【技术实现步骤摘要】
本专利技术涉及抽水蓄能机组起动，更具体地说涉及一种可变速抽水蓄能机组起动方法及系统。
技术介绍
1、抽水蓄能电站运行灵活可靠、工况转换迅速，对环境影响小，是目前公认的最成熟、最经济、容量最大的储能方式。随着风力发电、光伏发电等新能源发电大规模并网，抽水蓄能电站成为抑制风光电力波动、维持电网电压和频率稳定的不可或缺的方式之一。
2、抽水蓄能机组既可以以水泵工况运行，将下水库抽到上水库暂时存放起来，也可以以发电工况运行利用存储在上水库的水能发电供给电网，实现能量的存储与释放。根据工况的变化，机组需要频繁起动。目前常用的起动方式是变频起动方式，通过一台静止变频起动装置(sfc)拖动机组从零转速到额定转速，机组同期并网完成然后停止sfc，实现机组的平稳起动。
3、现有技术中，抽水蓄能机组带负荷起动时，为了保证每次起动时，机组运行状态的稳定，参考机组在该负荷下的历史起动数据，包括转速、机械转矩等数据，将机组起动转速控制在目标转速附近。当某个负荷下的机组历史起动数据缺失时，机组起动缺少相应的参考数据，会影响机组起动状态。
技术实现思路
1、为了克服上述现有技术中存在的缺陷，本专利技术公开了一种可变速抽水蓄能机组起动方法及系统，以解决现有技术中需要参考历史起动数据，当某个负荷下的机组历史起动数据缺失时，机组起动缺少相应的参考数据，影响机组起动状态的问题。本专利技术基于机组已有的、在多个负荷工况下平稳起动的历史数据，形成适用于任意负荷下该机组起动时机械转矩-转速的机组起动模
2、为了实现以上目的，本专利技术采用的技术方案：
3、一种可变速抽水蓄能机组起动方法，包括以下步骤：
4、一、原始数据获取与预处理
5、s100、获取可变速抽水蓄能机组的原始起动数据，并对原始起动数据进行预处理；
6、优选的，s100步骤中，所述原始起动数据包括可变速抽水蓄能机组从零转速到额定转速过程中的转速ni、机械转矩mi以及对应的起动负荷pi。同时原始起动数据为机组已有的、在多个负荷工况下平稳起动的历史数据。
7、优选的，s100步骤中，所述预处理包括以下步骤：
8、s110、剔除原始起动数据中异常数据；
9、s120、根据原始起动数据的数据类别，形成原始数据矩阵；其中，为原始数据矩阵，为转速，为机械转矩，为起动负荷，和为输入变量，为输出变量；
10、s130、将原始数据矩阵进行归一化处理，得到归一化数据矩阵；其中，为归一化数据矩阵，为归一化转速，为归一化机械转矩，为归一化起动负荷。
11、上述步骤中，获取抽水蓄能机组原始起动数据，进行数据预处理，剔除异常数据；为方便后续计算，提高运算效率，需进行归一化处理，使数据映射到[0 1]之间。
12、优选的，s130步骤中，所述归一化处理包括：利用转换函数对原始数据矩阵进行线性变换，使原始数据矩阵映射到[0 1]之间，得到归一化数据矩阵。
13、优选的，s130步骤中，所述转换函数为：
14、 ；
15、其中，为归一化折算后的数值，为需要折算的数值，为原始起动数据同一类别中数据最大值，为原始起动数据中同一类别最小值。
16、二、神经网络配置和训练
17、s200、配置bp神经网络，并将预处理后的原始起动数据输入配置的bp神经网络中进行训练，生成转速、机械转矩和起动负荷之间的机组起动模型；
18、2.1、配置bp神经网络
19、优选的，s200步骤中，所述配置bp神经网络包括配置bp神经网络的基础架构层数、激活函数、误差函数、训练次数和均方差阈值。
20、上述步骤中，bp表示误差反向传播算法。其确定了bp神经网络算法基础架构层数、激活函数、误差函数、训练次数、均方差阈值等，以便于后续使用。
21、优选的，s200步骤中，bp神经网络的基础架构包括输入层、输出层和隐藏层，输入层节点个数为ni，输出层节点个数为n0，隐藏层神经元个数为ml。
22、本专利技术中，根据原始起动数据，确认bp神经网络基础架构，包括一层输入层，一层输出层，l层隐藏层；输入层节点个数为ni、输出层节点个数为n0、各个隐藏层神经元个数为ml。
23、2.2、神经网络训练
24、优选的，s200步骤中，所述机组起动模型为：
25、；
26、其中，为转速，为机械转矩，为起动负荷，为机组起动函数。
27、优选的，s200步骤包括以下步骤：
28、s210、将预处理后的原始起动数据输入bp神经网络中，并设置bp神经网络的输入层、输出层和激活函数，以及对bp神经网络进行网络初始化；
29、优选的，s210步骤中，bp神经网络的输入层、输出层和激活函数为：
30、；
