CN115578016A - 一种模型不完备风电场调频能力在线评估方法 - Google Patents
一种模型不完备风电场调频能力在线评估方法 Download PDFInfo
- Publication number
- CN115578016A CN115578016A CN202211027775.9A CN202211027775A CN115578016A CN 115578016 A CN115578016 A CN 115578016A CN 202211027775 A CN202211027775 A CN 202211027775A CN 115578016 A CN115578016 A CN 115578016A
- Authority
- CN
- China
- Prior art keywords
- power plant
- wind power
- wind
- frequency modulation
- model
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 241001123248 Arma Species 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011172 small scale experimental method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种模型不完备风电场调频能力在线评估方法。包括:步骤S1:获得最终转速ωfinal和风电场整体下垂系数k以及对应的风速数据;步骤S2:对存储的k和ωfinal数据按照风速进行分类;步骤S3;在每一风速分类下分别对输入变量数据进行状态空间映射变换,并且在该分类数据下构建线性模型;步骤S4:分别评估计算风电场整体最大下垂斜率kmax;步骤S5:拟合风速‑最大下垂斜率曲线;步骤S6:进行风电场调频能力评估;步骤S7:将评估结果上报电网。基于状态空间映射的模型不完备风电场调频能力在线评估方法直接利用风电场运行数据训练线性模型,进而评估调频能力。所述方法避免了对模型参数的依赖,在风电场模型不完备或者参数不精确的场景能够进行高精度的评估。
Description
技术领域
本发明涉及一种模型不完备风电场调频能力在线评估方法。
背景技术
风电场作为并网主体,在一次调频期间能够整体模拟常规电站的下垂特性,满足并网导则,对大规模风机进行协调控制。电力电子变换器输出调节具有响应迅速、维护成本低等优点,但会造成风机转速变化,影响安全运行,因此需要合理整定各风机的有功功率设定值,优化分配功率的同时保证各风机运行安全。下垂控制是目前风机功率控制普遍采用的方法,文献[1]在传统下垂控制中增加了风机转速保护模块,保证了风机的安全运行。文献[2]将运行风速划分为低、中、高区间,根据风速区间采取不同的下垂系数设定方式。文献[3]根据风机自身运行情况,设定自适应下垂控制系数。但上述方法忽略了风机间的协调控制,各台风机无法同步达到最佳出力,导致风场的调频能力受到限制。因此,为了充分挖掘每台风机的调频能力,实现协同调节,文章[6-7]使用了一种基于转速的风机能量状态指标。
风电场无论运行在被动响应调度指令模式还是主动参与市场模式下,为了保证各风机转速安全,在参与一次调频前,首先需要评估调频能力,计算自身的极限下垂斜率进行上报,然后根据电网反馈的指令执行调节。理论上根据风机的动态模型以及能量状态指标分配方式,可精确算出极限斜率,实现调频能力评估。文献[8]在虚拟惯量控制基础上加入转子动能评估因子以及变流器容量限制因子,对不同风速下风电机组调频能力进行评估。文献[9]提出了一种同步惯性约束的经济调度方法,满足频率控制所需最小同步惯量。文献[10]将动态响应中最低频率作为约束,计算风电场最小功频静态特性系数,实现最小惯量响应估算。文献[11]在单台风机调频能力评估基础上提出了一种风电场调频能力系数,实现不同风场机组间的协同虚拟惯量控制以及转速协同恢复。然而,由于风电场中风机数量多,动态特性复杂,上述文献中的评估模型是高维非线性微分代数方程组,难以精确解析求解。在不同风速状态下,需要重新进行仿真计算方能确定调频能力,因而所需时间很长,而且时域分析方法严重依赖模型参数,一旦模型不完备或精度较差,计算精度无法保证。
传统模型方法分析风电场动态调频过程难以保证评估精度,而针对过程复杂问题进行求解正是数据驱动算法的优势。利用神经网络方法优化系统频率降低时负荷减载方案,保证系统频率安全。文献[11]构建了长短期神经网络模型,使用历史数据训练系统负荷与调度决策关系,提高了机组组合决策精度。但上述神经网络方法脱离了数学模型,难以反映系统内部关系,并不适用于所有场景。风电场实际调频过程中很难存在风机极限转速场景,无法提供充足数据样本,上述模型在极限运行场景下,评估精度难以保证。
综上所述,现有的风电场一次调频能力评估方法仍存在着一定的缺陷和不足传统模型分析方法依赖模型参数的设定,一旦参数不精确,其评估结果的精准度难以保证。同时,模型在不同风速下需要重新进行时域仿真计算。由于风电场中风机数量众多而且调频动态特性复杂,模型计算所需时间很长,该方法难以满足在线评估要求。
应用较多的神经网络等数据驱动建模方法,脱离了数学机理模型,为了保证评估结果精度,训练集需要尽可能涵盖所有典型场景。然而在实际工程中,风电场极限运行场景数据难以获得,无法提供充足的数据样本,神经网络模型评估精度难以保证。
发明内容
本发明所要解决的技术问题是提供一种基于状态空间映射的模型不完备风电场调频能力在线评估方法,其通过数据驱动训练构建风电线性评估模型,评估速度较快、评估精度较高。
本发明采用如下技术方案:
本发明包括如下步骤:
步骤S1:获得风电场中所有风机一次调频后最终转速ωfinal和风电场整体下垂系数k以及对应的风速数据;
步骤S2:对存储的k和ωfinal数据按照风速进行分类;
步骤S3;在每一风速分类下分别对输入变量数据进行状态空间映射变换,并且在该分类数据下构建线性模型;
步骤S4:分别评估计算风电场整体最大下垂斜率kmax;
步骤S5:拟合风速-最大下垂斜率曲线;
步骤S6:进行风电场调频能力评估;
步骤S7:将评估结果上报电网。
本发明所述步骤S1—S5为离线训练过程,所述步骤S6—S7为在线评估过程,当步骤S1—S5中的训练时间周期改变或风电场自身参数发生改变时,离线训练结果需要更新维护,保证训练精度,重复执行上述步骤S1—S5。
本发明所述步骤S1中,通过数据采集与监视控制系统(Supervisory Control AndData Acquisition,SCADA)获得风电场中所有风机一次调频后最终转速ωfinal和风电场整体下垂系数k以及对应的风速数据,存储在服务器中。
风电场调频过程可以近似表示为风电场整体下垂系数为输入变量,风电场所有风机一次调频后的最终转速为输出变量的非线性模型,即公式(1)所示:
ωfinal=φ(k) (1)
式(1)中ωfinal为风电场中所有风机一次调频后最终转速,k为风电场整体下垂系数。
本发明所述步骤S2中,对存储的k和ωfinal数据按照风速进行分类,风速类别尽可能涵盖风电场常见运行风速区间。所述方法对风电场常见运行风速区间进行等步长划分(如设定风速区间为[7,11]m/s,步长为0.5m/s),获得多种采样风速,相同风速下的数据将归为一类。若每种采样风速下积累数据均超过1000组,则判定满足数据驱动训练条件,所述方法开始训练。若不满足数据驱动条件,所述方法继续获取数据。
本发明所述步骤S3中,在数据满足训练需求后,本发明方法在每一风速分类下分别对输入变量数据进行状态空间映射变换,并且在该分类数据下构建线性模型。
非线性模型通过Koopman升维变换方法能够转化为线性模型,如公式(2)和公式(3)所示:
ωfinal=Mklift (2)
式(2)中klift表示对k进行升维变换后的矩阵的矩阵;M表示系数矩阵。式(3)中ψ(k)表示k的升维函数矩阵。若所述方法升高维度为n维(n可取任意的正整数,如500、1000、1500等),升维函数ψ(x)可看作由n个标量函数ψi(x)构成,具体形式如下式所示:
ψi(k)=flift(k+ci) (4)
其中ci表示第i个标量函数的基底向量,本发明中ci可选取[0,40]区间内的任意数值。本发明中标量函数ψi(x)具体采用polyharmonic型函数形式,表示如下:
风电场线性模型系数矩阵M可以使用最小二乘法估计得到,风电场历史训练数据可用公式(6)表示:
式(6)中,n表示同一风速下风电场历史数据的数量;k表示风电场整体下垂系数样本集;Wfinal表示所有风机一次调频后最终转速样本集。根据上述数据,风电场线性模型能够使用最小二乘法估计系数矩阵,如公式(7)所示:
本发明所述步骤S4中,在每种采样风速下,线性模型使用二分法分别评估计算风电场整体最大下垂斜率kmax,kmax作为此风速下的风电场调频能力评估结果。
由于采用polyharmonic型升维函数具有单调性,线性模型(2)可知具有单调性,能够使用二分法进行模型求解。若已知所有风机的一次调频安全转速界限,能够使用二分法,计算ωfinal达到安全转速界限时,对应的风电场整体最大下垂斜率kmax,kmax即为当前风速下风电场一次调频能力评估结果。
本发明所述步骤S5中,通过线性插值方法,拟合风速-最大下垂斜率曲线,将拟合结果存储在服务器中。
本发明所述步骤S6中通过测风塔装置获取风电场各台风机风速数据,所述方法可使用获得的当前风速进行风电场调频能力实时评估,也可结合风速预测技术如ARMA方法,基于当前风速数据对未来风速进行预测,所述方法也可使用短期、超短期预测风速进行风电场调频能力预测评估。
本发明所述步骤S7中,从服务器中调用相应风速条件下离线训练结果kmax,完成风电场调频能力在线评估,将结果上报电网。
本发明当步骤S6—S7中的电网存在风电场调频评估需求时,则重复执行步骤S6—S7。
本发明积极效果如下:
基于状态空间映射的模型不完备风电场调频能力在线评估方法直接利用风电场运行数据训练线性模型,进而评估调频能力。所述方法避免了对模型参数的依赖,在风电场模型不完备或者参数不精确的场景能够进行高精度的评估。
基于状态空间映射的模型不完备风电场调频能力在线评估方法利用线性模型计算评估结果,相比传统的非线性模型分析方法,计算速度极大提高,能够满足在线评估的时间要求。
基于状态空间映射的模型不完备风电场调频能力在线评估方提出了公式(2)所示的状态空间映射变换过程,是对非线性风电场调频物理模型的线性近似表达。相比神经网络等数据驱动建模方法,所述方法训练集不需要覆盖风机达到安全转速界限的场景,其即可构建全局模型,进而通过模型计算安全转速界限下评估结果,评估精确性和可靠性更强。
附图说明
图1是本发明所提方法进行风电场调频能力评估流程图;
图2是频率上升场景,本发明所提方法与时序模型参数不精确方法极限斜率评估结果对比图;
图3是频率上升场景,本发明所提方法与时序模型参数不精确方法极限斜率评估结果相对精确时序模型的误差对比图;
图4是频率下降场景,本发明所提方法与时序模型参数不精确方法极限斜率评估结果对比图;
图5是频率下降场景,本发明所提方法与时序模型参数不精确方法极限斜率评估结果相对精确时序模型的误差对比图;
图6是频率上升场景本发明所提方法不同训练集下极限斜率相对精确时序模型误差对比图;
图7是频率下降场景本发明所提方法在不同训练集下极限斜率相对精确时序模型误差对比图
图8是频率上升场景本发明所提方法拟合最终转速全局图;
图9是频率上升场景精确时序模型拟合最终转速全局图;
图10是频率下降场景本发明所提方法拟合最终转速全局图;
图11是频率下降场景精确时序模型拟合最终转速全局图;
图12是风速8.2m/s时频率下降场景本发明所提方法与时序模型参数不精确方法评估结果进行一次调频结果对比图;
图13是风速8.2m/s时频率上升场景本发明所提方法与时序模型参数不精确方法评估结果一次调频对比图;
图14是风速10.3m/s时频率下降场景本发明所提方法与时序模型参数不精确方法评估结果一次调频对比图;
图15是风速10.3m/s时频率下降场景本发明所提方法与时序模型参数不精确方法评估结果一次调频对比图。
具体实施方式
现有的风电场调频能力评估方案多采用传统的模型分析方法,首先构建风电场调频能力模型,通过模型求解评估结果。但是,这种方案对模型参数的设定依赖严重,一旦模型参数设定不精准或者风电场模型搭建不完整,评估精度将受到影响。同时,该方案在不同风速条件下需要重新进行仿真计算,计算时间很长,难以满足在线评估要求。
因此,为了优化风电场调频能力在线评估方案,提出一种基于状态空间映射的模型不完备风电场调频能力在线评估方法。
发明人发现数据驱动方法适应于针对复杂问题的求解,能够不依赖于模型参数的设定实现高精度的评估,同时缩短了评估计算所需的时间成本。本发明中提出了一种数据驱动方法,所述方法通过升维变换构建线性模型,并使用最小二乘方法估计系数矩阵。
