基于数据预测的风电场支撑一次调频控制方法技术

一种基于数据预测的风电场支撑一次调频控制方法，属于风力发电技术领域，其操作步骤如下：步骤一、设定初始值；步骤二、提取历史风电功率和系统频率数据；步骤三、通过格杰兰因果分析和时空图神经网络获得风电功率和系统频率预测值；步骤四、确定调相区域；步骤五、判断系统频率是否低于设定值，否，返回步骤三，是，执行步骤六；步骤六、判断风电功率是否能进行频率支撑，否，返回步骤三，是，执行步骤七；步骤七、提前30秒变桨蓄能；步骤八、是否进入调相区域，否，返回步骤八，是，执行步骤九；步骤九、释放能量风机工作于MPPT方式下。释放能量风机工作于MPPT方式下。释放能量风机工作于MPPT方式下。

【技术实现步骤摘要】
基于数据预测的风电场支撑一次调频控制方法


[0001]本专利技术属于风力发电
，具体涉及一种基于风电场功率和系统频率预测的风电场支撑一次调频控制方法。

技术介绍

[0002]目前，可再生能源的开发和利用日益得到各国政府的关注，通过风电机组将风能转换成电能的技术在国内外都很重视。随着风力发电并网容量的不断提高，对电网的渗透率不断地增加，同时，风能资源具有明显的不确定性，风电机组不同于常规发电机对电网响应的特殊性，风电场中不同种类的风电机组输出特性的不同，导致大规模风电机组并入电网后电力系统的安全稳定性问题愈发突显出来。2011年我国颁布《风电场接入电力系统技术规定》，要求风电机组应当具备一定的调频能力，当系统频率波动时，风电场可以向电力系统提供有功支持。目前的风电一次调频策略大多从独立风力机的一次调频角度考虑，从风电场角度考虑根本上来说也是将相同的控制策略用于风场中的分布式风力机，根本的原因在于风能的波动和不稳定性导致风电场输出功率的不稳定，因此，研究一种高效的智能化的风电场支撑一次调频的方法是十分必要的。
[0003]针对传统风电场中实现一次调频需要长时间进行能量储存，一般采用蓄电池或风力机运行在次最大功率跟踪状态，此时风电场无法获得下一时刻或短期风电机组的出力状况，整个一次调频过程只能是处于被动状态。
[0004]如果能够获得风电场下一时刻或短期风电机组的出力状况，则整个一次调频将由被动变为主动，即风电场知道下一时刻或短期出力的大小，在发电机组突发故障或电网接入大容量负荷时能够主动的或者智能化的去支撑电网，因为支撑能力的大小可以通过风电场功率预测基本获得。因此，主动一次调频的关键在于实现较为精确的风电场功率和系统频率预测。
[0005]而本专利技术提出的调频方法风电场在正常状态工作在最大功率跟踪状态。当预测到系统频率有跌落到预设值的趋势时，提前转动桨距角蓄能，当系统频率跌落时释放能量进行系统频率支撑。保证了风能的高效利用。

