CN117424293A - 一种智能风力预测与调度方法及系统 - Google Patents

一种智能风力预测与调度方法及系统 Download PDF

Info

Publication number
CN117424293A
CN117424293A CN202311379584.3A CN202311379584A CN117424293A CN 117424293 A CN117424293 A CN 117424293A CN 202311379584 A CN202311379584 A CN 202311379584A CN 117424293 A CN117424293 A CN 117424293A
Authority
CN
China
Prior art keywords
wind power
wind
intelligent
power plant
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.)
Pending
Application number
CN202311379584.3A
Other languages
English (en)
Inventor
陈臣
王银花
符浩
刘洋
王晨
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.)
Xian Thermal Power Research Institute Co Ltd
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Huaneng Lancang River Hydropower Co Ltd
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 Xian Thermal Power Research Institute Co Ltd, Huaneng Lancang River Hydropower Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202311379584.3A priority Critical patent/CN117424293A/zh
Publication of CN117424293A publication Critical patent/CN117424293A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0204—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/022—Adjusting aerodynamic properties of the blades
    • F03D7/0224—Adjusting blade pitch
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0244—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for braking
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F03D7/0284—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power in relation to the state of the electric grid
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F03D7/0292—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power to reduce fatigue
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
    • H02J3/12—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
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/321—Wind directions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Fluid Mechanics (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种智能风力预测与调度方法及系统，利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来一段时间内的风速和风向进行预测，得到风力预测结果；利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节、刹车控制等控制动作，以最大化风机的输出功率和寿命；利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理、无功补偿等调度动作，以最小化风电场对电网的影响和损耗。本发明方法提高了风力预测与调度技术的性能和效果，提高了风能利用率和电网稳定性。

