CN105652658B - 基于光伏电场数据分析及实时环境监测的有功控制系统 - Google Patents

基于光伏电场数据分析及实时环境监测的有功控制系统 Download PDF

Info

Publication number
CN105652658B
CN105652658B CN201511019837.1A CN201511019837A CN105652658B CN 105652658 B CN105652658 B CN 105652658B CN 201511019837 A CN201511019837 A CN 201511019837A CN 105652658 B CN105652658 B CN 105652658B
Authority
CN
China
Prior art keywords
data
electric field
subsystem
module
control effect
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.)
Active
Application number
CN201511019837.1A
Other languages
English (en)
Other versions
CN105652658A (zh
Inventor
郝东亚
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.)
New Energy Polytron Technologies Inc
Original Assignee
New Energy Polytron Technologies Inc
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 New Energy Polytron Technologies Inc filed Critical New Energy Polytron Technologies Inc
Priority to CN201511019837.1A priority Critical patent/CN105652658B/zh
Publication of CN105652658A publication Critical patent/CN105652658A/zh
Application granted granted Critical
Publication of CN105652658B publication Critical patent/CN105652658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于光伏电场数据分析及实时环境监测的有功控制系统，包括系统建模预测子系统、数据采集子系统、数据存储子系统、电场控制子系统、控制效果回馈子系统。本发明所述系统能够对电场的日常调控起到关键的参考作用，能够有效提升电场运行安全等级、提高电场电能质量。真正实现了为每个电场制定一套专门的控制算法的目的。

