基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制.pdf

收稿日期:修回日期:录用日期:基金项目:江苏省自然科学基金青年项目(B K ),智能电网保护和运行控制国家重点实验室开放课题(S GN R K J J S )作者简介:王亚伦(),硕士生,从事电力系统频率稳定与控制研究通信作者:周涛,博士,讲师;E m a i l:z h o u t a o n j u s t n j u s t e d u c n 文章编号:()D O I:/j c n k i j s j t u 基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制王亚伦,周涛,陈中,王毅,权浩(南京理工大学 自动化学院,南京 ;东南大学 电气工程学院,南京 ;国网电力科学研究院有限公司 智能电网保护和运行控制国家重点实验室,南京 )摘要:风电调频的逐步惯性控制(S I C)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,保障电网频率安全但在其功率恢复阶段,容易出现二次频率跌落现象,需优化S I C以获得更好的调频效果传统方法存在计算维度高和耗时较长的弊端,难以满足不同场景下快速提供最优控制效果的需求为实现负荷扰动事件下风电调频的最优逐步惯性快速控制,引入深度学习算法,提出一种基于堆叠式降噪自动编码器(S D A E)和深度神经网络(D NN)的风电调频逐步惯性智能控制方法首先,使用麻雀搜索算法获得最优参数,使用S D A E高效提取数据特征;随后,基于D NN对数据特征进行学习,并引入加速自适应矩估计优化网络参数,提升网络全局最优参数;最后,应用S D A E D NN联合方法实现扰动事件后风电调频的逐步惯性在线控制在I E E E 节点测试系统中分别对单台风力机和风电场进行仿真分析,与传统方法、浅层反向传播神经网络及原始D NN所得结果对比发现,所提网络结构具有更优的预测精度和泛化能力,该方法能够实现良好的逐步惯性调频效果关键词:逐步惯性控制;二次频率跌落;麻雀搜索算法;堆叠式降噪自动编码器;深度神经网络中图分类号:TM 文献标志码:AS t e p w i s e I n e r t i a l I n t e l l i g e n tC o n t r o l o fW i n dP o w e r f o rF r e q u e n c yR e g u l a t i o nB a s e do nS t a c k e dD e n o i s i n gA u t o e n c o d e ra n dD e e pN e u r a lN e t w o r kWANGY a l u n,ZHO UT a o,CHENZ h o n g,WANGY i,Q U AN H a o(S c h o o l o fA u t o m a t i o n,N a n j i n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,N a n j i n g ,C h i n a;S c h o o l o fE l e c t r i c a lE n g i n e e r i n g,S o u t h e a s tU n i v e r s i t y,N a n j i n g ,C h i n a;N a t i o n a lK e yL a b o r a t o r yf o rS m a r tG r i dP r o t e c t i o na n dO p e r a t i o nC o n t r o l,S t a t eG r i dE l e c t r i cP o w e rR e s e a r c hI n s t i t u t eC o,L t d,N a n j i n g ,C h i n a)A b s t r a c t:S t e p w i s e i n e r t i a lc o n t r o l(S I C)p r o v i d e sas t e p i n c r e a s eo fp o w e ra f t e rl o a df l u c t u a t i o n,w h i c hc a ne f f e c t i v e l yp r e v e n t s y s t e mf r e q u e n c yd e c l i n ea n de n s u r e t h es a f e t yo fg r i df r e q u e n c y H o w e v e r,i nt h ep o w e r r e c o v e r ys t a g e,s e c o n d a r yf r e q u e n c yd r o p(S F D)i se a s yt oo c c u r T h e r e f o r e,i ti sn