CN109301863B - 基于深度信念网络的低风速分散式风电微电网调频方法 - Google Patents

Abstract

本发明涉及一种基于深度信念网络的低风速分散式风电微电网调频方法，包括以下步骤：1)根据DFIG风电机组参数获取DFIG可参与调频的最小风速V_wmin以及满足控制要求的临界风速V_wl；2)并采用风机虚拟惯量控制和超速控制对DFIG进行控制；3)建立深度信念网络，且以区间[V_wmin,V_wl]作为风速的取值约束区间，对不同风速下的控制参数和减载率进行优化，抑制微电网频率波动，最终获取在不同风速下最优的控制参数与减载率。与现有技术相比，本发明具有控制精度高、考虑风速约束、频率调节效果更佳、弃风更少等优点。

Description

基于深度信念网络的低风速分散式风电微电网调频方法

技术领域

本发明涉及低风速风机微电网调频领域，尤其是涉及一种基于深度信念网络的低风速分散式风电参与微电网调频的方法。

背景技术

随着低风速技术的发展，分散式风电的接入为微电网注入了新的血液。但由于风速低，分散式风电的出力较低，如何使其在微电网孤岛运行时参与抑制负荷扰动等引起的频率波动，为提高微电网的频率抗扰动能力提供功率支撑，还有待研究。

风电机组中加入虚拟惯量控制，通过释放双馈风力发电机(DFIG)转子转速中储存的部分动能来增大DFIG出力，通过使电网频率与转子转速耦合来对频率的变化做出响应。但由于虚拟惯量提供的功率支撑十分短暂，并且需要吸收电磁功率使转速逐渐恢复至初始值，此过程将导致DFIG出力跌落，因此在风速低于一定值时利用超速控制使风电机组运行在某一减载率的减载曲线上，将预留出的备用容量用于调频，从而能够减小虚拟惯量控制引起的DFIG出力跌落的幅度。由于当风速超过DFIG额定风速时，DFIG转速维持在最大值，此时若继续减载将导致转子转速越限，超速控制失效；因而在风速超过DFIG额定风速后利用变桨距角控制实现减载变减载率的超速控制。

在虚拟惯量控制以及超速控制的参数设置方面，传统方法是通过试错法得到，根据不同控制参数作用下得到的***动态频率偏差、转子转速恢复时间、DFIG有功出力跌落值来评价参数的优劣，从而利用试错法总结出控制参数与风速的关系曲线，不仅工作量巨大，而且最终曲线的精度难以保证。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度信念网络的低风速分散式风电微电网调频方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度信念网络的低风速分散式风电微电网调频方法，包括以下步骤：

1)根据DFIG风电机组参数获取DFIG可参与调频的最小风速V_wmin以及满足控制要求的临界风速V_wl；

2)并采用风机虚拟惯量控制和超速控制对DFIG进行控制；

3)建立深度信念网络，且以区间[V_wmin,V_wl]作为风速的取值约束区间，对不同风速下的控制参数和减载率进行优化，抑制微电网频率波动，最终获取在不同风速下最优的控制参数与减载率。

所述的步骤1)中，DFIG可参与调频的最小风速V_wmin与风电机组参数的关系为：

其中，λ_opt为减载后，对应最大风能利用系数C_Pmax的叶尖速比，ρ为空气密度，P_rated为风电机组额定功率，R为风轮半径，λ_del为减载后对应的叶尖速比。

所述的步骤1)中，为使得低风速风况下DIFG可以参与调频，最小风速V_wmin取值为5m/s。

所述的步骤1)中，临界风速V_wl的表达式为：

其中，ω_max为DFIG转子转速最大值，R为风轮半径，λ_del为减载后对应的叶尖速比，f为风能利用系数C_P与叶尖速比λ的关系函数，d为减载率，C_Pmax为最大风能利用系数。

所述的步骤3)中，深度信念网络包括相互连接设置在底层的多层受限玻尔兹曼机层以及设置在顶层的一层BP网络层。

所述的深度信念网络以风速、DFIG的功频静特性系数K_d、虚拟惯量控制参数K_in和减载率为输入量进行训练，并以[V_wmin,V_wl]作为风速的取值约束区间，得到不同风速下的最优DFIG的功频静特性系数K_d、虚拟惯量控制参数K_in和减载率。

所述的步骤2)中，当风速低于最小风速V_wmin时，超速控制无法实现，则DFIG的功频静特性系数K_d为0，当风速高于V_wl时，无法满足减载需求，则DFIG的功频静特性系数K_d为0。

与现有技术相比，本发明具有以下优点：

一、通过理论分析推导了DFIG可参与调频的最低风速与风电机组之间的关系，确定可控的风速区间，并以此作为约束，方便了对风机参数的确定。

二、利用深度信念网络对风机虚拟惯量控制和超速控制的参数进行优化，相比传统试错法具有更高精度。

三、针对不同风速选择最优的减载率，相比固定减载率的风机，频率调节效果更佳，弃风更少。

附图说明

图1为DFIG超速控制原理图。

图2为C_P-λ曲线。

图3为DFIG频率控制模块。

图4为RBM的结构。

图5为DBN的结构。

图6为孤岛微电网结构图。

图7为DBN与BP神经网络的输出变量预测误差对比，其中，图(7a)为动态频率偏差的预测误差对比，图(7b)为DFIG有功跌落值的预测误差对比，图(7c)为转子转速恢复时间的预测误差对比，图(7d)为转子转速最小值的预测误差对比。

图8为DBN优化后的控制参数与减载率。

图9为DBN与BP神经网络优化结果对比，其中，图(9a)为6m/s定风速时DBN与BP神经网络优化参数下的频率变化对比，图(9b)为6m/s定风速时DBN与BP神经网络优化参数下的DFIG有功出力的变化对比。

图10为低风速风况。

图11为变风速时DBN与BP优化参数对比，其中，图(11a)为变风速时DBN与BP优化参数下微电网的频率变化曲线对比，图(11b)为变风速时DBN优化参数、固定减载率、不加控制情况下微电网的频率变化曲线对比。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明提供一种基于深度信念网络的低风速分散式风电参与微电网调频的方法，包括下述步骤：

步骤1、分析推导DFIG可参与调频的最低风速与风电机组参数之间的关系，以便确定合适的低风速风电机组参数。

步骤2、针对超速控制存在的盲区问题，进一步推导了超速控制能够满足给定减载率时的临界风速。

步骤3、利用深度信念网络来处理控制参数与调频效果之间复杂的非线性关系，预测不同风速、不同控制参数、不同减载率下***的动态频率偏差、转子转速恢复时间、DFIG有功出力跌落值，从而找到不同风速下最优的控制参数与减载率，并且简化及完善参数寻优过程。

具体步骤如下：

1、首先对风机虚拟惯量控制和超速控制进行分析：

虚拟惯量控制：

同步发电机可以对***的频率变化率df/dt做出快速响应，调节有功出力，在风机的控制中引入虚拟惯量后，DFIG转子侧变流器输入的有功参考值变为：

其中虚拟惯量控制参数K_in与风速有关，即K_in＝f(V_w)。

超速控制：

当风速小于DFIG额定风速V_rated时，正常情况下DFIG运行在最大风能追踪曲线上，在小于最大允许转速的前提下，转子转速随着风速的增大而增大，保证DFIG始终运行在最大风能利用系数C_Pmax下，对应于图1中的曲线ABC。当给定减载率d％时，超速控制转子转速偏离MPPT点，继续增大，运行在超速点A’、B’构成的减载曲线上，DFIG出力下降。

当风速超过额定风速V_rated时，由于DFIG转子转速达到最大值，正常情况下DFIG通过变桨距来实现转速恒定，随着风速增大，风电机组出力增大，对应于图1中的曲线CD，其中P_max取1.2pu。但减载情况下，当风速达到小于额定风速的某一值V_w1时，DFIG转子转速已经达到了最大值。此后，若风速继续增大，DFIG将运行在曲线B’C’D’上。

因此，若给定减载率d％，必然存在一个临界风速，当风速大于该临界风速时，d％的减载需求无法得到满足；同时，若给定风速大于该临界风速，必然存在一个临界减载率，当所期望减载率大于该临界减载率时，理论上是无法实现的。

假设给定减载率d％，图1中曲线BB’对应临界风速V_w1，则有：

式中：C_Pdel为减载后的风能利用系数，满足：

C_Pdel＝(1-d％)C_Pmax (3)

如图2所示，其对应的叶尖速比λ_del满足：

λ_del＞λ_opt (4)

根据叶尖速比的定义：

可以得到临界风速V_w1为：

式中：R为风轮半径；ω_max为DFIG转子转速最大值；f为C_P-λ的关系函数，f^-1为其反函数。

随着风速增大超过V_w1，DFIG的功率-转速曲线将向右上方移动，B’将趋向于B点，也即C_Pdel将趋向于C_Pmax，根据式(3)可知，可实现的减载率d％将逐渐减小并趋向于0。

图3是在DIFG中加入超速控制后，与虚拟惯量协调控制框图如所示。其中K_d是DFIG的功频静特性系数，f_ref为50Hz。

然后，对DFIG可参与调频的最低风速与风电机组参数之间的关系进行推导：

假设风电机组额定功率为P_rated，额定风速为V_rated，同步转速为ω_s(rpm)，齿轮箱变比为N，风轮半径为R，转子转速最大值的标幺值

为1.2pu,减载后对应的叶尖速比为λ_del，对应最大风能利用系数C_Pmax的叶尖速比为λ_opt。则有：

联立式(7)-(9)可得：

DFIG最小转速的有名值为：

在超速控制的作用下，DFIG运行在d％减载曲线上，此时可求得DFIG最小转速对应的最小风速为：

将式(10)-(12)联立，可得最小风速与风电机组参数的关系为：

由于λ_del与风轮半径R之间存在复杂的耦合关系，因此式(13)还无法为风电机组参数的确定提供明确的参考，但考虑到式(4)，可得：

本文为了使得低风速风况下DIFG可以参与调频，考虑设置V_wmin为5m/s。同时，取额定功率为2MW，齿轮箱变比N为100，并设置风能转换系数由式(15)来评估：

式中：β为桨距角。通过插值法求解可得C_Pmax为0.4382，λ_opt为6.325。由式(14)可得R＜57.48，因此本文取风轮半径为57m；根据式(10)可得ω_s＝795rpm。

下面，进行深度神经网络的建模：

深度信念网络(deep belief network,DBN)的基本组成单元为受限玻尔兹曼机(restricted Boltzmann machine,RBM),其结构如图4所示。一个RBM由一个可见层和一个隐层构成，同一层级各神经元之间无连接，且层间连接是双向的。

若用v_i表示可见层第i个神经元的状态，用h_j表示隐层第j个神经元的状态，并假设可见层和隐层的所有神经元都为二值变量，即对

j，有v_i,h_j∈{0,1}，那么在给定所有可见层神经元的值的情况下，每一个隐层神经元的取值是互不相关的，也即：

P(h|v)＝∏_jP(h_j|v) (16)

同理，在给定所有隐层神经元的值得情况下，所有可见层神经元的取值也是互不相关的，即：

P(v|h)＝∏_iP(v_i|h) (17)

这种同层神经元之间的条件独立性可以使得计算确定每个神经元取值的过程大大简化。

定义RBM的参数为：

θ＝{a_i,b_j,W_ij} (18)

式中：a_i为可见层第i个神经元的偏置值；b_j为隐层第j个神经元的偏置值；W_ij为可见层神经元i和隐层神经元j之间的连接权值。

训练RBM的目的是给定T个样本数据，在满足最大化每个样本重现概率的前提下，求出参数θ。因此，可以最大化RBM在样本集上的对数似然函数。由于同层神经元之间的条件独立性，有：

一般DBN是由多个RBM堆叠而成，因此采用基于对比散度(ContrastiveDivergence,CD)的RBM快速学习算法，使得DBN的深层结构能够得到快速有效的训练，主要分为两步：

第一步是自下而上的预训练过程，将上一个RBM训练得到的隐层神经元的激活概率作为下一个RBM的输入，以此类推，直到训练完所有RBM，可以得到每个RBM的权值矩阵W₁、W₂……W_k。此步骤不需要用到数据标签，是一种无监督学习，并且由于每个RBM的训练只需要单个步骤就可以接近最大似然学习，因此整个DBN的预训练时间显著减少。第二步是利用数据标签自上而下进行微调的过程，可以设置DBN的顶层为BP网络，在反向网络权值微调的过程中，BP算法只需要对权值参数空间进行局部搜索，这比前向BP算法的效率更高。因此整个DBN的训练过程可以看作对一个深层BP网络权值参数的初始化,不仅使DBN克服了BP网络因随机初始化权值参数而容易陷入局部最优的缺点，而且大大缩短了训练时间。

最后，在DIgSILENT/PowerFactory中搭建了如图6所示的孤岛微电网***，其中柴油机为平衡节点；光伏按恒功率模式运行；并对其进行仿真训练作为DBN的训练样本，通过DBN进行预测，得到不同风速下的最优控制参数与减载率；最后在微电网模型中对所得参数调频效果进行验证。

实施例1：利用DBN进行控制参数优化

DFIG风电机组当风速落在区间[V_wmin,V_wl]内时按d％减载曲线运行，否则按最大风能追踪模式运行。因而为了显著区分不同减载率的影响，本文设置d％∈{1％,3％,5％,7％,9％,11％}，根据式(6)和式(13)，其对应的V_wmin和V_w1如表1所示。

表1不同减载率对应的V_wmin与V_w1

表2不同风速下减载率与控制参数的取值范围

当风速低于V_wmin时，超速控制无法实现，因此DFIG的功频静特性系数K_d为0；当风速高于V_w1时，无法满足d％的减载需求，为了避免桨距角频繁动作，只采用虚拟惯量控制，因此K_d也为0。于是不同风速下K_in、K_d、d％的取值可以采取表2所示区间范围。