技术实现思路

[0006]基于数据预测的风电场支撑一次调频控制方法，包括风电场输出功率预测、系统频率预测、调相区域确定和风电场支撑一次调频控制策略。其特征是还包括风电场输出功率预测和系统频率预测所述大数据预测方法，但不限于本专利技术所述大数据预测方法。
[0007]首先，风机的能量来源为风力机捕获的风能，依据空气动力学知识，风机的机械功率为：
[0008][0009]式中：C
p
(λ,β)为风能利用系数；λ为叶尖速比；β为桨距角；ρ为空气密度；R为风轮半径；v为风速。
[0010][0011][0012][0013]式中：ω
w
为风机转速。
[0014]根据式(1)风机机械功率与桨距角相关，因此可通过改变桨距角来对风机机械功率进行调节，进而改变风机的输出功率。调频模块的控制方程为：
[0015][0016]式中：T
f
和K
f
分别为调频模块时间常数和调节系数；β
f
为调频模块输出变量；f和f
ref
分别为系统频率和频率参考值。在电网一次调频结束后，可得：
[0017]β
f
＝K
f
(f
st
‑
f
ref
)＝K
f
Δf
st
ꢀꢀꢀ
(6)
[0018]式中：Δf
st
＝f
st
—f
ref
，f
st
为一次调频结束后的稳态频率值。
[0019]本专利技术是这样实现的，提出的基于大数据预测的风电场支撑一次调频控制方法流程图，如图1所示。
[0020]风电功率数据和系统频率数据是一种典型的时空数据，受多种空间因素的影响，为实现对它们的准确预测，在时空图神经网络的基础上提出一种改进时空图神经网络，即利用格兰杰因果检验分析了多种因素对风电功率和系统频率的因果关系，并且以此构造了新的图网络结构；其次，针对传统时空图神经网络中的自注意力机制进行了改进，构建了遮蔽对角自注意力机制，以此来强化模型的预测能力。
[0021]以风电和风速的因果关系为例。假设风电历史数据为{Pn}，风速数据为{Sn}，则可构建预测的自回归模型和ADL(p,p)模型，见式(7)和式(8)
[0022][0023]式中，a
l
为风电功率特征权值，l为滞后步数，ε
t
为白噪声，P
t
‑
l
为滞后时间点的功率，L为最大滞后周期，其值可以根据由大到小的序贯规则来确定。该式为只考虑功率数据的预测回归模型。
[0024][0025]式中，b
l
风速的特征权值；η为白噪声。与式(1)对比，式(2)是考虑风速影响之后的预测模型。现假设H0：b1＝b2＝
…
＝b
L
＝0，通过对该模型的估计，若H0不成立，则S是P的原因。
[0026]针对本专利技术所使用的风电数据集，通过格兰杰因果检验计算可以得到，风速、功率、风向、温度等因素之间因果关系如图2所示：
[0027]图3中x表示预测变量，y表示响应变量，每一个单元格中的值为因果计算值P，一般而言，若P<0.05，则可以否定原假设，认为存在因果关系。需要注意的是，在格兰杰因果检验
计算中，变量相对其本身没有因果关系的存在。
[0028]由图3显示的因果计算结果可以构建各元素的联系结构，如图3所示：
[0029]由上所述，在风电功率数据的预测当中，通过格兰杰因果检验分析可以有效确定风电相关数据之间的影响关系，从而构造各种因素之间的联系。同理，可以通过该方式构建负荷、温度、湿度等因素与系统频率的因果关系。
[0030]传统时空图神经网络对图网络的构造没有区分因果关系，只是基于感性认识，认为各种因素之间都有相互联系，这种做法缺乏科学的验证，并且这样做在一定程度上造成了计算资源的过度占用。为解决以上问题，本专利技术以格兰杰因果检验计算结果为参考，构造了一个基于格兰杰因果关系的毗邻矩阵。
[0031]采用图神经网络模型，通过网络进行信息的转换和传播。通过空间卷积可以对空间特性进行捕捉，如下式所示：
[0032][0033]式中，X
in
为网络的输入信息，X
out
为卷积计算结果，σ为非线性激活函数，本专利技术采用ReLU(
·
)，是度矩阵，W是学习参数，为各因素之间相互联系的数据表示，具体如下式所示：
[0034][0035]式中，I
N
为N维单位阵，p为各因素之间的关系数值，具体为p＝p
i
·
p
j
，p
i
，p
j
为输入信号X
in
