CN111371088A - 一种基于bp神经网络修正svg控制策略的方法及系统 - Google Patents
一种基于bp神经网络修正svg控制策略的方法及系统 Download PDFInfo
- Publication number
- CN111371088A CN111371088A CN202010140352.2A CN202010140352A CN111371088A CN 111371088 A CN111371088 A CN 111371088A CN 202010140352 A CN202010140352 A CN 202010140352A CN 111371088 A CN111371088 A CN 111371088A
- Authority
- CN
- China
- Prior art keywords
- value
- reactive
- neural network
- active
- new energy
- 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
Links
Images
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
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/10—Flexible AC transmission systems [FACTS]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于BP神经网络修正SVG控制策略的方法及系统。本发明首先采集新能源电站并网点的有功、无功值和新能源电站考核点有功值、无功值;以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练;采集当前并网点有功实时值、无功实时值,通过最终的BP神经网络模型计算考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数,从而实现对无功控制和功率因数控制的优化。本发明不仅可以提高新能源电站对SVG的合理利用率,而且可以降低新能源电站下网无功的考核率,对新能源电站及电网的安全稳定、经济可靠运行具有重要意义。
Description
技术领域
本发明属于新能源电站自动化控制技术领域,针对当前由于线损导致新能源电站并网点和考核点无功值不一致,静止无功发生器(Static Var Generator,SVG)以并网点无功作为控制对象容易出现欠调的问题,研究提出的一种基于BP神经网络修正SVG控制策略的方法。
背景技术
随着社会的快速发展,新能源电站被大规模建立起来。以云南为例,截止2019年底,光伏电站规模达到了351.15万千瓦,风电装机达到了862.04万千瓦,新能源电站大大小小达到了上百个之多。
新能源电站与电网之间通过联络线连接,通过它可以将电站发出的电能传送到电网当中,也可以将电网上的电能传回到电站。但联络线的存在会带来一定的线损,使得新能源电站并网点和考核点无功不一致。通常,新能源电站利用SVG进行无功调节时,往往在考核点的关口表上显示值会偏小,就是因为线损的存在导致了无功的损失。现在新能源电站均没有好的方法有效解决该问题,这样就会导致新能源电站面临调度考核和经济损失的风险。因此如何克服现有技术的不足是目前新能源电站自动化控制技术领域亟需解决的问题。
发明内容
云南省新能源电站众多,且均受到联络线线损带来的无功损失、并网点与考核点不同的困扰,得不到有效的解决。本发明的目的是为了解决现有技术的不足,通过建立新能源电站并网点有功值、无功值与考核点有功值、无功值之间的关系,以考核点有功值、无功值作为控制对象,对SVG控制策略进行优化,达到控制考核点无功值、功率因数的目的。
为实现上述目的,本发明采用的技术方案如下:
一种基于BP神经网络修正SVG控制策略的方法,包括如下步骤:
步骤(1),采集新能源电站并网点的有功值、无功值,同时采集新能源电站考核点有功值、无功值;
步骤(2),以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练,直到BP神经网络模型的预测精度达到要求,得到辨识完成的BP神经网络模型;
步骤(3),采集当前并网点有功实时值、无功实时值,通过辨识完成的BP神经网络模型,得到考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数,从而实现对无功控制和功率因数控制的优化。
进一步,优选的是,新能源电站并网点的有功、无功值由测控装置测得;新能源电站考核点有功值、无功值在变电站关口表上测得。
进一步,优选的是,采集间隔为1s。
进一步,优选的是,BP神经网络模型包括输入层、隐含层和输出层,输入层节点数为M,隐含层节点数为q,输出层节点数为L,[x,y]为样本p,x=[x1,x2]为新能源电站并网点的有功值、无功值,y=[y1,y2]为新能源电站考核点有功值、无功值;
BP神经网络模型的训练包括:读取样本p数据,进行前向传播;检验BP神经网络模型的预测精度是否达到预设精度要求;若未达到,则进行反向传播,然后返回上述进行前向传播的步骤;若达到,结束学习训练的过程。
进一步,优选的是,所述的前向传播包括:
隐含层第i个神经元在样本p的作用下隐含层输入为:
隐含层第i个神经元的输出经激励函数作用之后为:
隐含层第i个神经元的输出通过隐含层与输出层神经元之间的连接权值作用后,将信号传递到输出层的第k个神经元并作为其输入之一;输出层第k个神经元的总输入为:
式中:ωki为隐含层单元i与输出层单元k之间的连接权值,σk为输出层神经元k的阈值;
输出层的第k个神经元输出经激励函数作用后为:
进一步,优选的是,BP神经网络模型建立后,通过调整网络输入层与隐含层的权值和隐含层与输出层的权值,逐步降低误差。
进一步,优选的是,所述的反向传播包括:
输出层的权值修正公式为:
定义
所以输出层权值修正公式为
输入层至隐含层权值的修改公式为:
定义
所以输入层至隐含层权值的修改公式为:
本发明同时提供一种基于BP神经网络修正SVG控制策略的系统,包括:
数据采集模块,用于采集新能源电站并网点的有功值、无功值,同时采集新能源电站考核点有功值、无功值;
第一处理模块,用于以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练,直到BP神经网络模型的预测精度达到要求,得到辨识完成的BP神经网络模型;
控制模块,用于获取当前并网点有功实时值、无功实时值,通过辨识完成的BP神经网络模型,得到考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数进行控制。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上述基于BP神经网络修正SVG控制策略的方法的步骤。
本发明另外提供一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上述基于BP神经网络修正SVG控制策略的方法的步骤。
本发明与现有技术相比,其有益效果为:
本发明方法以考核点有功值、无功值作为被控对象,优于传统以并网点有功、无功作为被控对象的理念;本发明方法不仅可以提高新能源电站对SVG的合理利用率,而且可以降低新能源电站下网无功的考核率,对新能源电站及电网的安全稳定、经济可靠运行具有重要意义;此外,可简化对线损的计算,适用于不同的新能源电站,具有普适性。
附图说明
图1为本发明的控制策略框图;
图2为联络线电气图;
图3为无功功率曲线;
图4为有功功率曲线;
图5是本发明基于BP神经网络修正SVG控制策略的系统的结构示意图;
图6为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
本发明考虑到新能源电站从并网点到考核点之间的输电线路结构复杂,不同的新能源电站其接入公共电网的输电线路不同,很难建立确立的数学模型,如图2所示,且通过各种途径建立一个新能源电站输电线路模型后,又不能应用到其它电站。故本发明利用BP神经网络算法的特点,不仅可以辨识出新能源电站并网点与考核点之间的对应关系,而且通过两者之间的关系,将调节指令赋值给SVG,进行实现新能源电站SVG不仅可以控制并网点的电气量,而且也能够实现对考核点电气量的控制,解决目前新能源电站无功欠发、下网无功电量被考核的一种行之有效的手段。
(一)将新能源电站历史数据库中并网点有功值、无功值作为自变量,考核点有功值、无功值作为因变量,并将其中间的BP神经网络模型设为黑匣子。新能源电站并网点的有功、无功值由测控装置测得,1s采集一个值,新能源电站考核点有功值、无功值则可在变电站关口表上测得,如此便得到黑匣子两端的输入和输出之间的关系。采用BP神经网络模型:
y=f(x)
上式中,x=[x1,x2]为新能源电站并网点的有功值、无功值,y=[y1,y2]为新能源电站考核点有功值、无功值。
在这里为了普适性,设神经网络的输入层节点数为M,隐含层节点数为q,输出层节点为L,样本[x,y]为样本p。隐含层的第i个神经元在样本p的作用下输入为:
隐含层第i个神经元的输出经激励函数作用之后为:
隐含层第i个神经元的输出通过隐含层与输出层神经元之间的连接权值作用后将信号传递到输出层的第k个神经元并作为其输入之一。输出层第k个神经元的总输入为:
式中:ωki为隐含层单元i与输出层单元k之间的连接权值,σk为输出层神经元k的阈值。
输出层的第k个神经元输出经激励函数作用后为
常用的目标函数是二次型的误差函数,即
权系数应当按照J函数梯度变化的反方向进行调整。根据最速梯度下降法,输出层每个神经元权系数的修整公式为
输出层的权值修正公式为:
定义
所以输出层权值修正公式为
输入层至隐含层权值的修改公式为:
定义
所以输入层至隐含层权值的修改公式为:
(二)基于以上的计算可以建立输入与输出之间的关系
y=f(x)
在编程计算过程中可定义为
y=sim(net,x)
如此,当采集到当前并网点有功实时值、无功实时值x1时,便可得到考核点有功值、无功值
y1=sim(net,x1)
(三)将SVG控制模式分为并网点控制模式和考核点控制模式,并网点控制模式为现行控制方式,本发明设计考核点控制模式,为SVG新增加的控制模式,两种模式之间可人工进行切换。
将上述得到的有功值、无功值y1作为SVG的控制参数,实际根据SVG在恒无功模式或恒功率因数模式下,进行考核点无功或功率因数的优化控制。
如图5所示,一种基于BP神经网络修正SVG控制策略的系统,其特征在于,包括:
数据采集模块101,用于采集新能源电站并网点的有功值、无功值,同时采集新能源电站考核点有功值、无功值;
第一处理模块102,用于以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练,直到BP神经网络模型的预测精度达到要求,得到辨识完成的BP神经网络模型;
控制模块103,用于获取当前并网点有功实时值、无功实时值,通过辨识完成的BP神经网络模型,得到考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数进行控制。
在本发明实施例中,数据采集模块101采集新能源电站并网点的有功值、无功值,同时采集新能源电站考核点有功值、无功值;第一处理模块102以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练,直到BP神经网络模型的预测精度达到要求,得到辨识完成的BP神经网络模型;控制模块103获取当前并网点有功实时值、无功实时值,通过辨识完成的BP神经网络模型,得到考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数进行控制。
本发明实施例提供的一种基于BP神经网络修正SVG控制策略的系统,该系统通过建立新能源电站并网点有功值、无功值与考核点有功值、无功值之间的关系,以考核点有功值、无功值作为控制对象,对SVG控制策略进行优化,达到控制考核点无功值、功率因数的目的。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图6为本发明实施例提供的电子设备结构示意图,参照图6,该电子设备可以包括:处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204,其中,处理器201,通信接口202,存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令,以执行如下方法:采集新能源电站并网点的有功值、无功值,同时采集新能源电站考核点有功值、无功值;以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练,直到BP神经网络模型的预测精度达到要求,得到辨识完成的BP神经网络模型;采集当前并网点有功实时值、无功实时值,通过辨识完成的BP神经网络模型,得到考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数进行控制。
此外,上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于BP神经网络修正SVG控制策略的方法,例如包括采集新能源电站并网点的有功值、无功值,同时采集新能源电站考核点有功值、无功值;以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练,直到BP神经网络模型的预测精度达到要求,得到辨识完成的BP神经网络模型;采集当前并网点有功实时值、无功实时值,通过辨识完成的BP神经网络模型,得到考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数进行控制。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应用实例
一种基于BP神经网络修正SVG控制策略的方法,包括如下步骤:
(一)将新能源电站历史数据库中并网点有功值、无功值作为自变量,考核点有功值、无功值作为因变量,并将其中间的最终的BP神经网络模型设为黑匣子。新能源电站并网点的有功值、无功值由测控装置测得,1s采集一个值,新能源电站考核点有功值、无功值则可在变电站关口表上测得,如此我们便得到黑匣子两端的输入和输出。
例如:采集到了一组输入输出为x=[200 201 199.5 200.3 200.4;100 99 99.5100.4 100.2],y=[199.4 199.7 197.4 198.2 199.3;98.5 97 97.8 98.1 99],通过matlab编写BP神经网络程序仿真,可以得到输入层到中间层的权值为[6.9711 -14.712219.6382 -9.8478 11.2555;-7.8422 -7.6412 -5.7753 7.7277 -9.7859],中间各层神经元阈值为[-7.4630 -1.1832 -2.7797 -6.2809 7.3228;6.5615 3.2861 -1.6999 2.7723-4.2141],中间层到输出层的权值为[-1.5800 -1.9710 -1.9990 2.9769 -0.0946;1.4555-1.6604 0.0885 0.2924 -0.9031],输出层神经元阈值为[0.7501;-0.6719],拟合的样本输出为[199.3950 199.7000 197.4034 198.2000 199.3002;98.5004 96.9991 97.800398.9951]。运算如下图3、图4。
(二)由步骤一建立了输入与输出之间的模型,将采集到的实时并网点值作为新的输入,即可得到考核点值。
例如此时输入值为[200.6 100.5],对应的输出值即为[199.4190 98.0312]。
(三)将SVG切换至考核点控制模式,根据步骤二得到的考核点有功、无功值,赋给SVG,作为控制参数,对无功控制和功率因数控制进行优化。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于BP神经网络修正SVG控制策略的方法,其特征在于,包括如下步骤:
步骤(1),采集新能源电站并网点的有功值、无功值,同时采集新能源电站考核点有功值、无功值;
步骤(2),以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练,直到BP神经网络模型的预测精度达到要求,得到辨识完成的BP神经网络模型;
步骤(3),采集当前并网点有功实时值、无功实时值,通过辨识完成的BP神经网络模型,得到考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数,从而实现对无功控制和功率因数控制的优化。
2.根据权利要求1所述的基于BP神经网络修正SVG控制策略的方法,其特征在于,新能源电站并网点的有功、无功值由测控装置测得;新能源电站考核点有功值、无功值在变电站关口表上测得。
3.根据权利要求1所述的基于BP神经网络修正SVG控制策略的方法,其特征在于,采集间隔为1s。
4.根据权利要求1所述的基于BP神经网络修正SVG控制策略的方法,其特征在于,BP神经网络模型包括输入层、隐含层和输出层,输入层节点数为M,隐含层节点数为q,输出层节点数为L,[x,y]为样本p,x=[x1,x2]为新能源电站并网点的有功值、无功值,y=[y1,y2]为新能源电站考核点有功值、无功值;
BP神经网络模型的训练包括:读取样本p数据,进行前向传播;检验BP神经网络模型的预测精度是否达到预设精度要求;若未达到,则进行反向传播,然后返回上述进行前向传播的步骤;若达到,结束学习训练的过程。
5.根据权利要求4所述的基于BP神经网络修正SVG控制策略的方法,其特征在于,所述的前向传播包括:
隐含层第i个神经元在样本p的作用下隐含层输入为:
隐含层第i个神经元的输出经激励函数作用之后为:
隐含层第i个神经元的输出通过隐含层与输出层神经元之间的连接权值作用后,将信号传递到输出层的第k个神经元并作为其输入之一;输出层第k个神经元的总输入为:
式中:ωki为隐含层单元i与输出层单元k之间的连接权值,σk为输出层神经元k的阈值;
输出层的第k个神经元输出经激励函数作用后为:
6.根据权利要求4所述的基于BP神经网络修正SVG控制策略的方法,其特征在于,BP神经网络模型建立后,通过调整网络输入层与隐含层的权值和隐含层与输出层的权值,逐步降低误差。
8.一种基于BP神经网络修正SVG控制策略的系统,其特征在于,包括:
数据采集模块,用于采集新能源电站并网点的有功值、无功值,同时采集新能源电站考核点有功值、无功值;
第一处理模块,用于以新能源电站并网点的有功值、无功值作为输入,以新能源电站考核点有功值、无功值作为输出,进行BP神经网络模型的训练,直到BP神经网络模型的预测精度达到要求,得到辨识完成的BP神经网络模型;
控制模块,用于获取当前并网点有功实时值、无功实时值,通过辨识完成的BP神经网络模型,得到考核点有功值、无功值,将得到的考核点有功值、无功值作为SVG的控制参数进行控制。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于BP神经网络修正SVG控制策略的方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于BP神经网络修正SVG控制策略的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010140352.2A CN111371088B (zh) | 2020-03-03 | 2020-03-03 | 一种基于bp神经网络修正svg控制策略的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010140352.2A CN111371088B (zh) | 2020-03-03 | 2020-03-03 | 一种基于bp神经网络修正svg控制策略的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111371088A true CN111371088A (zh) | 2020-07-03 |
CN111371088B CN111371088B (zh) | 2023-05-02 |
Family
ID=71211222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010140352.2A Active CN111371088B (zh) | 2020-03-03 | 2020-03-03 | 一种基于bp神经网络修正svg控制策略的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111371088B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114721446A (zh) * | 2022-04-25 | 2022-07-08 | 云南电力试验研究院(集团)有限公司 | 一种调控svg功率模块运行温度的方法和系统 |
CN116663415A (zh) * | 2023-06-01 | 2023-08-29 | 湖南恩智测控技术有限公司 | 改进哈里斯鹰优化算法的svg模型参数辨识方法及系统 |
CN117526374A (zh) * | 2023-12-28 | 2024-02-06 | 国网浙江省电力有限公司电力科学研究院 | 匹配波动电源实时出力的新能源制氢系统控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017980A (zh) * | 2007-02-15 | 2007-08-15 | 湖南大学 | 配电静止无功发生器的多变量控制方法 |
CN202524095U (zh) * | 2012-03-20 | 2012-11-07 | 上海利思电气有限公司 | 静止无功发生器 |
CN103326371A (zh) * | 2012-03-20 | 2013-09-25 | 上海利思电气有限公司 | 基于神经网络自适应控制的静止无功发生器 |