Description

基于光伏电场数据分析及实时环境监测的有功控制系统
技术领域
本发明属于有功控制系统领域，尤其是涉及一种基于光伏电场数据分析及实时环境监测的有功控制系统。
背景技术
根据国家能源局发布的《2015年上半年光伏发电简况》显示，2015年上半年，全国新增光伏发电并网容量773万千瓦。光伏发电正面临新的“发展春天”。但是光伏发电行业也面临着巨大的挑战：由于电能质量问题导致并网接入难。电能质量问题又主要是由于电场侧的通信系统、机组状况、控制系统、天气和其它因素的原因共同导致。而现有的有功控制系统考虑因素比较单一、应用局限性较大；主要是针对实施命令进行单一的考虑。控制效果往往不够精确，且对外界环境变化造成的影响抗干扰能力不足，导致光伏电站有功出力不够稳定的现象。对电网的安全、高效运行造成了一定的影响。
现有的光伏电站有功控制系统主要的研究对象是电场内部硬件设备控制和调度命令值，考虑因素比较单一，并没有考虑到整个光伏电站是由若干个光伏电池板阵列和逆变器以及其他机组共同组成的一个大系统。各种设备运行情况也不尽相同。同时电场的电能质量时刻受到通信系统、机组状况、控制系统、天气和其它因素共同影响。这都会造成逆变器各机组对命令的执行效果不同。进而导致电场并网点有功出力出现波动的情况。对电网的安全、高效运行造成一定的安全隐患。不能完全满足电网对光伏电站有功进行实时不间断稳定控制的需求。
发明内容
有鉴于此，本发明旨在提出一种基于光伏电场数据分析及实时环境监测的有功控制系统，以有效提升电场运行安全等级、提高电场电能质量。
为达到上述目的，本发明的技术方案是这样实现的：
基于光伏电场数据分析及实时环境监测的有功控制系统，包括系统建模预测子系统、数据采集子系统、数据存储子系统、电场控制子系统、控制效果回馈子系统，所述数据采集子系统用于采集电场的数据，并将数据传递给数据存储子系统；所述系统建模预测子系统提取数据存储子系统存储的数据，进行建模并预测各机组的运行状态，然后将建模的数据发送到数据存储子系统内进行存储；所述数据挖掘子系统对数据存储子系统内的数据进行处理，并将处理后的数据发送给数据存储子系统进行存储；电场控制子系统根据数据存储子系统内的数据，对电场进行控制，并将数据发送给数据存储子系统进行存储；所述控制效果回馈子系统将电场控制子系统的数据进行分类，并将反馈的数据传递到数据存储子系统。
进一步，所述数据采集子系统包括数据采集模块、数据发送模块；所述数据采集模块采集电场侧环境变化值以及电场设备控制效果，数据发送模块将采集到的数据通过数据接口发送给数据存储子系统；优选的，所述电场侧环境变化值包括电场所在地辐照度、温度、湿度、外部阴影的时变数据；所述电场设备控制效果包括电场各机组运行状态值和数据值、命令响应速度、命令执行准确度。
进一步，所述数据接口包括RS485接口、RS232接口、RS422接口、串行接口。
进一步，所述系统建模预测子系统包括环境数据提取模块、系统建模预测模块、预测数据发送模块；所述环境数据提取模块采集数据存储子系统里面的电场环境实时数据；所述系统建模预测模块根据现场数据建立模型并根据实时环境数据预测各机组将来的运行状态；所述预测数据发送模块将预测的数据发送给数据存储子系统。
进一步，所述数据存储子系统包括数据预处理模块、模型预测数据库、电场实时数据库、历史数据预处理模块、历史控制效果数据库；所述数据预处理模块将实时采集到的来自不同数据源的数据分类并发送到相应的数据库；所述模型预测数据库接收外界环境数据值和系统模型预测值；所述电场实时数据库接收电场各机组实时运行状态值、数据值；所述历史数据预处理模块接收来自不同数据源的历史数据并存入历史数据库；所述历史控制效果数据库存储在各种外部气候环境下电场各设备的历史控制效果；优选的，所述历史控制效果包括命令响应速度、命令响应准确度。
进一步，所述数据挖掘子系统包括电场噪声干扰类型分类模块、数据滤波模块、数据发送模块、模型预测数据分析模块、异常检测模块、以及机组响应效果分析模块；所述电场噪声干扰类型分类模块，从数据存储子系统提取电场实时数据；将电场实时数据按机组设备不同进行分类、解析；所述数据滤波模块根据不同的噪声扰动分类采用不同的智能滤波算法对系统数据进行滤波；所述数据发送模块将滤波后的数据值发送给数据存储子系统；所述噪声扰动分类主要包括电场各不同机组、不同信号可能会受到不同的噪声干扰，噪声干扰包括近似白噪声干扰、阶跃信号干扰、高斯白噪声干扰、有多种干扰源共同造成的干扰。
