CN111478327A - 基于动态策略分析的新能源电能质量控制系统及方法 - Google Patents
基于动态策略分析的新能源电能质量控制系统及方法 Download PDFInfo
- Publication number
- CN111478327A CN111478327A CN202010421299.3A CN202010421299A CN111478327A CN 111478327 A CN111478327 A CN 111478327A CN 202010421299 A CN202010421299 A CN 202010421299A CN 111478327 A CN111478327 A CN 111478327A
- Authority
- CN
- China
- Prior art keywords
- signal
- electric energy
- power utilization
- parameters
- utilization network
- 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
Abstract
本发明涉及新能源技术领域,具体涉及基于动态策略分析的新能源电能质量控制系统及方法。用电网络、传感器组和电能控制系统;所述传感器组包括若干个传感器,均匀安置于用电网络中,采集用电网络中的电能参数,将采集到的电能参数发送至电能控制系统;所述电能控制系统根据采集到的电能参数调节用电网络的运行,进行电能质量控制。其使用基于动态策略的实时分析算法,能够及时有效地发现用电网络中的问题,进而控制用电网络的运行,提升电能的质量。具有实时性强、准确率高和效率高的优点。
Description
技术领域
本发明属于新能源技术领域,具体涉及基于动态策略分析的新能源电能质量控制系统及方法。
背景技术
电能质量是指电力系统中电能的质量。理想的电能应该是完美对称的正弦波。一些因素会使波形偏离对称正弦,由此便产生了电能质量问题。一方面我们研究存在哪些影响因素会导致电能质量问题,一方面我们研究这些因素会导致哪些方面的问题,最后,我们要研究如何消除这些因素,从而最大程度上使电能接近正弦波。
电能质量问题的提出由来已久,在电力系统发展的早期!电力负荷的组成比较简单,主要由同步电动机、异步电动机和各种照明设备等线性负荷组成,因此衡量电能质量的指标也比较简单,主要有频率偏移和电压偏移两种20世纪80年代以来,随着电力电子技术的发展,非线性电力电子器件和装置在现代工业中得到了广泛应用。同时,为了解决电力系统自身发展存在的问题,直流输电和FACTS技术不断投入实际工程应用!调速电机以及无功功率补偿电容器也大量投入运营。这些设备的运行使得电网中电压和电流波形畸变越来越严重,谐波水平不断上升。另外,冲击性、波动性负荷,例如电弧炉、大型轧钢机、电力机车等,运行中不仅会产生大量的高次谐波,而且还会产生电压波动、闪变、三相不平衡等电能质量问题。但另一方面,随着各种复杂的、精密的、对电能质量敏感的用电设备不断普及,人们对电能质量的要求越来越高,因而电能质量成为目前研究的热点。
专利号为CN201511003795.2A的专利:地铁供电系统电能质量控制系统及方法提供的技术方案为:包括:采集装置,用于采集高压侧和低压侧的电压和电流;有源滤波器,用于根据采集到的电压和电流,计算得到谐波电流补偿值和无功电流补偿值,所述谐波电流补偿值等于高压侧的谐波电流分量与低压侧的谐波电流分量之和的相反数,所述无功电流补偿值等于高压侧的无功电流分量与低压侧的无功电流分量之和的相反数;监控装置,用于根据所述谐波电流补偿值、所述无功电流补偿值和所述有源滤波器的额定容量,确定所述有源滤波器的工作模式;还用于根据所述有源滤波器的工作模式、所述谐波电流补偿值和所述无功电流值生成电流补偿指令并发送至所述有源滤波器。其使用谐波补偿来提升电能质量,其提升的质量有限,且缺乏针对性和实时性,不能根据用电网络的实时运行状态,制定更为有效的电能控制方案。
发明内容
有鉴于此,本发明的主要目的在于提供基于动态策略分析的新能源电能质量控制系统及方法,其使用基于动态策略的实时分析算法,能够及时有效地发现用电网络中的问题,进而控制用电网络的运行,提升电能的质量。具有实时性强、准确率高和效率高的优点。
为达到上述目的,本发明的技术方案是这样实现的:
基于动态策略分析的新能源电能质量控制系统,所述系统包括:用电网络、传感器组和电能控制系统;所述传感器组包括若干个传感器,均匀安置于用电网络中,采集用电网络中的电能参数,将采集到的电能参数发送至电能控制系统;所述电能控制系统根据采集到的电能参数调节用电网络的运行,进行电能质量控制;所述电能控制系统包括:电能信号分析装置、动态策略分析装置、电能调节装置;所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果,将信号分析结果发送至动态策略分析装置;所述动态策略分析装置,根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移,根据找出的偏移,发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制。
进一步的,所述传感器组至少包括:温度传感器组、电压传感器组、电流传感器组、电弧传感器组、信号采集装置和数据转换装置;所述温度传感器组包含若干个温度传感器,采集用电网络中各处的温度数据;所述电压传感器组包含若干个电压传感器,采集用电网络中各处的电压数据;所述电流传感器组包含若干个电流传感器,采集用电网络中各处的电流数据;所述电弧传感器组包含若干个电弧传感器,采集用电网络中各处的电弧数据;所述信号采集装置包括若干个采集器,均匀设置于用电网络中,获取用电网络的中的实时电信号;所述数据转换装置,将前述各个传感器组以及信号采集装置获取的数据和电信号进行模/数转换后,发送至电能控制系统。
进一步的,所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果的方法执行以下步骤:步骤1:对接收到的参数进行预处理的步骤;步骤2:根据预处理后的参数,进行信号降噪的步骤;步骤3:对降噪后的信号进行信号分析和展示的步骤;其中,步骤2具体包括:根据接收到的参数,建立初始的电信号用如下公式表示:PP=Asincos(wt+kx);其信号能密度为: 其中,A为信号幅度;w为信号的相位;t为信号时间参数;k为修正系数,为任意正整数;x为修正幅度,为任意正小数;ρ为能量密度常数;c为信号传播速度常数;将初始信号分为三个部分,分别为:噪声信号部分、信号部分和误差信号部分;根据噪声信号部分产生的噪声信号和误差信号部分产生的误差信号,调整输出信号,使得输出信号的输出为:PS=βAcos(wt-kx+α);其中,β为输出信号的幅度增强系数,为小于1的任意正数;α为相位修正值,设定范围为0~180;使得输出信号的信号能密度为:由此计算得到信号级差:信号输出单元最终根据信号级差,调整输出信号的参数,使得β为1,α为π,得到最终的输出信号,将最终的输出信号进行滤信号后,输出降噪后的最终的信号。
进一步的,所述步骤3对降噪后的信号进行信号分析和展示的步骤包括:建立信号分析的状态方程,所述状态方程使用如下公式表示:其中,k为时刻,sk∈Rn为状态向量;zk为观测向量;fk为系统函数;wk为信号的水平分量;hk为信号的竖直分量;hk为观测函数;,将分析出的结果,进行可视化展示。
进一步的,所述根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移的方法执行以下步骤:进行数据建模;进行偏移分析,包括:根据建立的模型,采用如下公式,计算模型生成的电能运行状态与预设的条件进行偏移计算,即得到R2得分,得分越高,表示偏移越小,当偏移在设定的阈值范围内时,则不进行进一步操作,若偏移超过设定的阈值,则发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制;其中y代表模型生成的偏移(预测值);代表预设的条件;nsamples代表进入模型的数据量的大小。
进一步的,所述进行数据建模的方法执行以下步骤:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;。设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;设定一个激励函数,所述激励函数为:设定神经网络的神经元阈值为:Θ;将第一中间结果和该激励函数以及神经元阈值进行运算,得到前向神经网络的结果为:计算前向神经网络的训练误差;由于本次训练的输出变量E为“电能运行的偏移”,但模型训练后会产生一个预测值为O,故得出误差函数为: 其中m代表输入本次建模样本的数量,i表示第i个变量。步骤S3.4.6:反向传播更新权重w;为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建。
一种基于动态策略分析的新能源电能质量控制方法,所述方法执行以下步骤:传感器组采集用电网络中的电能参数,将采集到的电能参数发送至电能控制系统;电能控制系统根据采集到的电能参数调节用电网络的运行,进行电能质量控制。
进一步的,所述电能控制系统包括:电能信号分析装置、动态策略分析装置、电能调节装置;所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果,将信号分析结果发送至动态策略分析装置;所述动态策略分析装置,根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移,根据找出的偏移,发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制。
进一步的,所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果的方法执行以下步骤:步骤1:对接收到的参数进行预处理的步骤;步骤2:根据预处理后的参数,进行信号降噪的步骤;步骤3:对降噪后的信号进行信号分析和展示的步骤;其中,步骤2具体包括:根据接收到的参数,建立初始的电信号用如下公式表示:PP=Asincos(wt+kx);其信号能密度为: 其中,A为信号幅度;w为信号的相位;t为信号时间参数;k为修正系数,为任意正整数;x为修正幅度,为任意正小数;ρ为能量密度常数;c为信号传播速度常数;将初始信号分为三个部分,分别为:噪声信号部分、信号部分和误差信号部分;根据噪声信号部分产生的噪声信号和误差信号部分产生的误差信号,调整输出信号,使得输出信号的输出为:PS=βAcos(wt-kx+α);其中,β为输出信号的幅度增强系数,为小于1的任意正数;α为相位修正值,设定范围为0~180;使得输出信号的信号能密度为:由此计算得到信号级差:信号输出单元最终根据信号级差,调整输出信号的参数,使得β为1,α为π,得到最终的输出信号,将最终的输出信号进行滤信号后,输出降噪后的最终的信号。
进一步的,所述步骤3对降噪后的信号进行信号分析和展示的步骤包括:建立信号分析的状态方程,所述状态方程使用如下公式表示:其中,k为时刻,sk∈Rn为状态向量;zk为观测向量;fk为系统函数;wk为信号的水平分量;hk为信号的竖直分量;hk为观测函数;,将分析出的结果,进行可视化展示。
本发明的基于动态策略分析的新能源电能质量控制系统及方法,具有如下有益效果:本发明使用基于动态策略的实时分析算法,能够及时有效地发现用电网络中的问题,进而控制用电网络的运行,提升电能的质量。具有实时性强、准确率高和效率高的优点。本发明在实现上述有益效果时,主要通过以下两种手段:1.针对用电网络的实时的信号分析。在进行信号分析时,通过传感器组采集到的电压、电流、温度和电弧参数,以及采集到的用电网络的电信号,首先进行信号预处理,对信号进行降噪,降噪后的信号再使用状态方程进行状态分析,然后得出结果。这样得到的结果准确率更高,也便于后续的控制,提升控制的准确性。在进行信号降噪处理时,创造性地将信号分解为三个部分:噪声部分、误差部分和信号本身部分,然后针对每一部分进行操作,进一步提升了最终结果的准确性。2.针对用电网络的偏移分析,针对信号分析的结果,以及采集到的参数,本发明基于神经网络建立自动分析模型,该模型计算模型生成的电能运行状态与预设的条件进行偏移计算,进而实现用电网络的电能质量提升。在该模型进行偏移计算过程中,建立的模型还能针对每一次计算结果进行自我学习和更新,保证准确率逐步提升,智能化程度很高。
附图说明
图1为本发明实施例提供的基于动态策略分析的新能源电能质量控制系统的系统结构示意图;
图2为本发明实施例提供的基于动态策略分析的新能源电能质量控制方法的方法流程示意图;
图3为本发明实施例提供的基于动态策略分析的新能源电能质量控制系统及方法的电能幅度的频率变化示意图与现有技术的对比实验效果示意图;
图4为本发明实施例提供的基于动态策略分析的新能源电能质量控制系统及方法的电能增益的频率变化示意图与现有技术的对比实验效果示意图;
图5为本发明实施例提供的基于动态策略分析的新能源电能质量控制系统及方法的电能信号的噪声信号占比的频率变化示意图与现有技术的对比实验效果示意图;
图6为本发明实施例提供的基于动态策略分析的新能源电能质量控制系统及方法的电能信号衰减的频率变化示意图与现有技术的对比实验效果示意图。
1-现有常规电能控制技术的实验曲线,2-本发明的实验曲线,3-不进行电能控制的实验曲线。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1、图3、图4、图5和图6所示,基于动态策略分析的新能源电能质量控制系统,所述系统包括:用电网络、传感器组和电能控制系统;所述传感器组包括若干个传感器,均匀安置于用电网络中,采集用电网络中的电能参数,将采集到的电能参数发送至电能控制系统;所述电能控制系统根据采集到的电能参数调节用电网络的运行,进行电能质量控制;所述电能控制系统包括:电能信号分析装置、动态策略分析装置、电能调节装置;所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果,将信号分析结果发送至动态策略分析装置;所述动态策略分析装置,根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移,根据找出的偏移,发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制。
采用上述技术方案,本发明使用基于动态策略的实时分析算法,能够及时有效地发现用电网络中的问题,进而控制用电网络的运行,提升电能的质量。具有实时性强、准确率高和效率高的优点。本发明在实现上述有益效果时,主要通过以下两种手段:1.针对用电网络的实时的信号分析。在进行信号分析时,通过传感器组采集到的电压、电流、温度和电弧参数,以及采集到的用电网络的电信号,首先进行信号预处理,对信号进行降噪,降噪后的信号再使用状态方程进行状态分析,然后得出结果。这样得到的结果准确率更高,也便于后续的控制,提升控制的准确性。在进行信号降噪处理时,创造性地将信号分解为三个部分:噪声部分、误差部分和信号本身部分,然后针对每一部分进行操作,进一步提升了最终结果的准确性。2.针对用电网络的偏移分析,针对信号分析的结果,以及采集到的参数,本发明基于神经网络建立自动分析模型,该模型计算模型生成的电能运行状态与预设的条件进行偏移计算,进而实现用电网络的电能质量提升。在该模型进行偏移计算过程中,建立的模型还能针对每一次计算结果进行自我学习和更新,保证准确率逐步提升,智能化程度很高。
实施例2
在上一实施例的基础上,所述传感器组至少包括:温度传感器组、电压传感器组、电流传感器组、电弧传感器组、信号采集装置和数据转换装置;所述温度传感器组包含若干个温度传感器,采集用电网络中各处的温度数据;所述电压传感器组包含若干个电压传感器,采集用电网络中各处的电压数据;所述电流传感器组包含若干个电流传感器,采集用电网络中各处的电流数据;所述电弧传感器组包含若干个电弧传感器,采集用电网络中各处的电弧数据;所述信号采集装置包括若干个采集器,均匀设置于用电网络中,获取用电网络的中的实时电信号;所述数据转换装置,将前述各个传感器组以及信号采集装置获取的数据和电信号进行模/数转换后,发送至电能控制系统。
采用上述技术方案,传感器组又称为传感器矩阵,是一组传感器,通常以某种几何图案部署,用于收集和处理电磁或声学信号。使用传感器矩阵而不是使用单个传感器的优点在于,阵列为观测增加了新的维度,有助于估计更多参数并提高估计性能。例如,用于波束成形的无线电天线元件矩阵可以增加信号方向上的天线增益,同时减小其他方向上的增益,即通过相干地放大信号来增加信噪比(SNR)。传感器矩阵应用的另一个例子是估计撞击电磁波的到达方向。相关的处理方法称为阵列信号处理。阵列信号处理的应用实例包括雷达/声纳,无线通信,地震学,机器状态监测,天文观测故障诊断等。
实施例3
在上一实施例的基础上,所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果的方法执行以下步骤:步骤1:对接收到的参数进行预处理的步骤;步骤2:根据预处理后的参数,进行信号降噪的步骤;步骤3:对降噪后的信号进行信号分析和展示的步骤;其中,步骤2具体包括:根据接收到的参数,建立初始的电信号用如下公式表示:PP=Asincos(wt+kx);其信号能密度为: 其中,A为信号幅度;w为信号的相位;t为信号时间参数;k为修正系数,为任意正整数;x为修正幅度,为任意正小数;ρ为能量密度常数;c为信号传播速度常数;将初始信号分为三个部分,分别为:噪声信号部分、信号部分和误差信号部分;根据噪声信号部分产生的噪声信号和误差信号部分产生的误差信号,调整输出信号,使得输出信号的输出为:PS=βAcos(wt-kx+α);其中,β为输出信号的幅度增强系数,为小于1的任意正数;α为相位修正值,设定范围为0~180;使得输出信号的信号能密度为: 由此计算得到信号级差: 信号输出单元最终根据信号级差,调整输出信号的参数,使得β为1,α为π,得到最终的输出信号,将最终的输出信号进行滤信号后,输出降噪后的最终的信号。
采用上述技术方案,本发明的信号能密度参考声能密度建立,并针对信号的特殊性进行了公式调整。
针对用电网络的实时的信号分析。在进行信号分析时,通过传感器组采集到的电压、电流、温度和电弧参数,以及采集到的用电网络的电信号,首先进行信号预处理,对信号进行降噪,降噪后的信号再使用状态方程进行状态分析,然后得出结果。这样得到的结果准确率更高,也便于后续的控制,提升控制的准确性。在进行信号降噪处理时,创造性地将信号分解为三个部分:噪声部分、误差部分和信号本身部分,然后针对每一部分进行操作,进一步提升了最终结果的准确性。
实施例4
在上一实施例的基础上,所述步骤3对降噪后的信号进行信号分析和展示的步骤包括:建立信号分析的状态方程,所述状态方程使用如下公式表示:其中,k为时刻,sk∈Rn为状态向量;zk为观测向量;fk为系统函数;wk为信号的水平分量;hk为信号的竖直分量;hk为观测函数;,将分析出的结果,进行可视化展示。
实施例5
在上一实施例的基础上,所述根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移的方法执行以下步骤:进行数据建模;进行偏移分析,包括:根据建立的模型,采用如下公式,计算模型生成的电能运行状态与预设的条件进行偏移计算,即得到R2得分,得分越高,表示偏移越小,当偏移在设定的阈值范围内时,则不进行进一步操作,若偏移超过设定的阈值,则发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制;其中y代表模型生成的偏移(预测值);代表预设的条件;nsamples代表进入模型的数据量的大小。
实施例6
在上一实施例的基础上,所述进行数据建模的方法执行以下步骤:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;。设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;设定一个激励函数,所述激励函数为:设定神经网络的神经元阈值为:Θ;将第一中间结果和该激励函数以及神经元阈值进行运算,得到前向神经网络的结果为: 计算前向神经网络的训练误差;由于本次训练的输出变量E为“电能运行的偏移”,但模型训练后会产生一个预测值为O,故得出误差函数为:其中m代表输入本次建模样本的数量,i表示第i个变量。步骤S3.4.6:反向传播更新权重w;为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建。
具体的,本发明的神经网络,从底层开始,一层一层地往顶层训练。采用无标定数据(有标定数据也可)分层训练各层参数,这一步可以看作是一个无监督训练过程,这也是和传统神经网络区别最大的部分,可以看作是特征学习过程。具体的,先用无标定数据训练第一层,训练时先学习第一层的参数,这层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层,由于模型容量的限制以及稀疏性约束,使得得到的模型能够学习到数据本身的结构,从而得到比输入更具有表示能力的特征;在学习得到n-l层后,将n-l层的输出作为第n层的输入,训练第n层,由此分别得到各层的参数。
同时,针对具体情况,本发明的神经网络也可以采用通过带标签的数据去训练,误差自顶向下传输,对网络进行微调。基于第一步得到的各层参数进一步优调整个多层模型的参数,这一步是一个有监督训练过程。第一步类似神经网络的随机初始化初值过程,由于第一步不是随机初始化,而是通过学习输入数据的结构得到的,因而这个初值更接近全局最优,从而能够取得更好的效果。所以深度学习的良好效果在很大程度上归功于第一步的特征学习的过程。
实施例7
一种基于动态策略分析的新能源电能质量控制方法,所述方法执行以下步骤:传感器组采集用电网络中的电能参数,将采集到的电能参数发送至电能控制系统;电能控制系统根据采集到的电能参数调节用电网络的运行,进行电能质量控制。
实施例8
在上一实施例的基础上,所述电能控制系统包括:电能信号分析装置、动态策略分析装置、电能调节装置;所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果,将信号分析结果发送至动态策略分析装置;所述动态策略分析装置,根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移,根据找出的偏移,发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制。
实施例9
在上一实施例的基础上,所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果的方法执行以下步骤:步骤1:对接收到的参数进行预处理的步骤;步骤2:根据预处理后的参数,进行信号降噪的步骤;步骤3:对降噪后的信号进行信号分析和展示的步骤;其中,步骤2具体包括:根据接收到的参数,建立初始的电信号用如下公式表示:PP=Asincos(wt+kx);其信号能密度为: 其中,A为信号幅度;w为信号的相位;t为信号时间参数;k为修正系数,为任意正整数;x为修正幅度,为任意正小数;ρ为能量密度常数;c为信号传播速度常数;将初始信号分为三个部分,分别为:噪声信号部分、信号部分和误差信号部分;根据噪声信号部分产生的噪声信号和误差信号部分产生的误差信号,调整输出信号,使得输出信号的输出为:PS=βAcos(wt-kx+α);其中,β为输出信号的幅度增强系数,为小于1的任意正数;α为相位修正值,设定范围为0~180;使得输出信号的信号能密度为: 由此计算得到信号级差: 信号输出单元最终根据信号级差,调整输出信号的参数,使得β为1,α为π,得到最终的输出信号,将最终的输出信号进行滤信号后,输出降噪后的最终的信号。
实施例10
在上一实施例的基础上,所述步骤3对降噪后的信号进行信号分析和展示的步骤包括:建立信号分析的状态方程,所述状态方程使用如下公式表示:其中,k为时刻,sk∈Rn为状态向量;zk为观测向量;fk为系统函数;wk为信号的水平分量;hk为信号的竖直分量;hk为观测函数;,将分析出的结果,进行可视化展示。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.基于动态策略分析的新能源电能质量控制系统,所述系统包括:用电网络、传感器组和电能控制系统;所述传感器组包括若干个传感器,均匀安置于用电网络中,采集用电网络中的电能参数,将采集到的电能参数发送至电能控制系统;所述电能控制系统根据采集到的电能参数调节用电网络的运行,进行电能质量控制;其特征在于,所述电能控制系统包括:电能信号分析装置、动态策略分析装置、电能调节装置;所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果,将信号分析结果发送至动态策略分析装置;所述动态策略分析装置,根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移,根据找出的偏移,发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制。
2.如权利要求1所述的系统,其特征在于,所述传感器组至少包括:温度传感器组、电压传感器组、电流传感器组、电弧传感器组、信号采集装置和数据转换装置;所述温度传感器组包含若干个温度传感器,采集用电网络中各处的温度数据;所述电压传感器组包含若干个电压传感器,采集用电网络中各处的电压数据;所述电流传感器组包含若干个电流传感器,采集用电网络中各处的电流数据;所述电弧传感器组包含若干个电弧传感器,采集用电网络中各处的电弧数据;所述信号采集装置包括若干个采集器,均匀设置于用电网络中,获取用电网络的中的实时电信号;所述数据转换装置,将前述各个传感器组以及信号采集装置获取的数据和电信号进行模/数转换后,发送至电能控制系统。
3.如权利要求2所述的系统,其特征在于,所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果的方法执行以下步骤:步骤1:对接收到的参数进行预处理的步骤;步骤2:根据预处理后的参数,进行信号降噪的步骤;步骤3:对降噪后的信号进行信号分析和展示的步骤;其中,步骤2具体包括:根据接收到的参数,建立初始的电信号用如下公式表示:PP=Asincos(wt+kx);其信号能密度为:其中,A为信号幅度;w为信号的相位;t为信号时间参数;k为修正系数,为任意正整数;x为修正幅度,为任意正小数;ρ为能量密度常数;c为信号传播速度常数;将初始信号分为三个部分,分别为:噪声信号部分、信号部分和误差信号部分;根据噪声信号部分产生的噪声信号和误差信号部分产生的误差信号,调整输出信号,使得输出信号的输出为:PS=βAcos(wt-kx+α);其中,β为输出信号的幅度增强系数,为小于1的任意正数;α为相位修正值,设定范围为0~180;使得输出信号的信号能密度为: 由此计算得到信号级差: 信号输出单元最终根据信号级差,调整输出信号的参数,使得β为1,α为π,得到最终的输出信号,将最终的输出信号进行滤信号后,输出降噪后的最终的信号。
5.如权利要求4所述的系统,其特征在于,所述根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移的方法执行以下步骤:进行数据建模;进行偏移分析,包括:根据建立的模型,采用如下公式,计算模型生成的电能运行状态与预设的条件进行偏移计算,即得到R2得分,得分越高,表示偏移越小,当偏移在设定的阈值范围内时,则不进行进一步操作,若偏移超过设定的阈值,则发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制;其中y代表模型生成的偏移(预测值);代表预设的条件;nsamples代表进入模型的数据量的大小。
6.如权利要求5所述的系统,其特征在于,所述进行数据建模的方法执行以下步骤:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;。设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;设定一个激励函数,所述激励函数为:设定神经网络的神经元阈值为:Θ;将第一中间结果和该激励函数以及神经元阈值进行运算,得到前向神经网络的结果为:计算前向神经网络的训练误差;由于本次训练的输出变量E为“电能运行的偏移”,但模型训练后会产生一个预测值为O,故得出误差函数为:其中m代表输入本次建模样本的数量,i表示第i个变量。步骤S3.4.6:反向传播更新权重w;为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建。
7.一种基于权利要求1至5之一所述系统的基于动态策略分析的新能源电能质量控制方法,其特征在于,所述方法执行以下步骤:传感器组采集用电网络中的电能参数,将采集到的电能参数发送至电能控制系统;电能控制系统根据采集到的电能参数调节用电网络的运行,进行电能质量控制。
8.如权利要求7所述的方法,其特征在于,所述电能控制系统包括:电能信号分析装置、动态策略分析装置、电能调节装置;所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果,将信号分析结果发送至动态策略分析装置;所述动态策略分析装置,根据信号分析结果,使用预设的动态策略分析模型,分析当前实时的用电网络的运行状态是否满足设定的条件,若不满足预设的条件,找出当前用电网络的运行状态与预设条件的偏移,根据找出的偏移,发送控制命令至电能调节装置;电能调节装置根据接收到的控制命令,控制用电网络的运行,进而实现电能质量控制。
9.如权利要求8所述的方法,其特征在于,所述电能信号分析装置,针对采集到的电能参数,对用电网络中的电能运行状态进行信号分析,得出信号分析结果的方法执行以下步骤:步骤1:对接收到的参数进行预处理的步骤;步骤2:根据预处理后的参数,进行信号降噪的步骤;步骤3:对降噪后的信号进行信号分析和展示的步骤;其中,步骤2具体包括:根据接收到的参数,建立初始的电信号用如下公式表示:PP=Asincos(wt+kx);其信号能密度为:其中,A为信号幅度;w为信号的相位;t为信号时间参数;k为修正系数,为任意正整数;x为修正幅度,为任意正小数;ρ为能量密度常数;c为信号传播速度常数;将初始信号分为三个部分,分别为:噪声信号部分、信号部分和误差信号部分;根据噪声信号部分产生的噪声信号和误差信号部分产生的误差信号,调整输出信号,使得输出信号的输出为:PS=βAcos(wt-kx+α);其中,β为输出信号的幅度增强系数,为小于1的任意正数;α为相位修正值,设定范围为0~180;使得输出信号的信号能密度为: 由此计算得到信号级差: 信号输出单元最终根据信号级差,调整输出信号的参数,使得β为1,α为π,得到最终的输出信号,将最终的输出信号进行滤信号后,输出降噪后的最终的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421299.3A CN111478327B (zh) | 2020-05-18 | 2020-05-18 | 基于动态策略分析的新能源电能质量控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421299.3A CN111478327B (zh) | 2020-05-18 | 2020-05-18 | 基于动态策略分析的新能源电能质量控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111478327A true CN111478327A (zh) | 2020-07-31 |
CN111478327B CN111478327B (zh) | 2021-05-18 |
Family
ID=71763310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010421299.3A Active CN111478327B (zh) | 2020-05-18 | 2020-05-18 | 基于动态策略分析的新能源电能质量控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111478327B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140336831A1 (en) * | 2013-05-08 | 2014-11-13 | Samsung Electronics Co., Ltd. | Non-intrusive load monitoring apparatus and method |
CN104518567A (zh) * | 2014-11-26 | 2015-04-15 | 国家电网公司 | 一种用电设备状态在线跟踪方法及装置 |
CN204945269U (zh) * | 2015-08-21 | 2016-01-06 | 常州埃依琦科技有限公司 | 电能质量监控系统 |
CN106022645A (zh) * | 2016-06-07 | 2016-10-12 | 李祖毅 | 非侵入式在线实时电力负荷识别方法及识别系统 |
CN106849082A (zh) * | 2017-03-10 | 2017-06-13 | 国网江苏省电力公司常州供电公司 | 含光伏配电网的统一电能质量调节器谐波控制方法 |
CN110989363A (zh) * | 2019-12-27 | 2020-04-10 | 广东电网有限责任公司电力科学研究院 | 一种基于深度学习的电能质量控制方法及装置 |
-
2020
- 2020-05-18 CN CN202010421299.3A patent/CN111478327B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140336831A1 (en) * | 2013-05-08 | 2014-11-13 | Samsung Electronics Co., Ltd. | Non-intrusive load monitoring apparatus and method |
CN104518567A (zh) * | 2014-11-26 | 2015-04-15 | 国家电网公司 | 一种用电设备状态在线跟踪方法及装置 |
CN204945269U (zh) * | 2015-08-21 | 2016-01-06 | 常州埃依琦科技有限公司 | 电能质量监控系统 |
CN106022645A (zh) * | 2016-06-07 | 2016-10-12 | 李祖毅 | 非侵入式在线实时电力负荷识别方法及识别系统 |
CN106849082A (zh) * | 2017-03-10 | 2017-06-13 | 国网江苏省电力公司常州供电公司 | 含光伏配电网的统一电能质量调节器谐波控制方法 |
CN110989363A (zh) * | 2019-12-27 | 2020-04-10 | 广东电网有限责任公司电力科学研究院 | 一种基于深度学习的电能质量控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111478327B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446494B (zh) | 基于小波包-神经网络的风光功率预测方法 | |
EP2516849B1 (en) | A wind turbine having a control method and controller for performing predictive control of a wind turbine generator | |
CN108683216B (zh) | 非线性负载下并联逆变器谐波功率均分控制方法 | |
CN110566406B (zh) | 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法 | |
CN101603502A (zh) | 一种基于人工智能的风能控制方法 | |
CN104734175B (zh) | 一种实现风电机组风速功率曲线的智能修正方法 | |
CN113363998B (zh) | 一种基于多智能体深度强化学习的配电网电压控制方法 | |
CN105184679A (zh) | 一种风电场功率多时间尺度联合预测方法 | |
Tatinati et al. | A hybrid approach for short-term forecasting of wind speed | |
CN113469332A (zh) | 基于模糊神经的虚拟同步发电机惯量阻尼自适应控制方法 | |
CN111478327B (zh) | 基于动态策略分析的新能源电能质量控制系统及方法 | |
Merz et al. | A hierarchical supervisory wind power plant controller | |
Manna et al. | A review of control techniques for wind energy conversion system | |
CN114024340B (zh) | 一种海上风电装置控制系统及模型预测控制方法 | |
CN104852382A (zh) | 一种直流侧电压自适应调节的apf电流预测控制算法 | |
CN105870972B (zh) | 一种光伏微网pwm逆变器的智能控制系统 | |
Toumi et al. | Robust variable step P&O algorithm based MPPT for PMSG wind generation system using estimated wind speed compensation technique | |
Kannan | A deep learning-based convolution neural networks to forecast wind energy | |
CN107679323B (zh) | 光伏电站出力突变波动曲线拟合方法 | |
Khan et al. | Neural Network-Based Control for Wind Turbine System with PMSG: A Case Study for Hafar Al-Batin | |
CN116599033A (zh) | 一种宽频振荡抑制方法、介质及系统 | |
Zheng et al. | Adaptive Energy Control Strategy for a Hybrid Energy Storage System in a DC Micro-Grid of an Unmanned Surface Vehicle | |
Awais et al. | NeuroFuzzy Full-Recurrent Hybrid B-Spline Wavelet Based Feedback Linearization Control for PMSG-WECS in a Grid-connected Hybrid Power System | |
Arul et al. | MPPT using pitch angle with various control algorithms in wind energy conversion system | |
Yang et al. | Wind Direction Prediction Based on Nonlinear Autoregression and Elman Neural Networks for the Wind Turbine Yaw System |
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 |