e c e s s a r yt oo p t i m i z eS I Ct oo b t a i nab e t t e r f r e q u e n c y r e g u l a t i o ne f f e c t T h e t r a d i t i o n a lm e t h o dh a s t h ed i s a d v a n t a g e s o f第 卷 第 期 年 月上 海 交 通 大 学 学 报J OUR NA LO FS HANGHA I J I A OT ON GUN I V E R S I T YV o l N o N o v 上海交通大学学报第 卷h i g hc a l c u l a t i o nd i m e n s i o na n dl o n gc o n s u m i n gt i m e,w h i c hi sd i f f i c u l tt o m e e tt h er e q u i r e m e n t so fp r o v i d i n gt h eo p t i m a l c o n t r o l e f f e c t i nd i f f e r e n t s c e n a r i o s I no r d e r t or e a l i z et h eo p t i m a l s t e p w i s e i n e r t i a lf a s t c o n t r o l o fw i n dp o w e r f r e q u e n c yr e g u l a t i o n i nl o a dd i s t u r b a n c ee v e n t s,t h i sp a p e r i n t r o d u c e s t h ed e e pl e a r n i n ga l g o r i t h m a n d p r o p o s e sas t e p w i s ei n e r t i a li n t e l l i g e n tc o n t r o lo f w i n d p o w e rf o rf r e q u e n c yr e g u l a t i o nb a s e do ns t a c k e dd e n o i s i n ga u t o e n c o d e r(S D A E)a n dd e e pn e u r a ln e t w o r k(D NN)F i r s t,s p a r r o ws e a r c ha l g o r i t h m(S S A)i su s e d t oo b t a i n t h eo p t i m a l p a r a m e t e r s,a n dS D A Ei su s e d t oe x t r a c t t h ed a t af e a t u r e se f f i c i e n t l y T h e n,D NNi su s e dt ol e a r nt h ed a t af e a t u r e s,a n dt h ea c c e l e r a t e da d a p t i v em o m e n te s t i m a t i o ni si n t r o d u c e dt oo p t i m i z et h en e t w o r kp a r a m e t e r st oi m p r o v et h eg l o b a lo p t i m a lp a r a m e t e r so f t h en e t w o r k F i n a l l y,t h e s t e p w i s e i n e r t i a l o n l i n e c o n t r o l o fw i n dp o w e r f r e q u e n c y r e g u l a t i o na f t e rd i s t u r b a n c ee v e n ti sr e a l i z e da c c o r d i n gt oS D A E D NNT h es i m u l a t i o na n a l y s i si sc o n d u c t e df o ras i n g l ew i n dt u r b i n ea n daw i n df a r mi nt h e I E E E b u s t e s ts y s t e m C o m p a r e dw i t ht h er e s u l t so b t a i n e db yt h et r a d i t i o n a lm e t h o d,s h a l l o w B Pn e u r a ln e t w o r ka n do r i g i n a lD NNn e t w o r k,i