CN104115166A - 一种用于由发电厂特别是可再生发电厂所产生的电能的使用的计算机辅助确定的方法 - Google Patents

一种用于由发电厂特别是可再生发电厂所产生的电能的使用的计算机辅助确定的方法 Download PDF

Info

Publication number
CN104115166A
CN104115166A CN201280070293.XA CN201280070293A CN104115166A CN 104115166 A CN104115166 A CN 104115166A CN 201280070293 A CN201280070293 A CN 201280070293A CN 104115166 A CN104115166 A CN 104115166A
Authority
CN
China
Prior art keywords
energy
neural network
future
output
power generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201280070293.XA
Other languages
English (en)
Other versions
CN104115166B (zh
Inventor
P.埃格达尔
R.格罗特曼
V.施特青格
T.伦克勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of CN104115166A publication Critical patent/CN104115166A/zh
Application granted granted Critical
Publication of CN104115166B publication Critical patent/CN104115166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G01R21/1333—Arrangements for measuring electric power or power factor by using digital technique adapted for special tariff measuring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明涉及一种用于由发电厂特别是可再生发电厂所产生的电能的使用的计算机辅助确定的方法。所述方法使用具有不同的结构或者被不同地学习到的多个神经网络(NN1,NN2)以便计算由发电厂所产生的将来的能量数量。为了这样做，由所述多个神经网络(NN1,NN2)所预测的所述发电厂的能量输出被用来建立直方图。基于那些直方图，描述能量数量的可用性的可能性的不同的置信水平的能量数量被确定并且不同的用途被分配给不同的能量数量。特别地，将来具有可用性的较高可能性的能量数量被以比其他能量数量更高的价格出售。本发明的方法优选地被用于可再生发电厂，对于所述可再生发电厂所述能量输出正根据环境条件波动。例如，本发明可以被用于风力发电厂或太阳能发电厂。

Description

一种用于由发电厂特别是可再生发电厂所产生的电能的使用的计算机辅助确定的方法
本发明涉及一种用于由发电厂特别是可再生发电厂所产生的电能的使用的计算机辅助确定的方法，以及涉及一种对应的计算机程序产品并且涉及一种对应的计算机程序。
 