预测算法采用模糊控制理论和神经网络算法相结合的预测算法。通过模糊控制理论对电场不同工作阶段进行模糊化分层次处理，不同工作层次所使用的数学模型和各项参数会存在细微的差别。如电场所在地区最大有功为λ。则当有功α在0≤α≤0.25λ区间时，认为是低有功工作区域，使用低有功滤波模型。则当有功α在0.25≤α≤0.5λ区间时，认为是中低有功工作区域，使用中低有功工作区域滤波模型。则当有功α在0.5≤α≤0.75λ区间时，认为是中高有功工作区域，使用中高有功工作区域滤波模型。则当有功α在0.75≤α≤λ区间时，认为是高有功工作区域，使用高有功工作区域滤波模型。则当有功α在0.15≤α≤0.35λ区间时，认为是中偏低有功工作区域，使用中偏低有功工作区域滤波模型。则当有功α在0.4≤α≤0.6λ区间时，认为是中有功工作区域，使用中有功工作区域滤波模型。则当有功α在0.65≤α≤0.85λ区间时，认为是中偏高有功工作区域滤波，使用中偏高有功工作区域滤波模型。
通过模糊分级方法将有功工作区域等级进行划分，由于有功工作区域分区并不是严格意义上的区分所以可能同时存在一种有功工作区域使用两种模型进行预测。这里可以通过有功工作区域修改某种算法的权值权值。
神经网络算法有着很强的自学习与自适应变化能力，可对不同噪声具有较好的滤波效果，所以特别适用于这种长期渐变数据的滤波处理。同时通过神经网络算法的学习功能能够快速的将滤波系统训练成符合该电场实际风力分布特性的系统。提高了系统的广泛适用性和精度。
神经网络是多层前馈型网络，其原理是输入矢量经过隐层节点的转换，得到一个输出矢量，经过训练之后得到一个映射关系。典型的三层BP神经网络是由输入层，隐含层和输出层组成，其核心就是利用边向后传递误差，边修正误差的方式来不断调整网络的权值和阈值，从而实现或逼近要寻找的输入，输出映射关系。网络输入层神经元数一般取m，与嵌入维数相同，隐层神经元数多为靠经验选取，这里记为p，输出层神经元数为1，即完成f:Rm→R1。BP神经网络隐层传递函数采用Sigmoid函数，输出层采用线性函数。
隐层节点的输入：
式中，ωij是输入层到隐层的连接权，θj是隐层节点的阈值。
隐层节点的输出:
输出层节点的输入:
式中，vj是隐层到输出层的连接权值，γ是输出层的阈值。
输出层节点的输出:
式中，为线性函数。
进一步，所述电场控制子系统包括电场有功控制模块；所述电场有功控制模块根据电场有功目标值，并参考历史数据库里面和电场当前的外部环境相似的历史有功控制效果，综合电场现在有功设备的运行情况给出最优的控制有功方案。
但是外部环境绝大部分情况下不可能与历史数据完全相同，且光伏组件设备也存在使用寿命与辐照度转换效率的问题，所以电场有功控制模块能够以历史数据为参考，但又不能完全依赖于历史的控制效果。
进一步，所述电场控制子系统采用基于模糊理论分区的神经网络算法对历史上一系列相似的控制效果进行分析并预测电场在当前环境下电场各有功设备的控制效果；电场有功控制模块根据电场有功目标值并结合系统预测出的有功设备控制效果向各设备下发最优的命令值。预测控制效果较好的设备可以多发有功，并能频繁的调控，预测控制效果较差的设备应适当降低调控频率。通过这种控制方法能够有效提高电场的命令响应速度和命令执行准确率。提高电场有功整体控制效果。
进一步，所述控制效果回馈子系统将电场实施的自然环境、有功无功控制效果，各设备工作状况、响应速度各项信息进行归类，并存储到数据存储子系统里面。
进一步，所述自然环境包括电场所处位置辐照度、温度、湿度的数据；所述设备工作状况包括：设备电流、电压、有功、无功、频率、档位值的信息。
相对于现有技术，本发明所述的基于光伏电场数据分析及实时环境监测的有功控制系统，具有以下优势：
本发明从整个电场和其周边环境变化的整体角度出发去考虑电站的有功控制方案。由于光伏电场主要建在常年辐照度较高、气候变化小的区域。所以在没有突变天气情况下，光伏电场每天的工作环境接近不变，或者变化十分缓慢。与此同时，光伏电场的设备的硬件工作情况或者发电效率、控制效果也不会发生突变，与此同时电场高压侧的负荷量的变化规律也是可以确定的。所以在没有突发天气情况下，光伏电场每天整体的控制效果(有功/无功)是十分相似的。同时电场可以通过相关设备采集光伏电场的周边环境指标，将该环境指标和该环境之变下的电场控制效果结合可以形成一套反应该电场整体控制效果的数据库系统。本发明所述系统能够对电场的日常调控起到关键的参考作用，能够有效提升电场运行安全等级、提高电场电能质量。
