CN116882269A - 风电场误差校正模型构建方法、装置及风电场控制系统 - Google Patents
风电场误差校正模型构建方法、装置及风电场控制系统 Download PDFInfo
- Publication number
- CN116882269A CN116882269A CN202310740161.3A CN202310740161A CN116882269A CN 116882269 A CN116882269 A CN 116882269A CN 202310740161 A CN202310740161 A CN 202310740161A CN 116882269 A CN116882269 A CN 116882269A
- Authority
- CN
- China
- Prior art keywords
- clustering
- model
- wind power
- power plant
- error correction
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 87
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 76
- 230000004044 response Effects 0.000 claims abstract description 47
- 230000001052 transient effect Effects 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000010219 correlation analysis Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 31
- 230000002776 aggregation Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- 239000013598 vector Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了一种风电场误差校正模型构建方法、装置及风电场控制系统,该方法包括对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型;读取所述详细模型和所述聚类等值模型在预设场景下被观测电气量的数据,获取所述详细模型和所述聚类等值模型的暂态响应误差;以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型。该方法可以拟合风电场的动态特性,更准确地模拟风电场工况。
Description
技术领域
本申请涉及风电场控制技术领域,具体涉及一种风电场误差校正模型构建方法、装置及风电场控制系统。
背景技术
风电场通常由数十甚至上百台风机组成,每台风机都是复杂的高阶非线性系统,而由风机组成的风电场更是一个复杂的、高阶的、具有强非线性的系统,传统的建模方法无法很好的拟合风电场的动态特性。因此目前存在模型误差较大,无法准确地模拟风电场工况的问题。
发明内容
有鉴于此,本申请实施例提供一种风电场误差校正模型构建方法、装置及风电场控制系统,根据风电场内所有风电机组的数学模型搭建风电场详细模型,通过相关性分析选取聚类指标并基于聚类算法对所有风电机组详细模型进行聚类,并结合容量加权法构建风电场聚类等值模型,再分别读取风电场详细模型和聚类等值模型被观测电气量的数据,基于详细模型和聚类等值模型的暂态响应误差构建误差校正模型,当聚类等值模型的暂态响应数据输入训练完成的误差校正模型,以输出值补偿聚类等值模型与详细模型之间存在的误差,从而可以拟合风电场的动态特性,更准确地模拟风电场工况。
第一方面,本申请实施例提供一种风电场误差校正模型构建方法,可以包括:
对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型;
读取所述详细模型和所述聚类等值模型在预设场景下被观测电气量的数据,获取所述详细模型和所述聚类等值模型的暂态响应误差;
以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型。
在上述实现过程中,可以根据风电场内所有风电机组的数学模型搭建风电场详细模型,通过相关性分析选取聚类指标并基于聚类算法对所有风电机组详细模型进行聚类,并结合容量加权法构建风电场聚类等值模型,再分别读取风电场详细模型和聚类等值模型被观测电气量的数据,基于详细模型和聚类等值模型的暂态响应误差构建误差校正模型,当聚类等值模型的暂态响应数据输入训练完成的误差校正模型,以输出值补偿聚类等值模型与详细模型之间存在的误差,可以实现详细模型与传统等值模型的误差自动校正,使详细模型在具有仿真低耗时特性的同时能够高精度拟合风电场的动态特性,可以提升模型的泛化能力,降低建模的复杂程度,提高当前风电场建模的效率与准确性,能够为分析大型风电场对电力系统稳定性的影响提供依据。