ti sf o u n dt h a tt h ep r o p o s e dn e t w o r ks t r u c t u r eh a sab e t t e rp r e d i c t i o na c c u r a c ya n dg e n e r a l i z a t i o na b i l i t y,a n dt h ep r o p o s e dm e t h o dc a na c h i e v eag r e a t e f f e c to f s t e p w i s e i n e r t i a f r e q u e n c yr e g u l a t i o n K e yw o r d s:s t e p w i s e i n e r t i a l c o n t r o l(S I C);s e c o n d a r yf r e q u e n c yd r o p(S F D);s p a r r o ws e a r c ha l g o r i t h m(S S A);s t a c k e dd e n o i s i n ga u t o e n c o d e r(S D A E);d e e pn e u r a ln e t w o r k(D NN)为应对全球能源与环境气候危机,可再生能源在电力系统中的比例不断增大已经成为一种必然趋势风力发电(风电)作为一种重要的可再生能源,得到稳定、持续的发展风电在提供清洁能源的同时,也使得电力系统惯量下降,给系统的频率控制质量与频率稳定带来严峻挑战风力发电机通过电力电子变流器接入电网,与系统频率解耦,无法通过释放或吸收能量响应功率偏差,不能主动为电网提供惯量支撑为了提高频率控制的质量与效率,有必要让其参与调频新的电网规范要求风电场需要向电网提供频率支撑为了满足需求,当电网中出现有功功率不平衡时,风力机可以通过不同形式的惯性控制提供合成惯性,逐步惯性控制(S t e p w i s eI n e r t i a lC o n t r o l,S I C)参与电网频率控制具有良好的调频性能在使用S I C策略调频过程中,风力机通过释放转子动能向电网提供一段时间长度的增发功率,转子转速也随之下降风力机只能释放额外有限的转子动能提供给电网短暂的功率支撑以保护转子侧变流器,S I C策略也必须保证风力机转子在达到最低转速前终止功率超发突然终止功率超发会导致电网频率出现二次频率跌落(S e c o n d a r yF r e q u e n c yD r o p,S F D)不 佳 的S I C策 略 甚 至 会 导 致S F D最低值低于一次频率跌落最低值 S I C的调频效果与S F D有复杂联系,可采用不同方法优化文献 中提出将调频策略设计为分段函数,并使用粒子群算法获得不同风速区间下的分段函数值,有效改善S F D现象,但分段函数的使用会导致频率出现多次跌落现象,产生更多频率波动,不利于频率快速恢复文献 中提出基于转矩限制的调频策略,风力机能够充分释放转子动能参与调频来改进S F D现象,但此策略与系统频率解耦,小扰动事件发生时容易产生超调文献 中提出固定终结时间(F i x e dT e r m i n a t i o nT i m e,F T T)S I C策略,简化S I C数学模型,推导出F T T表达式对于任何风速或负荷扰动,F T T都能快速给出调频方案,实现可接受的S F D,适合实际应用,但无法发挥出全部的S I C调频能力,甚至部分场景下调频效果堪忧上述缓解S F D的方法,都不能够最大程度地达到目的,忽略了S I C过程中风力机增发功率与控制动作持续时间对S F D及调频效果的重要影响针对此问题进行研究,提出求解S I C最优控制参数来实现风电调频最优S I C的解决思路增负荷扰动事件发生时,风速、风电占比、负荷扰动量的不确定性使风力机产生不同的功率 为了调整风力机增发功率的最佳幅度和惯性控制动作最优持续时间,以最小化电网中的频率下降,需要在扰动突发时对其进行在线计算鉴于问题的维数和复杂性,使用传统的时域仿真方法存在计算量大、运算时间长等缺点 而实际的频率控制需要在检测到频率跌落事件后立即执行传统方法难以满足风电参与电网调频的快速性和效率性要求为实现上述调频目标,提出一种基于堆叠式降噪自 动 编 码 器(S t a c k e d D e n o i s i n g A u t o e n c o d e r,第 期王亚伦,等:基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制 S D A E)和 深 度 神 经 网 络(D e e p N e u r a lN e t w o r k,D NN)的风电调频逐步惯性智能控制(S t e p w i s eI n e r t i a l I n t e l l i g e n tC o n t r o l,S I I C)策略首先,使用麻雀搜索算法(S p a r r o wS e a r c hA l g