CN117614018A - 一种风电集群协同智能化管理方法及系统 - Google Patents

一种风电集群协同智能化管理方法及系统 Download PDF

Info

Publication number
CN117614018A
CN117614018A CN202410097085.3A CN202410097085A CN117614018A CN 117614018 A CN117614018 A CN 117614018A CN 202410097085 A CN202410097085 A CN 202410097085A CN 117614018 A CN117614018 A CN 117614018A
Authority
CN
China
Prior art keywords
wind turbines
calculation
decomposition
wind
power
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
CN202410097085.3A
Other languages
English (en)
Other versions
CN117614018B (zh
Inventor
吕勇
蒋海涛
方颖
孙东峰
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.)
Hancheng Kesi Suzhou Information Technology Co ltd
Pujin Hard Technology Nantong Co ltd
Original Assignee
Hancheng Kesi Suzhou Information Technology Co ltd
Pujin Hard Technology Nantong 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 Hancheng Kesi Suzhou Information Technology Co ltd, Pujin Hard Technology Nantong Co ltd filed Critical Hancheng Kesi Suzhou Information Technology Co ltd
Priority to CN202410097085.3A priority Critical patent/CN117614018B/zh
Publication of CN117614018A publication Critical patent/CN117614018A/zh
Application granted granted Critical
Publication of CN117614018B publication Critical patent/CN117614018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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 
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • 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
    • 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
    • F05B2270/10—Purpose of the control system
    • F05B2270/111—Purpose of the control system to control two or more engines simultaneously
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Sustainable Development (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Sustainable Energy (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电集群协同智能化管理方法及系统，涉及数据处理技术领域，该方法包括：获取多个风电机组，将多个风电机组进行集群控制，得到风电集群控制模块；获取多个风电机组的算力指标；根据风电集群控制模块，获取预设算力融合指标；以预设算力融合指标为状态上限空间，将多个风电机组的算力指标输入有限空间分解模型；当有限空间分解模型收敛时得到N个分解结果；根据N个分解结果对多个风电机组进行分区协同管理。本发明解决了现有技术中风电集群协同管理时响应速度慢，进行协同管理时算力分配不均衡的技术问题，达到了提升风电集群协同管理效率，优化分区算力资源配置均衡性，提高管理稳定性的技术效果。

Description

一种风电集群协同智能化管理方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种风电集群协同智能化管理方法及系统。
背景技术
随着技术的不断发展，风电机组的集群管理成为研究的热点问题。目前，在对风电机组进行集群管理时，对监控风电机组的异常响应需要较长时间，且当同时有多个风电机组产生异常时，容易出现分析卡顿、错误报警等并发性故障，风电场机组运行的效率和安全性无法得到保障。现有技术存在着风电集群协同管理时响应速度慢，进行协同管理时算力分配不均衡的技术问题。
发明内容
本申请提供了一种风电集群协同智能化管理方法及系统，用于针对解决现有技术中风电集群协同管理时响应速度慢，进行协同管理时算力分配不均衡的技术问题。
鉴于上述问题，本申请提供了一种风电集群协同智能化管理方法及系统。
本申请的第一个方面，提供了一种风电集群协同智能化管理方法，所述方法包括：
获取多个风电机组，将所述多个风电机组进行集群控制，得到风电集群控制模块；
根据所述风电集群控制模块上传所述多个风电机组的机组运行数据，对所述多个风电机组的机组运行数据进行识别，获取所述多个风电机组的算力指标；
根据所述风电集群控制模块，获取预设算力融合指标；
以所述预设算力融合指标为状态上限空间，将所述多个风电机组的算力指标输入有限空间分解模型；
根据所述有限空间分解模型对所述多个风电机组进行识别，当所述有限空间分解模型收敛时得到N个分解结果，其中，所述有限空间分解模型收敛的条件为所述N个分解结果对应的N个算力融合指标之间的方差小于等于期望方差；
根据所述N个分解结果对所述多个风电机组进行分区协同管理。
本申请的第二个方面，提供了一种风电集群协同智能化管理系统，所述系统包括：
风电集群控制模块获得单元，用于获取多个风电机组，将所述多个风电机组进行集群控制，得到风电集群控制模块；
算力指标获取单元，用于根据所述风电集群控制模块上传所述多个风电机组的机组运行数据，对所述多个风电机组的机组运行数据进行识别，获取所述多个风电机组的算力指标；
算力融合指标获取单元，用于根据所述风电集群控制模块，获取预设算力融合指标；
算力指标输入单元，用于以所述预设算力融合指标为状态上限空间，将所述多个风电机组的算力指标输入有限空间分解模型；
分解结果获得单元，用于根据所述有限空间分解模型对所述多个风电机组进行识别，当所述有限空间分解模型收敛时得到N个分解结果，其中，所述有限空间分解模型收敛的条件为所述N个分解结果对应的N个算力融合指标之间的方差小于等于期望方差；
分区协同管理单元，用于根据所述N个分解结果对所述多个风电机组进行分区协同管理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过获取多个风电机组，将多个风电机组进行集群控制，得到风电集群控制模块，然后根据风电集群控制模块上传多个风电机组的机组运行数据，对多个风电机组的机组运行数据进行识别，获取多个风电机组的算力指标，进而根据风电集群控制模块，获取预设算力融合指标，以预设算力融合指标为状态上限空间，将多个风电机组的算力指标输入有限空间分解模型，然后根据有限空间分解模型对多个风电机组进行识别，当有限空间分解模型收敛时得到N个分解结果，其中，有限空间分解模型收敛的条件为N个分解结果对应的N个算力融合指标之间的方差小于等于期望方差，进而根据N个分解结果对多个风电机组进行分区协同管理。达到了提升风电集群协同管理效率，优化分区算力资源配置均衡性，提高管理稳定性的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种风电集群协同智能化管理方法流程示意图；
图2为本申请实施例提供的一种风电集群协同智能化管理方法中获取优化后的N个分解结果的流程示意图；
图3为本申请实施例提供的一种风电集群协同智能化管理系统结构示意图。
附图标记说明：风电集群控制模块获得单元11，算力指标获取单元12，算力融合指标获取单元13，算力指标输入单元14，分解结果获得单元15，分区协同管理单元16。
具体实施方式
本申请通过提供了一种风电集群协同智能化管理方法及系统，用于针对解决现有技术中风电集群协同管理时响应速度慢，进行协同管理时算力分配不均衡的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种风电集群协同智能化管理方法，其中，所述方法包括：
获取多个风电机组，将所述多个风电机组进行集群控制，得到风电集群控制模块；
在本申请的实施例中，获取目标区域内需要进行集群控制的多个风电机组，其中，风电机组为可再生能源利用设备，可以将风的动能转换为电能，包括风轮、发电机、塔架、控制系统等。通过目标区域内的通信网络将多个风电机组上安装的传感器集合和监控设备采集到的机组运行数据上传至风电集群控制模块中进行数据分析和监控，从而根据各个风电机组的实际运行情况，进行贴合实际的、可靠的集群控制。其中，所述风机集群控制模块用于对多个风电机组进行控制、监控和维护的功能模块，包括控制信号收发端口、处理器、控制器和存储等。通过所述风电集群控制模块，可以实现对多个风电机组进行高效、智能的集群控制的目标。
根据所述风电集群控制模块上传所述多个风电机组的机组运行数据，对所述多个风电机组的机组运行数据进行识别，获取所述多个风电机组的算力指标；
在一个实施例中，所述机组运行数据用于对风电机组的运行情况进行描述，包括风速、功率、发电量、温度、压力、振动、电能质量数据等。根据所述风电集群控制模块上传所述多个风电机组的机组运行数据，进行数据识别，确定对多个风电机组进行管理时所需要的算力情况，生成所述多个风电机组的算力指标。其中，算力指标用于对机组运行数据进行识别时所需要消耗的算力资源情况进行描述，包括数据量、数据识别复杂度、占用带宽等。通过识别获取多个风电机组的算力指标，掌握了进行风电集群协同智能化管理时需要消耗的算力情况，达到了对管理数据进行深入分析，提升管理可靠度的技术效果。
根据所述风电集群控制模块，获取预设算力融合指标；
进一步的，本申请实施例还包括：
根据所述多个风电机组的算力指标进行算力融合，得到算力融合指标；
对所述算力融合指标进行判断，若所述算力融合指标小于所述预设算力融合指标，将所述多个风电机组进行集成协同管理；
若所述算力融合指标大于等于所述预设算力融合指标，连接所述有限空间分解模型，根据所述有限空间分解模型对所述多个风电机组进行分区协同管理。
在一种可能的实施方式中，根据所述风电集群控制模块的处理器进行单核驱动时处理器的内存大小、I/O性能数据和网络带宽运行情况，确定所述预设算力融合指标。其中，所述预设算力融合指标是由本领域技术人员根据所述风电集群控制模块的配置情况设定的单核驱动时所能调用的算力资源。
在一种可能的实施方式中，通过将所述多个风电机组的算力指标进行叠加，获得所述算力融合指标。其中，所述算力融合指标反映了多个风电机组进行集群管理时所需要消耗的算力资源情况。优选的，将所述算力融合指标与预设算力融合指标进行大小判断，分析多个风电机组进行集成协同管理时所需要的算力资源与风电集群控制模块单核驱动时所能调用的算力资源匹配情况，若所述算力融合指标小于所述预设算力融合指标，表明所述风电集群控制模块可以通过调用一个处理器核心的算力资源对多个风电机组集成协同管理。若所述算力融合指标大于等于所述预设算力融合指标，表明对多个风电机组集群管理超出风电集群控制模块单核驱动时所能提供的算力资源，此时，通过连接所述有限空间分解模型，根据所述有限空间分解模型对所述多个风电机组进行分区协同管理。所述分区协同管理为调用风电集群控制模块的多个处理器核心时提供的算力资源对多个风电机组进行分区均衡管理。达到了根据多个风电机组的实际情况，确定对应的风电集群协同管理策略，提升风电集群管理可靠性和稳定性的技术效果。
以所述预设算力融合指标为状态上限空间，将所述多个风电机组的算力指标输入有限空间分解模型；
在一个可能的实施例中，将所述预设算力融合指标作为风电集群控制模块的每个处理器核心运行的状态上限空间，从而实现保证每个处理器核心稳定运行，对后续进行空间分解进行约束的目标。所述有限空间分解模型是根据所述多个风电机组的算力资源消耗情况进行风电集群控制模块进行多核驱动时的算力空间进行均衡分解的功能模型。通过将所述多个风电机组的算力指标输入所述有限空间分解模型中，为后续对多个风电机组进行分区协同管理做铺垫。
根据所述有限空间分解模型对所述多个风电机组进行识别，当所述有限空间分解模型收敛时得到N个分解结果，其中，所述有限空间分解模型收敛的条件为所述N个分解结果对应的N个算力融合指标之间的方差小于等于期望方差；
进一步的，根据所述有限空间分解模型对所述多个风电机组进行识别，本申请实施例还包括：
获取M个初始化区块，其中，M为大于等于1的正整数，M小于等于N；
根据所述多个风电机组的数量，得到所述M个初始化区块对应的分解策略组合；
对所述M个初始化区块对应的分解策略组合进行收敛的条件识别，若所述有限空间分解模型不收敛，进行下一轮次的有限空间分解寻优。
进一步的，对所述M个初始化区块对应的分解策略组合进行收敛的条件识别，本申请实施例还包括：
通过分析所述多个风电机组的算力指标大小得到前M个风电机组，以及剩余风电机组；
将所述前M个风电机组对应选取至所述M个初始化区块，随机将所述剩余风电机组分配至所述前M个风电机组，计算所述M个初始化区块对应的M个算力融合指标；
判断所述M个算力融合指标的方差是否小于所述期望方差，若所述M个算力融合指标的方差大于所述期望方差，进行下一轮次的有限空间分解寻优，以此类推，直至所述有限空间分解模型收敛。
进一步的，进行下一轮次的有限空间分解寻优包括：
获取所述M个初始化区块中的第一消解区块，其中，所述第一消解区块为算力融合指标最小的区块；
将所述第一消解区块从所述M个初始化区块中消解，得到M-1个区块，得到所述M-1个区块对应的分解策略组合；
对所述M-1个区块对应的分解策略组合进行收敛的条件识别，若所述有限空间分解模型不收敛，进行下一轮次的有限空间分解寻优。
在一个可能的实施例中，将所述多个风电机组的算力指标输入至所述有限空间分解模型后，对多个风电机组进行识别，当有限空间分解模型收敛时，获得N个分解结果。其中，每个分解结果中存储有寻优数量的风电机组。且，N个分解结果中存储的风电机组数量相加后等于多个风电机组的数量。所述有限空间分解模型收敛的条件为所述N个分解结果对应的N个算力融合指标之间的方差小于等于期望方差，所述期望方差为本领域技术人员设定的达到均衡状态时N个分解结果对应的N个算力融合指标之间的方差。也就是说，当有限空间分解模型收敛时，各个分解结果所需要消耗的算力资源处于均衡状态。
在一个可实施方式中，将所述风电集群控制模块的处理器均等划分为M个初始化区块，其中，M为大于等于1的正整数，M小于等于N。通过分析所述多个风电机组的算力指标大小得到前M个风电机组，以及多个风电机组中除前M个风电机组外的剩余风电机组。所述前M个风电机组中任意一个算力指标大于剩余风电机组。将所述前M个风电机组对应选取至所述M个初始化区块，随机将所述剩余风电机组分配至所述前M个风电机组，可选的，M个风电机组中被分配的剩余风电机组数量可以不一致。由此，实现了根据所述多个风电机组的数量，获得所述M个初始化区块对应的分解策略组合的目标。其中，M个初始化区块对应的分解策略组合为多个风电机组在M个初始化区块中的排列组合。进而，分别计算所述M个初始化区块中多个算力指标之和，获得M个算力融合指标。判断所述M个算力融合指标的方差是否小于所述期望方差，若所述M个算力融合指标的方差大于所述期望方差，表明M个初始化区块对应的分解策略组合不能达到收敛，此时，进行下一轮次的有限空间分解寻优，以此类推，直至所述有限空间分解模型收敛。
在一个实施例中，当不能达到收敛时，比较M个初始化区块的M个算力融合指标大小，获取所述M个初始化区块中的第一消解区块，其中，所述第一消解区块为算力融合指标最小的区块。将所述第一消解区块从所述M个初始化区块中消解，从而将算力资源消耗最少的初始化区块进行消除，得到M-1个区块。实现提升有限空间分解模型收敛效率的目标。进而，将第一消解区块中的风电机组随机分配到M-1个区块中，得到所述M-1个区块对应的分解策略组合。其中，所述M-1个区块对应的分解策略组合为多个风电机组在M-1个区块中的排列组合。然后，对所述M-1个区块对应的分解策略组合进行收敛的条件识别，若所述有限空间分解模型不收敛，进行下一轮次的有限空间分解寻优。
根据所述N个分解结果对所述多个风电机组进行分区协同管理。
进一步的，如图2所示，本申请实施例还包括：
通过对所述多个风电机组进行算力变化识别，获取所述多个风电机组的算力变异概率；
将所述多个风电机组的算力变异概率输入所述有限空间分解模型中对所述N个分解结果进行优化，当所述有限空间分解模型收敛获取优化后的N个分解结果，每个分解结果中存储有寻优数量的风电机组。
进一步的，根据所述N个分解结果对所述多个风电机组进行分区协同管理，本申请实施例还包括：
根据所述N个分解结果，确定N个管理区块，所述N个管理区块对应有N个边缘节点服务器；
将所述N个边缘节点服务器与所述风电集群控制模块通信连接，每个边缘节点服务器用于对所属管理区块内风电机组进行边缘协同决策管理。
在一个可能的实施例中，根据所述N个分解结果中存储的风电机组对多个风电机组进行分区协同管理，也就是说，根据多个风电机组在N个分解结果中存储位置，利用对应的N个管理区块进行协同管理。由此，达到了提升风电集群协同管理稳定性、均衡性，提高管理智能化的技术效果。
在一个实施例中，分别利用风电集群控制模块上传历史时间内多个风电机组的多个算力指标序列，其中，每个算力指标序列反映了在历史时间内多个风电机组所需要的算力变化情况。通过对多个算力指标序列进行均值计算，获得多个算力指标均值，基于多个算力指标序列和多个算力指标均值计算标准差，获得多个算力指标标准差。分别统计所述多个算力指标序列中算力指标在多个算力指标均值的正负一倍标准差范围内的多个正常算力指标数量，然后用多个算力指标序列中的多个算力指标总数减去所述多个正常算力指标数量，获得多个异常算力指标数量。分别计算多个异常算力指标数量比上多个算力指标总数的比值，获得多个风电机组的算力变异概率。算力变异概率越大，表明风电机组出现异常算力指标的可能性越大。由此，实现了对多个风电机组的算力指标稳定性进行分析，提升协同管理准确性的目标。
在一个实施例中，获得所述多个风电机组的算力变异概率后，获取多个风电机组发生算力变异时的多个最大算力指标，进而，将多个风电机组的算力变异概率和多个风电机组的多个最大算力指标输入所述有限空间分解模型中，考虑当多个风电机组都发生算力变异时的极限情况，对N个分解结果进行优化。从N个分解结果中获取一个分解结果作为第一分解结果，第一分解结果F1内有/>个风电机组，/>为第一分解结果内风电机组的总数，设第/>个风电机组发生算力变异概率为/>，其中，/>，设第/>个风电机组发生算力变异时的最大算力指标为/>，则当多个风电机组都发生算力变异时的极限情况时，第一分解结果/>内/>个风电机组的算力融合指标为/>，则。则基于同样的原理，计算当多个风电机组都发生算力变异时的极限情况，N个分解结果对应的N个算力融合指标分别为。进而，将多个风电机组都发生算力变异时的N个分解结果以及N个分解结果对应的N个算力融合指标输入有限空间分解模型中，根据有限空间分解模型收敛时的分解结果，对N个分解结果进行优化更新，获取优化后的N个分解结果，每个分解结果中存储有寻优数量的风电机组。达到了考虑风电机组发生算力变异情况，提高分区协同管理的管理能力和准确度的技术效果。
在本申请的实施例中，根据所述N个分解结果，确定风电集群控制模块中对N个分解结果中存储的风电机组进行分区协同管理的N个管理区块，所述N个管理区块对应有N个边缘节点服务器。其中，所述N个边缘节点服务器用于对所属管理区块内风电机组进行边缘协同决策管理。并将所述N个边缘节点服务器与所述风电集群控制模块通信连接，从而将N个边缘节点服务器处理的数据传输至所述风电集群控制模块中的N个管理区块内。由此，达到了减轻网络带宽压力，提高数据响应速度的技术效果。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过获取多个风电机组，将多个风电机组进行集群控制，得到风电集群控制模块，然后获取多个风电机组的算力指标，实现了为后续进行协同管理提供依据的目标，根据风电集群控制模块，获取预设算力融合指标，然后以预设算力融合指标为状态上限空间，将多个风电机组的算力指标输入有限空间分解模型，进而当有限空间分解模型收敛时得到N个分解结果，然后根据N个分解结果对多个风电机组进行分区协同管理。达到了提升风电集群协同管理效率，优化分区算力资源配置均衡性，提高管理响应速度的技术效果。
实施例二
基于与前述实施例中一种风电集群协同智能化管理方法相同的发明构思，如图3所示，本申请提供了一种风电集群协同智能化管理系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
风电集群控制模块获得单元11，用于获取多个风电机组，将所述多个风电机组进行集群控制，得到风电集群控制模块；
算力指标获取单元12，用于根据所述风电集群控制模块上传所述多个风电机组的机组运行数据，对所述多个风电机组的机组运行数据进行识别，获取所述多个风电机组的算力指标；
算力融合指标获取单元13，用于根据所述风电集群控制模块，获取预设算力融合指标；
算力指标输入单元14，用于以所述预设算力融合指标为状态上限空间，将所述多个风电机组的算力指标输入有限空间分解模型；
分解结果获得单元15，用于根据所述有限空间分解模型对所述多个风电机组进行识别，当所述有限空间分解模型收敛时得到N个分解结果，其中，所述有限空间分解模型收敛的条件为所述N个分解结果对应的N个算力融合指标之间的方差小于等于期望方差；
分区协同管理单元16，用于根据所述N个分解结果对所述多个风电机组进行分区协同管理。
进一步的，所述系统还包括：
根据所述多个风电机组的算力指标进行算力融合，得到算力融合指标；
对所述算力融合指标进行判断，若所述算力融合指标小于所述预设算力融合指标，将所述多个风电机组进行集成协同管理；
若所述算力融合指标大于等于所述预设算力融合指标，连接所述有限空间分解模型，根据所述有限空间分解模型对所述多个风电机组进行分区协同管理。
进一步的，所述系统还包括：
获取M个初始化区块，其中，M为大于等于1的正整数，M小于等于N；
根据所述多个风电机组的数量，得到所述M个初始化区块对应的分解策略组合；
对所述M个初始化区块对应的分解策略组合进行收敛的条件识别，若所述有限空间分解模型不收敛，进行下一轮次的有限空间分解寻优。
进一步的，所述系统还包括：
通过分析所述多个风电机组的算力指标大小得到前M个风电机组，以及剩余风电机组；
将所述前M个风电机组对应选取至所述M个初始化区块，随机将所述剩余风电机组分配至所述前M个风电机组，计算所述M个初始化区块对应的M个算力融合指标；
判断所述M个算力融合指标的方差是否小于所述期望方差，若所述M个算力融合指标的方差大于所述期望方差，进行下一轮次的有限空间分解寻优，以此类推，直至所述有限空间分解模型收敛。
进一步的，所述系统还包括：
获取所述M个初始化区块中的第一消解区块，其中，所述第一消解区块为算力融合指标最小的区块；
将所述第一消解区块从所述M个初始化区块中消解，得到M-1个区块，得到所述M-1个区块对应的分解策略组合；
对所述M-1个区块对应的分解策略组合进行收敛的条件识别，若所述有限空间分解模型不收敛，进行下一轮次的有限空间分解寻优。
进一步的，所述系统还包括：
通过对所述多个风电机组进行算力变化识别，获取所述多个风电机组的算力变异概率；
将所述多个风电机组的算力变异概率输入所述有限空间分解模型中对所述N个分解结果进行优化，当所述有限空间分解模型收敛获取优化后的N个分解结果，每个分解结果中存储有寻优数量的风电机组。
进一步的，所述系统还包括：
根据所述N个分解结果，确定N个管理区块，所述N个管理区块对应有N个边缘节点服务器；
将所述N个边缘节点服务器与所述风电集群控制模块通信连接，每个边缘节点服务器用于对所属管理区块内风电机组进行边缘协同决策管理。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种风电集群协同智能化管理方法，其特征在于，所述方法包括：
获取多个风电机组，将所述多个风电机组进行集群控制，得到风电集群控制模块；
根据所述风电集群控制模块上传所述多个风电机组的机组运行数据，对所述多个风电机组的机组运行数据进行识别，获取所述多个风电机组的算力指标；
根据所述风电集群控制模块，获取预设算力融合指标；
以所述预设算力融合指标为状态上限空间，将所述多个风电机组的算力指标输入有限空间分解模型；
根据所述有限空间分解模型对所述多个风电机组进行识别，当所述有限空间分解模型收敛时得到N个分解结果，其中，所述有限空间分解模型收敛的条件为所述N个分解结果对应的N个算力融合指标之间的方差小于等于期望方差；
根据所述N个分解结果对所述多个风电机组进行分区协同管理。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述多个风电机组的算力指标进行算力融合，得到算力融合指标；
对所述算力融合指标进行判断，若所述算力融合指标小于所述预设算力融合指标，将所述多个风电机组进行集成协同管理；
若所述算力融合指标大于等于所述预设算力融合指标，连接所述有限空间分解模型，根据所述有限空间分解模型对所述多个风电机组进行分区协同管理。
3.如权利要求1所述的方法，其特征在于，根据所述有限空间分解模型对所述多个风电机组进行识别，方法包括：
获取M个初始化区块，其中，M为大于等于1的正整数，M小于等于N；
根据所述多个风电机组的数量，得到所述M个初始化区块对应的分解策略组合；
对所述M个初始化区块对应的分解策略组合进行收敛的条件识别，若所述有限空间分解模型不收敛，进行下一轮次的有限空间分解寻优。
4.如权利要求3所述的方法，其特征在于，对所述M个初始化区块对应的分解策略组合进行收敛的条件识别，方法还包括：
通过分析所述多个风电机组的算力指标大小得到前M个风电机组，以及剩余风电机组；
将所述前M个风电机组对应选取至所述M个初始化区块，随机将所述剩余风电机组分配至所述前M个风电机组，计算所述M个初始化区块对应的M个算力融合指标；
判断所述M个算力融合指标的方差是否小于所述期望方差，若所述M个算力融合指标的方差大于所述期望方差，进行下一轮次的有限空间分解寻优，以此类推，直至所述有限空间分解模型收敛。
5.如权利要求3所述的方法，其特征在于，进行下一轮次的有限空间分解寻优包括：
获取所述M个初始化区块中的第一消解区块，其中，所述第一消解区块为算力融合指标最小的区块；
将所述第一消解区块从所述M个初始化区块中消解，得到M-1个区块，得到所述M-1个区块对应的分解策略组合；
对所述M-1个区块对应的分解策略组合进行收敛的条件识别，若所述有限空间分解模型不收敛，进行下一轮次的有限空间分解寻优。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过对所述多个风电机组进行算力变化识别，获取所述多个风电机组的算力变异概率；
将所述多个风电机组的算力变异概率输入所述有限空间分解模型中对所述N个分解结果进行优化，当所述有限空间分解模型收敛获取优化后的N个分解结果，每个分解结果中存储有寻优数量的风电机组。
7.如权利要求1所述的方法，其特征在于，根据所述N个分解结果对所述多个风电机组进行分区协同管理，方法包括：
根据所述N个分解结果，确定N个管理区块，所述N个管理区块对应有N个边缘节点服务器；
将所述N个边缘节点服务器与所述风电集群控制模块通信连接，每个边缘节点服务器用于对所属管理区块内风电机组进行边缘协同决策管理。
8.一种风电集群协同智能化管理系统，其特征在于，所述系统包括：
风电集群控制模块获得单元，用于获取多个风电机组，将所述多个风电机组进行集群控制，得到风电集群控制模块；
算力指标获取单元，用于根据所述风电集群控制模块上传所述多个风电机组的机组运行数据，对所述多个风电机组的机组运行数据进行识别，获取所述多个风电机组的算力指标；
算力融合指标获取单元，用于根据所述风电集群控制模块，获取预设算力融合指标；
算力指标输入单元，用于以所述预设算力融合指标为状态上限空间，将所述多个风电机组的算力指标输入有限空间分解模型；
分解结果获得单元，用于根据所述有限空间分解模型对所述多个风电机组进行识别，当所述有限空间分解模型收敛时得到N个分解结果，其中，所述有限空间分解模型收敛的条件为所述N个分解结果对应的N个算力融合指标之间的方差小于等于期望方差；
分区协同管理单元，用于根据所述N个分解结果对所述多个风电机组进行分区协同管理。
CN202410097085.3A 2024-01-24 2024-01-24 一种风电集群协同智能化管理方法及系统 Active CN117614018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410097085.3A CN117614018B (zh) 2024-01-24 2024-01-24 一种风电集群协同智能化管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410097085.3A CN117614018B (zh) 2024-01-24 2024-01-24 一种风电集群协同智能化管理方法及系统

Publications (2)

Publication Number Publication Date
CN117614018A true CN117614018A (zh) 2024-02-27
CN117614018B CN117614018B (zh) 2024-04-16

Family

ID=89948373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410097085.3A Active CN117614018B (zh) 2024-01-24 2024-01-24 一种风电集群协同智能化管理方法及系统

Country Status (1)

Country Link
CN (1) CN117614018B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417612A (zh) * 2020-10-15 2021-02-26 浙江工业大学 风电齿轮箱退化状态跟踪与失效聚集风险评估方法
CN115577864A (zh) * 2022-12-07 2023-01-06 国网浙江省电力有限公司金华供电公司 基于多模型组合运算的配网运行优化调度方法
CN115750228A (zh) * 2022-10-28 2023-03-07 燕山大学 一种风电机组变桨系统故障预警方法
CN116384825A (zh) * 2023-04-04 2023-07-04 杭州电力设备制造有限公司 考虑数据中心负载灵活性的电力系统运行可靠性评估方法
WO2023207295A1 (zh) * 2022-04-29 2023-11-02 华为技术有限公司 数据处理方法、数据处理单元、系统及相关设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417612A (zh) * 2020-10-15 2021-02-26 浙江工业大学 风电齿轮箱退化状态跟踪与失效聚集风险评估方法
WO2023207295A1 (zh) * 2022-04-29 2023-11-02 华为技术有限公司 数据处理方法、数据处理单元、系统及相关设备
CN115750228A (zh) * 2022-10-28 2023-03-07 燕山大学 一种风电机组变桨系统故障预警方法
CN115577864A (zh) * 2022-12-07 2023-01-06 国网浙江省电力有限公司金华供电公司 基于多模型组合运算的配网运行优化调度方法
CN116384825A (zh) * 2023-04-04 2023-07-04 杭州电力设备制造有限公司 考虑数据中心负载灵活性的电力系统运行可靠性评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹畅;张帅;刘莹;唐雄燕;: "基于通信云和承载网协同的算力网络编排技术", 电信科学, no. 07, 10 July 2020 (2020-07-10), pages 55 - 62 *

Also Published As

Publication number Publication date
CN117614018B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN112186766B (zh) 一种基于Benders分解的多阶段分解方法
Bahrami et al. Security-constrained unit commitment for AC-DC grids with generation and load uncertainty
Mohammadi et al. Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages
US11293404B2 (en) Model predictive control in local systems
CN115459360A (zh) 一种基于风力发电功率品质的备用容量配置方法及系统
CN115204698A (zh) 一种低压台区供电稳定性的实时分析方法
CN117614018B (zh) 一种风电集群协同智能化管理方法及系统
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN108107791A (zh) 风电场控制装置、方法和系统
CN113824161B (zh) 一种DoS攻击下的交直流微电网集群系统控制方法
CN116109058A (zh) 一种基于深度强化学习的变电站巡视管理方法和装置
CN115940148A (zh) 最小惯量需求评估方法、装置、电子设备及存储介质
CN113570473B (zh) 设备故障监测方法、装置、计算机设备和存储介质
CN115441440A (zh) 一种基于分布式新能源聚合的配电网弹性提升方法及系统
CN114649826A (zh) 一种考虑风电场的黑启动分区方法及系统
CN110889541A (zh) 一种电力系统风险调度决策方法及装置
CN115566738B (zh) 一种风电机组自优化的场群控制方法及装置
CN116780590A (zh) 一种电网多时序断面构建方法、装置、存储介质及设备
CN115241878B (zh) 一种考虑风电备用可靠性的备用优化方法及系统
CN111817307B (zh) 用电负荷投切控制方法、装置、计算机设备和存储介质
CN112598173B (zh) 云平台下储能系统的时间序列数据的自组织学习建模方法
CN115459366B (zh) 电力系统中机组的控制方法、存储介质以及电子设备
CN113972659B (zh) 一种考虑随机潮流的储能配置方法及系统
CN116361705A (zh) 发电机组的异常数据识别方法及装置、电子设备
CN116780666A (zh) 一种基于需求侧响应的无功调度方法及装置

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