可选地,在所述对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型之前,所述方法可以包括:
获取多个风电机组的各组成部分的参数数值,搭建所述风电场的所述详细模型。
可选地,所述对风电场的详细模型进行相关性分析,得到聚类指标可以包括:
基于皮尔逊相关系数法对所述详细模型进行相关性分析,得到所述聚类指标。
在上述实现过程中,可以基于皮尔逊相关系数法对所述详细模型进行相关性分析从而选取聚类指标,以获得较好的聚类效果,可以适用于风电场的应用环境,使得风电场内具有相似运行特性的风机聚合等值,从而提高建模的精确性。
可选地,所述基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类可以包括:
根据设置的聚类个数,在所述风电场中风机的数据样本中随机产生多个第一聚类中心;
计算所有数据样本到第一聚类中心的欧氏距离,并基于所述欧氏距离确定将每个数据样本分配至与自身最近的聚类中心,形成多个第一数据簇;
重新计算所述多个第一数据簇的平均值以作为第二聚类中心,并计算所有数据样本到所述第二聚类中心的欧氏距离,以形成多个第二数据簇;
若所述第二数据簇的聚类误差不处于预设范围,将所述第二数据簇作为所述第一数据簇;若所述第二数据簇的聚类误差处于预设范围,确定所述第二数据簇为分类结果。
在上述实现过程中,可以基于聚类算法对风电场内所有风电机组进行聚类,最后一次迭代产生的数据簇即代表风电场内风机分类结果,从而可以将所有风机根据运行状态相似性被分成少数几类,从而可以降低建模的复杂程度。
可选地,所述基于聚类结果结合容量加权法构建聚类等值模型包括:
基于所述聚类结果对所述风电场中每个类别的风机进行聚合等值计算,以将每一个类别中的所述风电机组聚合为一台等值风机;
根据所述风电机组的容量确定所述等值风机的权值,并基于加权平均得到等值风机组的参数,并基于所述等值风机组的参数构建所述聚类等值模型。
可选地,在所述以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型之前,所述方法还可以包括:
基于LSTM网络构建所述初始误差校正模型。
在上述实现过程中,可以基于LSTM网络构建初始误差校正模型,通过LSTM网络的长短期记忆能力,可以使训练完成后的误差校正模型有效处理具有时间依赖性的气象数据,捕捉时间序列数据中的复杂性和非线性关系,且自适应地处理数据中的异常情况,从而可以提高风电场建模的效率与准确性。
可选地,在所述基于LSTM网络构建所述初始误差校正模型之后,所述方法还可以包括:
在所述初始误差校正模型中引入注意力机制,并基于粒子群算法确定所述初始误差校正模型的超参数学习率、最大迭代次数以及隐含层神经元个数。
在上述实现过程中,可以在误差校正模型中引入注意力机制,能够根据每个输入的重要程度加权来计算输出,从而突出关键信息,提高模型的准确性和可解释性,可以通过粒子群算法进行网络的超参数寻优替代传统的手动调节超参数的值,可以节省时间以及计算资源。
第二方面,本申请实施例提供一种风电场误差校正模型构建装置,可以包括:
模型构建模块,用于对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型;
获取模块,用于读取所述详细模型和所述聚类等值模型在预设场景下被观测电气量的数据,获取所述详细模型和所述聚类等值模型的暂态响应误差;
训练模块,用于以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型。
可选地,模型构建模块可具体用于获取多个风电机组的各组成部分的参数数值,搭建所述风电场的所述详细模型。
可选地,模型构建模块可具体用于:
基于皮尔逊相关系数法对所述详细模型进行相关性分析,得到所述聚类指标。
可选地,模型构建模块还可具体用于:
根据设置的聚类个数,在所述风电场中风机的数据样本中随机产生多个第一聚类中心;
计算所有数据样本到第一聚类中心的欧氏距离,并基于所述欧氏距离确定将每个数据样本分配至与自身最近的聚类中心,形成多个第一数据簇;
重新计算所述多个第一数据簇的平均值以作为第二聚类中心,并计算所有数据样本到所述第二聚类中心的欧氏距离,以形成多个第二数据簇;
若所述第二数据簇的聚类误差不处于预设范围,将所述第二数据簇作为所述第一数据簇;若所述第二数据簇的聚类误差处于预设范围,确定所述第二数据簇为分类结果。
可选地,模型构建模块还可具体用于:
基于所述聚类结果对所述风电场中每个类别的风机进行聚合等值计算,以将每一个类别中的所述风电机组聚合为一台等值风机;