o r i t h m,S S A)获得最优S I C参数,在后续训练神经网络提供样本训练集;然后,引入S D A E,利用无监督贪婪逐层训练对数据进行特征提取;再构建深度神经网络,训练网络模型并引入N e s t e r o v加速的自适应矩估计(N e s t e r o v A c c e l e r a t e d A d a p t i v e M o m e n t E s t i m a t i o n,NA D AM)优化网络参数,提升网络的全局最优参数;最 后,将 训 练 好 的S A D E与D NN组 合 生 成S D A E D NN,能够更优地拟合复杂函数,提升模型的预测效果,具有更好的预测精度和泛化能力算例仿真结果显示:S D A E D NN能够快速、准确地输出最佳S I C参数参与电网调频控制,从而优化S F D、保障新型电力系统的短时频率安全 风电调频逐步惯性控制策略 逐步惯性控制原理风力发电机的输出功率由风轮、转轴转动,从风能中提取的机械功率转换而来,表示为PmRCp(,)vw()式中:为空气密度;R为风轮半径;vw为风速;Cp为风能利用系数,取决于叶尖速比和桨距角,即Cp(,)cciccecic()i ()图风电调频S I C策略控制过程F i g C o n t r o l p r o c e s so fS I Cs t r a t e g yf o rw i n dp o w e r f r e q u e n c yr e g u l a t i o n式中:风力机模型参数cc分别为 、当风速较低,风力机实际转速不足以达到额定转速时,正常情况下风力机会在最大功 率 点 跟 踪(M a x i m u m P o w e rP o i n t T r a c k i n g,MP P T)模式下运行,使其最大限度地捕获风能、输出电能,其输出的功率为转子转速r的函数,表示为PMP P T(r)ko p tr()式中:ko p t为最优功率曲线系数,且ko p tRCm a xp/o p t,其中Cm a xp为最大风能利用系数,o p t为最佳叶尖速比当电力系统突然出现功率不平衡,例如突然的负荷需求或发电中断时,系统频率就会下降此时,即使风力机运行在MP P T模式下,仍可以通过逆变器的电力电子控制将转子动能转换为输出的电磁功率,实现风力机功率的短时超发,给电网频率提供支撑,以此补偿电网中的功率不平衡 这个阶段风力机的转速会下降,相当于风力机的转子动能转化为电能提供频率支撑风力机可以切换到S I C模式进行此过程,S I C模式包括两个主要阶段:短时超发阶段和转速恢复阶段图(a)、(b)分别表示恒风速、固定风电占比的条件下,S I C控制策略风力机转子转速与输出功率的关系及S I C过程中输出功率随时间(t)的变化参与调频具体过程如下所示()风力机正常工作在MP P T曲线上的A点,输出的电磁功率为Pw,转子转速为,输出功率PwPMP P TPw T时刻,系统突然出现功率不平衡,导致频率下降,风力机监测到频率下降超过死区限值,随即切 换到S I C模 式,立即增 加 输 出 功 率Pu p,输出功率PwPw Pu p,输出功率从A点到提升到B点,进入短时超发阶段()在短时超发阶段,风力机输出功率在持续时间Tu p内保持不变,从B点持续到C点此阶段风力机输出的电磁功率大于机械功率,转子随即减速,风力机转子运动方程为HwrdrdtPmPe()式中:Hw为风力机惯性常数;Pm、Pe分别为风力机输入的机械功率和输出的电磁功率 上海交通大学学报第 卷值得注意的是,短时超发阶段必须在转子过度减速之前终止,以避免风力机发生转子失速事件因此,Tu p的取值需保证转子转速在To f f时刻未达到最小转速m i n,m i n一般为 (p u)()To f f时刻,短时超发阶段结束,风力机输出功率突然下降Po f f,此时转子转速为o f f,输出功率由C点突降到D点,进入恢复阶段()在转速恢复阶段,风力机切换至最大功率点跟踪模式,PwPMP P Tko p tr,产生的系统功率缺额为Po f fPw Pu pPw,该阶段风力机的机械功率大于电磁功率,转子加速,经过Tr的恢复时间,在Te n d时刻转子转速由o f f恢复到,电磁功率也随 着 转 子 转 速 上 升 恢 复 至Pw,输 出 功 率 沿MP P T轨迹从D点缓慢回到A点从整个S I C调频过程可以看出,个变量影响当前时刻风力机输出功率Pw和转速r,分别是短时超发阶段的增发功率Pu p、持续时间Tu p和转速恢复阶段的突降功率Po f f、恢复时间Tr,而Po f f、Tr由风力机短时超发阶段的初末状态和MP P T轨迹共同决定,因此人为可控的变量只有Pu p和Tu p,其很大程度上影响着调频效果在同一个系统里,各个场景下总存在最优Pu p、Tu p,可应用于S I C调频图各阶段功率变化及频率响应F i g P o w e rv a r i a t i o na n df r e q u e n c yr e s p o n s ea t e a c hs t a g