[发明专利]一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置

说明书

本发明属于可再生能源发电技术领域，公开一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，包括：对风电机组实际运行时的输出功率、电压以及风速数据进行采集；对采集的风电机组输出功率、电压以及风速数据进行分段；采用Pony算法分析数据段包含的振荡模态；使用去噪自编码器对输出功率数据进行特征提取，并求取数据段的风速均值与电压均值，得到输出功率、风速、电压特征；构建多任务学习网络对振荡模态进行预测。本发明实施例首次将深度学习方法应用于风电系统振荡模态预测领域，基于风电机组运行大数据和多任务学习神经网络模型对机组的振荡模态进行预测，为风电系统运行安全性分析提供参考。

技术领域

本发明属于可再生能源发电技术领域，尤其涉及基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置。

背景技术

为应对全球变暖带来的威胁，中国提出“碳达峰、碳中和”的战略，力争在2030年前碳排放量不再增长，在2060年前实现碳中和的目标。化石燃料的燃烧是产生CO₂的主要原因之一，因此，传统电力系统逐渐转型为高比例可再生能源电力系统，以风能为代表的新能源开始大规模接入电网。与传统化石能源发电方式相比，风能具有清洁、高效、可再生等优势，但其出力具有较强的不确定性，在与电网进行并网时可能会引发振荡问题。随着风电渗透率的不断提高，风力机组与电网之间的相互作用问题得到了越来越多的关注。

研究表明，风电机组与电网之前的相互作用导致的振荡一般为有功功率振荡，按照频率可将分为不同的振荡模态，例如低频振荡、同步控制相互作用(SSCI)、次同步振荡(SSO)和次同步振荡(SSR)等。不同振荡模态的振荡机理不同，需要针对不同振荡模态类别采取不同的抑制措施，因此有必要对振荡模态进行准确预测。传统方法一般通过物理建模和仿真的方式对振荡模态类别进行分析，然而，由于风电机组振荡模态的成因复杂，物理建模时难以全面考虑电压、风速等因素对振荡模态的影响，难以实现对振荡模态的准确预测。

发明内容

本发明实施例提供了一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置，以解决现有技术中物理建模时难以全面考虑电压、风速等因素对振荡模态的影响的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法。

在一个实施例中，基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，包括：

步骤S1，对风电机组实际运行时的输出功率、电压以及风速数据进行采集；

步骤S2，对采集的风电机组输出功率、电压以及风速数据进行分段；

步骤S3，采用Pony算法分析数据段包含的振荡模态；

步骤S4，使用去噪自编码器对输出功率数据进行特征提取，并求取数据段的风速均值与电压均值，得到输出功率、风速、电压特征；

步骤S5，构建多任务学习网络对振荡模态进行预测。

可选地，所述步骤S2中，以时间间隔T对输出功率、电压和风速数据进行分段。

可选地，所述步骤S3中，采用Pony算法对每一段输出功率数据段进行信号分解，得到每一段输出功率数据段包含的振荡模态。

可选地，所述步骤S3中，输出功率数据段的信号分解结果与振荡模态的对应规则如下表所示：