本发明属于风电场技术领域，具体涉及一种基于信息物理系统的风电场有功备用量化方法。
背景技术：
目前风电场内都设有风功率预测系统，然而由于风能的不稳定性，导致风功率预测系统准确率较低，风电场并入电网时功率波动极大，对电网频率影响较大。风电场具有较齐全的检测设备、通讯网络及监控设备，具有大量较完整的风电场历史运行数据，但是没有对大量历史相关数据充分利用，导致风电场感知能力较弱。同时，风电场并网导则中明确要求风电场具备调频功能，然而目前风电场普遍不具备此功能，其中一个重要原因就是不能够准确快速量化风电场的有功备用指标。因此，研究基于信息物理系统的风电场有功备用量化方法对提高风电场感知能力、有功调控与调频能力具有重要意义。
现有基于历史信息数据增强风电场感知能力的方法主要侧重于对风电场监控系统及风电场发电量的预测的研究。具体介绍如下：
目前的某些技术中，整个系统是双网结构，数据库服务器、scada服务器和数据采集服务器则是双机冗余配置，面向各个风电场的通道也采用一个以太网为主通道，另外一个以太网为备通道的双通道模式。将多个分散风电场信息集中收集，与电网运行信息进行互动，据电网实时运行条件。该发明专利增强了风电场物理系统与信息系统的通讯能力与互动能力，其不足在于没有进一步利用历史数据与数据的相关性，以提高风电场的感知能力与预测能力。
还有一些技术中，根据混合神经网络预测模型进行风速预测和反归一化处理，得到相应的风速预测值，并预测风电场的出力能力。可以使电网调度运行部门加强并网电厂发电能力管理，合理安排运行方式，增加可再生能源出力和减少污染物排放。该发明利用历史信息数据建立了机器学习模型，预测了风速与风电场出力，但没有对风电场有功备用进行量化。
随着风电场的发展及电网友好型风电场建设需求，急需一种控制简单、运行可靠的风电场有功备用量化方法。
技术实现要素：
发明目的：
本发明的目的在于解决风电场有功备用的量化问题。
技术方案：
一种基于信息物理系统的风电场有功备用量化方法，该方法步骤如下：
(1)、采集风电场内部物理系统的所有关键有效实际数据；
(2)、将(1)步骤中采集的数据输入至信息系统的基于深度学习的转速预测模型中，输出机组的超短期预测转速；
(3)、利用(2)步骤中的预测转速通过有功备用方法计算得出机组储存于转子动能的有功备用。
(1)步骤中的有效数据包括天气、风电场超短期风功率预测系统预测功率、实际输出功率、转速、风速和桨距角；
之后对上述的数据使用均值填充缺失值。
(2)步骤中的转速预测模型为量化模型，是采集物理系统提供的天气、风速、风电场超短期风功率预测系统预测功率、实际输出功率、转速和桨距角大量历史数据，在信息系统利用大量历史数据建立基于深度学习的量化模型。
所述在转速预测模型根据风电机组运行方式中满载与降载的不同，分别建立两套量化模型，量化模型的结构一致，不同运行方式下建立的量化模型参数不同，在机组不同的运行方式下分别采用相应的量化模型。
所述转速预测模型：采用的方法是结构式长短期记忆网络，将邻近的机组的风电场内部物理系统的所有关键有效历史数据都发送至该模型中，选择天气、风功率预测、实际输出功率、风速、转速、桨距角为输入、下一时间步长的转速和功率为输出，分别进行对应，利用structural-lstm(长短期记忆网络)方法进行学习，建立预测转速模型。
lstm模型(预测转速模型)细胞结构包括3个门：遗忘门，输入门和输出门；
该细胞结构基于输入和之前的细胞状态进行状态更新，如下式所示：
式中，it为输入门矢量，ft为遗忘门矢量，ot为输出门矢量，ct为细胞状态，ct-1为t-1时刻细胞状态，ht为隐藏层状态，σ(x)＝1/1 e-x，f(·)函数为激活函数，xt为输入矢量，wxi,wxf,wxo,wxc,whi,whf,who和whc为线性组合权重系数，bi,bf,bo和bc为相关的偏差值，⊙表示哈达玛积。
lstm模型细胞结构，其中细胞状态和隐藏层状态更新方法(这个状态更新是模型的训练过程)如下：
式中，上标n-1、n、n 1分别表示第n-1、n、n 1台机组，下标t、t-1表示在t、t-1时刻的数据，
