CN117744875A - 一种新能源振荡监测子站选址方法、系统、设备及储存介质 - Google Patents
一种新能源振荡监测子站选址方法、系统、设备及储存介质 Download PDFInfo
- Publication number
- CN117744875A CN117744875A CN202311780382.XA CN202311780382A CN117744875A CN 117744875 A CN117744875 A CN 117744875A CN 202311780382 A CN202311780382 A CN 202311780382A CN 117744875 A CN117744875 A CN 117744875A
- Authority
- CN
- China
- Prior art keywords
- evaluation result
- data
- monitoring substation
- site selection
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 86
- 230000010355 oscillation Effects 0.000 title claims abstract description 59
- 238000010187 selection method Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 162
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 48
- 238000007781 pre-processing Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012854 evaluation process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种新能源振荡监测子站选址方法、系统、设备及储存介质,首先采集监测子站候选址的多维数据,接着对多维数据进行预处理并得到预处理数据,随后基于预处理数据建立智能选址模型,然后将预处理数据输入智能选址模型并得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业;本发明实现了具有对新能源振荡监测子站进行智能化的快速选址功能,且该选址方法结合了多维数据融合技术和深度学习算法,不仅提高选址的准确性和效率,还具有自适应性,且能够根据实时数据自动调整,确保长期的选址效果,该评测方法还可以广泛应用于其他工程项目的选址,具有广泛的应用前景,适合被广泛推广和使用。
Description
技术领域
本发明涉及新能源振荡监测子站选址技术领域,具体涉及一种新能源振荡监测子站选址方法、系统、设备及储存介质。
背景技术
新能源场站通常是指使用风能、太阳能、生物质能和地热能等可再生能源构建的大型发电场站;这些场站是为了减少对化石燃料的依赖、减少温室气体排放及满足日益增长的电力需求而建设的;在新能源场站的选址过程中,需要考虑多种因素,以确保场站的经济性、可行性和效率。
特别是大规模的风电和光伏场站,对电网的稳定性提出了新的挑战。由于这些新能源场站的功率输出与风速、太阳辐射等自然条件紧密相关,它们可能会引起电网中的功率振荡。对此种振荡进行有效监控是维持电网稳定运行的关键。风电并网强度通常指的是风电装机容量或输出功率与整个电网或特定区域内的总装机容量或负荷的比例。它反映了风电在整个电力系统中所占的比重或影响力。风电并网强度是评测风电对电网稳定性、电压质量和调度策略影响的一个关键参数。
目前,在进行新能源振荡监测子站选址时大多需要进行环境影响评测从而确定场站建设和运营对当地环境和生态的影响;除了技术和环境因素外,还要考虑经济因素,如土地成本、基础设施建设成本、维护成本等;由于电力的传输和分配,选址时还需评测场地与电网的连接便利性以及其他基础设施如道路和水资源的可用性;新能源振荡监测子站的选址是一个复杂的过程,涉及多个学科和领域的专业知识,需要综合考虑技术、经济、环境和社会因素从而确保项目的成功和可持续性;因此,需要设计一种新能源振荡监测子站选址方法、系统、设备及储存介质。
发明内容
本发明的目的是克服现有技术的不足,为更好的有效解决在新能源振荡监测子站选址时存在的问题,提供了一种新能源振荡监测子站选址方法、系统、设备及储存介质,其具有对新能源振荡监测子站进行智能化的快速选址功能,且该选址方法结合了多维数据融合技术和深度学习算法,不仅提高选址的准确性和效率,还具有自适应性,且能够根据实时数据自动调整,确保长期的选址效果,该评测方法还可以广泛应用于其他工程项目的选址,具有广泛的应用前景。
为了达到上述目的,本发明所采用的技术方案是:
一种新能源振荡监测子站选址方法、系统、设备及储存介质,包括以下步骤,
步骤(A),采集监测子站候选址的多维数据;
步骤(B),对多维数据进行预处理,得到预处理数据;
步骤(C),基于预处理数据建立智能选址模型;
步骤(D),将预处理数据输入智能选址模型,得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业。
前述的一种新能源振荡监测子站选址方法,步骤(A),采集监测子站候选址的多维数据,其中监测子站候选址的多维数据包含必要指标和非必要指标,所述必要指标包括容量规划指标和自然灾害指标,所述非必要指标包括风电并网强度指标、地形地貌指标、电源供应指标和振荡传播路径指标。
前述的一种新能源振荡监测子站选址方法,步骤(B),对多维数据进行预处理,得到预处理数据,其中预处理包括数据清洗和归一化处理,所述数据清洗具体是采用线性差值法处理缺失值和删除异常值及重复值,所述归一化处理如公式(1)所示,
其中,Z表示Z-分数,X表示单个数据点,μ表示数据集的均值,σ表示数据集的标准差。
前述的一种新能源振荡监测子站选址方法,步骤(C),基于预处理数据建立智能选址模型,具体步骤如下,
步骤(C1),构建隐藏层并对每两个隐藏层后加入一个残差链接,再引入注意力权重矩阵,具体如公式(2)所示,
hl=hl-2+f[Al·(Wl-1·hl-1+bl-1)],
其中,hl表示第l个隐藏层,f表示ReLU激活函数,Wl-1表示第l-1个隐藏层的权重,hl-1表示第l-1个隐藏层的偏置,y表示输出评测结果,i表示神经元个数,n表示神经元总数,ωi表示第i个神经元到输出层的权重,hi表示最后一个隐藏层中第i个神经元的输出值;
步骤(C2),构建损失函数,其中损失函数具体是使用均方误差与L2正则化,如公式(3)所示,
其中,M表示损失函数,m表示数据总量,k表示第k个数据,表示真实评测结果,λ表示正则化强度,/>表示上一个隐藏层中第i个神经元到当前层中第j个神经元的权重。
前述的一种新能源振荡监测子站选址方法,步骤(D),将预处理数据输入智能选址模型,得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业,具体步骤如下,
步骤(D1),根据预处理数据判断监测子站位置是否必须要在较高风电并网强度的地点进行选址,若判断结果为是,则增加新的非必要指标,若判断结果为否,则继续下一步;
步骤(D2),获得适宜性总评测结果,其中适宜性总评测结果是将必要性指标评测结果与非必要指标评测结果相乘获得,所述必要性指标评测结果包括容量规划评测结果和自然灾害评测结果;
步骤(D3),动态调整适宜性总评测结果。
前述的一种新能源振荡监测子站选址方法,步骤(D1)中增加新的非必要指标具体步骤如下,
步骤(D11),计算监测子站候选址位置与重要结点交叉口的距离,如公式(4)所示,
Sd=exp(-α×d) (4)
其中,Sd表示距离评测结果,α表示控制距离评测结果影响程度的系数,d表示候选址到重要结点交叉口的距离;
步骤(D12),根据历史数据评测候选址地点的风电稳定性及交通与通讯情况,如公式(5)所示,
其中,Ss表示风电稳定性评测结果,μ表示平均风速,σ表示风速的方差,β表示平滑系数,St表示交通与通讯评测结果,ωr道路权重,Qr表示道路质量,ωc通讯网络权重,Qc表示通讯网络质量;
步骤(D13),对新的非必要指标分别设置最低阀值,并将距离评测结果Sd、风电稳定性评测结果Ss和交通与通讯评测结果St分别与设置的最低阀值进行比较,具体步骤如下,
步骤(D131),将距离评测结果Sd与设置的最低阀值进行比较,具体步骤如下,
步骤(D1311),若距离评测结果Sd小于阀值,计算候选址到多个相邻关键点的拓扑链接度Td;
步骤(D1312),若拓扑链接度Td仍小于阀值,则判定候选址不符合在高风电并网强度选址的最低要求,且距离评测结果Sd为0;若拓扑链接度Td大于阀值,则使用拓扑链接度Td代替Sd计算适宜性总评测结果;
步骤(D132),将风电稳定性评测结果Ss与设置的最低阀值进行比较,具体步骤如下,
步骤(D1321),若风电稳定性评测结果Ss小于阀值,则引入能量储存设备缓解风电出力波动,并重新计算风电稳定性评测结果Ss;
步骤(D1322),若重新计算的风电稳定性评测结果Ss仍小于阀值,则判定候选址不符合在高风电并网强度选址的最低要求,且风电稳定性评测结果Ss为0;若重新计算的风电稳定性评测结果Ss大于阀值,则使用重新计算的风电稳定性评测结果Ss计算适宜性总评测结果,并告知相关人员引入的能量储存设备规格参数;
步骤(D133),将交通与通讯评测结果St和设置的最低阀值进行比较,具体步骤如下,
步骤(D1331),若交通与通讯评测结果St小于阀值,则判断候选址地点是否能改善交通和引入紧急卫星通讯;
步骤(D1332),若交通与通讯情况无法改善,或改善后重新计算的交通与通讯评测结果St仍小于阈值,则判定候选址不符合在高风电并网强度选址的最低要求,且交通与通讯评测结果St为0;若改善后重新计算的交通与通讯评测结果St大于阈值,则使用重新计算的交通与通讯评测结果St计算适宜性总评测结果,并告知相关人员改善方案及成本。