采用MATLAB软件搭建风电场精确时序仿真模型,代替实际中风电场运行情况,获取数据驱动训练数据。本发明Koopman线性模型评估结果与风电场精确时序仿真模型在算例中进行对比。风电场额定功率为32MW,其中包括8台额定功率为4MW的永磁同步发电机,风机叶片转速范围[0.7,1.44]rad/s,训练集选取转速范围[0.75,1.39]rad/s内数据,训练风速区间为[7,11]m/s,风速采样步长为0.5m/s,线性模型的输入变量为k,输出变量为ωfinal。为了计算风电场kmax,在一次调频开始时向电力系统中加入较大负荷波动,负荷波动由风电场和常规电站共同进行调节,得到风电场能够调节极限不平衡功率,其余不平衡功率由常规电站进行调节,获得频率上升、下降情况下的风电场训练数据。
实施例1
图2-图5给出了不同风速下Koopman线性模评估结果kmax曲线,精确时序模型仿真得到的kmax曲线,同时给出三种模型参数存在误差情况下时序模型计算kmax曲线以及与精确时序模型结果的相对误差。参数具体误差分别为Jc减小12%;R增大5%;Cp,i的系数减小10%,同时Jc增大12%。可以看出,Koopman线性模型曲线与时序模型曲线整体上十分接近,相对误差很小,两曲线高度重合。风电场模型中若同时存在多个参数设定不精确或单个关键参数设定偏差过大,都可能造成评估结果误差过大。若采用时序方法分析风电场调频动态过程,一旦风电场模型参数不精确,评估精度将远低于升维线性模型。
实施例2
图6和图7中对比了本发明在不同训练集下,评估结果的相对误差。其中训练集1风机转速范围[0.75,1.39]rad/s,训练集2风机转速范围[0.80,1.34]rad/s,训练集3风机转速范围[0.85,1.29]rad/s。可以看出随着训练集覆盖范围越广,评估方法精准度越高,但数据获取难度会相对增加。因此,需要综合考虑精度和数据获取两个因素,在避免出现极大误差情况的同时,结合实际风场的运行情况,合理选取训练集范围。本发明仿真案例中选取训练集1进行数据训练,能够相对较好兼顾精度与数据要求。
实施例3
为了更全面验证本发明提出方法的有效性,分析风场在不同风速场景下转速的拟合情况。
图8-图11对比了Koopman升维线性模型和时序模型在不同场景下拟合ωfinal情况。可以看出两图高度相似,这说明Koopman升维线性模型不仅针对极限情况有良好的拟合效果,还能够完美映射风电场调频模型复杂的非线性关系,根据k、风速场景的实时动态,向风机下发合理调节指令,得到高精度ωfinal。证明了本发明所提出方法具有快速解析求解,适用于风电场在线评估的性能优势。
实施例4
在图12-图15中,设定风电场模型参数存在误差,导致了kmax偏离精确时序模型真实值±10%,与本发明提出方法进行一次调频过程对比,选取8.2m/s、10.3m/s两种风速场景进行验证。本发明方法在风速8.2m/s下kmax计算结果为频率下降5.951MW/Hz,频率上升24.394MW/Hz;在风速10.3m/s下kmax计算结果为频率下降10.672MW/Hz,频率上升7.237MW/Hz。
图12中给出了风速8.2m/s时频率下降场景风电场一次调频过程,可以看出Koopman升维线性评估相比kmax增大10%的结果相比,ωfinal的误差极小,有效解决了风机转速越限造成的安全问题;相比kmax减小10%的情况下,Koopman升维线性评估能够提高风电场的有功出力增量,更加充分挖掘风机的调频能力,提供更强的频率支撑作用。图13中给出了频率上升场景,分析过程与图12基本相同。
图14和图15给出了风速10.3m/s的一次调频过程,相比风速8.2m/s,该风速下模型参数误差造成的转速偏差更加大,造成了更严重的转速越限问题和风机调频能力的浪费,而Ko opman状态空间映射线性模型评估结果ωfinal与转速临界值间的相对误差很小,说明本发明所提出的方法在较高风速下仍保持着良好的评估性能,相比模型参数不精准的情况,在较高风速下本发明方法优势更为显著。
通过状态空间映射方法构建线性模型对风电场调频能力进行评估,该方案是其他技术未考虑的。
本发明在线性模型中利用历史数据进行数据驱动训练,具体使用了最小二乘估计线性模型的系数矩阵。该方法是其他技术未考虑的。
