本发明属于风力发电，具体涉及基于实时调节能力动态估计的风电场频率控制方法及系统。
背景技术：
1、风电作为一种清洁可再生的能源，在全球范围内得到了快速发展，而风电集群化开发和并网已成为风电建设的主流模式，此种模式下，风电场不再是孤立运行的单元，而是作为一个整体参与到电网中的有功控制和能量管理中，风电集群控制系统因此成为关键，其核心在于如何通过有效的控制策略，实现对风电场出力的精确控制和优化。
2、而风电agc系统是自动发电控制的简称，指在风电场中对接电网的有功功率调度指令，实现自动调节能源场站出力的系统，风电agc系统不仅能够促进风电场优化运行，还显著提高了风电能源在电力市场中的竞争力。
3、中国专利cn114336592b公开了一种基于模型预测控制的风电场agc控制系统，包括电网调控中心、风电场自动发电控制模块、风电场机组，其特征在于：风电场自动发电控制模块包括，模型预测单元、滚动优化单元；电网调控中心给定风电场参考功率输入风电场自动发电控制模块，并输出分配有功控制指令给风电场的风电机组；风电场自动发电控制模块通过模型预测、滚动优化的方式，输出分配有功控制指令，控制风电场机组的出力完成；通过基于模型预测控制的自动发电控制策略，协调风电场内多个风电机组的统一参与有功功率控制，但是现有方法依靠长短期记忆网络对风电场功率进行预测时，面对高度不确定和嘈杂的多源异构数据时，其权重和门控机制的动态变化使得模型的多源异构数据预测评估性能较差，针对上述问题，我们提出了基于实时调节能力动态估计的风电场频率控制方法及系统。
技术实现思路
1、本发明的目的在于针对现有技术的不足之处，提供基于实时调节能力动态估计的风电场频率控制方法及系统，解决了现有方法依靠长短期记忆网络对风电场功率进行预测时，面对高度不确定和嘈杂的多源异构数据时，其权重和门控机制的动态变化使得模型的多源异构数据预测评估性能较差的问题。
2、现有方法依靠长短期记忆网络对风电场功率进行预测时，面对高度不确定和嘈杂的多源异构数据时，其权重和门控机制的动态变化使得模型的多源异构数据预测评估性能较差，针对上述问题，我们提出了基于实时调节能力动态估计的风电场频率控制方法及系统，简而言之，所述方法执行时首先获取多源异构的时序性风电场工作参数，同时结合模糊控制算法和反向传播神经网络构建频率动态估计模型，然后频率动态估计模型识别分析时序性风电场工作参数，输出风电场频率预测序列，最终基于布谷鸟算法结合惯量安全约束计算风电场频率预测序列对应的调频支撑控制参数，风电机组基于调频支撑控制参数执行电网频率主动支撑指令。本发明实施例中，基于多源异构的时序性风电场工作参数构建能够预测风电场电网频率的频率动态估计模型，频率动态估计模型的构建和训练能够保证风电机组基于自身调频责任和频率变换支撑能力快速响应能力，从而克服现有方法依靠长短期记忆网络对风电场功率进行预测时，面对高度不确定和嘈杂的多源异构数据时，其权重和门控机制的动态变化使得模型的多源异构数据预测评估性能较差的问题。
3、本发明是这样实现的，基于实时调节能力动态估计的风电场频率控制方法，所述基于实时调节能力动态估计的风电场频率控制方法包括：
4、获取多源异构的时序性风电场工作参数，其中，所述风电场工作参数包括电网频率信号、风电场环境数据、风电机组功率、风电机组载荷数据、风电机组转子转速、风电机组转子电流和电压数据，对多源异构的风电场工作参数标准化处理，将标准化处理后的风电场工作参数上传至场站数据库；
5、遍历场站数据库，场站数据库随机提取历史工作参数，结合模糊控制算法和反向传播神经网络构建频率动态估计模型，通过历史工作参数迭代训练所述频率动态估计模型；
6、加载时序性风电场工作参数，以时序性风电场工作参数为输入，执行频率动态估计模型，频率动态估计模型识别分析时序性风电场工作参数，输出风电场频率预测序列。
7、获取风电场频率预测序列，基于布谷鸟算法结合惯量安全约束计算风电场频率预测序列对应的调频支撑控制参数，风电机组基于调频支撑控制参数执行电网频率主动支撑指令。
8、优选地，所述结合模糊控制算法和反向传播神经网络构建频率动态估计模型的方法，具体包括：
9、以反向传播神经网络模型作为频率动态估计模型的初始模型，其中，初始模型包括输入层、隐藏层、输出层，在初始模型的输入层内纳入模糊控制机制，输出层、隐藏层、输出层的神经元数分别为5、4、4；
10、采用轻量化预测结构fire module结构改进初始模型的隐藏层，设置隐藏层的损失函数和激活函数，得到改进后的初始模型；
