一种分布式机组功率控制方法、装置、设备及介质与流程

1.本发明涉及机组功率控制技术领域，尤其涉及一种分布式机组功率控制方法、装置、设备及介质。


背景技术：

2.近年来，随着风电装机规模的不断增大，通过结合边缘侧新能源有功及无功控制等快速响应动作等数据，研究边缘层新能源发电机组功率快速控制模型的建立方法越来越受到重视。
3.而现有的分布式新能源机组快速功率控制技术未计及电力系统运行过程中快速变化的系统参数及控制参数，尤其是缺乏有功无功控制能力的快速度量，鉴于该能力的缺失，常规的快速功率控制方法很难得到最优解，存在新能源机组快速功率控制能力的控制效率低的问题。


技术实现要素：

4.本发明提供了一种分布式机组功率控制方法、装置、设备及介质，解决了由于现有的分布式新能源机组快速功率控制技术未计及电力系统运行过程中快速变化的系统参数及控制参数，尤其是缺乏有功无功控制能力的快速度量，鉴于该能力的缺失，常规的快速功率控制方法很难得到最优解，存在新能源机组快速功率控制能力的控制效率低的技术问题。
5.本发明提供的一种分布式机组功率控制方法，包括：获取总有功参考指令、电源运行数据和机组模型数据，并将所述电源运行数据和所述机组模型数据输入预设神经网络；通过所述神经网络对所述电源运行数据和所述机组模型数据执行特征提取操作，确定控制参数；采用预设动态模型和所述预设动态模型中的动态函数，构建有功预测控制模型；根据预设电气距离维度和所述控制参数，构建无功控制模型；根据所述总有功参考指令、所述控制参数、所述有功预测控制模型和所述无功控制模型，输出所述分布式机组对应的功率指令。
6.可选地，所述采用预设动态模型和所述预设动态模型中的动态函数，构建有功预测控制模型的步骤，包括：对所述动态函数执行线性化操作，确定动态线性函数；对所述动态线性函数和所述动态模型执行方程离散化操作，构建有功预测控制模型；所述有功预测控制模型具体为：
；式中，表示在时刻的第i台风力发电机的状态变量；k表示采样时刻；m为预测时刻；hi表示第一常数，；zi表示第二常数，；u
m，wfi
(k)表示在k时刻的第i台风力发电机的控制变量；tm表示采样周期；n
wf
表示风力发电机数量；hm表示控制时域；j
t
表示惯性系数；表示在时刻的第i台风力发电机的状态变量；表示k时刻的第i台风力发电机的状态变量；表示空气密度；r表示风力机叶片半径；vw表示风速；ai表示一次项系数；bi表示常数项系数。
7.可选地，所述控制参数包括：有功控制约束能力上限、多个无功裕度值和无功控制响应速度能力上限，所述根据预设电气距离维度和所述控制参数，构建无功控制模型的步骤，包括：基于预设电气距离维度和所述无功控制响应速度能力上限，确定多个无功控制优先级；计算全部所述无功裕度值的和值，确定总无功可控裕度；基于所述总无功可控裕度，确定调控总指令值；根据各个所述无功控制优先级、所述总无功可控裕度和所述调控总指令值，构建无功控制模型；所述无功控制模型具体为：；式中，为第i个风力发电机的无功裕度值；表示总无功可控裕度；表示各风力发电机i分配到的无功功率指令；表示调控总指令值。
8.可选地，所述根据所述总有功参考指令、所述控制参数、所述有功预测控制模型和所述无功控制模型，输出所述分布式机组对应的功率指令的步骤，包括：根据所述有功控制约束能力上限、所述有功预测控制模型和所述总有功参考指令，输出所述分布式机组对应的有功功率指令；根据所述调控总指令值、各个所述无功控制优先级和所述无功控制模型，输出所述分布式机组对应的无功功率指令。
9.可选地，所述根据所述有功控制约束能力上限、所述有功预测控制模型和所述总有功参考指令，输出所述分布式机组对应的有功功率指令的步骤，包括：基于所述有功控制约束能力上限，确定有功控制约束条件；
基于预设最大捕获风能能量，并通过所述有功预测控制模型执行所述总有功参考指令，确定目标函数；根据所述目标函数、所述有功预测控制模型和所述有功控制约束条件，输出所述分布式机组对应的有功功率指令；所述目标函数具体为：；式中，表示目标函数值；αm表示权衡系数；ξ