本发明选取了polyharmonic型函数作为状态空间映射过程中升维函数,使得线性模型具有单调性,能够利用二分法求解风电场评估结果,具有求解简单、结果精准的优势。
本发明分为离线训练与在线评估两个部分,在离线训练中计算得到了不同风速下的评估结果,实际的在线评估过程只需要在服务器中调用相应风速下的评估结果即可完成评估,降低了计算时间,更能满足在线评估的时间需求。
本发明不依赖于风机模型,实现高精度评估。传统的模型分析易受参数精度的影响,本文提出的数据驱动方法直接利用实际运行数据,不依赖模型参数,具有良好可扩展性,计算精度高。
本发明可解析求解,计算快速,适合在线应用。Koopman理论将评估模型由低维空间非线性方程组投影为高维空间的线性方程组,在线计算速度大幅提升。
本发明综合数据驱动-模型特性,降低训练数据获取难度。相对神经网络方法而言,Koopman方法是对物理模型的简化表达,训练集不需要覆盖极限转速场景,保证评估结果的可靠性。
目前,本申请的技术方案已经进行了中试,即产品在大规模量产前的小规模实验;中试完成后,在小范围内开展了用户使用调研,调研结果表明用户满意度较高;现在已经着手准备产品正式投产进行产业化(包括知识产权风险预警调研)。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
参考文献:
[1]丁磊,尹善耀,王同晓,等.考虑惯性调频的双馈风电机组主动转速保护控制策略[J].电力系统自动化,2015,39(24):29-34+95.
[2]潘文霞,全锐,王飞,等.基于双馈风电机组的变下垂系数控制策略[J].电力系统自动化,2015,39(11):126-131+186.
[3]L Ee J,Jang G,Muljadi E,et al.Stable Short-Te-rm Frequency SupportUsing Adaptive Gains for a DFIG-Based Wind Power Plant[J].IEEE TransactionsonEnergy Conversion,2016,31(3):1-12.
[4]Wang Z,Wu W.Coordinated Control Method for DFIG-Based Wind Farm toProvide Primary Frequency Regulation Service[J].IEEE Transactions on PowerSystems,2017:1-1.
[5]Guo L,Ren Y,Wang Z,et al.Double-Layer Fee-dback Control Method forSynchronized Frequency Regulation of PMSG-Based Wind Farm[J].IEEE Tr-ansactionson Sustainable Energy,2021,12(4):2423-2435.
[6]陈宇航,王刚,侍乔明,等.一种新型风电场虚拟惯量协同控制策略[J].电力系统自动化,2015,39(5):7.CHEN Yuehang,WANG Gang,SHI Qiaoming,et
[7]Gu H,Yan R,Saha T K.Minimum Synchronous Inertia Requirement ofRenewable Power Systems[J].IEEE Transactions on Power Systems,2017,PP(99):1-1.
[8]李东东,孙雅茹,徐波,等.考虑频率稳定的新能源高渗透率电力系统最小惯量与一次调频容量评估方法[J].电力系统保护与控,2021,49(23):
[9]侍乔明,王刚,李海英,等.考虑调频能力的风电场虚拟惯量多机协同控制策略[J].电网技术,2019,43(11):
[10]Padron S,Hernandez M,Falcon A.Reducing Und-er-Frequency LoadShedding in Isolated Power Syste-ms Using Neural Networks.Gran Canaria:A CaseStudy[J].IEEE Transactions on Power Systems,2015,31(1):63-71.
