[发明专利]一种基于深度学习的风电调频逐步惯性控制方法

说明书

本发明公开了一种基于深度学习的风电调频逐步惯性控制方法，该方法主要包含以下三个步骤：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；2）基于堆叠式降噪自动编码器对数据集进行特征提取；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。本发明能够当电力系统中出现功率不平衡时，快速、准确地提供当前系统下的最优风电调频逐步惯性控制方案；能够促使风电场主动为电力系统提供功率支撑，有效地参与电力系统频率控制，及时抑制系统频率跌落，有利于补偿系统惯性，有效提高风电调频的质量与效率，为电力系统规划和决策工作提供重要方案，对电力系统运行的安全性、稳定性有着重大意义。

技术领域

本发明涉及风电调频技术领域，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。

背景技术

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。

在使用逐步惯性控制进行调频过程中，风机通过释放转子动能向电网提供一段时间长度的增发功率，转子转速也随之下降。如果风机转子转速下降至其限定下限，风机将与电力系统断开连接。因此，风机只能通过释放有限的转子动能额外提供给电网一个短暂的功率支撑。逐步惯性控制也必须保证风机转子在达到最低转速前终止功率超发。然而，突然地终止功率超发会导致电网频率出现新的下降，也称为二次频率跌落（secondaryfrequency drop，SFD）。在逐步惯性控制下，调频效果好坏与二次频率跌落的大小有着复杂的联系，在保证良好调频效果的前提下，为了减轻二次频率跌落，可以采用不同的方法。

目前，有人提出将风电调频策略设计为分段函数，并使用粒子群算法获得不同风速区间下的分段函数值，可以有效改善SFD现象，但分段函数的使用也导致电网频率出现多次跌落现象，产生更多的频率波动，不利于频率快速恢复。还有人提出使用高压直流链路补偿风力涡轮机在终端的功率降低，由于高压直流链路的快速响应特性，功率衰减补偿技术在缓解二次频率跌落方面表现出良好的性能。然而，这种方法需要大量的投资。目前的逐步惯性控制下的改进方法，在面对不同负荷扰动事件时，难以快速、高效、经济地提供相应频率控制方案，发挥出逐步惯性控制的全部实力；难以满足风电调频时对于优秀逐步惯性控制的要求。

发明内容

本发明提供了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。

进一步地，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。

逐步惯性控制（stepwise inertial control，SIC）是一种风电参与电力系统频率调整的控制策略，包括两个主要阶段：短时超发阶段和转速恢复阶段。图2、图3分别表示固定风电占比、恒风速的条件下使用逐步惯性控制策略时，风机转子转速与输出功率的关系以及逐步惯性控制过程中输出功率的变化。具体参与调频过程如下：