【技术实现步骤摘要】
本专利技术涉及风电仿真，具体而言，涉及一种基于深度信念网络的双馈风电场等值模型评价运行场景生成方法、电子设备及计算机可读存储介质。
技术介绍
1、随着可再生能源产业的快速发展，风力发电已成为清洁能源领域的重要组成部分。场景仿真测试是校验风电场安全性、稳定性、可靠性的重要方法。由于风电场内风机单机容量小、数量众多、详细模型复杂的特点，进行整个风电场的详细仿真所需的工作量远远大于单机仿真，所以，目前基于仿真调试的场景搭建方法费时费力，这大大延缓了风电场场景仿真校验的进度。对于上述问题，有研究提出了考虑风力发电具有较大的随机性与时空相关性的风能场景生成方法，以及考虑功率时空分布关系的多风电时空功率场景生成方法。然而，对场景搭建复杂度影响最大的风电场内保护环节(直流卸荷电路chopper、撬棒电路crowbar)动作状态，现有的场景生成方法缺乏考虑。
技术实现思路
1、本专利技术在于提供一种基于深度信念网络的双馈风电场等值模型评价运行场景生成方法、电子设备及计算机可读存储介质，其能够解决上述问题。
2、为了解决上述的问题，本专利技术采取的技术方案如下：
3、第一方面，本专利技术提供了一种基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，包括：
4、获取风机在均匀分布机端电压跌落下以及均匀分布不同风速下的直流卸荷电路和撬棒电路的动作状态，构成第一样本集；
5、对第一样本集进行归一化处理后，得到第二样本集；
6、将第二样本集分
7、获取风电场集电系统拓扑结构以及线路阻抗参数，基于端口电压和并网点电压，运用电压折算方法计算出场内风机的机端电压折算系数；
8、设置并网点电压跌落深度，通过机端电压折算系数计算出场内各风机的实际机端电压跌落；设置场内各风机的风速，将场内各风机的实际机端电压跌落与风速输入训练好的dbn模型，确定场内各风机的保护动作状态，生成风电场保护动作各异的运行场景。
9、在本专利技术的一较佳实施方式中，动作状态包括三种，第一种为直流卸荷电路及撬棒电路均不动作，第二种为直流卸荷电路动作，撬棒电路不动作，第三种为直流卸荷电路及撬棒电路均动作。
10、在本专利技术的一较佳实施方式中，归一化处理用到的公式为：
11、
12、式中，xi、分别为归一化前后的特征量，xmax、xmin分别为最大、最小特征量。特征量包括风机机端电压、风机风速、风机输出有功功率、风机输出无功功率。
13、在本专利技术的一较佳实施方式中，dbn模型包括一个输入层、多个隐含层和一个输出层，每个隐含层都被初始化为一个受限玻尔兹曼机；将第一层受限玻尔兹曼机的可见层连接到输入层，对于其它某一层受限玻尔兹曼机，将其可见层连接到上一层受限玻尔兹曼机的隐含层。
14、在本专利技术的一较佳实施方式中，dbn模型的训练过程包括：利用训练集使用无监督学习算法训练各层受限玻尔兹曼机，目标是最大化训练数据的似然概率或者最小化能量函数；dbn模型的输出层，使用softmax函数，进行具体任务，将输出层连接到最顶层受限玻尔兹曼机的隐含层，使用带标签的训练数据进行反向传播，调整所有层的权重，以最小化损失函数，通过梯度下降迭代调整权重，直到损失函数收敛或达到预设的停止条件。
15、在本专利技术的一较佳实施方式中，对于风电场集电系统拓扑结构中的一链机组，机组i的端口电压表示为：
16、
17、式中，n为机组i到并网点之间馈线上的机组数，upcc为并网点电压，z为线路阻抗参数中的线路阻抗，i为机组输出电流；
18、机组i的机端电压折算系数表示为：
19、
20、式中，s为视在功率，为视在功率的共轭；
21、故障工况运行时，风机采用优先输出无功功率的典型控制策略，求解机端电压折算系数时，机组输出功率为：
22、
23、
24、式中，uw为故障期间端口电压幅值，ird_ref、irq_ref分别为转子电流d、q轴参考值，lm为励磁电感，ls为定子等效自感，ωs为同步角速度，kd为无功增益系数，p0为故障前输出的有功功率，irsc_lim为转子侧电流限值。
25、在本专利技术的一较佳实施方式中，对于某风机，其实际机端电压跌落的计算方法包括：首先根据故障前并网点电压以及故障前的机端电压折算系数，计算出故障前风机机端电压分布，再根据并网点电压跌落深度得到故障稳态并网点电压，然后通过机端电压折算系数计算出场内风机的故障稳态机端电压，最后通过故障前风机机端电压减去故障稳态机端电压得到实际机端电压跌落。
26、第二方面，本专利技术提供了一种电子设备，包括：
27、至少一个处理器，以及与所述处理器通信连接的存储器；
28、其中，所述存储器存储有指令，所述指令被所述处理器执行，以使所述处理器执行所述指令时实现第一方面所述的方法。
29、本技术方案的技术效果是：通过本电子设备，能实现第一方面所提到的信号合并方法。
