基于时空不确定性的风电场调频控制方法及装置与流程

文档序号:31607941发布日期:2022-09-21 11:56阅读:102来源:国知局
基于时空不确定性的风电场调频控制方法及装置与流程

1.本发明涉及风电场调频技术领域,具体涉及基于时空不确定性的风电场调频控制方法及装置。


背景技术:

2.随着国内外众多学者对并网风电场调频控制策略的深入研究,控制策略不断完善,常见的控制策略有:利用双馈感应发电机(double-fed induction generator,dfig)转子动能提供虚拟惯量的虚拟惯性控制,通过偏移最大功率跟踪点(maximum power point tracking,mppt),而预留有功备用的超速和浆距角控制、下垂控制、组合控制和风储协调控制。
3.现有技术缺点:1、dfig风能捕获效率会因转子转速偏离mppt而降低,对如何动态恢复转速来寻求更高风能捕获效率的研究,还处在初步阶段;2、dfig直流侧电容容量较小,惯性响应后,电压极易被钳制在其稳定运行界限上,无法参与后续调频;然而,对如何有序恢复直流侧电容电压而不带来额外频率冲击的研究较少;3、利用直流侧电容和转子转速同时参与惯性控制,这种控制方法需频繁激活转子转速控制,迫使dfig不断偏离mppt,降低经济效益和增大机械磨损。


技术实现要素:

4.因此,本发明要解决的技术问题在于克服现有技术中双馈感应发电机调频能力受自身运行状态和安装位置,以及所处风速的大小和风速的方向影响,而存在时空不确定性的问题,从而提供基于时空不确定性的风电场调频控制方法及装置。
5.为解决上述技术问题,本发明公开实施例至少提供一种基于时空不确定性的风电场调频控制方法及装置。
6.第一方面,本发明公开实施例提供了基于时空不确定性的风电场调频控制方法,包括:
7.根据频率偏差信息进入调频控制状态;
8.根据风电场中各机组的运行状态和风速变化,利用模型预测控制和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;
9.根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;
10.各机组根据风速和调频时间退出调频模式。
11.可选地,所述根据频率偏差信息进入调频控制状态包括:
12.实时监测风电场风速和频率信息,并根据所述频率信息计算系统频率偏差;
13.当所述系统频率偏差超过死区值时,风电场进入调频控制状态。
14.可选地,所述利用模型预测控制和k-means聚类组合方法进行动态优化分组,包括:
15.利用模型预测控制优化风电场最大调频能力和功率输出;
16.采用k-means聚类算法对机组进行分组聚类,选择风速大小作为聚类指标,且同组内的机组相互之间不受尾流效应影响,分派相同的控制变量;
17.采用降级处理方法,若机组数量超过全部参与调频机组数量的一定比例预设阈值,将本组超出预设阈值的部分机组进行降级处理;若同时存在两组或两组以上的机组数量超过预设阈值,则由高等级依次进行降级程序,但最低等级机组数量超过比例预设阈值,不再进行降级处理;所述降级为等级与风速大小对应,高风速对应高等级。
18.可选地,所述根据机组调频能力进行有功增量、调频时间分配,包括:
19.确定各机组调频增量,根据预设分组规则进行分组优化后,将风电场需要增发的有功功率δp
wind
分配给各组,进而再分配给各机组。
20.可选地,所述各机组根据风速和调频时间退出调频模式,包括:
21.当转子转速偏差满足|δω|小于预设阈值或频率偏差变化率满足df/dt=0时,惯量响应过程结束,各机组退出调频模式;
22.其中,高风速的机组最后退出调频模式;
23.中低风速的机组通过转速恢复和保护环节按照各自的调频时间逐一退出调频模式。
24.第二方面,本发明公开实施例还提供基于时空不确定性的风电场调频控制装置,包括:
25.调频进入模块,用于根据频率偏差信息进入调频控制状态;
26.空间分组模块,用于根据风电场中各机组的运行状态和风速变化,利用模型预测控制和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;
27.时间控制模块,用于根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;
28.调频退出模块,用于各机组根据风速和调频时间退出调频模式。
29.可选地,所述调频进入模块,用于实时监测风电场风速和频率信息,并根据所述频率信息计算系统频率偏差;当所述系统频率偏差超过死区值时,风电场进入调频控制状态。
