CN117060430A - 一种基于改进lstm网络的构网型风电调频预测方法 - Google Patents
一种基于改进lstm网络的构网型风电调频预测方法 Download PDFInfo
- Publication number
- CN117060430A CN117060430A CN202310798885.3A CN202310798885A CN117060430A CN 117060430 A CN117060430 A CN 117060430A CN 202310798885 A CN202310798885 A CN 202310798885A CN 117060430 A CN117060430 A CN 117060430A
- Authority
- CN
- China
- Prior art keywords
- frequency modulation
- wind
- power
- speed
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012954 risk control Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000010408 sweeping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000002195 synergetic effect Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 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
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
-
- 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
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Sustainable Energy (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Electromagnetism (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于改进LSTM网络的构网型风电调频预测方法，包括：分析构网型风电参与调频的原理和不同一次调频方法的特性；在风速变化时和在风速固定时两种情况下，对频率风险控制的调频方法和变桨距控制的调频方法的运行区域进行划分；分析构网型风电调频影响因素，构建基于虚拟惯性的构网型风电一次调频潜力预测模型；基于Bayes超参数寻优的LSTM网络对基于虚拟惯性的构网型风电一次调频潜力预测模型进行训练，得到风速预测结果；以及根据风速预测结果，计算同时刻风电机组不同调频方式下的调频潜力。本方案能够实现充分发挥不同调频方式协同作用，实现对风速序列的准确预测和风电调频潜力的准确评估。
Description
技术领域
本发明属于新能源风电技术领域中的清洁能源功率预测技术，具体涉及一种基于改进LSTM网络的构网型风电调频预测方法。
背景技术
随着风电渗透率的不断提高,风电大量替代电力系统中常规的同步发电机组，这导致了风电系统中的有效转动惯量持续降低，进而影响了系统的频率稳定性不断下降，因此对电力系统的调频需求不断提高。由于风电系统缺乏惯量和频率主动支撑能力，在发生大功率缺失或系统故障情况下，极易产生全网频率失控，这给大规模接入后的电力系统安全稳定运行带来了巨大挑战。构网型控制技术使风电机组能够主动响应电网频率变化，改善电网动态频率特性。因此，针对构网型控制风电调频的研究的重要性也日益凸显。
为了准确量化构网型风电参与电力系统调频的影响，亟需要对风电机组的调频潜力进行定量分析。目前主要的预测模型有神经网络预测模型、支持向量机(support vectormachine，SVM)预测模型等；优化算法则主要有遗传算法、粒子群算法、灰狼算法等。虽然SVM在预测方面有较好的鲁棒性，但其求解速度慢且遗传算法、灰狼算法和粒子群算法均易造成早收敛问题。最小二乘支持向量机(least squares support vector machines，LSSVM)预测模型在风电功率预测中被广泛运用，该模型不仅鲁棒性好，且能防止过度学习，求解速度优于SVM，但其在学习参数选择上存在困难。上述研究均未考虑不同一次调频控制之间的协调控制，可能会造成风电场内的风机之间出现竞争和干扰，进而导致系统不稳定，甚至可能引发电网崩溃。
