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

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

基于模型预测控制的风电场频率快速响应控制方法

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：

h_i＝σ(W_1,ix_i+b_1,i)

y_i＝W_2,ih_i+b_2,i

其中，x_i为第i台风电机组的输入向量，W_1,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、W_2,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、b_1,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、b_2,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，h_i为第i台风电机组的中间计算结果，y_i为第i台风电机组的输出向量，β_i为第i台风电机组的桨距角，ω_r,i为第i台风电机组风力机的转子转速，ω_g,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，T_s,i为第i台风电机组的轴转矩，M_i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：

其中，k_p、k_d分别为比例微分虚拟惯量控制的比例系数和微分系数；Δf为系统频率偏差，

为风电场有功功率参考值增量。

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：

其中，

为风电场总有功功率参考值；

为在采样点时刻风电场总有功功率参考值。

进一步地，步骤S1中，采用模型预测控制算法的目标函数为：

其中，

为目标函数值，n_wt为风电场风电机组数量，n_p为优化时段数，

为第i台风电机组在采样点时刻的轴转矩，

为第i台风电机组的塔架在采样点时刻所受弯矩。

进一步地，步骤S1中，采用模型预测控制算法的约束条件为：

β_i(t+1)∈[β_min,i,β_max,i]∩[β_i(t)-Δβ_lim,i,β_i(t)+Δβ_lim,i]

ω_r,i(t)∈[ω_min,i,ω_max,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，β_min,i为第i台风电机组的最小桨距角，β_max,i为第i台风电机组的最大桨距角，Δβ_lim,i为第i台风电机组桨距角的最大变化率，ω_min,i为第i台风电机组的最小风力机转子转速，ω_max,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：

T_i＝1.5(E_i+S_i)

其中，T_i为第i台风电机组设定的阈值，E_i为第i台风电机组训练集平均误差，S_i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：

h_i＝σ(W_1,ix_i+b_1,i)

y_i＝W_2,ih_i+b_2,i

其中，x_i为第i台风电机组的输入向量，W_1,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、W_2,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、b_1,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、b_2,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，h_i为第i台风电机组的中间计算结果，y_i为第i台风电机组的输出向量，β_i为第i台风电机组的桨距角，ω_r,i为第i台风电机组风力机的转子转速，ω_g,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，T_s,i为第i台风电机组的轴转矩，M_i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：

其中，k_p、k_d分别为比例微分虚拟惯量控制的比例系数和微分系数；Δf为系统频率偏差，

为风电场有功功率参考值增量。

风电场总有功功率参考值由以下公式计算：

其中，

为风电场总有功功率参考值；

为在采样点时刻风电场总有功功率参考值。

采用模型预测控制算法的目标函数为：

其中，

为目标函数值，n_wt为风电场风电机组数量，n_p为优化时段数，

为第i台风电机组在采样点时刻的轴转矩，

为第i台风电机组的塔架在采样点时刻所受弯矩。

采用模型预测控制算法的约束条件为：

β_i(t+1)∈[β_min,i,β_max,i]∩[β_i(t)-Δβ_lim,i,β_i(t)+Δβ_lim,i]

ω_r,i(t)∈[ω_min,i,ω_max,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，β_min,i为第i台风电机组的最小桨距角，β_max,i为第i台风电机组的最大桨距角，Δβ_lim,i为第i台风电机组桨距角的最大变化率，ω_min,i为第i台风电机组的最小风力机转子转速，ω_max,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V_i和位置A_i。

(2)将

定义为适应度函数，计算每个粒子的适应度函数，从历史位置中找到每个粒子适应度函数最小时的位置，作为第i个粒子的局部最优位置

从所有局部最优位置中，找到适应度函数最小时的位置，作为全局最优位置

(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。

A_i(k+1)＝A_i(k)+V_i(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4n_wt，隐藏层神经元个数为256，输出层神经元个数为n_wt，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：

T_i＝1.5(E_i+S_i)

其中，T_i为第i台风电机组设定的阈值，E_i为第i台风电机组训练集平均误差，S_i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：

h_i＝σ(W_1,ix_i+b_1,i)

y_i＝W_2,ih_i+b_2,i

其中，x_i为第i台风电机组的输入向量，W_1,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、W_2,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、b_1,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、b_2,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，h_i为第i台风电机组的中间计算结果，y_i为第i台风电机组的输出向量，β_i为第i台风电机组的桨距角，ω_r,i为第i台风电机组风力机的转子转速，ω_g,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，T_s,i为第i台风电机组的轴转矩，M_i为第i台风电机组的塔架所受弯矩，t表示t时刻。

4.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，根据电网频率偏差，得到的风电场总有功功率增量为：

其中，k_p、k_d分别为PD虚拟惯量控制的比例系数和微分系数；Δf为系统频率偏差，

为风电场有功功率参考值增量。

5.如权利要求4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，风电场总有功功率参考值由以下公式计算：

其中，

为风电场总有功功率参考值；

为在采样点时刻风电场总有功功率参考值。

6.如权利要求3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，采用模型预测控制算法的目标函数为：

其中，

为目标函数值，n_wt为风电场风电机组数量，n_p为优化时段数，

为第i台风电机组在采样点时刻的轴转矩，

为第i台风电机组的塔架在采样点时刻所受弯矩。

7.如权利要求6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，采用模型预测控制算法的约束条件为：

β_i(t+1)∈[β_min,i,β_max,i]∩[β_i(t)-Δβ_lim,i,β_i(t)+Δβ_lim,i]

ω_r,i(t)∈[ω_min,i,ω_max,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，β_min,i为第i台风电机组的最小桨距角，β_max,i为第i台风电机组的最大桨距角，Δβ_lim,i为第i台风电机组桨距角的最大变化率，ω_min,i为第i台风电机组的最小风力机转子转速，ω_max,i为第i台风电机组的最大风力机转子转速。

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：

T_i＝1.5(E_i+S_i)

其中，T_i为第i台风电机组设定的阈值，E_i为第i台风电机组训练集平均误差，S_i为第i台风电机组训练集误差的标准差。

Images