兼顾光伏消纳与供电质量的电力系统多机联动控制方法与流程
本技术涉及供电控制,具体涉及兼顾光伏消纳与供电质量的电力系统多机联动控制方法。
背景技术:
1、随着集中式与分布式光伏大规模并网,电力系统呈现新能源渗透率高、源荷波动随机性强、多机组并联运行的特征,对光伏消纳能力、供电质量与多机协同控制可靠性提出了更高要求。当前电力系统控制主要分为纯物理模型与纯数据驱动模型两类技术方案,均存在显著短板,无法适配高比例光伏电网的复杂运行工况。传统纯物理模型依托基尔霍夫定律、发电机摇摆方程搭建控制体系,可解释性强、稳态运行可靠,但模型参数与结构固化,难以适配光伏出力骤变、负荷动态波动、电网阻抗偏移等扰动工况,动态预测精度低、调控响应滞后,易引发弃光、电压与频率偏移等问题,光伏消纳利用率难以提升。
2、纯数据驱动神经网络模型可依托海量运行数据挖掘源荷波动特征,动态预测精度更优,但存在典型“黑箱”缺陷,模型训练无电力物理机理约束,在电网短路扰动、负荷骤变、光伏突发启停等极端工况下,易生成违背电力运行规律的控制指令,引发多机功率振荡、并网失稳等安全隐患,且可解释性差、故障溯源困难。同时,现有多机并联vsg系统普遍采用固定虚拟惯量、阻尼系数参数,无法适配电网工况动态变化,机组间参数耦合干扰严重,极易诱发低频振荡、功率谐振,进一步劣化供电质量、制约光伏高效消纳,现有技术难以实现多机系统全工况自适应稳定联动控制。
技术实现思路
1、鉴于以上内容,有必要提供兼顾光伏消纳与供电质量的电力系统多机联动控制方法,解决上述问题。
2、本技术一个实施例提供了兼顾光伏消纳与供电质量的电力系统多机联动控制方法,所述方法包括:
3、获取目标电力系统基于时序的多源运行数据,所述多源运行数据包含光伏、发电机组及电网节点的运行数据,构建覆盖全工况的标准数据集;
4、基于所述标准数据集,结合数据拟合误差与物理机理约束误差构建双约束复合损失函数,离线训练双约束神经网络模型;
5、将实时采集的所述多源运行数据输入训练完成的所述双约束神经网络模型,得到光伏出力的原始预测值,减去基于多源运行数据求得光伏最大允许并网出力理论值,得到电网物理稳态残差,对原始预测值进行动态修正,得到修正后的光伏出力预测值;
6、在控制周期内,基于对各发电机组施加的虚拟惯量和阻尼的微小摄动步长,以及引起的各机组转子角频率偏差的稳态变化量,计算并联机组间的跨机组参数耦合度,与预设耦合阈值进行对比获取耦合状态;
7、若为强耦合,基于扰动传递系数执行反向参数迭代解耦;若为弱耦合,利用强化学习模型自适应整定机组的虚拟惯量和阻尼系数;
8、基于所述修正后的光伏出力预测值以及整定后的虚拟惯量和阻尼系数下发调度指令;若检测到极端扰动,触发物理约束锁定,对所述调度指令进行强制反向缩放分配。
9、优选的,所述构建双约束复合损失函数,具体为:
10、量化光伏出力与负荷功率的预测拟合偏差,将得到的结果作为数据拟合损失项;
11、基于发电机组的频率偏差、转矩偏差、离线记录的虚拟惯量与阻尼参数,结合发电机摇摆方程,得到机组转子运动物理惩罚损失;
12、基于电网各节点的支路有功无功的输入与输出功率,结合基尔霍夫功率平衡物理规则,得到电网节点电流守恒物理惩罚损失;
13、对机组转子运动物理惩罚损失以及电网节点电流守恒物理惩罚损失赋权求和,再加上数据拟合损失项,得到双约束复合损失函数。
14、优选的,所述得到机组转子运动物理惩罚损失,具体公式为:
15、
16、式中,、分别为第i台vsg机组的虚拟惯量、虚拟阻尼系数;为第i台vsg机组的转子角频率偏差;表示第i台vsg机组的频率偏差变化率;、分别为机械转矩偏差、电磁转矩偏差;表示电力系统中参与联动控制的并联vsg发电机组总数量。
17、优选的,所述得到电网节点电流守恒物理惩罚损失的具体过程为:
18、获取电网中每个节点的流入有功功率总和、流出有功功率总和,以及流入无功功率总和、流出无功功率总和;其中,所述流入有功功率总和中包含所述双约束神经网络模型预测的光伏并网出力,所述流出有功功率总和中包含所述双约束神经网络模型预测的负荷功率;
19、分别计算每个节点的流入有功功率总和与流出有功功率总和的差值平方,以及流入无功功率总和与流出无功功率总和的差值平方;
20、将所有节点的所述有功功率的差值平方与所述无功功率的差值平方进行累加求和,得到电网节点电流守恒物理惩罚损失。