根据所述风电机组的容量确定所述等值风机的权值,并基于加权平均得到等值风机组的参数,并基于所述等值风机组的参数构建所述聚类等值模型。
可选地,模型构建模块还可用于基于LSTM网络构建所述初始误差校正模型。
可选地,模型构建模块还可用于在所述初始误差校正模型中引入注意力机制,并基于粒子群算法确定所述初始误差校正模型的超参数学习率、最大迭代次数以及隐含层神经元个数。
第三方面,本申请实施例提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行上述任一实现方式中的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,所述可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行上述任一实现方式中的步骤。
综上,本申请实施例提供了一种风电场误差校正模型构建方法、装置及风电场控制系统,可以根据风电场内所有风电机组的数学模型搭建风电场详细模型,通过相关性分析、聚类算法以及结合容量加权法构建风电场聚类等值模型,再基于详细模型和聚类等值模型的暂态响应误差构建误差校正模型,当聚类等值模型的暂态响应数据输入训练完成的误差校正模型,以输出值补偿聚类等值模型与详细模型之间存在的误差,可以实现详细模型与传统等值模型的误差自动校正,使详细模型在具有仿真低耗时特性的同时能够高精度拟合风电场的动态特性,可以提升模型的泛化能力,降低建模的复杂程度,提高当前风电场建模的效率与准确性,能够为分析大型风电场对电力系统稳定性的影响提供依据。
附图说明
图1为本申请实施例提供的风电场误差校正模型构建方法的步骤示意图。
图2为本申请实施例提供的LSTM单元结构图。
图3为本申请实施例提供的基于粒子群算法对LSTM网络进行参数寻优的流程图。
图4为本申请实施例提供的风电场聚类等值模型的误差补偿校正图。
图5为本申请实施例提供的风电场误差校正模型构建装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
申请人在研究的过程中发现,目前最常见的风电场建模方法是基于聚类的多机等值,“同调等值”是多机等值方法的核心,目的是把具有相似运行特性的风电机组聚合等值成一台。等值方法极大降低了大型风电场仿真耗时,但是仍然忽略了风电场内部的运行状态和动态参数差异,并且等值模型都存在难以泛化的问题,这也是聚类算法无法解决的固有属性。
有基于此,本申请一实施例提供一种风电场误差校正模型构建方法。请参看图1,图1为本申请实施例提供的风电场误差校正模型构建方法的步骤示意图。风电场误差校正模型构建方法的步骤可以包括:
在步骤S11中,对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型。
在步骤S12中,读取所述详细模型和所述聚类等值模型在预设场景下被观测电气量的数据,获取所述详细模型和所述聚类等值模型的暂态响应误差。
在步骤S13中,以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型。
本申请实施例中,风电场即为利用风能来发电的场所,风电场中通常设置有多个风电机组,每个风电机组由多个风电机构成。风电场的详细模型即为根据风电场内所有风电机组的数学模型搭建的模型。风电场中的风电机组具体可以是直驱永磁同步风力发电机组,其可以包括风力机、传动系统、发电机和变流器。
具体地,在进行本申请提供的风电场误差校正模型构建方法时,可以先获取多个风电机组的各组成部分的参数数值,搭建所述风电场的所述详细模型。
其中,风电机组的各组成部分的参数数值可以包括风机的发电机额定功率、额定转速、发电机的效率曲线、风机的切入风速、额定风速、切出风速、最大可承受风速以及电路参数等。可以通过监控控制与数据采集系统(Supervisory Control And DataAcquisition,SCADA)监测获得或通过实地调查获得。SCADA系统可以由一台或多台计算机组成,并且可以通过网络连接到远程站点,从而监控和控制风电场的工作过程。
为了提高等值精度,在进行具体的风电机组分群之前,可以先依照风电机组与箱变、箱变与集电线路之间的拓扑连接关系进行分组。再选取反映风电机组动态特性的指标输入风速、额定有功、稳定参数、保护定值、有功功率、机组转速、浆距角等进行相关性分析从而可以进一步保证聚类指标的实用性。
在步骤S11中对风电场的详细模型进行相关性分析的方式可以是基于皮尔逊相关系数法对所述详细模型进行相关性分析,得到所述聚类指标。
本申请实施例中,将详细模型的第i个指标记为Wi,第j个指标记为Wj,采用皮尔逊相关系数法,则仍以两列的功率值的相关性计算方式如下:
其中,Cov(Wi,Wj)表示第i天和第j天的协方差,和/>表示自功率向量的方差,P(Wi,Wj)则为两个向量的皮尔逊相关系数。
需要计算的相关性流程如下:
W=[W1,W2,…,Wn]m×n
ri=[pi,1,pi,2,…,pi,n],i=1,2,…n
R=[r1,r2,…,rn]T
其中,pi,j为任意两列数据的相关性大小,m为风机总数,n为指标个数,ri为第i个指标与其他指标的相关性向量,R为相关性矩阵。
另,除皮尔逊相关系数法以外,也可基于斯皮尔曼等级相关系数法或肯德尔秩相关系数法对风电场的详细模型进行相关性分析,从而得到聚类指标。
由此可见,本申请实施例可以基于皮尔逊相关系数法对所述详细模型进行相关性分析从而选取聚类指标,以获得较好的聚类效果,可以适用于风电场的应用环境,使得风电场内具有相似运行特性的风机聚合等值,从而提高建模的精确性。
在一可选的实施例中,预设聚类算法可以是K-means均值聚类算法,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类的实施方式可以为:
根据设置的聚类个数,在所述风电场中风机的数据样本中随机产生多个第一聚类中心;
计算所有数据样本到第一聚类中心的欧氏距离,并基于所述欧氏距离确定将每个数据样本分配至与自身最近的聚类中心,形成多个第一数据簇;
重新计算所述多个第一数据簇的平均值以作为第二聚类中心,并计算所有数据样本到所述第二聚类中心的欧氏距离,以形成多个第二数据簇;
若所述第二数据簇的聚类误差不处于预设范围,将所述第二数据簇作为所述第一数据簇;若所述第二数据簇的聚类误差处于预设范围,确定所述第二数据簇为分类结果。
具体地,在基于K-means均值聚类算法对所有风电机组进行聚类时,本申请以包含了m个风电场风机的数据样本进行说明,根据所设置的聚类个数,在数据样本中随机产生K个第一聚类中心C={cj|j=1,2,…,K},然后计算所有数据样本到第一聚类中心的欧氏距离d(xi,cj),其中, 将所有数据样本xi根据计算结果分配至距离自身最近的第一聚类中心,形成K个第一数据簇,重新计算K个第一数据簇的平均值zt,作为新的聚类中心,其中,/>其中,mt为第t个数据簇的数据个数,xg为第t个数据簇的第g个数据(1≤g≤mt)。
上述实施例中,第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,将所述第二数据簇作为所述第一数据簇可以理解为重复进行计算数据样本到聚类中心的欧氏距离并将数据样本根据计算结果分配至距离自身最近的聚类中心的步骤,直到聚类误差达到要求的范围之内。聚类误差一般可用误差平方和来评价: 最新的第二数据簇即为分类结果。
由此可见,本申请实施例可以基于聚类算法对风电场内所有风电机组进行聚类,最后一次迭代产生的数据簇即代表风电场内风机分类结果,从而可以将所有风机根据运行状态相似性被分成少数几类,从而可以降低建模的复杂程度。
在一可选的实施例中,基于聚类结果结合容量加权法构建聚类等值模型的步骤可以包括:
基于所述聚类结果对所述风电场中每个类别的风机进行聚合等值计算,以将每一个类别中的所述风电机组聚合为一台等值风机;
根据所述风电机组的容量确定所述等值风机的权值,并基于加权平均得到等值风机组的参数,并基于所述等值风机组的参数构建所述聚类等值模型。
具体地,确定了分类结果后,则需要对每个类别中的风机进行聚合等值计算,将每一个类别中的所有风电机组聚合等值为一台,基于容量加权法可以将依照风电机组的容量确定其风电等值机的权值,各等值机组的参数再由加权平均得到。
在一可选的实施例中,在构建完成聚类等值模型后,可以通过设置风电场并网系统不同的典型场景,分别读取风电场详细模型和聚类等值模型被观测电气量的数据,获取详细模型和聚类等值模型的暂态响应误差,并可以基于长短时记忆网络(Long Short-TermMemory,LSTM)构建误差校正模型(Error Correction Model,ECM)。请参看图2,图2为本申请实施例提供的LSTM单元结构图。
在基于LSTM网络构建所述初始误差校正模型时,需要对详细模型和聚类等值模型进行暂态仿真,读取响应曲线数据,然后利用详细模型和聚类等值模型的暂态响应误差,从而基于LSTM网络构建所述初始误差校正模型。
具体地,详细模型的暂态响应曲线如下表述:
详细模型的输出有功功率:
Pd(t)=[pd1(t),pd2(t),pd3(t),...,pdn(t)]
pdi(t)=[pdi(1),pdi(2),pdi(3),...,pdi(τ)],i=1,2,...,n
母线电压:
Ud(t)=[ud1(t),ud2(t),ud3(t),...,udn(t)]
udi(t)=[udi(1),udi(2),udi(3),...,udi(τ)],i=1,2,...,n
其中,pdn(t)表示风电场详细模型的第n组输出有功功率的暂态响应曲线数据udn(t)表示风电场详细模型的第n组母线电压的暂态响应曲线数据。Pd(t)和Ud(t)中的每一项都是一个长度为τ的时间序列。pdi(τ)表示风电场详细模型第i组数据的第τ时刻的输出有功功率数值;udi(τ)表示风电场详细模型第f组数据的第f时刻的母线电压数值。
同理,聚类等值模型的暂态响应曲线如下:
输出有功功率:
Pc(t)=[pc1(t),pc2(t),pc3(t),...,pcn(t)]
pdi(t)=[pdi(1),pdi(2),pdi(3),...,pdi(τ)],i=1,2,...,n
母线电压:
Uc(t)=[uc1(t),uc2(t),uc3(t),...,ucn(t)]
udi(t)=[udi(1),udi(2),udi(3),...,udi(τ)],i=1,2,...,n
LSTM主要通过三个门来控制数据的传送,分别为遗忘门、输入门、输出门:
it=σ(Wixt+Uiht-1+bi)
ft=σ(Wfxt+Ufht-1+bf)
ot=σ(Woxt+Uoht-1+bo)
其中it为输入门,ft为遗忘门,ot为输出门,xt为当前时间的输入,ht-1为上一时间的外部状态。W*、U*、b*是LSTM网络中需要更新的网络结构参数,表示时间序列的长期记忆信息,激活函数σ和tanh分别将输出映射到[0,1]区间和[-1,1]区间上。
由此可见,本申请实施例可以基于LSTM网络构建初始误差校正模型,通过LSTM网络的长短期记忆能力,可以使训练完成后的误差校正模型有效处理具有时间依赖性的气象数据,捕捉时间序列数据中的复杂性和非线性关系,且自适应地处理数据中的异常情况,从而可以提高风电场建模的效率与准确性。
在一可选的实施例中,在基于LSTM网络构建初始误差校正模型之后,还可以在初始误差校正模型中引入注意力机制,并基于粒子群算法确定所述初始误差校正模型的超参数学习率、最大迭代次数以及隐含层神经元个数。
具体地,初始向量x1,x2,…,xn是输入特征向量,经过LSTM单元进行编码输出固定长度的向量,通过注意力机制输出上下文C1,C2,…Ct,输出的注意力机制上席文通过解码层,输出校正误差o1,o2,…,on。
在基于注意力机制的网络模型中,它是首先计算一组注意力权重,通过乘上编码器输出的向量来创建权重的组合.计算结果应该包含有关输入序列特定部分的信息,从而帮助解码器选择正确的表征进行输出。因此,解码器可以使用编码器序列的不同部分作为context直到解码完所有序列。
注意力机制在解码阶段的每个时间步长t计算一个向量ct和一个输出结果ot,计算公式为:
其中,hj是输入向量xj的隐藏层状态,atj是hj预测ot的权重。向量ct也被乘坐期望注意力向量,可以由softmax函数计算:
eij=attentionScore(si-1,hj)
其中,attentionScore可以选择解码部分的隐藏状态和编码的隐藏状态来计算出一个用于计算权重的分数。
请参看图3,图3为本申请实施例提供的基于粒子群算法对LSTM网络进行参数寻优的流程图。
假设在D维的搜索空间中,设置N个粒子进行搜索,其中第i个粒子的位置与速度分别表示为D维向量:Xi=(xi1,xi2,xi3,…,xiD),Vi=(vi1,vi2,vi3,…,viD)。第i个粒子在迭代过程中的最优位置是个体极值:Pi,best=(pi1,pi2,Pi3,…,piD),粒子全体在迭代过程中的最优位置是群体极值:gbest=(g1,g2,g3,…,gD)。
将粒子群算法(Particle Swarm Optimization,PSO)应用于寻优LSTM的超参数分别是最大迭代次数,隐层神经单元个数、初始学习率。即PSO算法的搜索空间为3维,上式Xi、Vi、Pi,best、gbest中D=3。评价解的好坏的适应度函数选取神经网络验证集的均方根误差RMSE,即有:
f(Xi)=RMSE
粒子在某一位置的适应度函数值越小,代表此位置越优。
粒子第k次的速度和位置迭代公式分别为:
其中,ω是惯性权重;c1是个体学习因子,c2是群体学习因子;r1和r2是范围为[0,1]的均匀随机数;是第i个粒子第d维度第k+1轮的速度;/>是第i个粒子第d维度第k轮的速度;/>是第i个粒子第d维度第k轮的位置;/>是第i个粒子第d维度前k轮的最佳位置;gd,best是所有粒子第d维度前k轮的最佳位置。粒子速度迭代公式由三项组成,/>是个体粒子的惯性部分,代表粒子有维持自己先前运动的趋势;/>是粒子的个体认知部分,表示粒子的自身历史经验,代表粒子有向自身最佳历史位置运动的趋势。/>是粒子的群体认知部分,表示粒子的群体意识,有向群体最佳历史位置运动的趋势。
由此可见,本申请实施例中可以在误差校正模型中引入注意力机制,能够根据每个输入的重要程度加权来计算输出,从而突出关键信息,提高模型的准确性和可解释性,可以通过粒子群算法进行网络的超参数寻优替代传统的手动调节超参数的值,可以节省时间以及计算资源。
