风电调频综合惯性控制方法、系统、电子设备和存储介质与流程

1.本发明涉及风电调频技术领域，具体涉及一种基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法、系统、电子设备和存储介质。


背景技术：

2.随着可再生能源的大规模发展，现代电力系统的惯性水平逐渐降低，导致扰动事件发生时系统的惯性支持和频率调节能力严重减弱。风力发电机组作为可再生能源发电的主要代表，必须更有效地参与到电力系统频率调节中。
3.风电因具备清洁环保、技术成熟和成本较低等优势，已得到广泛应用。随着风力发电技术的不断发展，各国的风电渗透率不断升高。据相关数据显示，截至2020年底，中国风电装机容量占比已达到12.79%，呈现出较快的增长速度。而风电机组一般通过变流器接入电网，导致机组转速与电网频率失去耦合关系；且在最大功率追踪控制模式下，风电机组无法在电网频率变化时提供功率支撑作用。因此随着风电渗透率的不断增加，系统惯量降低和一次调频能力不足等问题也越加明显，给电网频率带来不利因素。
4.为此风电机组应当具备类似于同步机组的惯量响应特性和一次调频能力，以实现风电的友好型并网。针对这一问题，目前采用的控制方法主要包括虚拟惯性控制和下垂控制。
5.虚拟惯性控制以系统频率变化率为输入参与调频，多用于支撑暂态频率。虚拟惯性控制通过模拟同步机的惯量特性，使风力发电机在系统频率发生变化时，根据频率变化率调整有功参考指令，释放或者吸收转子动能，以达到参与系统调频的目的。虚拟惯性控制的原理如图2所示，当系统受到扰动时，虚拟惯性控制可以提供快速的有功输出响应。在系统频率响应的初始阶段，频率偏差较小，而频率变化率的绝对值较大。因此，具有虚拟惯性控制的风力发电机可以在初始阶段提供更快更强的功率支撑。但在调频结尾阶段，随着频率变化率的绝对值变小，输出的功率支撑也进一步降低，不利于系统频率的恢复。所以虚拟惯性控制方法多用于支撑暂态频率，无法持续参与调频，且需避免转速恢复阶段的频率二次跌落问题。
6.下垂控制模拟同步发电机一次调频的功-频静态特性曲线，也称比例控制、斜率控制。它能直接响应系统频率偏移量，能够对频率偏移提供持续支撑。下垂控制的原理如图3所示，输入信号为系统频率偏差，输出信号为风力发电机输出电功率增量。风力发电机输出电功率增量随系统频率偏差线性变化。相比虚拟惯性控制，下垂控制所用的输入是频率偏差信号，其能在频率最低点的附近范围提供较强的功率支撑，但响应速度比虚拟惯性控制慢，存在调频初期功率支撑不足的缺陷。
7.自动编码器（autoencoder, ae）如图5所示，自动编码器由编码器和解码器组成。编码器、解码器具有隐含层，通过编码器将输入转换为隐含层中的潜在表征，然后通过解码器将内部表征转换为输出，输出相当于是对于输入的重构，要尽可能接近输入。
8.自动编码器通过最小化输出向量与输入向量之间的重构误差来达到特征提取的
目的，利用梯度下降算法不断调整网络权值和阈值，降低重构误差。但是自动编码器的学习可能仅仅简单地保留原始输入数据信息，不能确保获得一种有效的特征信息表达。
9.为了进一步优化风电参与调频的调频效果，目前，有人提出了变下垂系数的控制策略提高控制策略的自适应能力，但求解过程比较繁琐，且没有综合考虑虚拟惯性控制和下垂控制的结合。有人根据风力发电机的运行区域，提出惯性、超速和桨距角控制的协调控制策略，但没有考虑风电占比这类关键因素。还有人提出通过利用粒子群算法对虚拟惯性系数和下垂控制系数进行优化，在三种场景下进行风速适应性分析，证明了此方法可以显著优化调频效果，但该方法并没有明显缩短调频时间，且场景太少，缺失普适性。目前的综合惯性控制调频效果很大程度上取决于控制参数，并且在不同场景下参数都会有些变化，这使得风电机组难以实现频率的最优控制。
10.现有的风电调频控制策略还有逐步惯性控制策略。例如公开号为cn114268129a的专利申请文件公开了一种基于深度神经网络的风电调频逐步惯性控制方法，公开号为cn114696340a的专利申请文件公开了一种基于深度学习的风电调频逐步惯性控制方法；逐步惯性控制策略在负荷波动后提供一个阶跃式功率增发，能够有效阻止系统频率下降，保障电网频率安全。逐步惯性控制策略一般是调频前制定好的，和调频整个过程中的电网频率，频率变化率以及风力发电机的转子转速都无强相关性，所以逐步惯性控制的控制参数对于不同的调频场景都要做相应的调整。而且在风电功率恢复阶段，逐步惯性控制因为有一个阶跃式功率增发后快速恢复的调频过程，容易出现电网二次频率跌落现象，影响调频效果。


