基于频率预测的风机预储能联合调频方法及系统

技术领域

本发明涉及新能源电力系统综合调频的技术领域，尤其涉及一种基于频率预测的风机预储能联合调频方法、系统、计算机设备及可读存储介质。

背景技术

电网频率是电能质量的重要指标，维持频率的稳定是保障庞大的电力系统能够安全稳定运行的前提。如若频率上升或跌落至允许的范围以外，会对并网的设备产生损害，严重时甚至可能会造成电网的解列和瘫痪。传统的火电机组的同步发电机直接与电网耦合，电网的频率变化可以被实时感知，机组自动分担扰动功率释放惯量抵制频率的变化，结合一次调频动作将频率恢复至允许范围内，为电网提供频率支撑。而风力发电机组因为发电机组的固有特性，与电网解耦不能直接响应频率变化，一旦发生频率扰动，难以直接提供频率支撑。

在能源行业转型的背景下，风力发电机组在电力系统中的占比逐步增大，全球风能理事会(GWEC)发布的《2022年全球风能报告》中的数据显示，2021年全球风电产业新增93.6GW的装机容量，累计装机总量达到837GW。我国在2021年风电新增47.57GW的并网装机容量，已经超过全球新装机量的50％，累计总装机容量突破了300GW。风力发电机组在电力系统中的占比持续增长，由此引入的频率支撑能力不足的问题，必然对电网的持续稳定安全运行带来重大挑战。

发明内容

本发明提供了一种基于频率预测的风机预储能联合调频方法、系统、计算机设备及可读存储介质，以解决应对风力发电机组在电力系统中的高占比引入的频率支撑能力不足的技术问题，利用频率预测和提前储能的方法在需要调频时快速提供调频支撑，为电力系统持续稳定安全运行提供保障。

为解决上述技术问题，第一方面，本发明实施例提供了一种基于频率预测的风机预储能联合调频方法，所述方法包括：

设定标准调频频率曲线及所述标准调频频率曲线对应的第一关键特征参数；

基于风机历史频率扰动发生前后第一特定时间段内的电网数据，采用CNN算法构建频率预测模型；

实时监测电力系统频率波动情况，当当前频率偏离标准频率时，将风机标记为扰动状态，并将扰动发生前后第一特定时间段内的电网数据输入所述频率预测模型进行预测，得到频率预测曲线和所述频率预测曲线对应的第二关键特征参数；

采用相对偏差算法计算所述第一关键特征参数和第二关键特征参数之间的偏差值；

判断所述偏差值是否小于偏差阈值，若不小于则将风机标记为预储能准备状态，并在所述预储能准备状态下实时监测频率变化，当频率的变化量超过预储能频率阈值时，将风机标记为储能状态并执行储能动作；

当风机在所述储能状态下，且频率的变化量超过应响应调频的死区限值时，将风机标记为调频状态，执行调频动作，直至频率恢复到标准频率；所述调频动作包括：预储能联合一次调频控制。

