CN115498660A - 风电场调频动态建模方法、装置及电子设备 - Google Patents
风电场调频动态建模方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115498660A CN115498660A CN202211437254.0A CN202211437254A CN115498660A CN 115498660 A CN115498660 A CN 115498660A CN 202211437254 A CN202211437254 A CN 202211437254A CN 115498660 A CN115498660 A CN 115498660A
- Authority
- CN
- China
- Prior art keywords
- frequency modulation
- data
- wind power
- power plant
- modulation data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000000691 measurement method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008278 dynamic mechanism Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/09—Supervised 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
- 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
-
- 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
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风电场调频动态建模方法、装置及电子设备,其中,包括:获取预设多种工况下风电场并网点实测的第一调频数据;根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型;利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度;根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据;根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。该方法可以降低风电场调频建模难度,并提升风电场调频建模的精确度。
Description
技术领域
本发明涉及风电场调频工况智能识别与动态建模技术领域,尤其是涉及一种风电场调频动态建模方法、装置及电子设备。
背景技术
目前,风电场级建模可以由场内风电机组有功响应聚合得到,也可以直接等值建模。部分学者在建立单机的动态调频线性化模型的基础上利用间隙测度对相似风机进行聚类,建立了风电场调频动态等值模型。研究者建立了风电机组的暂态响应模型,依据风速的相似性进行等值聚类,提出了基于有功响应的风电场等值方法。但是风电场地理位置、天气因素等较为复杂,只基于风速难以表征风电场的实际特征。某研究人员在分析风速相似性的同时增加了对风向的聚类划分,并通过相关性分析确定特征风机,以此来表征风电场的出力特性。然而未考虑天气因素,考虑风速风向的特征风机来表征整个风电场只适用于短期出力。实际风电场存在机组数量多且分散、地形复杂、气候多变等因素影响,以风电机组表征风电场特性会受到多种条件限制。
在对风电场并网点数据进行集总建模时,按照对系统机理的认知程度,可以分为黑箱、灰箱和白箱三大类建模方法。风电场及风点机组大部分动态机理已知,在集总建模过程中可以忽略其中复杂的机理被控过程,直接考虑输入输出之间的关系,所以可以采用黑箱模型。部分方法中采用小信号增量法,建立了系统的传递函数模型,来描述风电机组的一次调频响应特性。但是传递函数模型本身为一种线性模型,而风电场频率调节问题涉及众多风机的运行特性、风速大小、频率变化时初始工况等较多因素,本质上为一种非线性模型。利用传递函数等线性模型进行建模是否具备较高的精度,还缺乏有力的论证。
整体而言,现有的风电场调频动态建模方法存在建模难度高以及模型精度难以保证的弊端。
发明内容
本发明的目的在于提供一种风电场调频动态建模方法、装置及电子设备,以降低风电场调频动态建模的难度并确保模型精度。
第一方面,本发明实施例提供了一种风电场调频动态建模方法,其中,包括:获取预设多种工况下风电场并网点实测的第一调频数据;根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型;利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度;根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据;根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型的步骤,包括:根据风电一次调频原理,构建回归向量;基于赤池信息准则确定上述LSTM神经网络的延迟阶数;根据上述延迟阶数,将上述回归向量作为输入,将对应的上述第二调频数据中的风电场输出功率变化量作为输出,训练上述初始LSTM神经网络直到达到预设的训练要求,得到训练好的风电场调频动态模型。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,基于赤池信息准则确定上述LSTM神经网络的延迟阶数的步骤,包括:基于下述公式确定上述LSTM神经网络的延迟阶数:基于下述公式确定上述LSTM神经网络的延迟阶数:
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据风电一次调频原理,构建回归向量的步骤,包括:根据下述公式构建回归向量: ,其中,和分别表示上述风电场调频动态模型的延迟阶数,表示上述回归向量方程,表示上述第二调频数据中t-1时刻的频率偏差,表示上述第二调频数据中t-2时刻的频率偏差,表示上述第二调频数据中时刻的频率偏差,表示上述第二调频数据中t-1时刻的功率变化量;表示上述第二调频数据中t-2时刻的功率变化量,表示上述第二调频数据中时刻的功率变化量。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型的步骤包括:基于N4SID子空间辨识方法,计算上述第一调频数据对应的状态空间矩阵;根据上述状态空间矩阵,建立上述多种工况中每种工况对应的状态空间模型。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型的步骤之后,上述方法还包括:计算每次训练后的LSTM神经网络的均方差误差和绝对百分比误差;当上述均方差误差和上述绝对百分比误差均满足预设的误差阈值要求时,确认训练达到预设的训练要求,得到上述训练好的风电场调频动态模型。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据的步骤,包括:根据上述非线性度,将上述多种工况划分为多个工况域;将每个工况域对应的上述第一调频数据进行合并,得到上述第二调频数据。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,获取预设多种工况下风电场调频响应特性的第一调频数据的步骤,包括:获取预设多种工况下风电场调频响应特性的并网点实测数据;根据预设条件对上述并网点实测数据进行处理,得到上述第一调频数据。
第二方面,本发明实施例提供了一种风电场调频动态建模装置,其中,包括:数据获取模块,用于获取预设多种工况下风电场并网点实测的第一调频数据;空间模型构建模块,用于根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型;非线性度确定模块,用于利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度;工况域调频数据确定模块,用于根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据;模型训练模块,用于根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。
第三方面,本发明实施例提供了一种电子设备,其中,上述电子设备包括处理器和存储器,上述存储器存储有能够被上述处理器执行的机器可执行指令,上述处理器执行上述机器可执行指令以实现第一方面至第一方面的第七种可能的实施方式任一项的风电场调频动态建模方法。
本发明实施例带来了以下有益效果:
本发明实施例提供了一种风电场调频动态建模方法、装置及电子设备,其中,包括:获取预设多种工况下风电场并网点实测的第一调频数据;根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型;利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度;根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据;根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。该方法可以降低风电场调频建模难度,并提升风电场调频建模的精确度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种风电场调频动态建模方法的流程示意图;
图2为本发明实施例提供的另一种风电场调频动态建模方法的流程示意图;
图3为本发明实施例提供了一种风电场调频动态建模装置的结构示意图 ;
图4为本发明实施例提供了一种电子设备结构示意图。
图标:31-数据获取模块;32-空间模型构建模块;33-非线性度确定模块;34-工况域调频数据确定模块;35-模型训练模块;41-存储器;42-处理器;43-总线;44-通信接口。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,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。
目前,对风电场并网点数据进行集总建模时,按照对系统机理的认知程度,可以分为黑箱、灰箱和白箱三大类建模方法。风电场及风电机组大部分动态机理已知,但是在集总建模过程中可以忽略其中复杂的机理被控过程,直接考虑输入输出之间的关系,所以可以采用黑箱模型。部分方法中采用小信号增量法,建立了系统的传递函数模型,来描述风电机组的一次调频响应特性。但是传递函数模型本身为一种线性模型,而风电场频率调节问题涉及众多风机的运行特性、风速大小、频率变化时初始工况等较多因素,本质上为一种非线性模型。利用传递函数等线性模型进行建模是否具备较高的精度,还缺乏有力的论证。
