CN117892547A - 一种风电场等效建模方法、装置、设备及介质 - Google Patents
一种风电场等效建模方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117892547A CN117892547A CN202410134239.1A CN202410134239A CN117892547A CN 117892547 A CN117892547 A CN 117892547A CN 202410134239 A CN202410134239 A CN 202410134239A CN 117892547 A CN117892547 A CN 117892547A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power plant
- sparse
- state variable
- regression model
- 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 59
- 230000008859 change Effects 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims description 69
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本申请公开了一种风电场等效建模方法、装置、设备及介质。其中,该方法通过根据目标风电场中各风力发电机的状态变量序列,确定目标风电场的等效状态变量变化率序列;根据等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定风电场稀疏回归模型的第一目标函数;基于第一目标函数以及稀疏系数的物理约束,对风电场稀疏回归模型进行求解,确定风电场稀疏回归模型的辨识结果。本技术方案,通过结合数据与模型,以实现对风电场稀疏回归模型进行构建,使模型具有更好的泛化能力,更好地适应不同的场景和变化。
Description
技术领域
本申请涉及电力工程技术领域,尤其涉及一种风电场等效建模方法、装置、设备及介质。
背景技术
风能作为一种重要的可持续能源,在减少碳排放和有害污染物方面发挥着至关重要的作用。为了更好地利用风能,风电场内建造了庞大的风力涡轮发电机阵列。
随着风电场日益渗透到电力系统中,风电场的快速运行特性和模型复杂性,使得动态仿真变得至关重要且具有挑战性。大型风电场一般有数百台风机,每台风机暂态模型的阶数约为10-20。现有的模型根据其应用场景可以分为三种类型:暂态分析、小信号分析和频率/电压调节。不同的应用场景需要考虑不同的时间尺度动力学和控制方法的模型,所有类型的模型一般都可以通过等效聚合得到。对于单机聚合,采用基于容量的加权平均方法或基于启发式算法的参数识别来代替所研究的风电场的动态行为。
然而,当风电机组具有不同的动态行为时,单机聚合无法保证某些场景下的仿真精度。通过研究风电机组行为的影响因素,包括风电场拓扑、输电线路、风速和控制方法/参数等,评估单机聚合在某些场景下的适用性。当这些因素不同时,首先对风电场进行基于指标的聚类,以提高模拟的准确性,称为多机聚合。对于多机聚合,聚簇指标的选择和相干分群算法是关注的重点。但由于风机数量变化、控制方法等因素,这些指标会表现出不同的动态行为,这给建立长期等效模型带来了挑战;同时,与大规模聚类相关的大量计算负担使得这些方法难以实施。
发明内容
本申请提供了一种风电场等效建模方法、装置、设备及介质,通过结合数据与模型,以实现对风电场稀疏回归模型进行构建,使模型具有更好的泛化能力,更好地适应不同的场景和变化。
根据本申请的一方面,提供了一种风电场等效建模方法,该方法包括:
根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列;
根据所述等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定所述风电场稀疏回归模型的第一目标函数;
基于所述第一目标函数以及所述稀疏系数的物理约束,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
根据本申请的另一方面,提供了一种风电场等效建模装置,该装置包括:
参数处理模块,用于根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列;
模型构建模块,用于根据所述等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定所述风电场稀疏回归模型的第一目标函数;
模型辨识模块,用于基于所述第一目标函数以及所述稀疏系数的物理约束,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
根据本申请的另一方面,提供了一种通信设备,该设备包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请任一实施例所述的风电场等效建模方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本申请任一实施例所述的风电场等效建模方法。
本申请提供的技术方案,通过根据目标风电场中各风力发电机的状态变量序列,确定目标风电场的等效状态变量变化率序列;根据等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定风电场稀疏回归模型的第一目标函数;基于第一目标函数以及稀疏系数的物理约束,对风电场稀疏回归模型进行求解,确定风电场稀疏回归模型的辨识结果。本技术方案,通过结合数据与模型,以实现对风电场稀疏回归模型进行构建,使模型具有更好的泛化能力,更好地适应不同的场景和变化。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一提供的一种风电场等效建模方法的流程图;
图2为本申请实施例二提供的一种风电场等效建模方法的流程图;
图3为本申请实施例三提供的一种风电场等效建模装置的结构示意图;
图4是实现本申请实施例的一种风电场等效建模方法的设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本申请实施例一提供的一种风电场等效建模方法的流程图,本实施例可适用于对风电场进行建模的情况,该方法可以由风电场等效建模装置来执行,该风电场等效建模装置可以采用硬件和/或软件的形式实现,该风电场等效建模装置可配置于具有数据处理能力的设备中。如图1所示,该方法包括:
S110、根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列。
其中,状态变量序列可为状态变量有关时间的序列,例如X=[x1(t1),x2(t2),…,xm(tm)]T。具体的,可通过测试设备对目标风电场中各风力发电机进行检测,以获取各风力发电机在各采样时刻的状态变量。
其中,状态变量可为风力发电机的转速、定转子电流电压、功率等,本申请实施例对此不作限定,可根据具体建模需要进行确定。
在本申请中,可对各风力发电机的状态变量序列进行求导,得到目标风电场的等效状态变量变化率序列。
可选的,根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列,包括:
根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量序列;
对所述等效状态变量序列进行求导,确定所述目标风电场的等效状态变量变化率序列。
其中,等效状态变量序列可为各风力发电机的状态变量序列之和的平均值。具体的,目标风电场的等效参数可由各台风力发电机参数的平均值得出,目标风电场的等效视在功率可为各台风力发电机视在功率的总和。
进一步的,对等效状态变量序列进行求导,目标风电场的状态导数可表示为:
也可由龙格库塔四阶得到的数值解。本申请实施例对求导的方式不作限定,可根据实际需要进行确定。
可选的,对所述等效状态变量序列进行求导,确定所述目标风电场的等效状态变量变化率序列,包括:
采用如下公式确定所述目标风电场的等效状态变量变化率序列:
式中,Δt为等效状态变量序列的采样时间间隔,X(i+1)为第i+1个采样时间点所对应的等效状态变量序列,X(i)为第i个采样时间点所对应的等效状态变量序列,为等效状态变量变化率序列。
在本申请实施例中,可采用中心差分法对等效状态变量序列进行求导,以确定目标风电场的等效状态变量变化率序列。
S120、根据所述等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定所述风电场稀疏回归模型的第一目标函数。
其中,非线性项可根据风力发电机的类型或模型需要进行确定,可为一个或多个非线性项。具体的,非线性项可从预先侯建的候选非线性函数库中确定,例如,候选非线性函数库可包括1,X,X2,Xd,cos(X),sin(X)等。
其中,稀疏系数可为稀疏系数向量,例如,θ=(ε1,ε2…εp)。通过稀疏系数可以合成一个非线性动力系统模型。
由于非线性项包含大量特征,而其中只有少数特征对等效状态变量变化率序列的预测有重要影响,因此,本申请通过采用稀疏回归的方法,根据等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,以减少冗余信息的干扰,提高模型的泛化能力。
其中,第一目标函数可为使所构建的风电场稀疏回归模型与风电场实际运行数据差值最小。
可选的,根据所述等效状态变量变化率序列、非线性项、稀疏系数以及物理约束,构建风电场稀疏回归模型,包括:
采用如下公式构建风电场稀疏回归模型:
式中,为等效状态变量变化率序列,H(X)为等效状态变量序列的非线性项,θ为稀疏系数。
具体的,可根据非线性项和稀疏系数对等效状态变量变化率序列进行展开表示。其中,H(X)可为由多个非线性项组成的矩阵,稀疏系数也可为与H(X)矩阵对应的矩阵。
示例性的,其中,X和X2为非线性项,α和β为稀疏系数。
可选的,确定所述风电场稀疏回归模型的第一目标函数,包括:
采用如下公式确定所述风电场稀疏回归模型的第一目标函数:
式中,L1为风电场稀疏回归模型的第一目标函数,τ为稀疏旋钮,R(θ)为正则化函数。
其中,R(θ)为任意正则化函数,τ参数化正则化的强度,为稀疏旋钮,应该选择合适的稀疏旋钮来促进模型在精度和复杂性之间的平衡,避免数据的过拟合。
上述技术方案的有益效果在于,提供了一种风电场实时等效建模方法,通过一个风力发电机等效整个风电场,为风电场的等效建模提供借鉴。
S130、基于所述第一目标函数以及所述稀疏系数的物理约束,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
在本申请中,可结合风电场模型物理机理对辨识的参数设置物理约束,以增强模型的物理解释性。
具体的,可采用如下公式确定稀疏系数的物理约束:
Cε=d;
式中,ε=θ(:)为稀疏系数矩阵的向量化形式。
其中,Cε=d为线性等式约束,不仅可以根据物理机理设置C,还可用于强制ε的某些项为零。
在本申请中,可基于第一目标函数以及稀疏系数的物理约束,构造最小化问题,通过对最小化问题进行求解,得到风电场稀疏回归模型的稀疏系数,从而构建风电场等效模型。
本申请实施例提供了一种风电场等效建模方法,该方法通过根据目标风电场中各风力发电机的状态变量序列,确定目标风电场的等效状态变量变化率序列;根据等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定风电场稀疏回归模型的第一目标函数;基于第一目标函数以及稀疏系数的物理约束,对风电场稀疏回归模型进行求解,确定风电场稀疏回归模型的辨识结果。本技术方案,通过结合数据与模型,以实现对风电场稀疏回归模型进行构建,使模型具有更好的泛化能力,更好地适应不同的场景和变化。
实施例二
图2为本申请实施例二提供的一种风电场等效建模方法的流程图,本实施例以上述实施例为基础进行优化。如图2所示,本实施例的方法具体包括如下步骤:
S210、根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列。
S220、根据所述等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定所述风电场稀疏回归模型的第一目标函数。
S230、根据所述第一目标函数以及所述稀疏系数的物理约束,确定所述风电场稀疏回归模型的第二目标函数。
在确定第二目标函数的过程中,可使用顺序阈值最小二乘算法来提高风电场稀疏回归模型的稀疏性。具体的,可给定一个参数μ,以限定稀疏系数的最小幅度,执行最小二乘拟合,然后将所有幅度低于阈值的系数进行归零,拟合和阈值的过程一直进行到收敛为止。
可选的,根据所述第一目标函数以及所述稀疏系数的物理约束,确定所述风电场稀疏回归模型的第二目标函数,包括:
采用如下公式所述风电场稀疏回归模型的第二目标函数:
L2=L1+zT(Cε-d);
式中,L2为风电场稀疏回归模型的第一目标函数,L1为风电场稀疏回归模型的第一目标函数,z为拉格朗日乘子,ε为稀疏系数的向量化形式,C为第一约束参数,d为第二约束参数。
具体的,可将风电场稀疏回归模型的凸极小化问题表示为:
本申请实施例通过迭代解决最小化问题,在初始最小二乘回归后,参数μ的设置过程如下:如果|εi|小于τ乘以ε非零项的绝对值的平均值,就在约束矩阵C中添加另一行以强制εi=0。顺序阈值最小二乘算法的两次或三次迭代通常足以确保约束最小化过程的收敛性。
具体的,每次迭代都可以通过使用增广函数公式重新定义为无约束问题,其中约束可通过拉格朗日乘子z施加的,由此产生的无约束最小化问题为:
S240、基于所述第二目标函数,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
具体的,可运用KKT条件对第二目标函数得到KKT方程:
式中,是由n个H(X)组成的对角矩阵,/>是X的向量化形式,n是x的维数。
由于上述方程的维数较高,因此本申请利用克罗内克积和矩阵结构来进行解决,具体过程如下:
进一步的,在低维空间中计算显式逆:(H(X)TH(X))-1;
进一步的,用上述式子求解KKT方程,可得到拉格朗日乘子z,拉格朗日乘子z可采用如下公式进行表示:
其中,
进一步的,将拉格朗日乘子z代入至KKT方程,可得到稀疏系数:
综上,可得到风电场稀疏回归模型的辨识结果。
本申请实施例提供了一种风电场等效建模方法,该方法通过根据目标风电场中各风力发电机的状态变量序列,确定目标风电场的等效状态变量变化率序列;根据等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定风电场稀疏回归模型的第一目标函数;根据第一目标函数以及稀疏系数的物理约束,确定风电场稀疏回归模型的第二目标函数;基于第二目标函数,对风电场稀疏回归模型进行求解,确定风电场稀疏回归模型的辨识结果。本技术方案,基于物理机理设置的参数约束可以更准确地捕捉输入与输出的复杂关系,使得模型具有更好的泛化能力,可以构建更强大、更适应和更准确的风电场等效模型。
实施例三
图3为本申请实施例三提供的一种风电场等效建模装置的结构示意图。如图3所示,该装置包括:
参数处理模块310,用于根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列;
模型构建模块320,用于根据所述等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定所述风电场稀疏回归模型的第一目标函数;
模型辨识模块330,用于基于所述第一目标函数以及所述稀疏系数的物理约束,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
本申请实施例提供了一种风电场等效建模装置,该装置通过根据目标风电场中各风力发电机的状态变量序列,确定目标风电场的等效状态变量变化率序列;根据等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定风电场稀疏回归模型的第一目标函数;基于第一目标函数以及稀疏系数的物理约束,对风电场稀疏回归模型进行求解,确定风电场稀疏回归模型的辨识结果。本技术方案,通过结合数据与模型,以实现对风电场稀疏回归模型进行构建,使模型具有更好的泛化能力,更好地适应不同的场景和变化。
进一步的,参数处理模块310,包括:
状态变量等效单元,用于根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量序列;
状态变量求导单元,用于对所述等效状态变量序列进行求导,确定所述目标风电场的等效状态变量变化率序列。
进一步的,状态变量求导单元,具体用于:
采用如下公式确定所述目标风电场的等效状态变量变化率序列:
式中,Δt为等效状态变量序列的采样时间间隔,X(i+1)为第i+1个采样时间点所对应的等效状态变量序列,X(i)为第i个采样时间点所对应的等效状态变量序列,为等效状态变量变化率序列。
进一步的,模型构建模块320,具体用于:
采用如下公式构建风电场稀疏回归模型:
式中,为等效状态变量变化率序列,H(X)为等效状态变量序列的非线性项,θ为稀疏系数。
进一步的,模型构建模块320,具体用于:
采用如下公式确定所述风电场稀疏回归模型的第一目标函数:
式中,L1为风电场稀疏回归模型的第一目标函数,τ为稀疏旋钮,R(θ)为正则化函数。
进一步的,模型辨识模块330,包括:
第二目标函数确定单元,用于根据所述第一目标函数以及所述稀疏系数的物理约束,确定所述风电场稀疏回归模型的第二目标函数;
模型辨识结果确定单元,用于基于所述第二目标函数,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
进一步的,第二目标函数确定单元,具体用于:
采用如下公式所述风电场稀疏回归模型的第二目标函数:
L2=L1+zT(Cε-d);
式中,L2为风电场稀疏回归模型的第一目标函数,L1为风电场稀疏回归模型的第一目标函数,z为拉格朗日乘子,ε为稀疏系数的向量化形式,C为第一约束参数,d为第二约束参数。
本申请实施例所提供的一种风电场等效建模装置可执行本申请任意实施例所提供的一种风电场等效建模方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本申请的实施例的设备10的结构示意图。设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如风电场等效建模方法。
在一些实施例中,风电场等效建模方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的风电场等效建模方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行风电场等效建模方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在设备上实施此处描述的系统和技术,该设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种风电场等效建模方法,其特征在于,所述方法包括:
根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列;
根据所述等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定所述风电场稀疏回归模型的第一目标函数;
基于所述第一目标函数以及所述稀疏系数的物理约束,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
2.根据权利要求1所述的方法,其特征在于,根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列,包括:
根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量序列;
对所述等效状态变量序列进行求导,确定所述目标风电场的等效状态变量变化率序列。
3.根据权利要求2所述的方法,其特征在于,对所述等效状态变量序列进行求导,确定所述目标风电场的等效状态变量变化率序列,包括:
采用如下公式确定所述目标风电场的等效状态变量变化率序列:
式中,Δt为等效状态变量序列的采样时间间隔,X(i+1)为第i+1个采样时间点所对应的等效状态变量序列,X(i)为第i个采样时间点所对应的等效状态变量序列,为等效状态变量变化率序列。
4.根据权利要求1所述的方法,其特征在于,根据所述等效状态变量变化率序列、非线性项、稀疏系数以及物理约束,构建风电场稀疏回归模型,包括:
采用如下公式构建风电场稀疏回归模型:
式中,为等效状态变量变化率序列,H(X)为等效状态变量序列的非线性项,θ为稀疏系数。
5.根据权利要求4所述的方法,其特征在于,确定所述风电场稀疏回归模型的第一目标函数,包括:
采用如下公式确定所述风电场稀疏回归模型的第一目标函数:
式中,L1为风电场稀疏回归模型的第一目标函数,τ为稀疏旋钮,R(θ)为正则化函数。
6.根据权利要求1所述的方法,其特征在于,基于所述第一目标函数以及所述稀疏系数的物理约束,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果,包括:
根据所述第一目标函数以及所述稀疏系数的物理约束,确定所述风电场稀疏回归模型的第二目标函数;
基于所述第二目标函数,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
7.根据权利要求1所述的方法,其特征在于,根据所述第一目标函数以及所述稀疏系数的物理约束,确定所述风电场稀疏回归模型的第二目标函数,包括:
采用如下公式所述风电场稀疏回归模型的第二目标函数:
L2=L1+zT(Cε-d);
式中,L2为风电场稀疏回归模型的第一目标函数,L1为风电场稀疏回归模型的第一目标函数,z为拉格朗日乘子,ε为稀疏系数的向量化形式,C为第一约束参数,d为第二约束参数。
8.一种风电场等效建模装置,其特征在于,所述装置包括:
参数处理模块,用于根据目标风电场中各风力发电机的状态变量序列,确定所述目标风电场的等效状态变量变化率序列;
模型构建模块,用于根据所述等效状态变量变化率序列、非线性项和稀疏系数,构建风电场稀疏回归模型,并确定所述风电场稀疏回归模型的第一目标函数;
模型辨识模块,用于基于所述第一目标函数以及所述稀疏系数的物理约束,对所述风电场稀疏回归模型进行求解,确定所述风电场稀疏回归模型的辨识结果。
9.一种电子设备,其特征在于,所述设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的风电场等效建模方法。