由于不同电场所处的地理位置不同，所以每个光伏电场常年的工作环境也不尽相同，通过该系统的使用该系统可以根据每个电场各自不同的环境工况向各自的电站提供不同的预测结果，同时该系统又可以根据该电场本身长期的的控制效果不断的修正自身的预测数算法的参数，是该电站的预测算法能够不断地自我修正，使之更加符合该电站的实际使用情况。真正实现了为每个电场制定一套专门的控制算法的目的。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的有功控制系统的总结构图；
图2为本发明实施例所述的数据存储子系统与数据挖掘子系统的关系示意图；
图3是本发明实施例所述的数据存储子系统与电场控制子系统的关系示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，基于光伏电场数据分析及实时环境监测的有功控制系统，包括系统建模预测子系统、数据采集子系统、数据存储子系统、电场控制子系统、控制效果回馈子系统，所述数据采集子系统用于采集电场的数据，并将数据传递给数据存储子系统；所述系统建模预测子系统提取数据存储子系统存储的数据，进行建模并预测各机组的运行状态，然后将建模的数据发送到数据存储子系统内进行存储；所述数据挖掘子系统对数据存储子系统内的数据进行处理，并将处理后的数据发送给数据存储子系统进行存储；电场控制子系统根据数据存储子系统内的数据，对电场进行控制，并将数据发送给数据存储子系统进行存储；所述控制效果回馈子系统将电场控制子系统的数据进行分类，并将反馈的数据传递到数据存储子系统。
所述数据采集子系统包括数据采集模块、数据发送模块；所述数据采集模块采集电场侧环境变化值以及电场设备控制效果，数据发送模块将采集到的数据通过数据接口发送给数据存储子系统；所述电场侧环境变化值包括电场所在地辐照度、温度、湿度、外部阴影的时变数据；所述电场设备控制效果包括电场各机组运行状态值和数据值、命令响应速度、命令执行准确度。
所述数据接口包括RS485接口、RS232接口、RS422接口、串行接口。
所述系统建模预测子系统包括环境数据提取模块、系统建模预测模块、预测数据发送模块；所述环境数据提取模块采集数据存储子系统里面的电场环境实时数据；所述系统建模预测模块根据现场数据建立模型并根据实时环境数据预测各机组将来的运行状态；所述预测数据发送模块将预测的数据发送给数据存储子系统。
所述数据存储子系统包括数据预处理模块、模型预测数据库、电场实时数据库、历史数据预处理模块、历史控制效果数据库；所述数据预处理模块将实时采集到的来自不同数据源的数据分类并发送到相应的数据库；所述模型预测数据库接收外界环境数据值和系统模型预测值；所述电场实时数据库接收电场各机组实时运行状态值、数据值；所述历史数据预处理模块接收来自不同数据源的历史数据并存入历史数据库；所述历史控制效果数据库存储在各种外部气候环境下电场各设备的历史控制效果；所述历史控制效果包括命令响应速度、命令响应准确度。
所述数据挖掘子系统包括电场噪声干扰类型分类模块、数据滤波模块、数据发送模块、模型预测数据分析模块、异常检测模块、以及机组响应效果分析模块；所述电场噪声干扰类型分类模块，从数据存储子系统提取电场实时数据；将电场实时数据按机组设备不同进行分类、解析；所述数据滤波模块根据不同的噪声扰动分类采用不同的智能滤波算法对系统数据进行滤波；所述数据发送模块将滤波后的数据值发送给数据存储子系统；所述噪声扰动分类主要包括电场各不同机组、不同信号可能会受到不同的噪声干扰，噪声干扰包括近似白噪声干扰、阶跃信号干扰、高斯白噪声干扰、有多种干扰源共同造成的干扰。
预测算法采用模糊控制理论和神经网络算法相结合的预测算法。通过模糊控制理论对电场不同工作阶段进行模糊化分层次处理，不同工作层次所使用的数学模型和各项参数会存在细微的差别。如电场所在地区最大有功为λ。则当有功α在0≤α≤0.25λ区间时，认为是低有功工作区域，使用低有功滤波模型。则当有功α在0.25≤α≤0.5λ区间时，认为是中低有功工作区域，使用中低有功工作区域滤波模型。则当有功α在0.5≤α≤0.75λ区间时，认为是中高有功工作区域，使用中高有功工作区域滤波模型。则当有功α在0.75≤α≤λ区间时，认为是高有功工作区域，使用高有功工作区域滤波模型。则当有功α在0.15≤α≤0.35λ区间时，认为是中偏低有功工作区域，使用中偏低有功工作区域滤波模型。则当有功α在0.4≤α≤0.6λ区间时，认为是中有功工作区域，使用中有功工作区域滤波模型。则当有功α在0.65≤α≤0.85λ区间时，认为是中偏高有功工作区域滤波，使用中偏高有功工作区域滤波模型。
通过模糊分级方法将有功工作区域等级进行划分，由于有功工作区域分区并不是严格意义上的区分所以可能同时存在一种有功工作区域使用两种模型进行预测。这里可以通过有功工作区域修改某种算法的权值权值。
神经网络算法有着很强的自学习与自适应变化能力，可对不同噪声具有较好的滤波效果，所以特别适用于这种长期渐变数据的滤波处理。同时通过神经网络算法的学习功能能够快速的将滤波系统训练成符合该电场实际风力分布特性的系统。提高了系统的广泛适用性和精度。
神经网络是多层前馈型网络，其原理是输入矢量经过隐层节点的转换，得到一个输出矢量，经过训练之后得到一个映射关系。典型的三层BP神经网络是由输入层，隐含层和输出层组成，其核心就是利用边向后传递误差，边修正误差的方式来不断调整网络的权值和阈值，从而实现或逼近要寻找的输入，输出映射关系。网络输入层神经元数一般取m，与嵌入维数相同，隐层神经元数多为靠经验选取，这里记为p，输出层神经元数为1，即完成f:Rm→R1。BP神经网络隐层传递函数采用Sigmoid函数，输出层采用线性函数。
隐层节点的输入：
式中，ωij是输入层到隐层的连接权，θj是隐层节点的阈值。
隐层节点的输出:
输出层节点的输入:
式中，vj是隐层到输出层的连接权值，γ是输出层的阈值。
输出层节点的输出:
式中，为线性函数。
数据存储子系统与数据挖掘子系统的关系，如图2所示。所述数据存储子系统内存储有有功目标值、环境温度、光伏组件温度、电场有功机组运行状态数据、电场有功控制效果以及机组性能指标等数据；而所述数据挖掘子系统根据环境温度以及光伏组件温度进行噪声干扰类型分类，所述数据滤波模块根据噪声扰动的不同采取不同的智能滤波算法。所述数据挖掘子系统根据有功实时值、环境温度以及光伏组件温度进行系统模型预测数据分析，根据环境温度、光伏组件温度、电场有功机组运行状态数据进行异常检测，根据有功目标值、电场有功机组运行状态数据、电场有功控制效果以及机组性能指标进行机组响应效果分析。
所述电场控制子系统包括电场有功控制模块；所述电场有功控制模块根据电场有功目标值，并参考历史数据库里面和电场当前的外部环境相似的历史有功控制效果，综合电场现在有功设备的运行情况给出最优的控制有功方案。
但是外部环境绝大部分情况下不可能与历史数据完全相同，且光伏组件设备也存在使用寿命与辐照度转换效率的问题，所以电场有功控制模块能够以历史数据为参考，但又不能完全依赖于历史的控制效果。
所述数据存储子系统与电场控制子系统的关系，如图3所示。数据存储子系统内含有历史有功目标值、历史环境温度、光伏组件温度、电场有功机组运行历史状态数据、电场有功控制效果、电场级性能标分析、机组级能标分析、以及电场当前工作环境数据等数据。电场控制子系统内根据以上数据进行历史有功控制效果分析；根据历史电场级性能标分析进行电场级性能标；根据历史机组级能标分析进行机组级能标分析；并根据电场当前工作环境数据进行有功控制命令下发。
所述电场控制子系统采用基于模糊理论分区的神经网络算法对历史上一系列相似的控制效果进行分析并预测电场在当前环境下电场各有功设备的控制效果；电场有功控制模块根据电场有功目标值并结合系统预测出的有功设备控制效果向各设备下发最优的命令值。预测控制效果较好的设备可以多发有功，并能频繁的调控，预测控制效果较差的设备应适当降低调控频率。通过这种控制方法能够有效提高电场的命令响应速度和命令执行准确率。提高电场有功整体控制效果。
所述控制效果回馈子系统将电场实施的自然环境、有功无功控制效果，各设备工作状况、响应速度各项信息进行归类，并存储到数据存储子系统里面。所述自然环境包括电场所处位置辐照度、温度、湿度的数据；所述设备工作状况包括：设备电流、电压、有功、无功、频率、档位值的信息。
以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。

Claims (4)

1.基于光伏电场数据分析及实时环境监测的有功控制系统，其特征在于：包括系统建模预测子系统、数据采集子系统、数据存储子系统、电场控制子系统、控制效果回馈子系统、数据挖掘子系统，所述数据采集子系统用于采集电场的数据，并将数据传递给数据存储子系统；所述系统建模预测子系统提取数据存储子系统存储的数据，进行建模并预测各机组的运行状态，然后将建模的数据发送到数据存储子系统内进行存储；所述数据挖掘子系统对数据存储子系统内的数据进行处理，并将处理后的数据发送给数据存储子系统进行存储；电场控制子系统根据数据存储子系统内的数据，对电场进行控制，并将数据发送给数据存储子系统进行存储；所述控制效果回馈子系统将电场控制子系统的数据进行分类，并将反馈的数据传递到数据存储子系统；
所述数据采集子系统包括数据采集模块、数据发送模块；所述数据采集模块采集电场环境变化值以及电场设备控制效果，数据发送模块将采集到的数据通过数据接口发送给数据存储子系统；所述电场环境变化值包括电场所在地辐照度、温度、湿度、外部阴影的时变数据；所述电场设备控制效果包括电场各机组运行状态值和数据值、命令响应速度、命令执行准确度；
所述系统建模预测子系统包括环境数据提取模块、系统建模预测模块、预测数据发送模块；所述环境数据提取模块采集数据存储子系统里面的电场环境实时数据；所述系统建模预测模块根据现场数据建立模型并根据实时环境数据预测各机组将来的运行状态；所述预测数据发送模块将预测的数据发送给数据存储子系统；
所述数据存储子系统包括数据预处理模块、模型预测数据库、电场实时数据库、历史数据预处理模块、历史控制效果数据库；所述数据预处理模块将实时采集到的来自不同数据源的数据分类并发送到相应的数据库；所述模型预测数据库接收外界环境数据值和系统模型预测值；所述电场实时数据库接收电场各机组实时运行状态值、数据值；所述历史数据预处理模块接收来自不同数据源的历史数据并存入历史数据库；所述历史控制效果数据库存储在各种外部气候环境下电场各设备的历史控制效果；所述历史控制效果包括命令响应速度、命令响应准确度；
所述数据挖掘子系统包括电场噪声干扰类型分类模块、数据滤波模块、数据发送模块、模型预测数据分析模块、异常检测模块、以及机组响应效果分析模块；所述电场噪声干扰类型分类模块，从数据存储子系统提取电场实时数据；将电场实时数据按机组设备不同进行分类、解析；所述数据滤波模块根据不同的噪声扰动分类采用不同的智能滤波算法对系统数据进行滤波；所述数据发送模块将滤波后的数据值发送给数据存储子系统；所述噪声扰动分类主要包括电场各不同机组、不同信号可能会受到不同的噪声干扰，噪声干扰包括近似白噪声干扰、阶跃信号干扰、高斯白噪声干扰、有多种干扰源共同造成的干扰；
所述电场控制子系统包括电场有功控制模块；所述电场有功控制模块根据电场有功目标值，并参考历史数据库里面和电场当前的外部环境相似的历史有功控制效果，综合电场现在有功设备的运行情况给出最优的控制有功方案；
所述控制效果回馈子系统将电场实施的自然环境、有功无功控制效果，各设备工作状况、响应速度各项信息进行归类，并存储到数据存储子系统里面。
2.根据权利要求1所述的基于光伏电场数据分析及实时环境监测的有功控制系统，其特征在于：所述数据接口包括RS485接口、RS232接口、RS422接口、串行接口。
3.根据权利要求1所述的基于光伏电场数据分析及实时环境监测的有功控制系统，其特征在于：所述电场控制子系统采用基于模糊理论分区的神经网络算法对历史上一系列相似的控制效果进行分析并预测电场在当前环境下电场各有功设备的控制效果；电场有功控制模块根据电场有功目标值并结合系统预测出的有功设备控制效果向各设备下发最优的命令值。
4.根据权利要求1所述的基于光伏电场数据分析及实时环境监测的有功控制系统，其特征在于：所述自然环境包括电场所处位置辐照度、温度、湿度的数据；所述设备工作状况包括：设备电流、电压、有功、无功、频率、档位值的信息。
CN201511019837.1A 2015-12-29 2015-12-29 基于光伏电场数据分析及实时环境监测的有功控制系统 Active CN105652658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511019837.1A CN105652658B (zh) 2015-12-29 2015-12-29 基于光伏电场数据分析及实时环境监测的有功控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511019837.1A CN105652658B (zh) 2015-12-29 2015-12-29 基于光伏电场数据分析及实时环境监测的有功控制系统