根据以上所述，对不同调频方式下的调频潜力研究工作开展较少，未充分考虑不同外界因素对风电调频潜力的影响，忽略风电场运行风速序列波动性，因此，如何充分发挥不同调频方式协同作用，实现对风速序列的准确预测和风电调频潜力的准确评估是个重大的难点。
发明内容
发明目的：本发明的目的在于提供一种基于改进LSTM网络的构网型风电调频预测方法的预测方法，实现充分发挥不同调频方式协同作用，实现对风速序列的准确预测和风电调频潜力的准确评估。
技术方案：本发明包括分析构网型风电参与调频的原理和不同一次调频方法的特性，其中，一次调频方法包括频率风险控制和变桨距控制：在风速变化时，对频率风险控制和变桨距控制两种一次调频方法的运行区域进行划分，以及在风速固定时，对频率风险控制和变桨距控制两种一次调频方法的运行区域进行划分；分析构网型风电调频影响因素，构建基于虚拟惯性的构网型风电一次调频潜力预测模型；基于Bayes超参数寻优的LSTM网络对基于虚拟惯性的构网型风电一次调频潜力预测模型进行训练，得到风速预测结果；以及根据风速预测结果，计算同时刻风电机组不同调频方式下的调频潜力。
在一实施例中，分析构网型风电参与调频的原理，包括：在正常状态下，风电机组会在最大功率点跟踪模式下正常运行时；当电力系统频率f偏离基准功率后，通过引入电力系统频率的偏差Δf和频率变化率dΔf/dt，计算到对应的调频辅助功率ΔP，如下：
式中，kp和kd分别为系统频率偏差比例和微分系数；当电力系统频率f出现波动时，调频辅助功率ΔP会自动调节发电机转速以调节电力系统频率f，同时构网型变流器有功功率外环控制也会根据设定的参考值进行调节；其中，构网型变流器有功功率外环控制的参考值Pref为
Pref＝Popt+ΔP
式中，Popt为风电机组MPPT运行时有功参考功率。
在一实施例中，频率风险控制的一次调频方法包括通过控制转子转速超过最大功率点跟踪转速，实现风电机组的减载运行，通过积累额外的转子动能储存有功备用；变桨距控制的调频方法包括通过调节桨距角来控制风电机组输出功率，以实现故障发生时风电机组对电网频率变化提供有功功率支撑。
在一实施例中，在风速变化时，对频率风险控制的调频方法和变桨距控制的调频方法的运行区域进行划分，包括：在风速变化时，当v≤vmin时，为低风速区域，风电机组不参与调频；当vmin≤v≤vbase时，处于MPPT区域，风电机组通过频率风险控制的调频方法进行一次调频；当v≥vbase时，处于高风速区域，风电机组通过变桨距控制的调频方法进行一次调频；v表示风的速度，vmin和vbase分别为参与调频最低风速和额定风速；定义风电机组减载水平为d％，则减载后机组输出1-d％的有功功率，结合频率风险控制和变桨距控制，对于给定减载水平为d％优先采用频率风险控制进行减载，当超速达到转速上限时，使用变桨距控制进行减载，变速风电机模型表示为：
式中，Pm表示风电机组的机械功率；ρ表示空气密度；A表示风轮扫风面积；v表示风速；Cp表示风能利用系数；β表示风电机组的桨距角；λ表示叶尖速比，λ＝ωR/v，R表示风力发电机的旋转半径。
在一实施例中，在风速固定时，对频率风险控制和变桨距控制两种一次调频方法的运行区域进行划分，包括：在固定风速时，风机捕获功率取决于风能利用系数Cp，；对于给定减载水平为d％，存在与之对应唯一临界风速vlim，当风速v≤vlim时，仅通过频率风险控制可实现预留功率减载水平，因此对应的风电机组的桨距角β＝0；当v≥vlim时，通过频率风险控制和变桨距控制实现预期减载水平；临界风速通过下式求取：
(1-d％)Cpmax-Cpde＝(1-d％)Cp(ωoptR/vlim,0)-Cp(ωmaxR/vlim,0)
式中，Cpde为减载后风机风能利用系数；Cpmax为风机最大功率跟踪时风能利用系数；vlim为预留减载水平d％时对应的唯一临界风速；ωopt为vlim根据最优叶尖速比对应的唯一转速；ωmax为风机风轮最大转速。
在一实施例中，分析构网型风电调频影响因素，构建基于虚拟惯性的构网型风电一次调频潜力预测模型，包括：忽略系统损耗，含构网型风电的频率响应方程表示为：
式中，H为0.5倍的等值发电机惯性时间常数；D为系统阻尼系数；ΔPL为系统突增负荷，ΔPG为常规火电机组调频功率；TJ为调速器时间常数；KG为单位调节功率；J为风电机的转动惯量；ωw为风电机组的转速；对于虚拟惯量控制通过其最大可释放转子动能作为评估其调频潜力的指标，运行最大功率跟踪状态的发电机组转速改变前后转子动能变化量ΔE为：