m,wfi
(k+m-1|k)表示松弛变量；表示所需调节的总有功参考指令；n
wf
表示风力发电机数量；hm表示控制时域；表示在时刻的第i台风力发电机的控制变量；表示最大捕获风能能量；i表示第i台风力发电机；m表示预测时刻;表示按最大捕获风能能量计算分配的有功值。
10.可选地，所述根据所述调控总指令值、各个所述无功控制优先级和所述无功控制模型，输出所述分布式机组对应的无功功率指令的步骤，包括：采用多个所述无功裕度值计算对应的所述无功控制优先级的多维度无功裕度；基于所述多维度无功裕度，并通过所述无功控制模型执行所述调控总指令值，输出所述分布式机组对应的无功功率指令；所述无功功率指令的计算公式为：；式中，表示各风力发电机i分配到的无功功率指令；为第1个无功控制优
先级的控制对象lv1的多维度无功裕度；表示调控总指令值；表示无功控制优先级的控制对象lv1的功率分配系数。
11.可选地，所述多维度无功裕度的计算表达式为：；式中，为第i个无功控制优先级的控制对象lvi的无功裕度，n
wfi
为第i个无功控制优先级的控制对象的数量；为第i个风力发电机的无功裕度值。
12.本发明第二方面提供的一种分布式机组功率控制装置，包括：获取数据模块，用于获取总有功参考指令、电源运行数据和机组模型数据，并将所述电源运行数据和所述机组模型数据输入预设神经网络；特征提取模块，用于通过所述神经网络对所述电源运行数据和所述机组模型数据执行特征提取操作，确定控制参数；构建有功模型模块，用于采用预设动态模型和所述预设动态模型中的动态函数，构建有功预测控制模型；构建无功模型模块，用于根据预设电气距离维度和所述控制参数，构建无功控制模型；输出指令模块，用于根据所述总有功参考指令、所述控制参数、所述有功预测控制模型和所述无功控制模型，输出所述分布式机组对应的功率指令。
13.本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的分布式机组功率控制方法的步骤。
14.本发明第四方面提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项所述的分布式机组功率控制方法。
15.从以上技术方案可以看出，本发明具有以下优点：通过获取总有功参考指令、电源运行数据和机组模型数据，并将所述电源运行数据和所述机组模型数据输入预设神经网络；通过所述神经网络对所述电源运行数据和所述机组模型数据执行特征提取操作，确定控制参数；采用预设动态模型和所述预设动态模型中的动态函数，构建有功预测控制模型；根据预设电气距离维度和所述控制参数，构建无功控制模型；根据所述总有功参考指令、所述控制参数、所述有功预测控制模型和所述无功控制模型，输出所述分布式机组对应的功率指令，解决了鉴于该能力的缺失，常规的快速功率控制方法很难得到最优解，存在新能源机组快速功率控制能力的控制效率低的技术问题，有效地提高了新能源机组快速功率控制能力的控制效率。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可
以根据这些附图获得其它的附图。
17.图1为本发明实施例一提供的一种分布式机组功率控制方法的步骤流程图；图2为本发明实施例一提供的预设神经网络的结构示意图；图3为本发明实施例二提供的一种分布式机组功率控制方法的步骤流程图；图4为本发明实施例三提供的一种分布式机组功率控制装置的结构框图。
具体实施方式
18.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。
19.基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
20.请参阅图1，图1为本发明实施例一提供的一种分布式机组功率控制方法的步骤流程图。
21.本发明提供的一种分布式机组功率控制方法，包括：步骤101、获取总有功参考指令、电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络。