由发电厂以及特别是可再生发电厂所产生的能量可以变化，以便使得不可以给出确保的能量可用性。就可再生发电厂而论，这个变化是由于不同的环境条件而引起的，所述不同的环境条件例如用于风力发电厂的不同的风速或风向或用于太阳能发电厂的变化的太阳能辐射。由于这个事实，来自可再生能源的波动能量横向进给（infeeds）在一些国家中只有当那些横向进给不对能量传输网络造成安全担忧才被接受。
从现有技术已知为了确定针对将来由可再生发电厂所产生的能量的预测而使用天气预报。这些预测在化石能量负荷曲线的规划中被考虑。然而，在将来的时间间隔中由可再生发电厂所产生的能量未被分类以便被用于不同的目的。
因此，本发明的目的是提供计算机辅助方法以便预测由发电厂所产生的将来的能量，以便使得用于适当的用途的能量数量被规定。
这个目的由独立权利要求来解决。本发明的优选实施例在从属权利要求中定义。
根据本发明的方法，提供了由训练数据所学习到的多个神经网络。每个神经网络包括用于描述影响由电厂所产生的能量的输入的神经元的输入层、神经元的一个或多个隐藏层以及用于描述电厂的能量输出的神经元的输出层，所述能量输出包括针对在将来的时间段内的多个时间点的将来的能量输出，其中所述多个网络中的每个神经网络都具有不同的结构和/或被不同地学习到。因此，神经网络的整体用本发明的方法加以处理。上述术语“能量输出”以及在下面所提到的术语“能量水平”将被宽泛地解释。那些术语可以指的是在一段时间里产生的特定能量，但是它们还可以指的是电功率，即每次能量。特别地，能量输出可以对应于在特定时间点产生的电功率(以瓦特为单位)。可替换地，能量输出可以指的是在后续时间点之间产生的电能(以焦耳或Ws的倍数为单位，例如MWh)。
根据本发明，多个时间点的将来的能量输出通过每个神经网络来预测。基于这些预测，计算将来的能量输出的一个或多个直方图，每个直方图表示由多个神经网络针对在包括一个或多个后续时间点的对应的时间间隔中的时间点所预测的将来的能量输出的分布以及因此的可能性。因此，将来的时间段以数个将来的时间间隔加以划分，其中对于每个将来的时间间隔，基于神经网络的预测计算对应直方图。
在下一个步骤中，为每个时间间隔确定一个或多个能量水平，其中每个能量水平得自许多置信水平中的一置信水平，每个置信水平表示将来的能量输出在对应直方图中的百分比，其中在这个百分比内的每个将来的能量输出具有相同的值或比为对应的置信水平所得到的能量水平更大的值。
在下一个步骤中，预定用途根据相应的时间间隔中的每个能量水平被分配给能量数量，其中根据能量水平的能量数量表示在该能量水平与下一个较低能量水平之间的能量。如果能量水平是最低能量水平，则下一个较低能量水平对应于零的能量。
本发明是基于如下理解的：通过使用多个不同的神经网络，能够计算对应直方图，其使得能实现能量数量在该能量数量将是可用的可能性方面不同的确定。那些能量数量能够被分配给适当的用途。
用于预测的多个神经网络优选地包括一个或多个递归（recurrent）神经网络，特别是在时间上展开的时延递归神经网络，诸如在文档DE 10 2007 001 026 B4中所公开的递归神经网络。这个文档的整个公开内容通过引用并入在本申请中。替代地或作为替代方案，多个神经网络可以包括一个或多个前馈网络和/或将至少一个前馈网络嵌入到至少一个递归神经网络中的一个或多个网络。
根据本发明的方法具有特定优点，在于发电厂是可再生发电厂，特别是包括许多风力涡轮机的风力发电厂和/或包括许多太阳能电池板的太阳能发电厂。这是因为由这些电厂所产生的能量正在强烈地波动。
在特别优选的实施例中，本发明的方法中所使用的置信水平包括一个或多个第一置信水平，其中根据与第一置信水平相对应的能量水平使用能量数量是这样的，即使得尚未出售给第三方或者尚未以其他方式保留的对应的能量数量的部分被作为可消耗的能量以预定每单位价格提供给第三方，其中预定每单位价格随着由第一置信水平所表示的将来的能量输出的渐增百分比而提高。
在另一优选实施例中，提供给第三方的能量数量在能量交易平台上例如在电力交易所上被交易，所述电力交易所诸如German EEX或可比较的系统，例如智能电网。
