CN115833102A - 基于模型预测控制的风电场频率快速响应控制方法 - Google Patents
基于模型预测控制的风电场频率快速响应控制方法 Download PDFInfo
- Publication number
- CN115833102A CN115833102A CN202211575153.XA CN202211575153A CN115833102A CN 115833102 A CN115833102 A CN 115833102A CN 202211575153 A CN202211575153 A CN 202211575153A CN 115833102 A CN115833102 A CN 115833102A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- wind
- model
- ith
- 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 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
本发明公开了一种基于模型预测控制的风电场频率快速响应控制方法,包括步骤:S1:利用SCADA系统的风电机组状态数据,训练得到基于神经网络的风电机组的状态预测模型;基于电网频率偏差对应的风电场总有功功率参考值,并结合状态预测模型,采用模型预测控制算法,得到各个风电机组的有功功率参考值;S2:离线训练基于神经网络的风电机组控制模型,利用训练好的模型替代模型预测控制算法对各风电机组进行在线控制;S3:当状态预测模型误差超过设定阈值时,采用最新的SCADA系统监测数据重新训练,更新风电机组的状态预测模型和控制模型。本发明构建了更精确的风电机组状态预测模型,并能够迅速给出各风电机组参考功率,实现风电场快速频率响应控制。
Description
技术领域
本发明涉及风力发电技术领域,具体涉及一种基于模型预测控制的风电场频率快速响应控制方法。
背景技术
由于风电通过变频器与电网进行连接,使得风机转速与电网频率解耦,无法像传统同步发电机组一样提供惯量支撑。而随着电力系统中风力发电的比例不断升高,风电机组替代了传统的机组,使得电力系统整体的惯量水平大幅下降,从而影响电力系统的安全稳定运行。为此,风电机组需要具备快速频率响应能力,主动支撑电网频率,提高电力系统的频率稳定性。
现有的,公开号为CN114899892A的中国发明申请公开了一种风电机组主动频率支撑控制方法,对风电机组进行超速控制,储备机械功率。构建了包含短期支撑和长期支撑的风电机组主动频率支撑控制器。建立了含有风电机组主动频率支撑控制器的风机线性化模型,确定了稳定运行范围。公开号为CN114336588A的中国发明申请公开了一种风电机组数据驱动模型预测控制方法,采用两阶段模糊曲线方法得到风电场各输入变量与输出之间的关联度权重,并选择重要的输入变量,然后采用模糊聚类和高斯型隶属函数确定模糊模型前提参数,采用递推最小二乘辨识出模糊模型结论参数;利用辨识得到的模型进行模型预测控制实现风电场频率控制。
然而,现有的风电机组模型往往采用物理模型,当风电机组运行工况改变时,往往无法精确描述风电机组运行特性。此外,采用模型预测控制算法时,每个控制周期需要对优化问题进行求解,而优化问题往往存在大量的约束,无法较快求出最优解,从而无法实现风电场的快速频率响应控制。为此,有必要进一步探究基于模型预测控制的风电场频率快速响应控制方法。
发明内容
为解决上述技术问题的至少之一,本发明提供一种基于大数据特征提取的海上风电机组监测数据处理方法。
本发明的目的通过以下技术方案实现:
本发明提供一种基于大数据特征提取的海上风电机组监测数据处理方法,其特征在于,具有如下步骤:
S1:利用数据采集与监视控制(SCADA)系统采集的风电机组状态数据,训练得到基于神经网络的风电机组的状态预测模型;基于电网频率偏差对应的风电场总有功功率参考值,并结合风电机组的状态预测模型,采用模型预测控制算法,得到风电场各个风电机组的有功功率参考值;
S2:为了避免模型预测控制算法求解时间过长,提出离线训练法,以风电机组状态数据为输入,模型预测控制算法求出的风电场各个风电机组的有功功率参考值为输出的基于神经网络的风电机组控制模型,利用训练好的模型替代模型预测控制算法对各风电机组进行在线控制;
S3:计算根据风电机组的状态预测模型得到的结果与SCADA系统实测数据之间的误差,当误差超过设定阈值时,采用最新的SCADA系统监测数据重新训练,对风电机组的状态预测模型和风电机组控制模型进行更新。
进一步地,步骤S1中,SCADA系统采集的风电机组状态数据包括t时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速、风速。构建的风电机组模型的输入为t时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速、风速、有功功率参考值,输出为风电机组t时刻的轴转矩、塔架所受弯矩和t+1时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速,形成输入输出数据样本对。