22.总有功参考指令指的是所需调节的总有功参考指令。
23.需要说明的是，采用实时的电源运行数据以及边缘侧发电机组控制模型辅助仿真数据，即电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络。
24.请参阅图2，预设神经网络为深度学习中的深度神经网络，通过输入真实系统和仿真系统的实时稳态数据和动态响应数据，稳态数据包括各新能源机组的有功和无功输出、系统频率和各节点电压，用于映射有功无功控制能力上限，计及了无功电压和有功频率之间的耦合，避免了控制能力上限的复杂模型和计算；其中，新能源机组又称为风力发电机或分布式机组。
25.动态响应数据包括各新能源机组的指令调节时间和扰动恢复时间，通过神经网络辨识出各机组的无功响应速度数量级。它们被转换到卷积层中的二维映射和池化层，最后是完全连接层，包含输出的控制信号，区域虚拟惯量调控值；卷积层包含多个卷积内核，每个元素对应一个权重系数和偏差量，其大小由卷积核决定，采用卷积层可提取归一化输入数据的特征，具体为：；式中，o
n,j
表示卷积层输出，f表示图层映射，u
i,n-1
表示参数化空间过滤器，这个过滤器的具体动作是在网络的训练过程中自动从数据中学习到的，m
n,ij
表示卷积层输入，b
n,j
表示实数偏置项，表示叉乘；池化层的功能是选择特征和从卷积输出的数据中过滤信息层，其表示如下：；
式中，q
n+1,j
表示池化层输出，g表示池化映射，k
n+1,j
和r
n+1,j
分别表示乘偏差和加偏差，pool(
·
)代表池化函数；由此过滤层可以表示为：；式中，p、q分别表示过滤层的长度和宽度；池化操作是为了降维上层的输出，这使得预测输入数据的变换更加有鲁棒性，j
i,j
表示过滤层输出，s
p,q
表示过滤参数，b
i+p-1,j+q-1
表示实数偏置项；最后是完全连接层，可以将特征图扩展为向量，以及每个完全连接层的输出值；传递给输出需要定义一个损失函数来完成这个分类；完全连接层是执行非线性组合，这个过程被描述如下：；式中，yn表示完全连接层的输出，f表示完全连接层的非线性函数，wn和pn分别表示完全连接层的权重和偏差；经过训练的机器学习模型是一个自适应模型，能够实现输入输出的准确映射；使用预训练模型和系统实时信息，可快速估计机组快速功率控制参数值。
26.在本发明实施例中，获取总有功参考指令、电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络。
27.步骤102、通过神经网络对电源运行数据和机组模型数据执行特征提取操作，确定控制参数。
28.需要说明的是，采用电源运行数据和机组模型数据，通过神经网络的特征提取能力来分别映射三个关键参数，即控制参数。
29.在本发明实施例中，通过神经网络对电源运行数据和机组模型数据执行特征提取操作，确定控制参数。
30.步骤103、采用预设动态模型和预设动态模型中的动态函数，构建有功预测控制模型。
31.需要说明的是，采用dfig机械传动部分的动态模型作为预测模型的基础，在服务器建立边缘侧发电机组快速有功预测控制模型，即采用预设动态模型和预设动态模型中的动态函数，构建有功预测控制模型；其中，dfig机械传动部分指的是dfig机械转矩和电磁转矩驱动的转子部分，对应机电时间尺度的转子转速模型；服务器指的是在新能源场站等边缘侧建立的强大的边缘计算和边缘数据中心的主要计算载体。边缘服务器承担物联网传感设备与云应用间建立连接和现场实时控制、现场数据采集储存等功能。使大量的计算、控制任务能够实时在现场处理，能够更好的支撑本地业务实时处理与执行。
32.在本发明实施例中，采用预设动态模型和预设动态模型中的动态函数，构建有功预测控制模型。
33.步骤104、根据预设电气距离维度和控制参数，构建无功控制模型。
34.预设电气距离维度指的是电气距离维度，其分为发电机组直接接入和间接接入变电站母线两种方式在本发明实施例中，根据预设电气距离维度和控制参数，构建无功控制模型。