在表2中的4个参数的不同组合(共52122种)中随机选取2000种组合进行仿真，将所得结果作为DBN的训练样本，通过DBN进行预测得到其他50122种组合情况下的动态频率偏差、DFIG有功出力跌落值、转子转速恢复时间、转子转速最小值，从而找到不同风速下的最优控制参数与减载率。

且对比BP神经网络的训练结果，如图7，四个指标的训练误差方面，DBN的表现都大大优于BP神经网络：

最终得到最优控制参数与减载率，如图8。

算例2：DBN优化参数参与微电网调频效果分析

首先在6m/s定风速下，设置30s时投入2MW临时负荷，观察微电网频率变化与DFIG有功出力的变化，并与采用BP神经网络优化参数时的效果进行对比，如图9所示。

由图(9a)可以看出，使用DBN优化得到的控制参数和减载率能够使得微电网的动态频率跌落值更小，并且***恢复稳态后的静态频率值更接近50Hz。由图(9b)可以看出，BP优化参数下DFIG的有功跌落值达到了0.226MW，而DBN优化参数下的DFIG的有功跌落值仅为0.009MW。显然，DBN能够克服BP网络容易陷入局部最优的缺点，并且能够深度学习数学特征，从而在回归预测方面达到更好的效果。

其次，计及低风速的波动性，观察变风速下DBN优化参数的表现。设置风速如图10所示实时变化，且平均风速为5.9m/s，属于低风速风况。在20s、33s、45s、50s时分别投入1.5MW的临时负荷，对应的风速分别为5m/s、6m/s、8m/s、7m/s。为了避免频率下降过大导致***崩溃，将10kV母线所接固定负荷减小为12MW。微电网频率变化情况如图11所示。

图(11a)同样与BP神经网络优化所得参数对比，观察两种优化方式下的微电网频率。可见，在5-8m/s的低风速下，每次发生负荷扰动时，DBN优化参数下的动态频率跌落值都更小。并且随着负荷加重，在50s时BP优化参数下的频率跌落值非常大，不利于微电网的频率稳定。

图(11b)中，一方面设置了DFIG按7％固定减载率运行，其控制参数K_in、K_d仍然采用DBN优化后的参数；另一方面设置不加入频率控制，DFIG按MPPT运行。可见，DFIG按固定减载率运行时，频率跌落值虽然比未加入控制时有所减少，但与DBN优化后的变减载率运行方式相比，显然后者控制效果更佳。

Claims (4)

1.一种基于深度信念网络的低风速分散式风电微电网调频方法，其特征在于，包括以下步骤：

1)根据DFIG风电机组参数获取DFIG可参与调频的最小风速V_wmin以及满足控制要求的临界风速V_wl，所述的步骤1)中，临界风速V_wl的表达式为：

其中，ω_max为DFIG转子转速最大值，R为风轮半径，λ_del为减载后对应的叶尖速比，f为风能利用系数C_p与叶尖速比λ的关系函数，d为减载率，C_Pmax为最大风能利用系数；

2)并采用风机虚拟惯量控制和超速控制对DFIG进行控制；

3)建立深度信念网络，且以区间[V_wmin,V_wl]作为风速的取值约束区间，对不同风速下的控制参数和减载率进行优化，抑制微电网频率波动，最终获取在不同风速下最优的控制参数与减载率，所述的深度信念网络包括相互连接设置在底层的多层受限玻尔兹曼机层以及设置在顶层的一层BP网络层，深度信念网络以风速、DFIG的功频静特性系数K_d、虚拟惯量控制参数K_in和减载率为输入量进行训练，并以[V_wmin,V_wl]作为风速的取值约束区间，得到不同风速下的最优DFIG的功频静特性系数K_d、虚拟惯量控制参数K_in和减载率。

2.根据权利要求1所述的一种基于深度信念网络的低风速分散式风电微电网调频方法，其特征在于，所述的步骤1)中，DFIG可参与调频的最小风速V_wmin与风电机组参数的关系为：

其中，λ_opt为减载后，对应最大风能利用系数C_Pmax的叶尖速比，ρ为空气密度，P_rated为风电机组额定功率，R为风轮半径，λ_del为减载后对应的叶尖速比。

3.根据权利要求2所述的一种基于深度信念网络的低风速分散式风电微电网调频方法，其特征在于，所述的步骤1)中，为使得低风速风况下DIFG可以参与调频，最小风速V_wmin取值为5m/s。

4.根据权利要求1所述的一种基于深度信念网络的低风速分散式风电微电网调频方法，其特征在于，所述的步骤2)中，当风速低于最小风速V_wmin时，超速控制无法实现，则DFIG的功频静特性系数K_d为0，当风速高于V_wl时，无法满足减载需求，则DFIG的功频静特性系数K_d为0。

Images