21、优选的,所述基于多源运行数据求得光伏最大允许并网出力理论值的具体过程为:
22、获取上一采样时刻的多源运行数据,所述多源运行数据具体包括全网节点电压、支路电流及负荷功率;
23、将所述全网节点电压、支路电流及负荷功率代入潮流方程;在满足电网拓扑基尔霍夫功率平衡的约束条件下,求解得到当前时刻的光伏最大允许并网出力理论值。
24、优选的,所述对原始预测值进行动态修正,具体为:
25、获取当前时刻的电网系统频率偏差以及预设的频率偏差敏感系数,计算得到工况自适应动态修正系数;其中,所述工况自适应动态修正系数与所述电网系统频率偏差呈正相关;
26、将所述工况自适应动态修正系数与所述电网物理稳态残差相乘,得到稳态残差修正量;
27、将所述稳态残差修正量与所述光伏出力的原始预测值相加,得到修正后的光伏出力预测值。
28、优选的,所述计算并联机组间的跨机组参数耦合度,与预设耦合阈值进行对比获取耦合状态,具体为:
29、对任一机组施加预设的微小阻尼摄动步长,获取引起的另一机组的转子角频率偏差稳态变化量,计算所述转子角频率偏差稳态变化量与所述微小阻尼摄动步长比值的绝对值,得到所述任一机组阻尼对另一机组频率的扰动传递系数;
30、将两个机组基于彼此得到的扰动传递系数相乘,得到两个机组之间的跨机组参数耦合度;
31、若得到的耦合度大于等于预设的耦合阈值,判断为强耦合否则,判断为弱耦合。
32、优选的,所述基于扰动传递系数执行反向参数迭代解耦的过程具体为:
33、比较两个机组基于彼此得到的扰动传递系数:若所述任一机组得到的扰动传递系数大于另一机组得到的扰动传递系数,按预设固定步长下调另一机组的阻尼系数,并上调所述任一机组的虚拟惯量;
34、其中,在参数迭代调整过程中,限制调整后的阻尼系数和虚拟惯量不超出机组额定参数预设倍数构成的电网稳定允许区间。
35、优选的,所述利用强化学习模型自适应整定机组的虚拟惯量和阻尼系数的具体步骤为:
36、将实时采集的电网系统运行工况量作为状态输入所述强化学习模型;
37、基于包含防除零偏置项极值归一化处理的多目标综合奖励函数,以最大化长周期累计折扣奖励为优化目标,通过所述强化学习模型迭代输出受步长和边界约束的机组的最优虚拟惯量和最优阻尼系数。
38、优选的,所述若检测到极端扰动,触发物理约束锁定,对所述调度指令进行强制反向缩放分配,具体为:
39、实时监测电网频率、电压及支路电流的突变幅值,若突变幅值超出相应预设稳态阈值,判定为极端扰动,触发物理约束锁定;
40、在物理约束锁定状态下,计算所有初始调度指令对应的总功率与节点功率平衡理论值之间的功率差额;
41、若各发电机组当前剩余可用发电容量的总和不为零,按照各发电机组当前剩余可用发电容量的比例,对各发电机组的所述初始调度指令进行反向缩放分配以抵消所述功率差额;
42、若各发电机组当前剩余可用发电容量的总和为零,按照各发电机组额定容量的比例均摊分配所述功率差额,对所述初始调度指令进行反向缩放分配;
43、若反向缩放分配后的机组功率仍超出电网物理极限,则触发切断部分本地负荷或限制光伏出力的动作,以补齐所述功率差额。
44、本技术至少具有如下有益效果:
45、本技术摒弃传统单一模型缺陷,构建数据拟合与物理机理双约束复合损失函数训练神经网络。既保留数据驱动挖掘波动特征的高精度优势,又依托物理硬约束确保指令符合电网规律。结合稳态残差动态修正预测值,消除滞后偏差,为光伏精准消纳提供支撑,显著降低弃光率。
46、针对多vsg并联耦合严重、易引发振荡的问题,通过微小参数摄动辨识扰动传递特性,精准计算耦合度。对强耦合工况采用反向参数迭代解耦,切断扰动传导路径,从根源削弱交叉干扰,有效抑制低频振荡与功率波动,大幅提升供电稳定性。
47、依托强化学习实时迭代优化虚拟惯量、阻尼系数,替代传统固定参数模式。可根据稳态、扰动等不同工况动态匹配最优参数,稳态兼顾高效消纳,扰动快速抑制波动,实现“工况自适应、参数自整定”,解决传统方案无法兼顾稳态与暂态控制的难题。
48、建立“智能优化+物理强制约束”分层控制逻辑,极端扰动时触发物理约束锁定,强制缩放调度指令,规避模型失效导致的非法指令,防止机组失步、频率越限等事故,提升系统抗扰动能力与容错性。
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