前述的一种新能源振荡监测子站选址方法,步骤(D2)中容量规划评测结果和自然灾害评测结果具体评测过程如下,
步骤(D21),构建容量规划评测过程,具体为若选址方案的技术和功能容量能满足数据分析要求,则计1分;若选址方案的技术和功能容量不能满足数据分析要求,则计0分;
步骤(D22),构建自然灾害评测过程,具体为若选址方案没有位于自然灾害频发区域,则计1分;若选址方案位于自然灾害频发区域,则计0分;
步骤(D3)中动态调整的具体过程是对电网、气象关键参数进行实时监测并获取当前状态信息,再与候选址条件做对比,动态调整候选址的适宜性总评测结果,具体步骤如下,
步骤(D31),若检测到监测子站候选址的多维数据发生重大变化,则利用智能选址模型针对新的条件重新评测候选址的适宜性总评测结果;
步骤(D32),若检测到监测子站候选址的多维数据发生的变化影响了非必要指标,则将对应非必要指标的权重做出相应调整。
一种新能源振荡监测子站选址系统,包括采集模块、预处理模块、模型建立模块和选址评测输出单元,所述采集模块用于采集监测子站候选址的多维数据;所述预处理模块用于对多维数据进行预处理并得到预处理数据;所述模型建立模块用于基于预处理数据建立智能选址模型;所述选址评测输出单元用于将预处理数据输入智能选址模型,并得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业;
所述选址评测输出单元包含非必要指标增加模块、适宜性总评测结果获得模块和动态调整模块,所述非必要指标增加模块用于根据预处理数据判断监测子站位置是否必须要在较高风电并网强度的地点进行选址,所述适宜性总评测结果获得模块用于获得适宜性总评测结果,所述动态调整模块用于动态调整适宜性总评测结果。
一种电子设备,所述电子设备包括至少一个处理器,以及与所述处理器数据通信连接的存储器,所述存储器存储有能被处理器执行的计算机程序,所述计算机程序能执行本发明所述新能源振荡监测子站选址方法。
一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机指令,所述计算机指令用于在处理器执行时实现本发明所述新能源振荡监测子站选址方法。
本发明的有益效果是:本发明的一种新能源振荡监测子站选址方法、系统、设备及储存介质,首先通过数据清洗和归一化等预处理步骤能够确保输入到模型中的数据是高质量的,从而提高模型的准确性和鲁棒性,使智能选址模型输出的评测结果更加精确,同时能够根据实时的电网和气象条件动态调整指标权重,使得选址评测结果更加与时俱进,能够适应复杂多变的外部环境,接着通过收集多维数据评测候选址的适宜性,不仅考虑了容量规划和自然灾害这类必要指标,还结合非必要但重要的指标如地形地貌、与其他场站的链接和电源供应,这种全面性的考量能够更准确地评测站点的实际适用性,随后通过在高风电并网强度地区选址时增加新的相关评价指标,使模型可以选择更合适的地点建立监测子站,降低了可能出现的风险;有效的实现了该选址方法具有对新能源振荡监测子站进行智能化的快速选址功能,且该选址方法结合了多维数据融合技术和深度学习算法,不仅提高选址的准确性和效率,还具有自适应性,且能够根据实时数据自动调整,确保长期的选址效果,该评测方法还可以广泛应用于其他工程项目的选址,具有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案,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它的附图。其中:
图1是本发明的一种新能源振荡监测子站选址方法、系统、设备及储存介质的流程图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
如图1所示,本发明的一种新能源振荡监测子站选址方法、系统、设备及储存介质,包括以下步骤,
步骤(A),采集监测子站候选址的多维数据,其中监测子站候选址的多维数据包含必要指标和非必要指标,所述必要指标包括容量规划指标和自然灾害指标,所述非必要指标包括风电并网强度指标、地形地貌指标、电源供应指标和振荡传播路径指标。
步骤(B),对多维数据进行预处理,得到预处理数据,其中预处理包括数据清洗和归一化处理,所述数据清洗具体是采用线性差值法处理缺失值和删除异常值及重复值,所述归一化处理如公式(1)所示,
其中,Z表示Z-分数,X表示单个数据点,μ表示数据集的均值,σ表示数据集的标准差。
数据清洗是一个去除数据中的不准确、不相关或重复的部分的过程。在进行数据清洗和归一化之前,首先通过统计和可视化工具对数据进行初步的分析,了解数据的分布、特征之间的关系以及可能存在的异常值。对于不连续的缺失值采用删除含有缺失值的行列或用统计方法如均值、中位数和众数填充缺失值;对于连续数据的缺失值比如温度、风速的缺失值,采用线性插值的方法进行估计;基于统计方法检测异常值,然后删除异常值或使用统计方法对其进行修正;对于重复值检查和删除数据中的重复行。数据归一化是将所有数值型的特征数据转换到一个特定的范围,通常是0到1之间,使得它们在量级上具有可比性。