在本发明的另一实施例中，每个神经网络的输入包括关于发电厂的环境和/或发电厂的一个或多个特性的数据，特别是在发电厂的环境中的多个位置处的天气数据和/或关于发电厂的位置的地理数据。所有那些参数可以对电厂的能量输出有影响。此外，每个神经网络的输入优选地包括例如基于可以由气象服务提供的天气预测在过去的时间点测量的和/或针对将来的时间点预测的数据，特别是天气数据。
天气数据优选地包括温度值和/或大气压力值和/或大气湿度值和/或风速和/或风向和/或湍流值和/或关于太阳能辐射的参数。关于风速和风向的参数对于形式为风力发电厂的发电厂来说是特别重要的。与此相反，关于太阳能辐射的参数对于太阳能发电厂是特别重要的。这个数据可以指的是有云天空的覆盖范围或太阳能辐射的强度。上面提到的地理数据可以指的是在发电厂周围可能对所生成的能量有影响的景色。例如，在森林位于风力涡轮机附近情况下或在风力涡轮机位于山谷中情况下，能量输出比对于在小山上或由水围绕的风力涡轮机的低。
在另一优选实施例中，置信水平包括优选地表示比第一置信水平更低的百分比的第二置信水平，其中根据与第二置信水平相对应的能量水平使用能量数量包括以下用途中的一个：
- 提供尚未出售给第三方或者尚未以其他方式作为控制能量保留给第三方的所对应的能量数量的部分，其中控制能量(与可消耗的能量相反)被仅用作在能量电网的能量生产中用于短期或中期波动的储备能量；
- 抑制提供尚未出售给第三方或者尚未以其他方式保留给第三方的所对应的能量数量的部分，并且可选地保留能量数量的这个部分以用于延长发电厂的寿命和/或减少发电厂的噪声发射和/或在发电厂处执行维护工作。
在能量数量被用于寿命延长或噪声减少情况下，电厂的能量输出能够减少这个能量数量(例如通过减少风力涡轮机的旋转速度)，从而导致更长的寿命和较低的噪声发射。在能量数量被用于维护工作情况下，由电厂所产生的能量能够减少这个能量数量，以便停止风力发电厂中的一些风力涡轮机以便对那些涡轮机执行维护工作。
在本发明的另一实施例中，至少一个前馈网络包括数个隐藏层，每个隐藏层被耦合到单独的输出聚类。这个前馈网络的输入层被优选地耦合到每个隐藏层。特别地，可以在本发明的方法中使用德国专利申请DE 10 2011 081 197.4中所描述的神经前馈网络。该德国专利申请的整个公开内容通过引用并入在本申请中。
在发明方法的另一变体中，多个神经网络中的每个神经网络用不同的训练数据和/或不同的学习参数加以学习和/或被不同地初始化。因此，可能的是神经网络具有相同的结构，但是在关于学习阶段的其他特征上不同。
在本发明的另一实施例中，置信水平基于实际的能量输出与已由每个神经网络所预测的对应的能量输出之间的比较而被适配。因此，能够考虑实际产生的能量输出执行统计模型的适当的再校准。
除上面描述的方法之外，本发明进一步涉及计算机程序产品，其包括存储在计算机可读介质上的程序代码以用于在程序在计算机上运行时执行根据本发明的方法。此外，本发明涉及计算机程序，其包括程序代码以用于在程序代码在计算机上运行时执行本发明的方法。
将基于附图在下文中详细地描述本发明的实施例，在附图中：
图1示出了能够被用在本发明的一个实施例中以便预测发电厂的能量输出的递归神经网络；
图2示出了能够被用在本发明的另一实施例中以便预测发电厂的能量输出的前馈神经网络；以及
图3示出了图示根据本发明的一个实施例不同地使用的能量数量的图。
在下文中，将相对于形式为包括数个风力涡轮机的风场的可再生发电厂对本发明进行描述。然而，本发明还可以被应用于其他发电厂以及特别是可再生发电厂，例如用于包括对应数目的太阳电池板的太阳能发电厂。
可再生能量的问题存在于产生的能量的数量强烈地取决于在电厂周围的环境条件的事实中。对于风场，风速和风向是对能量生产有影响的主要因素。根据在下文中所描述的本发明，由电厂所产生的将来的能量数量的适当预测被与置信水平相结合地给出。置信水平对应于能量数量将来将是可用的可能性，并且基于这个水平，能够例如经由能量交易平台以不同的价格向第三方提供所对应的能量数量。
为了为将来的能量数量确定表示预定置信水平的能量水平，在下文中所描述的本发明使用数个神经网络的整体，其中每个神经网络被不同地构造和/或训练并且提供风场的将来的能量输出的对应预测。在下文中，那些能量输出对应于由电厂针对在将来的时间段内的对应时间点所提供的电功率值。