在进一步实施方式中，所述并在所述预储能准备状态下实时监测频率变化，还包括：

在第二特定时间段内所述频率的变化量不超过所述预储能频率阈值，则将所述风机状态重新标记为扰动状态；

当风机在所述储能状态下，还包括：

在第三特定时间段内所述频率的变化量不超过所述应响应调频的死区限值，则将所述风机状态重新标记为预储能准备状态。

在进一步实施方式中，所述关键特征参数包括：初始频率变化率，频率最大偏移量、频率稳态值和频率最大偏移量出现时间。

在进一步实施方式中，所述采用相对偏差算法计算所述第一关键特征参数和第二关键特征参数之间的偏差值的方法，包括：

将所述第一关键特征参数组成第一矩阵，将所述第二关键特征参数组成第二矩阵，根据第一矩阵和第二矩阵计算所述第一关键特征参数与第二关键特征参数之间的偏差值；

所述偏差值为：

其中，O(i)表示第一矩阵的第i个元素，X(i)表示第二矩阵的第i个元素，i＝1～4；

所述第一矩阵的第四个元素为标准调频频率曲线的频率最大偏移量出现时间；

所述第二矩阵的第四个元素为频率预测曲线的频率最大偏移量出现时间。

在进一步实施方式中，所述偏差阈值为1；所述预储能频率阈值区间为：0

在进一步实施例中，所述储能动作，包括：

在电网频率降低，且频率的变化量超过所述预储能频率阈值时，增加风叶转速提前储存能量；

在电网频率增高时，且频率的变化量超过所述预储能频率阈值时，降低风叶转速提前释放能量。

在进一步实施方式中，所述预储能联合一次调频控制，包括：

在电网频率持续降低，且频率的变化量超过所述应响应调频的死区限值时，按需释放在储能动作中风叶中储存的能量，以及风机一次调频控制可调整的出力，以增大风机出力；

在电网频率持续增高，且频率的变化量超过所述应响应调频的死区限值时，在储能动作已释放一部分风叶中储存的能量的基础上，采用一次调频控制，以继续减小风机出力。

第二方面，本发明实施例提供一种基于频率预测的风机预储能联合调频系统，所述系统包括：

标准调频频率曲线设定单元：用于设定标准调频频率曲线及所述标准调频频率曲线对应的第一关键特征参数；

频率预测模型构建单元：用于基于风机历史频率扰动发生前后第一特定时间段内的电网数据，采用CNN算法构建频率预测模型；

频率预测曲线生成单元：用于实时监测电力系统频率波动情况，当当前频率偏离标准频率时，将风机标记为扰动状态，并将扰动发生前后第一特定时间段内的电网数据输入所述频率预测模型进行预测，得到频率预测曲线和所述频率预测曲线对应的第二关键特征参数；

偏差值计算单元：用于采用相对偏差算法计算所述第一关键特征参数和第二关键特征参数之间的偏差值；

储能控制单元：用于判断所述偏差值是否小于偏差阈值，若不小于则将风机标记为预储能准备状态，并在所述预储能准备状态下实时监测频率变化，当频率的变化量超过预储能频率阈值时，将风机标记为储能状态并执行储能动作；

调频控制单元：用于当风机在所述储能状态下，且频率的变化量超过应响应调频的死区限值时，将风机标记为调频状态，执行调频动作，直至频率恢复到标准频率；所述调频动作包括：预储能联合一次调频控制。

第三方面，本发明实施例提供一种计算机设备：包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并可以将存储的数据传输给处理器，处理器可以执行存储器存储的程序指令，以执行如上述权利要求中任一项所述的方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如以上权利要求任一项所述的方法。

本发明实施例提供了一种基于频率预测的风机预储能联合调频方法、系统、计算机设备及计算机存储介质。本申请实时监测电力系统频率波动情况，当当前频率偏离标准频率时，将风机标记为扰动状态，并将扰动发生前后第一特定时间段内的电网数据输入基于CNN算法构建的频率预测模型预测频率的变化趋势，通过相对偏差算法计算频率预测曲线与标准调频频率曲线偏差值，设定储能动作，以及预储能联合一次调频控制的频率约束条件，以及风机状态切换的阈值约束条件，依据真实频率变化满足约束条件的情况判断是否将风机标记为不同状态，并执行相应的动作。其中，在电网频率降低(增高)，且风机处在储能状态时，增加(降低)风叶转速提前储存(释放)能量，当电网频率持续变化，风机处在调频状态时，采取一次调频控制，按需释放在储能动作中风叶中存储的能量，以及风机一次调频控制可调整的出力，以增大风机出力；在储能动作已释放一部分风叶中储存的能量的基础上，采用一次调频控制，以继续减小风机出力，快速完成风机一次调频控制。相比于现有风力发电机调频技术方案，本发明能快速的为电网频率变化提供支撑，提升电网频率支撑能力，更加经济、高效，预储能联合一次调频控制策略能快速、准确的为电网提供频率响应，避免频率不稳定时，风机频繁动作，更具有安全性和稳定性，提高发电效率和经济收益。

附图说明

图1是本发明实施例所提供的基于频率预测的风机预储能联合调频方法流程示意图；

图2是本发明实施例所提供的基于频率预测的风机预储能联合调频方法流程示意简图；

图3是本发明实施例所提供的标准调频频率曲线及其对应的关键特征参数示意图；

图4是本发明实施例所提供的频率预测曲线及其对应的关键特征参数；

图5是本发明实施例所提供的基于频率预测的风机预储能联合调频系统示意图；

图6是本发明实施例所提供的一种计算机设备示意图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一实施例

请参阅图1和图2，在本发明的实施例中，一种基于频率预测的风机预储能联合调频方法，所述方法包括：

S1、设定标准调频频率曲线及所述标准调频频率曲线对应的第一关键特征参数。

S2、基于风机历史频率扰动发生前后第一特定时间段内的电网数据，采用CNN算法构建频率预测模型。

S3、实时监测电力系统频率波动情况，当当前频率偏离标准频率时，将风机标记为扰动状态，并将扰动发生前后第一特定时间段内的电网数据输入所述频率预测模型进行预测，得到频率预测曲线和所述频率预测曲线对应的第二关键特征参数。

如图3所示，本发明实施例中的标准调频频率曲线为频率变化需调频情况下的标准调频频率曲线，由技术人员根据当地调度、电厂的实际情况和要求自行设定。标准调频频率曲线所对应的关键特征参数包括：初始频率变化率，频率最大偏移量、频率最大偏移量出现时间和频率稳态值，设定为第一关键特征参数。

初始频率变化率(rate of change of frequency,RoCoF)的计算公式为：

RoCoF＝d/dt，

其中，d是频率f的微分，d是时间t的微分，指频率曲线在t

频率最大偏移量为电力系统在扰动发生后的最低频率，如果过低会引起发电机组的频率保护动作，若不及时实行频率控制策略可能会导致电力系统频率崩溃。

频率最大偏移量出现时间表示频率变化的紧急程度。

频率稳态值为电力系统在扰动发生后逐渐过渡到新的稳定状态达到的频率。

在本发明实施例中，采用一种基于CNN(Conventional Neural Network，CNN)算法的具有卷积结构的深度神经网络，根据风机历史频率扰动发生前后第一特定时间段内的电网数据构建频率预测模型。该深度神经网络由卷积层、下采样层、全连接层等结构组成，特征提取能力和泛化能力强，通过局部感受野、权值共享和下采样解决了传统全连接神经网络在大量参数下训练速度慢的问题。在实际的电力系统受到扰动后，频率的动态变化会从扰动点向四周传播，电网节点数据具有空间相关的特性。相对于浅层结构的机器学习算法，CNN更适合处理高维复杂且空间相关性强的真实电网数据。

实时监测电力系统频率波动情况，当当前频率偏离标准频率时，表明风机发生扰动，将风机标记为扰动状态。本发明实施例中的标准频率指相对电网稳定时应达到的频率，标准频率f

如图4所示为频率预测曲线及其对应的关键特征参数，频率预测曲线所对应的关键特征参数也包括：初始频率变化率，频率最大偏移量、频率最大偏移量出现时间和频率稳态值，设定为第二关键特征参数。

在本发明实施例中，如图3和图4所示，分别用RoCoF′、Δf′

S4、采用相对偏差算法计算所述第一关键特征参数和第二关键特征参数之间的偏差值。

S5、判断所述偏差值是否小于偏差阈值，若不小于则将风机标记为预储能准备状态，并在所述预储能准备状态下实时监测频率变化，当频率的变化量超过预储能频率阈值时，将风机标记为储能状态并执行储能动作。

S6、当风机在所述储能状态下，且频率的变化量超过应响应调频的死区限值时，将风机标记为调频状态，执行调频动作，直至频率恢复到标准频率；所述调频动作包括：预储能联合一次调频控制。

在本发明实施例中，采用相对偏差算法判断频率预测曲线与标准调频频率曲线的符合程度。将频率预测曲线与标准调频频率曲线中的关键特征参数进行比较，获取偏差值，以此表示频率预测曲线与标准调频频率曲线的符合程度。设定标准调频频率曲线的关键特征参数构成第一矩阵，设定第一矩阵为O，频率预测曲线的关键特征参数构成第二矩阵，设定第二矩阵为X，则：

X＝[|RoCoF|,f

不同特征参数具有不同的量纲单位，而且量级较小的数据(例如：频率)偏差如果与量级较大的数据(例如：时间)在同一维度比较，可能会低估了小量级数据的扰动程度(例如：0.1Hz的频率偏差可能比1 s的时间偏差给系统带来了更大的扰动)。为了消除指标之间的量纲和量级的影响，按照第二关键特征参数与第一关键特征参数的倍数关系，以比例的形式计算偏差值。