Publications (2)

Publication Number Publication Date
CN105652658A CN105652658A (zh) 2016-06-08
CN105652658B true CN105652658B (zh) 2018-12-04

Family

ID=56478210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511019837.1A Active CN105652658B (zh) 2015-12-29 2015-12-29 基于光伏电场数据分析及实时环境监测的有功控制系统

Country Status (1)

Country Link
CN (1) CN105652658B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109842124A (zh) * 2019-02-26 2019-06-04 深圳供电局有限公司 静止无功发生器控制装置及无功补偿系统
CN116973977B (zh) * 2022-04-24 2024-08-06 中国人民解放军海军工程大学 高速移动平台低频电场目标探测的自适应去噪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104399682A (zh) * 2014-11-28 2015-03-11 许继集团有限公司 一种光伏电站组件清扫智能决策预警系统
CN104571099A (zh) * 2015-01-26 2015-04-29 北京国能日新系统控制技术有限公司 基于理论计算和数据分析的光伏故障诊断系统和诊断方法
CN104732300A (zh) * 2015-04-07 2015-06-24 北京国能日新系统控制技术有限公司 一种基于模糊分区理论的神经网络风功率短期预测方法
CN105184404A (zh) * 2015-08-31 2015-12-23 中国科学院广州能源研究所 适用于光伏系统全生命周期的输出功率分类预测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150012258A1 (en) * 2013-07-08 2015-01-08 Holden R. Caine System and method for modeling and characterizing of photovoltaic power systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104399682A (zh) * 2014-11-28 2015-03-11 许继集团有限公司 一种光伏电站组件清扫智能决策预警系统
CN104571099A (zh) * 2015-01-26 2015-04-29 北京国能日新系统控制技术有限公司 基于理论计算和数据分析的光伏故障诊断系统和诊断方法
CN104732300A (zh) * 2015-04-07 2015-06-24 北京国能日新系统控制技术有限公司 一种基于模糊分区理论的神经网络风功率短期预测方法
CN105184404A (zh) * 2015-08-31 2015-12-23 中国科学院广州能源研究所 适用于光伏系统全生命周期的输出功率分类预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大规模光伏有功综合控制系统设计;徐瑞 等;《电力系统自动化》;20130710;第37卷(第13期);24-29 *

Also Published As

Publication number Publication date
CN105652658A (zh) 2016-06-08

Similar Documents

Publication Publication Date Title
Ke et al. Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network
Bose Artificial intelligence techniques in smart grid and renewable energy systems—some example applications
Raza et al. Demand forecast of PV integrated bioclimatic buildings using ensemble framework
Grimaccia et al. Neuro-fuzzy predictive model for PV energy production based on weather forecast
Elyasichamazkoti et al. Application of machine learning for wind energy from design to energy-Water nexus: A Survey
Nath et al. Artificial intelligence in power systems
Kolhe et al. GA-ANN for short-term wind energy prediction
Han et al. Ultra-short-term multi-node load forecasting–a composite approach
Eseye et al. Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Moturi et al. Use of artificial neural networks for short-term electricity load forecasting of Kenya national grid power system
CN103618315B (zh) 一种基于bart算法和超吸收壁的电网电压无功优化方法
CN105652658B (zh) 基于光伏电场数据分析及实时环境监测的有功控制系统
Dogan et al. A review on machine learning models in forecasting of virtual power plant uncertainties
Dawood et al. Red deer optimized recurrent neural network for the classification of power quality disturbance
Wang et al. Short-term wind power prediction based on DBSCAN clustering and support vector machine regression
CN112821456B (zh) 基于迁移学习的分布式源-储-荷匹配方法及装置
Mele A review of machine learning algorithms used for load forecasting at microgrid level
Arseniev et al. The Model of a Cyber-Physical System for Hybrid Renewable Energy Station Control
Yuan et al. Short-term wind speed forecasting using STLSSVM hybrid model
Abed et al. Application of the Jaya algorithm to solve the optimal reliability allocation for reduction oxygen supply system of a spacecraft
Paulin et al. SOLAR PHOTOVOLTAIC OUTPUT POWER FORECASTING USING BACK PROPAGATION NEURAL NETWORK.
Soomro et al. Optimal Restoration for Distribution System using PSO and ANN
Ramsami et al. Neural network frameworks for electricity forecasting in mauritius and rodrigues Islands
Alawode et al. Comparison of Neural Network models for Load Forecasting in Nigeria Power Systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100081 four, 407, 19 Building, 68 South Road, Haidian District, Beijing.

Applicant after: New energy Polytron Technologies Inc

Address before: 100081 four, 407, 19 Building, 68 South Road, Haidian District, Beijing.

Applicant before: Beijing Guo Nengxin system control technique company limited

GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Photovoltaic electric field data analysis and real-time environmental monitoring-based active power control system

Effective date of registration: 20190404

Granted publication date: 20181204

Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee

Pledgor: New energy Polytron Technologies Inc

Registration number: 2019990000290

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20200911

Granted publication date: 20181204

Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee

Pledgor: SPRIXIN TECHNOLOGY Co.,Ltd.

Registration number: 2019990000290