30.可选地,所述空间分组模块,用于根据风电场中各机组的运行状态和风速变化,利用模型预测控制优化风电场最大调频能力和功率输出;采用k-means聚类算法对机组进行分组聚类,选择风速大小作为聚类指标,且同组内的机组相互之间不受尾流效应影响,分派相同的控制变量;采用降级处理方法,若机组数量超过全部参与调频机组数量的一定比例预设阈值,将本组超出预设阈值的部分机组进行降级处理;若同时存在两组或两组以上的机组数量超过预设阈值,则由高等级依次进行降级程序,但最低等级机组数量超过比例预设阈值,不再进行降级处理,完成空间不确定性处理。
31.第三方面,本发明公开实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
32.第四方面,本发明公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
33.本发明的实施例提供的技术方案可以具有以下有益效果:
34.根据频率偏差信息进入调频控制状态;根据风电场中各机组的运行状态和风速变化,利用模型预测控制和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;各机组根据风速和调频时间退出调频模式,本发明在时间尺度上根据风电场内机组所处风速的不同,逐层细化风电场调频能力、分组调频能力及单机调频能力,进而确定机组进入与退出调频系统时间,在保证机组安全稳定运行的基础上,充分挖掘机组参与调频的潜力,同时,分组退出也有效减小了对系统频率的负面影响;在空间上根据风速预测信息,利用模型预测控制和k-means聚类组合的方法,以风电场输出功率和调频能力最优为目标,建立反馈校正环节,实现闭环运行和实时滚动优化分组,解决了风电场难以逐台控制的问题,消除了仅以风速分组效果不明显的缺陷,同时,模型预测控制滚动优化方法有效降低了风速不确定影响,提高了分组准确性和连续调频能力。
35.应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
36.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
37.图1示出了本发明公开实施例所提供的基于时空不确定性的风电场调频控制方法的流程图;
38.图2示出了本发明公开实施例所提供的基于时空不确定性的风电场调频控制装置的结构示意图;
39.图3示出了本发明公开实施例所提供的基于模型预测控制和k-means聚类的分组优化方法的流程图;
40.图4示出了本发明公开实施例所提供的dfig调频可持续时间与功率增量图;
41.图5示出了本发明公开实施例所提供的不同θ下风速分布图;
42.图6示出了本发明公开实施例所提供的机组数量均衡优化流程图;
43.图7示出了本发明公开实施例所提供的风电场调频时序控制方法的流程图;
44.图8示出了本发明公开实施例所提供的另一种基于时空不确定性的风电场调频控制方法的流程图;
45.图9示出了本发明公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
46.这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
47.实施例1
48.如图1所示,本发明公开实施例所提供的基于时空不确定性的风电场调频控制方法的流程图,该方法包括:
49.s11:根据频率偏差信息进入调频控制状态;
50.s12:根据风电场中各机组的运行状态和风速变化,利用模型预测控制(model predictive control,mpc)和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;
51.s13:根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;
52.s14:各机组根据风速和调频时间退出调频模式。
53.在具体实践中,所述根据频率偏差信息进入调频控制状态包括:
54.实时监测风电场风速和频率信息,并根据所述频率信息计算系统频率偏差;
55.当所述系统频率偏差超过死区值时,风电场进入调频控制状态。
56.在具体实践中,所述利用模型预测控制和k-means聚类组合方法进行动态优化分组,包括:
57.利用模型预测控制优化风电场最大调频能力和功率输出;
58.采用k-means聚类算法对机组进行分组聚类,选择风速大小作为聚类指标,且同组内的机组相互之间不受尾流效应影响,分派相同的控制变量;
59.采用降级处理方法,若机组数量超过全部参与调频机组数量的一定比例预设阈值,将本组超出预设阈值的部分机组进行降级处理;若同时存在两组或两组以上的机组数量超过预设阈值,则由高等级依次进行降级程序,但最低等级机组数量超过比例预设阈值,不再进行降级处理;所述降级为等级与风速大小对应,高风速对应高等级。
60.在具体实践中,所述根据机组调频能力进行有功增量、调频时间分配,包括:
61.确定各机组调频增量,根据预设分组规则进行分组优化后,将风电场需要增发的有功功率δp
wind
分配给各组,进而再分配给各机组。
62.在具体实践中,所述各机组根据风速和调频时间退出调频模式,包括:
63.当转子转速偏差满足|δω|小于预设阈值或频率偏差变化率满足df/dt=0时,惯量响应过程结束,各机组退出调频模式;
64.其中,高风速的机组最后退出调频模式;
65.中低风速的机组通过转速恢复和保护环节按照各自的调频时间逐一退出调频模式;
66.在具体实践中,各机组根据风电场调度中心信号,利用附加调频控制器结合转速恢复和转速保护装置有序退出调频系统。
67.可以理解的是,本实施例提供的技术方案,根据频率偏差信息进入调频控制状态;根据风电场中各机组的运行状态和风速变化,利用模型预测控制和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;各机组根据风速和调频时间退出调频模式,本发明在时间尺度上根据风电场内机组所处风速的不同,逐层细化风电场调频能力、分组调频能力及单机调频能力,进而确定机组进入与退出调频系统时间,在保证机组安全稳定运行的基础上,充分挖掘机组参与调频的潜力,同时,分组退出也有效减小了对系统频率的负面影响;在空间上
根据风速预测信息,利用模型预测控制和k-means聚类组合的方法,以风电场输出功率和调频能力最优为目标,建立反馈校正环节,实现闭环运行和实时滚动优化分组,解决了风电场难以逐台控制的问题,消除了仅以风速分组效果不明显的缺陷,同时,模型预测控制滚动优化方法有效降低了风速不确定影响,提高了分组准确性和连续调频能力。
68.实施例2
69.如图2所示,本发明实施例还提供基于时空不确定性的风电场调频控制装置,包括:
70.调频进入模块21,用于根据频率偏差信息进入调频控制状态;
71.空间分组模块22,用于根据风电场中各机组的运行状态和风速变化,利用模型预测控制和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;
72.时间控制模块23,用于根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;
73.调频退出模块24,用于各机组根据风速和调频时间退出调频模式。
74.在具体实践中,所述调频进入模块21,用于实时监测风电场风速和频率信息,并根据所述频率信息计算系统频率偏差;当所述系统频率偏差超过死区值时,风电场进入调频控制状态。
75.在具体实践中,所述空间分组模块22,用于根据风电场中各机组的运行状态和风速变化,利用模型预测控制优化风电场最大调频能力和功率输出;采用k-means聚类算法对机组进行分组聚类,选择风速大小作为聚类指标,且同组内的机组相互之间不受尾流效应影响,分派相同的控制变量;采用降级处理方法,若机组数量超过全部参与调频机组数量的一定比例预设阈值,将本组超出预设阈值的部分机组进行降级处理;若同时存在两组或两组以上的机组数量超过预设阈值,则由高等级依次进行降级程序,但最低等级机组数量超过比例预设阈值,不再进行降级处理,完成空间不确定性处理。
76.可以理解的是,本实施例提供的技术方案,根据频率偏差信息进入调频控制状态;根据风电场中各机组的运行状态和风速变化,利用mpc和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;各机组根据风速和调频时间退出调频模式,本发明在时间尺度上根据风电场内机组所处风速的不同,逐层细化风电场调频能力、分组调频能力及单机调频能力,进而确定机组进入与退出调频系统时间,在保证机组安全稳定运行的基础上,充分挖掘机组参与调频的潜力,同时,分组退出也有效减小了对系统频率的负面影响;在空间上根据风速预测信息,利用模型预测控制和k-means聚类组合的方法,以风电场输出功率和调频能力最优为目标,建立反馈校正环节,实现闭环运行和实时滚动优化分组,解决了风电场难以逐台控制的问题,消除了仅以风速分组效果不明显的缺陷,同时,模型预测控制滚动优化方法有效降低了风速不确定影响,提高了分组准确性和连续调频能力。
77.实施例3
78.如图3所示,本发明公开实施例所提供的基于模型预测控制和k-means聚类的分组优化方法的流程图,所述方法包括:
79.s31:利用模型预测控制优化风电场最大调频能力和功率输出;
80.在具体实践中,由图4和式(1)可知:风电场最大调频能力和功率输出成正比例关
系,因此,优化功率输出即可,正常运行下,dfig均工作在mppt模式,但由于风电场尾流效应,并不意味着整个风电场运行状态达到最佳,例如:改变θ,降低上游dfig转速和数量,进而降低上游dfig输出功率,但相应增大下游dfig风速和数量,如式(2)和图5所示,进而增大下游dfig输出功率,因此,可能增大风电场输出总功率;
81.p
ω
=0.5ρπc
p
(λ,β)r2v3=kgω3ꢀꢀ
(1)
82.式中ρ,r,v,c
p
,β,λ分别为空气密度,转子半径,风速,功率系数,俯仰角,叶尖速比,kg为使风力机输出功率最大化的跟踪系数;
[0083][0084]
式中:v为风速,k为风电场划分区域数量,c
p,m
为功率系数,φ为尾流影响因子。
[0085]
mpc是不断局部优化和不断滚动实施控制作用的交替过程,能有效降低不确定性影响,而分组协调调频控制的最终目标是让风电场输出功率最大,其目标函数为:
[0086][0087]
式中:控制时域nc和预测时域n
p
,且nc≤n
p
,p(k+i|t)为t时刻输出值,p
ref
(k+i|t)为t时刻参考输出,u(k+i|t))为t时刻控制增量,q和r分别是预测变量误差和控制变量序列权重矩阵,第一项表示输出量与参考输出量之间误差,反映控制目标精确跟踪,第二项为控制增量大小,反映控制目标稳定性。
[0088]
该状态量由系统频率状态构成;控制量由θ变化量构成;扰动量为风电场风速大小变化量;输出量为风电场功率,可将预测时域内的风电场输出功率写成:
[0089][0090]
为便于求解,将模型预测控制中含约束优化问题转化为二次规划问题求解,将目标函数(3)转化成带约束的标准二次规划形式:
[0091]
minj=(p-p
ref
)
t
q(p-p
ref
)+u
t
ru
ꢀꢀ
(5)
[0092]
二次规划模型通过调用matlab工具箱提供的二次规划quadprog函数进行求解,求解之后便可得到控制时域内θ调整量构成的控制序列;
[0093][0094]
在模型预测控制反馈校正环节中,将控制序列第1个元素叠加到被控对象,则校正后风电场输出实际值为:
[0095]
pw(t)=δpw(t)+pw(t-δt)
ꢀꢀ
(7)
[0096]
在后续调度周期中,重复上述滚动优化过程,为保证系统稳定运行,需满足运行约束条件;
[0097]
约束条件:
[0098]
1)dfig功率约束
[0099]
0≤pi≤p
i,max
ꢀꢀ
(8)
[0100]
2)dfig浆距角约束
[0101]
β
i,min
≤βi≤β
i,max
ꢀꢀ
(9)
[0102]
3)dfig转速约束
[0103]
ω
i,max
≤ωi≤ω
i,max
ꢀꢀ
(10)
[0104]
4)θ约束
[0105]
0≤θ≤θ
max
ꢀꢀ
(11);
[0106]
s32:采用k-means聚类算法进行分组聚类;
[0107]
在具体实践中,基于安装位置是固定的,dfig工作状态可控,选择风速大小作为聚类指标,且同组内dfig相互之间不受尾流效应影响,分派相同的控制变量,即同组dfig可以看作是一个重新缩放的单机,大大简化了控制难度和控制变量,同时,为避免分组过多或过少带来的负面影响,将风速7m/s以上dfig分为5组;
[0108]
s33:采用降级处理方法;
[0109]
在具体实践中,为减小dfig退出调频时的不利影响,使各组dfig数量尽量均衡,采用降级(等级与风速大小对应,高风速对应高等级)处理方法,即若某组dfig数量超过全部参与调频机组数量的一定比例ξ,则将本组超出ξ的部分dfig进行降级处理,策略如图6所示,若同时存在两组或两组以上的dfig数量超过ξ,则由高等级依次进行降级程序,但最低等级机组数量超过比例ξ,不再进行降级处理。
[0110]
可以理解的是,本实施例提供的技术方案,利用模型预测控制优化风电场最大调频能力和功率输出;采用k-means聚类算法对机组进行分组聚类,选择风速大小作为聚类指标,且同组内的机组相互之间不受尾流效应影响,分派相同的控制变量;采用降级处理方法,若机组数量超过全部参与调频机组数量的一定比例预设阈值,将本组超出预设阈值的部分机组进行降级处理;若同时存在两组或两组以上的机组数量超过预设阈值,则由高等级依次进行降级程序,但最低等级机组数量超过比例预设阈值,不再进行降级处理;本发明在空间上根据风速预测信息,利用模型预测控制和k-means聚类组合的方法,以风电场输出功率和调频能力最优为目标,建立反馈校正环节,实现闭环运行和实时滚动优化分组,解决了风电场难以逐台控制的问题,消除了仅以风速分组效果不明显的缺陷,同时,模型预测控制滚动优化方法有效降低了风速不确定影响,提高了分组准确性和连续调频能力。
[0111]
实施例4
[0112]
如图7所示,本发明公开实施例所提供的风电场调频时序控制方法的流程图,所述方法包括:
[0113]
s41:确定各机组调频增量;
[0114]
s42:根据预设分组规则进行分组优化后,将风电场需要增发的有功功率δp
wind
分配给各组,进而再分配给各机组。
[0115]
在具体实践中,为降低机械磨损,优先中低风速dfig进入调频,而后高风速dfig进入,假设第j个至第n个分组的最大功率增量为:
[0116]
[0117]
式中:δpwind_max_i为单机最大增发功率,通常认为dfig可短时增发20%的额定功率,为预留安全裕度,设定为0.1p.u,n为中低风速组数,k为第i组dfig数量;
[0118]
若自然风速为中低风速,则第j个分组功率增量为:
[0119][0120]
式中:δpwind_max_j为第j个分组最大增发功率,δpt为风电场调频功率增量;
[0121]
若自然风速为高风速,且δpwind_j》δpt;则第j个分组功率增量为:
[0122][0123]
若δpwind_j《δpt;则中低风速中的第j个分组功率增量为:
[0124]
δp
w_j
=δp
wind_max_j
ꢀꢀ
(15)
[0125]
剩余缺额功率全部由高风速dfig承担,则高风速下分组功率增量为:
[0126]
δp=δp
t-δp
wind-j
ꢀꢀ
(16)。
[0127]
可以理解的是,本实施例提供的技术方案,确定各机组调频增量;根据预设分组规则进行分组优化后,将风电场需要增发的有功功率δp
wind
分配给各组,进而再分配给各机组,本发明在时间尺度上根据风电场内机组所处风速的不同,逐层细化风电场调频能力、分组调频能力及单机调频能力,进而确定机组进入与退出调频系统时间,在保证机组安全稳定运行的基础上,充分挖掘机组参与调频的潜力,同时,分组退出也有效减小了对系统频率的负面影响。
[0128]
实施例5
[0129]
如图8所示,本发明公开实施例所提供的另一种基于时空不确定性的风电场调频控制方法的流程图,该方法包括:
[0130]
s51:实时监测风电场风速和频率信息,并根据所述频率信息计算系统频率偏差,
[0131]
当所述系统频率偏差超过死区值时,风电场进入调频控制状态;
[0132]
s52:根据风电场中各机组的运行状态和风速变化,利用模型预测控制优化风电场最大调频能力和功率输出,采用k-means聚类算法对机组进行分组聚类,选择风速大小作为聚类指标,且同组内的机组相互之间不受尾流效应影响,分派相同的控制变量,采用降级处理方法,若机组数量超过全部参与调频机组数量的一定比例预设阈值,将本组超出预设阈值的部分机组进行降级处理,若同时存在两组或两组以上的机组数量超过预设阈值,则由高等级依次进行降级程序,但最低等级机组数量超过比例预设阈值,不再进行降级处理;所述降级为等级与风速大小对应,高风速对应高等级,完成空间不确定性处理;
[0133]
s53:确定各机组调频增量,根据预设分组规则进行分组优化后,将风电场需要增发的有功功率δp
wind
分配给各组,进而再分配给各机组,完成时间不确定性处理;
[0134]
s54:当转子转速偏差满足|δω|小于预设阈值或频率偏差变化率满足df/dt=0时,惯量响应过程结束,各机组退出调频模式,其中,高风速的机组最后退出调频模式,中低风速的机组通过转速恢复和保护环节按照各自的调频时间逐一退出调频模式。
[0135]
在具体实践中,各机组根据风电场调度中心信号,利用附加调频控制器结合转速
恢复和转速保护装置有序退出调频系统。
[0136]
可以理解的是,本实施例提供的技术方案,根据频率偏差信息进入调频控制状态;根据风电场中各机组的运行状态和风速变化,利用模型预测控制和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;各机组根据风速和调频时间退出调频模式,本发明在时间尺度上根据风电场内机组所处风速的不同,逐层细化风电场调频能力、分组调频能力及单机调频能力,进而确定机组进入与退出调频系统时间,在保证机组安全稳定运行的基础上,充分挖掘机组参与调频的潜力,同时,分组退出也有效减小了对系统频率的负面影响;在空间上根据风速预测信息,利用模型预测控制和k-means聚类组合的方法,以风电场输出功率和调频能力最优为目标,建立反馈校正环节,实现闭环运行和实时滚动优化分组,解决了风电场难以逐台控制的问题,消除了仅以风速分组效果不明显的缺陷,同时,模型预测控制滚动优化方法有效降低了风速不确定影响,提高了分组准确性和连续调频能力。
[0137]
实施例6
[0138]