式中，ω为参与调频前转子转速；ωmin为转子转速下限；λopt为最优叶尖速比；当风电机组恢复到MPPT模式下时，相较于调频初始阶段，增发了机组备用功率，原系统中不平衡负荷ΔPL最后由火电机组调频功率和风电机组的备用功率平衡，因此对应一次调频稳态频率偏差fst可表示为：
式中，ΔPW1和ΔPW2分别为风电机组超速备用和变桨距备用功率。
在一实施例中，基于Bayes超参数寻优的LSTM网络对基于虚拟惯性的构网型风电一次调频潜力预测模型进行训练，得到风速预测结果，包括：利用改进的经验模态分解对原始风速序列进行分解，得到若干个不同时间尺度的模态分量；在若干模态分量中分别提取包含算数均值在内的多个统计特征量；计算多个统计特征量的均值，然后将该类均值组合成一个新的特征向量，形成预测特征量；利用主成分分析法从预测特征量中提取具有统计意义的特征子集；通过将特征子集作为Bayes优化的LSTM网络参数对基于虚拟惯性的一次调频潜力预测模型进行训练，得到风速预测结果。
在一实施例中，利用改进的经验模态分解对原始风速序列进行分解，得到若干个不同时间尺度模态分量，包括：假设输入风速时间序列为x(nTs)，n为样本总采样点数，Ts为采样间隔，ICEEMD分解得到的第k个模态分量分为IMFk，rk为对应余量，k＝1，2，…，K；对x(nTs)添加高斯白噪声生成的新信号，wi表示第i组添加的高斯白噪声，如下式：
xi(nTs)＝x(nTs)+βkwi(n)
式中，i＝1，2，…，I，βk使得在每个分解阶段选择的合适信噪比值；将产生的新信号序列xi(nTs)进行整理，再使用EMD进行分解，定义运算Ek(x)和M(x)，Ek(x)为对序列x进行EMD分解得到的第k个分量，M(x)满足M(x)＝x-E1(x)，可得到ICEEMD的第一个模态分量IMF1和对应余量信号r1，如下式：
以第一个余量信号为当前的局部均值，则第二个模态分量的余量r2和模态分量IMF2可表示为：
IMF2＝r1(nTs)-r2(nTs)
当k＝3，…，K时，IMFk和对应余量信号rk表示为：
IMFk＝rk-1(nTs)-rk(nTs)
在一实施例中，通过将特征子集作为Bayes优化的LSTM网络参数对一次调频潜力预测模型进行训练，得到最终风速预测结果，包括：将特征选择后的子集作为神经网络的输入，选取输入LSTM模型的网络层数以及学习速率作为被优化变量，选取均方根误差最小作为目标：
式中，yi′为预测值，yi为实际值；训练LSTM网络，形成先验数据集；选择高斯过程回归构建代理模型，得到每组超参数对应的目标函数的期望均值和协方差，其中，高斯过程回归服从k维正态分布；根据均值和方差构造采集函数，用于决定本次迭代时的采样点；以及根据采样点更新代理模型，并重复上述两个步骤，直至收敛。
在一实施例中，根据风速预测结果，计算同时刻风电机组不同调频方式下的调频潜力α，包括：
式中，Swind表示风电机组容量；Se表示基准功率。
采用本方案时，首先，通过分析构网型风电参与调频的原理和不同一次调频方法特性，对超速控制和变桨距控制运行区域进行划分。其次，为了分析构网型风电调频的影响因素并准确预测风速序列，本方案构建了基于虚拟惯性的构网型风电一次调频潜力预测模型。最后，利用Bayes超参数寻优的LSTM网络对预测模型进行准确训练，根据风速预测结果，计算同时刻下风电机组不同调频方式下的调频潜力。
有益效果：本发明的技术方案与现有技术相比，其有益效果在于：针对不同外界风速和预留减载水平，构网型风电机组的调频资质不同，根据不同一次调频方法特性，对频率风险控制和变桨距控制运行区域进行划分，充分发挥两者协同作用的优势；并针对风电场运行风速序列的混沌性和波动性，提出的Bayes-LSTM网络模型能很好地捕捉风速序列的关键特征分量，实现对风速序列的准确预测和风电调频潜力的准确评估。
附图说明
图1是本发明的流程示意图；
图2是本发明中风速预测模型的流程示意图；
图3是本发明中Bayes优化LSTM网络的流程示意图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明的技术方案进行详细介绍。
如图1所示，本发明的一种基于改进LSTM网络的构网型风电调频预测方法，包括以下步骤：
S1、分析构网型风电参与调频的原理和不同一次调频方法的特性，其中，一一次调频方法包括频率风险控制和变桨距控制。
(1)构网型风电参与调频的原理
