【技术实现步骤摘要】
一种基于深度学习的风电调频逐步惯性控制方法
[0001]
[0002]本专利技术涉及风电调频
，尤其涉及一种基于深度学习的风电调频逐步惯性控制方法。
技术介绍
[0003]为了应对气候、环境、能源等多方面问题，可再生能源在电力系统中的比例不断增大已经成为了一种趋势。风电作为一种重要的可再生能源，得到了稳定、持续的发展。风电在提供清洁能源的同时，也使得电力系统惯量下降，削弱了系统应对有功功率不平衡的能力，给系统的频率控制质量与频率稳定带来严峻挑战。风力涡轮机一般采用最大功率点跟踪控制，通过电力电子变流器接入电网，与系统频率解耦，无法通过释放或吸收能量响应功率偏差，不具备惯量响应特性，有功功率扰动下不能够为电网主动提供惯量支撑。为了提高系统频率控制的质量与效率，有必要让风力发电机参与这种控制，并通过这种方式补偿整个系统惯性的降低。近期，新的电网规范也要求风电场必须有助于电力系统频率控制。为了满足要求，当电网中出现有功功率不平衡时，可以使用逐步惯性控制参与电网频率控制，它能够迅速地提供短暂的功率支撑。
[0004]在使...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的风电调频逐步惯性控制方法，其特征在于，包括以下三个步骤：步骤1、在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集；步骤2、基于堆叠式降噪自动编码器对数据集进行特征提取；步骤3、基于深度神经网络学习数据特征生成最优风电调频逐步惯性控制方案。2.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤1的最优风电调频逐步惯性控制参数是在风电调频中使用逐步惯性控制策略时所使用的。3.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤1中获得最优风电调频逐步惯性控制参数是在时域仿真中使用金鹰优化算法获得的。4.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤1中在时域仿真中使用金鹰优化算法获得最优风电调频逐步惯性控制参数并生成数据集的基本步骤如下：步骤1）初始化金鹰数量；步骤2）计算适应度函数，初始化群体记忆；步骤3）初始化、；步骤4）计算式（10），更新、；步骤5）计算式（2），从种群的记忆计算攻击向量中随机选择猎物；步骤6）计算巡航向量（式（3）
‑
（6）），计算步长向量（式（7）
‑
（9））更新位置（式（9））评估新位置的适应度函数；步骤7）更新最优解及最优位置；步骤8）判断是否满足最大迭代次数，若满足，则输出最优金鹰位置和全局最优解，否则，返回步骤4重新迭代计算。5.根据权利要求1所述的一种基于深度学习的风电调频逐步惯性控制方法，所述步骤2中的基于堆叠式降噪自动编码器对数据集进行特征提取是由堆叠式降噪自动编码器进行的；自动编码器（autoencoder，AE）如图4所示，自动编码器由编码器和解码器组成，编码器、解码器具有隐藏层:通过编码器将输入转换为隐含层中的潜在表征，然后通过解码器将内部表征转换为输出，输出相当于是对于输入的重构，要尽可能接近输入；选择输入样本集合，由N组样本组成，其中，N为样本组数，n为每组样本中样本个数；设隐含层特征向量集合为，由N组特征向量组成，其中，m为每组特征向量中向量个数，则与的编码关系为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）式中：为输入层与隐含层的权值矩阵；为输入层与隐含层偏置矩阵；为编码器的神经元激活函数，通常采用sigmoid函数，其具有良好的特征辨识度：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（12）式中：为输入向量；解码器是编码器的逆运算，以隐含层的特征向量作为输入向量，设为输出向量集合，
共有N组，维数为n,则解码器的表达式为
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（13）式中：为隐含层与输出层的权值矩阵；为隐含层与输出层的偏置矩阵；为解码器的神经元激活函数；自动编码器通过最小化输出向量与输入向量之间的重构误差来达到特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。