Description

一种智能风力预测与调度方法及系统
技术领域
本发明属于风力发电技术领域，具体涉及一种智能风力预测与调度方法及系统。
背景技术
风力发电是一种利用风能转化为电能的可再生能源技术，具有清洁、环保、可持续等优点。风力发电的关键环节之一是风力预测与调度，即根据风电场的风力状况和电网的需求，对风电场的输出功率和运行状态进行预测和控制，以提高风能利用率和电网稳定性。
风力预测与调度技术主要包括两个方面：风力预测和风电场调度。风力预测是指利用各种方法，结合风电场的历史数据和气象数据，对未来一段时间内的风速和风向进行预测，从而估计风电场的输出功率。风电场调度是指利用各种方法，根据风力预测结果和电网的需求，对风电场进行智能控制和优化，包括对每台风机进行桨距角调节、偏航角调节、刹车控制等控制动作，以及对风电场进行功率平滑、储能管理、无功补偿等调度动作。
目前，风力预测与调度技术已经取得了一定的进展和应用，但仍然存在一些问题和挑战。一方面，由于风力变化具有随机性、不确定性和非线性等特点，导致现有的风力预测模型难以准确地捕捉风力变化的规律和特征，从而影响预测结果的精度和可靠性。另一方面，由于风电场与电网之间存在复杂的相互作用和约束，导致现有的风电场调度模型难以有效地平衡风电场的输出功率和电网的需求，从而影响调度方案的经济性和安全性。
因此，如何提高风力预测与调度技术的性能和效果，是当前亟待解决的技术问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种智能风力预测与调度方法及系统，用于解决风力预测与调度技术的性能和效果差的技术问题。
本发明采用以下技术方案：
一种智能风力预测与调度方法，包括以下步骤：
S1、利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来时间内的风速和风向进行预测，得到风力预测结果；
S2、利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节和/或刹车控制，以最大化风机的输出功率和寿命；
S3、利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理和/或无功补偿，以最小化风电场对电网的影响和损耗。
具体的，步骤S1具体为：
S101、将风电场划分为若干个区域，并将每个区域的中心点作为一个像素点，将风电场转化为一个二维图像；然后将每个像素点的风速和风向作为像素点的颜色值，将每个时刻的风力状态转化为一个彩色图像；得到一系列的彩色图像，表示风电场在一段时间内的风力变化；
S102、将步骤S101得到的彩色图像作为深度神经网络模型的输入，经过若干层卷积层和池化层，提取出图像中的空间特征；然后，将空间特征作为长短期记忆网络的输入，经过若干层LSTM层提取出时序特征；最后，将时序特征作为全连接层的输入，经过若干层全连接层，得到输出层的输出；
S103、将输出层的输出转化为预测结果。
进一步的，步骤S102中，深度神经网络模型使用基于卷积神经网络和长短期记忆网络的混合模型ConvLSTM，混合模型ConvLSTM的输出是未来一段时间内每个像素点的颜色值，表示未来每个时刻每个小区域的预测风速和风向。
具体的，步骤S103中，将每个像素点的颜色值转化为对应小区域中心点的预测风速和风向，然后根据每台风机所在位置对应的小区域中心点，得到每台风机在未来一段时间内每个时刻的预测风速和风向。
具体的，步骤S2具体为：
S201、为每台风机分配一个智能体，智能体对应的强化学习模型具有演员网络和评论家网络；演员网络负责生成控制动作，评论家网络负责评估控制动作的价值；每个智能体用于观察到自己和其他智能体的状态信息；
S202、每个智能体根据自己的状态信息和其他智能体的状态信息，通过演员网络生成自己的控制动作，并发送给对应的风机；然后每个风机根据收到的控制动作调整桨距角、偏航角、刹车状态，改变输出功率；
S203、每个智能体根据自己和其他智能体的新状态信息，以及风电场的总体输出功率和电网的需求，通过评论家网络计算自己的奖励值，并作为反馈信号；然后每个智能体根据反馈信号，更新自己的演员网络和评论家网络的参数。
进一步的，步骤S201中，强化学习模型采用基于深度确定性策略梯度算法的强化学习模型Multi-Agent DDPG，用于实现多个智能体之间的协作和竞争。
具体的，步骤S3具体为：
S301、将风电场视为一个单一的智能体，智能体对应的强化学习模型具有一个行为网络和一个目标网络；
S302、智能体根据观察到的信息，通过行为网络生成一个调度动作并执行；
S303、智能体根据自己和电网之间的新功率差异，以及其他不确定性因素，通过目标网络计算奖励值并作为反馈信号；然后，智能体根据反馈信号更新自己的行为网络和目标网络的参数。
进一步的，步骤S301中，强化学习模型采用基于深度Q网络的强化学习模型DoubleDQN，强化学习模型Double DQN的输入是风电场的总体输出功率和电网的需求，以及风力预测误差、电网需求波动、市场价格变化，输出是风电场的调度动作，包括功率平滑、储能管理、无功补偿。
进一步的，步骤S302中，调度动作包括：
在进行功率平滑时，采用基于遗传算法的优化算法，根据风电场的输出功率和电网的需求，动态地调整风机的输出功率；
在进行储能管理时，采用基于粒子群算法的优化算法，根据风电场的输出功率和电网的需求，动态地调整储能装置的充放电状态；
在进行无功补偿时，采用基于蚁群算法的优化算法，根据风电场的输出功率和电网的需求，动态地调整无功补偿装置的无功输出。
第二方面，本发明实施例提供了一种智能风力预测与调度系统，包括：
风力预测模块，利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来时间内的风速和风向进行预测，得到风力预测结果；
风机控制模块，利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节和/或刹车控制，以最大化风机的输出功率和寿命；
风电场调度模块，利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理和/或无功补偿，以最小化风电场对电网的影响和损耗。
与现有技术相比，本发明至少具有以下有益效果：
一种智能风力预测与调度方法，利用深度神经网络模型、强化学习模型和优化算法，实现了对风电场的风力预测、风机控制和风电场调度的高效、准确和智能化，从而提高了风能利用率和电网稳定性。
采用基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合模型ConvLSTM，可以同时处理空间和时间维度的数据，从而有效地提取风力变化的时空特征，提高了预测结果的精度和可靠性。
采用基于深度确定性策略梯度算法(DDPG)的强化学习模型Multi-Agent DDPG，可以实现多个智能体(即风机)之间的协作和竞争，从而优化整个系统的性能，提高了风机的输出功率和寿命。
采用基于深度Q网络(DQN)的强化学习模型Double DQN，可以解决DQN中存在的过估计问题，从而提高调度方案的可靠性和经济性；此外，采用遗传算法(GA)、粒子群算法(PSO)和蚁群算法(ACO)等优化算法分别对功率平滑、储能管理和无功补偿等方面进行优化，从而减少风电场对电网的影响和损耗。
综上所述，本发明方法提高了风力预测准确性，能够平滑风电场功率输出，降低系统联网成本，增强风电市场竞争力，促进大规模风电接入电网，推动能源结构调整，保护生态环境。
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
图1为本发明方法的流程示意图；
图2为ConvLSTM模型的网络结构图；
图3为Multi-Agent DDPG模型的网络结构图；
图4为Double DQN模型的网络结构图；
图5为本发明一实施例提供的计算机设备的示意图；
图6为本发明根据一实施例提供的一种芯片的框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种智能风力预测与调度方法，利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来一段时间内的风速和风向进行预测，得到风力预测结果；利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节、刹车控制等控制动作，以最大化风机的输出功率和寿命；利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理、无功补偿等调度动作，以最小化风电场对电网的影响和损耗。本发明方法提高了风力预测与调度技术的性能和效果，提高了风能利用率和电网稳定性。
请参阅图1，本发明一种智能风力预测与调度方法，包括以下步骤：
S1、利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来一段时间内的风速和风向进行预测，得到风力预测结果；
气象数据包括温度、湿度、气压、降水等常规气象数据，并且还包括卫星遥感、雷达探测等更高精度的气象数据。
深度神经网络模型使用基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合模型，称为ConvLSTM，该模型可以同时处理空间和时间维度的数据，从而有效地提取风力变化的时空特征。ConvLSTM的输入是风电场的历史数据和气象数据，包括风速、风向、温度、湿度、气压、降水等常规气象数据，并且还包括卫星遥感、雷达探测等更高精度的气象数据。该模型的输出是未来一段时间内(例如未来24小时)的风速和风向预测结果。
请参阅图2，为ConvLSTM模型的网络结构图，该图说明了该模型的输入、输出和各层的功能。该模型的输入是风电场的历史数据和气象数据，转化为一系列的彩色图像序列，表示风电场在一段时间内的风力变化。该模型的输出是未来一段时间内的风速和风向预测结果，转化为一系列的彩色图像序列，表示未来每个时刻每个小区域的预测风速和风向。该模型包括输入层、卷积层、池化层、LSTM层、全连接层和输出层，每一层都有特定的功能和参数。
具体实施步骤如下：
S101、将风电场划分为若干个小区域(例如10×10个)，并将每个小区域的中心点作为一个像素点，从而将风电场转化为一个二维图像；然后，将每个像素点的风速和风向作为该像素点的颜色值，从而将每个时刻的风力状态转化为一个彩色图像；得到一系列的彩色图像，表示风电场在一段时间内(例如过去24小时)的风力变化；
S102、将这些彩色图像作为深度神经网络模型的输入，经过若干层卷积层和池化层，提取出图像中的空间特征；然后，将这些空间特征作为长短期记忆网络(LSTM)的输入，经过若干层LSTM层，提取出时序特征；最后，将这些时序特征作为全连接层的输入，经过若干层全连接层，得到输出层的输出。输出层的输出是未来一段时间内(例如未来24小时)每个像素点的颜色值，表示未来每个时刻每个小区域的预测风速和风向；
