支撑交直流混联电网频率的风机AI虚拟惯量控制方法与流程
本发明属于双馈风电机组虚拟惯量控制,具体而言,涉及一种支撑交直流混联电网频率的风机ai虚拟惯量控制方法。
背景技术:
1、随着风电装机规模持续提升,双馈风电机组在电力系统频率稳定中的作用日益突出。虚拟惯量控制能够使双馈风机在交直流混联系统发生功率缺额故障时释放转子动能,向电网提供附加有功功率,从而改善频率最低点和频率变化率。然而,虚拟惯量控制也会使风机运行点偏离最优转速,并在电磁转矩与机械转矩之间引入快速功率失衡,导致传动链轴系阻尼降低,诱发或放大轴系扭振。
2、现有基于扩张状态观测器的虚拟惯量控制策略能够在不直接获取系统频率微分信号的情况下估计系统有功不平衡,进而计算所需虚拟惯量补偿功率。该思路能够改善频率支撑效果,并兼顾轴系扭振抑制。但是,传统扩张状态观测器的参数多依赖人工整定,对不同风速、不同负荷扰动、不同轴系振荡模态和不同系统运行方式的适应性有限。
技术实现思路
1、本发明的目的在于针对双馈风电机组虚拟惯量控制过程中存在的频率微分信号难以直接可靠获取、观测器参数整定依赖经验、不同交直流混联系统运行工况下惯量支撑需求变化明显以及虚拟惯量控制可能诱发轴系扭振的问题,提出一种支撑交直流混联电网频率的风机ai虚拟惯量控制方法,在频率支撑过程中同时考虑轴系扭振约束,确保风机频率支撑过程中自身并网安全运行,具体而言,该方法通过mamba-ssm实现故障动态和轴系扭振特征提取,通过kan-eso实现总扰动观测与观测器参数自适应整定,通过条件扩散transformer生成候选虚拟惯量控制指令,最终落实到基于扩张状态观测器的双馈风机虚拟惯量控制律中,实现交直流混联系统频率支撑与轴系扭振抑制的协同优化。
2、本发明的目的是通过以下技术方案实现的:一种支撑交直流混联电网频率的风机ai虚拟惯量控制方法,包括以下顺序执行的步骤:
3、步骤1:构建基于mamba-ssm选择性状态空间模型的双馈风机故障动态与轴系扭振特征提取模型,用于采集交直流混联系统中含虚拟惯量双馈风机的多源运行状态数据,形成连续时间窗口内的状态序列,并输出用于表征频率跌落风险、轴系扭振风险和惯量支撑需求的故障动态识别指令变量;
4、步骤2:构建基于kan-eso的总扰动观测与惯性支撑需求评估模型,以步骤1输出的所述故障动态识别指令变量为输入,自适应整定扩张状态观测器的观测增益和等效控制增益,估计交直流混联系统有功不平衡、频率偏差及虚拟惯量补偿需求,输出扰动观测指令变量;
5、步骤3:构建基于条件扩散transformer的候选虚拟惯量控制指令生成模型,以步骤1输出的所述故障动态识别指令变量和步骤2输出的所述扰动观测指令变量为联合条件,结合频率安全边界、轴系扭振稳定边界和变流器功率约束,生成包含虚拟惯量参与系数、轴系稳定补偿系数及虚拟惯量附加有功功率候选值的候选虚拟惯量控制指令变量;
6、步骤4:构建基于扩张状态观测器的虚拟惯量控制执行模型,根据步骤3生成的所述候选虚拟惯量控制指令变量及步骤2得到的交直流混联系统总扰动估计值,计算双馈风机虚拟惯量附加有功功率基础指令;进一步叠加轴系稳定补偿项,得到待执行的有功补偿指令;最后通过频率安全约束、变流器功率约束和轴系扭振约束对所述有功补偿指令进行安全可行域投影,输出最终虚拟惯量有功补偿控制指令变量,使双馈风机在提供系统频率支撑的同时抑制轴系扭振。
7、进一步,所述多源运行状态数据包括:系统频率偏差、双馈风机转子转速、电磁转矩、有功功率、轴系扭转角和扭振速度。
8、进一步,步骤1中,所述的基于mamba-ssm选择性状态空间模型的双馈风机故障动态与轴系扭振特征提取模型通过如下方式提取双馈风机故障动态与轴系扭振特征:
9、构建包含系统频率偏差、双馈风机转子转速偏差、电磁转矩偏差、有功功率偏差、轴系扭转角偏差、扭振速度偏差的多源运行状态向量;
10、采用输入相关的离散状态转移矩阵和选择性步长参数,对历史时间窗口状态序列进行选择性递推建模;
11、输出故障动态识别指令变量,用于表征频率跌落风险、轴系扭振风险和惯量支撑需求。
12、进一步,性递推建模通过公式和进行选择性状态递推;其中,为mamba-ssm隐状态向量;、和是依赖于输入状态的动态参数,而非固定矩阵,为由当前输入状态通过选择性步长参数对连续状态矩阵离散化后得到的输入相关离散状态转移矩阵;为由当前输入状态自适应生成控制矩阵,并结合选择性步长参数离散化后得到的输入相关离散输入矩阵;为由当前输入状态自适应生成的输出映射矩阵,用于将mamba-ssm隐状态向量映射为故障动态特征;为直接传递矩阵,用于保留当前输入状态对输出故障动态特征的直接影响;为故障动态特征向量;;,为连续状态空间中的状态矩阵;为由输入状态自适应生成的控制矩阵;为由当前系统状态自适应生成的选择性步长参数;为单位矩阵;表示矩阵指数运算。
13、进一步,所述步骤2中基于kan-eso的总扰动观测与惯性支撑需求评估模型通过如下方式实现总扰动观测与参数自整定:
14、将所述系统频率响应模型变换为适用于扩张状态观测器的标准一阶状态空间表达形式;
15、利用kolmogorov-arnold网络对观测增益、等效控制增益与未知总扰动的映射关系进行自适应逼近;
16、输出扰动观测指令变量,用于表征有功不平衡和虚拟惯量补偿需求。
17、进一步,所述步骤2中基于kan-eso的总扰动观测与惯性支撑需求评估模型具体用于:
18、将系统频率响应模型表达为一阶形式,其中为系统频率偏差;表示对进行一阶求导;为除风电虚拟惯量补偿外的系统未知总扰动;为虚拟惯量附加有功控制输入;为等效控制增益估计值;
19、利用kolmogorov-arnold network根据输入的故障动态识别指令变量自适应生成扩张状态观测器的观测增益、及等效控制增益;
20、通过离散型kan-eso递推公式实时估计频率偏差及总扰动,并输出所述扰动观测指令变量。
21、进一步,所述步骤3中的基于条件扩散transformer的候选虚拟惯量控制指令生成模型通过如下方式生成候选控制指令:
22、构建包含虚拟惯量参与系数、轴系稳定补偿系数、虚拟惯量附加有功功率及虚拟惯量控制时间常数的原始候选控制动作向量;
23、以故障动态识别指令变量、动观测指令变量、允许频率偏差上限、允许扭振速度上限及允许附加有功功率上限为条件扩散transformer的条件向量;
24、采用条件扩散transformer的正向加噪与反向去噪过程,在安全可行域内生成满足频率变化率约束、轴系扭振约束及附加有功功率约束的候选虚拟惯量控制指令变量。
25、进一步,所述步骤4中的基于扩张状态观测器的虚拟惯量控制执行模型具体用于:
26、根据公式计算虚拟惯量附加有功功率基础指令;
27、根据公式计算轴系稳定补偿功率,即得到轴系稳定补偿项;
28、将虚拟惯量附加有功功率基础指令与轴系稳定补偿项叠加后经安全可行域投影,输出最终虚拟惯量有功补偿控制指令变量。
29、进一步,所述安全可行域由以下约束共同界定:
30、频率变化率约束:;
31、轴系扭振约束:;
32、附加有功功率约束:;
33、其中,表示对一阶求导,即频率变化率;为允许频率变化率上限;为允许轴系扭转角上限;为允许扭振速度上限;和分别为虚拟惯量附加有功功率上下限。
34、进一步,所述故障动态识别指令变量、扰动观测指令变量、候选虚拟惯量控制指令变量及最终虚拟惯量有功补偿控制指令变量分别对应不同控制层级;其中,故障动态识别指令变量、扰动观测指令变量、候选虚拟惯量控制指令变量为中间计算变量,不作为最终执行指令;最终执行指令仅为最终虚拟惯量有功补偿控制指令变量。
35、通过上述设计方案,本发明与现有技术相比,有益效果在于:本发明提出的支撑交直流混联电网频率的风机ai虚拟惯量控制方法,该方法无需直接获取系统频率微分信号,能够同时提高交直流混联系统频率支撑能力和双馈风机轴系扭振阻尼水平,降低虚拟惯量控制引起的传动链振荡风险,提升风电并网系统动态稳定性和控制自适应能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com