意一点与一个垂直与该超平面的向量确定，这个向量称为超平面的法向量。超平面方程在n维空间中的标量形式如式（3）所示：
Figure 86147DEST_PATH_IMAGE024
（3）
式中：
Figure 559854DEST_PATH_IMAGE025
为法向量；
Figure 899918DEST_PATH_IMAGE026
为变量向量；
Figure 851694DEST_PATH_IMAGE027
为超平面上的任意点；
Figure 730788DEST_PATH_IMAGE028
。把
Figure 375396DEST_PATH_IMAGE029
（攻击向量）看作超平面的法线，那么
Figure 644835DEST_PATH_IMAGE030
（在迭代中的金鹰巡航向量）就可以根据式（4）表示出它所属的超平面。
Figure 570940DEST_PATH_IMAGE031
（4）
式中：
Figure 898016DEST_PATH_IMAGE032
为攻击向量；
Figure 385629DEST_PATH_IMAGE033
为决策/设计变量向量；
Figure 204681DEST_PATH_IMAGE034
为被选中的猎物的位置。
为了在巡航超平面上找到一个随机矢量，我们必须先在这个超平面上找到一个随机目的点C点，而不是我们已有的点(金鹰的当前位置)。注意其巡航矢量的起点是金鹰的当前位置。由于超平面比它们的环境空间小一维，不能简单地生成一个随机的1×n点。n维空间中的简单随机点不能保证位于巡航超平面上。位于n维巡航超平面上的一个新点具有n-1个自由度，意味着n-1个维度可以自由选择，但超平面方程决定了最后的1维度，如式（3）所示。必须选择最后一个维数使其满足超平面方程，因此，有n-1个自由变量和1个固定变量。使用以下步骤找到一个位于金鹰的巡航超平面上的随机n维目的地点C，具体步骤如下：
步骤1）从n个变量中随机选择一个变量作为固定变量；
步骤2）将随机值赋给除第k个变量以外的所有变量，因为第k个变量是固定的。
步骤3）用方程（5）求出固定变量的值。
Figure 170363DEST_PATH_IMAGE035
（5）
式中：
Figure 86366DEST_PATH_IMAGE036
为目标点C的第k个元素；
Figure 980766DEST_PATH_IMAGE037
为攻击向量
Figure 146168DEST_PATH_IMAGE038
的第j个元素；k为固定变量的编号。在巡航超平面上找到随机目标点，巡航超平面上目的点的一般表示如式（6）所示：
Figure 118804DEST_PATH_IMAGE039
（6）
转移到新位置：金鹰的位移由攻击和向量组成。我们将金鹰迭代的步长向量定义为方程（7）和（8）。
Figure 623734DEST_PATH_IMAGE040
（7）
Figure 515467DEST_PATH_IMAGE041
（8）
式中：
Figure 309110DEST_PATH_IMAGE042
为攻击系数；
Figure 210070DEST_PATH_IMAGE043
为巡航系数；
Figure 5726DEST_PATH_IMAGE044
、
Figure 333939DEST_PATH_IMAGE045
为[0,1]内的随机向量。因此，通过将迭代t中的步进向量与迭代t中的位置相加，即可计算出迭代t+1中金雕的位置：
Figure 677196DEST_PATH_IMAGE046
（9）
式中：
Figure 257213DEST_PATH_IMAGE047
为金鹰的第t+1次的位置；
Figure 799052DEST_PATH_IMAGE048
为金鹰的第t次的位置；
Figure 439112DEST_PATH_IMAGE049
为金鹰的移动的步长大小。
如果金鹰新位置的适应性比它记忆中的位置更好，这只鹰的记忆会随着新位置而更新。否则，记忆保持完整，但是鹰会在新的位置上。在新的迭代中，每只金鹰从种群中随机选择一只金鹰，围绕其最佳访问位置旋转，计算攻击向量、巡航向量，最后计算下一次迭代的步长向量和新位置。这个循环将一直执行，直到满足任何终止条件。式（7）中有两个系数，即攻击系数和巡航系数，用来控制攻击向量、巡航向量对步长向量的影响，具体见式（10）：
Figure 66403DEST_PATH_IMAGE050
（10）
式中：t表示当前迭代；T表示最大迭代；
Figure 184531DEST_PATH_IMAGE051
和
Figure 580878DEST_PATH_IMAGE052
为攻击倾向
Figure 621865DEST_PATH_IMAGE053
的初始值和终止值；
Figure 736452DEST_PATH_IMAGE054
和
Figure 720588DEST_PATH_IMAGE055
为巡航倾向
Figure 112386DEST_PATH_IMAGE056
的初始值和终止值：
进一步地，所述步骤1中在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集的基本步骤如下：
步骤1）初始化金鹰数量；
步骤2）计算适应度函数，初始化群体记忆；
步骤3）初始化
Figure 953303DEST_PATH_IMAGE057
、
Figure 696132DEST_PATH_IMAGE058
；
步骤4）计算式（10），更新
Figure 280697DEST_PATH_IMAGE057
、
Figure 527001DEST_PATH_IMAGE058
；
步骤5）计算式（2），从种群的记忆计算攻击向量中随机选择猎物；
步骤6）计算巡航向量（式（3）-（6）)，计算步长向量(式（7）-（9）)更新位置（式（9）)评估新位置的适应度函数；
步骤7）更新最优解及最优位置；
步骤8）判断是否满足最大迭代次数，若满足，则输出最优金鹰位置和全局最优解，否则，返回步骤4重新迭代计算；
进一步地，所述步骤2中的基于堆叠式降噪自动编码器对数据集进行特征提取是由堆叠式降噪自动编码器进行的。
自动编码器（autoencoder，AE）如图4所示，自动编码器由编码器和解码器组成，编码器、解码器具有隐藏层:通过编码器将输入转换为隐含层中的潜在表征，然后通过解码器将内部表征转换为输出，输出相当于是对于输入的重构，要尽可能接近输入。
选择输入样本集合
Figure 742082DEST_PATH_IMAGE059
，
Figure 565682DEST_PATH_IMAGE059
由N组样本
Figure 593418DEST_PATH_IMAGE060
组成，其中，N为样本组数，n为每组样本中样本个数。设隐含层特征向量集合为
Figure 818863DEST_PATH_IMAGE061
，
Figure 204845DEST_PATH_IMAGE061
由N组特征向量
Figure 656686DEST_PATH_IMAGE062
Figure 583054DEST_PATH_IMAGE063
组成，其中，m为每组特征向量中向量个数，则
Figure 538372DEST_PATH_IMAGE059
与
Figure 423151DEST_PATH_IMAGE061
的编码关系为
Figure 96709DEST_PATH_IMAGE064
（11）
式中：
Figure 826767DEST_PATH_IMAGE065
为输入层与隐含层的权值矩阵；
Figure 964488DEST_PATH_IMAGE066
为输入层与隐含层偏置矩阵；
Figure 131420DEST_PATH_IMAGE067
为编码器的神经元激活函数，通常采用sigmoid函数，其具有良好的特征辨识度。
Figure 416908DEST_PATH_IMAGE068
（12）
式中：
Figure 560445DEST_PATH_IMAGE069
为输入向量。
解码器是编码器的逆运算，以隐含层的特征向量作为输入向量，设
Figure 614988DEST_PATH_IMAGE070
为输出向量集合，共有N组，维数为n,则解码器的表达式为
Figure 451357DEST_PATH_IMAGE071
（13）
式中：
Figure 224141DEST_PATH_IMAGE072
为隐含层与输出层的权值矩阵；
Figure 171369DEST_PATH_IMAGE073
为隐含层与输出层的偏置矩阵；
Figure 345998DEST_PATH_IMAGE074
为解码器的神经元激活函数。
自动编码器通过最小化输出向量与输入向量之间的重构误差来达到特征学习的目的，利用梯度下降算法不断调整网络权值和偏置，降低重构误差。但是自动编码器的学习可能仅仅简单地保留原始输入数据信息，不能确保获得一种有效的特征信息表达。
降噪自动编码器（denoising autoencoder，DAE）是对自动编码器的改进，其架构如图5所示。在自动编码器的基础上，通过将一部分输入值中增加噪声，训练它以恢复原始的无噪声输入。选用降噪自动编码器后隐含层可学习出更加有效的数据表征，挖掘更深的隐藏信息。
堆叠式降噪自动编码器（stacked denoising autoencoder，SDAE）由多个DAE组成，如图6所示。Wn为第n-1层隐含层与第n层隐含层的权重矩阵，Bn为第n-1层隐含层与第n层隐含层的偏置矩阵。通过无监督贪婪逐层预训练和有监督细化训练两个步骤完成训练，实现特征学习。第一层DAE的输入为原始数据，隐含层输出数据作为上层DAE输入数据，且每一层的训练前都要对输入数据添加噪声。堆叠式降噪自动编码器通过训练可以高效地提取数据的高阶特征，更优地拟合复杂函数，提升获得网络参数的速度，提高神经网络的深层特征学习能力。
进一步地，所述步骤2中基于堆叠式降噪自动编码器对数据集进行特征提取的基本步骤如下：
步骤1）对在时域仿真中使用金鹰优化算法获得的数据集进行归一化处理；
步骤2）划分训练集与验证集，将80%的原始数据作为训练集，剩下的20%作为测试数据，生成训练和测试数据；
步骤3）构建一个堆叠式降噪自动编码器模型，选择隐含层层数及神经元个数；
步骤4）逐层贪婪无监督预训练，以添加噪声后的数据作为输入数据，并采用dropout技术，随机选取部分神经元暂时不工作；
步骤5）有监督细化训练，对网络的权重和偏置进行微调，直到迭代次数达到设定值。
进一步地，所述步骤3中的基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案是在深度神经网络的基础上进行的。
深度神经网络（deep neural network，DNN）是具有多个隐藏层的神经网络，又被称为深度前馈网络（feedforward neural network，DFN）。按不同层的位置划分，DNN内部的神经网络层可以分为：输入层，隐藏层和输出层，一般第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。层与层之间是全连接的，即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，基本结构如图7所示。复杂的DNN从局部模型来看，同感知机一样即一个线性关系
Figure 415585DEST_PATH_IMAGE075
，再加上一个激活函数
Figure 49567DEST_PATH_IMAGE076
。
进一步地，所述步骤3中基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案的基本步骤如下：
步骤1）将堆叠式降噪自动编码器提取的特征当作深度神经网络的输入；
步骤2）划分训练集与验证集，将80%的原始数据作为训练集，剩下的20%作为测试数据，生成训练和测试数据；
步骤3）构建一个深度神经网络模型，选择隐含层层数和每个隐含层的神经元个数；
步骤4）使用Adam优化网络的输入权重矩阵、隐含层特征向量与输出权重矩阵，并对隐含层选择性增加正则化；
步骤5）将MSE作为评价指标，判断其是否不再降低，若是满足则完成训练，否则返回步骤3；
步骤6）保存训练好的模型，当下次遇到负荷扰动事件时，直接使用模型生成最优风电调频逐步惯性控制方案。
本发明采用以上技术方案与现有技术相比，具有以下优点：
1、在进行风电调频逐步惯性控制时，与考虑因素单一的风电调频策略相比较，本专利所用方法综合考虑不同风速、风电占比、负荷扰动量对系统频率特性的影响，参考因素更加全面，能够高效地获得多场景下的最优逐步惯性控制参数，满足了风电调频在电力系统中不同场景下的使用需求，有着良好的泛化能力。
2、本专利所用方法通过堆叠式降噪自动编码器的特征提取以及深度神经网络学习得到的最优逐步惯性参数具有极高的准确性，满足了风电调频实际操作时快速实现频率控制的需求。与时域仿真方法对比，所用方法基于深度学习计算速度快的优点，极大地节省了进行在线决策的频率控制时间，提高了在线频率控制的效率。
3、与其他逐步惯性控制方法相比，本专利所用方法通过上述技术方案，可获得极高精确度的最优逐步惯性控制参数，得到更佳的调频效果。能够高效地参与电力系统的频率控制，及时抑制频率跌落，有利于补偿系统惯性，提高系统频率控制的质量与效率，对电力系统运行的安全性、稳定性有着重大意义。
附图说明
图1为摘要附图；
图2为恒风速、固定风电占比的条件下逐步惯性控制策略风机转子转速与输出功率的关系图；
图3为逐步惯性控制过程中输出功率随时间的变化图；
图4为自动编码器结构图；
图5为降噪自动编码器结构图；
图6为堆叠式降噪自动编码器结构图；
图7为深度神经网络结构图；
图8为IEEE 9节点测试系统；
图9为基于深度学习的风电调频逐步惯性控制方法预测结果示意图；
图10为不同逐步惯性控制结果示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。
本发明专利提供了一种基于深度学习的风电调频逐步惯性控制方法，其特征在于，包括以下三个步骤：步骤1、在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集；步骤2、基于堆叠式降噪自动编码器对数据集进行特征提取；步骤3、基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案。
步骤1的最优风电调频逐步惯性控制参数是在风电调频中使用逐步惯性控制策略时所使用的。
逐步惯性控制（stepwise inertial control，SIC）是一种风电参与电力系统频率调整的控制策略，包括两个主要阶段：短时超发阶段和转速恢复阶段。图2、图3分别表示固定风电占比、恒风速的条件下使用逐步惯性控制策略时，风机转子转速与输出功率的关系以及逐步惯性控制过程中输出功率的变化。具体参与调频过程如下：
1）风机正常工作在MPPT曲线上的A点，输出的电磁功率为
Figure 659539DEST_PATH_IMAGE001
，转子转速为
Figure 564042DEST_PATH_IMAGE002
，输出功率
Figure 866847DEST_PATH_IMAGE003
。T 0时刻，系统突然出现功率不平衡，导致频率下降，风机监测到频率下降超过死区限值，随即切换到逐步惯性控制模式，立即增加输出功率
Figure 489589DEST_PATH_IMAGE004
，输出功率
Figure 903253DEST_PATH_IMAGE005
，输出功率从A点到提升到B点，进入短时超发阶段。
2）在短时超发阶段，风机的输出功率在一段时间
Figure 990158DEST_PATH_IMAGE006
内保持不变，即输出功率一直为
Figure 339231DEST_PATH_IMAGE007
，从B点持续到C点。此阶段风机输出的电磁功率大于机械功率，转子随即减速，此时风机的转子运动方程为：
Figure 30629DEST_PATH_IMAGE008
（1）
式中：
Figure 857771DEST_PATH_IMAGE009
指的是风机惯性常数。
值得注意的是，短时超发阶段必须在转子过度减速之前终止，以避免风机发生转子失速事件。因此，短时超发阶段的持续时间
Figure 64761DEST_PATH_IMAGE004
的取值需保证转子转速在
Figure 443790DEST_PATH_IMAGE010
时刻未达到最小转速
Figure 41124DEST_PATH_IMAGE011
，
Figure 796591DEST_PATH_IMAGE011
一般为0.7p.u.。
3）
Figure 530192DEST_PATH_IMAGE010
时刻，短时超发阶段结束，风机输出功率突然下降
Figure 345701DEST_PATH_IMAGE012
，此时
Figure 492648DEST_PATH_IMAGE013
，转子转速为
Figure 160128DEST_PATH_IMAGE014
，输出功率由C点突降到D点，风机进入到恢复阶段。
4）风机进入转速恢复阶段，此时风机在最大功率点跟踪模式下运行，风机输出功率为
Figure 872869DEST_PATH_IMAGE013
，产生的系统功率缺额为：
Figure 734646DEST_PATH_IMAGE015
，该阶段风机的机械功率大于电磁功率，转子开始加速，经过
Figure 165627DEST_PATH_IMAGE016
的恢复时间，在
Figure 403841DEST_PATH_IMAGE017
时刻转子转速由
Figure 971089DEST_PATH_IMAGE014
恢复到
Figure 331663DEST_PATH_IMAGE018
，风机输出的电磁功率也将随着转子转速的上升恢复至
Figure 125307DEST_PATH_IMAGE019
，输出功率沿MPPT轨迹从D点缓慢回到A点。
步骤1中获得最优风电调频逐步惯性控制参数是在时域仿真中使用金鹰优化算法获得的。
金鹰优化算法（Golden Eagle Optimizer，GEO）的灵感来自于金鹰的智慧，具有寻优能力强，收敛速度快等优点。金鹰狩猎时在不同的盘旋轨迹阶段调整速度。在狩猎的初期，其表现出更多的巡游、寻找猎物的倾向，在后期，其表现出更多的攻击倾向。金鹰通过调整这两个部分使得其在最短的时间、可行的区域内捕捉到最佳的猎物。将此类行为编写为数学模型，并以突出探索和全局优化的方法开发。
盘旋动作：金鹰优化算法基于金鹰的盘旋运动，每只金鹰都记得它目前所到过的最佳位置。金鹰想要攻击猎物和巡航寻找更好食物。在每次迭代中，每只金鹰随机选择另一只金鹰的猎物，并在其目前访问过的最佳位置盘旋。金鹰也可以选择圈出自己的记忆。
猎物选择：在每次迭代中，每只金雕必须选择一个猎物来执行巡航和攻击操作。在金鹰优化算法中，猎物被建模为金雕群迄今找到的最佳解决方案。每只金鹰都能记住目前为止找到的最佳解决方案。在每次迭代中，每个搜索代理从整个群体的记忆中选择目标猎物。然后计算每只金鹰选定相应猎物的攻击和巡航向量。如果通过攻击和巡航向量计算的新位置优于内存中的前一个位置，则更新内存。猎物选择策略在金鹰优化算法中起着重要作用。选择可以用一种基本的方式进行，每只金鹰只在自己的记忆中选择猎物。为了使金鹰更好地探索这片土地，提出了随机的一对一映射方案，每只金鹰从其他群体成员的记忆中随机选择当前迭代中的猎物。值得注意的是，被选中的猎物不一定是最近或最远的猎物。在这个方案中，记忆中的每一个猎物，都被分配或映射给唯一的金鹰。然后每只金鹰对选定的猎物进行攻击和巡航。
攻击行为：攻击行为可以通过一个矢量来模拟，从金鹰当前的位置开始，到金鹰记忆中猎物的位置结束。通过式（2）可以计算出金鹰的攻击矢量：
Figure 760688DEST_PATH_IMAGE020
（2）
式中：
Figure 824852DEST_PATH_IMAGE021
为第i只金鹰的攻击向量；
Figure 153065DEST_PATH_IMAGE022
为金鹰f目前所到达的最佳地点(猎物)；
Figure 168426DEST_PATH_IMAGE023
为第i只金鹰的当前位置。
巡航（探索）行为：巡航向量是在攻击向量的基础上计算出的。巡航向量是圆的切向量，垂直于攻击向量。巡航也可以被认为是金鹰相对于猎物的线性速度。n维巡航矢量位于与圆相切的超平面内，所以，为了计算巡航矢量，必先计算相切超平面的方程。n维超平面的方程可以由超平面上的任意一点与一个垂直与该超平面的向量确定，这个向量称为超平面的法向量。超平面方程在n维空间中的标量形式如式（3）所示：
Figure 138656DEST_PATH_IMAGE024
（3）
式中：
Figure 555862DEST_PATH_IMAGE025
为法向量；
Figure 54976DEST_PATH_IMAGE026
为变量向量；
Figure 557633DEST_PATH_IMAGE027
为超平面上的任意点；
Figure 534816DEST_PATH_IMAGE028
。把
Figure 400004DEST_PATH_IMAGE029
（攻击向量）看作超平面的法线，那么
Figure 443921DEST_PATH_IMAGE030
（在迭代中的金鹰巡航向量）就可以根据式（4）表示出它所属的超平面。
Figure 558508DEST_PATH_IMAGE031
（4）
式中：
Figure 480327DEST_PATH_IMAGE032
为攻击向量；
Figure 996759DEST_PATH_IMAGE033
为决策/设计变量向量；
Figure 713042DEST_PATH_IMAGE034
为被选中的猎物的位置。
为了在巡航超平面上找到一个随机矢量，我们必须先在这个超平面上找到一个随机目的点C点，而不是我们已有的点(金鹰的当前位置)。注意其巡航矢量的起点是金鹰的当前位置。由于超平面比它们的环境空间小一维，不能简单地生成一个随机的1×n点。n维空间中的简单随机点不能保证位于巡航超平面上。位于n维巡航超平面上的一个新点具有n-1个自由度，意味着n-1个维度可以自由选择，但超平面方程决定了最后的1维度，如式（3）所示。必须选择最后一个维数使其满足超平面方程，因此，有n-1个自由变量和1个固定变量。使用以下步骤找到一个位于金鹰的巡航超平面上的随机n维目的地点C，具体步骤如下：
步骤1：从n个变量中随机选择一个变量作为固定变量；
步骤2：将随机值赋给除第k个变量以外的所有变量，因为第k个变量是固定的。
步骤3：用方程（5）求出固定变量的值。
Figure 314925DEST_PATH_IMAGE035
（5）
式中：
Figure 102752DEST_PATH_IMAGE036
为目标点C的第k个元素；
Figure 349057DEST_PATH_IMAGE037
为攻击向量
Figure 360875DEST_PATH_IMAGE038
的第j个元素；k为固定变量的编号。在巡航超平面上找到随机目标点，巡航超平面上目的点的一般表示如式（6）所示：
Figure 555447DEST_PATH_IMAGE039
（6）
转移到新位置：金鹰的位移由攻击和向量组成。我们将金鹰迭代的步长向量定义为方程（7）和（8）。
Figure 209282DEST_PATH_IMAGE040
（7）
Figure 310093DEST_PATH_IMAGE041
（8）
式中：
Figure 492813DEST_PATH_IMAGE042
为攻击系数；
Figure 944654DEST_PATH_IMAGE043
为巡航系数；
Figure 74284DEST_PATH_IMAGE044
、
Figure 154235DEST_PATH_IMAGE045
为[0,1]内的随机向量。因此，通过将迭代t中的步进向量与迭代t中的位置相加，即可计算出迭代t+1中金雕的位置：
Figure 648802DEST_PATH_IMAGE046
（9）
式中：
Figure 446993DEST_PATH_IMAGE047
为金鹰的第t+1次的位置；
Figure 550953DEST_PATH_IMAGE048
为金鹰的第t次的位置；
Figure 750991DEST_PATH_IMAGE049
为金鹰的移动的步长大小。
如果金鹰新位置的适应性比它记忆中的位置更好，这只鹰的记忆会随着新位置而更新。否则，记忆保持完整，但是鹰会在新的位置上。在新的迭代中，每只金鹰从种群中随机选择一只金鹰，围绕其最佳访问位置旋转，计算攻击向量、巡航向量，最后计算下一次迭代的步长向量和新位置。这个循环将一直执行，直到满足任何终止条件。式（7）中有两个系数，即攻击系数和巡航系数，用来控制攻击向量、巡航向量对步长向量的影响，具体见式（10）：
Figure 416458DEST_PATH_IMAGE050
（10）
式中：t表示当前迭代；T表示最大迭代；
Figure 436367DEST_PATH_IMAGE051
和
Figure 845483DEST_PATH_IMAGE052
为攻击倾向
Figure 103289DEST_PATH_IMAGE053
的初始值和终止值；
Figure 798712DEST_PATH_IMAGE054
和
Figure 446862DEST_PATH_IMAGE055
为巡航倾向
Figure 518723DEST_PATH_IMAGE056
的初始值和终止值：
进一步地，所述步骤1中在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集的基本步骤如下：
步骤1）初始化金鹰数量；
步骤2）计算适应度函数，初始化群体记忆；
步骤3）初始化
Figure 804605DEST_PATH_IMAGE057
、
Figure 608613DEST_PATH_IMAGE058
；
步骤4）计算式（10），更新
Figure 603113DEST_PATH_IMAGE057
、
Figure 885190DEST_PATH_IMAGE058
；
步骤5）计算式（2），从种群的记忆计算攻击向量中随机选择猎物；
步骤6）计算巡航向量（式（3）-（6）)，计算步长向量(式（7）-（9）)更新位置（式（9）)评估新位置的适应度函数；
步骤7）更新最优解及最优位置；
步骤8）判断是否满足最大迭代次数，若满足，则输出最优金鹰位置和全局最优解，否则，返回步骤4重新迭代计算；
进一步地，所述步骤2中的基于堆叠式降噪自动编码器对数据集进行特征提取是由堆叠式降噪自动编码器进行的。
自动编码器（autoencoder，AE）如图4所示，自动编码器由编码器和解码器组成，编码器、解码器具有隐藏层:通过编码器将输入转换为隐含层中的潜在表征，然后通过解码器将内部表征转换为输出，输出相当于是对于输入的重构，要尽可能接近输入。
选择输入样本集合
Figure 789692DEST_PATH_IMAGE059
，
Figure 466399DEST_PATH_IMAGE059
由N组样本
Figure 479354DEST_PATH_IMAGE060
组成，其中，N为样本组数，n为每组样本中样本个数。设隐含层特征向量集合为
Figure 768384DEST_PATH_IMAGE061
，
Figure 652027DEST_PATH_IMAGE061
由N组特征向量
Figure 735520DEST_PATH_IMAGE062
Figure 907876DEST_PATH_IMAGE063
组成，其中，m为每组特征向量中向量个数，则
Figure 390810DEST_PATH_IMAGE059
与
Figure 4325DEST_PATH_IMAGE061
的编码关系为
Figure 852195DEST_PATH_IMAGE064
（11）
式中：
Figure 308584DEST_PATH_IMAGE065
为输入层与隐含层的权值矩阵；
Figure 700602DEST_PATH_IMAGE066
为输入层与隐含层偏置矩阵；
Figure 558836DEST_PATH_IMAGE067
为编码器的神经元激活函数，通常采用sigmoid函数，其具有良好的特征辨识度。
Figure 577608DEST_PATH_IMAGE068
（12）
式中：
Figure 396659DEST_PATH_IMAGE069
为输入向量。
解码器是编码器的逆运算，以隐含层的特征向量作为输入向量，设
Figure 955817DEST_PATH_IMAGE070
为输出向量集合，共有N组，维数为n,则解码器的表达式为
Figure 871820DEST_PATH_IMAGE071
（13）
式中：
Figure 733597DEST_PATH_IMAGE072
为隐含层与输出层的权值矩阵；
Figure 430157DEST_PATH_IMAGE073
为隐含层与输出层的偏置矩阵；
Figure 402792DEST_PATH_IMAGE074
为解码器的神经元激活函数。
自动编码器通过最小化输出向量与输入向量之间的重构误差来达到特征学习的目的，利用梯度下降算法不断调整网络权值和偏置，降低重构误差。但是自动编码器的学习可能仅仅简单地保留原始输入数据信息，不能确保获得一种有效的特征信息表达。
降噪自动编码器（denoising autoencoder，DAE）是对自动编码器的改进，其架构如图5所示。在自动编码器的基础上，通过将一部分输入值中增加噪声，训练它以恢复原始的无噪声输入。选用降噪自动编码器后隐含层可学习出更加有效的数据表征，挖掘更深的隐藏信息。
堆叠式降噪自动编码器（stacked denoising autoencoder，SDAE）由多个DAE组成，如图6所示。Wn为第n-1层隐含层与第n层隐含层的权重矩阵，Bn为第n-1层隐含层与第n层隐含层的偏置矩阵。通过无监督贪婪逐层预训练和有监督细化训练两个步骤完成训练，实现特征学习。第一层DAE的输入为原始数据，隐含层输出数据作为上层DAE输入数据，且每一层的训练前都要对输入数据添加噪声。堆叠式降噪自动编码器通过训练可以高效地提取数据的高阶特征，更优地拟合复杂函数，提升获得网络参数的速度，提高神经网络的深层特征学习能力。
步骤2中基于堆叠式降噪自动编码器对数据集进行特征提取的基本步骤如下：
步骤1）对在时域仿真中使用金鹰优化算法获得的数据集进行归一化处理；
