CN116826979A - 一种分布式光伏电站的电能质量控制方法及系统 - Google Patents
一种分布式光伏电站的电能质量控制方法及系统 Download PDFInfo
- Publication number
- CN116826979A CN116826979A CN202311091631.4A CN202311091631A CN116826979A CN 116826979 A CN116826979 A CN 116826979A CN 202311091631 A CN202311091631 A CN 202311091631A CN 116826979 A CN116826979 A CN 116826979A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power station
- information
- attribute
- self
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000011217 control strategy Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及智能控制技术领域,提供一种分布式光伏电站的电能质量控制方法及系统。所述方法包括:对光伏电站应用数据信息进行分类整合,构建光伏电站控制策略数据库,再按照电能质量影响因素集合对光伏电站控制策略数据库进行聚类划分,并使用深度学习网络结构对划分后的光伏电站应用因素分类数据集合分别进行训练、融合,生成光伏电站自适应控制器集;基于光伏电站的属性信息和光伏电站自适应控制器集进行相似度匹配,并基于所匹配获得的目标自适应控制器对目标分布式光伏电站进行自适应调控。采用本方法能够达到通过构建自适应控制模型实现电能质量智能化高效控制,提高控制参数精确性和实时控制性,进而保证电能质量安全达标的技术效果。
Description
技术领域
本申请涉及智能控制技术领域,特别是涉及一种分布式光伏电站的电能质量控制方法及系统。
背景技术
太阳能由于其储量巨大、使用清洁、分布广泛等优点,成为最受瞩目的可再生资源,而分布式光伏电站通常是指利用分散式资源,装机规模较小的、布置在用户附近的发电系统,是采用光伏组件可将太阳能直接转换为电能的分布式光伏发电设施。为保证光伏供电安全与稳定,需对光伏电站的电能质量进行合理把控,确保电能整体质量合格,满足用户服务需求。然而,现有技术电能质量控制智能化程度较低,控制精确性不够,导致电能质量不达标。
发明内容
基于此,有必要针对上述技术问题,提供一种能够通过构建自适应控制模型实现电能质量智能化高效控制,提高控制参数精确性和实时控制性,进而保证电能质量安全达标的一种分布式光伏电站的电能质量控制方法及系统。
一种分布式光伏电站的电能质量控制方法,所述方法包括:采集获取分布式光伏电站应用数据信息,所述分布式光伏电站应用数据信息包括光伏电站运行数据信息以及电能质量检测数据信息;按照分布式光伏电站属性特征集对所述光伏电站应用数据信息进行分类整合,构建光伏电站控制策略数据库;获取电能质量影响因素集合,所述电能质量影响因素集合包括光伏组件、光伏逆变器质量、设备控制参数、环境因素;按照所述电能质量影响因素集合对所述光伏电站控制策略数据库进行聚类划分,获得光伏电站应用因素分类数据集合;使用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练、融合,生成光伏电站自适应控制器集;基于目标分布式光伏电站的属性信息和所述光伏电站自适应控制器集进行相似度匹配,获得目标自适应控制器,并基于所述目标自适应控制器对目标分布式光伏电站进行自适应调控。
一种分布式光伏电站的电能质量控制系统,所述系统包括:应用数据信息获取模块,用于采集获取分布式光伏电站应用数据信息,所述分布式光伏电站应用数据信息包括光伏电站运行数据信息以及电能质量检测数据信息;应用数据分类整合模块,用于按照分布式光伏电站属性特征集对所述光伏电站应用数据信息进行分类整合,构建光伏电站控制策略数据库;电能质量影响因素获取模块,用于获取电能质量影响因素集合,所述电能质量影响因素集合包括光伏组件、光伏逆变器质量、设备控制参数、环境因素;数据库聚类划分模块,用于按照所述电能质量影响因素集合对所述光伏电站控制策略数据库进行聚类划分,获得光伏电站应用因素分类数据集合;数据训练融合模块,用于使用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练、融合,生成光伏电站自适应控制器集;自适应调控模块,用于基于目标分布式光伏电站的属性信息和所述光伏电站自适应控制器集进行相似度匹配,获得目标自适应控制器,并基于所述目标自适应控制器对目标分布式光伏电站进行自适应调控。
上述一种分布式光伏电站的电能质量控制方法及系统,解决了现有技术电能质量控制智能化程度较低,控制精确性不够,导致电能质量不达标的技术问题,达到了通过构建自适应控制模型实现电能质量智能化高效控制,提高控制参数精确性和实时控制性,进而保证电能质量安全达标的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种分布式光伏电站的电能质量控制方法的流程示意图;
图2为一个实施例中一种分布式光伏电站的电能质量控制方法中构建光伏电站控制策略数据库的流程示意图;
图3为一个实施例中一种分布式光伏电站的电能质量控制系统的结构框图;
附图标记说明:应用数据信息获取模块11,应用数据分类整合模块12,电能质量影响因素获取模块13,数据库聚类划分模块14,数据训练融合模块15,自适应调控模块16。
实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种分布式光伏电站的电能质量控制方法,所述方法包括:
步骤S100:采集获取分布式光伏电站应用数据信息,所述分布式光伏电站应用数据信息包括光伏电站运行数据信息以及电能质量检测数据信息;
太阳能由于其储量巨大、使用清洁、分布广泛等优点,成为最受瞩目的可再生资源,而分布式光伏电站通常是指利用分散式资源,装机规模较小的、布置在用户附近的发电系统,是采用光伏组件可将太阳能直接转换为电能的分布式光伏发电设施。为保证光伏供电安全与稳定,需对光伏电站的电能质量进行合理把控,确保电能整体质量合格,满足用户服务需求。
为实现智能化光伏电站电能质量控制,通过光伏历史数据存储库采集获取分布式光伏电站应用数据信息,所述分布式光伏电站应用数据信息为分布式光伏电站的历史应用运行数据,即光伏电站组件属性信息、光伏电站运行数据信息、输出功率数据信息、应用环境、应状态和光伏设备控制参数等,以及对应的通过电能质量传感器监测获取的电能质量检测数据信息,电能质量是衡量光伏电站的关键因素,因此需对电能质量进行合理高效的精准把控。
步骤S200:按照分布式光伏电站属性特征集对所述光伏电站应用数据信息进行分类整合,构建光伏电站控制策略数据库;
在一个实施例中,所述构建光伏电站控制策略数据库,本申请步骤S200还包括:
步骤S210:构建光伏电站属性分类器,所述光伏电站属性分类器包括光伏电站类型、电站功率、系统效率;
步骤S220:根据所述光伏电站应用数据信息,提取获得光伏电站属性信息集;
步骤S230:基于所述光伏电站属性分类器对所述光伏电站属性信息集进行特征分类,得到所述分布式光伏电站属性特征集;
步骤S240:基于所述分布式光伏电站属性特征集和所述光伏电站应用数据信息进行关联映射,整合构建所述光伏电站控制策略数据库。
对所采集的应用数据信息进行处理,首先利用光伏电站属性标签进行训练构建光伏电站属性分类器,其中,光伏电站属性标签可通过人工标注自行设定,所述光伏电站属性分类器用于对于分布式光伏电站进行属性分类,其分类指标主要包括光伏电站类型、电站功率、系统效率等。根据所述光伏电站应用数据信息,对其所包含的分布式光伏电站进行提取,再对其具体应用属性,如类型、规格、功率等进行相应数据获取,得到对应的光伏电站属性信息集。
基于所述光伏电站属性分类器对所述光伏电站属性信息集进行特征分类,再根据得到的属性类型特征对相应的光伏电站进行标记,得到各光伏电站对应标记的分布式光伏电站属性特征集。基于所述分布式光伏电站属性特征集和所述光伏电站应用数据信息进行关联映射,即将所述光伏电站应用数据信息按照分布式光伏电站属性特征集进行分类整合,相同属性特征的光伏电站应用数据信息划分为一类,整合得到光伏电站控制策略数据库。实现光伏电站控制策略数据库的数据排列标准化,进而提高后续数据处理效率和模型训练特定性。
步骤S300:获取电能质量影响因素集合,所述电能质量影响因素集合包括光伏组件、光伏逆变器质量、设备控制参数、环境因素;
步骤S400:按照所述电能质量影响因素集合对所述光伏电站控制策略数据库进行聚类划分,获得光伏电站应用因素分类数据集合;
为实现光伏电站电能质量的精准控制,获取电能质量影响因素集合,所述电能质量影响因素集合为电能质量影响指标,包括光伏组件,包括光伏组件质量以及使用情况等、光伏逆变器质量、设备控制参数,即光伏设备运行控制参数、环境因素,包括太阳辐射量以及强度等。按照所述电能质量影响因素集合对所述光伏电站控制策略数据库进行聚类划分,即将所述光伏电站控制策略数据库按照电能质量影响因素集合中的各影响因素划分聚为一类,获得划分后各分布式光伏电站属性特征类型的光伏电站应用因素分类数据集合,作为后续光伏电站控制模型的训练依据。
步骤S500:使用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练、融合,生成光伏电站自适应控制器集;
在一个实施例中,如图2所示,所述生成光伏电站自适应控制器集,本申请步骤S500还包括:
步骤S510:利用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练,获得初始光伏电站控制分支模型集;
步骤S520:对所述电能质量影响因素集合进行关键度分配,获取电能质量影响因素关键度系数信息;
步骤S530:通过模型验证集对所述初始光伏电站控制分支模型集进行验证,得到模型准确率信息;
步骤S540:将所述因素关键度系数信息和所述模型准确率信息的乘积作为模型融合系数集,对所述初始光伏电站控制分支模型集进行融合,生成光伏电站自适应控制器集。
利用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练,获得各应用因素对应的初始光伏电站控制分支模型集。对所述电能质量影响因素集合进行关键度分配,即通过主观权重赋值或经验客观权重赋值方式对所述电能质量影响因素集合中的各影响因素进行权重分配,并将权重分配值作为电能质量影响因素关键度系数信息,影响因素的权值越大,相应的关键度系数越大。再通过模型验证集对所述初始光伏电站控制分支模型集进行准确率验证,通过模型输出结果比对得到各分支模型的模型准确率信息。
将所述因素关键度系数信息和所述模型准确率信息的乘积作为模型融合系数集,并基于所述模型融合系数集对所述初始光伏电站控制分支模型集进行融合。影响因素越关键,且模型准确率越高的分支模型,其对应的模型融合系数越大,其占最终融合模型的表决性越大,通过分支模型融合生成光伏电站自适应控制器集,所述光伏电站自适应控制器集包括各类型光伏电站属性特征对应的光伏电站自适应控制模型,用于光伏电站电能质量控制参数分析。通过分支模型融合提高光伏电站自适应控制器的输出准确性,进而提高光伏电站电能质量控制参数精确性和实时控制性。
步骤S600:基于目标分布式光伏电站的属性信息和所述光伏电站自适应控制器集进行相似度匹配,获得目标自适应控制器,并基于所述目标自适应控制器对目标分布式光伏电站进行自适应调控。
在一个实施例中,所述获得目标自适应控制器,本申请步骤S600还包括:
步骤S610:根据所述目标分布式光伏电站的属性信息,设置属性特征维度信息;
步骤S620:基于所述属性特征维度信息将所述分布式光伏电站属性特征集进行排列整合,获得分布式光伏电站维度属性特征集;
步骤S630:采用相似度算法对所述属性信息和所述分布式光伏电站维度属性特征集进行相似度计算,筛选输出目标属性特征信息;
步骤S640:基于所述目标属性特征信息和所述光伏电站自适应控制器集进行模型匹配,确定所述目标自适应控制器。
在一个实施例中,所述筛选输出目标属性特征信息,申请步骤S630还包括:
步骤S631:采用余弦相似度算法对所述属性信息和所述分布式光伏电站维度属性特征集进行相似度计算,得到初步处理属性相似度集合;
步骤S632:基于所述初步处理属性相似度集合对所述分布式光伏电站维度属性特征集进行筛选,获得基础属性特征集合;
步骤S633:利用相似系数算法对所述属性信息和所述基础属性特征集合进行计算评分,获得总归处理属性相似度集合;
步骤S634:基于所述总归处理属性相似度集合对所述分布式光伏电站维度属性特征集进行降序筛选,确定所述目标属性特征信息。
基于目标分布式光伏电站的属性信息和所述光伏电站自适应控制器集进行相似度匹配,首先根据所述目标分布式光伏电站的属性信息,其中,目标分布式光伏电站为需要智能化控制的光伏电站,获取其相关的应用属性信息,如类型、规格、功率等。再根据其属性信息的类型设置属性特征维度信息,属性类型与属性特征维度一一对应。将所述分布式光伏电站属性特征集按照所述属性特征维度信息进行属性特征排列整合,获得按照属性特征维度整合后的分布式光伏电站维度属性特征集。
采用相似度算法对所述属性信息和所述分布式光伏电站维度属性特征集进行相似度计算,首先采用余弦相似度算法对所述属性信息和所述分布式光伏电站维度属性特征集进行相似度计算,具体计算公式为,公式中/>代表所述属性信息中的特征维度,/>代表所述分布式光伏电站维度属性特征集中各属性特征的特征维度,对属性信息的每个特征维度依次进行计算,获得各属性信息相似度计算结果即初步处理属性相似度集合。再基于所述初步处理属性相似度集合对所述分布式光伏电站维度属性特征集进行筛选,即获取相似度在预设相似度之上的数据处理策略,例如对相似度在90%以上的属性特征进行筛选,获得基础属性特征集合。
为保证相似度匹配精确性,利用相似系数算法对所述属性信息和所述基础属性特征集合进行计算评分,相似系数算法优选为Jaccard相似系数算法,计算获得初步处理属性相似度集合中各属性特征与所述属性信息的总归处理属性相似度集合。将所述总归处理属性相似度集合中的相似度进行降序排序,并按照排序结果对所述分布式光伏电站维度属性特征集进行筛选,筛选输出相似度最高的属性特征作为目标属性特征信息。
基于所述目标属性特征信息和所述光伏电站自适应控制器集进行模型匹配,确定与所述目标属性特征信息所匹配的目标自适应控制器。并基于所述目标自适应控制器对目标分布式光伏电站进行自适应调控,通过功率使用需求和电能质量要求进行控制参数分析,使得控制参数满足光伏电站用户使用需求的同时电能质量也达到应用标准,当电能质量未达标时,可及时调整光伏电站控制参数,保证控制参数精确性和实时控制性。通过相似度匹配获取光伏电站自适应控制模型,实现控制模型选取分析特定化,有针对性的进行光伏电站电能质量控制,进而提高电能质量控制精确性,保证电能质量安全达标。
在一个实施例中,本申请步骤还包括:
步骤S710:获取多方光伏电站应用数据信息,并基于所述光伏电站应用数据信息进行模型分布式训练,生成多方光伏电站自适应控制器集;
步骤S720:提取所述光伏电站自适应控制器集和所述多方光伏电站自适应控制器集的一方模型参数信息和多方模型参数信息;
步骤S730:根据所述晶圆结构化检测数据流和所述晶圆表面缺陷特征信息集,确定所述晶圆加工检测数据;
步骤S740:设置局部学习因子和全局学习因子,基于所述局部学习因子和全局学习因子对所述一方模型参数信息和多方模型参数信息进行联合训练,生成归纳光伏电站自适应控制器集。
为增加模型训练数据量,获取其他区域应用端的多方光伏电站应用数据信息,即多区域分布式光伏电站的历史应用运行数据。并按照上述光伏电站自适应控制器的处理训练方式,基于所述光伏电站应用数据信息进行模型分布式训练,生成相应的多方光伏电站自适应控制器集。提取所述光伏电站自适应控制器集和所述多方光伏电站自适应控制器集的一方模型参数信息和多方模型参数信息,模型参数包括权重参数、偏置参数等。
设置局部学习因子和全局学习因子,其中,局部学习因子为一方模型参数信息的训练表决重要程度,全局学习因子为多方模型参数信息的训练表决程度,可自行设定,通常全局学习因子大于局部学习因子。基于所述局部学习因子和全局学习因子对所述一方模型参数信息和多方模型参数信息进行联合训练,生成准确率更高、应用性更广的归纳光伏电站自适应控制器集,用于对分布式光伏电站的电能质量进行自适应调控。打破数据孤岛,提高控制参数精确性,进而保证电能质量安全达标。
在一个实施例中,本申请步骤还包括:
步骤S810:对光伏电站调控过程进行监测,获得光伏电站调控响应速率;
步骤S820:根据所述光伏电站调控响应速率,确定光伏电站控制延迟系数;
步骤S830:对所述光伏电站控制延迟系数进行电能质量损失分析,获得电能质量调控损失因子;
步骤S840:基于所述电能质量调控损失因子对所述目标分布式光伏电站的调控信息进行修正。
为实现电能质量的实时控制性,对光伏电站调控过程进行监测,并通过传感器对系统调控响应速率进行采集感应,获得光伏电站调控响应速率,所述光伏电站调控响应速率为光伏电站控制参数调节时,电能质量随之变化的被调节速率。根据所述光伏电站调控响应速率,确定光伏电站控制延迟系数,所述光伏电站控制延迟系数与所述光伏电站调控响应速率成反比,响应速率越快,其对应的延迟系数就越小。可通过实际调控应用对所述光伏电站控制延迟系数进行电能质量损失分析,即对调节过程中损失的电能质量进行计算,将计算的损失经验值作为电能质量调控损失因子,延迟系数越大,电能质量损失率越大,对应的损失因子也越大。基于所述电能质量调控损失因子对所述目标分布式光伏电站的调控信息进行修正,考虑光伏电站调控响应速率所带来的电能质量损失影响,提高控制参数分析全面性和精确性,进而保证电能质量应用效果。
在一个实施例中,如图3所示,提供了一种分布式光伏电站的电能质量控制系统,包括:应用数据信息获取模块11,应用数据分类整合模块12,电能质量影响因素获取模块13,数据库聚类划分模块14,数据训练融合模块15,自适应调控模块16,其中:
应用数据信息获取模块11,用于采集获取分布式光伏电站应用数据信息,所述分布式光伏电站应用数据信息包括光伏电站运行数据信息以及电能质量检测数据信息;
应用数据分类整合模块12,用于按照分布式光伏电站属性特征集对所述光伏电站应用数据信息进行分类整合,构建光伏电站控制策略数据库;
电能质量影响因素获取模块13,用于获取电能质量影响因素集合,所述电能质量影响因素集合包括光伏组件、光伏逆变器质量、设备控制参数、环境因素;
数据库聚类划分模块14,用于按照所述电能质量影响因素集合对所述光伏电站控制策略数据库进行聚类划分,获得光伏电站应用因素分类数据集合;
数据训练融合模块15,用于使用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练、融合,生成光伏电站自适应控制器集;
自适应调控模块16,用于基于目标分布式光伏电站的属性信息和所述光伏电站自适应控制器集进行相似度匹配,获得目标自适应控制器,并基于所述目标自适应控制器对目标分布式光伏电站进行自适应调控。
在一个实施例中,所述系统还包括:
属性分类器构建单元,用于构建光伏电站属性分类器,所述光伏电站属性分类器包括光伏电站类型、电站功率、系统效率;
属性信息集获得单元,用于根据所述光伏电站应用数据信息,提取获得光伏电站属性信息集;
属性特征分类单元,用于基于所述光伏电站属性分类器对所述光伏电站属性信息集进行特征分类,得到所述分布式光伏电站属性特征集;
信息关联映射单元,用于基于所述分布式光伏电站属性特征集和所述光伏电站应用数据信息进行关联映射,整合构建所述光伏电站控制策略数据库。
在一个实施例中,所述系统还包括:
分支模型训练单元,用于利用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练,获得初始光伏电站控制分支模型集;
关键度分配单元,用于对所述电能质量影响因素集合进行关键度分配,获取电能质量影响因素关键度系数信息;
模型验证单元,用于通过模型验证集对所述初始光伏电站控制分支模型集进行验证,得到模型准确率信息;
分支模型融合单元,用于将所述因素关键度系数信息和所述模型准确率信息的乘积作为模型融合系数集,对所述初始光伏电站控制分支模型集进行融合,生成光伏电站自适应控制器集。
在一个实施例中,所述系统还包括:
特征维度设置单元,用于根据所述目标分布式光伏电站的属性信息,设置属性特征维度信息;
特征集排列整合单元,用于基于所述属性特征维度信息将所述分布式光伏电站属性特征集进行排列整合,获得分布式光伏电站维度属性特征集;
相似度计算单元,用于采用相似度算法对所述属性信息和所述分布式光伏电站维度属性特征集进行相似度计算,筛选输出目标属性特征信息;
模型匹配单元,用于基于所述目标属性特征信息和所述光伏电站自适应控制器集进行模型匹配,确定所述目标自适应控制器。
在一个实施例中,所述系统还包括:
余弦相似度计算单元,用于采用余弦相似度算法对所述属性信息和所述分布式光伏电站维度属性特征集进行相似度计算,得到初步处理属性相似度集合;
特征集筛选单元,用于基于所述初步处理属性相似度集合对所述分布式光伏电站维度属性特征集进行筛选,获得基础属性特征集合;
相似度计算评分单元,用于利用相似系数算法对所述属性信息和所述基础属性特征集合进行计算评分,获得总归处理属性相似度集合;
特征集降序筛选单元,用于基于所述总归处理属性相似度集合对所述分布式光伏电站维度属性特征集进行降序筛选,确定所述目标属性特征信息。
在一个实施例中,所述系统还包括:
分布式训练单元,用于获取多方光伏电站应用数据信息,并基于所述光伏电站应用数据信息进行模型分布式训练,生成多方光伏电站自适应控制器集;
模型参数提取单元,用于提取所述光伏电站自适应控制器集和所述多方光伏电站自适应控制器集的一方模型参数信息和多方模型参数信息;
模型联合训练单元,用于设置局部学习因子和全局学习因子,基于所述局部学习因子和全局学习因子对所述一方模型参数信息和多方模型参数信息进行联合训练,生成归纳光伏电站自适应控制器集。
在一个实施例中,所述系统还包括:
调控响应速率获得单元,用于对光伏电站调控过程进行监测,获得光伏电站调控响应速率;
控制延迟系数确定单元,用于根据所述光伏电站调控响应速率,确定光伏电站控制延迟系数;
电能质量损失分析单元,用于对所述光伏电站控制延迟系数进行电能质量损失分析,获得电能质量调控损失因子;
调控信息修正单元,用于基于所述电能质量调控损失因子对所述目标分布式光伏电站的调控信息进行修正。
关于一种分布式光伏电站的电能质量控制系统的具体实施例可以参见上文中对于一种分布式光伏电站的电能质量控制方法的实施例,在此不再赘述。以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种分布式光伏电站的电能质量控制方法,其特征在于,所述方法包括:
采集获取分布式光伏电站应用数据信息,所述分布式光伏电站应用数据信息包括光伏电站运行数据信息以及电能质量检测数据信息;
按照分布式光伏电站属性特征集对所述光伏电站应用数据信息进行分类整合,构建光伏电站控制策略数据库;
获取电能质量影响因素集合,所述电能质量影响因素集合包括光伏组件、光伏逆变器质量、设备控制参数、环境因素;
按照所述电能质量影响因素集合对所述光伏电站控制策略数据库进行聚类划分,获得光伏电站应用因素分类数据集合;
使用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练、融合,生成光伏电站自适应控制器集;
基于目标分布式光伏电站的属性信息和所述光伏电站自适应控制器集进行相似度匹配,获得目标自适应控制器,并基于所述目标自适应控制器对目标分布式光伏电站进行自适应调控。
2.如权利要求1所述的方法,其特征在于,所述构建光伏电站控制策略数据库,包括:
构建光伏电站属性分类器,所述光伏电站属性分类器包括光伏电站类型、电站功率、系统效率;
根据所述光伏电站应用数据信息,提取获得光伏电站属性信息集;
基于所述光伏电站属性分类器对所述光伏电站属性信息集进行特征分类,得到所述分布式光伏电站属性特征集;
基于所述分布式光伏电站属性特征集和所述光伏电站应用数据信息进行关联映射,整合构建所述光伏电站控制策略数据库。
3.如权利要求1所述的方法,其特征在于,所述生成光伏电站自适应控制器集,包括:
利用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练,获得初始光伏电站控制分支模型集;
对所述电能质量影响因素集合进行关键度分配,获取电能质量影响因素关键度系数信息;
通过模型验证集对所述初始光伏电站控制分支模型集进行验证,得到模型准确率信息;
将所述因素关键度系数信息和所述模型准确率信息的乘积作为模型融合系数集,对所述初始光伏电站控制分支模型集进行融合,生成光伏电站自适应控制器集。
4.如权利要求1所述的方法,其特征在于,所述获得目标自适应控制器,包括:
根据所述目标分布式光伏电站的属性信息,设置属性特征维度信息;
基于所述属性特征维度信息将所述分布式光伏电站属性特征集进行排列整合,获得分布式光伏电站维度属性特征集;
采用相似度算法对所述属性信息和所述分布式光伏电站维度属性特征集进行相似度计算,筛选输出目标属性特征信息;
基于所述目标属性特征信息和所述光伏电站自适应控制器集进行模型匹配,确定所述目标自适应控制器。
5.如权利要求4所述的方法,其特征在于,所述筛选输出目标属性特征信息,包括:
采用余弦相似度算法对所述属性信息和所述分布式光伏电站维度属性特征集进行相似度计算,得到初步处理属性相似度集合;
基于所述初步处理属性相似度集合对所述分布式光伏电站维度属性特征集进行筛选,获得基础属性特征集合;
利用相似系数算法对所述属性信息和所述基础属性特征集合进行计算评分,获得总归处理属性相似度集合;
基于所述总归处理属性相似度集合对所述分布式光伏电站维度属性特征集进行降序筛选,确定所述目标属性特征信息。
6.如权利要求1所述的方法,其特征在于,所述方法包括:
获取多方光伏电站应用数据信息,并基于所述光伏电站应用数据信息进行模型分布式训练,生成多方光伏电站自适应控制器集;
提取所述光伏电站自适应控制器集和所述多方光伏电站自适应控制器集的一方模型参数信息和多方模型参数信息;
设置局部学习因子和全局学习因子,基于所述局部学习因子和全局学习因子对所述一方模型参数信息和多方模型参数信息进行联合训练,生成归纳光伏电站自适应控制器集。
7.如权利要求1所述的方法,其特征在于,所述方法包括:
对光伏电站调控过程进行监测,获得光伏电站调控响应速率;
根据所述光伏电站调控响应速率,确定光伏电站控制延迟系数;
对所述光伏电站控制延迟系数进行电能质量损失分析,获得电能质量调控损失因子;
基于所述电能质量调控损失因子对所述目标分布式光伏电站的调控信息进行修正。
8.一种分布式光伏电站的电能质量控制系统,其特征在于,所述系统包括:
应用数据信息获取模块,用于采集获取分布式光伏电站应用数据信息,所述分布式光伏电站应用数据信息包括光伏电站运行数据信息以及电能质量检测数据信息;
应用数据分类整合模块,用于按照分布式光伏电站属性特征集对所述光伏电站应用数据信息进行分类整合,构建光伏电站控制策略数据库;
电能质量影响因素获取模块,用于获取电能质量影响因素集合,所述电能质量影响因素集合包括光伏组件、光伏逆变器质量、设备控制参数、环境因素;
数据库聚类划分模块,用于按照所述电能质量影响因素集合对所述光伏电站控制策略数据库进行聚类划分,获得光伏电站应用因素分类数据集合;
数据训练融合模块,用于使用深度学习网络结构对所述光伏电站应用因素分类数据集合分别进行训练、融合,生成光伏电站自适应控制器集;
自适应调控模块,用于基于目标分布式光伏电站的属性信息和所述光伏电站自适应控制器集进行相似度匹配,获得目标自适应控制器,并基于所述目标自适应控制器对目标分布式光伏电站进行自适应调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311091631.4A CN116826979B (zh) | 2023-08-29 | 2023-08-29 | 一种分布式光伏电站的电能质量控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311091631.4A CN116826979B (zh) | 2023-08-29 | 2023-08-29 | 一种分布式光伏电站的电能质量控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116826979A true CN116826979A (zh) | 2023-09-29 |
CN116826979B CN116826979B (zh) | 2024-01-12 |
Family
ID=88118831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311091631.4A Active CN116826979B (zh) | 2023-08-29 | 2023-08-29 | 一种分布式光伏电站的电能质量控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116826979B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852143A (zh) * | 2020-06-28 | 2021-12-28 | 北京小米移动软件有限公司 | 电能管理方法及装置、存储介质 |
CN117170246A (zh) * | 2023-10-20 | 2023-12-05 | 达州市经济发展研究院(达州市万达开统筹发展研究院) | 一种用于水轮机流体量的自适应控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
CN115115127A (zh) * | 2022-07-14 | 2022-09-27 | 国网福建省电力有限公司福州供电公司 | 一种基于深度学习的低压台区智能调控方法及系统 |
-
2023
- 2023-08-29 CN CN202311091631.4A patent/CN116826979B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
CN115115127A (zh) * | 2022-07-14 | 2022-09-27 | 国网福建省电力有限公司福州供电公司 | 一种基于深度学习的低压台区智能调控方法及系统 |
Non-Patent Citations (1)
Title |
---|
姜磊等: "基于知识主动配电网电压控制策略", 《科学技术与工程》, vol. 21, no. 30, pages 12982 - 12929 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113852143A (zh) * | 2020-06-28 | 2021-12-28 | 北京小米移动软件有限公司 | 电能管理方法及装置、存储介质 |
CN117170246A (zh) * | 2023-10-20 | 2023-12-05 | 达州市经济发展研究院(达州市万达开统筹发展研究院) | 一种用于水轮机流体量的自适应控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116826979B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116826979B (zh) | 一种分布式光伏电站的电能质量控制方法及系统 | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN109086928B (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
Lai et al. | Daily clearness index profiles cluster analysis for photovoltaic system | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
KR20180060317A (ko) | 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN115986945B (zh) | 一种基于工业互联网的电力设备监测方法、设备及介质 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN115049163A (zh) | 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置 | |
CN114155044A (zh) | 一种电力现货市场节点电价预测方法及系统 | |
Liu et al. | Embedded scenario clustering for wind and photovoltaic power, and load based on multi-head self-attention | |
CN110309978B (zh) | 基于二次动态调整的神经网络光伏功率预测模型及方法 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN115456265A (zh) | 一种分布式光伏用户发电功率短期预测方法及装置 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN116634030A (zh) | 一种光伏电站功率预测的网关机及分布式电站拓扑结构 | |
CN116760017A (zh) | 一种光伏发电的预测方法 | |
CN115149528A (zh) | 一种基于大数据非侵入技术的智能电能表分布式预测方法 |
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 |