基于优化功率曲线的风电机组改进步进惯性控制调频策略制造技术

本发明专利技术公开了一种基于优化功率曲线的风电机组改进步进惯性控制调频策略，首先构建功率曲线优化的数学模型，设定该模型的目标函数为频率偏差变化率为0，确保调频结束后频率不再跌落，再利用该模型的频率、转速和功率设计神经网络控制器，建立系统运行状态信息和输出功率之间的关系，从而实现改进策略在风电机组不同运行场景下的应用。本发明专利技术通过改进功率曲线的方法，避免了传统步进惯性控制策略出现功率骤降现象，解决了频率的二次跌落问题。解决了频率的二次跌落问题。解决了频率的二次跌落问题。

【技术实现步骤摘要】
基于优化功率曲线的风电机组改进步进惯性控制调频策略


[0001]本专利技术属于电力系统频率控制技术
，具体涉及一种基于优化功率曲线的风电机组改进步进惯性控制调频策略。

技术介绍

[0002]以风力发电为主的清洁能源备受青睐，但是高占比、大规模的风电在并网时将降低电力系统的等效惯量，威胁系统的频率稳定性，并且风力发电的不确定性波动影响到系统频率也将是必然的结果，因此风电在并网时需要具备一定的调频能力。同时电力电子技术的快速发展也使得大量的电力电子器件应用于风力发电设备当中，使得系统频率与风电机组解耦，进而使得其差别于与传统的同步发电机。因此找到风力发电对电力系统惯量响应的影响规律，提升风电并网场景下的调频能力，不仅能够避免频率越限的情况发生，而且对于系统的运行水平的安全性提供了基本保障，更能避免由此导致的严重连锁事故发生。
[0003]步进惯性控制(Stepwise Inertia Control，SIC)策略应用于风电调频时，通过释放转子动能进行短时间的功率支撑可以显著减小系统在受到有功扰动时的频率跌落幅度，但是该策略在进行转子转速恢复时会存在较大的功率骤降，导致系统频率发生严重的二次跌落，对电网稳定性造成又一次冲击。因此，寻找一种能够改善该策略频率二次跌落的方法对于实现风电参与调频具有重要意义。