e 系统频率响应模型为了计算S I C过程中的系统频率响应,使用低阶系 统 频 率 响 应(S y s t e m F r e q u e n c y R e s p o n s e,S F R)模型,将一个大系统的同步电机动态行为平均到一个等效的单机上,用来计算扰动后的系统频率响应,对于各种风力机类型及控制方式均可适用算例部分使用的具体模型由图所示图中:Hs为系统惯性常数;s为拉普拉斯变换下的复频率;Ds为系统阻尼系数;Km为机械功率增益系数;FH为高压涡轮机产生的总功率的比例;TR为再热时间常数;Rs为调速器的调节系数;Pm s为等效同步电机系统机械功率变化;P为S F R模型输入的功率变化;f为S F R模 型 输 出 的 频 率 响 应模 型 参 数 为:Hs(dw i n d),dw i n d为系 统 风 电 占 比;Ds;Km ;FH ;TR;Rs 图S F R模型F i g S F Rm o d e lT时刻,电网中负载发生功率扰动PL,风力机立即切换到S I C模式增加输出功率Pu p,减轻负载扰动的大小以阶跃函数形式输入Pu pPL至S F R模型,相应的频率响应如图(a)所示To f f时刻,短时超发阶段结束,风力机输出功率突然下降Po f f输入S F R模型,其频率响应如图(b)所示同时,风力机进入转速恢复阶段,风力机在MP P T模式下运行,恢复阶段功率为Pr(t),其频率响应如图(c)由于S F R是线性模型,所以多个阶段的输入叠加有效将图(a)(c)叠加得到图(d)S F R模型总输入P(t)可当作以下个分量的总和:P(t)P(t)P(t)P(t)()式中:P(t)为T时刻负载扰动引起的功率变化;P(t)为To f f时刻风力机突然的功率下降;P(t)为风力机恢复阶段功率变化具体公式为P(t)(Pu pPL)(tT)()P(t)Po f f(tTo f f)()P(t)Pr(tTo f f)(tTo f f)()第 期王亚伦,等:基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制 式中:(t)为单位阶跃函数与其相对应的频率响应:f(t)f(t)f(t)f(t)()f(t)(Pu pPL)(tT)rS F R(tT)()f(t)Po f f(tTo f f)rS F R(tTo f f)()f(t)Pr(tTo f f)(tTo f f)rS F R(tTo f f)()式中:rS F R(t)为S F R模型的单位阶跃响应,即rS F R(t)RsDsRsKments i n(rt)()式中:HsRs(DsRsKmFH)TR(DsRsKm)DsRsKmHsRsTR()TRnTRn()rn()a r c t a nrTRnTRa r c t a n()r、n分别为有阻尼和无阻尼的系统固有频率 风电调频逐步惯性智能控制 S D A E和D N NS D A E 是一种高效的深度特征学习模型,可以自适应地从未标记的数据和非线性映射中提取特征 D NN 由若干神经元连接组成的输入层、多隐藏层和输出层构成,具有强大的非线性映射能力,可以有效解决复杂的非线性问题基于上述深度学习模型的优点,将S D A E和D NN进行结合,提出一种高效的S D A E D NNS D A E由多个降噪自动编码器(D e n o i s i n gA u t o e n c o d e r,D A E)组成,结构如图所示 D A E是在自动编码器(A u t o e n c o d e r,A E)基础上进行的改进,在A E的部分原始输入中增加噪声,由编码器、解码器两部分组成在编码器中将含噪声输入转换为隐藏层中的潜在表征,然后在解码器中将内部表征转换为输出,输出是对于原始输入的重构,要尽可能接近原始的无噪声输入选择输入数据X,X由N组数据样本组成,每组数据样本由x、x、xn组成设隐藏层特征向量集合为H,H由N组特征向量组成,每组特征向量由h、h、hm组成,m为每组特征向量中的向量个数,则X与H的编码关系为Hsf(WXB)()图堆叠式降噪自动编码器结构F i g S t r u c t u r eo fS D A E式中:W为输入层和隐藏层之间的权重矩阵;B为输入层与隐藏层之间的偏置矩阵;sf为编码器的神经元激活函数,常用s i g m o i d函数sf(z)ez()式中:z为输入向量解码器运算是编码器运算的逆过程,以隐藏层的特征向量作为输入向量重构原始输入,设Y为输出数据,则H与Y的解码关系为Ysg(W XB)()式中:W为隐藏层与输出层之间的权重矩阵;B为隐藏层与输出层之间的偏置矩阵;sg为解码器的神经元激活函数D A E通过最小化输入数据与输出数据之间的重构误差来实现特征学习,利用梯度下降算法不断调整网络权重和偏置,降低重构误差 D A E中噪声的加入降低了A E特征学习时简单地将输入复制到输出的可能,使得自身必须找到数据中的特殊模式重构误差如下:L(X,Y)NXY()如图所示,第层D A E的输入为原始数据,其输出数据作为下一层D A