技术实现要素：

11.本发明针对现有技术中的不足，提供一种基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法、系统、电子设备和存储介质，以达到在面对不同风速、不同风电占比和不同负荷扰动量的场景组合时，能够快速高效地获得相应场景下最优综合惯性控制参数进行调频，获得最优的控制效果，并且避免电网频率的二次跌落，提高电力系统的稳定性的目的。
12.为实现上述目的，本发明采用以下技术方案：一种基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法，包括以下步骤：步骤1：在风力发电机有功控制环节中同时引入频率偏差和频率变化率，建立综合惯性控制模型；步骤2：使用鼠群优化算法获得最优的综合惯性控制参数，并由最优的综合惯性控制参数组成综合惯性控制参数数据集；步骤3：利用收缩自动编码器提取综合惯性控制参数数据集的特征；步骤4：利用深度神经网络学习综合惯性控制参数数据集的特征，得到训练好的深度神经网络模型；步骤5：遇到不同风电场景，将风速、风电占比和负荷扰动量输入训练好的深度神经网络模型，得到合适的对应不同风电场景下的综合惯性控制参数，将深度神经网络模型输出的综合惯性控制参数输入综合惯性控制模型，综合惯性控制模型输出信号调整电网频
率。
13.为优化上述技术方案，采取的具体措施还包括：进一步地，步骤1中，所述综合惯性控制模型的额外有功参考值的计算公式如下：，式中，为综合惯性控制模型的额外有功参考值，为惯性控制参数，为下垂控制参数，表示系统频率，表示风力发电机运行时间；通过改变惯性控制参数和下垂控制参数的值改变额外有功参考值。
14.进一步地，步骤2中，所述综合惯性控制参数包括惯性控制参数和下垂控制参数,所述鼠群优化算法具体为：步骤2.1：初始化老鼠种群，将综合惯性控制参数定义为老鼠，将全局最优解定义为猎物；步骤2.2：计算每只老鼠的适应度值，得到最优老鼠；步骤2.3：计算勘探参数a和开发参数c，公式如下：，，式中，n为最大迭代次数，n为当前迭代次数，r是[1,5]范围内的随机数，是[0,1]范围内的随机数；步骤2.4：老鼠追逐猎物，计算猎物所处的位置，公式如下：，式中，是第只老鼠在第n次迭代的位置，是第n次迭代种群中的最优老鼠，是对于第i只老鼠而言猎物所处的位置；步骤2.5：老鼠攻击猎物，公式如下：，式中，是第只老鼠在第次迭代中的位置；步骤2.6：检查是否超出了搜索空间的边界限制，如超出边界限制则修正老鼠的位置；步骤2.7：判断是否满足终止条件，若满足则退出，输出最优的综合惯性控制参数，否则，返回步骤2.2。
[0015]
进一步地，步骤3包括：步骤3.1：将综合惯性控制参数数据集归一化；
步骤3.2：将归一化后的数据集分为训练集和测试集；步骤3.3：构建收缩自动编码器模型，选择隐含层层数及神经元个数；步骤3.4：进行逐层贪婪无监督预训练，输入训练集并采用dropout技术，随机选择部分神经元从收缩自动编码器的网络中消失；步骤3.5：进行有监督细化训练，对网络权重和偏置进行微调，直到迭代次数达到设定值，得到训练收缩自动编码器效果最优的网络权重和偏置；步骤3.6：利用训练好的收缩自动编码器提取测试集的特征。
[0016]
进一步地，步骤3.3中，所述收缩自动编码器模型的损失函数为：，式中，表示收缩自动编码器的雅可比矩阵，w为输入层和隐含层之间的权重矩阵，b为输入层与隐含层之间的偏置矩阵，j( )表示雅可比矩阵，x为输入的归一化后的综合惯性控制参数矩阵，y为提取到的特征矩阵；为收缩正则化系数，为隐含层的输出关于输入样本的雅可比矩阵，为雅可比矩阵frobenius范数的平方，为输入的归一化后的综合惯性控制参数的数值；的具体计算式如下：，式中，表示编码器第j个隐含层神经元输出的降维后的样本，表示第个神经元的输入样本。
[0017]
进一步地，步骤4具体包括：步骤4.1：构建深度神经网络模型，选择隐含层层数和每个隐含层的神经元个数；步骤4.2：使用adam优化算法优化深度神经网络模型的输入权重矩阵、隐含层特征向量与输出权重矩阵，并对隐含层选择性增加正则化项；步骤4.3：将收缩自动编码器提取的特征当作深度神经网络的输入，深度神经网络学习收缩自动编码器提取的特征，得到训练好的深度神经网络模型；步骤4.4：将均方误差作为训练深度神经网络模型的评价指标，判断均方误差是否不再降低，若是则深度神经网络模型训练完成，否则返回步骤4.1；步骤4.5：保存训练好的深度神经网络模型。
[0018]
本发明还提出了一种基于收缩自动编码器和深度神经网络的风电调频综合惯性控制系统，包括综合惯性控制模块、数据集生成模块、收缩自动编码器和深度神经网络；所述综合惯性控制模块用于根据频率偏差、频率变化率、惯性控制参数和下垂控制参数得到综合惯性控制模型的额外有功参考值，并与风力发电机最大功率点跟踪模式下输出功率融合，输出参考功率，以调整电网频率；所述数据集生成模块使用鼠群优化算法获得最优的综合惯性控制参数并生成综
合惯性控制参数数据集；所述收缩自动编码器用于提取综合惯性控制参数数据集的特征；所述深度神经网络用于根据不同的风电场景得到合适的对应不同风电场景下的惯性控制参数和下垂控制参数，并将惯性控制参数和下垂控制参数输入综合惯性控制模型。
[0019]
本发明还提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法。
[0020]
本发明还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如上所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法。
[0021]
本发明的有益效果是：（1）综合惯性控制的效果很大程度上取决于控制参数，而且不同场景下的最优参数是可变的；与传统的时域仿真相比，本发明采用的方法大大节省了频率控制的在线决策时间，对最优综合惯性控制频率的调节具有较高的精度；（2）本发明提出的方法考虑不同风速、风电占比和负荷干扰量对系统频率特性的影响，可以满足电力系统中不同场景的要求，具有良好的普适性；仿真结果验证了本文的方法在不同场景下的有效性；（3）本发明提出的方法在网络训练前增加了基于cae的特征学习，可以学习有效的数据特征，挖掘数据的隐含信息，便于更好地拟合dnn，提高网络参数的获取速度；根据不同参数的频率曲线对比，本发明提出的方法的综合惯性控制达到了最佳的频率调节效果；（4）相较于逐步惯性控制没有计及电网频率和频率变化率的不足，综合惯性控制策略的输入量就是频率偏差量和频率变化率，它计及电网频率和电网频率变化率这些关键因素，能够计及电网实时频率信息，所以对于不同的调频场景，综合惯性控制策略相比于逐步惯性控制策略适应性更强，安全性更好；且由于逐步惯性控制有一个阶跃式功率增发后快速恢复的调频过程，容易出现电网二次频率跌落现象，影响调频效果，综合惯性控制就更好地避免了这个现象，使电网频率能够快速调整到安全水平。
附图说明
[0022]
图1是本发明提出的方法的流程图；图2是虚拟惯性控制原理图；图3是下垂控制原理图；图4是综合惯性控制原理图；图5是自动编码器结构图；图6是深度神经网络结构图；图7为ieee 9节点测试系统；图8为基于cae和dnn的风电调频综合惯性控制的最佳下垂控制参数的预测结果；图9为基于cae和dnn的风电调频综合惯性控制的最佳惯性控制参数的预测结果；图10为不同参数下的频率相应曲线图；
图11为不同负载量干扰下的频率相应曲线图。
具体实施方式
[0023]
现在结合附图对本发明作进一步详细的说明。
[0024]
在一实施例中，本发明提出了一种基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法，该方法的流程图如图1所示，包括以下步骤：步骤1：在风力发电机有功控制环节中同时引入频率偏差和频率变化率，建立综合惯性控制模型；综合惯性控制模型的原理图如图4所示；综合惯性控制模型的额外有功参考值的计算公式如下：，式中，为综合惯性控制模型的额外有功参考值，为惯性控制参数，为下垂控制参数，表示系统频率，表示风力发电机运行时间；通过改变惯性控制参数和下垂控制参数的值改变额外有功参考值，进而影响机组惯性支撑能力和调频后转速恢复时间；高通滤波器只允许频率的暂态分量通过，低通滤波器用于避免测量时噪声的干扰。