进一步地,步骤S1中,神经网络包含输入层、隐藏层和输出层,共三层,隐藏层的激活函数为ReLU函数,从神经网络输入层至输出层的关系为:
hi=σ(W1,ixi+b1,i)
yi=W2,ihi+b2,i
其中,xi为第i台风电机组的输入向量,W1,i为第i台风电机组的神经网络输入层到隐藏层经过训练得到的权重参数、W2,i为第i台风电机组的神经网络隐藏层到输出层经过训练得到的权重参数、b1,i为第i台风电机组的神经网络输入层到隐藏层经过训练得到的偏置参数、b2,i为第i台风电机组的神经网络隐藏层到输出层经过训练得到的偏置参数,σ表示ReLU函数,hi为第i台风电机组的中间计算结果,yi为第i台风电机组的输出向量,βi为第i台风电机组的桨距角,ωr,i为第i台风电机组风力机的转子转速,ωg,i为第i台风电机组考虑发电机的发电效率后的等效转子转速,为第i台风电机组的参考功率输出值,Ts,i为第i台风电机组的轴转矩,Mi为第i台风电机组的塔架所受弯矩,t表示t时刻。
进一步地,步骤S1中,根据电网频率偏差,得到的风电场总有功功率增量为:
进一步地,步骤S1中,风电场总有功功率参考值由以下公式计算:
进一步地,步骤S1中,采用模型预测控制算法的目标函数为:
进一步地,步骤S1中,采用模型预测控制算法的约束条件为:
βi(t+1)∈[βmin,i,βmax,i]∩[βi(t)-Δβlim,i,βi(t)+Δβlim,i]
ωr,i(t)∈[ωmin,i,ωmax,i]
其中,为第i台风电机组的有功功率参考值,为第i台风电机组可发出的最大有功功率,βmin,i为第i台风电机组的最小桨距角,βmax,i为第i台风电机组的最大桨距角,Δβlim,i为第i台风电机组桨距角的最大变化率,ωmin,i为第i台风电机组的最小风力机转子转速,ωmax,i为第i台风电机组的最大风力机转子转速。
进一步地,步骤S1中,根据构建的状态预测模型、目标函数和约束条件,采用粒子群优化算法,求解得到风电场各个风电机组的有功功率参考值。
进一步地,步骤S2中,神经网络包含输入层、隐藏层和输出层共三层,隐藏层的激活函数为ReLU函数,从神经网络输入层至输出层的关系为:
s=σ(k1a+c1)
d=k2s+c2
其中,a为基于神经网络的风电机组控制模型的输入向量,k1为基于神经网络的风电机组控制模型输入层到隐藏层经过训练得到的权重参数、k2为第i台风电机组的神经网络隐藏层到输出层经过训练得到的权重参数、c1为基于神经网络的风电机组控制模型输入层到隐藏层经过训练得到的偏置参数和c2为基于神经网络的风电机组控制模型隐藏层到输出层经过训练得到的偏置参数,σ表示ReLU函数,s为基于神经网络的风电机组控制模型的中间计算结果,d为基于神经网络的风电机组控制模型的输出向量。
进一步地,在步骤S3中,设置的阈值可由以下公式确定:
Ti=1.5(Ei+Si)
其中,Ti为第i台风电机组设定的阈值,Ei为第i台风电机组训练集平均误差,Si为第i台风电机组训练集误差的标准差。
本发明提出了一种基于模型预测控制的风电场频率快速响应控制方法,利用SCADA系统采集的风电机组状态数据,训练得到基于神经网络的风电机组模型。根据电网频率偏差,得到风电场总有功功率参考值,采用模型预测控制算法,得到风电场各个风电机组的有功功率参考值。离线训练基于神经网络的风电机组控制模型,利用训练好的模型对各风电机组进行在线控制。计算风电机组模型得到的结果与实测数据之间的误差,当误差超过设定阈值时,对风电机组模型和风电机组控制模型进行更新。本发明中采用神经网络模型构建风电机组模型,提高了风电机组模型的精度。此外,采用神经网络模型训练得到风电机组控制模型,大大加快了策略求解速度,便于实现对风电机组的快速频率响应控制。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的流程图。
具体实施方式
下面将结合说明书附图和实施例,对本发明中的技术方案进行完整、清楚地描述,显然,所述实施例仅仅是本发明一部分实施例,本发明的保护范围不局限于所述实施例。
结合图1所示,本发明提供一种基于大数据特征提取的海上风电机组监测数据处理方法,其包括如下步骤:
S1:利用SCADA系统采集的风电机组状态数据,训练得到基于神经网络的风电机组模型;根据电网频率偏差,得到风电场总有功功率参考值,并结合风电机组模型,采用模型预测控制算法,得到风电场各个风电机组的有功功率参考值。
具体地,SCADA系统采集的风电机组状态数据包括t时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速、风速。构建的风电机组模型的输入为t时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速、风速、有功功率参考值,输出为风电机组t时刻的轴转矩、塔架所受弯矩和t+1时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速。
