CN116544967A - 一种基于胶囊网络预测的风电调频优化控制方法 - Google Patents

Abstract

本发明公开了一种基于胶囊网络预测的风电调频优化控制方法，包括以下步骤：S1、随机选择不同的v、d、K进行组合，进行调频仿真得到偏差Δf_max、Δf、Δt；S2、以选择的n组v、d、K和仿真数据作为训练样本，采用胶囊网络构建预测模型，并预测v、d、K的其余组合下系统Δf_max、Δf、Δt的值；S3、得到不同v下的d、K；S4、建立v与d的映射关系、v与K的映射关系；S5、通过f1和f2得到当前v对应的最优减载系数d和下垂系数K；S6、计算风机减载功率P_del和调频功率ΔP，计算风机调频实发功率P_ref。本发明将胶囊神经网络引入风电调频优化控制上，具有训练速度快、捕捉数据内部特征效果好、预测结果精确度高等优势。

Description

一种基于胶囊网络预测的风电调频优化控制方法

技术领域

本发明属于风电调频控制技术领域，具体涉及一种基于胶囊网络预测的风电调频优化控制方法。

背景技术

风力发电技术是当前发展最为迅速的新能源发电技术，全球风电装机总容量因风电发展形势迅猛而逐年加大。然而风电具有随机性和波动性，大规模的风电并入电网会导致电力系统出现功率不平衡、频率波动等问题，其中电力系统调频问题是制约风电大规模发展的重要因素。

一方面，大规模风电并网使其显现出更大的随机性和波动性，传统机组受调频响应速度以及爬坡速度限制难以跟踪风电功率波动，使系统频率受到更大的威胁；另一方面，变速风力发电机组的转速与系统频率完全解耦，不具备响应系统频率变化的能力，大规模的风电并入电网会降低电力系统的惯性，其次，因风力发电机组通常采用最大功率点跟踪(Maximum Power Point Tracking，MPPT)的运行模式，不具备调频有功备用，大规模风电并入电网会降低电力系统的调频能力。因此，研究风电调频的优化控制方法，对提高风电利用率、缓解传统机组调频压力、保证电力系统的安全稳定运行具有重要意义。

可以通过超速控制以及桨距角控制实现对风机的减载控制，从而预留风机调频容量。目前大部分研究多采用固定减载率的方式，然而风电功率很大程度上受风速的影响，固定减载率会导致弃风率增大或调频效果不佳等问题。在电力系统受到扰动后，风机采用固定下垂系数的下垂控制参与电力系统调频也存在未充分利用风机减载容量、调频效果不佳等问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种将胶囊神经网络引入风电调频优化控制技术领域，能够实现在不同风速下变减载系数和变下垂系数的风电调频优化控制，从而提高系统调频能力，改善和稳定系统频率的基于胶囊网络预测的风电调频优化控制方法。

本发明的目的是通过以下技术方案来实现的：一种基于胶囊网络预测的风电调频优化控制方法，包括以下步骤：

S1、随机选择n组不同的风速v、风机减载系数d、风机下垂系数K进行组合，然后进行调频仿真，得到系统最大频率偏差Δf_max、稳态频率偏差Δf、动态调频响应时间Δt；

S2、以选择的n组v、d、K和仿真数据作为训练样本，采用胶囊网络构建预测模型，并预测v、d、K的其余组合下系统Δf_max、Δf、Δt的值；

S3、以式(1)为目标函数，得到不同风速v下的风机减载系数d、风机下垂系数K；

min∑(aΔf_max+bΔf+cΔt)＝F(d,K) (1)

其中，Δf_max、Δf、Δt前的系数a、b、c表示其对应权重；

S4、在仿真模型中分别建立v与d的映射关系：d＝f1(v)、v与K的映射关系：K＝f2(v)，未知数据点则采用线性插值法进行填充；

S5、测量风机实时风速v，通过f1和f2得到当前v对应的最优减载系数d和下垂系数K；

S6、根据d和K计算风机减载功率P_del和调频功率ΔP，进而计算得到风机调频实发功率P_ref，完成风机减载和调频控制。

本发明的有益效果是：

(1)将胶囊神经网络引入风电调频优化控制技术领域，利用胶囊网络训练速度快、捕捉数据内部特征效果好、预测结果精确度高等优势，构建以v、d、K随机组合为输入，系统仿真结果Δf_max、Δf、Δt为输出的胶囊网络预测模型，并预测v、d、K其余组合下系统Δf_max、Δf、Δt的值，用于后续参数d和K的优化；