步骤(C),基于预处理数据建立智能选址模型,具体步骤如下,
步骤(C1),构建隐藏层并对每两个隐藏层后加入一个残差链接,再引入注意力权重矩阵,具体如公式(2)所示,
hl=hl-2+f[Al·(Wl-1·hl-1+bl-1)],
其中,hl表示第l个隐藏层,f表示ReLU激活函数,Wl-1表示第l-1个隐藏层的权重,hl-1表示第l-1个隐藏层的偏置,y表示输出评测结果,i表示神经元个数,n表示神经元总数,ωi表示第i个神经元到输出层的权重,hi表示最后一个隐藏层中第i个神经元的输出值;
根据候选址的数据复杂程度调整隐藏层中神经元的数量,在每两个隐藏层后加入一个残差链接,其中一个层的输出被添加到更深层的输出上,这帮助梯度更好地通过网络流动;而引入注意力权重矩阵能增加当前隐藏层对其他隐藏单元的注意力。
步骤(C2),构建损失函数,其中损失函数具体是使用均方误差与L2正则化,如公式(3)所示,
其中,M表示损失函数,m表示数据总量,k表示第k个数据,表示真实评测结果,λ表示正则化强度,/>表示上一个隐藏层中第i个神经元到当前层中第j个神经元的权重。
损失函数使用均方误差与L2正则化,L2正则化可以减少模型复杂度,限制模型的自由度,从而避免过度拟合训练数据,同时使模型更加稳定。
步骤(D),将预处理数据输入智能选址模型,得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业,具体步骤如下,
步骤(D1),根据预处理数据判断监测子站位置是否必须要在较高风电并网强度的地点进行选址,若判断结果为是,则增加新的非必要指标,若判断结果为否,则继续下一步;其中增加新的非必要指标具体步骤如下,
步骤(D11),计算监测子站候选址位置与重要结点交叉口的距离,如公式(4)所示,
Sd=exp(-α×d) (4)
其中,Sd表示距离评测结果,α表示控制距离评测结果影响程度的系数,d表示候选址到重要结点交叉口的距离;
由于现在风电场作为新能源电厂,不可避免地要在高风电并网强度的地方建立震荡监测子站,当必须在较高风电并网强度的地点选址时,增加新的非必要指标,由于接近重要结点如主要的变电站、配电中心或关键负荷中心,或交叉口如多条电力线交汇的地方更容易出现震荡,将候选址与重要结点和交叉口的距离加入指标,距离评测结果可以使用指数衰减模型或者线性模型来计算。
步骤(D12),根据历史数据评测候选址地点的风电稳定性及交通与通讯情况,如公式(5)所示,
其中,Ss表示风电稳定性评测结果,μ表示平均风速,σ表示风速的方差,β表示平滑系数,St表示交通与通讯评测结果,ωr道路权重,Qr表示道路质量,ωc通讯网络权重,Qc表示通讯网络质量;
由于风速的不稳定性,风电场的出力可能会波动,这种波动可能在特定条件下导致振荡;因此将根据历史数据判断候选址地点的风电稳定性加入指标。当候选址地点能通过多种交通方式快速到达,具有稳定通讯网络时,能将紧急情况和震荡数据更快的传递到相邻主站,因此将交通和通讯情况加入评测指标。
步骤(D13),对新的非必要指标分别设置最低阀值,并将距离评测结果Sd、风电稳定性评测结果Ss和交通与通讯评测结果St分别与设置的最低阀值进行比较,具体步骤如下,
步骤(D131),将距离评测结果Sd与设置的最低阀值进行比较,具体步骤如下,
步骤(D1311),若距离评测结果Sd小于阀值,计算候选址到多个相邻关键点的拓扑链接度Td;
步骤(D1312),若拓扑链接度Td仍小于阀值,则判定候选址不符合在高风电并网强度选址的最低要求,且距离评测结果Sd为0;若拓扑链接度Td大于阀值,则使用拓扑链接度Td代替Sd计算适宜性总评测结果;
步骤(D132),将风电稳定性评测结果Ss与设置的最低阀值进行比较,具体步骤如下,
步骤(D1321),若风电稳定性评测结果Ss小于阀值,则引入能量储存设备缓解风电出力波动,并重新计算风电稳定性评测结果Ss;
步骤(D1322),若重新计算的风电稳定性评测结果Ss仍小于阀值,则判定候选址不符合在高风电并网强度选址的最低要求,且风电稳定性评测结果Ss为0;若重新计算的风电稳定性评测结果Ss大于阀值,则使用重新计算的风电稳定性评测结果Ss计算适宜性总评测结果,并告知相关人员引入的能量储存设备规格参数;
步骤(D133),将交通与通讯评测结果St和设置的最低阀值进行比较,具体步骤如下,
步骤(D1331),若交通与通讯评测结果St小于阀值,则判断候选址地点是否能改善交通和引入紧急卫星通讯;
步骤(D1332),若交通与通讯情况无法改善,或改善后重新计算的交通与通讯评测结果St仍小于阈值,则判定候选址不符合在高风电并网强度选址的最低要求,且交通与通讯评测结果St为0;若改善后重新计算的交通与通讯评测结果St大于阈值,则使用重新计算的交通与通讯评测结果St计算适宜性总评测结果,并告知相关人员改善方案及成本。