步骤2）划分训练集与验证集，将80%的原始数据作为训练集，剩下的20%作为测试数据，生成训练和测试数据；
步骤3）构建一个堆叠式降噪自动编码器模型，选择隐含层层数及神经元个数；
步骤4）逐层贪婪无监督预训练，以添加噪声后的数据作为输入数据，并采用dropout技术，随机选取部分神经元暂时不工作；
步骤5）有监督细化训练，对网络的权重和偏置进行微调，直到迭代次数达到设定值。
步骤3中的基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案是在深度神经网络的基础上进行的。
深度神经网络（deep neural network，DNN）是具有多个隐藏层的神经网络，又被称为深度前馈网络（feedforward neural network，DFN）。按不同层的位置划分，DNN内部的神经网络层可以分为：输入层，隐藏层和输出层，一般第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。层与层之间是全连接的，即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，基本结构如图7所示。复杂的DNN从局部模型来看，同感知机一样即一个线性关系
Figure 173302DEST_PATH_IMAGE075
，再加上一个激活函数
Figure 330614DEST_PATH_IMAGE077
。
步骤3中基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案的基本步骤如下：
步骤1）将堆叠式降噪自动编码器提取的特征当作深度神经网络的输入；
步骤2）划分训练集与验证集，将80%的原始数据作为训练集，剩下的20%作为测试数据，生成训练和测试数据；
步骤3）构建一个深度神经网络模型，选择隐含层层数和每个隐含层的神经元个数；
步骤4）使用Adam优化网络的输入权重矩阵、隐含层特征向量与输出权重矩阵，并对隐含层选择性增加正则化；
步骤5）将MSE作为评价指标，判断其是否不再降低，若是满足则完成训练，否则返回步骤3；
步骤6）保存训练好的模型，当下次遇到负荷扰动事件时，直接使用模型生成最优风电调频逐步惯性控制方案。
将IEEE 9节点系统作为算例测试系统，将风力涡轮机模型连接到系统中的线路L3上，如图8所示。所涉及到的研究都是在风力涡轮机以低于额定功率仿真运行中得到的。为了满足在不同场景下使用此方法的需求，考虑风速、风电占比、负荷扰动量对系统频率特性的影响。分别从这三个方面对SIC进行参数设置。此算例中，设置风速4m/s至11m/s，每种情况递增1m/s。设置风电占比从5%至60%，每种情况递增5%。负荷扰动量设置从1.005至1.25，每种情况递增0.005。共计4800种情况。最优SIC参数组合预测结果示意图如图9所示。并在典型场景中添加与其他调频控制方法的效果对比。系统中的场景为风速5m/s、风电占比25%、负荷扰动量0.035p.u.。在此场景中，与其他SIC控制以及无风电参与的频率控制进行对比，频率控制效果见图10所示。
以上实施方式仅为说明本发明的技术思想，并不用于限制本发明的保护范围，凡是按照本发明提出的技术思想，在本发明技术方案基础上所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的风电调频逐步惯性控制方法，其特征在于，包括以下三个步骤：
步骤1、在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集；
步骤2、基于堆叠式降噪自动编码器对数据集进行特征提取；
步骤3、基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案。
2.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤1的最优风电调频逐步惯性控制参数是在风电调频中使用逐步惯性控制策略时所使用的。
3.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤1中获得最优风电调频逐步惯性控制参数是在时域仿真中使用金鹰优化算法获得的。
4.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤1中在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集的基本步骤如下：
步骤1）初始化金鹰数量；
步骤2）计算适应度函数，初始化群体记忆；
步骤3）初始化
Figure 175970DEST_PATH_IMAGE001
、
Figure 952296DEST_PATH_IMAGE002
；
步骤4）计算式（10），更新
Figure 639629DEST_PATH_IMAGE001
、
Figure 108788DEST_PATH_IMAGE002
；
步骤5）计算式（2），从种群的记忆计算攻击向量中随机选择猎物；
步骤6）计算巡航向量（式（3）-（6）），计算步长向量（式（7）-（9））更新位置（式（9））评估新位置的适应度函数；
步骤7）更新最优解及最优位置；
步骤8）判断是否满足最大迭代次数，若满足，则输出最优金鹰位置和全局最优解，否则，返回步骤4重新迭代计算。
5.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤2中的基于堆叠式降噪自动编码器对数据集进行特征提取是由堆叠式降噪自动编码器进行的；
自动编码器（autoencoder，AE）如图4所示，自动编码器由编码器和解码器组成，编码器、解码器具有隐藏层:通过编码器将输入转换为隐含层中的潜在表征，然后通过解码器将内部表征转换为输出，输出相当于是对于输入的重构，要尽可能接近输入；
选择输入样本集合
Figure 248782DEST_PATH_IMAGE003
，
Figure 563220DEST_PATH_IMAGE003
由N组样本
Figure 308322DEST_PATH_IMAGE004
组成，其中，N为样本组数，n为每组样本中样本个数；设隐含层特征向量集合为
Figure 807437DEST_PATH_IMAGE005
，
Figure 829136DEST_PATH_IMAGE005
由N组特征向量
Figure 71899DEST_PATH_IMAGE006
组成，其中，m为每组特征向量中向量个数，则
Figure 874770DEST_PATH_IMAGE003
与
Figure 544785DEST_PATH_IMAGE005
的编码关系为：
Figure 269159DEST_PATH_IMAGE007
（11）
式中：
Figure 518875DEST_PATH_IMAGE008
为输入层与隐含层的权值矩阵；
Figure 35307DEST_PATH_IMAGE009
为输入层与隐含层偏置矩阵；
Figure 17169DEST_PATH_IMAGE010
为编码器的神经元激活函数，通常采用sigmoid函数，其具有良好的特征辨识度：
Figure 353473DEST_PATH_IMAGE011
（12）
式中：
Figure 311939DEST_PATH_IMAGE012
为输入向量；
解码器是编码器的逆运算，以隐含层的特征向量作为输入向量，设
Figure 682877DEST_PATH_IMAGE013
为输出向量集合，共有N组，维数为n,则解码器的表达式为
Figure 897958DEST_PATH_IMAGE014
（13）
式中：
Figure 862503DEST_PATH_IMAGE015
为隐含层与输出层的权值矩阵；
Figure 985180DEST_PATH_IMAGE016
为隐含层与输出层的偏置矩阵；
Figure 351570DEST_PATH_IMAGE017
为解码器的神经元激活函数；
自动编码器通过最小化输出向量与输入向量之间的重构误差来达到特征学习的目的，利用梯度下降算法不断调整网络权值和偏置，降低重构误差；但是自动编码器的学习可能仅仅简单地保留原始输入数据信息，不能确保获得一种有效的特征信息表达；
降噪自动编码器（denoising autoencoder，DAE）是对自动编码器的改进，其架构如图5所示；在自动编码器的基础上，通过将一部分输入值中增加噪声，训练它以恢复原始的无噪声输入；选用降噪自动编码器后隐含层可学习出更加有效的数据表征，挖掘更深的隐藏信息；
堆叠式降噪自动编码器（stacked denoising autoencoder，SDAE）由多个DAE组成，如图6所示；Wn为第n-1层隐含层与第n层隐含层的权重矩阵，Bn为第n-1层隐含层与第n层隐含层的偏置矩阵；通过无监督贪婪逐层预训练和有监督细化训练两个步骤完成训练，实现特征学习；第一层DAE的输入为原始数据，隐含层输出数据作为上层DAE输入数据，且每一层的训练前都要对输入数据添加噪声；堆叠式降噪自动编码器通过训练可以高效地提取数据的高阶特征，更优地拟合复杂函数，提升获得网络参数的速度，提高神经网络的深层特征学习能力。
6.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤2中基于堆叠式降噪自动编码器对数据集进行特征提取的基本步骤如下：
步骤1）对在时域仿真中使用金鹰优化算法获得的数据集进行归一化处理；
步骤2）划分训练集与验证集，将80%的原始数据作为训练集，剩下的20%作为测试数据，生成训练和测试数据；
步骤3）构建一个堆叠式降噪自动编码器模型，选择隐含层层数及神经元个数；
步骤4）逐层贪婪无监督预训练，以添加噪声后的数据作为输入数据，并采用dropout技术，随机选取部分神经元暂时不工作；
步骤5）有监督细化训练，对网络的权重和偏置进行微调，直到迭代次数达到设定值。
7.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤3中的基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案是在深度神经网络的基础上进行的。
8.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤3中基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案的基本步骤如下：
步骤1）将堆叠式降噪自动编码器提取的特征当作深度神经网络的输入；
步骤2）划分训练集与验证集，将80%的原始数据作为训练集，剩下的20%作为测试数据，生成训练和测试数据；
步骤3）构建一个深度神经网络模型，选择隐含层层数和每个隐含层的神经元个数；
步骤4）使用Adam优化网络的输入权重矩阵、隐含层特征向量与输出权重矩阵，并对隐含层选择性增加正则化；
步骤5）将MSE作为评价指标，判断其是否不再降低，若是满足则完成训练，否则返回步骤3；
步骤6）保存训练好的模型，当下次遇到负荷扰动事件时，直接使用模型生成最优风电调频逐步惯性控制方案。
CN202210130049.3A 2022-02-11 2022-02-11 一种基于深度学习的风电调频逐步惯性控制方法 Pending CN114696340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210130049.3A CN114696340A (zh) 2022-02-11 2022-02-11 一种基于深度学习的风电调频逐步惯性控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210130049.3A CN114696340A (zh) 2022-02-11 2022-02-11 一种基于深度学习的风电调频逐步惯性控制方法

Publications (1)

Publication Number Publication Date
CN114696340A true CN114696340A (zh) 2022-07-01

Family

ID=82138039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210130049.3A Pending CN114696340A (zh) 2022-02-11 2022-02-11 一种基于深度学习的风电调频逐步惯性控制方法

Country Status (1)

Country Link
CN (1) CN114696340A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841278A (zh) * 2023-01-03 2023-03-24 国网福建省电力有限公司 电能计量装置运行误差状态评价方法、系统、设备及介质
CN116388232A (zh) * 2023-06-05 2023-07-04 江苏方天电力技术有限公司 风电调频综合惯性控制方法、系统、电子设备和存储介质
CN117559475A (zh) * 2023-11-17 2024-02-13 南京理工大学 一种基于逐步惯性控制的风电调频最优控制策略

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841278A (zh) * 2023-01-03 2023-03-24 国网福建省电力有限公司 电能计量装置运行误差状态评价方法、系统、设备及介质
CN116388232A (zh) * 2023-06-05 2023-07-04 江苏方天电力技术有限公司 风电调频综合惯性控制方法、系统、电子设备和存储介质
CN116388232B (zh) * 2023-06-05 2023-08-25 江苏方天电力技术有限公司 风电调频综合惯性控制方法、系统、电子设备和存储介质
CN117559475A (zh) * 2023-11-17 2024-02-13 南京理工大学 一种基于逐步惯性控制的风电调频最优控制策略

Similar Documents

Publication Publication Date Title
CN114696340A (zh) 一种基于深度学习的风电调频逐步惯性控制方法
CN106600059B (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
CN112733462B (zh) 一种结合气象因素的超短期风电场功率预测方法
CN112114521B (zh) 航天器智能预测控制进入制导方法
CN109818775B (zh) 一种短期网络流量预测方法
Sierra-Garcia et al. Wind turbine pitch reinforcement learning control improved by PID regulator and learning observer
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
CN111459221B (zh) 一种光伏发电系统mppt控制方法
Zhang et al. Load shedding scheme with deep reinforcement learning to improve short-term voltage stability
CN112330487B (zh) 一种光伏发电短期功率预测方法
CN112257847A (zh) 一种基于CNN和LSTM预测地磁Kp指数的方法
Dehnavi et al. Retracted: New Deep Learning-Based Approach for Wind Turbine Output Power Modeling and Forecasting
Bhatt et al. Statistical and ANN based prediction of wind power with uncertainty
CN113638841A (zh) 一种基于神经网络预测控制的双风轮风力机变桨控制方法
Peng et al. A new fuzzy adaptive simulated annealing genetic algorithm and its convergence analysis and convergence rate estimation
CN113591957B (zh) 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
Kasiri et al. Optimal estimation and control of WECS via a genetic neuro fuzzy approach
CN113435595A (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN113741184A (zh) 一种基于滑模观测器的风力机载荷预测控制方法
CN113313265A (zh) 基于带噪声专家示范的强化学习方法
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
Shabalov et al. Integration of intelligent information technologies ensembles for modeling and classification
Zhou et al. Stepwise inertial intelligent control for wind power frequency support based on modified stacked denoising autoencoder
CN112147897B (zh) 离散不确定多时滞四旋翼系统的容错控制方法
CN114268129B (zh) 一种基于深度神经网络的风电调频逐步惯性控制方法

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