(2)充分考虑到风机固定减载系数和固定下垂系数调频策略存在风能利用率低或调频能力不足的缺陷，以提高风电调频能力为目标，在多种参数组合下寻找风机最优减载系数和下垂系数，实现在不同风速下变减载系数和变下垂系数的风电调频优化控制，从而提高系统调频能力，改善和稳定系统频率。

附图说明

图1为本发明的基于胶囊网络预测的风电调频优化控制方法的流程图；

图2为本发明的系统受到扰动后频率下降为例，系统频率动态响应曲线图；

图3为本发明的采用胶囊网络构建的预测模型的结构示意图；

图4为本发明的风机减载调频参数离线寻优流程图；

图5为本发明的风机减载控制曲线图；

图6为风机减载和调频优化控制框图。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

如图1所示，本发明的一种基于胶囊网络预测的风电调频优化控制方法，包括以下步骤：

S1、随机选择n组不同的风速v、风机减载系数d、风机下垂系数K进行组合，然后进行调频仿真，得到系统最大频率偏差Δf_max、稳态频率偏差Δf、动态调频响应时间Δt；

v以0.1的幅度增减且v∈(v_cut-in,v_cut-out)，v_cut-in为风机切入风速，v_cut-out为风机切出风速；d以0.01的幅度增减且d∈[0,d_max]，d_max为所允许的最大减载系数；K取整数且K∈[0,K_max]，K_max为所允许的最大下垂系数；n＜N，N表示v、d、K的组合总数。

调频仿真系统为在仿真软件中构建的含有风机、传统发电机组和电力负荷的微电网系统，以负荷投切的形式设置系统频率扰动。本实施例以系统受到扰动后频率下降为例，系统频率动态响应曲线图如图2所示。

S2、以选择的n组v、d、K和仿真数据作为训练样本，采用胶囊网络构建预测模型，并预测v、d、K的其余组合下系统Δf_max、Δf、Δt的值；

采用胶囊网络构建的预测模型依次包括卷积层、初级胶囊层、数字胶囊层、Flatten层和全连层，如图3所示；

预测模型的训练方法包括以下流程：

S21、将S1选取的n组v、d、K处理成输入向量T_in形式；S1调频仿真得到的n组系统最大频率偏差Δf_max、稳态频率偏差Δf、动态调频响应时间Δt处理成真实输出向量T_out-true形式，然后使T_in依次通过两层卷积层，提取数据内部的初级特征，并送入初级胶囊层；

S22、初级胶囊层对数据内部的初级特征向量进行处理，得到数据内部的高级特征向量，使用动态路由算法将其送入数字胶囊层；

S23、数字胶囊层对数据内部的高级特征向量进行处理，输出预测向量，送至Flatten层进行“压平”处理；

S24、Flatten层对数字胶囊层输出向量进行“压平”处理，送至全连层输出预测结果，从而得到预测输出向量T_out-pre，预测向量的维数为3*1，预测向量中元素分别表示Δf_max、Δf、Δt的预测值；

S25、将预测输出向量T_out-pre与真实输出向量T_out-true进行损失函数计算，更新胶囊网络的参数，直至胶囊网络收敛。

S3、以式(1)为目标函数，得到不同风速v下的风机减载系数d、风机下垂系数K，完成风机减载系数d、风机下垂系数K的离线寻优；

min∑(aΔf_max+bΔf+cΔt)＝F(d,K) (1)

其中，Δf_max、Δf、Δt前的系数a、b、c表示其对应权重。为了使频率的暂态性能改善效果更佳，综合考虑下将a、b、c分别设置为0.6、0.3和0.1。风机减载调频参数离线寻优流程图如图4所示。

S4、在仿真模型中分别建立v与d的映射关系：d＝f1(v)、v与K的映射关系：K＝f2(v)，未知数据点则采用线性插值法进行填充；

S5、测量风机实时风速v，通过f1和f2得到当前v对应的最优减载系数d和下垂系数K；

S6、根据d和K计算风机减载功率P_del和调频功率ΔP，进而计算得到风机调频实发功率P_ref，完成风机减载和调频控制；风机正常运行在MPPT模式时捕获的机械功率为：

其中，ρ为空气密度，R为风轮半径，v为风速，β为风机桨距角，ω为转子转速；λ为叶尖速比，是v和ω的函数；C_p为风能利用系数，是λ和β的函数；

风机减载实发功率P_del为：

P_del＝(1-d)P_opt (3)