31、；
32、；
33、其中，为输入层，为输出层，为归一化机械转矩，为归一化起动负荷，为归一化转速，为转置，为激活函数，为函数的自变量。
34、上述步骤中，定义输入层x和输出层y，用向量表示。定义神经网络算法中激活函数，取sigmoid函数。
35、s220、设置bp神经网络的隐藏层，并结合输入层、输出层和激活函数，以及权重矩阵和偏置矩阵，得到隐藏层和输出层各神经元输出；
36、优选的，s220步骤包括：定义输入层到隐藏层的权重矩阵和偏置矩阵分别是w和b，隐藏层的输出矩阵为v，隐藏层到输出层的权重矩阵和偏置矩阵分别是h和c，其中w、b、h、c矩阵初始值采用随机值，则：
37、 ；
38、其中，表示输入层，表示机组起动模型计算结果，表示激活函数。
39、s230、利用误差函数，计算神经网络输出值和实际输出值之间的偏差；
40、优选的，s230步骤包括：定义误差函数e来衡量机组起动模型计算结果和理论数据结果之间的偏差，所述误差函数为：
41、 ；
42、其中，为误差函数，为实际输出值，为神经网络输出值。
43、上述步骤中，定义误差函数e来衡量模型计算结果和理论数据结果之间的偏差，采用均方差形式，进而判断是否满足算法停止条件。
44、s240、判断偏差是否小于等于阈值，若是，则进入s250步骤，若否，则进入s270步骤；
45、上述阈值为均方差阈值。
46、s250、判断bp神经网络训练是否达到最大训练次数，若是，则进入s260步骤，若否，则进入s270步骤；
47、s260、生成并输出机组起动模型；
48、；
49、s270、基于梯度下降法计算误差函数对权重矩阵和偏置矩阵中各个参数的梯度，再利用学习率和梯度下降法更新权重矩阵和偏置矩本文档来自技高网...
【技术保护点】
1.一种可变速抽水蓄能机组起动方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种可变速抽水蓄能机组起动方法，其特征在于，S100步骤中，所述预处理包括以下步骤：
3.如权利要求2所述的一种可变速抽水蓄能机组起动方法，其特征在于，S130步骤中，所述归一化处理包括：利用转换函数对原始数据矩阵进行线性变换，使原始数据矩阵映射到[0 1]之间，得到归一化数据矩阵；
4.如权利要求1所述的一种可变速抽水蓄能机组起动方法，其特征在于，S200步骤中，所述配置Bp神经网络包括配置Bp神经网络的基础架构层数、激活函数、误差函数、训练次数和均方差阈值；
5.如权利要求1所述的一种可变速抽水蓄能机组起动方法，其特征在于，S200步骤中，所述机组起动模型为：
6.如权利要求1所述的一种可变速抽水蓄能机组起动方法，其特征在于，S200步骤包括以下步骤：
7.如权利要求6所述的一种可变速抽水蓄能机组起动方法，其特征在于，S210步骤中，Bp神经网络的输入层、输出层和激活函数为：
8.如权利要求7所述的一种可变速
9.如权利要求8所述的一种可变速抽水蓄能机组起动方法，其特征在于，S230步骤包括：定义误差函数E来衡量组起动模型计算结果和理论数据结果之间的偏差，所述误差函数为：
10.基于权利要求1-9任意一项的一种可变速抽水蓄能机组起动方法的系统，其特征在于，包括数据获取与预处理模块、系统配置模块、数据计算与输出模块、控制模块；
...【技术特征摘要】
1.一种可变速抽水蓄能机组起动方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种可变速抽水蓄能机组起动方法，其特征在于，s100步骤中，所述预处理包括以下步骤：
3.如权利要求2所述的一种可变速抽水蓄能机组起动方法，其特征在于，s130步骤中，所述归一化处理包括：利用转换函数对原始数据矩阵进行线性变换，使原始数据矩阵映射到[0 1]之间，得到归一化数据矩阵；
4.如权利要求1所述的一种可变速抽水蓄能机组起动方法，其特征在于，s200步骤中，所述配置bp神经网络包括配置bp神经网络的基础架构层数、激活函数、误差函数、训练次数和均方差阈值；
5.如权利要求1所述的一种可变速抽水蓄能机组起动方法，其特征在于，s200步骤中，所述机组起动模型为：
6.如权利要求1所述的一种可变速抽水蓄能机组起动方法，其特征在...
【专利技术属性】
技术研发人员：陈豪杰，刘静波，周宏林，刘德民，杨勇，王智超，
申请(专利权)人：东方电气集团科学技术研究院有限公司，
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。