35.步骤105、根据总有功参考指令、控制参数、有功预测控制模型和无功控制模型，输出分布式机组对应的功率指令。
36.需要说明的是，根据总有功参考指令、控制参数、有功预测控制模型和无功控制模型，输出分布式机组对应的功率指令，通过调度运行人员结合实时更新的机组功率输出能力，制定最优发电控制策略。
37.在本发明实施例中，根据总有功参考指令、控制参数、有功预测控制模型和无功控制模型，输出分布式机组对应的功率指令。
38.在本发明实施例中，通过获取总有功参考指令、电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络；通过神经网络对电源运行数据和机组模型数据执行特征提取操作，确定控制参数；采用预设动态模型和预设动态模型中的动态函数，构建有功预测控制模型；根据预设电气距离维度和控制参数，构建无功控制模型；根据总有功参考指令、控制参数、有功预测控制模型和无功控制模型，输出分布式机组对应的功率指令，解决了鉴于该能力的缺失，常规的快速功率控制方法很难得到最优解，存在新能源机组快速功率控制能力的控制效率低的技术问题，有效地提高了新能源机组快速功率控制能力的控制效率。
39.请参阅图3，图3为本发明实施例二提供的一种分布式机组功率控制方法的步骤流程图。
40.本发明提供的一种分布式机组功率控制方法，包括：步骤301、获取总有功参考指令、电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络。
41.在本发明实施例中，获取总有功参考指令、电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络。
42.步骤302、通过神经网络对电源运行数据和机组模型数据执行特征提取操作，确定控制参数。
43.在本发明实施例中，通过神经网络对电源运行数据和机组模型数据执行特征提取操作，确定控制参数。
44.步骤303、采用预设动态模型和预设动态模型中的动态函数，构建有功预测控制模型。
45.需要说明的是，预设动态模型为dfig机械传动部分的动态模型，dfig机械传动部分的动态模型具体为：；式中，t表示时间；表示机械转速；j
t
表示惯性系数；表示电磁转速；pm表示风力机的机械功率；pg表示电磁功率；表示空气密度；r表示风力机叶片半径；c
p
表示风能利用系数；表示叶尖速比；表示桨叶节距角；vw表示风速；p
wtref
表示风力发电机输出有功功率参考值。
46.预设动态模型依赖于动态函数，动态函数具体为：
；式中，i表示第i台风力发电机；表示动态函数；表示叶尖速比；表示桨叶节距角。
47.进一步地，步骤303可以包括以下子步骤：步骤s31、对动态函数执行线性化操作，确定动态线性函数。
48.需要说明的是，考虑到的动态过程比ωr的动态过程慢很多，可近似将简化为一个线性函数，即对动态函数执行线性化操作，确定动态线性函数。
49.动态线性函数具体为：;式中，ω
ri
表示第i台风力发电机的电磁转速；ai表示一次项系数；bi表示常数项系数。
50.在本发明实施例中，对动态函数执行线性化操作，确定动态线性函数。
51.步骤s32、对动态线性函数和动态模型执行方程离散化操作，构建有功预测控制模型。
52.需要说明的是，结合动态线性函数和动态模型，并将其方程离散化，得到有功预测控制模型。
53.有功预测控制模型具体为：；式中，表示在时刻的第i台风力发电机的状态变量；k表示采样时刻；m为预测时刻；hi表示第一常数，；zi表示第二常数，；u
m，wfi
(k)表示在k时刻的第i台风力发电机的控制变量；tm表示采样周期；n
wf
表示风力发电机数量；hm表示控制时域；j
t
表示惯性系数；表示在时刻的第i台风力发电机的状态变量；表示k时刻的第i台风力发电机的状态变量；表示空气密度；r表示风力机叶片半径；vw表示风速；ai表示一次项系数；bi表示常数项系数。
54.在本发明实施例中，对动态线性函数和动态模型执行方程离散化操作，构建有功预测控制模型。
55.步骤304、根据预设电气距离维度和控制参数，构建无功控制模型。
56.需要说明的是，控制参数包括：有功控制约束能力上限、多个无功裕度值和无功控制响应速度能力上限（毫秒级响应和秒级响应），进而对控制方法中的参数进行快速更新。
57.进一步地，步骤304可以包括以下子步骤：步骤s41、基于预设电气距离维度和无功控制响应速度能力上限，确定多个无功控制优先级。
58.需要说明的是，无功控制响应速度能力上限指的是无功源响应速度维度，其可根据现阶段发电机组控制类型分为毫秒级响应和秒级响应，按照两个维度将系统无功源划分为四个无功控制优先级，即无功控制优先级控制对象lv0、lv1、lv2、lv3，其分别代表直接接入快速响应型、直接接入慢速响应型、间接接入快速响应型、间接接入慢速响应型。
59.在本发明实施例中，基于预设电气距离维度和无功控制响应速度能力上限，确定多个无功控制优先级。
60.步骤s42、计算全部无功裕度值的和值，确定总无功可控裕度。
61.总无功可控裕度的计算公式为：；式中，为第i个风力发电机无功裕度值；表示总无功可控裕度；n
wf
表示风力发电机数量。
62.在本发明实施例中，计算全部无功裕度值的和值，确定总无功可控裕度。
63.步骤s43、基于总无功可控裕度，确定调控总指令值。
64.需要说明的是，根据总无功可控裕度制定下发调控总指令值，即上级电网下发的调控总指令值，调控总指令值具体为：；式中，表示总无功可控裕度；表示调控总指令值。
65.在本发明实施例中，基于总无功可控裕度，确定调控总指令值。
66.步骤s44、根据各个无功控制优先级、总无功可控裕度和调控总指令值，构建无功控制模型。
67.需要说明的是，相比于有功预测控制模型需要考虑转子运动微分方程，无功控制模型相对简单，只需关注无功稳态值的分配，无功控制模型具体为：；式中，为第i个风力发电机的无功裕度值；表示总无功可控裕度；表示各风力发电机i分配到的无功功率指令；表示调控总指令值。
68.在本发明实施例中，根据各个无功控制优先级、总无功可控裕度和调控总指令值，
构建无功控制模型。
69.步骤305、根据有功控制约束能力上限、有功预测控制模型和总有功参考指令，输出分布式机组对应的有功功率指令。
70.进一步地，步骤305可以包括以下子步骤：步骤s51、基于有功控制约束能力上限，确定有功控制约束条件。
71.需要说明的是，风电场站的输出需要满足一定的限制，不能超过最大风力发电量，作为有功控制约束能力上限，在神经网络中进行实时更新，故约束条件表示如下：；式中，表示第i台风力发电机的有功输出，表示第i台风力发电机的有功输出上限。
72.在本发明实施例中，基于有功控制约束能力上限，确定有功控制约束条件。
73.步骤s52、基于预设最大捕获风能能量，并通过有功预测控制模型执行总有功参考指令，确定目标函数。
74.需要说明的是，预设最大捕获风能能量通过各个新能源机组进行获取，风电场站快速有功控制器不仅要保证参考功率指令p
wfref
在多个风机中按照各自最大捕获风能的情况分配，还要保证多个风机的总输出功率与p
wfref
相等。但考虑到风机运行的低风速工况和稳定性要求，完全精确的功率分配难以实现，所以引入松弛变量来将相关控制约束进行松弛处理，同时将松弛变量引入到目标函数中来确保约束的最小化松弛。
75.目标函数具体为：；式中，表示目标函数值；αm表示权衡系数；ξ
m,wfi
(k+m-1|k)表示松弛变量；表示所需调节的总有功参考指令；n
wf
表示风力发电机数量；hm表示控制时域；表示在时刻的第i台风力发电机的控制变量；表示最大捕获风能能量；i表示第i台风力发电机；m表示预测时刻;表示按最大捕获风能能量计算分配的有功值。
76.在本发明实施例中，基于预设最大捕获风能能量，并通过有功预测控制模型执行
总有功参考指令，确定目标函数。
77.步骤s53、根据目标函数、有功预测控制模型和有功控制约束条件，输出分布式机组对应的有功功率指令。
78.在本发明实施例中，根据目标函数、有功预测控制模型和有功控制约束条件，输出分布式机组对应的有功功率指令。
79.步骤306、根据调控总指令值、各个无功控制优先级和无功控制模型，输出分布式机组对应的无功功率指令。
80.进一步地，步骤306可以包括以下子步骤：步骤s61、采用多个无功裕度值计算对应的无功控制优先级的多维度无功裕度。
81.需要说明的是，多维度新能源场站无功可控裕度，即多维度无功裕度可以通过对各个优先级控制对象进行累计进行获取，通过确定无功控制优先级和计算无功控制裕度之后，可依此顺序分配无功。多维度无功裕度的计算公式为：；式中，为第i个无功控制优先级的控制对象lvi的无功裕度，n
wfi
为第i个无功控制优先级的控制对象的数量。
82.在本发明实施例中，采用多个无功裕度值计算对应的无功控制优先级的多维度无功裕度。
83.步骤s62、基于多维度无功裕度，并通过无功控制模型执行调控总指令值，输出分布式机组对应的无功功率指令。
84.需要说明的是，基于划分的各优先级容量，各风力发电机i分配到的无功功率指令，原则上已经经过总裕度容量的约束，故不再考虑的情况。利用响应速度的优劣势对新能源机组进行区分，优先采用响应速度较快的机组进行无功快速控制，方法简洁有效。
85.无功功率指令的计算公式为：；
式中，表示各风力发电机i分配到的无功功率指令；为第1个无功控制优先级的控制对象lv1的多维度无功裕度；表示调控总指令值；表示无功控制优先级的控制对象lv1的功率分配系数。
86.在本发明实施例中，基于多维度无功裕度，并通过无功控制模型执行调控总指令值，输出分布式机组对应的无功功率指令。
87.在本发明实施例中，通过获取总有功参考指令、电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络；通过神经网络对电源运行数据和机组模型数据执行特征提取操作，确定控制参数；采用预设动态模型和预设动态模型中的动态函数，构建有功预测控制模型；根据预设电气距离维度和控制参数，构建无功控制模型；根据总有功参考指令、控制参数、有功预测控制模型和无功控制模型，输出分布式机组对应的功率指令，解决了鉴于该能力的缺失，常规的快速功率控制方法很难得到最优解，存在新能源机组快速功率控制能力的控制效率低的技术问题，有效地提高了新能源机组快速功率控制能力的控制效率。
88.请参阅图4，图4为本发明实施例三提供的一种分布式机组功率控制装置的结构框图。
89.本发明实施例提供一种分布式机组功率控制装置，包括：获取数据模块401，用于获取总有功参考指令、电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络。
90.特征提取模块402，用于通过神经网络对电源运行数据和机组模型数据执行特征提取操作，确定控制参数。
91.构建有功模型模块403，用于采用预设动态模型和预设动态模型中的动态函数，构建有功预测控制模型。
92.构建无功模型模块404，用于根据预设电气距离维度和控制参数，构建无功控制模型。
93.输出指令模块405，用于根据总有功参考指令、控制参数、有功预测控制模型和无功控制模型，输出分布式机组对应的功率指令。
94.进一步地，构建有功模型模块403包括：确定线性函数子模块，用于对动态函数执行线性化操作，确定动态线性函数。
95.构建第一模型子模块，用于对动态线性函数和动态模型执行方程离散化操作，构建有功预测控制模型。
96.有功预测控制模型具体为：；式中，表示在时刻的第i台风力发电机的状态变量；k表
示采样时刻；m为预测时刻；hi表示第一常数，；zi表示第二常数，；u
m，wfi
(k)表示在k时刻的第i台风力发电机的控制变量；tm表示采样周期；n
wf
表示风力发电机数量；hm表示控制时域；j
t
表示惯性系数；表示在时刻的第i台风力发电机的状态变量；表示k时刻的第i台风力发电机的状态变量；表示空气密度；r表示风力机叶片半径；vw表示风速；ai表示一次项系数；bi表示常数项系数。
97.进一步地，构建无功模型模块404包括：确定优先级子模块，用于基于预设电气距离维度和无功控制响应速度能力上限，确定多个无功控制优先级。
98.确定总裕度子模块，用于计算全部无功裕度值的和值，确定总无功可控裕度。
99.确定总指令值子模块，用于基于总无功可控裕度，确定调控总指令值。
100.构建第二模型子模块，用于根据各个无功控制优先级、总无功可控裕度和调控总指令值，构建无功控制模型。
101.无功控制模型具体为：；式中，为第i个风力发电机的无功裕度值；表示总无功可控裕度；表示各风力发电机i分配到的无功功率指令；表示调控总指令值。
102.进一步地，输出指令模块405包括：输出有功指令子模块，用于根据有功控制约束能力上限、有功预测控制模型和总有功参考指令，输出分布式机组对应的有功功率指令。
103.输出无功指令子模块，用于根据调控总指令值、各个无功控制优先级和无功控制模型，输出分布式机组对应的无功功率指令。
104.进一步地，输出有功指令子模块包括：确定约束条件单元，用于基于有功控制约束能力上限，确定有功控制约束条件。
105.确定目标函数单元，用于基于预设最大捕获风能能量，并通过有功预测控制模型执行总有功参考指令，确定目标函数。
106.第一输出单元，用于根据目标函数、有功预测控制模型和有功控制约束条件，输出分布式机组对应的有功功率指令。
107.目标函数具体为：
；式中，表示目标函数值；αm表示权衡系数；ξ
m,wfi
(k+m-1|k)表示松弛变量；表示所需调节的总有功参考指令；n
wf
表示风力发电机数量；hm表示控制时域；表示在时刻的第i台风力发电机的控制变量；表示最大捕获风能能量；i表示第i台风力发电机；m表示预测时刻;表示按最大捕获风能能量计算分配的有功值。
108.进一步地，输出无功指令子模块包括：计算多维度裕度单元，用于采用多个无功裕度值计算对应的无功控制优先级的多维度无功裕度。
109.第二输出单元，用于基于多维度无功裕度，并通过无功控制模型执行调控总指令值，输出分布式机组对应的无功功率指令。
110.无功功率指令的计算公式为：；式中，表示各风力发电机i分配到的无功功率指令；为第1个无功控制优先级的控制对象lv1的多维度无功裕度；表示调控总指令值；表示无功控制优先级的控制对象lv1的功率分配系数。
111.在本发明实施例中，通过获取总有功参考指令、电源运行数据和机组模型数据，并将电源运行数据和机组模型数据输入预设神经网络；通过神经网络对电源运行数据和机组模型数据执行特征提取操作，确定控制参数；采用预设动态模型和预设动态模型中的动态
函数，构建有功预测控制模型；根据预设电气距离维度和控制参数，构建无功控制模型；根据总有功参考指令、控制参数、有功预测控制模型和无功控制模型，输出分布式机组对应的功率指令，解决了鉴于该能力的缺失，常规的快速功率控制方法很难得到最优解，存在新能源机组快速功率控制能力的控制效率低的技术问题，有效地提高了新能源机组快速功率控制能力的控制效率。
112.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块、子模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
113.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
114.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
115.另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
116.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
117.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。