技术实现思路

[0004]本专利技术的目的在于提供一种基于优化功率曲线的风电改进步进惯性控制调频策略，可用于解决传统SIC策略存在的频率二次跌落问题。
[0005]实现本专利技术目的的技术解决方案为：第一方面，本专利技术提供一种基于优化功率曲线的风电改进步进惯性控制调频策略，包括：
[0006]步骤1、获取风电机组转速比值、系统频率偏差以及频率偏差变化率，当系统的频率偏差大于风电机组调频死区最大值时，风电机组参与系统频率调节；
[0007]步骤2、根据预定的调频策略和神经网络控制器得到的风电机组输出功率，以此来指导风电机组参与调频。
[0008]第二方面，本专利技术提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法的步骤。
[0009]第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法的步骤。
[0010]与现有技术相比，本专利技术的有益效果在于：
[0011]本专利技术通过采用神经网络控制器，将风电机组自身的转速变化情况和系统频率变化情况与风电机组调频期间的输出功率进行关联，使得风电机组在调频过程中能够在改善频率二次跌落的同时避免转速越限。
[0012]下面结合具体实施方式和附图对本专利技术作进一步说明。
附图说明
[0013]图1为本专利技术的实施例中的基于优化功率曲线的风电机组改进步进惯性控制调频策略的控制框图；
[0014]图2为本专利技术的实施例中的神经网络训练效果图；
[0015]图3为本专利技术的实施例中的风电机组调频原理图；
[0016]图4为本专利技术的实施例中的低阶系统频率响应模型框图；
[0017]图5为本专利技术的实施例中的改进策略适应性验证，风电机组采用本专利技术策略在不同初始条件下调频的效果对比图；
[0018]图6为本专利技术的实施例中的改进策略有效性验证，风电机组采用本专利技术策略与传统SIC策略以及风电不参与调频的效果对比图。
具体实施方式
[0019]如图1所示，一种基于优化功率曲线的风电机组改进步进惯性控制调频策略，包括以下步骤：
[0020]步骤1、获取风电机组转速比值、系统频率偏差以及频率偏差变化率，当系统的频率偏差大于风电机组调频死区最大值时，风电机组参与系统频率调节。
[0021]具体的，风电机组转速比值Δω的论域为[1,1.25]，频率偏差变化率的论域为[
‑
0.5,0.5]，风机预设调频死区阈值为(
±
0.03Hz)。
[0022]步骤2、根据预定的调频策略和神经网络控制器得到的风电机组输出功率，以此来指导风电机组参与调频，具体为：
[0023]步骤2
‑
1、构建改进功率曲线数学模型
[0024]选择最大频率偏差为优化目标进行功率曲线优化：
[0025][0026]其中，ΔP
W
是风电机组功率参考值的变化率，即优化模型的决策变量；t为优化的总时间；Δf(t)为t时刻频率的偏差值；μ
P
为惩罚系数，类似于最优潮流计算中的惩罚因子，当优化得到的结果满足约束条件时该值为1，反之则趋于无穷大。
[0027]步骤2
‑
2、设计神经网络控制器：
[0028]将优化模型的频率变化率和风电机组转速比值作为神经网络控制器的输入量，将风电机组的输出功率作为神经网络控制器的输出量；
[0029]步骤2
‑
3、采用径向基函数(RBF)算法作为神经网络学习算法：
[0030][0031]y＝w1h1+w2h2+
…
w
m
h
m
[0032]其中，x为神经网络的输入层，h
j
、b
j
、c
j
分别为第j个神经元的基向量、高斯基函数、
中心点向量值，||
·
||为欧几里得范数，y为神经网络输出值，w为隐含层到输出层的权值向量。
[0033]根据预定的调频策略和神经网络控制器得到的风电机组输出功率来指导风电机组参与调频，分为以下三个阶段：
[0034]短时增发阶段、功率过渡阶段、功率恢复阶段。
[0035]其中短时增发阶段为转子释放动能进行功率支撑阶段，该阶段起始时刻为风电机组参与调频的时刻，结束时刻为风电机组退出调频的时刻；功率过渡阶段则是能够在保证转速不越限的情况下使系统的频率维持在一个定值，该阶段起始时刻为风电机组退出调频时刻，结束时刻为风电机组恢复MPPT运行方式的时刻；功率恢复阶段是风电机组沿MPPT运行方式恢复到扰动前的阶段，该阶段起始时刻为风电机组恢复MPPT运行方式的时刻，此后将一直以MPPT运行方式运行。
[0036]所述短时增发阶段采用以下方法参与调频：
[0037][0038]其中，P为风电机组输出功率，P0为风电机组运行在ω0时的功率，ΔP
up
为短时增发功率，t为风电机组当前运行时间，t0为系统受到负荷扰动的时刻，t
up
为短时增发功率支撑时间。
[0039]当系统受到负荷扰动后，风电机组能够迅速释放转子动能进行频率支撑，改进SIC策略相比较传统SIC策略的不同点在于，改进策略要求风电机组提前退出短时增发阶段，最佳退出时间为系统频率到达最低点的时刻，这样有利于减小风电机组转子动能的消耗。在低阶系统频率响应(System Frequency Response，SF本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，包括以下步骤：步骤1、获取风电机组转速比值、系统频率偏差以及频率偏差变化率，当系统的频率偏差大于风电机组调频死区最大值时，风电机组参与系统频率调节；步骤2、根据预定的调频策略和神经网络控制器得到的风电机组输出功率，以此来指导风电机组参与调频。2.根据权利要求1所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，所述步骤1中的风电机组输出功率通过以下方法确定：步骤2
‑
1、构建改进功率曲线数学模型选择最大频率偏差为优化目标进行功率曲线优化：其中，ΔP
W
是风电机组功率参考值的变化率，即优化模型的决策变量；t为优化的总时间；Δf(t)为t时刻频率的偏差值；μ
P
为惩罚系数；步骤2
‑
2、设计神经网络控制器：将优化模型的频率变化率和风电机组转速比值作为神经网络控制器的输入量，将风电机组的输出功率作为神经网络控制器的输出量；步骤2
‑
3、采用径向基函数算法作为神经网络学习算法：y＝w1h1+w2h2+
…
w
m
h
m
其中，x为神经网络的输入层，h
j
、b
j
、c
j
分别为第j个神经元的基向量、高斯基函数、中心点向量值，||
·
||为欧几里得范数，y为神经网络输出值，w为隐含层到输出层的权值向量。3.根据权利要求2所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，所述风电机组转速比值大小通过以下方法确定：其中，ω
t
为风电机组当前运行时刻的转速，ω
min
为风电机组最低转速限值。4.根据权利要求2所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，根据预定的调频策略和神经网络控制器得到的风电机组输出功率来...

【专利技术属性】
技术研发人员：卜京，于海鹏，李群，陈载宇，李强，张刘冬，殷明慧，周前，朱丹丹，赵大伟，杨飞，霍雨翀，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：