S103、将输出层的输出转化为预测结果。
具体地，将每个像素点的颜色值转化为对应小区域中心点的预测风速和风向，然后，根据每台风机所在位置对应的小区域中心点，得到每台风机在未来一段时间内(例如未来24小时)每个时刻的预测风速和风向。
S2、利用强化学习模型，根据步骤S1得到的风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节、刹车控制等控制动作，以最大化风机的输出功率和寿命；
强化学习模型是一种基于深度确定性策略梯度算法(DDPG)的强化学习模型，称为Multi-Agent DDPG，Multi-Agent DDPG实现多个智能体(即风机)之间的协作和竞争，从而优化整个系统的性能。
强化学习模型通过不断地与环境交互，学习最优的控制策略，并实时地更新策略参数。
请参阅图3，是Multi-Agent DDPG模型的网络结构图，该图说明了该模型的输入、输出和各网络的功能。Multi-Agent DDPG的输入是每台风机的状态信息，包括风速、风向、桨距角、偏航角、转速、输出功率等，以及风电场的总体输出功率和电网的需求。该模型的输出是每台风机的控制动作，包括桨距角调节、偏航角调节、刹车控制等。该模型包括演员网络和评论家网络，每个智能体(即风机)都有自己的演员网络和评论家网络。演员网络负责生成控制动作，评论家网络负责评估控制动作的价值。
具体实施步骤如下：
S201、为每台风机分配一个智能体，每个智能体都有自己的演员网络和评论家网络；演员网络负责生成控制动作，评论家网络负责评估控制动作的价值。每个智能体都可以观察到自己和其他智能体的状态信息，但只能控制自己的动作；
S202、每个智能体根据自己的状态信息和其他智能体的状态信息，通过演员网络生成自己的控制动作，并将其发送给对应的风机；然后，每个风机根据收到的控制动作，调整自己的桨距角、偏航角、刹车状态等参数，从而改变自己的输出功率；
S203、每个智能体根据自己和其他智能体的新状态信息，以及风电场的总体输出功率和电网的需求，通过评论家网络计算自己的奖励值，并将其作为反馈信号；然后，每个智能体根据反馈信号，更新自己的演员网络和评论家网络的参数，从而提高自己的学习能力和适应能力。
S3、利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理、无功补偿等调度动作，以最小化风电场对电网的影响和损耗。
强化学习模型是一种基于深度Q网络(DQN)的强化学习模型，称为Double DQN，Double DQN解决DQN中存在的过估计问题，从而提高调度方案的可靠性和经济性。DoubleDQN的输入是风电场的总体输出功率和电网的需求，以及风力预测误差、电网需求波动、市场价格变化等不确定性因素；Double DQN的输出是风电场的调度动作，包括功率平滑、储能管理、无功补偿等。
强化学习模型通过不断地观察电网的反馈信号，学习最优的调度策略，并及时地调整策略参数。
请参阅图4，为Double DQN模型的网络结构图，该图说明了该模型的输入、输出和各网络的功能。该模型的输入是风电场的总体输出功率和电网的需求，以及风力预测误差、电网需求波动、市场价格变化等不确定性因素。该模型的输出是风电场的调度动作，包括功率平滑、储能管理、无功补偿等。该模型包括行为网络和目标网络，行为网络负责生成调度动作，目标网络负责评估调度动作的价值。
具体实施步骤如下：
S301、将风电场视为一个单一的智能体，该智能体有一个行为网络和一个目标网络。行为网络负责生成调度动作，目标网络负责评估调度动作的价值。该智能体可以观察到风电场和电网之间的功率差异，以及其他不确定性因素。
S302、该智能体根据观察到的信息，通过行为网络生成一个调度动作，并将其执行。执行调度动作包括以下几个方面：
在进行功率平滑时，采用了一种基于遗传算法(GA)的优化算法，该算法根据风电场的输出功率和电网的需求，动态地调整风机的输出功率，使其尽可能地接近电网的需求，从而减少功率波动。
在进行储能管理时，采用了一种基于粒子群算法(PSO)的优化算法，该算法根据风电场的输出功率和电网的需求，动态地调整储能装置的充放电状态，使其尽可能地平衡风电场与电网之间的功率差异，从而提高储能效率。
在进行无功补偿时，采用了一种基于蚁群算法(ACO)的优化算法，该算法根据风电场的输出功率和电网的需求，动态地调整无功补偿装置的无功输出，使其尽可能地满足电网的无功需求，从而提高无功补偿效果。
S303、智能体根据自己和电网之间的新功率差异，以及其他不确定性因素，通过目标网络计算自己的奖励值，并将其作为反馈信号；然后，智能体根据反馈信号，更新自己的行为网络和目标网络的参数，从而提高自己的学习能力和适应能力。
本发明再一个实施例中，提供一种智能风力预测与调度系统，该系统能够用于实现上述智能风力预测与调度方法，具体的，该智能风力预测与调度系统包括风力预测模块、风机控制模块以及风电场调度模块。
其中，风力预测模块，利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来时间内的风速和风向进行预测，得到风力预测结果；