E的输入数据,Wn、Bn分别是第n层隐藏层与第n层隐藏层的权重矩阵、偏置矩阵可以通过无监督贪婪逐层训练的方法有效训练S D A E,实现特征学习 S D A E通过训练可以更优地拟合复杂函数,高效地提取数据的高阶特征,挖掘更深的隐藏信息将S D A E与D NN进 行 结 合,构 建S D A E D NN,其 结 构 如 图所 示,表 示D NN部 分S D A E的输出层作为D NN的输入层,对其进行训练,从数据中提取出的特征被D NN高效学习,具有 上海交通大学学报第 卷图S D A E D NN结构F i g S t r u c t u r eo fS D A E D NN更好的预测精度和泛化能力 基于S S A的控制优化S D A E D NN需要利用大量可靠数据进行迭代训练、学习,并提供基于智能学习的控制针对不同的应用场景,使用S S A 求解目标函数全局最优解 S S A提供一个可靠的数据集,其中包括风速、风电占比、负荷扰动量、风力机增发功率Pu p和持续时间Tu p,用于训练S D A E D NN S I I C的框架如图所示,并应用于风力机转子侧变流器的控制回路中 S S A除了稳定性,还具有高准确性和快速收敛性,使用其求解最佳S I C控制参数Pu p、Tu p,能够获得正确的数据,精度高、误差小图S I I C框架F i g F r a m e w o r ko fS I I C风速、风电占比、负荷扰动量是S D A E D NN的输入,S S A计算出各个场景下的最佳S I C控制参数数据库,用来调整不同输入对应的输出使用定义的均方差(M e a nS q u a r eE r r o r,M S E)值计算网络期望输出和预测输出之间的误差:eM S Ekka(EaPa)()式中:k为数据量;Ea为由S S A获得的目标输出值;Pa为S D A E D NN的预测输出值更新网络之间的权重、偏置,以最小化误差调整后的网络可以在实际应用中作为一个可靠、稳定、准确的控制系统S S A的机制如下:捕食者时刻抓捕寻找食物的麻雀麻雀由自身能量储备分为生产者和乞讨者并随时变换,二者在群体中的比例一定生产者搜索食物丰富的区域,向乞讨者指引觅食区域及方向模型中,麻雀个体相应的适应度值决定了能量储备量麻雀的位置可以用如下矩阵表示为Gggdgvgdv()式中:d为待优化问题变量的维数;v为麻雀数量所有麻雀的适应度值可由如下形式表示,即Fgf(gggd)f(gggd)f(gvgvgdv)()式中:f为个体的适应度值在S S A的搜索过程中,更高适应度值的生产者会更快获取食物并拥有更大搜索范围麻雀发现捕食者后会发出报警,当报警值超过安全值时,生产者指引乞讨者转移每次迭代时,生产者的位置更新可由下式表示:Gu i,jGui,je x p i um a x,ROGui,jQ L,RO()式中:u表示当前迭代数;Gi,j表示第i个麻雀在第j维中的位置信息,j,d;um a x为常数,表示最大迭代次数;为(,内的随机数;R、O分别表示预警值和安全阈值R,O ,;Q为服从正态分布的随机数;L为d元素都为的矩阵当RO时,觅食环境相对安全,生产者可大范围搜索;当RO,则已发现捕食者并发出警报,需迅速转移乞讨者的能量越低,在群体中的觅食位置越差,就越有可能飞往其他地方觅食,并时刻监视生产者;当察觉生产者找到更优的食物,则会立即转移,争夺第 期王亚伦,等:基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制 食物若获胜则可立即得到食物,否则继续飞往其他地方觅食,其位置更新可由下式表示:Gu i,jQe x pGuw o r s tGui,ji,ivGu pGui,jGu pAL,iv()式中:Gp为生产者所处最优位置;Gw o r s t为全局最差位置;A为d元素随机赋值为或的矩阵;AAT(A AT)当iv/时,表明适应度值较低的第i个乞讨者没有获得食物,处于饥饿状态,需要转移进行觅食在模拟实验中,假设察觉危险的麻雀占总数的 ,并按下式更新位置:Gu i,jGub e s t Gui,jGub e s t,fifgGui,jKGui,jGuw o r s tfifw,fifg()式中:Gb e s t为全局最优位置;为步长控制参数,是服从均值为、方差为的正态分布随机数;K为随机数,属于,也为步长控制参数,并表示麻雀移动的方向;fi为个体适应度值;fg、fw分别为全局最优、最差适应度值;是为避免分母为的常数当fifg,麻雀正位于群体边缘,易受到攻击;当fifg,位于群体内部的麻雀察觉到危险,需靠近其它麻雀,降低被捕食风险按照上述运算经多次迭代完成位置更新后,可以求得最优适应度值相对应的最优参数为了实现最佳控制效果的S I C,需要求得整个调频过程中系统频率最低值最大时的S I C控制参数,则S S A的目标函数及约束条件为 m a xf(t)m i n()s t To f ftno f fm i nfm i nf(t)fm a x()式中:f(t)m i n为系统频率最低值;To f ftn为时间约束,tn为一次频率跌落最低点时刻;o f fm i n为转子转速约束;fm i