基于模型数据混合驱动的风电场并网数字孪生建模方法

本发明涉及大规模双馈风电场并网建模领域，具体为一种基于模型数据混合驱动的风电场并网数字孪生建模方法。

背景技术：

1、随着风电渗透率的增加，以同步电机为主导的电力系统的运行特性会受到动态影响。大规模风电场并网时与外部电网的动态交互容易造成系统失稳，现有风电场功率预测模型对于接入大规模风电场的电力系统各类问题无法进行深入和全面的研究。由于风电发电过程的随机、波动、间歇等性质，加上大规模储能成本过高，导致其风险小频发，因此高精度高模拟度风电功率预测模型成为了促进新能源消纳及保证电网稳定运行的必要需求之一。基于以上原因，提出大规模风电场并网数字孪生建模方法，对于电力系统的稳定运行具有重要意义。

2、数字孪生技术的高速发展为解决电力系统日益复杂的问题提供了新的方向。2003年“数字孪生”首次由grieves m.w.在美国密歇根大学以“digital equivalent to aphysical product”的形式提出。早在2000年卢强院士就提出了数字电力系统的概念，和电力系统数字孪生本质上是一个方向。以业务需求为导向的建模是数字孪生模型发展的基点，增强感知、增强认知、增强智能、增强控制是数字孪生技术在电力行业中的赋能领域。

3、在构建大规模风电场并网中风机模型的研究背景下，目前风电场详细建模主要以等值建模为主，单机等值建模以优化单台等值风机的主导参数动态响应为主，多机等值建模通常以寻找相似运行点来表征同一类风机运行为主。相关等值方法以计算物理特征量构建等效风机和数据驱动训练聚类为主要途径。但相关方法的精确度不足，多机倍乘的误差太大，而详细物理模型算力需求高计算时间长，受到机理模型的限制导致精确度仍旧不足。同时风电场功率输出受到外部环境如风速风向等影响，也受到设备自身磨损及老化等状态影响，仿真系统中的固化模型不具备实时演变的特效，无法满足日益提升的精准度需求；在构建数据驱动风机功率预测模型的需求下，主要研究以部分替代为主，但是现有模型的时效性及算力需求很难满足需求。因此基于上述孪生模型的发展，需要改进风电场的建模方法。

技术实现思路

1、本发明为了解决双馈风机详细模型具有多时间尺度动态和复杂控制环节，导致建模困难，以及现有大规模双馈风电场建模方法所需计算量庞大，且无法精确拟合真实物理系统的问题提供了一种基于模型数据混合驱动的风电场并网数字孪生建模方法。

2、本发明是通过如下技术方案来实现的：一种基于模型数据混合驱动的风电场并网数字孪生建模方法，每台双馈风机采用长短期记忆网络构建数据驱动模型，风电场架构及所并电网选取常用的物理仿真模型，以数字孪生技术实现风机物理模型维护、虚拟数据模型更新的双向反馈，具体包括如下步骤：

3、s1：物理-虚拟空间交互：

4、针对传统新能源仿真建模等效于线性化控制结构的缺陷，避免大规模电网仿真中风机聚类或动态等值而使得电网络反馈与真实值出现较大偏差的问题，引入了数字孪生技术，使物理空间与虚拟空间中的风机实现仿真实时反馈可以在数字孪生电力系统模型中体现出风机间及风机对电网的实际影响。数字孪生包括真实物理空间和虚拟空间两个部分：

5、(1)物理空间

6、真实物理空间中含有大规模风电场的电网系统和dfig详细模型，连接风机模型的电网架构为静态模型，电网架构规模可根据实际情况需求人工增减风机模型；

7、(2)虚拟空间

8、虚拟空间为仿真软件构建的仿真电力系统，将其中的dfig详细模型替换为lstm数据驱动模型，风电场外的电力系统网络使用物理仿真模型构建，采集真实物理空间的风机并网数据对虚拟空间中的数据驱动模型进行数据更新，同时将数据驱动模型的输出数据与真实数据进行比对，风机模型为自适应动态更新的动态模型；

9、(3)物理-虚拟空间交互方式

10、对风机功率预测，以功率指代风机输出外特性，风机功率由风机并网节点三相电压、电流计算所得；考虑物理与虚拟空间之间的衔接，数据驱动模型的输出是信号值，无法直接改变所并节点的电压电流等电气量，因此考虑采用功率可调的功率源来代替风机节点；

11、s2：时序数据处理

12、电力系统中的各种数据基本以时序数据为主，基于lstm和基于门控循环单元的网络，可以在较长持续时间内积累信息，同时解决梯度爆炸和梯度消失的问题。

13、(1)采用lstm进行时序数据处理，其中占比重最大的组成部分是状态单元构建线性自环，权重或相关联的时间常数由遗忘门fi(t)控制，t指时刻，i指细胞，由sigmoid单元将权重设置为0和1之间的值：

14、

15、其中x(t)是当前输入向量，ht是当前隐藏层向量，ht包含所有lstm细胞的输出；bf、uf、wf分别是偏置、输入权重和遗忘门循环权重；

16、(2)lstm细胞内部状态以如下方式更新，其中有一个条件的自环权重fi(t)：

17、

18、其中b、u、w分别是lstm细胞中的偏置、输入权重和循环权重。

19、(3)外部输入门单元以类似遗忘门的方式更新，但有自身的参数：

20、

21、(4)lstm细胞的输出也可选择由输出门关闭即使用sigmoid单元作为门控：

22、

23、

24、其中bo、uo、wo分别是偏置、输入权重和循环权重；

25、s3：基于lstm的双馈风机等值模型

26、(1)输入、输出特征

27、输入特征选取为风速与风机并网点三相电压与电流输出特征为功率prj，同时为了避免输出功率波动较大，将与风速和电压电流相同时刻的功率prj也作为模型的输入特征，其中j为风机编号；

28、(2)数据集预处理

29、最大最小归一化对输入输出数据进行处理，如式(6)所示：

30、

31、其中xmin为样本数据的最小值，xmax为样本数据的最大值，x为原始数据，x*为归一化后的数据；

32、(3)lstm模型构建

33、根据需求选取若干lstm层、dropout层、dense层作为模型框架，确定其中dropout层参数，lstm层隐藏单元，迭代次数和batch-size为64；

34、(4)模型误差评价指标

35、均方根误差：

36、

37、平均绝对误差：

38、

39、式(7)、式(8)中x代表真实值，x*代表预测值，n为样本数量；

40、s4：数字孪生模型更新

41、(1)利用pmu/scada采集风机并网点三相电压电流；

42、(2)利用采集数据更新风机数据驱动模型的输入，并计算采集数据与计算数据误差δp，同时求取特定时间段的平均误差值设定阈值μ与进行比较的同时分析原因；

43、(3)对δp误差判断，如果超过阈值μ，当δp超过设定的阈值时，认为电网出现了故障或扰动，使滚动预测不在原本的轨迹上运行，可以判断为并网点发生远端故障、负荷变动、风速波动等小扰动和近端故障发生、故障切除等大扰动；对误差判断，如果超过阈值表明模型的预测值长期脱离于实际值，需要对风机数据模型进行参数更新，则考虑对数据驱动模型进行更新。

44、与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于模型数据混合驱动的风电场并网数字孪生建模方法，构建了大规模数字孪生双馈风电场并网的电力系统模数混合驱动模型，实现了风机与电网互动反馈的实时更新，降低了算力需求，同时与风机物理实体实时匹配的虚拟模型具备较高的输出精度，满足精细化仿真需求。