(3)步骤中的有功备用方法利用如下公式实现：(由该模型预测得出，输入ω预测、ωmin、δt就得出最终我们想要的δp为有功备用，ωmin、δt都是已知)
式中δp为有功备用，δt为有功备用时间，根据风电场需求进行调节，j为风电机组转动惯量，ω预测、ωmin分别预测转速和机组可承受最低转速。
所述有功备用方法，对于满载运行的机组，根据预测转速、机组可承受最低转速及风电机组转动惯量，求取储存于转子动能的有功备用；对于降载运行的机组，需要在此基础之上再加机组所降低的有功备用(已知)即可。
一种基于信息物理系统的风电场有功备用量化系统，
所述系统包括数据采集模块、超短期预测转速输出模块和有功备用模块；
数据采集模块采集风电场内部物理系统的所有关键有效实际数据；
超短期预测转速输出模块将数据采集模块中采集的数据输入至信息系统的基于深度学习的转速预测模型中，输出机组的超短期预测转速；
有功备用模块利用超短期预测转速输出模块中的预测转速通过有功备用方法计算得出机组储存于转子动能的有功备用。
优点效果：
风电场的功率波动对电网冲击较大，造成电网频率波动，目前风电场普遍不具备调频功能，不能够准确量化风电场有功备用，难以实现有效有功调节参与电网调频，给风电场业主及电力系统调度部门带来了一系列难题。
为解决上述问题，本发明提供一种基于信息物理系统的风电场有功备用量化方法：搭建量化有功备用的风电场信息物理系统，将风电场内部物理系统的所有关键有效数据通过通讯网络连接至信息网络。提出了风电场有功备用量化方法流程，充分利用大量历史数据进行训练，在信息系统内搭建两套基于深度学习的量化模型。通过量化模型得出每台机组的有功备用与预测功率，既能够增强风电场的感知能力与电网的调频能力，又能够完善、校准超短期风功率预测系统。其特征在于，包括以下步骤：
所述量化有功备用的风电场信息物理系统包括以下步骤：
通过风电场的传感器、plc、风功率预测系统采集物理系统的关键信息数据，经过通讯网络传输至信息系统的scada，电网调度指令、风电场agc指令也传送至scada，scada将控制指令发送至每台机组，并将所有相关数据发送至量化模型，量化模型通过计算后得到有功备用与预测功率，反馈给scada系统和电网，进而为风电场提供相应的有功备用指标和预测功率，提高风电场的有功调控能力与电网的调频能力。量化有功备用的风电场信息物理系统架构说明如图1所示。
所述风电场有功备用量化方法流程包括以下步骤：
采集输入数据，根据机组的运行方式建立不同的量化模型。当机组在满载运行方式下，对其相关数据进行训练，并建立满载下的深度学习模型。利用已有的数据对模型进行验证。如果模型不准确，则进一步检验输入数据并调整模型参数。当机组在降载运行方式下，对其相关数据进行训练，并建立降载下的深度学习模型。利用已有的数据对模型进行验证，如果模型不准确，则进一步检验输入数据并调整模型参数。如果模型准确，直接将实时数据输入模型之中，得到预测转速，并进行有功备用计算。最后，在机组被调控增加有功备用出力时，为保证机组、风电场的安全可靠性，通过物理计算方法实时计算进行转速保护，由于有功出力增加，会导致转速下降，当转速下降斜率过大时，说明过度使用了机组的有功备用，可能导致机组停机，因此在调控机组有功备用时，设定机组下降速率保护值。当转速下降斜率过大，实施机组下降速率保护，设定当前有功备用调节量为最大值，停止对机组有功备用的持续增加，防止机组停机。整体流程如图2所示。其有功备用计算公式如下：
式中δp为有功备用，δt为有功备用时间，根据风电场需求进行调节，j为风电机组转动惯量，ω预测、ωmin分别预测转速和机组可承受最低转速。
所述风电场有功备用量化模型包括以下步骤：
对不同运行方式下的历史数据做两类标签：满载和降载。基于深度学习方法分别建立两套有功备用量化模型，选择部分历史数据作为训练模型的样本，留有部分数据用于校验模型。采集数据库中天气、风功率预测、实际功率、转速、风速、桨距角作为模型的输入，有功备用与预测功率作为模型的输出，如图3所示。对量化模型进行校验，不断调整模型的参数，提高模型的准确率。