偏差值的具体计算公式为：

其中，X(i)表示X矩阵的第i个元素，O(i)表示O矩阵的第i个元素，i＝1～4。

第一项X(1)/O(1)表示频率预测曲线的|RoCoF|与标准调频频率曲线的|RoCoF′|的倍数关系，因为标准调频频率曲线的关键特征参数表示的含义是能够容忍的最大数值，所以这个比值用来衡量频率预测曲线的关键特征参数超出标准的程度。RoCoF和′加绝对值是因为斜率数值越大说明曲线越陡峭，说明曲线的变化很大，但是斜率的正负不影响这个判断。同理，第二项X(2)/O(2)

表示频率预测曲线的Δf

X(3)/O(3)表示频率预测曲线的Δf

与前三个不同，第四项是O(4)/X(4)而非X(4)/O(4)，表示标准调频频率曲

线的t

在本发明实施例中，偏差阈值为1，则：

上式表示如果偏差值超过1，说明频率波动超过应调频的界限，将此时风机状态标记为预储能准备状态S

若风机处于预储能准备状态S

Δf

在本发明实施例中，预储能频率阈值Δf

所述储能动作，是利用在频率的变化量处于预储能频率阈值Δf

当风机在所述预储能准备状态下，在第二特定时间段内频率的变化量不超过预储能频率阈值Δf

在本发明实施例中，预储能频率阈值Δf

持续实时监测频率变化，当风机在所述储能状态下，且频率的变化量超过应响应调频的死区限值时，将风机标记为调频状态，执行调频动作，直至频率恢复到标准频率。

应响应调频的死区限值Δf

此外，Δf

风力发电的一次调频控制策略可采用全风速调频控制方法进行调频，指在不同风速下，按照功率变换的需求结合变桨控制和超速控制方法控制风机的有功出力。在中低风速下，采用超速控制方法，改变转速使得风机运行功率曲线偏离或靠近功率最大点，减小或增加有功出力；在高风速下，采用变桨控制方法，增大或减小桨距角实现风机出力的减小或增大，最终达到在全风速场景下快速进行功率变换实现一次调频的效果。

在本申请实施例中，采用的是预储能联合一次调频控制策略，即在本申请储能动作的前提下，结合全风速调频控制方法，此时调频控制调整的出力不仅包括全风速调频控制方法本身可以调整的出力，还包括在之前储能动作中储存的出力，所以可以释放更多出力或仅需增加少部分出力，因此实现了一次调频控制的快速响应。具体为：在电网频率持续降低，且频率的变化量超过所述应响应调频的死区限值时，按需释放在储能动作中风叶中储存的能量，以及风机一次调频控制可调整的出力，以增大风机出力；在电网频率持续增高，且频率的变化量超过所述应响应调频的死区限值时，在储能动作已释放一部分风叶中储存的能量的基础上，采用一次调频控制，以继续减小风机出力。

在风机处于储能状态S

与现有风力发电机调频技术方案相比，本发明技术方案具有以下优点：

1)通过提前预测频率变化和设定不同的约束条件，确定是否要进行风叶储能动作，为可能出现的调频行为提前做准备。这种在调频动作执行之前就提前进行储能动作的风叶预储能方法，可以在风电场保持原有出力保障高效正常运行的基础上，为频率变化提供支撑，提升电网频率支撑能力。此外，相比较需要额外增加蓄电池储能的方案，直接对风叶转速调节实现机械能的存储和释放，更加经济和高效。

2)风叶预储能方法结合全风速调频控制的预储能联合一次调频控制策略，实现在频率超过应响应调频的死区限值的时候快速的释放或吸收能量，提高调频动作性能。相较传统的只进行调频控制的方法，能更快速和准确的为电网提供频率响应，提高新能源场景下电力系统的调频性能，以及安全性和稳定性。

3)定义不同条件下风机的状态，和需要进行相应动作的约束条件，指定不同状态之间相互转换的策略，可以在满足调频需要和电网安全运行的基础上，实现快速变化和调整。避免频率不稳定时，风机需要频繁动作而影响发电效率带来的经济损失，提高发电效率和经济收益。

第二实施例

相应地，如图5所示，基于一种基于频率预测的风力发电机预储能联合调频方法，本发明实施例还提供一种基于频率预测的风力发电机预储能联合调频系统，所述系统包括：

标准调频频率曲线设定单元1：用于设定标准调频频率曲线及所述标准调频频率曲线对应的第一关键特征参数；

频率预测模型构建单元2：用于基于风机历史频率扰动发生前后第一特定时间段内的电网数据，采用CNN算法构建频率预测模型；

频率预测曲线生成单元3：用于实时监测电力系统频率波动情况，当当前频率偏离标准频率时，将风机标记为扰动状态，并将扰动发生前后第一特定时间段内的电网数据输入所述频率预测模型进行预测，得到频率预测曲线和所述频率预测曲线对应的第二关键特征参数；

偏差值计算单元4：用于采用相对偏差算法计算所述第一关键特征参数和第二关键特征参数之间的偏差值；

储能控制单元5：用于判断所述偏差值是否小于偏差阈值，若不小于则将风机标记为预储能准备状态，并在所述预储能准备状态下实时监测频率变化，当频率的变化量超过预储能频率阈值时，将风机标记为储能状态并执行储能动作；

调频控制单元6：用于当风机在所述储能状态下，且频率的变化量超过应响应调频的死区限值时，将风机标记为调频状态，执行调频动作，直至频率恢复到标准频率；所述调频动作包括：预储能联合一次调频控制。

关于一种基于频率预测的风机预储能联合调频系统的具体限定可以参见上述对于一种基于频率预测的风机预储能联合调频方法的限定，此处不再赘述。本领域普通技术人员可以意识到，结合本申请所公开的实施例描述的各个模块和步骤，能够以硬件、软件或者两者结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

第三实施例

如图6所示，本发明实施例提供的一种计算机设备，包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并可以将存储的数据传输给处理器，处理器可以执行存储器存储的程序指令，以执行上述基于频率预测的风机预储能联合调频方法的步骤。

其中，存储器可以包括易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者；处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明，上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。

另外，存储器可以是物理上独立的单元，也可以与处理器集成在一起。

本领域普通技术人员可以理解，图6中示出的结构，仅仅是与本发明申请方案相关的部分结构的框图，并不构成对本发明申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有相同的部件布置。

第四实施例

在一个实施例中，提供了一种计算机可读存储介质，所述存储介质用于存储一个或多个计算机程序，所述一个或多个计算机程序包括程序代码，当所述计算机程序在计算机上运行时，所述程序代码用于执行上述基于频率预测的风机预储能联合调频方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如SSD)等。

本领域技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

本实施例中基于频率预测的风机预储能联合调频方法、系统、计算机设备及计算机存储介质，针对风力发电机组在电力系统中的高占比引入的频率支撑能力不足的技术问题。本申请实时监测电力系统频率波动情况，当当前频率偏离标准频率时，将风机标记为扰动状态，并将扰动发生前后第一特定时间段内的电网数据输入基于CNN算法构建的频率预测模型预测频率的变化趋势，通过相对偏差算法计算频率预测曲线与标准调频频率曲线偏差值，设定储能动作，以及预储能联合一次调频控制的频率约束条件，以及风机状态切换的阈值约束条件，依据真实频率变化满足约束条件的情况判断是否将风机标记为不同状态，并执行相应的动作。其中，在电网频率降低(增高)，且风机处在储能状态时，增加(降低)风叶转速提前储存(释放)能量，当电网频率持续变化，风机处在调频状态时，采取一次调频控制，按需释放在储能动作中风叶中存储的能量，以及风机一次调频控制可调整的出力，以增大风机出力；在储能动作已释放一部分风叶中储存的能量的基础上，采用一次调频控制，以继续减小风机出力，快速完成风机一次调频控制。相比于现有风力发电机调频技术方案，本发明能快速的为电网频率变化提供支撑，提升电网频率支撑能力，更加经济、高效，预储能联合一次调频控制策略能快速、准确的为电网提供频率响应，避免频率不稳定时，风机频繁动作，更具有安全性和稳定性，提高发电效率和经济收益。

以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当理解的是，本发明是说明性的而非限制性的，本发明方法并不局限于上文所述的特定配置，尽管附图示例说明了本发明的一个或多个实例，对于本技术领域的普通技术人员来说，在不脱离本发明精神和原则范围的情况下，所做出的任何修改、同等替换、改进等，均应包含在本发明的权利要求范围之内。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。