CN116544967A - 一种基于胶囊网络预测的风电调频优化控制方法 - Google Patents
一种基于胶囊网络预测的风电调频优化控制方法 Download PDFInfo
- Publication number
- CN116544967A CN116544967A CN202310548569.0A CN202310548569A CN116544967A CN 116544967 A CN116544967 A CN 116544967A CN 202310548569 A CN202310548569 A CN 202310548569A CN 116544967 A CN116544967 A CN 116544967A
- Authority
- CN
- China
- Prior art keywords
- fan
- frequency modulation
- power
- load shedding
- max
- 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
- 239000002775 capsule Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000007665 sagging Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 4
- 241000965478 Darksidea epsilon Species 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
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Δfmax、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Δfmax、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Pdel和调频功率ΔP,计算风机调频实发功率Pref。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
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Δfmax、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Δfmax、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∑(aΔfmax+bΔf+cΔt)=F(d,K) (1)
其中,Δfmax、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Pdel和调频功率ΔP,进而计算得到风机调频实发功率Pref,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Δfmax、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Δfmax、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Δfmax、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∈(vcut-in,vcut-out),vcut-in为风机切入风速,vcut-out为风机切出风速;d以0.01的幅度增减且d∈[0,dmax],dmax为所允许的最大减载系数;K取整数且K∈[0,Kmax],Kmax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Δfmax、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Tin形式;S1调频仿真得到的n组系统最大频率偏差Δfmax、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Tout-true形式,然后使Tin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Tout-pre,预测向量的维数为3*1,预测向量中元素分别表示Δfmax、Δf、Δt的预测值;
S25、将预测输出向量Tout-pre与真实输出向量Tout-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∑(aΔfmax+bΔf+cΔt)=F(d,K) (1)
其中,Δfmax、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Pdel和调频功率ΔP,进而计算得到风机调频实发功率Pref,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;Cp为风能利用系数,是λ和β的函数;
风机减载实发功率Pdel为:
Pdel=(1-d)Popt (3)
风机减载控制曲线图如图5所示,图中,ωmax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ωmax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-fn) (4)
其中,f为系统频率;fn为系统标称频率;得到风机调频实发功率Pref为:
Pref=Pdel+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Δfmax、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Δfmax、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∑(aΔfmax+bΔf+cΔt)=F(d,K) (1)
其中,Δfmax、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Pdel和调频功率ΔP,进而计算得到风机调频实发功率Pref,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∈(vcut-in,vcut-out),vcut-in为风机切入风速,vcut-out为风机切出风速;d以0.01的幅度增减且d∈[0,dmax],dmax为所允许的最大减载系数;K取整数且K∈[0,Kmax],Kmax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Tin形式;S1调频仿真得到的n组系统最大频率偏差Δfmax、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Tout-true形式,然后使Tin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Tout-pre,预测向量的维数为3*1,预测向量中元素分别表示Δfmax、Δf、Δt的预测值;
S25、将预测输出向量Tout-pre与真实输出向量Tout-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:
Cp=Cp(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;Cp为风能利用系数,是λ和β的函数;
风机减载实发功率Pdel为:
Pdel=(1-d)Popt
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ωmax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-fn)
其中,f为系统频率;fn为系统标称频率;得到风机调频实发功率Pref为:
Pref=Pdel+ΔP。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310548569.0A CN116544967A (zh) | 2023-05-16 | 2023-05-16 | 一种基于胶囊网络预测的风电调频优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310548569.0A CN116544967A (zh) | 2023-05-16 | 2023-05-16 | 一种基于胶囊网络预测的风电调频优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116544967A true CN116544967A (zh) | 2023-08-04 |
Family
ID=87453951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310548569.0A Pending CN116544967A (zh) | 2023-05-16 | 2023-05-16 | 一种基于胶囊网络预测的风电调频优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116544967A (zh) |
-
2023
- 2023-05-16 CN CN202310548569.0A patent/CN116544967A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109560573B (zh) | 一种变速风电机组频率控制器参数的优化方法及装置 | |
CN110552850B (zh) | 一种基于风速提前测量的风电机组有功调节方法及装置 | |
CN106059422B (zh) | 一种用于双馈风电场次同步振荡抑制的模糊控制方法 | |
Mensou et al. | An efficient nonlinear Backstepping controller approach of a wind power generation system based on a DFIG | |
Tria et al. | An integral sliding mode controller with super-twisting algorithm for direct power control of wind generator based on a doubly fed induction generator | |
CN107947228B (zh) | 基于Markov理论的含风电电力系统随机稳定性分析方法 | |
CN105186502B (zh) | 基于安全域的含双馈风机电力系统暂态稳定性分析方法 | |
Barrera-Cardenas et al. | Optimal LQG controller for variable speed wind turbine based on genetic algorithms | |
CN109376426B (zh) | 一种风电并网功率调度方法及装置 | |
Guo et al. | Data-driven model predictive control method for wind farms to provide frequency support | |
CN111384730A (zh) | 一种风机虚拟惯量控制参数的确定方法 | |
CN102661243B (zh) | 一种双馈感应风电机组的预报校正变桨控制方法 | |
Wang et al. | Study on the influence of parallel fuzzy PID control on the regulating system of a bulb tubular turbine generator unit | |
CN109301863B (zh) | 基于深度信念网络的低风速分散式风电微电网调频方法 | |
Hemeyine et al. | Robust takagi sugeno fuzzy models control for a variable speed wind turbine based a DFI-generator | |
CN110968958B (zh) | 一种基于单机等值与选择模态分析的风电场等值建模方法 | |
Dong et al. | ANN-based adaptive PI control for wind turbine with doubly fed induction generator | |
CN112682258B (zh) | 基于Backstepping的大型风力机最大功率点跟踪控制方法 | |
CN116544967A (zh) | 一种基于胶囊网络预测的风电调频优化控制方法 | |
CN111027179A (zh) | 一种计及辅助调频服务的双馈风电场的等值建模方法 | |
CN115313499A (zh) | 一种风机频率控制参数计算方法、装置、终端及介质 | |
CN113098057B (zh) | 一种双馈风机参数的多目标高维多分数阶优化方法 | |
CN114792996A (zh) | 一种海上风电场黑启动有功功率控制方法 | |
CN113067374B (zh) | 一种低风速风电机组参与区域电网小干扰频率调节的方法 | |
Wang et al. | Wind Farm Frequency Support Strategy Considering Adjustable Capacity |
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 |