[发明专利]考虑风速和负荷变化场景的风电机组下垂控制方法、系统及计算机设备

权利要求书

1.一种考虑风速和负荷变化场景的风电机组下垂控制方法，其特征在于，包括以下步骤：

步骤1、选取恒定风速与负荷功率突增量构成场景，并将下垂系数初始化为0；

步骤2、利用Q学习算法求取最优下垂系数；

步骤3、判断是否更新所有场景，若是则执行步骤4，否则返回步骤1；

步骤4、构建场景与最优下垂系数的论域与隶属度函数；

步骤5、利用上述求取的最优下垂系数构建模糊规则；

步骤6、利用步骤5的模糊规则对风电机组进行控制，实现Q学习—模糊下垂控制。

2.根据权利要求1所述的考虑风速和负荷变化场景的风电机组下垂控制方法，其特征在于，步骤1中选取恒定风速与负荷突增量构成场景具体为：

在指定范围内等间隔选取恒定风速与负荷功率突增量，所述指定范围是指风电机组的切入与额定风速范围、电网发生负荷功率突增事件最大与最小的功率变化范围，之后将不同风速与负荷功率突增量进行组合，从而构成用于模糊控制算法的Q学习寻优场景。

3.根据权利要求1所述的考虑风速和负荷变化场景的风电机组下垂控制方法，其特征在于，步骤2利用Q学习算法求取最优下垂系数具体为：

步骤2-1、根据强化学习—Q学习算法，构建状态集、动作集和奖励函数，其中状态集为下垂系数离散集，动作集为下垂系数变化枚举集，奖励函数为奖励与最大频率偏差关系；

步骤2-2、根据Q学习的算法求取最优下垂系数。

4.根据权利要求3所述的考虑风速和负荷变化场景的风电机组下垂控制方法，其特征在于，步骤2-1中所述状态集为：S＝{s|s_i＝K_df,i,i∈[1,2,...,M]}，其中，K_df,i是第i个状态所对应的下垂系数；M是状态集中状态的总个数；

所述动作集为：A＝{a|+ΔK_df,0,-ΔK_df}，其中，ΔK_df是相邻状态下垂系数的间隔，0表示不采取任何动作，保持状态不变；

奖励函数为：

其中，dfre是当前状态最大频率偏差；δ是一个很小的正整数，t是Q学习过程中的第t步循环。

5.根据权利要求4所述的考虑风速和负荷变化场景的风电机组下垂控制方法，其特征在于，动作集中状态更新过程为：

K_df,t+1＝K_df,t+a

其中，K_df,t+1和K_df,t分别是t+1步与t步的状态值，在每个状态下都分别对应三个动作，即动作集A的对应动作a：增加单位状态、保持不变、减少单位状态。

6.根据权利要求3所述的考虑风速和负荷变化场景的风电机组下垂控制方法，其特征在于，步骤2-2根据Q学习的算法求取最优下垂系数具体为：

步骤2-2-1、利用玻尔兹曼探索选择动作，并从Q值表中选出当前状态与动作对应Q值，玻尔兹曼探索选择动作的概率公式为：

其中，Q(s,a)表示价值函数；τ是控制选择随机性的参数；s是当前状态，a_i是当前状态下可选择的第i个动作；

步骤2-2-2、于环境中执行动作，得到新的状态与奖励，并利用下式更新价值函数Q值：

其中，γ是折扣因子，i是当前状态下所有动作的索引；l是学习率；s_t和a_t分别是第t步的状态和动作；是t+1步状态下不同动作中最大的价值函数Q值；

步骤2-2-3、进行最优下垂系数判断。