综上，本发明能够准确量化风电场有功备用，可以很好的实现有效有功调节参与电网调频，为风电场业主及电力系统调度部门解决了一系列难题。
附图说明
图1为风电场信息物理系统架构说明；
图2为风电场有功备用量化方法整体流程说明；
图3为风电场有功备用量化模型具体说明；
图4为s-lstm预测模型架构图；
图5为s-lstm结构图。
具体实施方式
一种基于信息物理系统的风电场有功备用量化方法，该方法步骤如下：
(1)、采集风电场内部物理系统的所有关键有效实际数据；
(2)、将(1)步骤中采集的数据输入至信息系统的基于深度学习的转速预测模型中，输出机组的超短期预测转速；
(3)、利用(2)步骤中的预测转速通过有功备用方法计算得出机组储存于转子动能的有功备用。
(1)步骤中的有效数据包括天气、风电场超短期风功率预测系统预测功率、实际输出功率、转速、风速和桨距角；
之后对上述的数据使用均值填充缺失值。
(2)步骤中的转速预测模型为量化模型，是采集物理系统提供的天气、风速、风电场超短期风功率预测系统预测功率、实际输出功率、转速和桨距角大量历史数据，在信息系统利用大量历史数据建立基于深度学习的量化模型。
所述在转速预测模型根据风电机组运行方式中满载与降载的不同，分别建立两套量化模型，量化模型的结构一致，不同运行方式下建立的量化模型参数不同，在机组不同的运行方式下分别采用相应的量化模型。
所述转速预测模型：采用的方法是结构式长短期记忆网络，将邻近的机组的风电场内部物理系统的所有关键有效历史数据都发送至该模型中，选择天气、风功率预测、实际输出功率、风速、转速、桨距角为输入、下一时间步长的转速和功率为输出，分别进行对应，利用structural-lstm(长短期记忆网络)方法进行学习，建立预测转速模型。
lstm模型(预测转速模型)细胞结构包括3个门：遗忘门，输入门和输出门；
该细胞结构基于输入和之前的细胞状态进行状态更新，如下式所示：
式中，it为输入门矢量，ft为遗忘门矢量，ot为输出门矢量，ct为细胞状态，ct-1为t-1时刻细胞状态，ht为隐藏层状态，σ(x)＝1/1 e-x，f(·)函数为激活函数，xt为输入矢量，wxi,wxf,wxo,wxc,whi,whf,who和whc为线性组合权重系数，bi,bf,bo和bc为相关的偏差值，⊙表示哈达玛积。
lstm模型细胞结构，其中细胞状态和隐藏层状态更新方法(这个状态更新是模型的训练过程)如下：
式中，上标n-1、n、n 1分别表示第n-1、n、n 1台机组，下标t、t-1表示在t、t-1时刻的数据，
(3)步骤中的有功备用方法利用如下公式实现：(由该模型预测得出，输入ω预测、ωmin、δt就得出最终我们想要的δp为有功备用，ωmin、δt都是已知)
式中δp为有功备用，δt为有功备用时间，根据风电场需求进行调节，j为风电机组转动惯量，ω预测、ωmin分别预测转速和机组可承受最低转速。
所述有功备用方法，对于满载运行的机组，根据预测转速、机组可承受最低转速及风电机组转动惯量，求取储存于转子动能的有功备用；对于降载运行的机组，需要在此基础之上再加机组所降低的有功备用(已知)即可。
一种基于信息物理系统的风电场有功备用量化系统，
所述系统包括数据采集模块、超短期预测转速输出模块和有功备用模块；
数据采集模块采集风电场内部物理系统的所有关键有效实际数据；
超短期预测转速输出模块将数据采集模块中采集的数据输入至信息系统的基于深度学习的转速预测模型中，输出机组的超短期预测转速；
有功备用模块利用超短期预测转速输出模块中的预测转速通过有功备用方法计算得出机组储存于转子动能的有功备用。
量化模型的历史数据包括：运行方式标签(机组可能会有两种不同的运行方式，就是指不同的运行方式下，运行方式不同，对应的模型不同。不同的运行方式说的就是满载或降载)：满载与降载、天气数据、超短期风功率预测数据、风速、实际功率、转速以及桨距角。
下面，结合附图进行具体说明：
如图4所示，量化模型主要包括：转速预测模型和公式1计算有功备用。