风机控制模块，利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节和/或刹车控制，以最大化风机的输出功率和寿命；
风电场调度模块，利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理和/或无功补偿，以最小化风电场对电网的影响和损耗。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于智能风力预测与调度方法的操作，包括：
利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来时间内的风速和风向进行预测，得到风力预测结果；利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节和/或刹车控制，以最大化风机的输出功率和寿命；利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理和/或无功补偿，以最小化风电场对电网的影响和损耗。
请参阅图5，终端设备为计算机设备，该实施例的计算机设备60包括：处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63，该计算机程序63被处理器61执行时实现实施例中的储层改造井筒中流体组成计算方法，为避免重复，此处不一一赘述。或者，该计算机程序63被处理器61执行时实现实施例智能风力预测与调度系统中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备60可包括，但不仅限于，处理器61、存储器62。本领域技术人员可以理解，图5仅仅是计算机设备60的示例，并不构成对计算机设备60的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器62可以是计算机设备60的内部存储单元，例如计算机设备60的硬盘或内存。存储器62也可以是计算机设备60的外部存储设备，例如计算机设备60上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
进一步地，存储器62还可以既包括计算机设备60的内部存储单元也包括外部存储设备。存储器62用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。
请参阅图6，终端设备为芯片，该实施例的芯片600包括处理器622，其数量可以为一个或多个，以及存储器632，用于存储可由处理器622执行的计算机程序。存储器632中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器622可以被配置为执行该计算机程序，以执行上述的智能风力预测与调度方法。
另外，芯片600还可以包括电源组件626和通信组件650，该电源组件626可以被配置为执行芯片600的电源管理，该通信组件650可以被配置为实现芯片600的通信，例如，有线或无线通信。此外，该芯片600还可以包括输入/输出(I/O)接口658。芯片600可以操作基于存储在存储器632的操作系统。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关智能风力预测与调度方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来时间内的风速和风向进行预测，得到风力预测结果；利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节和/或刹车控制，以最大化风机的输出功率和寿命；利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理和/或无功补偿，以最小化风电场对电网的影响和损耗。
综上所述，本发明一种智能风力预测与调度方法及系统，提高风力预测准确性，使用ConvLSTM深度学习模型进行风速风向预测，捕捉复杂变化的风力时空特征，预测结果更加准确可靠；增加风电利用效率；本发明通过风机智能协同控制，优化机组组合，最大限度地利用风资源，提高风电场发电效率。采用智能调度算法，有效平滑风电场功率波动,保证电网供电稳定性。风电功率变化越大，对电网的影响越严重,需要更高的系统联网成本；减少投入。直接增加风电的经济价值，增强风电在能源市场中的竞争力。本发明的应用为大规模风电场的稳定运行提供关键技术保障，促进风电大规模并网。推动风电产业发展壮大，有助于推进可再生能源在能源结构中的比重提升；推动风电规模化应用,直接减少化石能源的消耗,有利于生态环境保护。因此，本发明全面提升风电技术性能和经济效益，对风电产业发展具有重大意义。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random-Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等，需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种智能风力预测与调度方法，其特征在于，包括以下步骤：
S1、利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来时间内的风速和风向进行预测，得到风力预测结果；