构建的基于神经网络的风电机组模型包含输入层、隐藏层和输出层,共三层,输入层神经元个数为5,隐藏层神经元个数为32,输出层神经元个数为5。隐藏层的激活函数为ReLU函数,从神经网络输入层至输出层的关系为:
hi=σ(W1,ixi+b1,i)
yi=W2,ihi+b2,i
其中,xi为第i台风电机组的输入向量,W1,i为第i台风电机组的神经网络输入层到隐藏层经过训练得到的权重参数、W2,i为第i台风电机组的神经网络隐藏层到输出层经过训练得到的权重参数、b1,i为第i台风电机组的神经网络输入层到隐藏层经过训练得到的偏置参数、b2,i为第i台风电机组的神经网络隐藏层到输出层经过训练得到的偏置参数,σ表示ReLU函数,hi为第i台风电机组的中间计算结果,yi为第i台风电机组的输出向量,βi为第i台风电机组的桨距角,ωr,i为第i台风电机组风力机的转子转速,ωg,i为第i台风电机组考虑发电机的发电效率后的等效转子转速,为第i台风电机组的参考功率输出值,Ts,i为第i台风电机组的轴转矩,Mi为第i台风电机组的塔架所受弯矩,t表示t时刻。
采用均方误差作为损失函数,对神经网络进行训练,得到基于神经网络的风电机组模型。
具体地,根据电网频率偏差,得到的风电场总有功功率增量为:
风电场总有功功率参考值由以下公式计算:
采用模型预测控制算法的目标函数为:
采用模型预测控制算法的约束条件为:
βi(t+1)∈[βmin,i,βmax,i]∩[βi(t)-Δβlim,i,βi(t)+Δβlim,i]
ωr,i(t)∈[ωmin,i,ωmax,i]
其中,为第i台风电机组的有功功率参考值,为第i台风电机组可发出的最大有功功率,βmin,i为第i台风电机组的最小桨距角,βmax,i为第i台风电机组的最大桨距角,Δβlim,i为第i台风电机组桨距角的最大变化率,ωmin,i为第i台风电机组的最小风力机转子转速,ωmax,i为第i台风电机组的最大风力机转子转速。
根据构建的状态预测模型、目标函数和约束条件,采用粒子群优化算法,求解得到风电场各个风电机组的有功功率参考值。所述粒子群优化算法的步骤如下:
(1)设定最大迭代次数,速度区间,粒子群规模,并在速度区间和搜索空间内随机初始化各个粒子的速度Vi和位置Ai。
(3)根据局部最优解和全局最优解,更新各个粒子的速度和位置。
Ai(k+1)=Ai(k)+Vi(k+1)
其中,ω为惯性因子,C1、C2为加速常数,random(0,1)为0到1上的随机数,k为当前迭代次数。
(4)当达到最大迭代次数或者两次迭代之前,全局最优适应度函数变化小于阈值时,终止循环。
S2:离线训练以风电机组状态数据为输入,风电场各个风电机组的有功功率参考值为输出的基于神经网络的风电机组控制模型,利用训练好的模型对各风电机组进行在线控制。
基于神经网络的风电机组控制模型包含输入层、隐藏层和输出层共三层,输入层神经元个数为4nwt,隐藏层神经元个数为256,输出层神经元个数为nwt,隐藏层的激活函数为ReLU函数,从神经网络输入层至输出层的关系为:
s=σ(k1a+c1)
d=k2s+c2
其中,a为基于神经网络的风电机组控制模型的输入向量,k1为基于神经网络的风电机组控制模型输入层到隐藏层经过训练得到的权重参数、k2为第i台风电机组的神经网络隐藏层到输出层经过训练得到的权重参数、c1为基于神经网络的风电机组控制模型输入层到隐藏层经过训练得到的偏置参数和c2为基于神经网络的风电机组控制模型隐藏层到输出层经过训练得到的偏置参数,σ表示ReLU函数,s为基于神经网络的风电机组控制模型的中间计算结果,d为基于神经网络的风电机组控制模型的输出向量。
采用均方误差作为损失函数,对神经网络进行离线训练,得到基于神经网络的风电机组模型。模型训练完成后,投入在线使用,实时计算得到各个风电机组的有功功率参考值。
S3:计算根据风电机组模型得到的结果与SCADA系统实测数据之间的误差,当误差超过设定阈值时,采用最新的SCADA系统监测数据重新训练,对风电机组模型和风电机组控制模型进行更新。
具体地,设置的阈值可由以下公式确定:
Ti=1.5(Ei+Si)
其中,Ti为第i台风电机组设定的阈值,Ei为第i台风电机组训练集平均误差,Si为第i台风电机组训练集误差的标准差。
以上对本发明实施例的详细介绍,仅用于帮助理解本发明的核心思想及方法,不应视为对本发明实施的限定;应当指出,本领域普通技术人员基于本发明中的实施例,在没有作出创造性劳动前提下所获得的所有其它实施例,都应视为本发明保护的范围。
Claims (10)
1.一种基于模型预测控制的风电场频率快速响应控制方法,其特征在于,具有如下步骤:
S1:利用SCADA系统的风电机组状态数据,训练得到基于神经网络的风电机组的状态预测模型;基于电网频率偏差对应的风电场总有功功率参考值,并结合风电机组的状态预测模型,采用模型预测控制算法,得到风电场各个风电机组的有功功率参考值;
S2:为了避免模型预测控制算法求解时间过长,提出离线训练法,以风电机组状态数据为输入,模型预测控制算法求出的风电场各个风电机组的有功功率参考值为输出的基于神经网络的风电机组控制模型,利用训练好的模型替代模型预测控制算法对各风电机组进行在线控制;