基于同一技术构思,本技术实施例还提供了一种计算机设备,包括存储器1和处理器2,如图9所示,所述存储器1存储有计算机程序,所述处理器2执行所述计算机程序时实现上述任一项所述的方法。
[0139]
其中,存储器1至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器1在一些实施例中可以是基于时空不确定性的风电场调频控制系统的内部存储单元,例如硬盘。存储器1在另一些实施例中也可以是基于时空不确定性的风电场调频控制系统的外部存储设备,例如插接式硬盘,智能存储卡(smart media card,smc),安全数字(secure digital,sd)卡,闪存卡(flash card)等。进一步地,存储器1还可以既包括基于时空不确定性的风电场调频控制的内部存储单元也包括外部存储设备。存储器1不仅可以用于存储安装于基于时空不确定性的风电场调频控制的应用软件及各类数据,例如基于时空不确定性的风电场调频控制程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
[0140]
处理器2在一些实施例中可以是一中央处理器(central processing unit,cpu)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器1中存储的程序代码或处理数据,例如执行基于时空不确定性的风电场调频控制程序等。
[0141]
可以理解的是,本实施例提供的技术方案,根据频率偏差信息进入调频控制状态;根据风电场中各机组的运行状态和风速变化,利用模型预测控制和k-means聚类组合方法进行动态优化分组,完成空间不确定性处理;根据机组调频能力进行有功增量、调频时间分配,完成时间不确定性处理;各机组根据风速和调频时间退出调频模式,本发明在时间尺度上根据风电场内机组所处风速的不同,逐层细化风电场调频能力、分组调频能力及单机调频能力,进而确定机组进入与退出调频系统时间,在保证机组安全稳定运行的基础上,充分挖掘机组参与调频的潜力,同时,分组退出也有效减小了对系统频率的负面影响;在空间上根据风速预测信息,利用模型预测控制和k-means聚类组合的方法,以风电场输出功率和调频能力最优为目标,建立反馈校正环节,实现闭环运行和实时滚动优化分组,解决了风电场难以逐台控制的问题,消除了仅以风速分组效果不明显的缺陷,同时,模型预测控制滚动优化方法有效降低了风速不确定影响,提高了分组准确性和连续调频能力。
[0142]
本发明公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
[0143]
本发明公开实施例所提供的基于时空不确定性的风电场调频控制方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的方法的步骤,具体可参见上述方法实施例,在此不再赘述。
[0144]
本发明公开实施例还提供一种计算机程序,该计算机程序被处理器执行时实现前述实施例的任意一种方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(software development kit,sdk)等等。
[0145]
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0146]
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
[0147]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
[0148]
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(pga),现场可编程门阵列(fpga)等。
[0149]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
[0150]
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
[0151]
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
[0152]
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不
一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0153]
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1