构网型风电机组的虚拟惯性控制是通过在变流器有功控制环节引入频率偏差和变化率有关的调频辅助功率ΔP来模拟传统同步发电机组惯量响应和调频特性。在正常运行时，风电机组通常会在最大功率点跟踪(Maximum Power Point Tracking，MPPT)模式下正常运行时。当电力系统频率f偏离了基准功率后，通过引入电力系统频率的偏差Δf和频率变化率dΔf/dt，可计算到对应的调频辅助功率ΔP，如下：
式中：kp和kd分别为系统频率偏差比例微分系数。
当电力系统频率f出现波动时，调频辅助功率ΔP会自动调节发电机转速以调节电力系统频率f，同时构网型变流器有功功率外环控制也会根据设定的参考值进行调节，以保持电力系统的稳定性和可靠性。两者共同作用，使得电力系统能够在瞬间负载变化或其他异常情况下，快速恢复到稳定状态。其中，
构网型变流器有功功率外环控制的参考值Pref为
Pref＝Popt+ΔP
式中，Popt为风电机组MPPT运行时有功参考功率。
构网型风电机组的虚拟惯性控制通过使用改进的有功控制环节，使系统频率突变时风电机组快速调节电磁功率，起到短期的频率支撑作用，但是本质上通过释放转子动能来响应系统频率变化，然而风电机组储存旋转动能有限，无法应对大扰动的频率跌落，转子动能的过渡释放还会触发低速保护引起系统频率二次跌落。因此，风电机组应留有一定的有功备用，使风电机具备相应的一次调频能力，提升风电并网运行的可靠性。
(2)一次调频方法特性
对于构网型风电机组，其一次调频的方法主要有频率风险控制和变桨距控制。频率风险控制的调频方法通过控制转子转速超过MPPT转速，实现风电机组的减载运行，通过积累额外的转子动能储存有功备用；变桨距控制的调频方法通过调节桨距角来控制风电机组输出功率，以实现故障发生时风电机组对电网频率变化提供有功功率支撑。
风电机组的两种一次调频方式都是通过有功备用实现的，其中频率风险控制的适用范围受风机当前运行风速和最大转速约束，但其采用变流器控制，响应速度快，频率风险控制减载运行的同时增大了风机运行的转速和转子存储的动能，同时增强了风电机组的惯量响应和一次调频能力。而变桨距控制适用于中高风速场景，由于风电机组的运行风速存在不确定性，频繁通过变桨距控制会加速机械结构的磨损且响应速度慢，但是变桨距控制可调节范围不受限制。
S2、在风速变化时，对频率风险控制和变桨距控制的两种一次调频方法的运行区域进行划分，以及在风速固定时，对频率风险控制的和变桨距控制两种一次调频方法的运行区域进行划分。
(1)在风速变化时，对频率风险控制的调频方法和变桨距控制的调频方法的运行区域进行划分，包括：
在风速变化时，当v≤vmin时，为低风速区域，风电机组不参与调频；当vmin≤v≤vbase时，处于MPPT区域，风电机组通过频率风险控制进行一次调频；当v≥vbase时，处于高风速区域，风电机组通过变桨距控制进行一次调频。v代表的是风的速度，vmin和vbase分别为参与调频最低风速和额定风速。
为确定风电机组一次调频所需的有功备用，定义风电机组减载水平为d％，则减载后机组输出(1-d％)的有功功率。结合频率风险控制和变桨距控制两种控制方式优势，对于给定减载水平为d％优先采用超速备用进行减载，当超速达到转速上限时，使用变桨距控制进行减载。变速风电机模型可表示为：
式中：Pm表示风电机组的机械功率；ρ表示空气密度；A表示风轮扫风面积；v表示风速；Cp表示风能利用系数；β表示风电机组的桨距角；λ表示叶尖速比，λ＝ωR/v，R表示风力发电机的旋转半径。
(2)在风速固定时，对频率风险控制和变桨距控制的两种一次调频方法的运行区域进行划分。
在固定风速时，风机捕获功率取决于风能利用系数Cp，即取决于与λ和β的取值有关。对于给定减载水平为d％，存在与之对应唯一临界风速vlim，当v≤vlim时，仅通过频率风险控制可实现预留功率减载水平，因此对应β＝0；当v≥vlim时，必须通过频率风险控制和变桨距控制实现预期减载水平。临界风速可通过下式求取：
(1-d％)Cpmax-Cpde＝(1-d％)Cp(ωoptR/vlim,0)-Cp(ωmaxR/vlim,0)
式中，Cpde为减载后风机风能利用系数；Cpmax为风机最大功率跟踪时风能利用系数；vlim为预留减载水平d％时对应的唯一临界风速；ωopt为vlim根据最优叶尖速比对应的唯一转速；ωmax为风机风轮最大转速。
S3、分析构网型风电调频影响因素，构建基于虚拟惯性的构网型风电一次调频潜力预测模型。
忽略系统损耗，含构网型风电的频率响应方程可表示为：
式中，H为0.5倍的等值发电机惯性时间常数；D为系统阻尼系数；ΔPL为系统突增负荷，ΔPG为常规火电机组调频功率；TJ为调速器时间常数；KG为单位调节功率；J为风电机的转动惯量；ωw为风电机组的转速。
由上式可知构网型风电机组的虚拟惯量控制和超速备用控制在频率响应过程中都是通过释放转子动能改善系统暂态频率特性，比例系数kp和微分系数kd决定了风电机组产生与常规发电机类似的转动惯性和阻尼特性。对于不同系统扰动和风电机组调频辅助控制器参数，风电频率响应不同。因此，对于虚拟惯量控制应通过其最大可释放转子动能作为评估其调频潜力的指标。
对于虚拟惯量控制应通过其最大可释放转子动能作为评估其调频潜力的指标，运行最大功率跟踪状态的发电机组转速改变前后转子动能变化量ΔE为：
式中，ω为参与调频前转子转速；ωmin为转子转速下限；λopt为最优叶尖速比。
当风电机组恢复到MPPT模式下时，相较于调频初始阶段，增发了机组备用功率，原系统中不平衡负荷ΔPL最后由火电机组调频功率和风电机组的备用功率平衡。因此，对应一次调频稳态频率偏差fst可表示为：
式中，ΔPW1和ΔPW2分别为风电机组超速备用和变桨距备用功率。
通过上述分析可知，构网型风电场虚拟惯性控制能够提供暂态的频率支撑，而一次调频的备用功率能够改善系统稳态频率偏差。因此构网型风电调频潜力应包括机组最大可释放转子动能，频率风险和变桨距控制备用功率。在风机参数固定的情况下，MPPT运行模式时转子动能受风速变化的影响；一次调频预留备用功率时，风速和预留减载水平会同时影响最大可释放转子动能和备用功率。
S4、如图2所示，基于Bayes超参数寻优的LSTM网络对基于虚拟惯性的构网型风电一次调频潜力预测模型进行准确训练，得到风速预测结果。
S41、利用改进的经验模态分解(empirical mode decomposition,ICEEMD)对原始风速序列进行分解，得到若干个不同时间尺度模态分量，包括：
S41.1、假设输入风速时间序列为x(nTs)，n为样本总采样点数，Ts为采样间隔，ICEEMD分解得到的第k个模态分量分为IMFk，rk为对应余量，k＝1，2，…，K。对x(nTs)添加高斯白噪声生成的新信号，wi表示第i组添加的高斯白噪声，如下式：
xi(nTs)＝x(nTs)+βkwi(n)
式中，i＝1，2，…，I，βk使得在每个分解阶段选择的合适信噪比值。
S41.2、将产生的新信号序列xi(nTs)进行整理，再使用EMD进行分解，定义运算Ek(x)和M(x)，Ek(x)为对序列x进行EMD分解得到的第k个分量，M(x)满足M(x)＝x-E1(x)，可得到ICEEMD的第一个模态分量IMF1和对应余量信号r1，如下式：
S41.3、以第一个余量信号为当前的局部均值，则第二个模态分量的余量r2和模态分量IMF2可表示为：
IMF2＝r1(nTs)-r2(nTs)
S41.4当k＝3，…，K时，IMFk和对应余量信号rk可表示为：
IMFk＝rk-1(nTs)-rk(nTs)
S42、在若干模态分量中分别提取包含算数均值等在内的多个统计特征量；
S43、计算多个统计特征量的均值，然后将该类均值组合成一个新的特征向量，
形成预测特征量；
S44、利用主成分分析法(Principal Component Analysis，PCA)从预测特征量中提取具有统计意义的特征子集；
S45、如图3所示，通过将特征子集作为Bayes优化的LSTM网络参数对基于虚拟惯性的一次调频潜力预测模型进行训练，得到最终风速预测结果，包括：
S45.1、将特征选择后的子集作为神经网络的输入，选取输入LSTM模型的网络层数以及学习速率作为被优化变量，选取均方根误差(root mean square error,RMES)最小作为目标：
式中，yi′为预测值，yi为实际值；
S45.2、训练LSTM网络，形成先验数据集；
S43.3、选择高斯过程回归构建代理模型，得到每组超参数对应的目标函数的期望均值和协方差，其中高斯过程回归服从k维正态分布；
S45.4、根据均值和方差构造采集函数，用于决定本次迭代时的采样点；
S45.5、根据采样点更新代理模型，并重复步骤S44.3—S44.4，直至收敛。
S46、得到最终风速预测结果。
S5、根据风速预测结果，计算同时刻风电机组不同调频方式下的调频潜力α。
调频潜力α的计算公式如下：
式中：Swind为风电机组容量，Se为基准功率。
本方案克服了传统预测模型的不足，充分发挥频率风险控制和变桨距控制之间协同作用的优势；本方案能够通过分析外部风速和减载水平的差异，构建不同的网式风力发电机组调频能力。同时，对频率风险控制和变桨距控制运行区域进行划分，充分发挥它们之间的协同作用。为了解决风电场风速序列的混沌性和波动性问题，引入了Bayes-LSTM网络模型，实现了对风速序列的准确预测和风电调频潜力的准确评估。本发明可以提高风力发电的效率和可靠性，为风力发电行业带来更好的发展。
