【技术实现步骤摘要】
基于深度强化学习的风电机组电网惯量支撑方法
[0001]本专利技术属于风机一次调频控制策略,具体涉及一种基于深度强化学习的风电机组电网惯量支撑方法。
技术介绍
[0002]大规模风电并网给电网频率稳定带来了挑战。一方面,风电机组通过变流器并网,不具备惯性响应特性,导致电网等效惯量会随着风电占比的增大而减小;另一方面,随着同步机组不断被风电所取代,继续依赖同步机组承担调频任务势必会面临电网调频能力不足的问题。
[0003]考虑到风机具有较大的转动惯量和转速变化范围,可以依靠转子动能的存储和释放提供用于支撑电网频率的有功功率。基于这一特点,风机虚拟惯量控制和下垂控制通过在原有控制器上附加频率微分环节和比例环节,模拟同步机组的惯量响应特性和调速器响应特性,从而响应系统频率变化并为电网提供惯量支撑。
[0004]传统风机一次调频控制中的下垂系数和虚拟惯量系数多采用固定数值,且通常凭经验设定。然而,面对复杂多变的运行工况,固定不变的调频系数难以保证风机始终具备良好的调频效果。一方面,过小的调频系数难以使风机为电网提供有效的惯量支撑;而另一方面,过大的调频系数却也容易使风电机组过度释放转子动能,增大失稳切机的风险。相较于固定调频系数,变系数的方式能使风机更好地兼顾惯量支撑效果和自身稳定性。为此,频率变化率、频率偏差和风机转速均被用于整定调频系数,使风机根据电网频率实时调整惯量支撑强度,避免过度支撑影响风机稳定运行。
[0005]然而,当前变系数一次调频控制方法的参数整定往往依经验确定。面对湍流风速和波动负 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度强化学习的风电机组电网惯量支撑方法,其特征在于,包括以下步骤:(1)获取风机转速、电网频率数据;(2)基于DDPG算法设计改进的风机一次调频控制策略;(3)在训练风速下对DDPG智能体进行训练;(4)利用步骤(3)训练好的智能体,在测试风速下根据风机转速和电网频率在线输出惯量支撑功率,实现风机对电网的惯量支撑。2.根据权利要求1所述基于深度强化学习的风电机组电网惯量支撑方法,其特征在于,步骤(2)中,所述基于DDPG算法设计改进的风机一次调频控制策略,具体包括以下步骤:(2.1)选取系统状态变量为风机转速和电网频率偏差,即S=[ω,Δf];(2.2)取智能体动作输出为风机惯量支撑功率,即A=[ΔP
vic
];(2.3)设计智能体奖励函数,使风机惯量支撑功率输出同时考虑风机转速与惯量支撑效果;(2.4)风机RSC控制下有功功率与惯量支撑功率叠加,即为风机电磁功率。3.根据权利要求2所述基于深度强化学习的风电机组电网惯量支撑方法,其特征在于,步骤(2.3)中,所述设计智能体奖励函数,奖励函数的表达式如下:R=
‑
k1|Δf|
‑
k2|h(ω)|
ꢀꢀꢀꢀꢀꢀꢀ
(1)式中,h(ω)为风机转速项奖励函数;智能体奖励函数分为两部分,k1、k2分别为两部分奖励权重因子;奖励第一部分与电网频率相关,智能体动作行为倾于风机惯量支撑效果;奖励第二部分与风机转速相关,智能体动作行为倾于机组稳定。4.根据权利要求3所述基于深度强化学习的风电机组电网惯量支撑方法,其特征在于,所述h(ω)的表达式如下:所述h(ω)的表达式如下:式中,ω
min
表示风机切机转速;当风机转速偏离设定的上下惩罚边界ω
up
、ω
down
,智能体动作输出接受惩罚,且偏离程度越大,惩罚越大;当风机转速下降至切机转速,惩罚值无穷大,当前回合训练结束。5.根据权利要求1所述基于深度强化学习的风电机组电网惯量支撑方法,其特征在于,步骤(3)中,所述在训练风速下对DDPG智能体进行训练,...
【专利技术属性】
技术研发人员:李群,卜京,周建华,殷明慧,张宁宇,陈载宇,陈静,周连俊,吴先明,李阳,邹云,朱鑫要,刘建坤,
申请(专利权)人:南京理工大学国网江苏省电力有限公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。