图1和图2示出了可以被用在神经网络的整体中的神经网络。图1的网络是时延递归神经网络NN1，其被在时间上展开成捕获系统的记忆加上将来的能量输出所被确定针对的预测范围。将来的能量输出所被确定针对的时间点可以是基于每小时间隔的，然而预测范围可以包括数天或甚至数星期。
图1中所示出的网络是从现有技术获知的。特别地，这个网络具有与在文档DE 10 2007 001 026 Bl中所公开的网络相同的结构。网络包括输入层I、递归隐藏层H以及输出层O。输入层包括数个测量输入xt-3、xt-2、xt-1，xt形成对风场的能量输出有影响的输入向量。特别地，那些输入包括电网天气数据，包括在风场的环境内的数个水平和垂直位置中的天气参数。电网天气数据特别地包括温度值和/或大气压力值和/或风速和/或风向和/或湍流值和/或大气湿度值。在电厂是太阳能发电厂情况下，数据还可以包括关于太阳能辐射的参数，例如有云天空的覆盖范围或太阳能辐射的强度等等。
在图1中所示出的网络的变体中，同样由适当的模型所预测的和例如由气象服务所提供的电网天气数据可以被用作图1中的输入数据。在这样的变体中，对于将来的时间点t、t+1等等输入层同样包括输入xt+1、xt+2等等。输入层I经由矩阵B和适当的偏置Θ与隐藏层H中的隐藏递归神经聚类st-3、st-2等等耦合。隐藏聚类经由矩阵A被连接。隐藏神经聚类中的每一个都经由矩阵C被连接到输出层O中的输出聚类yt-2、yt-1等等。那些输出聚类形成由神经网络针对将来的时间点t+1、t+2等等被预测的上面提到的能量输出。
图2示出了还可以被用在神经网络的整体中以便预测风场的能量输出的前馈神经网络NN2的实施例。网络对应于如在上面已经提到的德国专利申请DE 10 2011 081 197.4中所描述的网络。网络包括一个输入层I、数个隐藏层H1、H2和H3以及包括数个输出聚类O1、O2和O3的输出层O。类似于图1，输入层包括对应的输入向量。在图2的网络的变体中，可以使用例如形式为预测天气数据的仅将来的预测输入向量。在图2中所示出的网络中，输入层的输入被馈送给所有中间隐藏层H1、H2以及H3以避免输入信息的损失。此外，每个隐藏层被连接到输出聚类，即隐藏层H1被连接到输出聚类O1，隐藏层H2被连接到输出聚类O2以及隐藏层H3被连接到输出聚类O3。类似于图1，图2中所示出的输出聚类表示由神经网络所预测的风场的对应将来的能量输出。在图2中所示出的实施例中，每个输出聚类表示相同的将来的能量输出。为对应的时间点所确定的最后能量输出可以由每个输出聚类的能量输出的平均值来表示。
当学习图2的网络时，学习被不仅应用于最后一个输出层而且应用于中间隐藏层。在图2中所示出的网络的第一级(隐藏层H1)中，能量输出的预测是仅基于输入层I的输入数据的。在第二级(隐藏层H2)中，网络不仅使用外部影响而且使用来自前一级的已处理输入信息，即来自第一隐藏层H1的信息流。相同情况适用于隐藏层H3，所述隐藏层H3使用除来自输入层I的输入信息之外的隐藏层H2的已处理信息。
在本发明的另一实施例中，神经网络的整体可以包括图1的递归神经网络和图2的前馈网络的组合。图2的前馈网络的拷贝可以替代经由矩阵B耦合在输入与隐藏神经聚类之间的图1的网络。即，网络NN2的输出层被用作隐藏层H中的神经聚类。此外，图1的矩阵B被使输入层I与输出聚类O1至O3耦合的图2的结构取代。此外，图1中所示出的每个输入向量xt-3、xt-2等等被图2中所示出的输入层I取代。同样可以根据本发明使用神经网络的其他变体。然而，需要构造并且学习神经网络，以便使得它们能够为风场或另一发电厂的将来的能量输出的序列提供适当的预测。即，神经网络通过与发电厂的已知输入和已知能量输出相对应的适当的训练数据来学习。
本发明使用适当地学习到的神经网络的整体，其中整体的每个网络不同于其他网络。特别地，网络可以具有不同的结构或者可以被不同地学习或者初始化。特别地，有可能使用对于整体中的所有神经网络而言相同的结构，但是每个神经网络用不同的训练数据和/或不同的学习参数加以学习。例如，网络的学习速率可以是不同的。此外，网络可以由不同的(随机的)矩阵来初始化。
图3示出了图示根据本发明的一个实施例针对预测范围的能量数量的预测。图DI的横坐标t对应于从出现t0到将来的时间点t1的预测范围。在这个时间段中，形式为能量块EA1、EA2以及EA3的不同的能量数量针对对应的时间间隔TI被计算。出于清晰原因，仅时间间隔中的一些和仅能量块中的一些由附图标记标明。能量数量EA1由斜影线块指示，能量数量EA2由点块指示并且能量数量EA3由垂直影线块指示。块EA1、EA2以及EA3的上界分别对应于能量水平L1、L2以及L3。那些能量水平根据图DI的纵坐标对应于电功率P的特定水平。将在下文中对这个能量水平的计算进行描述。
对于在t0与t1之间的时间段内的多个不同的时间点，神经网络中的每一个在神经网络的整体中的对应的能量输出被计算。后续时间点之间的距离小于时间间隔TI，即时间间隔TI包括数个时间点。特别地，时间间隔TI可以指的是一天的时间段，然而后续时间点之间的差可以是一小时间隔。对于在对应的时间间隔TI内的所有时间点，由多个神经网络所预测的能量输出的发生的直方图被确定。其后，能量水平L1、L2以及L3针对对应的置信水平被得到。每个置信水平规定具有等于或高于待确定的对应的能量水平的值的在直方图中包括的能量输出的百分比。即，基于预定置信阈值(例如99%)，能量输出和置信值的预测指示在这个时间段中可用的能量等于或大于在Y轴上针对这个置信所示出的能量水平。
在相应的时间间隔TI内所对应的能量数量EA1、EA2以及EA3被定义如下。能量数量EA1指的是在相应的时间间隔TI内由在能量水平L1下面的区域所表示的累积能量。能量数量EA2指的是在相应的时间间隔TI内在能量水平L2与能量水平L1之间的累积能量。能量水平EA3指的是在时间间隔TI内在能量水平L3与能量水平L2之间的累积能量。显然，根据不同的置信水平的不同的能量块具有可用性的不同可能性。特别地，分配给置信水平的百分比从由能量水平L1所表示的置信水平降低至由能量水平L3所表示的置信水平。在图3中所示出的实施例中，参考能量水平L1的置信水平指的是确实可用的能量数量，即指的是基本负荷可比较的能量数量。这可以对应于例如99%的百分比。能量数量EA2表示例如80%的较低百分比并且指的是待可用的具有高可能性的能量。与此相反，能量数量EA3指的是例如60%的最低置信水平并且对应于波动能量的能量块。
根据针对不同的置信水平的将来的能量数量，针对那些数量的不同用途被定义。在图3中所示出的实施例中，用途指的是尚未出售或者尚未以其他方式作为可消耗的能量保留给第三方的对应的能量数量的部分例如经由能量交易平台的提供。能量数量的每单位价格由于能量将是可用的可能性降低的事实而正在时间间隔TI内从能量数量EA1降低至能量数量EA3。此外，将来针对对应的能量数量从一个时间间隔到下一个时间间隔的每单位价格将降低，因为预测的可靠性将降低。
除图3中所使用的置信水平之外，可以定义另外的置信水平。那些置信水平的对应的能量数量可以具有其他用途。例如，能够定义针对待用作所谓的控制能量的能量数量的置信水平。这个能量数量指的是低置信水平以便使得该能量不适合于被作为可消耗的能量出售，但是能够在能量电网中的波动电力情况下作为电网运营商的储备能量被提供。针对这个控制能量的每单位价格比针对直接地可消耗的能量低得多。此外，由于不可用性的高风险而可以为不旨在被提供给第三方的能量数量定义甚至更低的置信水平。视需要，这个能量数量能够被用来减少风场的噪声发射并且用来例如通过以较低旋转速度操作风力涡轮机来延长风力涡轮机或风场的寿命。此外，可以为了执行维护工作使用这个能量，即风场中的风力涡轮机中的一些被停止以便使得能量生产被按这个能量减少。因此，能够对已停止风力涡轮机执行维护工作。
如在下文中所描述的本发明具有数个优点。特别地，能够根据能量将是可用的可能性来对能量在将来的时间段内的预测数量进行分类。根据不同的类别，不同的用途与所对应的能量数量相关联。确实可用的基本负荷可比较的能量数量能够被以高价出售。具有较低置信水平的能量数量能够被降价出售，例如作为控制能量，或者可以被用来减少发电厂的寿命消耗或噪声发射。此外，根据置信水平关于将来的能量数量的信息可以被提供给能量电网运营商以用于化石电力生产曲线的规划。

Claims (15)

1.一种用于由发电厂特别是可再生的发电厂所产生的电能的使用的计算机辅助确定的方法，包括以下步骤：
- 提供由训练数据所学习到的多个神经网络(NN1, NN2)，每个神经网络(NN1, NN2)包括用于描述影响由所述电厂所产生的所述能量的输入(xt-3, xt-2, xt-1, xt)的神经元的输入层(I)、神经元的一个或多个隐藏层(H, H1, H2, H3)以及用于描述所述电厂的能量输出(yt-3, yt-2, yt-1, yt, yt+1, yt+2, yt+3)的神经元的输出层(O, O1, O2, O3)，所述能量输出包括针对在将来的时间段内的多个时间点的将来的能量输出(yt+1, yt+2, yt+3)，其中每个神经网络(NN1, NN2)具有不同的结构和/或被不同地学习到；
- 通过每个神经网络(NN1, NN2)来预测所述多个时间点的所述将来的能量输出(yt+1, yt+2, yt+3)；
- 计算将来的能量输出(yt+1, yt+2, yt+3)的一个或多个直方图，每个直方图表示由所述多个神经网络(NN1, NN2)针对在包括一个或多个后续时间点的对应的时间间隔(TI)中的时间点所预测的将来的能量输出(yt+1, yt+2, yt+3)的分布；
- 为每个时间间隔(T1)确定一个或多个能量水平，其中每个能量水平(L1, L2, L3)得自许多置信水平中的一置信水平，每个置信水平表示所述将来的能量输出(yt+1, yt+2, yt+3)在对应直方图中的百分比，其中在这个百分比内的每个将来的能量输出(yt+1, yt+2, yt+3)具有相同的值或比为所述对应的置信水平所得到的所述能量水平(L1, L2, L3)更大的值；
- 根据在每个时间间隔(TI)中的每个能量水平将预定用途分配给能量数量(EA1, EA2, EA3)，其中根据能量水平(L1, L2, L3)的能量数量(EA1, EA2, EA3)表示在所述相应的时间间隔(TI)内在所述能量水平(EA1, EA2, EA3)与下一个较低能量水平之间的所述能量。
2.根据前述权利要求中一项所述的方法，其中所述多个神经网络(NN1, NN2)包括一个或多个递归的神经网络(NN1)，特别是在时间上展开的时延递归神经网络，和/或一个或多个前馈网络(NN2)和/或将至少一个前馈网络(NN1)嵌入到至少一个递归神经网络(NN1)中的一个或多个网络。
3.根据权利要求1或2所述的方法，其中所述可再生发电厂是包括许多风力涡轮机的风力发电厂和/或包括许多太阳能电池板的太阳能发电厂。
4.根据前述权利要求中一项所述的方法，其中所述置信水平包括一个或多个第一置信水平，其中根据与第一置信水平相对应的所述能量水平(L1, L2, L3)使用所述能量数量(EA1, EA2, EA3)是这样的，即使得尚未出售给第三方或者尚未以其他方式保留的所述能量数量(EA1, EA2, EA3)的部分被作为可消耗的能量以预定每单位价格提供给第三方，其中所述预定每单位价格随着由所述第一置信水平所表示的所述将来的能量输出(yt+1, yt+2, yt+3)的提高的百分比而提高。
5.根据权利要求4所述的方法，其中提供给第三方的所述能量数量(EA1, EA2, EA3)在能量交易平台上被交易。
6.根据前述权利要求中一项所述的方法，其中每个神经网络(NN1, NN2)的所述输入(xt-3, xt-2, xt-1, xt)包括关于所述发电厂的环境和/或所述发电厂的一个或多个特性的数据，特别是在所述发电厂的所述环境中的多个位置处的天气数据和/或关于所述发电厂的位置的地理数据。
7.根据前述权利要求中一项所述的方法，其中每个神经网络(NN1, NN2)的所述输入(xt-3, xt-2, xt-1, xt)包括在过去的时间点测量的和/或针对将来的时间点预测的数据，特别是天气数据。
8.根据权利要求6或7所述的方法，其中所述天气数据包括温度值和/或大气压力值和/或大气湿度值和/或风速和/或风向和/或湍流值和/或关于太阳能辐射的参数。
9.根据前述权利要求中一项所述的方法，其中所述置信水平包括优选地表示比所述第一置信水平更低的百分比的一个或多个第二置信水平，其中根据与第二置信水平相对应的所述能量水平(L1, L2, L3)使用所述能量数量(EA1, EA2, EA3)包括以下用途中的一个：
- 提供尚未出售给第三方或者尚未以其他方式作为控制能量保留给第三方的所述能量数量(EA1, EA2, EA3)的所述部分；
- 抑制提供尚未出售给第三方或者尚未以其他方式保留给第三方的所述能量数量(EA1, EA2, EA3)的所述部分，并且可选地保留所述能量数量的这个部分以用于延长所述发电厂的寿命和/或减少所述发电厂的噪声发射和/或在所述发电厂处执行维护工作。
10.与权利要求2相结合地根据前述权利要求中的权利要求一所述的方法，其中至少一个前馈网络(NN1)包括数个隐藏层(H1, H2, H3)，每个隐藏层被耦合到单独的输出聚类(O1, O2, O3)。
11.根据权利要求10所述的方法，其中所述至少一个前馈网络(NN1)的所述输入层(I)被耦合到每个隐藏层(H1, H2, H3)。
12.根据前述权利要求中一项所述的方法，其中所述多个神经网络(NN1, NN2)中的每个神经网络(NN1, NN2)用不同的训练数据和/或不同的学习参数加以学习和/或被不同地初始化以用于学习。
13.根据前述权利要求中一项所述的方法，其中所述置信水平基于实际的能量输出与已由每个神经网络(NN1, NN2)所预测的所述对应的能量输出(yt+1, yt+2, yt+3 )之间的比较而被适配。
14.计算机程序产品，其包括存储在计算机可读介质上的程序代码以用于在所述程序代码在计算机运行时执行根据前述权利要求中一项的方法。
15.计算机程序，其包括程序代码以用于在所述程序代码在计算机运行时执行根据权利要求1至13中一项的方法。
CN201280070293.XA 2011-12-21 2012-12-19 发电厂的电能使用的计算机辅助确定的方法和装置 Active CN104115166B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP11194933.5 2011-12-21
EP11194933.5A EP2608118B1 (en) 2011-12-21 2011-12-21 A method for computer-assisted determination of the usage of electrical energy produced by a power generation plant, particularly a renewable power generation plant
PCT/EP2012/076136 WO2013092702A1 (en) 2011-12-21 2012-12-19 A method for computer-assisted determination of the usage of electrical energy produced by a power generation plant, particularly a renewable power generation plant

Publications (2)

Publication Number Publication Date
CN104115166A true CN104115166A (zh) 2014-10-22
CN104115166B CN104115166B (zh) 2016-12-14

Family

ID=47552990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280070293.XA Active CN104115166B (zh) 2011-12-21 2012-12-19 发电厂的电能使用的计算机辅助确定的方法和装置

Country Status (6)

Country Link
US (1) US10352973B2 (zh)
EP (1) EP2608118B1 (zh)
CN (1) CN104115166B (zh)
DK (1) DK2608118T3 (zh)
ES (1) ES2644528T3 (zh)
WO (1) WO2013092702A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842909A (zh) * 2015-09-09 2017-06-13 爱默生过程管理电力和水解决方案公司 用于发电厂负荷控制的压力/负荷关系的基于模型的表征
CN111523807A (zh) * 2020-04-24 2020-08-11 广西电网有限责任公司崇左供电局 一种基于时间序列和神经网络的电能替代潜力分析方法

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8775341B1 (en) 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US20140195159A1 (en) * 2013-01-09 2014-07-10 Iteris, Inc. Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility
EP3314751B1 (en) 2015-06-23 2020-09-02 Qatar Foundation for Education, Science and Community Development Method of forecasting for solar-based power systems
CN105608634A (zh) * 2015-11-09 2016-05-25 国网新疆电力公司 一种基于贝叶斯网络的电网风险预警评估模型
JP6599763B2 (ja) * 2015-12-28 2019-10-30 株式会社東芝 電力需要予測装置および電力需要予測プログラム
WO2017136077A1 (en) * 2016-02-04 2017-08-10 Google Inc. Associative long short-term memory neural network layers
KR101737968B1 (ko) 2016-02-24 2017-05-19 호서대학교 산학협력단 발전플랜트 성능데이터 학습에 의한 발전기 출력 추정 방법
EP3464895B1 (en) * 2016-05-23 2021-10-13 General Electric Company System and method for forecasting power output of a wind farm
US11009536B2 (en) 2016-10-05 2021-05-18 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting
KR101917729B1 (ko) 2017-03-06 2018-11-12 온동네피엠씨 주식회사 공동주택 전기요금 절약을 위한 전력소비 평균화 제어시스템
EP3432234A1 (de) * 2017-07-21 2019-01-23 Hochschule Für Angewandte Wissenschaften - Fachhochschule Kempten Optimierung eines querverbundsystems mittels neuronaler netzwerke
DE102017007132A1 (de) 2017-07-31 2019-01-31 Senvion Gmbh Bereitstellen von Regelleistung beim Betrieb einer regenerativen Stromerzeugungseinheit, insbesondere Windenergieanlage
EP3648279B1 (en) 2018-10-30 2021-12-01 Schleswig-Holstein Netz AG Method, electrical grid and computer program product for predicting overloads in an electrical grid
TWI767525B (zh) * 2021-01-20 2022-06-11 國立清華大學 基於強化學習的再生能源配置方法及裝置
CN113222218B (zh) * 2021-04-16 2022-06-10 浙江工业大学 基于卷积长短时记忆神经网络的交通事故风险预测方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0660826B2 (ja) * 1989-02-07 1994-08-10 動力炉・核燃料開発事業団 プラントの異常診断方法
JP2516164Y2 (ja) * 1992-12-25 1996-11-06 ティアック株式会社 記録媒体挿入口の蓋機構
JPH06236202A (ja) * 1993-02-10 1994-08-23 Hitachi Ltd プラントの運転方法及び装置
US20020084655A1 (en) * 2000-12-29 2002-07-04 Abb Research Ltd. System, method and computer program product for enhancing commercial value of electrical power produced from a renewable energy power production facility
US20030171851A1 (en) * 2002-03-08 2003-09-11 Peter J. Brickfield Automatic energy management and energy consumption reduction, especially in commercial and multi-building systems
US20030182250A1 (en) 2002-03-19 2003-09-25 Mohammad Shihidehpour Technique for forecasting market pricing of electricity
US6975925B1 (en) 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm
DE10324045B3 (de) * 2003-05-27 2004-10-14 Siemens Ag Verfahren sowie Computerprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Ermittlung eines zukünftigen Systemverhaltens eines dynamischen Systems
US20070031237A1 (en) * 2005-07-29 2007-02-08 General Electric Company Method and apparatus for producing wind energy with reduced wind turbine noise
DE102007001026B4 (de) 2007-01-02 2008-09-04 Siemens Ag Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
US9020650B2 (en) 2007-02-13 2015-04-28 General Electric Company Utility grid, controller, and method for controlling the power generation in a utility grid
WO2008133922A1 (en) * 2007-04-24 2008-11-06 University Of South Florida Electric power distribution interruption risk assessment calculator
EP2192456B1 (en) * 2008-11-26 2017-11-01 Siemens Aktiengesellschaft Estimation an achievable power production of a wind turbine by means of a neural network
CN102147839A (zh) * 2011-05-10 2011-08-10 云南电力试验研究院(集团)有限公司 一种光伏发电量预测方法
DE102011081197A1 (de) 2011-08-18 2013-02-21 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Modellierung eines technischen Systems
US8918225B2 (en) * 2012-02-16 2014-12-23 Spyros J. Lazaris Renewable energy-based electricity grid infrastructure and method of grid infrastructure automation and operation