经线性变换后得到的结果。通过的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数据预测的风电场支撑一次调频控制方法，包括风电场输出功率预测、系统频率预测、调相区域确定和风电场支撑一次调频控制策略。其特征是还包括风电场输出功率预测和系统频率预测所述大数据预测方法，但不限于本发明所述大数据预测方法。首先，风机的能量来源为风力机捕获的风能，依据空气动力学知识，风机的机械功率为：式中：C
p
(λ,β)为风能利用系数；λ为叶尖速比；β为桨距角；ρ为空气密度；R为风轮半径；v为风速。为风速。为风速。式中：ω
w
为风机转速。根据式(1)风机机械功率与桨距角相关，因此可通过改变桨距角来对风机机械功率进行调节，进而改变风机的输出功率。调频模块的控制方程为：式中：T
f
和K
f
分别为调频模块时间常数和调节系数；β
f
为调频模块输出变量；f和f
ref
分别为系统频率和频率参考值。在电网一次调频结束后，可得：β
f
＝K
f
(f
st
‑
f
ref
)＝K
f
Δf
st
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中：Δf
st
＝f
st
—f
ref
，f
st
为一次调频结束后的稳态频率值。本发明是这样实现的，提出的基于大数据预测的风电场支撑一次调频控制方法流程图，如图1所示。风电功率数据和系统频率数据是一种典型的时空数据，受多种空间因素的影响，为实现对它们的准确预测，在时空图神经网络的基础上提出一种改进时空图神经网络，即利用格兰杰因果检验分析了多种因素对风电功率和系统频率的因果关系，并且以此构造了新的图网络结构；其次，针对传统时空图神经网络中的自注意力机制进行了改进，构建了遮蔽对角自注意力机制，以此来强化模型的预测能力。以风电和风速的因果关系为例。假设风电历史数据为{Pn}，风速数据为{Sn}，则可构建预测的自回归模型和ADL(p,p)模型，见式(7)和式(8)式中，a
l
为风电功率特征权值，l为滞后步数，ε
t
为白噪声，P
t
‑
l
为滞后时间点的功率，L为最大滞后周期，其值可以根据由大到小的序贯规则来确定。该式为只考虑功率数据的预测回归模型。
式中，b
l
风速的特征权值；η为白噪声。与式(1)对比，式(2)是考虑风速影响之后的预测模型。现假设H0：b1＝b2＝
…
＝b
L
＝0，通过对该模型的估计，若H0不成立，则S是P的原因。针对本发明所使用的风电数据集，通过格兰杰因果检验计算可以得到，风速、功率、风向、温度等因素之间因果关系如图2所示：图3中x表示预测变量，y表示响应变量，每一个单元格中的值为因果计算值P，一般而言，若P<0.05，则可以否定原假设，认为存在因果关系。需要注意的是，在格兰杰因果检验计算中，变量相对其本身没有因果关系的存在。由图3显示的因果计算结果可以构建各元素的联系结构，如图3所示：由上所述，在风电功率数据的预测当中，通过格兰杰因果检验分析可以有效确定风电相关数据之间的影响关系，从而构造各种因素之间的联系。同理，可以通过该方式构建负荷、温度、湿度等因素与系统频率的因果关系。传统时空图神经网络对图网络的构造没有区分因果关系，只是基于感性认识，认为各种因素之间都有相互联系，这种做法缺乏科学的验证，并且这样做在一定程度上造成了计算资源的过度占用。为解决以上问题，本发明以格兰杰因果检验计算结果为参考，构造了一个基于格兰杰因果关系的毗邻矩阵。采用图神经网络模型，通过网络进行信息的转换和传播。通过空间卷积可以对空间特性进行捕捉，如下式所示：式中，X
in
为网络的输入信息，X
out
为卷积计算结果，σ为非线性激活函数，本发明采用ReLU(
·
)，是度矩阵，W是学习参数，为各因素之间相互联系的数据表示，具体如下式所示：式中，I
N
为N维单位阵，p为各因素之间的关系数值，具体为p＝p
i
·
p
j
，p
i
，p
j
为输入信号X
in
经线性变换后得到的结果。通过的构造，可以得到最终的毗邻矩阵。使用掩码矩阵将不存在因果关系的元素之间的信息屏蔽，以此来构建符合格兰杰因果关系的毗邻矩阵，同时还可以稀疏化毗邻矩阵以减少不必要的计算。注意，考虑到对角线上的元素属于自环结构，因此该遮蔽过程不能遮蔽对角线上的元素。数据在经过卷积捕获空间信息之后，...

【专利技术属性】
技术研发人员：陈哲，嵇建斌，安鑫，于东，赵波波，
申请(专利权)人：山西粤电能源有限公司，
类型：发明
国别省市：