风机减载控制曲线图如图5所示，图中，ω_max表示风机额定转速。

在风机通过超速减载控制进行功率减载时，风机转子转速ω达到额定转速ω_max后仍未完成减载系数d的功率减载，则通过桨距角控制升高桨距角，辅助风机实现减载系数d的功率减载；

当系统频率变化时，调频功率ΔP为：

ΔP＝-K*(f-f_n) (4)

其中，f为系统频率；f_n为系统标称频率；得到风机调频实发功率P_ref为：

P_ref＝P_del+ΔP (5)

完成风机减载和调频优化控制。风机减载和调频优化控制框图如图6所示。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于胶囊网络预测的风电调频优化控制方法，其特征在于，包括以下步骤：

S1、随机选择n组不同的风速v、风机减载系数d、风机下垂系数K进行组合，然后进行调频仿真，得到系统最大频率偏差Δf_max、稳态频率偏差Δf、动态调频响应时间Δt；

S2、以选择的n组v、d、K和仿真数据作为训练样本，采用胶囊网络构建预测模型，并预测v、d、K的其余组合下系统Δf_max、Δf、Δt的值；

S3、以式(1)为目标函数，得到不同风速v下的风机减载系数d、风机下垂系数K；

min∑(aΔf_max+bΔf+cΔt)＝F(d,K) (1)

其中，Δf_max、Δf、Δt前的系数a、b、c表示其对应权重；

S4、在仿真模型中分别建立v与d的映射关系：d＝f1(v)、v与K的映射关系：K＝f2(v)，未知数据点则采用线性插值法进行填充；

S5、测量风机实时风速v，通过f1和f2得到当前v对应的最优减载系数d和下垂系数K；

S6、根据d和K计算风机减载功率P_del和调频功率ΔP，进而计算得到风机调频实发功率P_ref，完成风机减载和调频控制。

2.根据权利要求1所述的基于胶囊网络预测的风电调频优化控制方法，其特征在于，所述步骤S1中，v以0.1的幅度增减且v∈(v_cut-in,v_cut-out)，v_cut-in为风机切入风速，v_cut-out为风机切出风速；d以0.01的幅度增减且d∈[0,d_max]，d_max为所允许的最大减载系数；K取整数且K∈[0,K_max]，K_max为所允许的最大下垂系数。

3.根据权利要求1所述的基于胶囊网络预测的风电调频优化控制方法，其特征在于，所述步骤S2中，采用胶囊网络构建的预测模型依次包括卷积层、初级胶囊层、数字胶囊层、Flatten层和全连层；

预测模型的训练方法包括以下流程：

S21、将S1选取的n组v、d、K处理成输入向量T_in形式；S1调频仿真得到的n组系统最大频率偏差Δf_max、稳态频率偏差Δf、动态调频响应时间Δt处理成真实输出向量T_out-true形式，然后使T_in依次通过两层卷积层，提取数据内部的初级特征，并送入初级胶囊层；

S22、初级胶囊层对数据内部的初级特征向量进行处理，得到数据内部的高级特征向量，使用动态路由算法将其送入数字胶囊层；

S23、数字胶囊层对数据内部的高级特征向量进行处理，输出预测向量，送至Flatten层进行“压平”处理；

S24、Flatten层对数字胶囊层输出向量进行“压平”处理，送至全连层输出预测结果，从而得到预测输出向量T_out-pre，预测向量的维数为3*1，预测向量中元素分别表示Δf_max、Δf、Δt的预测值；

S25、将预测输出向量T_out-pre与真实输出向量T_out-true进行损失函数计算，更新胶囊网络的参数，直至胶囊网络收敛。

4.根据权利要求1所述的基于胶囊网络预测的风电调频优化控制方法，其特征在于，所述步骤S6中，风机正常运行在MPPT模式时捕获的机械功率为：

C_p＝C_p(β,λ)，λ＝λ(v,ω)

其中，ρ为空气密度，R为风轮半径，v为风速，β为风机桨距角，ω为转子转速；λ为叶尖速比，是v和ω的函数；C_p为风能利用系数，是λ和β的函数；

风机减载实发功率P_del为：

P_del＝(1-d)P_opt

在风机通过超速减载控制进行功率减载时，风机转子转速ω达到额定转速ω_max后仍未完成减载系数d的功率减载，则通过桨距角控制升高桨距角，辅助风机实现减载系数d的功率减载；

当系统频率变化时，调频功率ΔP为：

ΔP＝-K*(f-f_n)

其中，f为系统频率；f_n为系统标称频率；得到风机调频实发功率P_ref为：

P_ref＝P_del+ΔP。