在一可选的实施例中,请参看图4,图4为本申请实施例提供的风电场聚类等值模型的误差补偿校正图。以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型的步骤可以包括:
把聚类等值模型的暂态响应n组曲线Pc(t)和Uc(t)作为神经网络的输入:
Pc(t)=[pc1(t),pc2(t),pc3(t),...,pcn(t)]
Uc(t)=[uc1(t),uc2(t),uc3(t),...,ucn(t)]
把聚类等值模型和详细模型的暂态响应误差Pe(t)和Ue(t)作为神经网
络的映射目标:
Pe(t)
=Pd(t)-Pc(t)=[pd1(t)-pc1(t),pd2(t)-pc2(t),...,pdn(t)-pcn(t)]
Ue(t)
=Ud(t)-Uc(t)=[ud1(t)-uc1(t),ud2(t)-uc2(t),...,udn(t)-ucn(t)]
从而通过训练神经网络得到误差校正模型。
将聚类等值模型的暂态响应数据Pc(t)=[pc1(t),pc2(t),...,pcn(t)]、Uc(t)=[uc1(t),uc2(t),uc3(t),...,ucn(t)]输入训练完成的网络,将网络的输出值 和/>与Pc(t)和Uc(t)相加,从而可以实现聚类等值模型的误差校正。
由此可见,本申请实施例可以根据风电场内所有风电机组的数学模型搭建风电场详细模型,通过相关性分析选取聚类指标并基于聚类算法对所有风电机组详细模型进行聚类,并结合容量加权法构建风电场聚类等值模型,再分别读取风电场详细模型和聚类等值模型被观测电气量的数据,基于详细模型和聚类等值模型的暂态响应误差构建误差校正模型,当聚类等值模型的暂态响应数据输入训练完成的误差校正模型,以输出值补偿聚类等值模型与详细模型之间存在的误差,可以实现详细模型与传统等值模型的误差自动校正,使详细模型在具有仿真低耗时特性的同时能够高精度拟合风电场的动态特性,可以提升模型的泛化能力,降低建模的复杂程度,提高当前风电场建模的效率与准确性,能够为分析大型风电场对电力系统稳定性的影响提供依据。
可选地,本申请实施例提供一种风电场误差校正模型构建装置,请参看图5,图5为本申请实施例提供的风电场误差校正模型构建装置的示意图,风电场误差校正模型构建装置50可以包括:
模型构建模块51,用于对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型;
获取模块52,用于读取所述详细模型和所述聚类等值模型在预设场景下被观测电气量的数据,获取所述详细模型和所述聚类等值模型的暂态响应误差;
训练模块53,用于以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型。
由此可见,本申请实施例可以根据风电场内所有风电机组的数学模型搭建风电场详细模型,通过相关性分析选取聚类指标并基于聚类算法对所有风电机组详细模型进行聚类,并结合容量加权法构建风电场聚类等值模型,再分别读取风电场详细模型和聚类等值模型被观测电气量的数据,基于详细模型和聚类等值模型的暂态响应误差构建误差校正模型,当聚类等值模型的暂态响应数据输入训练完成的误差校正模型,以输出值补偿聚类等值模型与详细模型之间存在的误差,可以实现详细模型与传统等值模型的误差自动校正,使详细模型在具有仿真低耗时特性的同时能够高精度拟合风电场的动态特性,可以提升模型的泛化能力,降低建模的复杂程度,提高当前风电场建模的效率与准确性,能够为分析大型风电场对电力系统稳定性的影响提供依据。
在一可选的实施例中,模型构建模块51可具体用于获取多个风电机组的各组成部分的参数数值,搭建所述风电场的所述详细模型。
在一可选的实施例中,模型构建模块51可具体用于:
基于皮尔逊相关系数法对所述详细模型进行相关性分析,得到所述聚类指标。
由此可见,本申请实施例可以基于皮尔逊相关系数法对所述详细模型进行相关性分析从而选取聚类指标,以获得较好的聚类效果,可以适用于风电场的应用环境,使得风电场内具有相似运行特性的风机聚合等值,从而提高建模的精确性。
在一可选的实施例中,模型构建模块51还可具体用于:
根据设置的聚类个数,在所述风电场中风机的数据样本中随机产生多个第一聚类中心;
计算所有数据样本到第一聚类中心的欧氏距离,并基于所述欧氏距离确定将每个数据样本分配至与自身最近的聚类中心,形成多个第一数据簇;
重新计算所述多个第一数据簇的平均值以作为第二聚类中心,并计算所有数据样本到所述第二聚类中心的欧氏距离,以形成多个第二数据簇;
若所述第二数据簇的聚类误差不处于预设范围,将所述第二数据簇作为所述第一数据簇;若所述第二数据簇的聚类误差处于预设范围,确定所述第二数据簇为分类结果。
由此可见,本申请实施例可以基于聚类算法对风电场内所有风电机组进行聚类,最后一次迭代产生的数据簇即代表风电场内风机分类结果,从而可以将所有风机根据运行状态相似性被分成少数几类,从而可以降低建模的复杂程度。
在一可选的实施例中,模型构建模块51还可具体用于:
基于所述聚类结果对所述风电场中每个类别的风机进行聚合等值计算,以将每一个类别中的所述风电机组聚合为一台等值风机;
根据所述风电机组的容量确定所述等值风机的权值,并基于加权平均得到等值风机组的参数,并基于所述等值风机组的参数构建所述聚类等值模型。
在一可选的实施例中,模型构建模块51还可用于基于LSTM网络构建所述初始误差校正模型。
由此可见,本申请实施例可以基于LSTM网络构建初始误差校正模型,通过LSTM网络的长短期记忆能力,可以使训练完成后的误差校正模型有效处理具有时间依赖性的气象数据,捕捉时间序列数据中的复杂性和非线性关系,且自适应地处理数据中的异常情况,从而可以提高风电场建模的效率与准确性。
在一可选的实施例中,模型构建模块51还可用于在所述初始误差校正模型中引入注意力机制,并基于粒子群算法确定所述初始误差校正模型的超参数学习率、最大迭代次数以及隐含层神经元个数。
由此可见,本申请实施例中可以在误差校正模型中引入注意力机制,能够根据每个输入的重要程度加权来计算输出,从而突出关键信息,提高模型的准确性和可解释性,可以通过粒子群算法进行网络的超参数寻优替代传统的手动调节超参数的值,可以节省时间以及计算资源。
基于同一发明构思,本申请实施例还提供一种风电场控制系统,所述风电场控制系统包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行上述任一实现方式中的步骤。
基于同一发明构思,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行上述任一实现方式中的步骤。
所述计算机可读存储介质可以是随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等各种可以存储程序代码的介质。其中,存储介质用于存储程序,所述处理器在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的过程定义的电子终端所执行的方法可以应用于处理器中,或者由处理器实现。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。
所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种风电场误差校正模型构建方法,其特征在于,包括:
对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型;
读取所述详细模型和所述聚类等值模型在预设场景下被观测电气量的数据,获取所述详细模型和所述聚类等值模型的暂态响应误差;
以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型。
2.根据权利要求1所述的方法,其特征在于,在所述对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型之前,所述方法包括:
获取多个风电机组的各组成部分的参数数值,搭建所述风电场的所述详细模型。
3.根据权利要求1所述的方法,其特征在于,所述对风电场的详细模型进行相关性分析,得到聚类指标包括:
基于皮尔逊相关系数法对所述详细模型进行相关性分析,得到所述聚类指标。
4.根据权利要求1所述的方法,其特征在于,所述基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类包括:
根据设置的聚类个数,在所述风电场中风机的数据样本中随机产生多个第一聚类中心;
计算所有数据样本到第一聚类中心的欧氏距离,并基于所述欧氏距离确定将每个数据样本分配至与自身最近的聚类中心,形成多个第一数据簇;
重新计算所述多个第一数据簇的平均值以作为第二聚类中心,并计算所有数据样本到所述第二聚类中心的欧氏距离,以形成多个第二数据簇;
若所述第二数据簇的聚类误差不处于预设范围,将所述第二数据簇作为所述第一数据簇;若所述第二数据簇的聚类误差处于预设范围,确定所述第二数据簇为分类结果。
5.根据权利要求1所述的方法,其特征在于,所述基于聚类结果结合容量加权法构建聚类等值模型包括:
基于所述聚类结果对所述风电场中每个类别的风机进行聚合等值计算,以将每一个类别中的所述风电机组聚合为一台等值风机;
根据所述风电机组的容量确定所述等值风机的权值,并基于加权平均得到等值风机组的参数,并基于所述等值风机组的参数构建所述聚类等值模型。
6.根据权利要求1所述的方法,其特征在于,在所述以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型之前,所述方法还包括:
基于LSTM网络构建所述初始误差校正模型。
7.根据权利要求6所述的方法,其特征在于,在所述基于LSTM网络构建所述初始误差校正模型之后,所述方法还包括:
在所述初始误差校正模型中引入注意力机制,并基于粒子群算法确定所述初始误差校正模型的超参数学习率、最大迭代次数以及隐含层神经元个数。
8.一种风电场误差校正模型构建装置,其特征在于,包括:
模型构建模块,用于对风电场的详细模型进行相关性分析,得到聚类指标,基于所述聚类指标以及预设聚类算法对风电场内所有风电机组进行聚类,基于聚类结果结合容量加权法构建聚类等值模型;
获取模块,用于读取所述详细模型和所述聚类等值模型在预设场景下被观测电气量的数据,获取所述详细模型和所述聚类等值模型的暂态响应误差;
训练模块,用于以所述聚类等值模型的暂态响应作为输入,所述暂态响应误差作为映射目标,通过训练神经网络对初始误差校正模型进行训练,以在训练完成后得到风电场误差校正模型。
9.一种风电场控制系统,其特征在于,所述风电场控制系统包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行权利要求1-7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310740161.3A CN116882269A (zh) | 2023-06-21 | 2023-06-21 | 风电场误差校正模型构建方法、装置及风电场控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310740161.3A CN116882269A (zh) | 2023-06-21 | 2023-06-21 | 风电场误差校正模型构建方法、装置及风电场控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116882269A true CN116882269A (zh) | 2023-10-13 |
Family
ID=88263379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310740161.3A Pending CN116882269A (zh) | 2023-06-21 | 2023-06-21 | 风电场误差校正模型构建方法、装置及风电场控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882269A (zh) |
-
2023
- 2023-06-21 CN CN202310740161.3A patent/CN116882269A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
CN103942736B (zh) | 一种风电场多机等值建模方法 | |
CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及系统 | |
CN106875037A (zh) | 风力预测方法及装置 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
Wang et al. | Dynamic equivalent method of PMSG‐based wind farm for power system stability analysis | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN117077546B (zh) | 基于数据驱动的电力系统负荷建模方法及其系统 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN105303319A (zh) | 一种基于运行数据的风电场动态分群等值方法 | |
CN116882269A (zh) | 风电场误差校正模型构建方法、装置及风电场控制系统 | |
CN114221334B (zh) | 一种基于图神经网络的快速状态估计方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN115659844A (zh) | 基于风电场动态模型的仿真方法、装置和计算机设备 | |
Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
CN115456086A (zh) | 基于误差校正模型的风电场精准等值建模方法 | |
CN116432541B (zh) | 一种基于优化聚类算法的新能源场站建模方法及系统 | |
CN117390418B (zh) | 一种风电并网系统暂态稳定评估方法、系统及设备 | |
CN117436272A (zh) | 一种风电场运行场景集构建方法及系统 |
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 |