发明内容
为了解决上述技术问题,本发明提供了一种基于人工智能的即插即用型分布式风力发电系统。
所述分布式风力发电系统包括中央控制器,历史风能数据库,配置数据库和至少一个风力发电子单元。
所述中央控制器,其分别与所述历史风能数据库,所述配置数据库和所述至少一个风力发电子单元相连接;所述中央控制器基于人工智能算法对所述至少一个风力发电子单元进行控制。
所述历史风能数据库,其用于为所述中央控制器提供学习样本。
所述配置数据库,其用于存储不同类型的所述风力发电子单元的配置信息。
所述风力发电子单元,其连接至至少一个电网,和/或至少一个负载;所述风力发电子单元基于所述配置数据库所存储的所述配置信息与所述中央控制器实现即插即用连接。
进一步地,所述人工智能算法包括学习算法和控制算法。
所述学习算法包括:
S101,所述中央控制器从所述历史风能数据库获取所述分布式风力发电系统所在地的风能数据;所述风能数据包括历史当日风向时间曲线,历史当日风速时间曲线。
S102,获取卷积神经网络模型。
S103,基于所述风能数据对所述卷积神经网络模型进行训练。
S104,获得针对不同时间点的风向风速预测网络。
所述控制算法包括:
S105,获取当前时间点。
S106,经过训练后的所述卷积神经网络模型对所述当前时间点以后一段时间内的风向风速数据进行预测;所述当前时间点以后一段时间为1小时,或12小时,或24小时。
S107,基于所述当前时间点以后一段时间内的风向风速数据进行转向判定;若判定所述风力发电子单元需要进行转向,则进入S108;若判定所述风力发电子单元不需要进行转向,则返回S105。
S108,向所述风力发电子单元发送转向指令,并返回S105。
进一步地,所述风力发电子单元与所述中央控制器实现即插即用连接的步骤包括:
S201,将所述风力发电子单元与所述中央控制器通过线缆实现物理连接;所述线缆包括导电线缆以及通信线缆。
S202,所述中央控制器检测到新接入的所述风力发电子单元。
S203,所述中央控制器进入配置模式。
S204,所述中央控制器通过新接入的所述风力发电子单元获取能力描述文件。
S205,所述中央控制器在所述配置数据库中查找是否具有与所述能力描述文件对应的所述配置信息;若有,则转S206,若没有,则转S207。
S206,所述中央控制器根据所述配置信息进行配置进程,并在配置进程结束后进入S209。
S207,所述中央控制器根据接收到的所述能力描述文件进行配置进程,并在配置进程结束后进行通信测试,若通信测试成功,转S209,若通信测试不成功,转S208。
S208,所述中央控制器与所述风力发电子单元配置失败。
S209,所述中央控制器与所述风力发电子单元配置成功,开始进行通信。
进一步地,所述风力发电子单元包括风力发电机,AC/DC变换器,DC/AC换流器和并网开关;所述风力发电机,AC/DC变换器,DC/AC换流器和并网开关依次连接。
所述风力发电机,其用于将风能转换为第一交流电能,并将所述第一交流电能传送至所述AC/DC变换器。
所述AC/DC变换器,其用于将接收到的所述第一交流电能转换为第一直流电能,并将所述第一直流电能传送至所述DC/AC换流器。
所述DC/AC换流器,其用于将接收到的所述第一直流电能转换为第二交流电能,并将所述第二交流电能传送至所述交流母线。
所述并网开关,其连接于所述DC/AC换流器和所述交流母线之间,用于将所述风力发电子单元连接至所述交流母线。
进一步地,当所述交流母线连接至所述至少一个电网时,所述至少一个电网分别通过电网开关与所述交流母线相连接。
进一步地,当所述交流母线连接至所述至少一个负载时,所述至少一个负载分别通过负载开关与所述交流母线相连接。
进一步地,所述中央控制器周期性检测是否有新接入的所述风力发电子单元;或,所述中央控制器在预定的时间节点检测是否有新接入的所述风力发电子单元。
进一步地,所述风力发电子单元的能力描述文件包括风力发电子单元名称,风力发电子单元URL地址,风力发电子单元通信协议,风力发电子单元额定参数。
进一步地,所述中央控制器具有显示设备;所述中央控制器与互联网相连接。
与现有技术相比,本发明具有下列优点:
(1)基于人工智能控制方式对分布式风力发电系统进行控制,人工智能控制方式可以根据历史数据不断训练神经网络,对未来风能做出合理判断,最大程度利用风能。
(2)解决了现有技术中中央控制部分与分布式发电部分之间的连接关系无法轻易改动的弊端,实现即插即用,对需要扩大产能的情况具有极强的适应性。