11、加载历史工作参数，基于奇异谱分解法对历史工作参数分解，得到参数分解集，将参数分解集按比例分为训练集和测试集；
12、设置初始权重和判定阈值，基于模糊控制算法对初始权重和判定阈值优化，获得最优权重和最优阈值；
13、获取训练集，初始模型采用levenberg-marquardt算法对训练集进行迭代训练，直至初始模型收敛，最大训练次数为800次，初始学习率设置为0.01；
14、获取测试集，基于测试集测试所述初始模型的评估精度，若评估精度符合预设精度阈值，输出频率动态估计模型。
15、优选地，所述频率动态估计模型识别分析时序性风电场工作参数，输出风电场频率预测序列的方法，具体包括：
16、获取时序性风电场工作参数，采用奇异谱分解法对时序性风电场工作参数进行分解，得到参数分解集；
17、其中，通过下式计算参数分解集：
18、（1）
19、其中，为参数分解向量，为采用奇异谱分解法对时序性风电场工作参数的分解系数，为奇异谱分解窗口长度，为时序性风电场工作参数；
20、（2）
21、其中，为时序性风电场工作参数的数据维度，为时序性风电场工作参数初始权重，为时序性风电场工作参数采集时间；
22、加载参数分解集，输入层中模糊控制机制基于参数分解集构建参数模糊集，计算参数模糊集的预测置信度；
23、隐藏层获取参数模糊集及对应的预测置信度，隐藏层中的轻量化预测结构firemodule结构基于参数模糊集、预测置信度构造频率参数转换函数；
24、其中，频率参数转换函数表示为：
25、（5）
26、其中，为预测下一时刻的频率转换系数，为频率参数转换函数的变换系数，为参数模糊集中数据数量，为个频率离散场景，为参数模糊集的输入值；
27、基于频率转换系数输出下一时刻的风电场预测频率，整合所述风电场预测频率，输出风电场频率预测序列；
28、其中，风电场预测频率通过以下公式计算：
29、（6）
30、其中，为风电场预测频率，为预测下一时刻的频率转换系数。
31、优选地，构建参数模糊集时，基于不同偏差水平下的置信度约束构建，置信度约束为：
32、（3）
33、其中，为置信度聚类约束，为参数模糊集的数据个数，为个频率离散场景，为参数分解集对应的场景概率，为参数分解集的初始场景概率值，为场景概率分布偏差总和上限，为场景概率分布偏差允许的上限；
34、其中，参数模糊集的预测置信度通过下式计算：
35、（4）
36、其中，为参数模糊集的预测置信度。
37、优选地，所述基于布谷鸟算法结合惯量安全约束计算风电场频率预测序列对应的调频支撑控制参数的方法，具体包括：
38、获取风电场频率预测序列，基于惯量安全约束计算风电场频率预测序列对应的风电机组约束功率；
39、加载风电机组约束功率，基于布谷鸟算法和风电机组约束功率对风电机组进行风电贡献率和调频能力因子参数寻优；
40、其中，风电贡献率寻优函数表示为：
41、（10）
42、其中，为风电贡献率，为当前风电机组的权重系数，为寻优常量，为当前风电机组与风电场中心机组的距离，为风电场中心的空间半径，为以当前风电机组与风电场中心的空间半径的距离；
43、调频能力因子寻优函数表示为：
44、（11）
45、其中，为调频能力因子。
46、获取风电机组最优的风电贡献率和调频能力因子，基于风电贡献率和调频能力因子计算风电机组对应的调频责任系数；
47、获取调频责任系数，基于调频责任系数生成一次调频和无功调压指令，风电机组响应于一次调频和无功调压指令，执行电网频率主动支撑指令。
48、优选地，风电机组约束功率满足以下惯量安全约束：
49、（7）
50、其中，为风电机组调频时段，为实际功率调整量，为调频时间段内风电机组约束功率，分别为最小功率调整量和最大功率调整量；
51、（8）
52、其中，为上一时刻风电机组约束功率，为风电机组数量，为风电机组调频功率系数；
53、（9）
54、其中，为风电机组调频功率系数，为风电机组风轮旋转角速度，为风电机组叶片半径，为风电机组叶片数量，为风速，为风电机组转子转动惯量。
55、本发明还提供了基于实时调节能力动态估计的风电场频率控制系统，所述基于实时调节能力动态估计的风电场频率控制系统，具体包括：
56、参数获取模块，用于获取多源异构的时序性风电场工作参数，对多源异构的风电场工作参数标准化处理，将标准化处理后的风电场工作参数上传至场站数据库；
57、频率动态估计模块，用于遍历场站数据库，场站数据库随机提取历史工作参数，结合模糊控制算法和反向传播神经网络构建频率动态估计模型，通过历史工作参数迭代训练所述频率动态估计模型；
58、频率预测模块，用于加载时序性风电场工作参数，以时序性风电场工作参数为输入，执行频率动态估计模型，频率动态估计模型识别分析时序性风电场工作参数，输出风电场频率预测序列；
59、支撑控制模块，用于获取风电场频率预测序列，基于布谷鸟算法结合惯量安全约束计算风电场频率预测序列对应的调频支撑控制参数，风电机组基于调频支撑控制参数执行电网频率主动支撑指令。
60、优选地，所述支撑控制模块包括：
61、功率预测单元，用于获取风电场频率预测序列，基于惯量安全约束计算风电场频率预测序列对应的风电机组约束功率；
62、参数寻优单元，用于加载风电机组约束功率，基于布谷鸟算法和风电机组约束功率对风电机组进行风电贡献率和调频能力因子参数寻优；
63、责任系数计算单元，用于获取风电机组最优的风电贡献率和调频能力因子，基于风电贡献率和调频能力因子计算风电机组对应的调频责任系数；
64、支撑指令执行单元，用于获取调频责任系数，基于调频责任系数生成一次调频和无功调压指令，风电机组响应于一次调频和无功调压指令，执行电网频率主动支撑指令。
65、与现有技术相比，本技术实施例主要有以下有益效果：
66、本发明实施例中，基于多源异构的时序性风电场工作参数构建能够预测风电场电网频率的频率动态估计模型，频率动态估计模型的构建和训练能够保证风电机组基于自身调频责任和频率变换支撑能力快速响应能力，从而克服现有方法依靠长短期记忆网络对风电场功率进行预测时，面对高度不确定和嘈杂的多源异构数据时，其权重和门控机制的动态变化使得模型的多源异构数据预测评估性能较差的问题。
67、本发明实施例中，提供了频率动态估计模型及其构建训练方法，频率动态估计模型结合模糊控制算法和反向传播神经网络构建，模糊控制机制通过模糊化处理参数，能够有效处理风电场参数中的不确定性和噪声，增强模型的鲁棒性，模糊控制机制允许模型根据实时数据动态调整预测策略，这种自适应能力使得bpnn在处理快速变化的风电场环境时更具优势，且采用轻量化预测结构fire module结构改进初始模型的隐藏层则可以通过简化的计算步骤实现高效的预测。
68、本发明实施例中，频率动态估计模型能够精准识别分析时序性风电场工作参数，从而准确的输出风电场频率预测序列，相对于现有技术而言能够根据实时数据动态调整预测策略，这种自适应能力使得频率动态估计模型在处理快速变化的风电场环境时更具优势。
69、本发明实施例中，通过布谷鸟算法结合惯量安全约束计算风电场频率预测序列对应的调频支撑控制参数，布谷鸟算法作为一种有效的优化工具，能够在计算调频支撑控制参数中起到关键作用，布谷鸟算法通过模拟布谷鸟的寄生行为，可以有效地搜索风电贡献率和调频能力因子最优解，从而优化风电场的调频责任系数，这种优化有助于提升风电场风电机组在电网频率调节中的表现，确保电力系统的稳定运行。
1.基于实时调节能力动态估计的风电场频率控制方法，其特征在于，所述基于实时调节能力动态估计的风电场频率控制方法包括：
2.如权利要求1所述的基于实时调节能力动态估计的风电场频率控制方法，其特征在于：所述结合模糊控制算法和反向传播神经网络构建频率动态估计模型的方法，具体包括：
3.如权利要求2所述的基于实时调节能力动态估计的风电场频率控制方法，其特征在于：所述频率动态估计模型识别分析时序性风电场工作参数，输出风电场频率预测序列的方法，具体包括：
4.如权利要求3所述的基于实时调节能力动态估计的风电场频率控制方法，其特征在于：构建参数模糊集时，基于不同偏差水平下的置信度约束构建，置信度约束为：
5.如权利要求1所述的基于实时调节能力动态估计的风电场频率控制方法，其特征在于：所述基于布谷鸟算法结合惯量安全约束计算风电场频率预测序列对应的调频支撑控制参数的方法，具体包括：
6.如权利要求5所述的基于实时调节能力动态估计的风电场频率控制方法，其特征在于：所述基于布谷鸟算法结合惯量安全约束计算风电场频率预测序列对应的调频支撑控制参数的方法，具体还包括：
7.如权利要求6所述的基于实时调节能力动态估计的风电场频率控制方法，其特征在于：风电机组约束功率满足以下惯量安全约束：
8.基于实时调节能力动态估计的风电场频率控制系统，用于实施如权利要求1-7任一所述的基于实时调节能力动态估计的风电场频率控制方法，其特征在于：所述基于实时调节能力动态估计的风电场频率控制系统，具体包括：
9.如权利要求8所述的基于实时调节能力动态估计的风电场频率控制系统，其特征在于：所述支撑控制模块包括：