S2、利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节和/或刹车控制，以最大化风机的输出功率和寿命；
S3、利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理和/或无功补偿，以最小化风电场对电网的影响和损耗。
2.根据权利要求1所述的智能风力预测与调度方法，其特征在于，步骤S1具体为：
S101、将风电场划分为若干个区域，并将每个区域的中心点作为一个像素点，将风电场转化为一个二维图像；然后将每个像素点的风速和风向作为像素点的颜色值，将每个时刻的风力状态转化为一个彩色图像；得到一系列的彩色图像，表示风电场在一段时间内的风力变化；
S102、将步骤S101得到的彩色图像作为深度神经网络模型的输入，经过若干层卷积层和池化层，提取出图像中的空间特征；然后，将空间特征作为长短期记忆网络的输入，经过若干层LSTM层提取出时序特征；最后，将时序特征作为全连接层的输入，经过若干层全连接层，得到输出层的输出；
S103、将输出层的输出转化为预测结果。
3.根据权利要求2所述的智能风力预测与调度方法，其特征在于，步骤S102中，深度神经网络模型使用基于卷积神经网络和长短期记忆网络的混合模型ConvLSTM，混合模型ConvLSTM的输出是未来一段时间内每个像素点的颜色值，表示未来每个时刻每个小区域的预测风速和风向。
4.根据权利要求1所述的智能风力预测与调度方法，其特征在于，步骤S103中，将每个像素点的颜色值转化为对应小区域中心点的预测风速和风向，然后根据每台风机所在位置对应的小区域中心点，得到每台风机在未来一段时间内每个时刻的预测风速和风向。
5.根据权利要求1所述的智能风力预测与调度方法，其特征在于，步骤S2具体为：
S201、为每台风机分配一个智能体，智能体对应的强化学习模型具有演员网络和评论家网络；演员网络负责生成控制动作，评论家网络负责评估控制动作的价值；每个智能体用于观察到自己和其他智能体的状态信息；
S202、每个智能体根据自己的状态信息和其他智能体的状态信息，通过演员网络生成自己的控制动作，并发送给对应的风机；然后每个风机根据收到的控制动作调整桨距角、偏航角、刹车状态，改变输出功率；
S203、每个智能体根据自己和其他智能体的新状态信息，以及风电场的总体输出功率和电网的需求，通过评论家网络计算自己的奖励值，并作为反馈信号；然后每个智能体根据反馈信号，更新自己的演员网络和评论家网络的参数。
6.根据权利要求5所述的智能风力预测与调度方法，其特征在于，步骤S201中，强化学习模型采用基于深度确定性策略梯度算法的强化学习模型Multi-Agent DDPG，用于实现多个智能体之间的协作和竞争。
7.根据权利要求1所述的智能风力预测与调度方法，其特征在于，步骤S3具体为：
S301、将风电场视为一个单一的智能体，智能体对应的强化学习模型具有一个行为网络和一个目标网络；
S302、智能体根据观察到的信息，通过行为网络生成一个调度动作并执行；
S303、智能体根据自己和电网之间的新功率差异，以及其他不确定性因素，通过目标网络计算奖励值并作为反馈信号；然后，智能体根据反馈信号更新自己的行为网络和目标网络的参数。
8.根据权利要求7所述的智能风力预测与调度方法，其特征在于，步骤S301中，强化学习模型采用基于深度Q网络的强化学习模型Double DQN，强化学习模型Double DQN的输入是风电场的总体输出功率和电网的需求，以及风力预测误差、电网需求波动、市场价格变化，输出是风电场的调度动作，包括功率平滑、储能管理、无功补偿。
9.根据权利要求7所述的智能风力预测与调度方法，其特征在于，步骤S302中，调度动作包括：
在进行功率平滑时，采用基于遗传算法的优化算法，根据风电场的输出功率和电网的需求，动态地调整风机的输出功率；
在进行储能管理时，采用基于粒子群算法的优化算法，根据风电场的输出功率和电网的需求，动态地调整储能装置的充放电状态；
在进行无功补偿时，采用基于蚁群算法的优化算法，根据风电场的输出功率和电网的需求，动态地调整无功补偿装置的无功输出。
10.一种智能风力预测与调度系统，其特征在于，包括：
风力预测模块，利用深度神经网络模型，结合风电场的历史数据和气象数据，对未来时间内的风速和风向进行预测，得到风力预测结果；
风机控制模块，利用强化学习模型，根据风力预测结果和风电场的实时状态，对每台风机进行智能控制，包括桨距角调节、偏航角调节和/或刹车控制，以最大化风机的输出功率和寿命；
风电场调度模块，利用强化学习模型，根据风电场的总体输出功率和电网的需求，对风电场进行智能调度，包括功率平滑、储能管理和/或无功补偿，以最小化风电场对电网的影响和损耗。
CN202311379584.3A 2023-10-23 2023-10-23 一种智能风力预测与调度方法及系统 Pending CN117424293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311379584.3A CN117424293A (zh) 2023-10-23 2023-10-23 一种智能风力预测与调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311379584.3A CN117424293A (zh) 2023-10-23 2023-10-23 一种智能风力预测与调度方法及系统

Publications (1)

Publication Number Publication Date
CN117424293A true CN117424293A (zh) 2024-01-19

Family

ID=89524225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311379584.3A Pending CN117424293A (zh) 2023-10-23 2023-10-23 一种智能风力预测与调度方法及系统

Country Status (1)

Country Link
CN (1) CN117424293A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117905638A (zh) * 2024-03-18 2024-04-19 安徽大学 基于强化学习的风力发电机优化控制方法及系统
CN118100326A (zh) * 2024-04-23 2024-05-28 江苏蔚风能源科技有限公司 基于数据驱动抑制风电场功率波动的有功功率控制方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117905638A (zh) * 2024-03-18 2024-04-19 安徽大学 基于强化学习的风力发电机优化控制方法及系统
CN117905638B (zh) * 2024-03-18 2024-05-31 安徽大学 基于强化学习的风力发电机优化控制方法及系统
CN118100326A (zh) * 2024-04-23 2024-05-28 江苏蔚风能源科技有限公司 基于数据驱动抑制风电场功率波动的有功功率控制方法

Similar Documents

Publication Publication Date Title
CN117424293A (zh) 一种智能风力预测与调度方法及系统
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
JP6292076B2 (ja) 時系列予測アンサンブル
US20160018125A1 (en) Energy management systems and methods of use
CN108429256B (zh) 电力系统运行优化方法及终端设备
CN103092316A (zh) 一种基于数据挖掘的服务器功耗管理系统
Hinojosa et al. Short-term hydrothermal generation scheduling solved with a mixed-binary evolutionary particle swarm optimizer
Li et al. Dynamic wind farm wake modeling based on a Bilateral Convolutional Neural Network and high-fidelity LES data
CN112766596A (zh) 建筑能耗预测模型的构建方法、能耗预测方法及装置
CN102509027A (zh) 一种基于交叉熵理论的风电功率组合预测方法
CN104037761A (zh) 一种agc功率多目标随机优化分配方法
CN113722889A (zh) 一种基于人工智能的能效在线分析系统及方法
CN113027674B (zh) 风力发电机组的控制方法及其装置
CN116677560A (zh) 一种风电机组偏航控制动态优化方法、系统、终端及介质
CN104554090A (zh) 一种用于电动汽车整车控制器的标定系统
CN113632132A (zh) 计算机辅助的能量管理方法和能量管理系统
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
CN115577913A (zh) 主动型负荷可调度潜力的计算方法、终端及存储介质
CN103873388A (zh) 一种网络内容控制方法和网络设备
CN115189863A (zh) 一种基于区块链网络架构电商交易信息管理系统
CN112821456B (zh) 基于迁移学习的分布式源-储-荷匹配方法及装置
Pan et al. A mixed integer linear programming method for dynamic economic dispatch with valve point effect
CN111552199B (zh) 基于bim的温度场监控方法、装置和设备
Sun et al. Collaborative operation optimization of distribution system and virtual power plants using multi‐agent deep reinforcement learning with parameter‐sharing mechanism
Samanta et al. Energy management in hybrid electric vehicles using optimized radial basis function neural network

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