(3)系统全面实现自动控制,避免了人工预测等粗放式管理方式对发电进程的影响。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,本发明提供了一种基于人工智能的即插即用型分布式风力发电系统。
所述分布式风力发电系统包括中央控制器,历史风能数据库,配置数据库和至少一个风力发电子单元。
所述中央控制器,其分别与所述历史风能数据库,所述配置数据库和所述至少一个风力发电子单元相连接;所述中央控制器基于人工智能算法对所述至少一个风力发电子单元进行控制。
所述历史风能数据库,其用于为所述中央控制器提供学习样本。
所述配置数据库,其用于存储不同类型的所述风力发电子单元的配置信息。
所述风力发电子单元,其连接至至少一个电网,和/或至少一个负载;所述风力发电子单元基于所述配置数据库所存储的所述配置信息与所述中央控制器实现即插即用连接。
进一步地,所述人工智能算法包括学习算法和控制算法。
所述学习算法包括:
S101,所述中央控制器从所述历史风能数据库获取所述分布式风力发电系统所在地的风能数据;所述风能数据包括历史当日风向时间曲线,历史当日风速时间曲线。
S102,获取卷积神经网络模型。
S103,基于所述风能数据对所述卷积神经网络模型进行训练。
S104,获得针对不同时间点的风向风速预测网络。
所述控制算法包括:
S105,获取当前时间点。
S106,经过训练后的所述卷积神经网络模型对所述当前时间点以后一段时间内的风向风速数据进行预测;所述当前时间点以后一段时间为1小时,或12小时,或24小时。
S107,基于所述当前时间点以后一段时间内的风向风速数据进行转向判定;若判定所述风力发电子单元需要进行转向,则进入S108;若判定所述风力发电子单元不需要进行转向,则返回S105。
S108,向所述风力发电子单元发送转向指令,并返回S105。
进一步地,所述风力发电子单元与所述中央控制器实现即插即用连接的步骤包括:
S201,将所述风力发电子单元与所述中央控制器通过线缆实现物理连接;所述线缆包括导电线缆以及通信线缆。
S202,所述中央控制器检测到新接入的所述风力发电子单元。
S203,所述中央控制器进入配置模式。
S204,所述中央控制器通过新接入的所述风力发电子单元获取能力描述文件。
S205,所述中央控制器在所述配置数据库中查找是否具有与所述能力描述文件对应的所述配置信息;若有,则转S206,若没有,则转S207。
S206,所述中央控制器根据所述配置信息进行配置进程,并在配置进程结束后进入S209。
S207,所述中央控制器根据接收到的所述能力描述文件进行配置进程,并在配置进程结束后进行通信测试,若通信测试成功,转S209,若通信测试不成功,转S208。
S208,所述中央控制器与所述风力发电子单元配置失败。
S209,所述中央控制器与所述风力发电子单元配置成功,开始进行通信。
进一步地,所述风力发电子单元包括风力发电机,AC/DC变换器,DC/AC换流器和并网开关;所述风力发电机,AC/DC变换器,DC/AC换流器和并网开关依次连接。
所述风力发电机,其用于将风能转换为第一交流电能,并将所述第一交流电能传送至所述AC/DC变换器。
所述AC/DC变换器,其用于将接收到的所述第一交流电能转换为第一直流电能,并将所述第一直流电能传送至所述DC/AC换流器。
所述DC/AC换流器,其用于将接收到的所述第一直流电能转换为第二交流电能,并将所述第二交流电能传送至所述交流母线。
所述并网开关,其连接于所述DC/AC换流器和所述交流母线之间,用于将所述风力发电子单元连接至所述交流母线。
进一步地,当所述交流母线连接至所述至少一个电网时,所述至少一个电网分别通过电网开关与所述交流母线相连接。
进一步地,当所述交流母线连接至所述至少一个负载时,所述至少一个负载分别通过负载开关与所述交流母线相连接。
进一步地,所述中央控制器周期性检测是否有新接入的所述风力发电子单元。
进一步地,所述风力发电子单元的能力描述文件包括风力发电子单元名称,风力发电子单元URL地址,风力发电子单元通信协议,风力发电子单元额定参数。
进一步地,所述中央控制器具有显示设备;所述中央控制器与互联网相连接。
与现有技术相比,本发明具有下列优点:
基于人工智能控制方式对分布式风力发电系统进行控制,人工智能控制方式可以根据历史数据不断训练神经网络,对未来风能做出合理判断,最大程度利用风能。
解决了现有技术中中央控制部分与分布式发电部分之间的连接关系无法轻易改动的弊端,实现即插即用,对需要扩大产能的情况具有极强的适应性。
系统全面实现自动控制,避免了人工预测等粗放式管理方式对发电进程的影响。