Claims (10)
1.一种基于改进LSTM网络的构网型风电调频预测方法，其特征在于，包括：
分析构网型风电参与调频的原理和不同一次调频方法的特性，其中，一次调频方法包括频率风险控制和变桨距控制：
在风速变化时，对频率风险控制和变桨距控制两种一次调频方法的运行区域进行划分，以及在风速固定时，对频率风险控制和变桨距控制两种一次调频方法的运行区域进行划分；
分析构网型风电调频影响因素，构建基于虚拟惯性的构网型风电一次调频潜力预测模型；
基于Bayes超参数寻优的LSTM网络对基于虚拟惯性的构网型风电一次调频潜力预测模型进行训练，得到风速预测结果；以及
根据风速预测结果，计算同时刻风电机组不同调频方式下的调频潜力。
2.根据权利要求1所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于，分析构网型风电参与调频的原理，包括：
在正常状态下，风电机组会在最大功率点跟踪模式下正常运行时；当电力系统频率f偏离基准功率后，通过引入电力系统频率的偏差Δf和频率变化率dΔf/dt，计算到对应的调频辅助功率ΔP，如下：
式中，kp和kd分别为系统频率偏差比例和微分系数；
当电力系统频率f出现波动时，调频辅助功率ΔP会自动调节发电机转速以调节电力系统频率f，同时构网型变流器有功功率外环控制也会根据设定的参考值进行调节；其中，
构网型变流器有功功率外环控制的参考值Pref为
Pref＝Popt+ΔP
式中，Popt为风电机组MPPT运行时有功参考功率。
3.根据权利要求1所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于：频率风险控制的一次调频方法包括通过控制转子转速超过最大功率点跟踪转速，实现风电机组的减载运行，通过积累额外的转子动能储存有功备用；变桨距控制的调频方法包括通过调节桨距角来控制风电机组输出功率，以实现故障发生时风电机组对电网频率变化提供有功功率支撑。
4.根据权利要求1所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于：在风速变化时，对频率风险控制和变桨距控制两种一次调频方法的运行区域进行划分，包括：
在风速变化时，当v≤vmin时，为低风速区域，风电机组不参与调频；当vmin≤v≤vbase时，处于MPPT区域，风电机组通过频率风险控制的一次调频方法进行一次调频；当v≥vbase时，处于高风速区域，风电机组通过变桨距控制的一次调频方法进行一次调频；v表示风的速度，vmin和vbase分别为参与调频最低风速和额定风速；
定义风电机组减载水平为d％，则减载后机组输出1-d％的有功功率，结合频率风险控制和变桨距控制，对于给定减载水平为d％优先采用频率风险控制进行减载，当超速达到转速上限时，使用变桨距控制进行减载，变速风电机模型表示为：
式中，Pm表示风电机组的机械功率；ρ表示空气密度；A表示风轮扫风面积；v表示风速；Cp表示风能利用系数；β表示风电机组的桨距角；λ表示叶尖速比，λ＝ωR/v，R表示风力发电机的旋转半径。
5.根据权利要求1所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于，在风速固定时，对频率风险控制和变桨距控制两种一次调频方法的运行区域进行划分，包括：
在固定风速时，风机捕获功率取决于风能利用系数Cp，；对于给定减载水平为d％，存在与之对应唯一临界风速vlim，当风速v≤vlim时，仅通过频率风险控制可实现预留功率减载水平，因此对应的风电机组的桨距角β＝0；当v≥vlim时，通过频率风险控制和变桨距控制实现预期减载水平；临界风速通过下式求取：
(1-d％)Cpmax-Cpde＝(1-d％)Cp(ωoptR/vlim,0)-Cp(ωmaxR/vlim,0)
式中，Cpde为减载后风机风能利用系数；Cpmax为风机最大功率跟踪时风能利用系数；vlim为预留减载水平d％时对应的唯一临界风速；ωopt为vlim根据最优叶尖速比对应的唯一转速；ωmax为风机风轮最大转速。
6.根据权利要求1所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于，分析构网型风电调频影响因素，构建基于虚拟惯性的构网型风电一次调频潜力预测模型，包括：
忽略系统损耗，含构网型风电的频率响应方程表示为：
式中，H为0.5倍的等值发电机惯性时间常数；D为系统阻尼系数；ΔPL为系统突增负荷，ΔPG为常规火电机组调频功率；TJ为调速器时间常数；KG为单位调节功率；J为风电机的转动惯量；ωw为风电机组的转速；
对于虚拟惯量控制通过其最大可释放转子动能作为评估其调频潜力的指标，运行最大功率跟踪状态的发电机组转速改变前后转子动能变化量ΔE为：
式中，ω为参与调频前转子转速；ωmin为转子转速下限；λopt为最优叶尖速比；
当风电机组恢复到MPPT模式下时，相较于调频初始阶段，增发了机组备用功率，原系统中不平衡负荷ΔPL最后由火电机组调频功率和风电机组的备用功率平衡，因此对应一次调频稳态频率偏差fst表示为：
式中，ΔPW1和ΔPW2分别为风电机组频率风险和变桨距备用功率。
7.根据权利要求1所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于，基于Bayes超参数寻优的LSTM网络对基于虚拟惯性的构网型风电一次调频潜力预测模型进行训练，得到风速预测结果，包括：
利用改进的经验模态分解对原始风速序列进行分解，得到若干个不同时间尺度的模态分量；
在若干模态分量中分别提取包含算数均值在内的多个统计特征量；
计算多个统计特征量的均值，然后将该类均值组合成一个新的特征向量，形成预测特征量；利用主成分分析法从预测特征量中提取具有统计意义的特征子集；
通过将特征子集作为Bayes优化的LSTM网络参数对基于虚拟惯性的一次调频潜力预测模型进行训练，得到风速预测结果。
8.根据权利要求7所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于，利用改进的经验模态分解对原始风速序列进行分解，得到若干个不同时间尺度模态分量，包括：
假设输入风速时间序列为x(nTs)，n为样本总采样点数，Ts为采样间隔，ICEEMD分解得到的第k个模态分量分为IMFk，rk为对应余量，k＝1，2，…，K；对x(nTs)添加高斯白噪声生成的新信号，wi表示第i组添加的高斯白噪声，如下式：
xi(nTs)＝x(nTs)+βkwi(n)
式中，i＝1，2，…，I，βk使得在每个分解阶段选择的合适信噪比值；
将产生的新信号序列xi(nTs)进行整理，再使用EMD进行分解，定义运算Ek(x)和M(x)，Ek(x)为对序列x进行EMD分解得到的第k个分量，M(x)满足M(x)＝x-E1(x)，可得到ICEEMD的第一个模态分量IMF1和对应余量信号r1，如下式：
以第一个余量信号为当前的局部均值，则第二个模态分量的余量r2和模态分量IMF2可表示为：
IMF2＝r1(nTs)-r2(nTs)
当k＝3，…，K时，IMFk和对应余量信号rk表示为：
9.根据权利要求7所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于，通过将特征子集作为Bayes优化的LSTM网络参数对基于虚拟惯性的一次调频潜力预测模型进行训练，得到最终风速预测结果，包括：
将特征选择后的子集作为神经网络的输入，选取输入LSTM模型的网络层数以及学习速率作为被优化变量，选取均方根误差最小作为目标：
式中，yi′为预测值，yi为实际值；
训练LSTM网络，形成先验数据集；
选择高斯过程回归构建代理模型，得到每组超参数对应的目标函数的期望均值和协方差，其中，高斯过程回归服从k维正态分布；
根据均值和方差构造采集函数，用于决定本次迭代时的采样点；以及
根据采样点更新代理模型，并重复上述两个步骤，直至收敛。
10.根据权利要求1所述的基于改进LSTM网络的构网型风电调频预测方法，其特征在于，根据风速预测结果，计算同时刻风电机组不同调频方式下的调频潜力α，包括：
式中，Swind表示风电机组容量；Se表示基准功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310798885.3A CN117060430A (zh) | 2023-06-30 | 2023-06-30 | 一种基于改进lstm网络的构网型风电调频预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310798885.3A CN117060430A (zh) | 2023-06-30 | 2023-06-30 | 一种基于改进lstm网络的构网型风电调频预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117060430A true CN117060430A (zh) | 2023-11-14 |
Family
ID=88663384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310798885.3A Pending CN117060430A (zh) | 2023-06-30 | 2023-06-30 | 一种基于改进lstm网络的构网型风电调频预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117060430A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118508472A (zh) * | 2024-07-17 | 2024-08-16 | 西安热工研究院有限公司 | 一种超容耦合火电机组调频智能控制方法及系统 |
-
2023
- 2023-06-30 CN CN202310798885.3A patent/CN117060430A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118508472A (zh) * | 2024-07-17 | 2024-08-16 | 西安热工研究院有限公司 | 一种超容耦合火电机组调频智能控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021164112A1 (zh) | 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 | |
| CN107689638B (zh) | 一种基于相轨迹分析的含风电电力系统暂态协调控制方法 | |
| CN110148956B (zh) | 一种基于mpc的电池储能系统辅助agc控制方法 | |
| CN112994013A (zh) | 考虑频率约束的多源电力系统日前优化调度方法 | |
| CN108512258B (zh) | 一种基于改进多智能体一致性算法的风电场有功调度方法 | |
| CN114844064B (zh) | 双馈型变速抽水蓄能机组自适应变参数调频方法及装置 | |
| CN110829487A (zh) | 一种电力系统的频率动态预测方法 | |
| CN113994087B (zh) | 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统 | |
| CN109038613A (zh) | 一种计及风电虚拟惯性/一次调频响应的自适应低频减载方法 | |
| CN112994042A (zh) | 考虑风电机组参与电网一次调频的机组组合建模及优化方法 | |
| CN117060430A (zh) | 一种基于改进lstm网络的构网型风电调频预测方法 | |
| CN107979117A (zh) | 提升高渗透率风电接入电网暂态稳定性有功功率控制策略 | |
| CN116667389B (zh) | 一种新型电力系统惯量提升的风储联合预测校正控制方法 | |
| CN111224425A (zh) | 基于分层预测控制的风储系统黑启动频率控制方法及系统 | |
| CN109980660B (zh) | 基于发电机改进频率响应特性的鲁棒区间风电调度方法 | |
| CN115764931A (zh) | 一种电力系统自动发电控制方法、系统、设备和介质 | |
| CN117039926A (zh) | 风电场多集群可用惯量评估方法及装置 | |
| CN115207941A (zh) | 一种电力系统惯量水平评估方法 | |
| CN115102228A (zh) | 一种含飞轮储能的风电场多目标协调频率优化方法和装置 | |
| CN115693659A (zh) | 一种电力系统短期生产模拟计算方法、系统、介质及设备 | |
| CN115241922A (zh) | 风电场参与电网频率支撑的机组组合确定方法与系统 | |
| CN115085262A (zh) | 基于时空不确定性的风电场调频控制方法及装置 | |
| CN114447952A (zh) | 永磁风机风电场一次调频能力评估方法 | |
| CN114447953A (zh) | 一种风电场惯量调频协调控制方法和系统 | |
| CN114069653A (zh) | 计及储能出力方式的风电机组改进调频控制方法和系统 |
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 |