30、第三方面，本专利技术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可执行指令，所述计算机可执行指令用于执行第一方面所述的方法。
31、与现有技术相比，本专利技术的有益效果是：
32、1)通过单机仿真即可获得dbn网络训练所需样本，样本获取简单。
33、2)利用深度信念网络进行风电场保护动作各异运行场景的生成，避免了集电网络带来的故障电压暂态特性对保护动作的影响，保证了风电场各风机保护动作状态的生成准确性。
34、3)利用深度信念网络进行风电场保护动作各异运行场景的生成，避免了进行风电场详细模型仿真所带来的巨大工作量，提高了风电场保护动作各异运行场景的生成速度。
35、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举本专利技术实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，包括：
2.根据权利要求1所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，动作状态包括三种，第一种为直流卸荷电路及撬棒电路均不动作，第二种为直流卸荷电路动作，撬棒电路不动作，第三种为直流卸荷电路及撬棒电路均动作。
3.根据权利要求1所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，归一化处理用到的公式为：
4.根据权利要求1所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，DBN模型包括一个输入层、多个隐含层和一个输出层，每个隐含层都被初始化为一个受限玻尔兹曼机；将第一层受限玻尔兹曼机的可见层连接到输入层，对于其它某一层受限玻尔兹曼机，将其可见层连接到上一层受限玻尔兹曼机的隐含层。
5.根据权利要求4所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，DBN模型的训练过程包括：利用训练集使用无监督学习算法训练各层受限玻尔兹曼机，目标是最大化训练数据的似然概率或者
6.根据权利要求1所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，对于风电场集电系统拓扑结构中的一链机组，机组i的端口电压表示为：
7.根据权利要求1所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，对于某风机，其实际机端电压跌落的计算方法包括：根据故障前并网点电压以及故障前的机端电压折算系数，计算出故障前风机机端电压分布，再根据并网点电压跌落深度得到故障稳态并网点电压，然后通过机端电压折算系数计算出场内风机的故障稳态机端电压，最后通过故障前风机机端电压减去故障稳态机端电压得到实际机端电压跌落。
8.电子设备，其特征在于，包括：
9.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可执行指令，所述计算机可执行指令用于执行如权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，包括：
2.根据权利要求1所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，动作状态包括三种，第一种为直流卸荷电路及撬棒电路均不动作，第二种为直流卸荷电路动作，撬棒电路不动作，第三种为直流卸荷电路及撬棒电路均动作。
3.根据权利要求1所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，归一化处理用到的公式为：
4.根据权利要求1所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，dbn模型包括一个输入层、多个隐含层和一个输出层，每个隐含层都被初始化为一个受限玻尔兹曼机；将第一层受限玻尔兹曼机的可见层连接到输入层，对于其它某一层受限玻尔兹曼机，将其可见层连接到上一层受限玻尔兹曼机的隐含层。
5.根据权利要求4所述基于深度信念网络的双馈风电场等值模型评价运行场景生成方法，其特征在于，dbn模型的训练过程包括：利用训练集使用无监督学习算法训练各层受限玻尔兹曼机，目标是最大化训练数据的似然概率或者最小化能量函数；db...
【专利技术属性】
技术研发人员：许立雄，蒋昊，曹博源，崔晓丹，吴家龙，王彦品，王爽，冯佳期，邓馗，雷鸣，许剑冰，
申请(专利权)人：四川大学，
类型：发明
国别省市：
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。