本发明还提供了一种基于人工智能的即插即用型分布式风力发电系统。
所述分布式风力发电系统包括中央控制器,历史风能数据库,配置数据库和至少一个风力发电子单元。
所述中央控制器,其分别与所述历史风能数据库,所述配置数据库和所述至少一个风力发电子单元相连接;所述中央控制器基于人工智能算法对所述至少一个风力发电子单元进行控制。
所述历史风能数据库,其用于为所述中央控制器提供学习样本。
所述配置数据库,其用于存储不同类型的所述风力发电子单元的配置信息。
所述风力发电子单元,其连接至至少一个电网,和/或至少一个负载;所述风力发电子单元基于所述配置数据库所存储的所述配置信息与所述中央控制器实现即插即用连接。
进一步地,所述人工智能算法包括学习算法和控制算法。
所述学习算法包括:
S101,所述中央控制器从所述历史风能数据库获取所述分布式风力发电系统所在地的风能数据;所述风能数据包括历史当日风向时间曲线,历史当日风速时间曲线。
S102,获取卷积神经网络模型。
S103,基于所述风能数据对所述卷积神经网络模型进行训练。
S104,获得针对不同时间点的风向风速预测网络。
所述控制算法包括:
S105,获取当前时间点。
S106,经过训练后的所述卷积神经网络模型对所述当前时间点以后一段时间内的风向风速数据进行预测;所述当前时间点以后一段时间为1小时,或12小时,或24小时。
S107,基于所述当前时间点以后一段时间内的风向风速数据进行转向判定;若判定所述风力发电子单元需要进行转向,则进入S108;若判定所述风力发电子单元不需要进行转向,则返回S105。
S108,向所述风力发电子单元发送转向指令,并返回S105。
进一步地,所述风力发电子单元与所述中央控制器实现即插即用连接的步骤包括:
S201,将所述风力发电子单元与所述中央控制器通过线缆实现物理连接;所述线缆包括导电线缆以及通信线缆。
S202,所述中央控制器检测到新接入的所述风力发电子单元。
S203,所述中央控制器进入配置模式。
S204,所述中央控制器通过新接入的所述风力发电子单元获取能力描述文件。
S205,所述中央控制器在所述配置数据库中查找是否具有与所述能力描述文件对应的所述配置信息;若有,则转S206,若没有,则转S207。
S206,所述中央控制器根据所述配置信息进行配置进程,并在配置进程结束后进入S209。
S207,所述中央控制器根据接收到的所述能力描述文件进行配置进程,并在配置进程结束后进行通信测试,若通信测试成功,转S209,若通信测试不成功,转S208。
S208,所述中央控制器与所述风力发电子单元配置失败。
S209,所述中央控制器与所述风力发电子单元配置成功,开始进行通信。
进一步地,所述风力发电子单元包括风力发电机,AC/DC变换器,DC/AC换流器和并网开关;所述风力发电机,AC/DC变换器,DC/AC换流器和并网开关依次连接。
所述风力发电机,其用于将风能转换为第一交流电能,并将所述第一交流电能传送至所述AC/DC变换器。
所述AC/DC变换器,其用于将接收到的所述第一交流电能转换为第一直流电能,并将所述第一直流电能传送至所述DC/AC换流器。
所述DC/AC换流器,其用于将接收到的所述第一直流电能转换为第二交流电能,并将所述第二交流电能传送至所述交流母线。
所述并网开关,其连接于所述DC/AC换流器和所述交流母线之间,用于将所述风力发电子单元连接至所述交流母线。
进一步地,当所述交流母线连接至所述至少一个电网时,所述至少一个电网分别通过电网开关与所述交流母线相连接。
进一步地,当所述交流母线连接至所述至少一个负载时,所述至少一个负载分别通过负载开关与所述交流母线相连接。
进一步地,所述中央控制器在预定的时间节点检测是否有新接入的所述风力发电子单元。
进一步地,所述风力发电子单元的能力描述文件包括风力发电子单元名称,风力发电子单元URL地址,风力发电子单元通信协议,风力发电子单元额定参数。
进一步地,所述中央控制器具有显示设备;所述中央控制器与互联网相连接。
与现有技术相比,本发明具有下列优点:
基于人工智能控制方式对分布式风力发电系统进行控制,人工智能控制方式可以根据历史数据不断训练神经网络,对未来风能做出合理判断,最大程度利用风能。
解决了现有技术中中央控制部分与分布式发电部分之间的连接关系无法轻易改动的弊端,实现即插即用,对需要扩大产能的情况具有极强的适应性。
系统全面实现自动控制,避免了人工预测等粗放式管理方式对发电进程的影响。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。