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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风电场等效建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134239.1A CN117892547A (zh) | 2024-01-30 | 2024-01-30 | 一种风电场等效建模方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134239.1A CN117892547A (zh) | 2024-01-30 | 2024-01-30 | 一种风电场等效建模方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117892547A true CN117892547A (zh) | 2024-04-16 |
Family
ID=90651947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410134239.1A Pending CN117892547A (zh) | 2024-01-30 | 2024-01-30 | 一种风电场等效建模方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892547A (zh) |
-
2024
- 2024-01-30 CN CN202410134239.1A patent/CN117892547A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN116595395B (zh) | 一种基于深度学习的逆变器输出电流预测方法及系统 | |
CN117332897A (zh) | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
CN115597872B (zh) | 抽水蓄能机组甩负荷测试方法、装置、设备及介质 | |
CN116562156A (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN117892547A (zh) | 一种风电场等效建模方法、装置、设备及介质 | |
CN115788797A (zh) | 风力发电机的健康状态检测方法、模型训练方法以及装置 | |
Yu et al. | IRFLMDNN: hybrid model for PMU data anomaly detection and re-filling with improved random forest and Levenberg Marquardt algorithm optimized dynamic neural network | |
Muftić Dedović et al. | Estimation of Power System Inertia with the Integration of Converter-Interfaced Generation via MEMD during a Large Disturbance | |
Jazaeri et al. | A new fast and efficient artificial neural network based state estimator incorporated into a linear optimal regulator for power system control enhancement | |
CN117833208A (zh) | 配电网状态推演方法、装置、电子设备和存储介质 | |
CN117175585B (zh) | 风电功率预测方法、装置、设备及存储介质 | |
CN117215205B (zh) | 基于决策树和iss理论的直流系统控制参数分析方法 | |
CN118316023A (zh) | 一种区域风电概率预测方法、装置、电子设备及存储介质 | |
CN117878905A (zh) | 基于白噪声信号的电网负荷预测方法、装置、设备及介质 | |
Yan | A comparison wind power forecasting with different methods | |
CN116402160A (zh) | 配电网电压预测模型的训练方法及配电网电压的预测方法 | |
CN118054429A (zh) | 调频能力评估方法、装置、设备和介质 | |
Huang et al. | An Ensemble Learning Approach for Wind Power Forecasting | |
Yunxue et al. | Identification of Intensive Oscillation Parameters of Power System Based on CS-CNN-GRU Network | |
Sun et al. | Classification of Frequency Disturbance Event in Power Systems Considering Optimal PMU Placement | |
CN117474155A (zh) | 基于神经网络的电力系统状态估计模型训练方法和装置 |
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 |