S3:计算风电机组的状态预测模型得到的结果与SCADA系统实测数据之间的误差,当误差超过设定阈值时,采用最新的SCADA系统监测数据重新训练,对风电机组的状态预测模型和风电机组控制模型进行更新。
2.如权利要求1所述的基于模型预测控制的风电场频率快速响应控制方法,其特征在于,在步骤S1中,SCADA系统采集的风电机组状态数据包括t时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速、风速;构建的风电机组模型的输入为t时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速、风速、有功功率参考值,输出为风电机组t时刻的轴转矩、塔架所受弯矩和t+1时刻的桨距角、风力机转子转速和考虑发电机的发电效率后的等效转子转速,形成输入输出数据样本对。
3.如权利要求2所述的基于模型预测控制的风电场频率快速响应控制方法,其特征在于,在步骤S1中,神经网络包含输入层、隐藏层和输出层,所述隐藏层采用的激活函数为ReLU函数,从神经网络输入层至输出层的关系为:
hi=σ(W1,ixi+b1,i)
yi=W2,ihi+b2,i
其中,xi为第i台风电机组的输入向量,W1,i为第i台风电机组的神经网络输入层到隐藏层经过训练得到的权重参数、W2,i为第i台风电机组的神经网络隐藏层到输出层经过训练得到的权重参数、b1,i为第i台风电机组的神经网络输入层到隐藏层经过训练得到的偏置参数、b2,i为第i台风电机组的神经网络隐藏层到输出层经过训练得到的偏置参数,σ表示ReLU函数,hi为第i台风电机组的中间计算结果,yi为第i台风电机组的输出向量,βi为第i台风电机组的桨距角,ωr,i为第i台风电机组风力机的转子转速,ωg,i为第i台风电机组考虑发电机的发电效率后的等效转子转速,为第i台风电机组的参考功率输出值,Ts,i为第i台风电机组的轴转矩,Mi为第i台风电机组的塔架所受弯矩,t表示t时刻。
8.如权利要求1所述的基于模型预测控制的风电场频率快速响应控制方法,其特征在于,在步骤S1中,根据构建的状态预测模型、目标函数和约束条件,采用粒子群优化算法,求解得到风电场各个风电机组的有功功率参考值。
9.如权利要求1所述的基于模型预测控制的风电场频率快速响应控制方法,其特征在于,在步骤S2中,神经网络包含输入层、隐藏层和输出层,隐藏层的激活函数为ReLU函数,从神经网络输入层至输出层的关系为:
s=σ(k1a+c1)
d=k2s+c2
其中,a为基于神经网络的风电机组控制模型的输入向量,k1为基于神经网络的风电机组控制模型输入层到隐藏层经过训练得到的权重参数、k2为基于神经网络的风电机组控制模型隐藏层到输出层经过训练得到的权重参数、c1为基于神经网络的风电机组控制模型输入层到隐藏层经过训练得到的偏置参数和c2为基于神经网络的风电机组控制模型隐藏层到输出层经过训练得到的偏置参数,σ表示ReLU函数,s为基于神经网络的风电机组控制模型的中间计算结果,d为基于神经网络的风电机组控制模型的输出向量。
10.如权利要求1所述的基于模型预测控制的风电场频率快速响应控制方法,其特征在于,在步骤S3中,设置的阈值可由以下公式确定:
Ti=1.5(Ei+Si)
其中,Ti为第i台风电机组设定的阈值,Ei为第i台风电机组训练集平均误差,Si为第i台风电机组训练集误差的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575153.XA CN115833102B (zh) | 2022-12-08 | 2022-12-08 | 基于模型预测控制的风电场频率快速响应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575153.XA CN115833102B (zh) | 2022-12-08 | 2022-12-08 | 基于模型预测控制的风电场频率快速响应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115833102A true CN115833102A (zh) | 2023-03-21 |
CN115833102B CN115833102B (zh) | 2023-08-25 |
Family
ID=85545570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211575153.XA Active CN115833102B (zh) | 2022-12-08 | 2022-12-08 | 基于模型预测控制的风电场频率快速响应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115833102B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105576712A (zh) * | 2016-02-17 | 2016-05-11 | 中国农业大学 | 一种基于自适应极点配置的风电场有功功率在线控制方法 |