[0025]
综合惯性控制结合虚拟惯性控制和下垂控制，能够在系统频率响应的初始阶段和频率最低点的附近范围皆提供有力的功率支撑，在实际应用中惯性控制参数和下垂控制参数的设定复杂，受外部影响较大，需要科学地设定综合惯性控制参数，进而实现二者结合后的综合提升效果。因此使用以下步骤来获得适应于不同风电场景的综合惯性控制参数。
[0026]
当风速较低，风力发电机实际转速不足以达到额定转速时，一般正常情况下，风力发电机会在最大功率点跟踪（maximum power point tracking，mppt）模式下运行，使其最大限度的捕获风能并输出电能，风力发电机的转子转速为，将风力发电机最大功率点跟踪模式下输出功率p
mppt
与综合惯性控制模型的额外有功参考值相减，得到参考功率来调整电网频率；，步骤2：使用鼠群优化算法获得最优的综合惯性控制参数，综合惯性控制参数包括惯性控制参数和下垂控制参数，并由最优的综合惯性控制参数组成综合惯性控制参数数据集；鼠群优化(rat swarm optimizer, rso)算法是一种新型群智能优化算法，受启发于老鼠追逐和攻击猎物的种群行为，该算法设计简单、参数少、计算量小且性能优越。老鼠是一种群居性的领地动物，它们的行为在许多情况下具有很强的攻击性，这可能会导致一些其他动物的死亡。老鼠的这种攻击性行为是这个算法的主要灵感来源，主要包括对猎物追逐和攻击。通过对老鼠的追逐和攻击行为进行数学建模，设计出rso算法。
[0027]
鼠群优化算法具体为：
步骤2.1：初始化老鼠种群，将综合惯性控制参数定义为老鼠，将全局最优解定义为猎物；步骤2.2：计算每只老鼠的适应度值，得到最优老鼠；步骤2.3：计算勘探参数a和开发参数c，公式如下：，，式中，n为最大迭代次数，n为当前迭代次数，r是[1,5]范围内的随机数，是[0,1]范围内的随机数；步骤2.4：老鼠追逐猎物，为了从数学上定义这种行为，假设种群中的最优个体知道猎物所处的位置。于是，其它的老鼠可以通过最优个体来追逐猎物，从而更新当前位置，以获得更优的搜索位置。将老鼠追逐猎物的行为描述如下：，式中，是第只老鼠在第n次迭代的位置，是第n次迭代种群中的最优老鼠，是对于第i只老鼠而言猎物所处的位置；a为勘探参数，c是开发参数，二者实现算法在局部搜索和全局搜索之间的动态平衡；步骤2.5：老鼠攻击猎物，公式如下：，式中，是第只老鼠在第次迭代中的位置；步骤2.6：检查是否超出了搜索空间的边界限制，如超出边界限制则修正老鼠的位置；步骤2.7：判断是否满足终止条件，若满足则退出，输出最优的综合惯性控制参数，否则，返回步骤2.2。
[0028]
步骤3：利用收缩自动编码器提取综合惯性控制参数数据集的特征；具体包括：步骤3.1：将综合惯性控制参数数据集归一化；步骤3.2：将80%的归一化后的数据集作为训练集，剩下的20%的归一化后的数据集作为测试集；步骤3.3：构建收缩自动编码器模型，选择隐含层层数及神经元个数；收缩自动编码器(contractive autoencoders，cae)是在自动编码器的基础上，通过在损失函数上添加收缩正则化项，迫使编码器学习到有更强收缩作用的特征提取函数，从而增加训练数据集周围出现小扰动时的鲁棒性。
[0029]
收缩自动编码器模型的损失函数为：，式中，表示收缩自动编码器的雅可比矩阵，w为输入层和隐含层之间的权重矩阵，b为输入层与隐含层之间的偏置矩阵，j( )表示雅可比矩阵，x为输入的归一化后的
综合惯性控制参数矩阵，y为提取到的特征矩阵；为收缩正则化系数，为隐含层的输出关于输入样本的雅可比矩阵，为雅可比矩阵frobenius范数的平方，为输入的归一化后的综合惯性控制参数的数值；的具体计算式如下：，式中，表示编码器第j个隐含层神经元输出的降维后的样本，表示第个神经元的输入样本。
[0030]
从损失函数看，cae通过重构误差与收缩正则化项的平衡以提取样本的抽象特征。收缩正则化项使cae学习到的函数对于输入的梯度都较小，而重构误差迫使cae保留完整的信息。在两者共同作用下，特征提取函数关于输入的梯度大都较小，只有少部分梯度较大。这样在输入具有小扰动时，较小的梯度会削弱这些扰动，从而提升cae对输入小扰动的鲁棒性。cae的预训练是一个不断学习数据特征、进行特征提取的过程，同时也为深度神经网络提供合理的初始参数。