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842909A (zh) * 2015-09-09 2017-06-13 爱默生过程管理电力和水解决方案公司 用于发电厂负荷控制的压力/负荷关系的基于模型的表征
CN111523807A (zh) * 2020-04-24 2020-08-11 广西电网有限责任公司崇左供电局 一种基于时间序列和神经网络的电能替代潜力分析方法

Also Published As

Publication number Publication date
EP2608118B1 (en) 2017-08-02
US10352973B2 (en) 2019-07-16
US20150019276A1 (en) 2015-01-15
ES2644528T3 (es) 2017-11-29
CN104115166B (zh) 2016-12-14
EP2608118A1 (en) 2013-06-26
WO2013092702A1 (en) 2013-06-27
DK2608118T3 (en) 2017-10-16

Similar Documents

Publication Publication Date Title
CN104115166A (zh) 一种用于由发电厂特别是可再生发电厂所产生的电能的使用的计算机辅助确定的方法
Behera et al. Solar photovoltaic power forecasting using optimized modified extreme learning machine technique
JP6695370B2 (ja) 適応発電管理
Wan et al. Direct quantile regression for nonparametric probabilistic forecasting of wind power generation
Kani et al. Very short-term wind speed prediction: A new artificial neural network–Markov chain model
CN107076112B (zh) 最优风力发电场操作
CN103733210B (zh) 用于对技术系统进行计算机辅助的建模的方法
CN103093288B (zh) 基于气象信息的分区电网母线负荷预测系统
Zucatelli et al. Short-term wind speed forecasting in Uruguay using computational intelligence
TWI831814B (zh) 用於估計和預測太陽能發電的技術
Kolhe et al. GA-ANN for short-term wind energy prediction
CN115409649A (zh) 风电场能量管理系统及其方法
Häring et al. Accuracy analysis of selected time series and machine learning methods for smart cities based on Estonian electricity consumption forecast
CN109858668B (zh) 一种雷电气候下电力负荷区域协调预测方法
CN108233357A (zh) 基于非参数概率预测及风险期望的风电日前消纳优化方法
Pellegrini Short-term load demand forecasting in Smart Grids using support vector regression
Augustyn et al. A review of methods applied for wind power generation forecasting
KR20150018060A (ko) 풍력단지 내 터빈의 최적 발전 요구량 산출 방법 및 시스템
KR102497736B1 (ko) 스마트-팜용 에너지 발전 시스템 및 그 시스템의 구축 방법
Islam et al. Modified meta heuristics and improved backpropagation neural network‐based electrical load demand prediction technique for smart grid
Yao et al. Novel hybrid scheme of solar energy forecasting for home energy management system
Papadopoulos et al. Joint optimization of maintenance and production in offshore wind farms: Balancing the short-and long-term needs of wind energy operation
Firoozi et al. Flexibility Forecast at Local Energy Community Level
Mansouri et al. Neural networks in electric load forecasting: a comprehensive survey
Varzandeh et al. Performance of wavelet neural network and ANFIS algorithms for short-term prediction of solar radiation and wind velocities

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant