CN114465231A - 一种海上风力发电的电力接入方法及系统 - Google Patents

一种海上风力发电的电力接入方法及系统 Download PDF

Info

Publication number
CN114465231A
CN114465231A CN202210132926.0A CN202210132926A CN114465231A CN 114465231 A CN114465231 A CN 114465231A CN 202210132926 A CN202210132926 A CN 202210132926A CN 114465231 A CN114465231 A CN 114465231A
Authority
CN
China
Prior art keywords
wind power
offshore wind
power
data
value
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
CN202210132926.0A
Other languages
English (en)
Other versions
CN114465231B (zh
Inventor
李超
王宇风
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.)
Nupt Institute Of Big Data Research At Yancheng
Original Assignee
Nupt Institute Of Big Data Research At Yancheng
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 Nupt Institute Of Big Data Research At Yancheng filed Critical Nupt Institute Of Big Data Research At Yancheng
Priority to CN202210132926.0A priority Critical patent/CN114465231B/zh
Publication of CN114465231A publication Critical patent/CN114465231A/zh
Application granted granted Critical
Publication of CN114465231B publication Critical patent/CN114465231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种海上风力发电的电力接入方法及系统，其中方法包括：获取预设的时间段内的气象数据；获取当前的海上的风力发电设备的运行状态数据；将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值；基于海上风电功率预测值，确定海上风力发电设备的电网接入策略。本发明的海上风力发电的电力接入方法，通过精准稳定的海上风电功率预测，进而采用对应的调度计划，能有效缓解海上风电大规模入网带来的电力不平衡现象。

Description

一种海上风力发电的电力接入方法及系统
技术领域
本发明涉及人工智能技术领域，特别涉及一种海上风力发电的电力接入方法及系统。
背景技术
目前，海上风力发电技术不断成熟带动了海上风力发电装机容量的增加，然而由于海上风力发电功受风机自身运行状态和气象环境等因素的影响具有波动变化性和间歇性的特点，使海上风电的大规模接入会对全网的电力平衡带来巨大挑战。
发明内容
本发明目的之一在于提供了一种海上风力发电的电力接入方法，通过精准稳定的海上风电功率预测，进而采用对应的调度计划，能有效缓解海上风电大规模入网带来的电力不平衡现象。
本发明实施例提供的一种海上风力发电的电力接入方法，包括：
获取预设的时间段内的气象数据；
获取当前的海上的风力发电设备的运行状态数据；
将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值；
基于海上风电功率预测值，确定海上风力发电设备的电网接入策略。
优选的，获取预设的时间段内的气象数据，包括：
通过获取设置在距风力发电设备为预设的距离值内的气象站的监测数据，确定气象数据；
或，
获取风力发电设备的定位信息；
基于定位信息，从气象数据平台获取对应的气象数据。
优选的，获取当前的风力发电设备的运行状态数据，包括：
通过与风力发电设备的控制器连接的数据采集器采集运行状态数据。
优选的，将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值，包括：
将气象数据输入第一神经网络模型中的数据驱动子模型，获取第一输出值；
将运行状态数据输入第一神经网络模型中的物理驱动子模型，获取第二输出值；
基于第一输出值和第二输出值，确定海上风电功率预测值；
其中，数据驱动子模型是基于历史气象数据和风电出力数据之间的非线性映射关系训练收敛的；
物理驱动子模型是基于海上的风力发电设备的运行状态数据和风电出力数据的非线性映射关系训练收敛的。
优选的，基于海上风电功率预测值，确定海上风力发电设备的电网接入策略，包括：
获取当前电网的各个可接入的电网线路的第一线路状态参数及各个可电网线路对应的预设的用于波动变化预测的第二神经网络模型；
获取海上风力发电设备与电网的接入设备的信息；
基于接入设备的信息，确定海上风力发电设备接入电网的模式；
基于海上风电功率预测值确定各个模式下的各个输送线路的输送功率值；
将同一模式下各个输送线路的输送功率值进行排列，构建一个电能输送阵列；
遍历海上风力发电设备接入电网的模式，获取多个电能输送阵列；
基于电能输送阵列的各个输送功率值和各个电网线路的第一线路状态参数，确定多个接入方案；
基于接入方案内的各个电网线路对应的第二神经网络模型、电网线路的第一线路状态参数和接入电网线路的各个输送线路的输送功率值，确定各个接入方案执行时的波动变化总值；
选取波动变化总值最低的接入方案为海上风力发电设备的电网接入策略；
其中，基于接入方案内的各个电网线路对应的第二神经网络模型、电网线路的第一线路状态参数和接入电网线路的各个输送线路的输送功率值，确定各个接入方案执行时的波动变化总值，包括：
对第一线路状态参数和接入电网线路的各个输送线路的输送功率值进行特征提取，确定多个特征值；
将多个特征值输入第二神经网络模型，确定电网线路被接入后的波动变化值；
基于接入方案内的各个电网线路的波动变化值，确定接入方案的波动变化总值。
本发明还提供一种海上风力发电的电力接入系统，包括：
第一获取模块，用于获取预设的时间段内的气象数据；
第二获取模块，获取当前的海上的风力发电设备的运行状态数据；
预测模块，用于将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值；
确定模块，用于基于海上风电功率预测值，确定海上风力发电设备的电网接入策略。
优选的，第一获取模块获取预设的时间段内的气象数据，执行如下操作：
通过获取设置在距风力发电设备为预设的距离值内的气象站的监测数据，确定气象数据；
或，
获取风力发电设备的定位信息；
基于定位信息，从气象数据平台获取对应的气象数据。
优选的，第二获取模块获取当前的风力发电设备的运行状态数据，执行如下操作：
通过与风力发电设备的控制器连接的数据采集器采集运行状态数据。
优选的，预测模块将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值，执行如下操作：
将气象数据输入第一神经网络模型中的数据驱动子模型，获取第一输出值；
将运行状态数据输入第一神经网络模型中的物理驱动子模型，获取第二输出值；
基于第一输出值和第二输出值，确定海上风电功率预测值；
其中，数据驱动子模型是基于历史气象数据和风电出力数据之间的非线性映射关系训练收敛的；