对于预测模型采用的方法是结构式长短期记忆网络(s-lstm,structurallongshort-termmemory)，如上图所示。
主要特征是：考虑到相邻机组的风速等特征的相关性，将邻近的几个机组(此处选了3台作为示意，可选多台，如果太多会影响计算)的参数都发送至该模型中，能够实现利用邻近机组数据的相关特性。选择天气、风功率预测、实际输出功率、风速、桨距角为输入、下一时间步长的转速和功率为输出，分别进行对应，利用lstm方法进行学习，建立预测转速模型。lstm模型细胞结构包括3个门：遗忘门，输入门和输出门。该细胞基于输入和之前的细胞状态进行状态更新。如下式所示。
式中，it为输入门矢量，ft为遗忘门矢量，ot为输出门矢量，ct为细胞状态，ht为隐藏层状态，σ(x)＝1/1 e-x，f(·)函数为激活函数，xt为输入矢量，wxi,wxf,wxo,whi,whf和who为线性组合权重系数，bi,bf和bo为相关的偏差值。
对于单个s-lstm的结构描述如下：
单个s-lstm的结构包括多个lstm模型细胞结构，如图5所示。其中细胞状态和隐藏层状态更新方法如下：
式中，
所述的量化方法包括风电场物理系统、信息系统以及通讯网络。采集物理系统提供的天气、风速、风电场超短期风功率预测系统预测功率、发电功率、转速和桨距角等大量数据，在信息系统利用大量历史数据建立基于深度学习的量化模型，通过通讯网络输入天气、预测功率、风速至量化模型，输出机组的超短期预测转速与功率。进而通过有功备用方法计算得出机组储存于转子动能的有功备用，而对于降功率运行的机组，需再加上降载部分的有功备用。最后得出风电场总的有功备用，并在调控有功时设计转速下降斜率保护，为风电场有功调控、电网频率调节提供支撑，其特征在于：
(1)所述量化有功备用的风电场信息物理系统，该系统涉及风电场物理系统、信息系统和通讯网络，物理系统包括风电机组、转速传感器装置、风电场超短期风功率预测系统，信息系统包括数据采集与监视控制系统(scada)、有功备用量化模型，通讯网络将采集的风电场物理系统数据传输至信息网络，进行数据处理、建模，进一步信息系统基于生成的量化指标调控物理系统，形成完整闭环系统。使信息、物理系统深度融合，增强了对风电场关联数据的有效利用与感知能力。
(2)所述有功备用量化方法，该方法基于风电场的信息物理系统，总体方法流程为利用风电场大量历史数据建立有功备用量化模型，并得到预测转速和功率。进一步利用预测转速计算有功备用，并设计转速下降斜率保护功能。实现风电场有功备用的有效量化和风功率预测的校正、完善，提高风电场的有功调控能力与电网调频能力。
(3)所述有功备用量化模型，该模型基于大量风电场历史数据利用深度学习进行训练、校验得到。根据风电机组运行方式(满载与降载)的不同，分别建立两套量化模型，量化模型的结构一致，不同运行方式下建立的量化模型参数不同，在机组不同的运行方式下分别采用相应的量化模型。
(4)所述有功备用量化模型的历史数据包括：运行方式标签(满载与降载)、天气数据、超短期风功率预测数据、风速、实际功率、转速以及桨距角。该深度学习模型的输入包括天气、预测功率、转速、风速、桨距角。输出为预测转速和预测功率。该模型输出的预测转速需要进一步进行有功备用计算。
(5)所述有功备用计算，对于降载运行的机组，根据预测转速、机组可运行最低转速及机组固有转动惯量参数，求取储存于转子动能的有功备用。对于降载运行的机组，需要在此基础之上再加机组所降低的有功备用即可。
(6)所计算得到的风电场有功备用指标，发送至风电场自动发电控制(agc)系统，agc根据各机组有功备用指标的大小，发送功率指令增大或减小各机组出力，设计机组转速下降斜率保护来实现机组稳定运行。
(7)所述转速下降斜率保护，在调控机组增加其有功备用时，设定机组下降速率保护值。当转速下降斜率过大，设置当前有功备用调节量为最大值，停止对机组有功备用的持续增加，防止机组停机。