[0031]
步骤3.4：逐层贪婪无监督预训练，输入训练集并采用dropout技术，随机选择部分神经元从收缩自动编码器的网络中消失，减少特定节点之间的交互；步骤3.5：有监督细化训练，对网络权重和偏置进行微调，直到迭代次数达到设定值，得到训练收缩自动编码器效果最优的网络权重和偏置；步骤3.6：利用训练好的收缩自动编码器提取测试集的特征。
[0032]
步骤4：利用深度神经网络学习综合惯性控制参数数据集的特征，得到训练好的深度神经网络模型；深度神经网络(deep neural network, dnn)是具有很多个隐藏层的神经网络。按不同层的位置划分，dnn内部的神经网络层可以分为：输入层、隐藏层和输出层。一般第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。层与层之间是全连接的，即前一层的任意一个神经元一定与后一层的任意一个神经元相连，基本结构如图6所示。
[0033]
步骤4具体包括：步骤4.1：构建深度神经网络模型，选择隐含层层数和每个隐含层的神经元个数；步骤4.2：使用adam优化算法优化深度神经网络的输入权重矩阵、隐含层特征向量与输出权重矩阵，并对隐含层选择性增加正则化项；步骤4.3：将收缩自动编码器提取的特征当作深度神经网络的输入，深度神经网络学习收缩自动编码器提取的特征，得到训练好的深度神经网络模型；步骤4.4：将均方误差作为训练深度神经网络模型的评价指标，判断均方误差是否不再降低，若是则深度神经网络模型训练完成，否则返回步骤4.1；步骤4.5：保存训练好的深度神经网络模型，当下次遇到负荷扰动事件时，直接使用训练好的深度神经网络模型生成最优风电调频综合惯性控制方案。
[0034]
步骤5：遇到不同风电场景，将风速、风电占比和负荷扰动量输入训练好的深度神经网络模型，得到合适的对应不同风电场景下的综合惯性控制参数，将综合惯性控制参数输入综合惯性控制模型，综合惯性控制模型输出信号调整电网频率。
[0035]
下面通过实验结果证明本实施例的效果。
[0036]
将ieee 9节点系统作为算例测试系统，在其中线路l3上接入风力涡轮机模型，如图7所示。所涉及到的研究都是在风力涡轮机以低于额定功率仿真运行中得到的。为了满足在不同场景下使用此方法的需求，考虑风速、风电占比、负荷扰动量对系统频率特性的影响。分别从这三个方面对综合惯性控制进行参数设置。此算例中，共设置风速4m/s至10m/s，每种情况递增1m/s，共7种情况；风电占比设置从5%至60%，每种情况递增5%，共12种情况；负荷扰动量设置从1.005至1.25，每种情况递增0.005，共50种情况，共计4200种情况。基于cae和dnn的风电调频综合惯性控制最佳参数预测结果示意图如图8所示。并在典型场景中添加与其他调频控制方法的效果对比图和不同负载量干扰下的频率曲线对比图。系统中的典型场景为风速6m/s、风电占比30%、负荷扰动量0.05p .u .。在此同一典型场景的不同参数下的频率相应曲线和在不同负载量干扰下的频率相应曲线对比图见图9所示。
[0037]
在另一实施例中，本发明提出了一种与实施例一所提出的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法相对应的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制系统，包括综合惯性控制模块、数据集生成模块、收缩自动编码器和深度神经网络；所述综合惯性控制模块用于根据频率偏差、频率变化率、惯性控制参数和下垂控制参数得到综合惯性控制模型的额外有功参考值，并与风力发电机最大功率点跟踪模式下输出功率p
mppt
融合，输出参考功率，以调整电网频率；所述数据集生成模块使用鼠群优化算法获得最优的综合惯性控制参数并生成综合惯性控制参数数据集；所述收缩自动编码器用于提取综合惯性控制参数数据集的特征；所述深度神经网络用于根据不同的风电场景得到合适的对应不同风电场景下的惯性控制参数和下垂控制参数，并将惯性控制参数和下垂控制参数输入综合惯性控制模型。
[0038]