nf(t)fm a x为系统频率约束利用S S A算法求解出S D A E D NN不同输入对应的最佳S I C控制参数,并通过多次迭代训练、调整最佳S D A E D NN网络 S I I C流程基于S D A E和D NN的风电调频S I I C流程如图所示主要分为离线训练、在线决策两大部分为了提高D NN的学习能力和效率,在传统D NN的基础上进行改进,将具有特征学习能力的S D A E与D NN组合,并基于NA D AM优化网络参数图S I I C流程图F i g F l o wc h a r to fS I I C 离线训练具体步骤如下:步骤设置仿真环境参数、风速、风电占比、负荷扰动量、S S A的约束条件和目标函数;经过多次迭代计算求得最佳S I C控制参数Pu p、Tu p;集合不同场景下的最佳参数,建立数据库具体流程如图所示步骤预处理数据所有数据进行去噪处理,缺失数据进行补充处理,有误或超过许可范围数据进行修正处理步骤对数据进行归一化处理并按照的比例划分为训练集与测试集步骤基 于S D A E进 行 特 征 学 习,构 建S D A E,采用D r o p o u t技术对原始输入添加噪声;在训练集中对其进行无监督贪婪逐层训练,先无监督训练一个D A E,使得其输出与输入的误差小于设定值,再将首个D A E的输出作为第个D A E的输入进行相同训练,对所有D A E完成训练后,最后一个D A E的输出作为模型的最终输出,即得到数据的特征信息;将所有D A E堆叠成S D A E作为最终模型并保存步骤构建D NN,将步骤获得的特征信息作为输入,设置隐藏层层数以及每层隐藏层神经元 上海交通大学学报第 卷图麻雀搜索算法流程图F i g F l o wc h a r to fS S A的个数、训练迭代次数为了增强神经网络的泛化能力,使其在测试集上也有好的预测表现,对隐藏层选择性增加正则化多次迭代,进行训练,求解网络权重和偏置步骤利用D NN原理,使用NA D AM 优化网络的输入权重矩阵、隐藏层特征向量与输出权重矩阵使用式()定义的eM S E值作为模型评价指标,在测试集中计算eM S E值后返回步骤设置网络结构与迭代次数若eM S E值有所降低,返回步骤;若eM S E值不变,网络训练结束,将前一次的D NN作为最终模型将训练好的S D A E和D NN组合,生成S D A E D NN网络模型并保存 在线决策具体步骤如下:步骤从系统中实时获取S D A E D NN输入所需的场景数据(风速、风电占比、负荷扰动量)步骤对数据进行归一化处理步骤将归一化后的数据输入到离线训练好的S D A E D NN网络模型中,再将输出数据进行反归一化处理,得到当前场景下的最佳S I C控制参数Pu p、Tu p,形成逐步惯性智能控制步骤将完整的调频控制输入电网系统,实现在线决策及高效的频率控制 算例与分析在I E E E 节点系统中进行测试分析,系统结构如图所示,具体参数见文献 图中:G为发电机组电力系统等效S F R模型的参数见 节图 I E E E 节点系统中的风力机F i g W i n dt u r b i n e i nI E E E b u ss y s t e m 数据库的构建以单台风力机作为风电调频控制目标为例,系统在仿真运行 s时发生增负荷扰动事件,考虑风速、风电占比、负荷扰动量对风电调频效果的影响,设置维输入量设置风速 m/s,每次递增 m/s,共 种情况;设置风电占比,每次 递 增,共 种 情 况;设 置 负 荷 扰 动 量 ,每次递增 ,共 种情况在时域仿真中使用S S A计算出各个场景下的最佳S I C控制参数数据Pu p、Tu p,输出维S I C控制参数S S A的目标函数及约束条件见式()及式(),其中m i n为 (p u),fm i n ,fm a x 本算例中共执行 次仿真计算,生成 组样本数据,抽选 组数据作为训练集,其余数据作为测试集图 为固定最优持续时间Tu p下不同Pu p对频率响应的影响以及S S A获得最佳频率响应结果由图可见,当S I C频率控制最佳时,获得最优Pu p第 期王亚伦,等:基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制 图 不同Pu p对频率响应的影响以及S S A获得最佳频率响应F i g I m p a c to fd i f f e r e n tPu po nf r e q u e n c yr e s p o n s ea n do p t i m a l f r e q u e n c yr e s p o n s eo b t a i n e db yS S A图 基于S D A E D NN的最佳S I C控制参数预测结果F i g R e s u l t so fo p t i m a lS I Cc o n t r o l p a r a m e t e r sp r e d i c t i o nb a s e do nS D A E D NN S D A E和D N N网络结构的选取S D A E D NN由S D