步骤(D2),获得适宜性总评测结果,其中适宜性总评测结果是将必要性指标评测结果与非必要指标评测结果相乘获得,所述必要性指标评测结果包括容量规划评测结果和自然灾害评测结果;其中容量规划评测结果和自然灾害评测结果具体评测过程如下,
步骤(D21),构建容量规划评测过程,具体为若选址方案的技术和功能容量能满足数据分析要求,则计1分;若选址方案的技术和功能容量不能满足数据分析要求,则计0分;
容量规划主要包括技术容量和功能容量;技术容量为该站点是否具有所需的技术资源和能力来执行其预期功能;功能容量为该站点是否能够提供预期的功能;扩展性是在未来的某个时间点随着数据量的增长或需求的变化,且站点是否可以容易地进行扩展以满足这些新的需求。
步骤(D22),构建自然灾害评测过程,具体为若选址方案没有位于自然灾害频发区域,则计1分;若选址方案位于自然灾害频发区域,则计0分;
步骤(D3),动态调整适宜性总评测结果,其中动态调整的具体过程是对电网、气象关键参数进行实时监测并获取当前状态信息,再与候选址条件做对比,动态调整候选址的适宜性总评测结果,具体步骤如下,
根据当前的电网和气象条件动态调整必要指标和非必要指标的权重。在电网负荷高的情况下,可能更强调容量规划指标;在极端气象条件下,可能更强调自然灾害指标。利用智能选址模型得到每个候选址的总评测结果后,按分数给出候选址排序,并且根据候选址的较差指标给出相应方案。当候选址风电并网强度过高时,利用能量存储系统如电池储能或液流电池从而平衡风电的瞬时波动,进而增加系统的鲁棒性和稳定性。当电源供应不足时,要在监测子站安装备用电池或电源发电机,若候选址地点光照充足可以部署太阳能板。
步骤(D31),若检测到监测子站候选址的多维数据发生重大变化,则利用智能选址模型针对新的条件重新评测候选址的适宜性总评测结果;
步骤(D32),若检测到监测子站候选址的多维数据发生的变化影响了非必要指标,则将对应非必要指标的权重做出相应调整。
一种新能源振荡监测子站选址系统,包括采集模块、预处理模块、模型建立模块和选址评测输出单元,所述采集模块用于采集监测子站候选址的多维数据;所述预处理模块用于对多维数据进行预处理并得到预处理数据;所述模型建立模块用于基于预处理数据建立智能选址模型;所述选址评测输出单元用于将预处理数据输入智能选址模型,并得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业;
所述选址评测输出单元包含非必要指标增加模块、适宜性总评测结果获得模块和动态调整模块,所述非必要指标增加模块用于根据预处理数据判断监测子站位置是否必须要在较高风电并网强度的地点进行选址,所述适宜性总评测结果获得模块用于获得适宜性总评测结果,所述动态调整模块用于动态调整适宜性总评测结果。
一种电子设备,所述电子设备包括至少一个处理器,以及与所述处理器数据通信连接的存储器,所述存储器存储有能被处理器执行的计算机程序,所述计算机程序能执行本发明所述新能源振荡监测子站选址方法。
一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机指令,所述计算机指令用于在处理器执行时实现本发明所述新能源主站振荡定位方法。
为了更好的阐述本发明的使用效果,下面介绍使用本发明方法对新能源振荡监测子站选址的一个具体实施例;
(1)、该实施例利用历史数据训练模型,然后将预先设计好的候选址地点数据输入模型中,评测结果如表1所示。
表1、候选址评测数据表
(2)、该实施例适宜性总评测结果如表2所示。
表2、适宜性总评测结果
候选址 | 适宜性总评测结果 |
1 | 0.91 |
2 | 0 |
3 | 0.95 |
4 | 0.38 |
5 | 0.87 |
由表2所示,最终得到候选址排名为3、1、5、4、2,其中2号候选址因为处于自然灾害频发地区,所以总评测结果为0,排除该地点;
(3)、该实施例为了验证本发明在高风电并网强度地区的选址功能,输入高风电并网强度地区候选址地点数据,并按本发明进行评测,结果如下表3所示。
表3、高风电并网地区评测结果
指标 | 地点1:海岸地区 | 地点2:山区 | 地点3:草原 |
风电并网强度 | 83% | 70% | 89% |
地形地貌 | 9 | 5 | 9 |
场站链接 | 8 | 6 | 9 |
电源供应 | 8 | 6 | 9 |
传播路径 | 9 | 4 | 8 |
重要距离 | 7 | 3 | 8 |
风电稳定性 | 8 | 7 | 9 |
交通和通讯 | 9 | 5 | 8 |
适宜性总评测结果 | 0.62 | 0.5 | 0.69 |
综上所述,本发明的一种新能源振荡监测子站选址方法、系统、设备及储存介质,首先采集监测子站候选址的多维数据,接着对多维数据进行预处理并得到预处理数据,随后基于预处理数据建立智能选址模型,然后将预处理数据输入智能选址模型并得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业;首先通过数据清洗和归一化等预处理步骤能够确保输入到模型中的数据是高质量的,从而提高模型的准确性和鲁棒性,使智能选址模型输出的评测结果更加精确,同时能够根据实时的电网和气象条件动态调整指标权重,使得选址评测结果更加与时俱进,能够适应复杂多变的外部环境,接着通过收集多维数据评测候选址的适宜性,不仅考虑了容量规划和自然灾害这类必要指标,还结合非必要但重要的指标如地形地貌、与其他场站的链接和电源供应,这种全面性的考量能够更准确地评测站点的实际适用性,随后通过在高风电并网强度地区选址时增加新的相关评价指标,使模型可以选择更合适的地点建立监测子站,降低了可能出现的风险;有效的实现了该选址方法具有对新能源振荡监测子站进行智能化的快速选址功能,且该选址方法结合了多维数据融合技术和深度学习算法,不仅提高选址的准确性和效率,还具有自适应性,且能够根据实时数据自动调整,确保长期的选址效果,该评测方法还可以广泛应用于其他工程项目的选址,具有广泛的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种新能源振荡监测子站选址方法,其特征在于:包括以下步骤,
步骤(A),采集监测子站候选址的多维数据;
步骤(B),对多维数据进行预处理,得到预处理数据;
步骤(C),基于预处理数据建立智能选址模型;
步骤(D),将预处理数据输入智能选址模型,得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业。
2.根据权利要求1所述的一种新能源振荡监测子站选址方法,其特征在于:步骤(A),采集监测子站候选址的多维数据,其中监测子站候选址的多维数据包含必要指标和非必要指标,所述必要指标包括容量规划指标和自然灾害指标,所述非必要指标包括风电并网强度指标、地形地貌指标、电源供应指标和振荡传播路径指标。
3.根据权利要求2所述的一种新能源振荡监测子站选址方法,其特征在于:步骤(B),对多维数据进行预处理,得到预处理数据,其中预处理包括数据清洗和归一化处理,所述数据清洗具体是采用线性差值法处理缺失值和删除异常值及重复值,所述归一化处理如公式(1)所示,
其中,Z表示Z-分数,X表示单个数据点,μ表示数据集的均值,σ表示数据集的标准差。
4.根据权利要求3所述的一种新能源振荡监测子站选址方法,其特征在于:步骤(C),基于预处理数据建立智能选址模型,具体步骤如下,
步骤(C1),构建隐藏层并对每两个隐藏层后加入一个残差链接,再引入注意力权重矩阵,具体如公式(2)所示,
其中,hl表示第l个隐藏层,f表示ReLU激活函数,Wl-1表示第l-1个隐藏层的权重,hl-1表示第l-1个隐藏层的偏置,y表示输出评测结果,i表示神经元个数,n表示神经元总数,ωi表示第i个神经元到输出层的权重,hi表示最后一个隐藏层中第i个神经元的输出值;
步骤(C2),构建损失函数,其中损失函数具体是使用均方误差与L2正则化,如公式(3)所示,
其中,M表示损失函数,m表示数据总量,k表示第k个数据,表示真实评测结果,λ表示正则化强度,/>表示上一个隐藏层中第i个神经元到当前层中第j个神经元的权重。
5.根据权利要求4所述的一种新能源振荡监测子站选址方法,其特征在于:步骤(D),将预处理数据输入智能选址模型,得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业,具体步骤如下,
步骤(D1),根据预处理数据判断监测子站位置是否必须要在较高风电并网强度的地点进行选址,若判断结果为是,则增加新的非必要指标,若判断结果为否,则继续下一步;
步骤(D2),获得适宜性总评测结果,其中适宜性总评测结果是将必要性指标评测结果与非必要指标评测结果相乘获得,所述必要性指标评测结果包括容量规划评测结果和自然灾害评测结果;
步骤(D3),动态调整适宜性总评测结果。
6.根据权利要求5所述的一种新能源振荡监测子站选址方法,其特征在于:步骤(D1)中增加新的非必要指标具体步骤如下,
步骤(D11),计算监测子站候选址位置与重要结点交叉口的距离,如公式(4)所示,
Sd=exp(-α×d) (4)
其中,Sd表示距离评测结果,α表示控制距离评测结果影响程度的系数,d表示候选址到重要结点交叉口的距离;
步骤(D12),根据历史数据评测候选址地点的风电稳定性及交通与通讯情况,如公式(5)所示,
其中,Ss表示风电稳定性评测结果,μ表示平均风速,σ表示风速的方差,β表示平滑系数,St表示交通与通讯评测结果,ωr道路权重,Qr表示道路质量,ωc通讯网络权重,Qc表示通讯网络质量;
步骤(D13),对新的非必要指标分别设置最低阀值,并将距离评测结果Sd、风电稳定性评测结果Ss和交通与通讯评测结果St分别与设置的最低阀值进行比较,具体步骤如下,
步骤(D131),将距离评测结果Sd与设置的最低阀值进行比较,具体步骤如下,
步骤(D1311),若距离评测结果Sd小于阀值,计算候选址到多个相邻关键点的拓扑链接度Td;
步骤(D1312),若拓扑链接度Td仍小于阀值,则判定候选址不符合在高风电并网强度选址的最低要求,且距离评测结果Sd为0;若拓扑链接度Td大于阀值,则使用拓扑链接度Td代替Sd计算适宜性总评测结果;
步骤(D132),将风电稳定性评测结果Ss与设置的最低阀值进行比较,具体步骤如下,
步骤(D1321),若风电稳定性评测结果Ss小于阀值,则引入能量储存设备缓解风电出力波动,并重新计算风电稳定性评测结果Ss;
步骤(D1322),若重新计算的风电稳定性评测结果Ss仍小于阀值,则判定候选址不符合在高风电并网强度选址的最低要求,且风电稳定性评测结果Ss为0;若重新计算的风电稳定性评测结果Ss大于阀值,则使用重新计算的风电稳定性评测结果Ss计算适宜性总评测结果,并告知相关人员引入的能量储存设备规格参数;
步骤(D133),将交通与通讯评测结果St和设置的最低阀值进行比较,具体步骤如下,
步骤(D1331),若交通与通讯评测结果St小于阀值,则判断候选址地点是否能改善交通和引入紧急卫星通讯;
步骤(D1332),若交通与通讯情况无法改善,或改善后重新计算的交通与通讯评测结果St仍小于阈值,则判定候选址不符合在高风电并网强度选址的最低要求,且交通与通讯评测结果St为0;若改善后重新计算的交通与通讯评测结果St大于阈值,则使用重新计算的交通与通讯评测结果St计算适宜性总评测结果,并告知相关人员改善方案及成本。
7.根据权利要求6所述的一种新能源振荡监测子站选址方法,其特征在于:步骤(D2)中容量规划评测结果和自然灾害评测结果具体评测过程如下,
步骤(D21),构建容量规划评测过程,具体为若选址方案的技术和功能容量能满足数据分析要求,则计1分;若选址方案的技术和功能容量不能满足数据分析要求,则计0分;
步骤(D22),构建自然灾害评测过程,具体为若选址方案没有位于自然灾害频发区域,则计1分;若选址方案位于自然灾害频发区域,则计0分;
步骤(D3)中动态调整的具体过程是对电网、气象关键参数进行实时监测并获取当前状态信息,再与候选址条件做对比,动态调整候选址的适宜性总评测结果,具体步骤如下,
步骤(D31),若检测到监测子站候选址的多维数据发生重大变化,则利用智能选址模型针对新的条件重新评测候选址的适宜性总评测结果;
步骤(D32),若检测到监测子站候选址的多维数据发生的变化影响了非必要指标,则将对应非必要指标的权重做出相应调整。
8.一种新能源振荡监测子站选址系统,所述选址系统的选址过程基于权利要求1-7任一项所述的选址方法,其特征在于:包括采集模块、预处理模块、模型建立模块和选址评测输出单元,所述采集模块用于采集监测子站候选址的多维数据;
所述预处理模块用于对多维数据进行预处理并得到预处理数据;
所述模型建立模块用于基于预处理数据建立智能选址模型;
所述选址评测输出单元用于将预处理数据输入智能选址模型,并得到每个监测子站候选址的适宜性总评测结果,完成新能源振荡监测子站的选址作业;
所述选址评测输出单元包含非必要指标增加模块、适宜性总评测结果获得模块和动态调整模块,所述非必要指标增加模块用于根据预处理数据判断监测子站位置是否必须要在较高风电并网强度的地点进行选址,所述适宜性总评测结果获得模块用于获得适宜性总评测结果,所述动态调整模块用于动态调整适宜性总评测结果。
9.一种电子设备,其特征在于:所述电子设备包括至少一个处理器,以及与所述处理器数据通信连接的存储器,所述存储器存储有能被处理器执行的计算机程序,所述计算机程序能执行权利要求1-7中任一项所述的新能源振荡监测子站选址方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质内存储有计算机指令,所述计算机指令用于在处理器执行时实现权利要求1-7中任一项所述的新能源振荡监测子站选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311780382.XA CN117744875A (zh) | 2023-12-22 | 2023-12-22 | 一种新能源振荡监测子站选址方法、系统、设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311780382.XA CN117744875A (zh) | 2023-12-22 | 2023-12-22 | 一种新能源振荡监测子站选址方法、系统、设备及储存介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117744875A true CN117744875A (zh) | 2024-03-22 |
Family
ID=90282999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311780382.XA Pending CN117744875A (zh) | 2023-12-22 | 2023-12-22 | 一种新能源振荡监测子站选址方法、系统、设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744875A (zh) |
-
2023
- 2023-12-22 CN CN202311780382.XA patent/CN117744875A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A DEMATEL-TODIM based decision framework for PV power generation project in expressway service area under an intuitionistic fuzzy environment | |
Wu et al. | A decision framework of offshore wind power station site selection using a PROMETHEE method under intuitionistic fuzzy environment: A case in China | |
Wu et al. | Site selection decision framework using fuzzy ANP-VIKOR for large commercial rooftop PV system based on sustainability perspective | |
Sawle et al. | PV-wind hybrid system: A review with case study | |
Liang et al. | Probability-driven transmission expansion planning with high-penetration renewable power generation: A case study in northwestern China | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN107480825B (zh) | 一种计及容量可信度的光伏电站优化规划方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN108520269A (zh) | 一种风速预测方法及风速预测系统 | |
CN112150025A (zh) | 综合能源服务项目的经济性评价方法及系统 | |
CN106651660B (zh) | 基于g1-熵权法寻找电网静态薄弱点的综合评价方法 | |
CN107437135A (zh) | 一种新型储能选型方法 | |
TW201635224A (zh) | 智慧型短期電力發電量預測方法 | |
Gao et al. | A multi-criteria decision-making framework for the location of photovoltaic power coupling hydrogen storage projects | |
CN106096779A (zh) | 一种输配电成本分析、风险评估模型及风险结构优化方法 | |
CN114142461A (zh) | 考虑电网形态演变和结构发展的新能源差异化配置方法 | |
CN115879652B (zh) | 能源网络分级协同规划方法、装置、电子设备及存储介质 | |
Cai et al. | Day-ahead forecast of carbon emission factor based on long and short-term memory networks | |
CN115526671A (zh) | 基于改进层次分析法的新能源电站选址方法 | |
CN117744875A (zh) | 一种新能源振荡监测子站选址方法、系统、设备及储存介质 | |
CN104793107B (zh) | 一种基于改进opa模型的电网连锁故障确定方法 | |
CN115018277A (zh) | 一种基于网络分析法的新能源消纳潜力评估方法及装置 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
Mantri et al. | Solar Power Generation Prediction for Better Energy Efficiency using Machine Learning | |
He et al. | Fault Causes Identification of Transmission Lines Based on Weighted Naive Bayes Classification Algorithm Combined with Complex Algorithm |
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 |