具体地，系统中各模块的工作流程与实施例一所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法的各步骤一致，故不再重复描述。
[0039]
在另一实施例中，本发明提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如实施例一所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法。
[0040]
在另一实施例中，本发明提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如实施例一所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法。
[0041]
在本技术所公开的实施例中，计算机存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于
一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦除可编程只读存储器（eprom或快闪存储器）、光纤、便捷式紧凑盘只读存储器（cd-rom）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0042]
本领域普通技术人员可以意识到，结合本技术所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0043]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

技术特征：
1.一种基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法，其特征在于，包括以下步骤：步骤1：在风力发电机有功控制环节中同时引入频率偏差和频率变化率，建立综合惯性控制模型；步骤2：使用鼠群优化算法获得最优的综合惯性控制参数，并由最优的综合惯性控制参数组成综合惯性控制参数数据集；步骤3：利用收缩自动编码器提取综合惯性控制参数数据集的特征；步骤4：利用深度神经网络学习综合惯性控制参数数据集的特征，得到训练好的深度神经网络模型；步骤5：遇到不同风电场景，将风速、风电占比和负荷扰动量输入训练好的深度神经网络模型，得到对应不同风电场景下的综合惯性控制参数，将深度神经网络模型输出的综合惯性控制参数输入综合惯性控制模型，综合惯性控制模型输出信号调整电网频率。2.根据权利要求1所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法，其特征在于，步骤1中，所述综合惯性控制模型的额外有功参考值的计算公式如下：，式中，为综合惯性控制模型的额外有功参考值，为惯性控制参数，为下垂控制参数，表示系统频率，表示风力发电机运行时间；通过改变惯性控制参数和下垂控制参数的值改变额外有功参考值。3.根据权利要求2所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法，其特征在于，步骤2中，所述综合惯性控制参数包括惯性控制参数和下垂控制参数，所述鼠群优化算法具体为：步骤2.1：初始化老鼠种群，将综合惯性控制参数定义为老鼠，将全局最优解定义为猎物；步骤2.2：计算每只老鼠的适应度值，得到最优老鼠；步骤2.3：计算勘探参数a和开发参数c，公式如下：，，式中，n为最大迭代次数，n为当前迭代次数，r是[1,5]范围内的随机数，是[0,1]范围内的随机数；步骤2.4：老鼠追逐猎物，计算猎物所处的位置，公式如下：