基于此,本发明实施例提供了一种风电场调频动态建模方法、装置及电子设备,该技术可以降低风电场调频建模难度,并提升风电场调频建模的精确度。为便于对本发明实施例进行理解,首先对本发明实施例所公开的一种风电场调频动态建模方法进行详细介绍。
实施例1
如图1为本发明实施例提供的一种风电场调频动态建模方法的流程示意图。如图1所见,该方法包括以下步骤:
步骤S101:获取预设多种工况下风电场并网点实测的第一调频数据。
在本实施例中,上述步骤S101包括:首先,获取预设多种工况下风电场调频响应特性的并网点实测数据。然后,根据预设条件对上述并网点实测数据进行处理,得到上述第一调频数据。这里,上述预设条件一般用于选取典型工况下的第一调频数据。
步骤S102:根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型。
在本实施例中,步骤S102包括:首先,计算上述第一调频数据对应的状态空间矩阵。然后,根据上述状态空间矩阵,建立上述多种工况中每种工况对应的状态空间模型。
步骤S103:利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度。
在本实施例中,步骤S103包括:首先,利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的间隙测度值。然后,根据上述间隙测度值,确定上述状态空间模型之间的非线性度。
步骤S104:根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据。
在实际的操作中,基于上述非线性度可以判断出上述第一调频数据对应的工况的相似程度,从而将多种工况划分为不同的工况域,将上述第一调频数据按照对应的工况域进行划分,得到上述第二调频数据。其中,工况域为一组相似工况的集合;将上述第一调频数据按照对应的工况域进行划分,得到上述第二调频数据的步骤包括:根据上述工况域将对上述第一调频数据进行合并,得到第二调频数据。
步骤S105:根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。
在其中过的一种实施方法中,基于风电场一次调频原理,根据第二调频数据构建回归向量。然后基于上述回归向量以及第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。
在其中过的一种实施方法中,将上述回归向量作为输入,将上述第二调频数据作为输出。其中,按照预设比例将上述回归向量分为训练集和验证集。上述步骤S104还包括:根据上述训练集对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到中间风电场调频动态模型。然后,根据上述验证集对中间风电场调频动态模型进行训练,直到达到预设的验证要求,得到训练好的风电场调频动态模型。
本发明提供了一种风电场调频动态建模方法,其中,包括:获取预设多种工况下风电场并网点实测的第一调频数据;根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型;利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度;根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据;根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。该方法可以降低风电场调频建模难度,并提升风电场调频建模的精确度。
实施例2
在图1的基础上,本实施例还提供了另一种风电场调频动态建模方法。图2为本发明实施例提供的另一种风电场调频动态建模方法的流程示意图。由图2所见,该方法包括以下步骤:
步骤S201:获取预设多种工况下风电场并网点实测的第一调频数据。
步骤S202:根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型。
这里,首先,基于N4SID子空间辨识方法,计算上述第一调频数据对应的状态空间矩阵。然后,根据上述状态空间矩阵,建立上述多种工况中每种工况对应的状态空间模型。
其中,A、B、C、D和K是状态空间矩阵。u(t)是输出,e(t)是扰动,x(t)是广义状态量。默认情况下,A、B、C和K的所有条目都是可自由估计的参数。对于动态系统,D在默认情况下固定为零,这意味着对应的风电场调频系统没有馈通;对于静态的风电场调频系统,默认情况下,D是一个可估计的参数。
步骤S203:利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度。
在本实施例中,利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的间隙测度值。这里,间隙测度值为0~1之间任一数值,若间隙测度值接近0,则说明两个线性系统之间特性相近,可以近似为一个风电场调频系统,若间隙测度值接近于1,则说明该风电场调频系统之间距离较远,该风电场调频系统之间动态特性差异性较大。进一步的,根据上述间隙测度值可以得到上述非线性度。
步骤S204:根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据。
在实际的操作中,根据Gap Metric可以度量线性系统间距离的特点,因此用来衡量不同工况下系统动态特性的差异。在调频状态空间建模中,计算任意两种工况状态空间之间的距离,评估不同工况之间模型的相似程度,将距离较近的工况划分为一个工况域,便于对现实场景中多且复杂的工况建模。
在其中的一种实施方式中,步骤S204包括:首先,根据上述非线性度,将上述多种工况划分为多个工况域。然后将每个工况域对应的上述第一调频数据进行合并,从而得到上述第二调频数据。
步骤S205:根据风电一次调频原理,构建回归向量。
在本实施例中,根据风电一次调频原理,构建回归向量的步骤,包括:根据下述公式构建回归向量: ,其中,和分别表示上述风电场调频动态模型的延迟阶数,表示上述回归向量方程,表示上述第二调频数据中t-1时刻的频率偏差,表示上述第二调频数据中t-2时刻的频率偏差,表示上述第二调频数据中时刻的频率偏差,表示上述第二调频数据中t-1时刻的功率变化量;表示上述第二调频数据中t-2时刻的功率变化量,表示上述第二调频数据中时刻的功率变化量。
这里,由于第二调频数据为上述第一调频数据按照上述工况域进行划分得到的,所以在上述步骤S205之后,得到的回归向量的数量为多个,其中每个上述回归向量与上述工况域对应。
步骤S206:基于赤池信息准则确定上述LSTM神经网络的延迟阶数。
在实际的操作中,基于下述公式确定上述LSTM神经网络的延迟阶数:
步骤S207:根据上述延迟阶数,将上述回归向量作为输入,将对应的上述第二调频数据中的风电场输出功率变化量作为输出,训练上述初始LSTM神经网络直到达到预设的训练要求,得到训练好的风电场调频动态模型。
这里,每次将工况域中的其中一个工况对应的回归向量作为输入,得到一种训练好的风电场调频动态模型。如果工况域中的工况种类为N种,最后会得到N个训练好的风电场调频动态模型。
在其中的一种实施方式中,步骤S207之后,该方法还包括:计算每次训练后的LSTM神经网络的均方差误差和绝对百分比误差。当上述均方差误差和上述绝对百分比误差均满足预设的误差阈值要求时,确认训练达到预设的训练要求,得到上述训练好的风电场调频动态模型。
这里,训练好的风电场调频动态模型的数量为多个,每个上述训练好的风电场调频动态模型与上述工况域对应。
在实际的操作中,为评价风电场调频动态模型性能,定义均方根误差、绝对百分比误差衡量风电场调频动态模型精度,定义均方根误差和绝对百分比误差的值越小模型精度越高,计算公式如下:
进一步的,通过上述步骤,就得到了每种工况域对应的风电场调频动态模型。
本发明提供了一种风电场调频动态建模方法,其中,包括:获取预设多种工况下风电场并网点实测的第一调频数据;根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型;利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度;根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据;根据风电一次调频原理,构建回归向量;基于赤池信息准则确定上述LSTM神经网络的延迟阶数;根据上述延迟阶数,将上述回归向量作为输入,将对应的上述第二调频数据中的风电场输出功率变化量作为输出,训练上述初始LSTM神经网络直到达到预设的训练要求,得到训练好的风电场调频动态模型。该方法通过将基于风电一次调频原理构建回归向量以此对初始LSTM神经网络进行训练,从而进一步提升风电场调频动态模型精度。
实施例3
本发明实施例还提供一种风电场调频动态建模装置,如图3示,为本发明实施例提供了一种风电场调频动态建模装置的结构示意图,包括:
数据获取模块31,用于获取预设多种工况下风电场并网点实测的第一调频数据。
空间模型构建模块32,用于根据上述第一调频数据,建立上述多种工况中每种工况对应的状态空间模型。
非线性度确定模块33,用于利用间隙测度方法测量上述多种工况中每两种工况对应的状态空间模型之间的非线性度。
工况域调频数据确定模块34,用于根据上述非线性度对上述第一调频数据进行合并,得到第二调频数据。
模型训练模块35,用于根据上述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。
其中,上述数据获取模块31、上述空间模型构建模块32、上述非线性度确定模块33、上述工况域调频数据确定模块34以及上述模型训练模块35依次相连。
在其中的一种实施方式中,上述模型训练模块35还用于根据风电一次调频原理,构建回归向量;基于赤池信息准则确定上述LSTM神经网络的延迟阶数;根据上述延迟阶数,将上述回归向量作为输入,将对应的上述第二调频数据中的风电场输出功率变化量作为输出,训练上述初始LSTM神经网络直到达到预设的训练要求,得到训练好的风电场调频动态模型。
在其中的一种实施方式中,上述模型训练模块35还用于根据下述公式构建回归向量: ,其中,和分别表示上述风电场调频动态模型的延迟阶数,表示上述回归向量方程,表示上述第二调频数据中t-1时刻的频率偏差,表示上述第二调频数据中t-2时刻的频率偏差,表示上述第二调频数据中时刻的频率偏差,表示上述第二调频数据中t-1时刻的功率变化量;表示上述第二调频数据中t-2时刻的功率变化量,表示上述第二调频数据中时刻的功率变化量。
在其中的一种实施方式中,上述空间模型构建模块32还用于基于N4SID子空间辨识方法,计算上述第一调频数据对应的状态空间矩阵;根据上述状态空间矩阵,建立上述多种工况中每种工况对应的状态空间模型。
在其中的一种实施方式中,上述模型训练模块35还用于计算每次训练后的LSTM神经网络的均方差误差和绝对百分比误差;当上述均方差误差和上述绝对百分比误差均满足预设的误差阈值要求时,确认训练达到预设的训练要求,得到上述训练好的风电场调频动态模型。
在其中的一种实施方式中,上述非线性度确定模块33还用于根据上述非线性度,将上述多种工况划分为多个工况域;将每个工况域对应的上述第一调频数据进行合并,得到上述第二调频数据。
在其中的一种实施方式中,上述数据获取模块31还用于获取预设多种工况下风电场调频响应特性的并网点实测数据;根据预设条件对上述并网点实测数据进行处理,得到上述第一调频数据。
本发明实施例提供的风电场调频动态建模装置,与上述实施例提供的风电场调频动态建模方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例4
本实施例提供了一种电子设备,包括处理器和存储器,该存储器存储有能够被该处理器执行的计算机可执行指令,该处理器执行该计算机可执行指令以实现风电场调频动态建模方法的步骤。
本实施例提供了一种计算机可读存储介质,其中存储有计算机程序,该计算机程序被处理器执行时实现风电场调频动态建模方法的步骤。
参见图4所示的一种电子设备的结构示意图,该电子设备包括:存储器41、处理器42,存储器41中存储有可在处理器42上运行的计算机程序,处理器执行计算机程序时实现上述数据风电场调频动态建模方法提供的步骤。
如图4所示,该设备还包括:总线43和通信接口44,处理器42、通信接口44和存储器41通过总线43连接;处理器42用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线43可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,处理器42在接收到执行指令后,执行程序,前述本发明任一实施例揭示风电场调频动态建模装置所执行的方法可以应用于处理器42中,或者由处理器42实现。处理器42可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器42读取存储器41中的信息,结合其硬件完成上述方法的步骤。
进一步地,本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器42调用和执行时,机器可执行指令促使处理器42实现上述风电场调频动态建模方法。
本发明实施例提供的电子设备和计算机可读存储介质具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
Claims (10)
1.一种风电场调频动态建模方法,其特征在于,包括:
获取预设多种工况下风电场并网点实测的第一调频数据;
根据所述第一调频数据,建立所述多种工况中每种工况对应的状态空间模型;
利用间隙测度方法测量所述多种工况中每两种工况对应的状态空间模型之间的非线性度;
根据所述非线性度对所述第一调频数据进行合并,得到第二调频数据;
根据所述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。
2.根据权利要求1所述的风电场调频动态建模方法,其特征在于,根据所述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型的步骤,包括:
根据风电一次调频原理,构建回归向量;
基于赤池信息准则确定所述LSTM神经网络的延迟阶数;
根据所述延迟阶数,将所述回归向量作为输入,将对应的所述第二调频数据中的风电场输出功率变化量作为输出,训练所述初始LSTM神经网络直到达到预设的训练要求,得到训练好的风电场调频动态模型。
5.根据权利要求1所述的风电场调频动态建模方法,其特征在于,根据所述第一调频数据,建立所述多种工况中每种工况对应的状态空间模型的步骤包括:
基于N4SID子空间辨识方法,计算所述第一调频数据对应的状态空间矩阵;
根据所述状态空间矩阵,建立所述多种工况中每种工况对应的状态空间模型。
6.根据权利要求1所述的风电场调频动态建模方法,其特征在于,根据所述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型的步骤之后,所述方法还包括:
计算每次训练后的LSTM神经网络的均方差误差和绝对百分比误差;
当所述均方差误差和所述绝对百分比误差均满足预设的误差阈值要求时,确认训练达到预设的训练要求,得到所述训练好的风电场调频动态模型。
7.根据权利要求1所述的风电场调频动态建模方法,其特征在于,根据所述非线性度对所述第一调频数据进行合并,得到第二调频数据的步骤,包括:
根据所述非线性度,将所述多种工况划分为多个工况域;
将每个工况域对应的所述第一调频数据进行合并,得到所述第二调频数据。
8.根据权利要求1所述的风电场调频动态建模方法,其特征在于,获取预设多种工况下风电场调频响应特性的第一调频数据的步骤,包括:
获取预设多种工况下风电场调频响应特性的并网点实测数据;
根据预设条件对所述并网点实测数据进行处理,得到所述第一调频数据。
9.一种风电场调频动态建模装置,其特征在于,包括:
数据获取模块,用于获取预设多种工况下风电场并网点实测的第一调频数据;
空间模型构建模块,用于根据所述第一调频数据,建立所述多种工况中每种工况对应的状态空间模型;
非线性度确定模块,用于利用间隙测度方法测量所述多种工况中每两种工况对应的状态空间模型之间的非线性度;
工况域调频数据确定模块,用于根据所述非线性度对所述第一调频数据进行合并,得到第二调频数据;
模型训练模块,用于根据所述第二调频数据对预设的初始LSTM神经网络进行训练,直到达到预设的训练要求,得到训练好的风电场调频动态模型。
10.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的风电场调频动态建模方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437254.0A CN115498660B (zh) | 2022-11-17 | 2022-11-17 | 风电场调频动态建模方法、装置及电子设备 |
US18/199,156 US11847530B1 (en) | 2022-11-17 | 2023-05-18 | Frequency modulation dynamic modeling method and device for wind farm, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437254.0A CN115498660B (zh) | 2022-11-17 | 2022-11-17 | 风电场调频动态建模方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115498660A true CN115498660A (zh) | 2022-12-20 |
CN115498660B CN115498660B (zh) | 2023-04-07 |
Family
ID=85115941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211437254.0A Active CN115498660B (zh) | 2022-11-17 | 2022-11-17 | 风电场调频动态建模方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11847530B1 (zh) |
CN (1) | CN115498660B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341129A (zh) * | 2023-02-02 | 2023-06-27 | 华北电力大学 | 风电机组主导运行动态数字孪生模型的模拟方法及装置 |
CN116760071A (zh) * | 2023-08-15 | 2023-09-15 | 陕西思极科技有限公司 | 一种高压箱储能方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
LU500788A1 (en) * | 2020-07-28 | 2022-01-28 | Nanjing Dongbo Smart Energy Res Institute Co Ltd | Method for estimating forecast error distribution of wind power frequency regulation potential |
CN114298136A (zh) * | 2021-11-12 | 2022-04-08 | 华能新能源股份有限公司 | 一种基于局域均值分解和深度学习神经网络的风速预测方法 |
CN114583767A (zh) * | 2022-03-10 | 2022-06-03 | 中国电力科学研究院有限公司 | 一种数据驱动的风电场调频响应特性建模方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10181101B2 (en) * | 2012-12-17 | 2019-01-15 | Arizona Board Of Regents On Behalf Of Arizona State University | Support vector machine enhanced models for short-term wind farm generation forecasting |
EP3221579B1 (en) * | 2014-11-18 | 2023-03-29 | Hitachi Energy Switzerland AG | Wind turbine condition monitoring method and system |
CN110098622B (zh) * | 2018-01-31 | 2021-04-13 | 北京金风科创风电设备有限公司 | 风电机组的一次调频方法和设备 |
EP3987171B1 (en) * | 2019-06-24 | 2023-06-07 | Vestas Wind Systems A/S | Controlling noise emissions from individual blades of a wind turbine |
CN112632774B (zh) * | 2020-12-21 | 2022-07-08 | 清华大学 | 一种基于动态模态分解的数据驱动风电场频率控制方法 |
-
2022
- 2022-11-17 CN CN202211437254.0A patent/CN115498660B/zh active Active
-
2023
- 2023-05-18 US US18/199,156 patent/US11847530B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
LU500788A1 (en) * | 2020-07-28 | 2022-01-28 | Nanjing Dongbo Smart Energy Res Institute Co Ltd | Method for estimating forecast error distribution of wind power frequency regulation potential |
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN114298136A (zh) * | 2021-11-12 | 2022-04-08 | 华能新能源股份有限公司 | 一种基于局域均值分解和深度学习神经网络的风速预测方法 |
CN114583767A (zh) * | 2022-03-10 | 2022-06-03 | 中国电力科学研究院有限公司 | 一种数据驱动的风电场调频响应特性建模方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341129A (zh) * | 2023-02-02 | 2023-06-27 | 华北电力大学 | 风电机组主导运行动态数字孪生模型的模拟方法及装置 |
CN116341129B (zh) * | 2023-02-02 | 2023-09-26 | 华北电力大学 | 风电机组主导运行动态数字孪生模型的模拟方法及装置 |
CN116760071A (zh) * | 2023-08-15 | 2023-09-15 | 陕西思极科技有限公司 | 一种高压箱储能方法及系统 |
CN116760071B (zh) * | 2023-08-15 | 2023-11-03 | 陕西思极科技有限公司 | 一种高压箱储能方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115498660B (zh) | 2023-04-07 |
US11847530B1 (en) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115498660B (zh) | 风电场调频动态建模方法、装置及电子设备 | |
Kou et al. | Sparse online warped Gaussian process for wind power probabilistic forecasting | |
Dhople et al. | Analysis of power system dynamics subject to stochastic power injections | |
CN104252649A (zh) | 一种计及多风电场相关性的区域风电出力预测方法 | |
CN104901309B (zh) | 考虑风速相关性的电力系统静态安全评估方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN111313405A (zh) | 一种基于多量测断面的中压配电网拓扑辨识方法 | |
CN107633368A (zh) | 风力发电机组出力性能评估方法及装置 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
CN111311021A (zh) | 一种风电场理论功率预测方法、装置、设备和存储介质 | |
Yan et al. | A robust probabilistic wind power forecasting method considering wind scenarios | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
JP2012253445A (ja) | トラヒック予測方法及び装置及びプログラム | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
CN113177325A (zh) | 复杂地形下校正标准k-ε模型可调参数方法、装置及存储介质 | |
CN115526429A (zh) | 风电功率预测误差解耦分析方法、处理器及存储介质 | |
CN113051845B (zh) | 在役山地风电场实时风资源可视化评估方法、系统、设备及存储介质 | |
CN113808015B (zh) | 输电线路区域气象参数的空间插值方法、装置及设备 | |
CN114911788A (zh) | 一种数据插补方法、装置及存储介质 | |
Liu et al. | Uncertainty analysis of wind power prediction based on quantile regression | |
CN113067340B (zh) | 一种面向恒温控制负荷系统的动态状态估计方法及系统 | |
CN116432093A (zh) | 风切变指数的确定方法、装置和电子设备 | |
CN116561502A (zh) | 一种风电场风速数据的插补方法、装置、设备及存储介质 | |
CN110070230B (zh) | 一种局部电网机组窝电量评估计算方法、装置及存储介质 | |
Javadi | New implication of short circuit analysis in assessing impact of renewable energy resources on system strength of a power grid |
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 |