CN110416999A (zh) * | 2019-07-03 | 2019-11-05 | 东南大学 | 一种考虑风电参与调频的风电场聚合频率响应模型构建方法 |
CN111091236A (zh) * | 2019-11-27 | 2020-05-01 | 长春吉电能源科技有限公司 | 一种按桨距角分类的多分类深度学习短期风功率预测方法 |
CN112632774A (zh) * | 2020-12-21 | 2021-04-09 | 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 |
WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及系统 |
CN113659565A (zh) * | 2021-07-19 | 2021-11-16 | 华北电力大学 | 一种新能源电力系统频率态势的在线预测方法 |
CN114336673A (zh) * | 2021-11-24 | 2022-04-12 | 华能新能源股份有限公司 | 一种基于模型预测控制的风储联合电站一次调频控制策略 |
CN114336592A (zh) * | 2021-11-24 | 2022-04-12 | 华能新能源股份有限公司 | 一种基于模型预测控制的风电场agc控制方法 |
CN114566981A (zh) * | 2021-12-16 | 2022-05-31 | 国网浙江省电力有限公司电力科学研究院 | 一种基于数据预测的风电场一次调频控制方法 |
WO2022156014A1 (zh) * | 2021-01-21 | 2022-07-28 | 山东大学 | 混联风光微电网快速频率响应分布式协调控制方法及系统 |
CN115018170A (zh) * | 2022-06-14 | 2022-09-06 | 海南大学 | 一种短期风电功率预测方法、装置、设备及存储介质 |
CN115313426A (zh) * | 2022-08-23 | 2022-11-08 | 浙江大学 | 一种适用于海上风电场的风储动态一次调频方法 |
-
2022
- 2022-12-08 CN CN202211575153.XA patent/CN115833102B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105576712A (zh) * | 2016-02-17 | 2016-05-11 | 中国农业大学 | 一种基于自适应极点配置的风电场有功功率在线控制方法 |
CN110416999A (zh) * | 2019-07-03 | 2019-11-05 | 东南大学 | 一种考虑风电参与调频的风电场聚合频率响应模型构建方法 |
CN111091236A (zh) * | 2019-11-27 | 2020-05-01 | 长春吉电能源科技有限公司 | 一种按桨距角分类的多分类深度学习短期风功率预测方法 |
WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及系统 |
US20220195986A1 (en) * | 2020-12-21 | 2022-06-23 | Tsinghua University | Data-driven wind farm frequency control method based on dynamic mode decomposition |
CN112632774A (zh) * | 2020-12-21 | 2021-04-09 | 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 |
WO2022156014A1 (zh) * | 2021-01-21 | 2022-07-28 | 山东大学 | 混联风光微电网快速频率响应分布式协调控制方法及系统 |
CN113659565A (zh) * | 2021-07-19 | 2021-11-16 | 华北电力大学 | 一种新能源电力系统频率态势的在线预测方法 |
CN114336673A (zh) * | 2021-11-24 | 2022-04-12 | 华能新能源股份有限公司 | 一种基于模型预测控制的风储联合电站一次调频控制策略 |
CN114336592A (zh) * | 2021-11-24 | 2022-04-12 | 华能新能源股份有限公司 | 一种基于模型预测控制的风电场agc控制方法 |
CN114566981A (zh) * | 2021-12-16 | 2022-05-31 | 国网浙江省电力有限公司电力科学研究院 | 一种基于数据预测的风电场一次调频控制方法 |
CN115018170A (zh) * | 2022-06-14 | 2022-09-06 | 海南大学 | 一种短期风电功率预测方法、装置、设备及存储介质 |
CN115313426A (zh) * | 2022-08-23 | 2022-11-08 | 浙江大学 | 一种适用于海上风电场的风储动态一次调频方法 |
Non-Patent Citations (1)
Title |
---|
WANG JIANG ET AL: "Frequency estimation in wind farm integrated systems using artificial neural network", INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS, vol. 62, pages 72 - 79, XP028860895, DOI: 10.1016/j.ijepes.2014.04.027 * |
Also Published As
Publication number | Publication date |
---|---|
CN115833102B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104005909B (zh) | 非线性前馈与模糊pid结合的风力发电机组变桨距控制方法 | |
CN104595106B (zh) | 基于强化学习补偿的风力发电变桨距控制方法 | |
US20220186709A1 (en) | Reinforcement learning-based real time robust variable pitch control of wind turbine systems | |
CN111608868B (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN110454329A (zh) | 一种风电机组桨距角控制方法 | |
Barrera-Cardenas et al. | Optimal LQG controller for variable speed wind turbine based on genetic algorithms | |
CN107045574B (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN107947228B (zh) | 基于Markov理论的含风电电力系统随机稳定性分析方法 | |
CN109737008A (zh) | 风电机组智能变桨控制系统及方法、风电机组 | |
CN116292095B (zh) | 一种串列式双风轮风电机组多场景协调运行方法 | |
TOMIN et al. | Intelligent control of a wind turbine based on reinforcement learning | |
Malmir et al. | Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm | |
CN111997833B (zh) | 基于激光测风前馈的风电机组复合智能变桨控制方法 | |
CN115833102B (zh) | 基于模型预测控制的风电场频率快速响应控制方法 | |
CN113098057B (zh) | 一种双馈风机参数的多目标高维多分数阶优化方法 | |
Wang et al. | Wind power compound model-free adaptive predictive control based on full wind speed | |
CN117251995A (zh) | 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 | |
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 | |
CN110457800A (zh) | 考虑机械惯性的水平轴风机风速出力折算方法 | |
Yang et al. | Fuzzy PID control of induction generators | |
CN110985287B (zh) | 一种基于宽度学习的间接转速控制方法 | |
Bahraminejad et al. | Comparison of interval type-2 fuzzy logic controller with PI controller in pitch control of wind turbines | |
Musyafa et al. | Design Optimal of Adaptive Control and Fuzzy Logic Control on Torque-Shaft Small Scale Wind Turbine | |
Pehlivan | A novel fuzzy logic pitch angle controller with genetic algorithm optimization for wind turbines |
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 |