CN106655187A (zh) * | 2016-12-08 | 2017-05-10 | 国网青海省电力公司 | 一种svg消除离网光伏逆变器谐波能力指数预测方法 |
CN109962480A (zh) * | 2019-04-03 | 2019-07-02 | 山东大学 | 静止无功发生器无锁相环控制系统、方法及应用 |
-
2020
- 2020-03-03 CN CN202010140352.2A patent/CN111371088B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017980A (zh) * | 2007-02-15 | 2007-08-15 | 湖南大学 | 配电静止无功发生器的多变量控制方法 |
CN202524095U (zh) * | 2012-03-20 | 2012-11-07 | 上海利思电气有限公司 | 静止无功发生器 |
CN103326371A (zh) * | 2012-03-20 | 2013-09-25 | 上海利思电气有限公司 | 基于神经网络自适应控制的静止无功发生器 |
CN106655187A (zh) * | 2016-12-08 | 2017-05-10 | 国网青海省电力公司 | 一种svg消除离网光伏逆变器谐波能力指数预测方法 |
CN109962480A (zh) * | 2019-04-03 | 2019-07-02 | 山东大学 | 静止无功发生器无锁相环控制系统、方法及应用 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114721446A (zh) * | 2022-04-25 | 2022-07-08 | 云南电力试验研究院(集团)有限公司 | 一种调控svg功率模块运行温度的方法和系统 |
CN114721446B (zh) * | 2022-04-25 | 2024-04-02 | 云南电力试验研究院(集团)有限公司 | 一种调控svg功率模块运行温度的方法和系统 |
CN116663415A (zh) * | 2023-06-01 | 2023-08-29 | 湖南恩智测控技术有限公司 | 改进哈里斯鹰优化算法的svg模型参数辨识方法及系统 |
CN116663415B (zh) * | 2023-06-01 | 2023-09-29 | 湖南恩智测控技术有限公司 | 改进哈里斯鹰优化算法的svg模型参数辨识方法及系统 |
CN117526374A (zh) * | 2023-12-28 | 2024-02-06 | 国网浙江省电力有限公司电力科学研究院 | 匹配波动电源实时出力的新能源制氢系统控制方法及装置 |
CN117526374B (zh) * | 2023-12-28 | 2024-05-10 | 国网浙江省电力有限公司电力科学研究院 | 匹配波动电源实时出力的新能源制氢系统控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111371088B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN111371088A (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
WO2016026355A1 (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
CN110518591B (zh) | 一种不确定电力系统的潮流计算方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN111797510A (zh) | 一种新能源场站短路比的计算方法及系统 | |
LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
CN116031887B (zh) | 一种电网仿真分析算例数据生成方法、系统、设备及介质 | |
CN115392141B (zh) | 一种自适应的电流互感器误差评估方法 | |
CN111079972A (zh) | 一种主动配电网可靠性规划方法、设备及介质 | |
CN110969305B (zh) | 一种光伏电站仿真模型参数优化方法及系统 | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN110389268B (zh) | 一种电力系统的在线监测系统 | |
CN113609699A (zh) | 辐射状配电网交流潮流模型的计算方法和系统 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 | |
CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
CN115313510A (zh) | 一种自适应无功补偿的光伏逆变器控制方法与系统 | |
CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
CN113468729A (zh) | 无标定方式的电力厂站计量装置运行误差测算方法及系统 | |
CN112290538A (zh) | 基于聚合-辨识双层架构的负荷模型参数在线修正方法 | |
CN110796385A (zh) | 电力系统状态估计方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |