CN117081093A - 一种直挂式svg综合控制装置及其控制方法 - Google Patents
一种直挂式svg综合控制装置及其控制方法 Download PDFInfo
- Publication number
- CN117081093A CN117081093A CN202311076659.0A CN202311076659A CN117081093A CN 117081093 A CN117081093 A CN 117081093A CN 202311076659 A CN202311076659 A CN 202311076659A CN 117081093 A CN117081093 A CN 117081093A
- Authority
- CN
- China
- Prior art keywords
- svg
- power grid
- module
- sub
- control strategy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000011217 control strategy Methods 0.000 claims abstract description 128
- 230000002787 reinforcement Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 31
- 238000004088 simulation Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- 238000013500 data storage Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000013499 data model Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H02J3/18—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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及SVG综合控制装置技术领域，具体为一种直挂式SVG综合控制装置及其控制方法，一种直挂式SVG综合控制装置是由电网数据采集处理模块、电网状态预测模块、SVG控制策略生成模块、SVG协同控制模块、实时调整模块、结果反馈模块组成。本发明中，采用LSTM、GRU深度学习算法可以大幅度提升电网状态预测模块的准确度，利用DQN强化学习算法自动化地生成SVG控制策略可以有效地平衡各个SVG设备的负载情况，避免设备过载，采用实时调整模块可以使系统在电网状态发生变化时，根据新的状态信息快速调整SVG控制策略。
Description
技术领域
本发明涉及SVG综合控制装置技术领域，尤其涉及一种直挂式SVG综合控制装置及其控制方法。
背景技术
在电力系统中，维持电压稳定和改善电力质量是非常重要的任务。传统上，无功功率调节是通过调节电力系统中的电容器或电感器来实现，但这种方式具有响应速度慢、调节精度低和占用空间大等缺点。为了克服传统无功补偿设备的局限性，静止无功发生器(Static Var Generator，SVG)被引入电力系统。SVG是一种基于电力电子技术的设备，通过控制电力电子开关器件的通断状况，快速调节并控制无功功率的注入或吸收。这使得SVG能够更有效地调节无功功率，提供更快的响应速度和更高的调节精度。
直挂式SVG综合控制装置作为一种专门用于控制SVG的设备，已经成为电力系统中重要的组成部分。该装置具备先进的控制算法和电力电子技术，可以根据电网的需求实时调节SVG的无功功率输出。通过无功功率调节、谐波抑制、功率因数校正和电压调节等功能，直挂式SVG综合控制装置能够提高电网的稳定性和可靠性，改善电力质量，减少谐波产生，降低线损和能耗。
在SVG综合控制装置的实际使用过程中，现有SVG综合控制装置在数据采集和处理方面通常依赖于传统的技术和方法，可能会造成数据延迟和失准，限制了实时性和精确度。在电网状态的预测方面，缺乏先进的机器学习算法支持，导致预测精度不高，可能会漏报或误报故障和过载等异常状态。此外，现有装置在控制策略的生成和优化方面缺乏智能化，不能实时响应电网的变化，难以实现多SVG设备的协同控制，缺乏实时调整和反馈机制，导致系统反应迟缓，无法充分发挥SVG设备的潜力，也增加了运维难度和成本。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种直挂式SVG综合控制装置及其控制方法。
为了实现上述目的，本发明采用了如下技术方案：一种直挂式SVG综合控制装置是由电网数据采集处理模块、电网状态预测模块、SVG控制策略生成模块、SVG协同控制模块、实时调整模块、结果反馈模块组成；
所述电网数据采集处理模块使用Kafka实时处理框架采集包括电网数据的电网数据，使用Spark进行数据清洗，获取清洗后电网数据；
所述电网状态预测模块基于清洗后电网数据，使用包括LSTM、GRU的机器学习算法，预测电网包括电缆故障、配电站过载的异常状态，获取电网状态预测信息；
所述SVG控制策略生成模块根据电网状态预测信息，使用DQN强化学习算法生成SVG控制策略；
所述SVG协同控制模块将多个SVG设备通过分布式算法连接在一起，根据所述SVG控制策略进行优化，获取优化后SVG协同控制结果；
所述实时调整模块根据优化后SVG协同控制结果，调整SVG控制策略，适应电网的实时状态，获取动态调整后的SVG控制策略；
所述结果反馈模块根据动态调整后的SVG控制策略进行实时反馈。
作为本发明的进一步方案，所述电网数据采集处理模块包括数据采集子模块、数据预处理子模块、数据存储子模块；
所述数据采集子模块使用Kafka实时处理框架收集大规模的电网数据，所述数据预处理子模块使用Spark进行数据清洗和格式转换，所述数据存储子模块将清洗后的数据存入HBase数据库中；
所述电网状态预测模块包括数据存储子模块、预测模型训练子模块、状态预测子模块；
所述数据存储子模块使用PCA特征提取算法，提取用于电网状态预测的特征，所述预测模型训练子模块基于特征使用机器学习算法建立并训练电网状态预测模型，所述状态预测子模块利用训练好的电网状态预测模型预测电网未来的状态，作为电网状态预测信息。
作为本发明的进一步方案，所述SVG控制策略生成模块包括环境模拟子模块、策略训练子模块、策略输出子模块；
所述环境模拟子模块创建电网模拟环境，用于训练强化学习模型，所述策略训练子模块在模拟环境中使用DQN强化学习算法训练SVG控制策略，所述策略输出子模块输出训练完成的SVG控制策略；
所述SVG协同控制模块包括设备连接子模块、协同控制子模块、优化调节子模块；
所述设备连接子模块使用分布式连接算法连接多个SVG设备，所述协同控制子模块根据SVG控制策略让多个SVG设备协同工作，所述优化调节子模块使用优化算法提升SVG设备的调节功率。
作为本发明的进一步方案，所述实时调整模块包括实时监测子模块、动态调整子模块；
所述实时监测子模块实时监测电网的状态，发现状态变化，所述动态调整子模块使用卡尔曼滤波器算法，在发现状态变化时，动态调整SVG控制策略；
所述结果反馈模块包括策略应用子模块、性能评估子模块、结果反馈子模块；
所述策略应用子模块将动态调整后的SVG控制策略应用到SVG设备上，所述性能评估子模块评估应用策略后SVG设备的性能，所述结果反馈子模块将SVG设备的性能反馈到电网数据采集处理模块，持续优化数据模型。
一种直挂式SVG综合控制方法，包括以下步骤：
通过使用Kafka和Spark技术，进行电网数据的采集、清洗以及存储，得到清洗后电网数据；
依据所述清洗后电网数据，采用LSTM和GRU的机器学习算法进行电网状态的预测，获取电网状态预测信息；
基于所述电网状态预测信息，利用DQN强化学习算法生成SVG控制策略，并进行优化，得到优化后的SVG控制策略；
采用实时监测与卡尔曼滤波器算法调整所述优化后的SVG控制策略，对其进行动态优化，生成动态调整后的SVG控制策略；
基于所述动态调整后的SVG控制策略，实施并评估SVG设备的性能，并将评估结果反馈到电网数据采集处理模块，得到电网的性能评估报告。
作为本发明的进一步方案，通过使用Kafka和Spark技术，进行电网数据的采集、清洗以及存储，得到清洗后电网数据的步骤具体为：
采用数据采集子模块利用Kafka实时处理框架收集大规模的电网数据，生成原始电网数据集；
利用数据预处理子模块，通过Spark技术对所述原始电网数据集进行清洗和格式转换，生成预处理电网数据集；
数据存储子模块将所述预处理电网数据集存入HBase数据库。
作为本发明的进一步方案，依据所述清洗后电网数据，采用LSTM和GRU的机器学习算法进行电网状态的预测，获取电网状态预测信息的步骤具体为：
从预处理电网数据集中，利用PCA特征提取算法，提取出关键特征数据，生成特征数据集；
预测模型训练子模块利用所述特征数据集，采用LSTM、GRU机器学习算法进行训练，形成电网状态预测模型；
状态预测子模块利用训练好的所述电网状态预测模型，预测电网未来的状态，得出电网状态预测信息。
作为本发明的进一步方案，基于所述电网状态预测信息，利用DQN强化学习算法生成SVG控制策略，并进行优化，得到优化后的SVG控制策略的步骤具体为：
环境模拟子模块创建电网模拟环境，为强化学习模型提供模拟场景；
策略训练子模块在所述模拟环境中，基于所述电网状态预测信息使用DQN强化学习算法训练SVG控制策略，输出为初步SVG控制策略；
设备连接子模块与协同控制子模块通过分布式算法连接和控制多个SVG设备，然后根据初步SVG控制策略进行优化，得出优化后的SVG控制策略。
作为本发明的进一步方案，采用实时监测与卡尔曼滤波器算法调整所述优化后的SVG控制策略，对其进行动态优化，生成动态调整后的SVG控制策略的步骤具体为：
实时监测子模块实时检测电网的状态，并与所述电网状态预测信息进行比对，得到电网状态变化信息；
动态调整子模块在接收到所述电网状态变化信息后，利用卡尔曼滤波器算法对所述优化后的SVG控制策略进行进一步的调整，输出为动态调整后的SVG控制策略。
作为本发明的进一步方案，基于所述动态调整后的SVG控制策略，实施并评估SVG设备的性能，并将评估结果反馈到电网数据采集处理模块，得到电网的性能评估报告的步骤具体为：
策略应用子模块将所述动态调整后的SVG控制策略实施到SVG设备上，执行并得到执行结果数据；
策略应用子模块将所述动态调整后的SVG控制策略实施到SVG设备上，执行并得到执行结果数据；
结果反馈子模块将所述SVG设备性能报告反馈到电网数据采集处理模块，为下一周期的数据模型优化提供依据。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过Kafka实时处理框架和Spark，可以实时大规模地采集和处理电网数据，提高数据处理速度，同时确保数据质量，为后续模块提供精确的输入。采用LSTM、GRU深度学习算法不仅可以大幅度提升电网状态预测模块的准确度，还能够识别更加复杂的电网状态。利用DQN强化学习算法自动化地生成SVG控制策略可以有效地平衡各个SVG设备的负载情况，避免设备过载，提升设备使用寿命和效率。采用实时调整模块可以使系统在电网状态发生变化时，根据新的状态信息快速调整SVG控制策略，提供系统的响应速度和稳定性。通过结果反馈模块可以实时评估和反馈SVG设备的运行情况，使得控制策略能够针对实际运行情况进行优化，大幅提升SVG设备的运行效率和寿命。
附图说明
图1为本发明提出一种直挂式SVG综合控制装置及其控制方法的主系统流程图；
图2为本发明提出一种直挂式SVG综合控制装置及其控制方法的系统框架示意图；
图3为本发明提出一种直挂式SVG综合控制装置及其控制方法的工作步骤流程图；
图4为本发明提出一种直挂式SVG综合控制装置及其控制方法的步骤1细化流程图；
图5为本发明提出一种直挂式SVG综合控制装置及其控制方法的步骤2细化流程图；
图6为本发明提出一种直挂式SVG综合控制装置及其控制方法的步骤3细化流程图；
图7为本发明提出一种直挂式SVG综合控制装置及其控制方法的步骤4细化流程图；
图8为本发明提出一种直挂式SVG综合控制装置及其控制方法的步骤5细化流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：一种直挂式SVG综合控制装置是由电网数据采集处理模块、电网状态预测模块、SVG控制策略生成模块、SVG协同控制模块、实时调整模块、结果反馈模块组成；
电网数据采集处理模块使用Kafka实时处理框架采集包括电网数据的电网数据，使用Spark进行数据清洗，获取清洗后电网数据；
电网状态预测模块基于清洗后电网数据，使用包括LSTM、GRU的机器学习算法，预测电网包括电缆故障、配电站过载的异常状态，获取电网状态预测信息；
SVG控制策略生成模块根据电网状态预测信息，使用DQN强化学习算法生成SVG控制策略；
SVG协同控制模块将多个SVG设备通过分布式算法连接在一起，根据SVG控制策略进行优化，获取优化后SVG协同控制结果；
实时调整模块根据优化后SVG协同控制结果，调整SVG控制策略，适应电网的实时状态，获取动态调整后的SVG控制策略；
结果反馈模块根据动态调整后的SVG控制策略进行实时反馈。
首先，该装置通过实时数据采集和处理，能够提供准确、及时的电网状态信息，为后续的控制策略生成和决策提供可靠的数据基础。其次，借助机器学习算法对清洗后的电网数据进行预测，该装置能够及时发现电缆故障、配电站过载等异常状态，有助于提前采取措施避免故障和事故的发生。此外，通过DQN强化学习算法生成智能化的SVG控制策略，并通过协同控制和分布式优化对多个SVG设备进行协同工作，提高电网的稳定性和效率。该装置还具备实时调整和动态适应的能力，能够根据电网的实际状态及时调整控制策略，保持电网的稳定运行。总体而言，直挂式SVG综合控制装置的实施有助于提高电网的稳定性、响应速度和效率，减少能源浪费，降低故障和事故的风险，提升电网的可靠性和运行质量。
请参阅图2，电网数据采集处理模块包括数据采集子模块、数据预处理子模块、数据存储子模块；
数据采集子模块使用Kafka实时处理框架收集大规模的电网数据，数据预处理子模块使用Spark进行数据清洗和格式转换，数据存储子模块将清洗后的数据存入HBase数据库中。
首先，通过数据采集子模块利用Kafka实时处理框架，实现电网数据的实时采集，确保系统能够及时获取电网的实时状态和运行数据。其次，数据预处理子模块利用Spark进行数据清洗和格式转换，去除噪声和修复错误，获得准确、可靠的电网数据。此外，数据存储子模块将清洗后的数据存储于HBase数据库中，提供高可扩展性和高可靠性的数据存储和管理机制。这种实施方式使系统能够利用准确的电网数据进行决策支持和优化。运营人员可以基于实际数据进行故障诊断、预测以及运行优化，提高电网的可靠性、稳定性和效率。此外，通过实时监测电网状态和性能，及早发现潜在故障点，提高排查和维修效率，减少停电时间和损失。综上所述，电网数据采集处理模块的实施有助于实现数据实时采集、清洗和存储，为电网运营和管理提供决策支持，提高故障排查和维修效率，从而促进电网的稳定运行和优化管理。
请参阅图2，电网状态预测模块包括数据存储子模块、预测模型训练子模块、状态预测子模块；
数据存储子模块使用PCA特征提取算法，提取用于电网状态预测的特征，预测模型训练子模块基于特征使用机器学习算法建立并训练电网状态预测模型，状态预测子模块利用训练好的电网状态预测模型预测电网未来的状态，作为电网状态预测信息。
首先，数据存储子模块利用PCA特征提取算法从电网数据中提取用于状态预测的有效特征。这有助于从庞大的数据中提取具有辨别能力的特征，为后续的预测模型提供准确输入。
其次，预测模型训练子模块基于提取的特征，利用机器学习算法建立和训练电网状态预测模型。通过训练过程，模型能够学习电网数据的模式和规律，提高预测准确性。最后，状态预测子模块利用训练好的预测模型，根据电网当前的状态和特征，预测电网未来的状态。这些预测结果可以提供给系统的决策支持模块和其他相关模块，为电网运维决策提供重要依据。通过电网状态预测模块的实施，能够提供准确的电网状态预测信息，具备故障预警和预防的能力。运维人员可以根据预测结果采取相应措施进行优化和调整，提高电网的稳定性和可靠性。此外，预测结果还能优化运维决策，比如及时调整电网配置以避免过载情况。这些有益效果协助提高电网的效率、性能和运行风险管理，有助于提升电网的可靠性和运行质量。
请参阅图2，SVG控制策略生成模块包括环境模拟子模块、策略训练子模块、策略输出子模块；
环境模拟子模块创建电网模拟环境，用于训练强化学习模型，策略训练子模块在模拟环境中使用DQN强化学习算法训练SVG控制策略，策略输出子模块输出训练完成的SVG控制策略。
首先，环境模拟子模块创建电网模拟环境，用于训练强化学习模型。通过模拟电网环境，可以获得电网的实时状态和特征，并提供一个安全、可控的测试场景。这样的环境模拟能够减少实际系统下尝试新策略的风险和成本，并为模型训练提供合适的数据。其次，策略训练子模块利用DQN强化学习算法在模拟环境中进行SVG控制策略的训练。DQN算法通过与环境交互学习到最优的控制策略。经过训练，模型能够逐步调整和提升控制策略的效果，以适应不同的电网状态和运行需求。这样的训练模块使得SVG控制策略能够在不断优化的过程中不断提高性能和稳定性。最后，策略输出子模块输出经过训练完成的SVG控制策略。这些策略是基于模拟环境和强化学习算法得出的，经过验证和评估，具有一定的优化效果和可行性。这样的策略输出可以作为系统的控制指南，用于实际电网的SVG控制和优化。通过应用这些策略，可以提高电网的稳定性、调度性能和能效。综上所述，SVG控制策略生成模块的实施通过环境模拟、强化学习训练和策略输出，能够提供准确的SVG控制策略。这些策略经过训练和优化，可以满足电网的实际需求，并提高电网的控制精度和运行效率。
请参阅图2，SVG协同控制模块包括设备连接子模块、协同控制子模块、优化调节子模块；
设备连接子模块使用分布式连接算法连接多个SVG设备，协同控制子模块根据SVG控制策略让多个SVG设备协同工作，优化调节子模块使用优化算法提升SVG设备的调节功率。
设备连接子模块利用分布式连接算法连接多个SVG设备，构建了一个分布式SVG系统。这种连接方式提供了信息共享和协同控制的能力，使得多个SVG设备可以相互协作。这种分布式连接不仅增强了系统的可扩展性和灵活性，也使得多个SVG设备能够共同响应电网的需求。协同控制子模块基于SVG控制策略，让多个SVG设备协同工作。通过共同遵循相同的控制策略，SVG设备能够协同调节，以实现电网的协同优化。这种协同控制能够提高电网的稳定性、可调度性和质量。通过合理的协同控制策略，可以减少电网中的功率波动和谐波问题，提高电网的可靠性和性能。优化调节子模块利用优化算法提升SVG设备的调节功率。这种优化调节能够使SVG设备按照电网需求进行准确的功率调节，以适应电网的变化和优化电网运行。通过优化调节，SVG设备的响应速度和精度得到提升，实现更精确的功率控制，进一步提高电网的性能和稳定性。综上所述，实施SVG协同控制模块能够实现多个SVG设备之间的协同工作和优化调节。分布式连接、协同控制和优化调节的组合使得SVG设备能够相互协调，以提高电网的稳定性、调度性能和能效。这些有益效果能够优化电网的运行质量，提高电网的可靠性和性能。
请参阅图2，实时调整模块包括实时监测子模块、动态调整子模块；
实时监测子模块实时监测电网的状态，发现状态变化，动态调整子模块使用卡尔曼滤波器算法，在发现状态变化时，动态调整SVG控制策略。
实时监测子模块能够实时监测电网的状态，及时捕捉电网中的状态变化。通过实时监测，可以获得关键的电网参数、负荷和频率等信息，以确保对电网运行状况的实时感知。这种实时监测能够帮助及时发现电网状态的变化，为后续的动态调整提供准确的数据和依据。动态调整子模块使用卡尔曼滤波器算法，在发现电网状态变化时，动态调整SVG控制策略。这种动态调整能够根据实时监测到的电网状态变化，灵活地调整SVG控制策略，以实现对电网运行的动态响应和优化。通过这样的动态调整，可以保持电网的稳定性、提高调度性能，并优化电网的能效。综合而言，实施实时调整模块能够实现对电网状态的实时监测和动态调整。这样能够及时发现电网状态的变化，并根据变化灵活地调整SVG控制策略，以实现电网运行的优化和稳定。实时调整模块的实施能够提高电网的运行效率、可靠性和能效，为电网的稳定运行和质量提供有力支持。
请参阅图2，结果反馈模块包括策略应用子模块、性能评估子模块、结果反馈子模块；
策略应用子模块将动态调整后的SVG控制策略应用到SVG设备上，性能评估子模块评估应用策略后SVG设备的性能，结果反馈子模块将SVG设备的性能反馈到电网数据采集处理模块，持续优化数据模型。
策略应用子模块确保动态调整后的SVG控制策略能够正确应用到SVG设备上，使其按照优化策略进行运行。这样能够提高电网的效率和稳定性，确保控制策略的实施和执行。性能评估子模块提供了对应用策略后的SVG设备性能的量化评估。通过性能评估，可以客观地评估SVG设备在应用策略后的表现，发现潜在问题，并采取相应的改进措施。这样能够提高SVG设备的性能，进一步优化电网的运行质量。结果反馈子模块将SVG设备的性能反馈到电网数据采集处理模块，用于持续优化数据模型。通过这种反馈，可以将实际的SVG设备性能与预期性能进行比较和分析，识别潜在问题，并不断优化数据模型。这样能够提高控制策略的准确性和电网的性能，保持数据模型与实际情况的一致性。综上所述，结果反馈模块的实施能够实现对SVG设备性能的评估和优化，并持续改进数据模型。这样能够提高电网的效率、稳定性和可靠性，帮助优化控制策略，并确保电网的良好运行。结果反馈模块的实施对于电网的长期运行和可持续发展具有重要意义。
请参阅图3，一种直挂式SVG综合控制方法，包括以下步骤：
通过使用Kafka和Spark技术，进行电网数据的采集、清洗以及存储，得到清洗后电网数据；
依据清洗后电网数据，采用LSTM和GRU的机器学习算法进行电网状态的预测，获取电网状态预测信息；
基于电网状态预测信息，利用DQN强化学习算法生成SVG控制策略，并进行优化，得到优化后的SVG控制策略；
采用实时监测与卡尔曼滤波器算法调整优化后的SVG控制策略，对其进行动态优化，生成动态调整后的SVG控制策略；
基于动态调整后的SVG控制策略，实施并评估SVG设备的性能，并将评估结果反馈到电网数据采集处理模块，得到电网的性能评估报告。
通过使用Kafka和Spark技术进行电网数据的采集、清洗和存储，可以确保获取准确、完整的数据，为后续分析和控制提供可靠的数据基础。利用机器学习算法进行电网状态预测，能够提前获得电网可能的状态变化和趋势，为控制策略生成提供依据。采用DQN强化学习算法生成SVG控制策略，并结合实时监测与卡尔曼滤波器算法进行动态调整，能够优化SVG设备的控制策略，实现电网的优化调度和稳定运行。通过实施并评估SVG设备的性能，并将评估结果反馈到数据采集处理模块，可以及时发现潜在问题并进行改进，不断优化电网的性能。
请参阅图4，通过使用Kafka和Spark技术，进行电网数据的采集、清洗以及存储，得到清洗后电网数据的步骤具体为：
采用数据采集子模块利用Kafka实时处理框架收集大规模的电网数据，生成原始电网数据集；
利用数据预处理子模块，通过Spark技术对原始电网数据集进行清洗和格式转换，生成预处理电网数据集；
数据存储子模块将预处理电网数据集存入HBase数据库。
请参阅图5，依据清洗后电网数据，采用LSTM和GRU的机器学习算法进行电网状态的预测，获取电网状态预测信息的步骤具体为：
从预处理电网数据集中，利用PCA特征提取算法，提取出关键特征数据，生成特征数据集；
预测模型训练子模块利用特征数据集，采用LSTM、GRU机器学习算法进行训练，形成电网状态预测模型；
状态预测子模块利用训练好的电网状态预测模型，预测电网未来的状态，得出电网状态预测信息。
请参阅图6，基于电网状态预测信息，利用DQN强化学习算法生成SVG控制策略，并进行优化，得到优化后的SVG控制策略的步骤具体为：
环境模拟子模块创建电网模拟环境，为强化学习模型提供模拟场景；
策略训练子模块在模拟环境中，基于电网状态预测信息使用DQN强化学习算法训练SVG控制策略，输出为初步SVG控制策略；
设备连接子模块与协同控制子模块通过分布式算法连接和控制多个SVG设备，然后根据初步SVG控制策略进行优化，得出优化后的SVG控制策略。
请参阅图7，采用实时监测与卡尔曼滤波器算法调整优化后的SVG控制策略，对其进行动态优化，生成动态调整后的SVG控制策略的步骤具体为：
实时监测子模块实时检测电网的状态，并与电网状态预测信息进行比对，得到电网状态变化信息；
动态调整子模块在接收到所述电网状态变化信息后，利用卡尔曼滤波器算法对优化后的SVG控制策略进行进一步的调整，输出为动态调整后的SVG控制策略。
请参阅图8，基于动态调整后的SVG控制策略，实施并评估SVG设备的性能，并将评估结果反馈到电网数据采集处理模块，得到电网的性能评估报告的步骤具体为：
策略应用子模块将动态调整后的SVG控制策略实施到SVG设备上，执行并得到执行结果数据；
策略应用子模块将动态调整后的SVG控制策略实施到SVG设备上，执行并得到执行结果数据；
结果反馈子模块将SVG设备性能报告反馈到电网数据采集处理模块，为下一周期的数据模型优化提供依据。
工作原理：首先，电网数据采集处理模块利用Kafka实时处理框架收集电网数据，并使用Spark进行数据清洗，获得清洗后的电网数据。接着，电网状态预测模块利用清洗后的数据，采用机器学习算法对电网的异常状态进行预测，并获取电网状态预测信息。然后，SVG控制策略生成模块根据电网状态预测信息，采用DQN强化学习算法生成SVG控制策略，并进行优化，得到优化后的SVG控制策略。接下来，SVG协同控制模块通过分布式算法将多个SVG设备连接在一起，并根据优化后的SVG控制策略进行协同优化，获得优化后的SVG协同控制结果。然后，实时调整模块根据优化后的协同控制结果使用实时监测与卡尔曼滤波器算法进行动态调整，以适应电网的实时状态，并获得动态调整后的SVG控制策略。最后，结果反馈模块根据动态调整后的SVG控制策略进行实时反馈。这种直挂式SVG综合控制装置能够通过综合应用数据采集、清洗、状态预测、控制策略生成、协同控制和动态调整等模块，实现对电网的优化调度和稳定运行，并通过结果反馈持续优化控制策略，提高电网的运行效率、稳定性和可靠性，为电网的可持续发展提供有益支持。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种直挂式SVG综合控制装置，其特征在于，所述一种直挂式SVG综合控制装置是由电网数据采集处理模块、电网状态预测模块、SVG控制策略生成模块、SVG协同控制模块、实时调整模块、结果反馈模块组成；
所述电网数据采集处理模块使用Kafka实时处理框架采集包括电网数据的电网数据，使用Spark进行数据清洗，获取清洗后电网数据；
所述电网状态预测模块基于清洗后电网数据，使用包括LSTM、GRU的机器学习算法，预测电网包括电缆故障、配电站过载的异常状态，获取电网状态预测信息；
所述SVG控制策略生成模块根据电网状态预测信息，使用DQN强化学习算法生成SVG控制策略；
所述SVG协同控制模块将多个SVG设备通过分布式算法连接在一起，根据所述SVG控制策略进行优化，获取优化后SVG协同控制结果；
所述实时调整模块根据优化后SVG协同控制结果，调整SVG控制策略，适应电网的实时状态，获取动态调整后的SVG控制策略；
所述结果反馈模块根据动态调整后的SVG控制策略进行实时反馈。
2.根据权利要求1所述的直挂式SVG综合控制装置，其特征在于，所述电网数据采集处理模块包括数据采集子模块、数据预处理子模块、数据存储子模块；
所述数据采集子模块使用Kafka实时处理框架收集大规模的电网数据，所述数据预处理子模块使用Spark进行数据清洗和格式转换，所述数据存储子模块将清洗后的数据存入HBase数据库中；
所述电网状态预测模块包括数据存储子模块、预测模型训练子模块、状态预测子模块；
所述数据存储子模块使用PCA特征提取算法，提取用于电网状态预测的特征，所述预测模型训练子模块基于特征使用机器学习算法建立并训练电网状态预测模型，所述状态预测子模块利用训练好的电网状态预测模型预测电网未来的状态，作为电网状态预测信息。
3.根据权利要求1所述的直挂式SVG综合控制装置，其特征在于，所述SVG控制策略生成模块包括环境模拟子模块、策略训练子模块、策略输出子模块；
所述环境模拟子模块创建电网模拟环境，用于训练强化学习模型，所述策略训练子模块在模拟环境中使用DQN强化学习算法训练SVG控制策略，所述策略输出子模块输出训练完成的SVG控制策略；
所述SVG协同控制模块包括设备连接子模块、协同控制子模块、优化调节子模块；
所述设备连接子模块使用分布式连接算法连接多个SVG设备，所述协同控制子模块根据SVG控制策略让多个SVG设备协同工作，所述优化调节子模块使用优化算法提升SVG设备的调节功率。
4.根据权利要求1所述的直挂式SVG综合控制装置，其特征在于，所述实时调整模块包括实时监测子模块、动态调整子模块；
所述实时监测子模块实时监测电网的状态，发现状态变化，所述动态调整子模块使用卡尔曼滤波器算法，在发现状态变化时，动态调整SVG控制策略；
所述结果反馈模块包括策略应用子模块、性能评估子模块、结果反馈子模块；
所述策略应用子模块将动态调整后的SVG控制策略应用到SVG设备上，所述性能评估子模块评估应用策略后SVG设备的性能，所述结果反馈子模块将SVG设备的性能反馈到电网数据采集处理模块，持续优化数据模型。
5.一种直挂式SVG综合控制方法，其特征在于，包括以下步骤：
通过使用Kafka和Spark技术，进行电网数据的采集、清洗以及存储，得到清洗后电网数据；
依据所述清洗后电网数据，采用LSTM和GRU的机器学习算法进行电网状态的预测，获取电网状态预测信息；
基于所述电网状态预测信息，利用DQN强化学习算法生成SVG控制策略，并进行优化，得到优化后的SVG控制策略；
采用实时监测与卡尔曼滤波器算法调整所述优化后的SVG控制策略，对其进行动态优化，生成动态调整后的SVG控制策略；
基于所述动态调整后的SVG控制策略，实施并评估SVG设备的性能，并将评估结果反馈到电网数据采集处理模块，得到电网的性能评估报告。
6.根据权利要求5所述的直挂式SVG综合控制方法，其特征在于，通过使用Kafka和Spark技术，进行电网数据的采集、清洗以及存储，得到清洗后电网数据的步骤具体为：
采用数据采集子模块利用Kafka实时处理框架收集大规模的电网数据，生成原始电网数据集；
利用数据预处理子模块，通过Spark技术对所述原始电网数据集进行清洗和格式转换，生成预处理电网数据集；
数据存储子模块将所述预处理电网数据集存入HBase数据库。
7.根据权利要求5所述的直挂式SVG综合控制方法，其特征在于，依据所述清洗后电网数据，采用LSTM和GRU的机器学习算法进行电网状态的预测，获取电网状态预测信息的步骤具体为：
从预处理电网数据集中，利用PCA特征提取算法，提取出关键特征数据，生成特征数据集；
预测模型训练子模块利用所述特征数据集，采用LSTM、GRU机器学习算法进行训练，形成电网状态预测模型；
状态预测子模块利用训练好的所述电网状态预测模型，预测电网未来的状态，得出电网状态预测信息。
8.根据权利要求5所述的直挂式SVG综合控制方法，其特征在于，基于所述电网状态预测信息，利用DQN强化学习算法生成SVG控制策略，并进行优化，得到优化后的SVG控制策略的步骤具体为：
环境模拟子模块创建电网模拟环境，为强化学习模型提供模拟场景；
策略训练子模块在所述模拟环境中，基于所述电网状态预测信息使用DQN强化学习算法训练SVG控制策略，输出为初步SVG控制策略；
设备连接子模块与协同控制子模块通过分布式算法连接和控制多个SVG设备，然后根据初步SVG控制策略进行优化，得出优化后的SVG控制策略。
9.根据权利要求5所述的直挂式SVG综合控制方法，其特征在于，采用实时监测与卡尔曼滤波器算法调整所述优化后的SVG控制策略，对其进行动态优化，生成动态调整后的SVG控制策略的步骤具体为：
实时监测子模块实时检测电网的状态，并与所述电网状态预测信息进行比对，得到电网状态变化信息；
动态调整子模块在接收到所述电网状态变化信息后，利用卡尔曼滤波器算法对所述优化后的SVG控制策略进行进一步的调整，输出为动态调整后的SVG控制策略。
10.根据权利要求5所述的直挂式SVG综合控制方法，其特征在于，基于所述动态调整后的SVG控制策略，实施并评估SVG设备的性能，并将评估结果反馈到电网数据采集处理模块，得到电网的性能评估报告的步骤具体为：
策略应用子模块将所述动态调整后的SVG控制策略实施到SVG设备上，执行并得到执行结果数据；
策略应用子模块将所述动态调整后的SVG控制策略实施到SVG设备上，执行并得到执行结果数据；
结果反馈子模块将所述SVG设备性能报告反馈到电网数据采集处理模块，为下一周期的数据模型优化提供依据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076659.0A CN117081093A (zh) | 2023-08-24 | 2023-08-24 | 一种直挂式svg综合控制装置及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076659.0A CN117081093A (zh) | 2023-08-24 | 2023-08-24 | 一种直挂式svg综合控制装置及其控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117081093A true CN117081093A (zh) | 2023-11-17 |
Family
ID=88716734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311076659.0A Pending CN117081093A (zh) | 2023-08-24 | 2023-08-24 | 一种直挂式svg综合控制装置及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117081093A (zh) |
-
2023
- 2023-08-24 CN CN202311076659.0A patent/CN117081093A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110401262B (zh) | 基于边缘计算技术的gis设备状态智能监控系统及方法 | |
| CN103618380B (zh) | 基于光伏微电网的智能监控系统 | |
| CN115833402B (zh) | 基于电力调度人工智能网络命令管理及下发系统 | |
| CN104319774A (zh) | 智能社区的监控方法和装置 | |
| CN113169709A (zh) | 基于机器学习的太阳能发电控制系统及方法 | |
| CN112350313B (zh) | 一种低压配电自动化监测与处理系统 | |
| CN117411039A (zh) | 一种智能储能充电系统 | |
| CN213754105U (zh) | 一种基于大数据的光伏电站智能管理系统 | |
| CN111900801A (zh) | 一种基于电力物联网的配电网供电保障系统 | |
| CN113169708A (zh) | 太阳能发电平衡控制系统及方法 | |
| CN105591469B (zh) | 一种社区微网分布式控制系统 | |
| CN116505656A (zh) | 基于5g物联网技术的风-光-储多能互补智慧用电系统 | |
| CN117638928B (zh) | 一种基于云计算的智能配电网管理系统 | |
| CN105550788A (zh) | 一种微电网智能化数据处理及分析方法 | |
| CN103023138A (zh) | 地县一体化自动电压控制系统 | |
| CN117081093A (zh) | 一种直挂式svg综合控制装置及其控制方法 | |
| CN114742146A (zh) | 一种中压不断电装置监控系统 | |
| CN104265565A (zh) | 一种风电场实时监控系统及监控方法 | |
| CN210806849U (zh) | 一种光伏微电网控制系统 | |
| Lamia et al. | Integration of Renewable Energies into the Smart Grid Electricity network | |
| Sharma et al. | Energy Management Strategies of Hybrid Power System Under Varying Load Conditions-An Analysis | |
| CN110700900A (zh) | 一种汽轮发电机组振动技术监督管理系统 | |
| CN117410988B (zh) | 一种新能源充电站的充电控制方法及装置 | |
| CN117878931B (zh) | 一种用于新能源动力站的应急能源调度系统及方法 | |
| CN113408892B (zh) | 一种保障多能互补微网分层协同调控系统及其调控方法 |
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 |