[11]杨楠,叶迪,林杰,等.基于数据驱动具有自我学习能力的机组组合智能决策方法研究[J].中国电机工程学报,2019,39(10):2934G2945.
Claims (10)
1.一种模型不完备风电场调频能力在线评估方法,其特征在于:包括如下步骤:
步骤S1:获得风电场中所有风机一次调频后最终转速ωfinal和风电场整体下垂系数k以及对应的风速数据;
步骤S2:对存储的k和ωfinal数据按照风速进行分类;
步骤S3;在每一风速分类下分别对输入变量数据进行状态空间映射变换,并且在该分类数据下构建线性模型;
步骤S4:分别评估计算风电场整体最大下垂斜率kmax;
步骤S5:拟合风速-最大下垂斜率曲线;
步骤S6:进行风电场调频能力评估;
步骤S7:将评估结果上报电网。
2.根据权利要求1所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:所述步骤S1—S5为离线训练过程,所述步骤S6—S7为在线评估过程,当步骤S1—S5中的训练时间周期改变或风电场自身参数发生改变时,离线训练结果需要更新维护,保证训练精度,重复执行上述步骤S1—S5。
3.根据权利要求2所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:所述步骤S1中,通过数据采集与监视控制系统(Supervisory Control And DataAcquisition,SCADA)获得风电场中所有风机一次调频后最终转速ωfinal和风电场整体下垂系数k以及对应的风速数据,存储在服务器中;
风电场调频过程可以近似表示为风电场整体下垂系数为输入变量,风电场所有风机一次调频后的最终转速为输出变量的非线性模型,即公式(1)所示:
ωfinal=φ(k) (1)
式(1)中ωfinal为风电场中所有风机一次调频后最终转速,k为风电场整体下垂系数。
4.根据权利要求3所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:所述步骤S2中,对存储的k和ωfinal数据按照风速进行分类,风速类别尽可能涵盖风电场常见运行风速区间。所述方法对风电场常见运行风速区间进行等步长划分(如设定风速区间为[7,11]m/s,步长为0.5m/s),获得多种采样风速,相同风速下的数据将归为一类。若每种采样风速下积累数据均超过1000组,则判定满足数据驱动训练条件,所述方法开始训练。若不满足数据驱动条件,所述方法继续获取数据。
5.根据权利要求4所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:所述步骤S3中,在数据满足训练需求后,本发明方法在每一风速分类下分别对输入变量数据进行状态空间映射变换,并且在该分类数据下构建线性模型;
非线性模型通过Koopman升维变换方法能够转化为线性模型,如公式(2)和公式(3)所示:
ωfinal=Mklift (2)
式(2)中klift表示对k进行升维变换后的矩阵的矩阵;M表示系数矩阵。式(3)中ψ(k)表示k的升维函数矩阵。若所述方法升高维度为n维(n可取任意的正整数,如500、1000、1500等),升维函数ψ(x)可看作由n个标量函数ψi(x)构成,具体形式如下式所示:
ψi(k)=flift(k+ci) (4)
其中ci表示第i个标量函数的基底向量,本发明中ci可选取[0,40]区间内的任意数值。本发明中标量函数ψi(x)具体采用polyharmonic型函数形式,表示如下:
风电场线性模型系数矩阵M可以使用最小二乘法估计得到,风电场历史训练数据可用公式(6)表示:
式(6)中,n表示同一风速下风电场历史数据的数量;k表示风电场整体下垂系数样本集;Wfinal表示所有风机一次调频后最终转速样本集。根据上述数据,风电场线性模型能够使用最小二乘法估计系数矩阵,如公式(7)所示:
6.根据权利要求5所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:所述步骤S4中,在每种采样风速下,线性模型使用二分法分别评估计算风电场整体最大下垂斜率kmax,kmax作为此风速下的风电场调频能力评估结果;
由于采用polyharmonic型升维函数具有单调性,线性模型(2)可知具有单调性,能够使用二分法进行模型求解。若已知所有风机的一次调频安全转速界限,能够使用二分法,计算ωfinal达到安全转速界限时,对应的风电场整体最大下垂斜率kmax,kmax即为当前风速下风电场一次调频能力评估结果。
7.根据权利要求6所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:所述步骤S5中,通过线性插值方法,拟合风速-最大下垂斜率曲线,将拟合结果存储在服务器中。
8.根据权利要求7所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:所述步骤S6中通过测风塔装置获取风电场各台风机风速数据,所述方法可使用获得的当前风速进行风电场调频能力实时评估,也可结合风速预测技术如ARMA方法,基于当前风速数据对未来风速进行预测,所述方法也可使用短期、超短期预测风速进行风电场调频能力预测评估。
9.根据权利要求8所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:所述步骤S7中,从服务器中调用相应风速条件下离线训练结果kmax,完成风电场调频能力在线评估,将结果上报电网。
10.根据权利要求9所述的一种模型不完备风电场调频能力在线评估方法,其特征在于:当步骤S6—S7中的电网存在风电场调频评估需求时,则重复执行步骤S6—S7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027775.9A CN115578016A (zh) | 2022-08-25 | 2022-08-25 | 一种模型不完备风电场调频能力在线评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027775.9A CN115578016A (zh) | 2022-08-25 | 2022-08-25 | 一种模型不完备风电场调频能力在线评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578016A true CN115578016A (zh) | 2023-01-06 |
Family
ID=84578898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211027775.9A Pending CN115578016A (zh) | 2022-08-25 | 2022-08-25 | 一种模型不完备风电场调频能力在线评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578016A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151130A (zh) * | 2023-04-19 | 2023-05-23 | 国网浙江新兴科技有限公司 | 风电场最大频率阻尼系数计算方法、装置、设备及介质 |
-
2022
- 2022-08-25 CN CN202211027775.9A patent/CN115578016A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151130A (zh) * | 2023-04-19 | 2023-05-23 | 国网浙江新兴科技有限公司 | 风电场最大频率阻尼系数计算方法、装置、设备及介质 |
CN116151130B (zh) * | 2023-04-19 | 2023-08-15 | 国网浙江新兴科技有限公司 | 风电场最大频率阻尼系数计算方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Asgharnia et al. | Load mitigation of a class of 5-MW wind turbine with RBF neural network based fractional-order PID controller | |
CN103138256B (zh) | 一种新能源电力消纳全景分析系统及方法 | |
Biegel et al. | Distributed low-complexity controller for wind power plant in derated operation | |
CN102012956B (zh) | 一种考虑风电场输入风速和风向随机波动的风电场等值方法 | |
Musyafa et al. | Pitch angle control of variable low rated speed wind turbine using fuzzy logic controller | |
CN106786677B (zh) | 一种互联电力系统分布式动态矩阵频率控制方法 | |
Nguyen et al. | Advanced control strategies for wind energy systems: An overview | |
CN107689638B (zh) | 一种基于相轨迹分析的含风电电力系统暂态协调控制方法 | |
CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
CN102102626A (zh) | 风电场短期功率预测方法 | |
Barrera-Cardenas et al. | Optimal LQG controller for variable speed wind turbine based on genetic algorithms | |
Babazadeh et al. | An hour ahead wind speed prediction by Kalman filter | |
CN102749471A (zh) | 一种短期风速、风电功率预测方法 | |
CN115578016A (zh) | 一种模型不完备风电场调频能力在线评估方法 | |
Gbadega et al. | Model-based receding horizon control of wind turbine system for optimal power generation | |
Yao et al. | RBF neural network based self-tuning PID pitch control strategy for wind power generation system | |
Zhang et al. | Intelligent control for large-scale variable speed variable pitch wind turbines | |
CN110571794A (zh) | 一种适用于双馈风机风电场的暂态模型等值计算方法 | |
CN115167140B (zh) | 风力发电机组多目标随机模型预测控制策略方法及系统 | |
CN107453366B (zh) | 计及风电决策风险的含upfc多目标最优潮流计算方法 | |
Qiao et al. | Wind power generation forecasting and data quality improvement based on big data with multiple temporal-spatual scale | |
El Aimani | Modeling and control structures for variable speed wind turbine | |
CN113991647A (zh) | 一种面向频率响应容量规划的电力系统随机生产模拟方法 | |
Dang et al. | A multi-objective optimal nonlinear control of variable speed wind turbine | |
Liu et al. | Optimization of torque control parameters for wind turbine based on drive chain active damping control |
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 |