(8)所述量化模型生成的预测功率，由于模型内考虑了超短期风功率预测系统与实际功率的偏差，以及天气因素对风功率预测值的影响，对超短期风功率预测系统形成改善、校正。发送量化模型生成的量化的有功备用指标与预测功率至风电场参与电网调度，减小了对传统准确率较低的风功率预测系统的依赖程度，提高了电网的频率调节能力。
1.一种基于信息物理系统的风电场有功备用量化方法，其特征在于：该方法步骤如下：
(1)、采集风电场内部物理系统的所有关键有效实际数据；
(2)、将(1)步骤中采集的数据输入至信息系统的基于深度学习的转速预测模型中，输出机组的超短期预测转速；
(3)、利用(2)步骤中的预测转速通过有功备用方法计算得出机组储存于转子动能的有功备用。
2.根据权利要求1所述的一种基于信息物理系统的风电场有功备用量化方法，其特征在于：
(1)步骤中的有效数据包括天气、风电场超短期风功率预测系统预测功率、实际输出功率、转速、风速和桨距角；之后对上述的数据使用均值填充缺失值。
3.根据权利要求1所述的一种基于信息物理系统的风电场有功备用量化方法，其特征在于：(2)步骤中的转速预测模型为量化模型，是采集物理系统提供的天气、风速、风电场超短期风功率预测系统预测功率、实际输出功率、转速和桨距角大量历史数据，在信息系统利用大量历史数据建立基于深度学习的量化模型。
4.根据权利要求3所述的一种基于信息物理系统的风电场有功备用量化方法，其特征在于：所述在转速预测模型根据风电机组运行方式中满载与降载的不同，分别建立两套量化模型，量化模型的结构一致，不同运行方式下建立的量化模型参数不同，在机组不同的运行方式下分别采用相应的量化模型。
5.根据权利要求4所述的一种基于信息物理系统的风电场有功备用量化方法，其特征在于：
所述转速预测模型：采用的方法是结构式长短期记忆网络，将邻近的机组的风电场内部物理系统的所有关键有效历史数据都发送至该模型中，选择天气、风功率预测、实际输出功率、风速、转速、桨距角为输入、下一时间步长的转速和功率为输出，分别进行对应，利用structural-lstm方法进行学习，建立预测转速模型。
6.根据权利要求5所述的一种基于信息物理系统的风电场有功备用量化方法，其特征在于：
lstm模型细胞结构包括3个门：遗忘门，输入门和输出门；
该细胞结构基于输入和之前的细胞状态进行状态更新，如下式所示：
式中，it为输入门矢量，ft为遗忘门矢量，ot为输出门矢量，ct为细胞状态，ct-1为t-1时刻细胞状态，ht为隐藏层状态，σ(x)＝1/1 e-x，f(·)函数为激活函数，xt为输入矢量，wxi,wxf,wxo,wxc,whi,whf,who和whc为线性组合权重系数，bi,bf,bo和bc为相关的偏差值，⊙表示哈达玛积。
7.根据权利要求6所述的一种基于信息物理系统的风电场有功备用量化方法，其特征在于：
lstm模型细胞结构，其中细胞状态和隐藏层状态更新方法如下：
式中，上标n-1、n、n 1分别表示第n-1、n、n 1台机组，下标t、t-1表示在t、t-1时刻的数据，
8.根据权利要求7所述的一种基于信息物理系统的风电场有功备用量化方法，其特征在于：(3)步骤中的有功备用方法利用如下公式实现：
式中δp为有功备用，δt为有功备用时间，根据风电场需求进行调节，j为风电机组转动惯量，ω预测、ωmin分别预测转速和机组可承受最低转速。
9.根据权利要求8所述的一种基于信息物理系统的风电场有功备用量化方法，其特征在于：
所述有功备用方法，对于满载运行的机组，根据预测转速、机组可承受最低转速及风电机组转动惯量，求取储存于转子动能的有功备用；对于降载运行的机组，需要在此基础之上再加机组所降低的有功备用即可。
10.一种基于信息物理系统的风电场有功备用量化系统，其特征在于：
所述系统包括数据采集模块、超短期预测转速输出模块和有功备用模块；
数据采集模块采集风电场内部物理系统的所有关键有效实际数据；
超短期预测转速输出模块将数据采集模块中采集的数据输入至信息系统的基于深度学习的转速预测模型中，输出机组的超短期预测转速；
有功备用模块利用超短期预测转速输出模块中的预测转速通过有功备用方法计算得出机组储存于转子动能的有功备用。
技术总结