，式中，是第只老鼠在第n次迭代的位置，是第n次迭代种群中的最优老鼠，是对于第i只老鼠而言猎物所处的位置；步骤2.5：老鼠攻击猎物，公式如下：，式中，是第只老鼠在第次迭代中的位置；步骤2.6：检查是否超出了搜索空间的边界限制，如超出边界限制则修正老鼠的位置；步骤2.7：判断是否满足终止条件，若满足则退出，输出最优的综合惯性控制参数，否则，返回步骤2.2。4.根据权利要求1所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法，其特征在于，步骤3包括：步骤3.1：将综合惯性控制参数数据集归一化；步骤3.2：将归一化后的数据集分为训练集和测试集；步骤3.3：构建收缩自动编码器模型，选择隐含层层数及神经元个数；步骤3.4：进行逐层贪婪无监督预训练，输入训练集并采用dropout技术，随机选择部分神经元从收缩自动编码器的网络中消失；步骤3.5：进行有监督细化训练，对网络权重和偏置进行微调，直到迭代次数达到设定值，得到训练收缩自动编码器效果最优的网络权重和偏置；步骤3.6：利用训练好的收缩自动编码器提取测试集的特征。5.根据权利要求4所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法，其特征在于，步骤3.3中，所述收缩自动编码器模型的损失函数为：，式中，表示收缩自动编码器的雅可比矩阵，w为输入层和隐含层之间的权重矩阵，b为输入层与隐含层之间的偏置矩阵，j( )表示雅可比矩阵，x为输入的归一化后的综合惯性控制参数矩阵，y为提取到的特征矩阵；为收缩正则化系数，为隐含层的输出关于输入样本的雅可比矩阵，为雅可比矩阵frobenius范数的平方，为输入的归一化后的综合惯性控制参数的数值；的具体计算式如下：，式中，表示编码器第j个隐含层神经元输出的降维后的样本，表示第个神经元的输入样本。
6.根据权利要求1所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法，其特征在于，步骤4具体包括：步骤4.1：构建深度神经网络模型，选择隐含层层数和每个隐含层的神经元个数；步骤4.2：使用adam优化算法优化深度神经网络模型的输入权重矩阵、隐含层特征向量与输出权重矩阵，并对隐含层选择性增加正则化项；步骤4.3：将收缩自动编码器提取的特征当作深度神经网络的输入，深度神经网络学习收缩自动编码器提取的特征，得到训练好的深度神经网络模型；步骤4.4：将均方误差作为训练深度神经网络模型的评价指标，判断均方误差是否不再降低，若是则深度神经网络模型训练完成，否则返回步骤4.1；步骤4.5：保存训练好的深度神经网络模型。7.一种基于收缩自动编码器和深度神经网络的风电调频综合惯性控制系统，其特征在于，包括综合惯性控制模块、数据集生成模块、收缩自动编码器和深度神经网络；所述综合惯性控制模块用于根据频率偏差、频率变化率、惯性控制参数和下垂控制参数得到综合惯性控制模型的额外有功参考值，并与风力发电机最大功率点跟踪模式下输出功率融合，输出参考功率，以调整电网频率；所述数据集生成模块使用鼠群优化算法获得最优的综合惯性控制参数并生成综合惯性控制参数数据集；所述收缩自动编码器用于提取综合惯性控制参数数据集的特征；所述深度神经网络用于根据不同的风电场景得到对应不同风电场景下的惯性控制参数和下垂控制参数，并将惯性控制参数和下垂控制参数输入综合惯性控制模型。8.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-6任一项所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法。9.一种计算机可读存储介质，其特征在于：存储有计算机程序，所述计算机程序使计算机执行如权利要求1-6任一项所述的基于收缩自动编码器和深度神经网络的风电调频综合惯性控制方法。

技术总结
本发明公开了一种风电调频综合惯性控制方法、系统、电子设备和存储介质，上述方法的步骤为：建立综合惯性控制模型；使用鼠群优化算法获得最优综合惯性控制参数并生成数据集；收缩自动编码器提取数据集的特征；深度神经网络学习数据特征生成应对不同风电场景的综合惯性控制参数并输入综合惯性控制模型，得到风电调频综合惯性控制方案。本发明在面对电力系统出现功率不平衡的情景时能够快速、准确地提供当前系统下最优风电调频综合惯性控制方案，且考虑不同风速、风电占比和负荷干扰量对系统频率特性的影响，可以满足电力系统中不同场景的要求，具有良好的普适性，有效地提高了风电调频的质量与效率，为电力系统稳定运行与决策工作提供重要方案。作提供重要方案。作提供重要方案。


技术研发人员：徐妍 胡鹏 董建生 周涛 李军 王宁
受保护的技术使用者：江苏方天电力技术有限公司
技术研发日：2023.06.05
技术公布日：2023/7/7