物理驱动子模型是基于海上的风力发电设备的运行状态数据和风电出力数据的非线性映射关系训练收敛的。
优选的，确定模块基于海上风电功率预测值，确定海上风力发电设备的电网接入策略，执行如下操作：
获取当前电网的各个可接入的电网线路的第一线路状态参数及各个可电网线路对应的预设的用于波动变化预测的第二神经网络模型；
获取海上风力发电设备与电网的接入设备的信息；
基于接入设备的信息，确定海上风力发电设备接入电网的模式；
基于海上风电功率预测值确定各个模式下的各个输送线路的输送功率值；
将同一模式下各个输送线路的输送功率值进行排列，构建一个电能输送阵列；
遍历海上风力发电设备接入电网的模式，获取多个电能输送阵列；
基于电能输送阵列的各个输送功率值和各个电网线路的第一线路状态参数，确定多个接入方案；
基于接入方案内的各个电网线路对应的第二神经网络模型、电网线路的第一线路状态参数和接入电网线路的各个输送线路的输送功率值，确定各个接入方案执行时的波动变化总值；
选取波动变化总值最低的接入方案为海上风力发电设备的电网接入策略；
其中，基于接入方案内的各个电网线路对应的第二神经网络模型、电网线路的第一线路状态参数和接入电网线路的各个输送线路的输送功率值，确定各个接入方案执行时的波动变化总值，包括：
对第一线路状态参数和接入电网线路的各个输送线路的输送功率值进行特征提取，确定多个特征值；
将多个特征值输入第二神经网络模型，确定电网线路被接入后的波动变化值；
基于接入方案内的各个电网线路的波动变化值，确定接入方案的波动变化总值。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种海上风力发电的电力接入方法的示意图；
图2为本发明实施例中一种功率预测的示意图；
图3为本发明实施例中一种海上风力发电的电力接入系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种海上风力发电的电力接入方法，如图1所示，包括：
步骤S1：获取预设的时间段内的气象数据；例如，前一天的气象数据；
步骤S2：获取当前的海上的风力发电设备的运行状态数据；
步骤S3：将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值；
步骤S4：基于海上风电功率预测值，确定海上风力发电设备的电网接入策略。
上述技术方案的工作原理及有益效果为：
通过海上风力发电设备的设备的运行状态以及天气情况的气象数据进行综合分析，基于人工智能的第一神经网络模型，对未来一预设时间(例如：一天)的海上风电的发电功率进行预测获得海上风电功率预测值；根据预测的发电功率配置合理的电网接入策略，实现降低海上风电设备产生的电力向电网输送时对电网带来的影响。其中，第一神经网络模型为事先依据大量的实测数据构建；主要是相对应的气象数据、运行状态数据和发电功率。
在一个实施例中，获取预设的时间段内的气象数据，包括：
通过获取设置在距风力发电设备为预设的距离值(例如：3KM)内的气象站的监测数据，确定气象数据；实现实时获取，当然气象站的距离风力发电设备越近，测得的气象数据越准确，但是，气象站不能进入风力发电设备的影响范围内；
或，
获取风力发电设备的定位信息；例如：通过风力发电设备上设置的定位模块获取定位信息，确定出风力发电设备的位置；
基于定位信息，从气象数据平台获取对应的气象数据。通过连接至气象数据平台上直接通过位置获取对应的气象数据；气象数据平台为发布气象数据的网站或服务器。
在一个实施例中，获取当前的风力发电设备的运行状态数据，包括：
通过与风力发电设备的控制器连接的数据采集器采集运行状态数据。其中，运行状态数据包括：风叶转速、输出电压、输出电流等。
在一个实施例中，如图2所示，将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值，包括：
步骤S11：将气象数据输入第一神经网络模型中的数据驱动子模型，获取第一输出值；
步骤S12：将运行状态数据输入第一神经网络模型中的物理驱动子模型，获取第二输出值；
步骤S13：基于第一输出值和第二输出值，确定海上风电功率预测值；为第一输出值分配第一权重，为第二输出值分配第二权重；海上风电功率预测值为第一输出值与第一权重的积与第二输出值与第二权重的积的和；第一权重和第二权重的和值为1。
其中，数据驱动子模型是基于历史气象数据和风电出力数据之间的非线性映射关系训练收敛的；
物理驱动子模型是基于海上的风力发电设备的运行状态数据和风电出力数据的非线性映射关系训练收敛的。
上述技术方案的工作原理及有益效果为：
利用多元卷积(MC)挖掘历史气象数据于海上风电出力历史数据之间的时空特特征，结合长短期记忆网络(LSTM)提取历史气象数据和风电出力数据与未来预测海上风电功率之间的非线性映射关系，建立了基于MC和LSTM的海上风电功率超短期预测数据驱动预测模型；然后考虑海上风机运行状态对风电出力的影响，利用时间卷积网络(TCN)模拟海上风机运行的物理模型，结合全连接层(FC)提取海上风机运行状态和出力的非线性映射关系，建立基于TCN的海上风电功率超短期物理驱动预测模型；最后利用注意力机制(AT)整合数据驱动模型和物理驱动模型的输出，得到最终的海上风电功率预测。综合分析运行状态以及气象环境，保证功率预测的准确性。
在一个实施例中，基于海上风电功率预测值，确定海上风力发电设备的电网接入策略，包括：
获取当前电网的各个可接入的电网线路的第一线路状态参数及各个可电网线路对应的预设的用于波动变化预测的第二神经网络模型；例如：第一线路状态参数包括：容许接入的最大功率值、线路上的电流值、电压值、电压波动值(最大电压与最小电压之差)；第二神经网络模型是事先基于大量的监测数据分析获得，监测数据获得方式包括：在第一时间点监测线路的线路状态参数，在第二时间点向线路上接入预设的功率的输电设备进行二次检测出线路状态参数；将两次检测的线路状态参数和接入的功率作为一个监测数据；波动变化值为第二时间点的波动值与第一时间点的波动值之差。
获取海上风力发电设备与电网的接入设备的信息；即海上风力发电设备向电网输电的设备的信息；
基于接入设备的信息，确定海上风力发电设备接入电网的模式；通过设备的信息查询预存的资料，确定设备的工作模式，进而确定海上风力发电设备接入电网的模式；海上风力发电设备接入电网的模式包括：一条线路输送、多条线路输送；以及当多条线路输送时，各个输送线路的功率分配规则；
基于海上风电功率预测值确定各个模式下的各个输送线路的输送功率值；当一条线路输送时，输送功率值等于海上风电功率预测值；当多条线路输送时，根据各个输送线路的功率分配规则，确定各个输送线路的功率值；例如：分为3条线路输送，分配规则为平均分配，则各个输送线路的输送功率值为海上风电功率预测值的三分之一；
将同一模式下各个输送线路的输送功率值进行排列，构建一个电能输送阵列；
遍历海上风力发电设备接入电网的模式，获取多个电能输送阵列；一个电能输送阵列代表一个输电模式；
基于电能输送阵列的各个输送功率值和各个电网线路的第一线路状态参数，确定多个接入方案；通过确定输送功率值是否在第一线缆状态参数的容许接入的最大功率值范围内，进行组合排列，形成接入方案；例如：当电能输送阵列中一个元素、可接入电网只有3个时，可以生成3个接入方案；
基于接入方案内的各个电网线路对应的第二神经网络模型、电网线路的第一线路状态参数和接入电网线路的各个输送线路的输送功率值，确定各个接入方案执行时的波动变化总值；
选取波动变化总值最低的接入方案为海上风力发电设备的电网接入策略；采用拨动变化总值最低的接入方案，保证海上风力发电设备接入电网对电网的影响最低。
其中，基于接入方案内的各个电网线路对应的第二神经网络模型、电网线路的第一线路状态参数和接入电网线路的各个输送线路的输送功率值，确定各个接入方案执行时的波动变化总值，包括：
对第一线路状态参数和接入电网线路的各个输送线路的输送功率值进行特征提取，确定多个特征值；
将多个特征值输入第二神经网络模型，确定电网线路被接入后的波动变化值；
基于接入方案内的各个电网线路的波动变化值，确定接入方案的波动变化总值。
在一个实施例中，在执行接入方案时，获取通过第二神经网络模型预测的各个输送线路接入对应的电网线路后的波动变化值；当波动变化值大于预设的波动阈值时，将输送线路连接至储能设备；
当海上风电功率预测值小于预设的功率阈值时，将储能设备内的存储的电能向电网输送。
通过将对电网线路影响较大(波动变化值大于预设的波动阈值)的输送线路的电能进行存储，然后在合适的时机发送，进一步降低对电网线路的影响。
本发明还提供一种海上风力发电的电力接入系统，如图3所示，包括：
第一获取模块1，用于获取预设的时间段内的气象数据；
第二获取模块2，获取当前的海上的风力发电设备的运行状态数据；
预测模块3，用于将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值；
确定模块4，用于基于海上风电功率预测值，确定海上风力发电设备的电网接入策略。
在一个实施例中，第一获取模块1获取预设的时间段内的气象数据，执行如下操作：
通过获取设置在距风力发电设备为预设的距离值内的气象站的监测数据，确定气象数据；
或，
获取风力发电设备的定位信息；
基于定位信息，从气象数据平台获取对应的气象数据。
在一个实施例中，第二获取模块2获取当前的风力发电设备的运行状态数据，执行如下操作：
通过与风力发电设备的控制器连接的数据采集器采集运行状态数据。
在一个实施例中，预测模块3将运行状态数据和气象数据输入预设的第一神经网络模型，获取海上风电功率预测值，执行如下操作：
将气象数据输入第一神经网络模型中的数据驱动子模型，获取第一输出值；
将运行状态数据输入第一神经网络模型中的物理驱动子模型，获取第二输出值；
基于第一输出值和第二输出值，确定海上风电功率预测值；
其中，数据驱动子模型是基于历史气象数据和风电出力数据之间的非线性映射关系训练收敛的；
物理驱动子模型是基于海上的风力发电设备的运行状态数据和风电出力数据的非线性映射关系训练收敛的。
在一个实施例中，确定模块4基于海上风电功率预测值，确定海上风力发电设备的电网接入策略，执行如下操作：
获取当前电网的各个可接入的电网线路的第一线路状态参数及各个可电网线路对应的预设的用于波动变化预测的第二神经网络模型；
获取海上风力发电设备与电网的接入设备的信息；
基于接入设备的信息，确定海上风力发电设备接入电网的模式；
基于海上风电功率预测值确定各个模式下的各个输送线路的输送功率值；
将同一模式下各个输送线路的输送功率值进行排列，构建一个电能输送阵列；
遍历海上风力发电设备接入电网的模式，获取多个电能输送阵列；
基于电能输送阵列的各个输送功率值和各个电网线路的第一线路状态参数，确定多个接入方案；
基于接入方案内的各个电网线路对应的第二神经网络模型、电网线路的第一线路状态参数和接入电网线路的各个输送线路的输送功率值，确定各个接入方案执行时的波动变化总值；
选取波动变化总值最低的接入方案为海上风力发电设备的电网接入策略；
其中，基于接入方案内的各个电网线路对应的第二神经网络模型、电网线路的第一线路状态参数和接入电网线路的各个输送线路的输送功率值，确定各个接入方案执行时的波动变化总值，包括：
对第一线路状态参数和接入电网线路的各个输送线路的输送功率值进行特征提取，确定多个特征值；
将多个特征值输入第二神经网络模型，确定电网线路被接入后的波动变化值；
基于接入方案内的各个电网线路的波动变化值，确定接入方案的波动变化总值。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种海上风力发电的电力接入方法，其特征在于，包括：
获取预设的时间段内的气象数据；
获取当前的海上的风力发电设备的运行状态数据；
将所述运行状态数据和所述气象数据输入预设的第一神经网络模型，获取海上风电功率预测值；
基于所述海上风电功率预测值，确定海上风力发电设备的电网接入策略。
2.如权利要求1所述的海上风力发电的电力接入方法，其特征在于，所述获取预设的时间段内的气象数据，包括：
通过获取设置在距所述风力发电设备为预设的距离值内的气象站的监测数据，确定所述气象数据；
或，
获取所述风力发电设备的定位信息；
基于所述定位信息，从气象数据平台获取对应的所述气象数据。
3.如权利要求1所述的海上风力发电的电力接入方法，其特征在于，所述获取当前的风力发电设备的运行状态数据，包括：
通过与所述风力发电设备的控制器连接的数据采集器采集所述运行状态数据。
4.如权利要求1所述的海上风力发电的电力接入方法，其特征在于，所述将所述运行状态数据和所述气象数据输入预设的第一神经网络模型，获取海上风电功率预测值，包括：
将所述气象数据输入所述第一神经网络模型中的数据驱动子模型，获取第一输出值；
将所述运行状态数据输入所述第一神经网络模型中的物理驱动子模型，获取第二输出值；
基于所述第一输出值和所述第二输出值，确定所述海上风电功率预测值；
其中，所述数据驱动子模型是基于历史气象数据和风电出力数据之间的非线性映射关系训练收敛的；
所述物理驱动子模型是基于海上的风力发电设备的运行状态数据和风电出力数据的非线性映射关系训练收敛的。
5.如权利要求1所述的海上风力发电的电力接入方法，其特征在于，基于所述海上风电功率预测值，确定海上风力发电设备的电网接入策略，包括：
获取当前电网的各个可接入的电网线路的第一线路状态参数及各个所述可电网线路对应的预设的用于波动变化预测的第二神经网络模型；
获取所述海上风力发电设备与电网的接入设备的信息；
基于所述接入设备的信息，确定所述海上风力发电设备接入电网的模式；
基于所述海上风电功率预测值确定各个模式下的各个输送线路的输送功率值；
将同一模式下各个所述输送线路的所述输送功率值进行排列，构建一个电能输送阵列；
遍历所述海上风力发电设备接入电网的模式，获取多个所述电能输送阵列；
基于所述电能输送阵列的各个所述输送功率值和各个所述电网线路的第一线路状态参数，确定多个接入方案；
基于所述接入方案内的各个所述电网线路对应的所述第二神经网络模型、所述电网线路的所述第一线路状态参数和接入所述电网线路的各个所述输送线路的所述输送功率值，确定各个接入方案执行时的波动变化总值；
选取所述波动变化总值最低的所述接入方案为所述海上风力发电设备的电网接入策略；
其中，基于所述接入方案内的各个所述电网线路对应的所述第二神经网络模型、所述电网线路的所述第一线路状态参数和接入所述电网线路的各个所述输送线路的所述输送功率值，确定各个接入方案执行时的波动变化总值，包括：
对所述第一线路状态参数和接入所述电网线路的各个所述输送线路的所述输送功率值进行特征提取，确定多个特征值；
将多个所述特征值输入所述第二神经网络模型，确定所述电网线路被接入后的波动变化值；
基于所述接入方案内的各个所述电网线路的所述波动变化值，确定所述接入方案的波动变化总值。
6.一种海上风力发电的电力接入系统，其特征在于，包括：
第一获取模块，用于获取预设的时间段内的气象数据；
第二获取模块，获取当前的海上的风力发电设备的运行状态数据；
预测模块，用于将所述运行状态数据和所述气象数据输入预设的第一神经网络模型，获取海上风电功率预测值；
确定模块，用于基于所述海上风电功率预测值，确定海上风力发电设备的电网接入策略。
7.如权利要求6所述的海上风力发电的电力接入系统，其特征在于，所述第一获取模块获取预设的时间段内的气象数据，执行如下操作：
通过获取设置在距所述风力发电设备为预设的距离值内的气象站的监测数据，确定所述气象数据；
或，
获取所述风力发电设备的定位信息；
基于所述定位信息，从气象数据平台获取对应的所述气象数据。
8.如权利要求6所述的海上风力发电的电力接入系统，其特征在于，所述第二获取模块获取当前的风力发电设备的运行状态数据，执行如下操作：
通过与所述风力发电设备的控制器连接的数据采集器采集所述运行状态数据。
9.如权利要求6所述的海上风力发电的电力接入系统，其特征在于，所述预测模块将所述运行状态数据和所述气象数据输入预设的第一神经网络模型，获取海上风电功率预测值，执行如下操作：
将所述气象数据输入所述第一神经网络模型中的数据驱动子模型，获取第一输出值；
将所述运行状态数据输入所述第一神经网络模型中的物理驱动子模型，获取第二输出值；
基于所述第一输出值和所述第二输出值，确定所述海上风电功率预测值；
其中，所述数据驱动子模型是基于历史气象数据和风电出力数据之间的非线性映射关系训练收敛的；
所述物理驱动子模型是基于海上的风力发电设备的运行状态数据和风电出力数据的非线性映射关系训练收敛的。
10.如权利要求6所述的海上风力发电的电力接入系统，其特征在于，所述确定模块基于所述海上风电功率预测值，确定海上风力发电设备的电网接入策略，执行如下操作：
获取当前电网的各个可接入的电网线路的第一线路状态参数及各个所述可电网线路对应的预设的用于波动变化预测的第二神经网络模型；
获取所述海上风力发电设备与电网的接入设备的信息；
基于所述接入设备的信息，确定所述海上风力发电设备接入电网的模式；
基于所述海上风电功率预测值确定各个模式下的各个输送线路的输送功率值；
将同一模式下各个所述输送线路的所述输送功率值进行排列，构建一个电能输送阵列；
遍历所述海上风力发电设备接入电网的模式，获取多个所述电能输送阵列；
基于所述电能输送阵列的各个所述输送功率值和各个所述电网线路的第一线路状态参数，确定多个接入方案；
基于所述接入方案内的各个所述电网线路对应的所述第二神经网络模型、所述电网线路的所述第一线路状态参数和接入所述电网线路的各个所述输送线路的所述输送功率值，确定各个接入方案执行时的波动变化总值；
选取所述波动变化总值最低的所述接入方案为所述海上风力发电设备的电网接入策略；
其中，基于所述接入方案内的各个所述电网线路对应的所述第二神经网络模型、所述电网线路的所述第一线路状态参数和接入所述电网线路的各个所述输送线路的所述输送功率值，确定各个接入方案执行时的波动变化总值，包括：
对所述第一线路状态参数和接入所述电网线路的各个所述输送线路的所述输送功率值进行特征提取，确定多个特征值；
将多个所述特征值输入所述第二神经网络模型，确定所述电网线路被接入后的波动变化值；
基于所述接入方案内的各个所述电网线路的所述波动变化值，确定所述接入方案的波动变化总值。
CN202210132926.0A 2022-02-14 2022-02-14 一种海上风力发电的电力接入方法及系统 Active CN114465231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210132926.0A CN114465231B (zh) 2022-02-14 2022-02-14 一种海上风力发电的电力接入方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210132926.0A CN114465231B (zh) 2022-02-14 2022-02-14 一种海上风力发电的电力接入方法及系统

Publications (2)

Publication Number Publication Date
CN114465231A true CN114465231A (zh) 2022-05-10
CN114465231B CN114465231B (zh) 2023-06-13

Family

ID=81414147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210132926.0A Active CN114465231B (zh) 2022-02-14 2022-02-14 一种海上风力发电的电力接入方法及系统

Country Status (1)

Country Link
CN (1) CN114465231B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898251A (zh) * 2018-06-29 2018-11-27 上海电力学院 考虑气象相似性和功率波动的海上风电场功率预测方法
CN110675275A (zh) * 2019-09-05 2020-01-10 深圳供电局有限公司 一种虚拟电厂的需求侧响应用电负荷调控方法及系统
EP3598354A1 (de) * 2018-07-17 2020-01-22 Innogy SE Offshore-windenergiesystem
CN111144663A (zh) * 2019-12-31 2020-05-12 上海电力大学 计及出力波动过程的海上风电场超短期风功率预测方法
CN112348292A (zh) * 2021-01-07 2021-02-09 中国电力科学研究院有限公司 一种基于深度学习网络的短期风电功率预测方法和系统
CN112733462A (zh) * 2021-01-21 2021-04-30 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898251A (zh) * 2018-06-29 2018-11-27 上海电力学院 考虑气象相似性和功率波动的海上风电场功率预测方法
EP3598354A1 (de) * 2018-07-17 2020-01-22 Innogy SE Offshore-windenergiesystem
CN110675275A (zh) * 2019-09-05 2020-01-10 深圳供电局有限公司 一种虚拟电厂的需求侧响应用电负荷调控方法及系统
CN111144663A (zh) * 2019-12-31 2020-05-12 上海电力大学 计及出力波动过程的海上风电场超短期风功率预测方法
CN112348292A (zh) * 2021-01-07 2021-02-09 中国电力科学研究院有限公司 一种基于深度学习网络的短期风电功率预测方法和系统
CN112733462A (zh) * 2021-01-21 2021-04-30 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毕大强;杨歆玉;吴正平;: "基于风速预测与储能的可调度风电场并网功率控制", 电工电能新技术 *

Also Published As

Publication number Publication date
CN114465231B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN105337575B (zh) 光伏电站状态预测及故障诊断方法和系统
CN111525684A (zh) 一种基于云平台的风电场集群化监控的运维系统
CN115016339B (zh) 一种室外电力设备的监测方法、设备及介质
CN106762453B (zh) 具有发电量预测及跟踪控制的风力发电智能网及控制方法
CN116865258A (zh) 一种层级构造的分布式电源智能电网构建方法
CN116683500A (zh) 一种电化学储能电站有功功率调度方法和系统
CN116505656A (zh) 基于5g物联网技术的风-光-储多能互补智慧用电系统
CN111861256B (zh) 一种主动配电网重构决策方法及系统
CN116317169A (zh) 一种风功率预测系统远程智能比对平台与方法
CN114465231A (zh) 一种海上风力发电的电力接入方法及系统
CN111177278A (zh) 一种网格用户短期负荷预测实时处理工具
Mak-Hau et al. DμDT: the Deakin University Microgrid Digital Twin
CN115392560A (zh) 一种基于决策树的变流器故障预测方法和系统
CN115563885A (zh) 一种风电厂储能电池能量转换系统
EP3966907B1 (en) Apparatus and method for dynamic forecasting, aggregation, and validation
CN114819362A (zh) 一种面向风光电力系统的电网电力负载平衡方法
CN114320773A (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
CN117175695B (zh) 一种基于柴油发电机组的光伏微网发电方法及系统
Hur et al. An Enhanced Short-term Forecasting of Wind Generating Resources based on Edge Computing in Jeju Carbon-Free Islands
Miao et al. Energy Availability Analysis of Offshore Wind Farms Considering the Correlation between Wind Speed Cloud Model and Parameters
CN118232343A (zh) 基于风能预测的充放电动态控制方法及系统
CN117235193A (zh) 一种虚拟电厂多能互补的源荷储优化配置方法
Yin et al. Analysis and Design of Wind Turbine Monitoring System Based on Edge Computing
Pennanen Enhancing the efficiency and reliability of renewable energy systems with the integration of Internet of Things

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220510

Assignee: Jiangsu Yanan Information Technology Co.,Ltd.

Assignor: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Contract record no.: X2023980047097

Denomination of invention: A Power Connection Method and System for Offshore Wind Power Generation

Granted publication date: 20230613

License type: Common License

Record date: 20231117

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220510

Assignee: Yancheng Nongfu Technology Co.,Ltd.

Assignor: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Contract record no.: X2023980049126

Denomination of invention: A Power Connection Method and System for Offshore Wind Power Generation

Granted publication date: 20230613

License type: Common License

Record date: 20231203

Application publication date: 20220510

Assignee: Yanmi Technology (Yancheng) Co.,Ltd.

Assignor: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Contract record no.: X2023980049119

Denomination of invention: A Power Connection Method and System for Offshore Wind Power Generation

Granted publication date: 20230613

License type: Common License

Record date: 20231203

EE01 Entry into force of recordation of patent licensing contract