CN117996863B - 光伏电源的下垂控制方法、装置、计算机设备及介质 - Google Patents
光伏电源的下垂控制方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN117996863B CN117996863B CN202410404515.1A CN202410404515A CN117996863B CN 117996863 B CN117996863 B CN 117996863B CN 202410404515 A CN202410404515 A CN 202410404515A CN 117996863 B CN117996863 B CN 117996863B
- Authority
- CN
- China
- Prior art keywords
- time
- sample
- droop
- sequence
- moment
- 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.)
- Active
Links
- 238000007665 sagging Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000005611 electricity Effects 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000010248 power generation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Abstract
本发明涉及下垂控制技术领域,尤其涉及一种光伏电源的下垂控制方法、装置、计算机设备及介质。该方法采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列,用电参数序列至少包括电压序列和频率序列;将用电参数序列输入训练完毕的下垂控制模型,预测未来时刻是否为下一次下垂控制的调节时刻,其中未来时刻为当前时刻的下一个相邻时刻;响应于未来时刻为下一次下垂控制的调节时刻,依据训练完毕的下垂控制模型输出的下垂系数完成下一次下垂控制。本发明的技术方案能够预测下一次下垂控制的调节时刻以及下垂系数,实现精准地下垂控制,进而确保电网系统的稳定性。
Description
技术领域
本发明适用于下垂控制技术领域,尤其涉及一种光伏电源的下垂控制方法、装置、计算机设备及介质。
背景技术
随着新能源技术的不断发展,光伏能源作为一种清洁能源被广泛使用。光伏发电的电能并入电网时,由于光伏发电的输出功率会随着天气和光照条件的变化而发生变化,直接将光伏发电的电能与电网连接起来,可能会使电网的频率和电压产生波动,进而导致电网系统不稳定。
为了确保光伏发电并入电网系统后的稳定运行,需要对光伏发电进行下垂控制。具体而言,就是当电网系统的频率偏低时,下垂控制依据预设的下垂曲线降低光伏发电的输出电压,从而增加其输出有功功率,以补充电网系统的有功缺口;当电网系统的频率偏高时,下垂控制依据预设的下垂曲线增加光伏发电的输出电压,从而减少其输出有功功率,以避免向电网系统提供过多的有功功率。
然而,在实际情况中,由于电网系统的拓扑结构、用电情况和用电环境是复杂且不断变化的,预设的下垂曲线无法适应不断变化电网系统,无法实现精准地下垂控制,进而无法确保电网系统的稳定性。
发明内容
有鉴于此,本发明实施例提供了一种光伏电源的下垂控制方法、装置、计算机设备及介质,以解决下垂控制不准确,无法确保电网系统稳定性的技术问题。
第一方面,提供一种光伏电源的下垂控制方法,方法包括:采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列,用电参数序列至少包括电压序列和频率序列;将用电参数序列输入训练完毕的下垂控制模型,预测未来时刻是否为调节时刻,其中未来时刻为当前时刻的下一个相邻时刻;响应于未来时刻为调节时刻,在未来时刻依据训练完毕的下垂控制模型输出的下垂系数完成下一次下垂控制;其中,下垂控制模型的训练方法包括:采集控制周期内并网节点的用电参数样本序列,并对用电参数样本序列进行有序样品聚类,得到多个样本子序列以及相邻样本子序列之间的分割时刻,分割时刻对应的调节时刻标签为1;依据相邻样本子序列设定相邻样本子序列之间分割时刻的下垂系数,并将下垂系数作为分割时刻至下一个分割时刻之前所有时刻的下垂系数标签;将任意一个样本子序列输入初始下垂控制模型,对样本子序列进行时序特征提取以预测样本子序列中每个时刻的时刻类别和调节时刻的下垂系数,时刻类别包括调节时刻和非调节时刻;基于调节时刻标签、下垂系数标签以及样本子序列中每个时刻的时刻类别和调节时刻的下垂系数构建损失函数,进而更新初始下垂控制模型,以完成一次迭代;基于多个样本子序列进行多次迭代,直至损失函数的数值小于预设值或迭代次数大于设定次数,得到训练完毕的下垂控制模型。
第二方面,提供一种光伏电源的下垂控制装置,装置包括:采集模块,用于采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列,用电参数序列至少包括电压序列和频率序列;预测模块,用于将用电参数序列输入训练完毕的下垂控制模型,预测未来时刻是否为调节时刻,其中未来时刻为当前时刻的下一个相邻时刻;控制模块,用于响应于未来时刻为调节时刻,在未来时刻依据训练完毕的下垂控制模型输出的下垂系数完成下一次下垂控制;训练模块,用于采集控制周期内并网节点的用电参数样本序列,并对用电参数样本序列进行有序样品聚类,得到多个样本子序列以及相邻样本子序列之间的分割时刻,分割时刻对应的调节时刻标签为1;依据相邻样本子序列设定相邻样本子序列之间分割时刻的下垂系数,并将下垂系数作为分割时刻至下一个分割时刻之前所有时刻的下垂系数标签;将任意一个样本子序列输入初始下垂控制模型,对样本子序列进行时序特征提取以预测样本子序列中每个时刻的时刻类别和调节时刻的下垂系数,时刻类别包括调节时刻和非调节时刻;基于调节时刻标签、下垂系数标签以及样本子序列中每个时刻的时刻类别和调节时刻的下垂系数构建损失函数,进而更新初始下垂控制模型,以完成一次迭代;基于多个样本子序列进行多次迭代,直至损失函数的数值小于预设值,得到训练完毕的下垂控制模型。
第三方面,本发明实施例提供一种计算机设备,计算机设备包括处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如第一方面的光伏电源的下垂控制方法。
第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如第一方面的光伏电源的下垂控制方法。
第五方面,本发明实施例提供一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行上述第一方面的光伏电源的下垂控制方法。
本发明与现有技术相比存在的有益效果是:
采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列;将用电参数序列输入训练完毕的下垂控制模型,预测下一个相邻时刻是否为下一次下垂控制的调节时刻;响应于未来时刻为下一次下垂控制的调节时刻,依据训练完毕的下垂控制模型输出的下垂系数完成下一次下垂控制;能顾依据并网节点的状态信息及时调整下垂系数,解决了下垂控制的滞后性问题,实现下垂系数的精准调节,确保电网系统的稳定性。
进一步地,在每次调节下垂系数之后,得到下垂控制的控制误差,实现了控制效果的实时监测,当控制误差较大时,及时对训练完毕的下垂控制模型再次进行训练,以使下垂控制模型能够不断调节并适应当前的电网系统,通过及时调整下垂系数,确保电网系统的稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图;
图1是本发明实施例一提供的一种光伏电源的下垂控制方法的一应用环境示意图;
图2是本发明实施例一提供的下垂控制的控制框图;
图3是本发明实施例一提供的一种光伏电源的下垂控制方法的流程示意图;
图4是本发明实施例二提供的下垂控制模型的结构示意图;
图5是本发明实施例二提供的下垂控制模型的训练方法的流程示意图;
图6是本发明实施例七提供的一种光伏电源的下垂控制方法的流程示意图;
图7是本发明实施例八提供的一种光伏电源的下垂控制装置的结构框图;
图8是本发明实施例九提供的一种计算机设备的结构示意图;
其中,图4中的40表示下垂控制模型,41表示时序处理层,42表示分类层,43表示回归层;图7中的61表示训练模块,62表示采集模块,63表示预测模块,64表示控制模块。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”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。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明实施例一提供的一种光伏电源的下垂控制方法,可应用在如图1的应用环境中,其中,光伏逆变器连接于光伏电源与并网节点之间,用于对光伏电源的有功功率和无功功率进行下垂控制,进而调节光伏逆变器的输出电压和输出频率,并将光伏逆变器的输出电压和输出频率通过并网节点并入电网系统中。
参见图2,是本发明实施例一提供的下垂控制的控制框图;光伏逆变器的输入电压和输入电流均为直流电,光伏逆变器的输出为交流电,交流电的频率和电压分别为光伏逆变器实际的输出频率和输出电压。下垂系数是下垂控制过程中的重要参数,用于衡量光伏电源对电网系统中用电参数变化的敏感程度,下垂控制的公式可以表示为:;
其中,P和Q分别为逆变器实际输出的有功功率和无功功率,P0和Q0分别为为逆变器的额定有功和无功功率,Dp和Dq为下垂系数,Dp用于对有功功率进行下垂控制,Dq用于对无功功率进行下垂控制,和分别光伏逆变器输出的额定频率和额定电压,和分别为光伏逆变器实际的输出频率和输出电压。需要说明地,本发明实施例中的下垂系数包括用于对有功功率进行下垂控制的Dp以及用于对无功功率进行下垂控制Dq。
参见图3,是本发明实施例一提供的一种光伏电源的下垂控制方法的流程示意图。该下垂控制方法可以包括以下步骤:
S101,采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列,用电参数序列至少包括电压序列和频率序列。
其中,为了使光伏电源的下垂控制适应电网系统的变化,需要不断调节下垂控制中的下垂系数;以上一次下垂控制的调节时刻为起始时刻,以当前时刻为终止时刻,采集电网系统中并网节点的多种用电参数序列,用电参数序列至少包括电压序列和频率序列。
可选的是,用电参数序列还可包括负载序列、电流序列、有功功率序列和无功功率序列中的至少一个。
上述采集电网系统中并网节点的用电参数序列,能够准确反映自上一次下垂控制后并网节点的状态信息,为确定下一次下垂控制的调节时刻和下垂系数增量提供基础。
S102,将用电参数序列输入训练完毕的下垂控制模型,预测未来时刻是否为调节时刻,其中未来时刻为当前时刻的下一个相邻时刻。
其中,当训练完毕的下垂控制模型预测未来时刻为调节时刻时,表示未来时刻为下一次下垂控制的调节时刻。
S103,响应于未来时刻为调节时刻,在未来时刻依据训练完毕的下垂控制模型输出的下垂系数完成下一次下垂控制。
其中,当未来时刻的时刻类别为调节时刻时,表示当前的下垂系数已经无法保证电网系统的稳定性,需要对下垂系数进行调节,即未来时刻为下一次下垂控制的调节时刻;此时,将训练完毕的下垂控制模型输出的下垂系数作为未来时刻的下垂系数,完成下一次下垂控制。
本实施例可依据并网节点的状态信息及时调整下垂系数,解决了下垂控制的滞后性问题,实现下垂系数的精准调节,确保电网系统的稳定性。
在本发明实施例一的基础上,本发明实施例二还提供了一种光伏电源的下垂控制方法,该下垂控制方法可以包括实施例一中的步骤S101至步骤S103,其中,请参见图4,是本发明实施例二提供的下垂控制模型的结构示意图,下垂控制模型40包括时序处理层41、回归层42和分类层43。
具体地,在下垂控制模型中,时序处理层对输入的用电参数序列进行时序特征提取,得到时序状态向量;分类层对时序状态向量进行维度变换,并将维度变换后的结果经分类函数处理后,输出用电参数序列的下一个相邻时刻的时刻类别,时刻类别包括调节时刻和非调节时刻;响应于用电参数序列的下一个相邻时刻的时刻类别为调节时刻,回归层将时序状态向量回归为用电参数序列的下一个相邻时刻的下垂系数。其中,用电参数序列的下一个相邻时刻既为未来时刻。
具体地,时序处理层采用LSTM或Bert等任意一种循环神经网络。
分类层包括第一全连接神经网络和分类函数,第一全连接神经网络用于将时序处理层输出的时序状态向量降维至设定维度的低维向量,并将低维向量经分类函数处理得到未来时刻的时刻类别。其中,设定维度的取值为2,分类函数为Softmax函数,Softmax函数的输出结果包括未来时刻属于调节时刻的概率和属于非调节时刻的概率,且满足关系式;若,则未来时刻的时刻类别为调节时刻,若,则未来时刻的时刻类别为非调节时刻。可以理解地,在训练完毕的下垂控制模型中,不存在的情况。
回归层为第二全连接神经网络,当未来时刻的时刻类别为调节时刻时,将时序处理层输出的时序状态向量输入回归层,第二全连接神经网络对时序状态向量进行维度变换,输出未来时刻的下垂系数。
本实施例中下垂控制模型能够依据用电参数序列中并网节点的状态信息准确预测未来时刻是否需要进行下垂系数的调节,当未来时刻的时刻类别为调节时刻时,表示未来时刻需要进行下垂系数的调节,此时下垂控制模型能够输出未来时刻的下垂系数,以确保电网系统的稳定性。
在实施例二中,为了确保下垂控制模型能够准确预测下一次下垂控制的调节时刻,并获取下一次下垂控制时的下垂系数,需要对下垂控制模型进行训练,得到训练完毕的下垂控制模型。参见图5,是本发明实施例二提供的下垂控制模型的训练方法的流程示意图。该训练方法可以包括以下步骤:
S201,采集控制周期内并网节点的用电参数样本序列,并对用电参数样本序列进行有序样品聚类,得到多个样本子序列以及相邻样本子序列之间的分割时刻,分割时刻对应的调节时刻标签为1。
其中,控制周期为一天或一周,实施者可依据具体需求进行设定;并网节点的用电参数样本序列包括一个控制周期内的电压序列和频率序列,也即每个时刻对应一个电压值和一个频率值。
可以理解地,有序样品聚类结束后,各样本子序列中用电参数的波动程度均小于或等于最大允许波动程度,表示在一个样本子序列内电网系统处于稳定状态;相邻两个样本子序列之间并网节点的状态存在较大的波动,为了保证电网系统的稳定性,需要在相邻两个样本子序列之间的分割时刻进行下垂控制的调节,故相邻两个样本子序列之间的分割时刻对应于调节时刻,故将分割时刻的调节时刻标签记为1。
S202,依据相邻样本子序列设定相邻样本子序列之间分割时刻的下垂系数,并将下垂系数作为分割时刻至下一个分割时刻之前所有时刻的下垂系数标签。
其中,一个分割时刻的下垂系数可由本领域技术人员根据相邻两个样本子序列直接设定,或者在虚拟场景中对并网节点的状态信息进行模拟,以确定相邻样本子序列之间分割时刻的下垂系数,将该下垂系数作为该分割时刻至下一个分割时刻之前所有时刻的下垂系数标签。其中,虚拟场景为计算机模拟的并网节点下垂控制场景的虚拟环境(电网、设备的参数可以按照真实的电网和设备参数进行配置)。
S203,将任意一个样本子序列输入初始下垂控制模型,对样本子序列进行时序特征提取以预测样本子序列中每个时刻的时刻类别和调节时刻的下垂系数,时刻类别包括调节时刻和非调节时刻。
其中,初始下垂控制模型与下垂控制模型的模型结构相同,模型参数不同。将任意一个样本子序列中,将任意一个时刻以及时刻之前的用电参数依次输入初始下垂控制模型中的时序处理层,得到时刻的样本时序状态向量;将时刻的样本时序状态向量输入分类层以预测样本子序列中下一个相邻时刻的时刻类别;响应于下一个相邻时刻的时刻类别为调节时刻,将时刻的样本时序状态向量输入回归层,以输出下一个相邻时刻的下垂系数;依次将样本子序列中所有用电参数输入初始下垂控制模型,得到样本子序列中每个时刻的时刻类别和调节时刻的下垂系数。
可以理解地,下一个相邻时刻的时刻类别包括属于调节时刻的概率和属于非调节时刻的概率,且;当,也即时,表示下一个相邻时刻的时刻类别为调节时刻。
具体的,一个样本子序列包括时刻1至时刻10共10个时刻,且时刻10对应一个调节时刻标签和一个下垂系数标签;将时刻1至时刻6之间的用电参数依次输入初始下垂控制模型中的时序处理层,得到时刻6的样本时序状态向量;将时刻6的样本时序状态向量输入分类层以预测时刻7的时刻类别;由于时刻7的为非调节时刻,故继续将时刻7的用电参数输入初始下垂控制模型中的时序处理层,得到时刻7的样本时序状态向量,如此往复直至得到时刻9的样本时序状态向量,将时刻9的样本时序状态向量输入分类层以预测时刻10的时刻类别;响应于时刻10的时刻类别为调节时刻,将时刻9的样本时序状态向量输入回归层以输出时刻10的下垂系数。如此,对于一个样本子序列,得到每个时刻的时刻类别,当时刻类别为调节时刻时,还会得到该时刻的下垂系数。
S204,基于调节时刻标签、下垂系数标签以及样本子序列中每个时刻的时刻类别和调节时刻的下垂系数构建损失函数,进而更新初始下垂控制模型,以完成一次迭代。
其中,将任意一个样本子序列输入初始下垂控制模型后,即能够计算出损失函数的数值。该损失函数的数值用于表征初始下垂控制模型输出的时刻类别与调节时刻标签之间的差异,以及调节时刻的下垂系数与下垂系数标签之间的差异;损失函数的数值越小,表示初始下垂控制模型的输出结果越准确。
S205,基于多个样本子序列进行多次迭代,直至损失函数的数值小于预设值或迭代次数大于设定次数,得到训练完毕的下垂控制模型。
其中,不断将样本子序列输入初始下垂控制模型,迭代地更新初始下垂控制模型中的时序处理层、分类层和回归层。
具体地,预设值的取值为0.001,设定次数为10000。
得到训练完毕的下垂控制模型后,采集多个控制周期内并网节点的用电参数样本序列,并按照上述步骤S201和步骤S202得到的每个用电参数样本序列的调节时刻标签和下垂系数标签,得到测试集。在测试集上对训练完毕的下垂控制模型中分类层和回归层的输出结果进行评价,其分类层对时刻类别的分类准确率为96.7%,F1得分为94.3%;其回归层对下垂系数的平均绝对误差为0.014。
本实施例中下垂控制模型的训练方法能够对初始下垂控制模型中的时序处理层、分类层和回归层进行更新,得到训练完毕的下垂控制模型;在训练完毕的下垂控制模型中,时序处理层和分类层能够准确预测下一次下垂控制的调节时刻,以及调节时刻对应的下垂系数。
在本发明实施例二的基础上,本发明实施例三还提供了一种光伏电源的下垂控制方法,该下垂控制方法可以包括实施例二中的步骤S201至步骤S205,其中,步骤S201包括:设置初始聚类数;依据初始聚类数对用电参数样本序列进行有序样品聚类,得到初始聚类数对应的初始聚类结果和初始聚类损失,其中初始聚类结果中样本子序列的数量等于初始聚类数;对比初始聚类损失与损失阈值,响应于初始聚类损失大于损失阈值,将初始聚类数加1,并重复执行有序样品聚类,以更新初始聚类结果和初始聚类损失;迭代地更新初始聚类结果和初始聚类损失,直至更新后的初始聚类损失不大于损失阈值时,将初始聚类结果作为目标聚类结果,目标聚类结果包括多个样本子序列以及相邻样本子序列之间的分割时刻。
具体地,初始聚类数的取值为2;有序样品聚类通过不断寻找最优分割点,将用电参数样本序列划分为多个样本子序列,使得各样本子序列内用电参数的差异最小,而各样本子序列之间用电参数的差异最大。示例性的,用电参数样本序列包括15个时刻,且每个时刻对应一个电压值和一个频率值;当初始聚类数为2时,有序样品聚类会寻找出一个最优分割点;当有序样品聚类寻找到一个最优分割点时刻11时,即可将用电参数样本序列划分为时刻1至时刻10,以及时刻11至时刻15共两个样本子序列,最优分割点即对应于分割时刻。
其中,依据初始聚类数对用电参数样本序列进行有序样品聚类,得到初始聚类数对应的初始聚类结果和初始聚类损失包括:定义样本子序列的直径,第个样本子序列的直径满足关系式:;
其中,和分别为第个样本子序列中的起始编号和终止编号,和分别为第个样本子序列中编号为的电压值和频率值,和分别为第个样本子序列的平均电压值和平均频率值,为第个样本子序列的直径;基于初始聚类结果中所有样本子序列的直径计算初始聚类损失,初始聚类损失满足关系式:;
其中,表示把长度为T的用电参数样本序列划分为N个样本子序列的一种分割方法,N为初始聚类数,为第个样本子序列的直径,为分割方法对应的初始聚类损失;当用电参数样本序列的长度T和样本子序列的数量N固定时, 所有可能的分割分法也随之确定,初始聚类损失越小表示各样本子序列的波动程度越小,对应的分割方法越合理,遍历所有可能的分割分法,将最小值对应的分割方法作为当前样本子序列数量N下的最优分法,将最优分法记为,即是使达到最小值的分割方法;将对应的初始聚类损失作为初始聚类数的初始聚类损失,将最优分法对应的多个样本子序列以及相邻样本子序列之间的分割时刻作为初始聚类数的初始聚类结果。
其中,损失阈值可视为样本子序列中用电参数的最大允许波动程度,当初始聚类损失大于损失阈值时,表示样本子序列中用电参数的波动程度较大,应增加初始聚类簇,以使得目标聚类结果中,所有样本子序列中用电参数的波动程度小于或等于最大允许波动程度;损失阈值可取值为0.3。
本实施例对一个控制周期内并网节点的用电参数样本序列进行有序样品聚类,可自动定位到一个控制周期内需要进行下垂控制调节的调节时刻,得到用电参数样本序列的调节时刻标签。
在本发明实施例二的基础上,本发明实施例四还提供了一种光伏电源的下垂控制方法,该下垂控制方法可以包括实施例二中的步骤S201至步骤S205,其中,步骤S202包括:按照相邻样本子序列配置虚拟环境中并网节点的状态信息;在虚拟环境中,对相邻样本子序列之间的分割时刻施加初始下垂系数后,将分割时刻之后的用电参数序列作为虚拟样本子序列;基于虚拟样本子序列与相邻样本子序列中前一个样本子序列之间的DTW距离计算初始下垂系数的得分,得分与DTW距离呈负相关;以设定步长在设定范围内更新初始下垂系数,并将得分的最大值对应的初始下垂系数作为相邻样本子序列之间分割时刻的下垂系数。其中,下垂系数对应于分割时刻至下一个分割时刻之前所有时刻的下垂系数标签。
其中,初始下垂系数的得分满足关系式:;
其中,为相邻样本子序列中分割时刻之前的样本子序列,为施加初始下垂系数后分割时刻之后的虚拟样本子序列,为和之间的DTW距离,为施加初始下垂系数的得分。本实施例中,DTW(dynamic timewraping)距离是指长度归一化后的距离,用于表示时间序列之间的相似性。
具体地,将任意相邻样本子序列记为和,将和之间的分割时刻记为;利用计算机模拟将虚拟场景中的电网参数配置为和,并在虚拟场景中分割时刻处施加初始下垂系数,施加的初始下垂系数可更改样本子序列中用电参数的数值,得到虚拟样本子序列;虚拟样本子序列与样本子序列之间的DTW距离越小,表示施加初始下垂系数后电网的稳定性越好,则初始下垂系数的得分越大;将设定范围内得分最大的初始下垂系数作为分割时刻至下一个分割时刻之前所有时刻的下垂系数标签,也即是样本子序列中每个时刻的下垂系数标签。其中,实施者需要根据电网环境设置初始下垂系数的设定范围,一般情况下,初始下垂系数的设定范围为小于等于0.95;设定步长为-0.01。
本实施例利用计算机模拟任意相邻样本子序列时并网节点的状态信息,进而依据在相邻样本子序列之间的分割时刻施加初始下垂系数后电网的稳定性计算每个初始下垂系数的得分,将得分最大值对应的初始下垂系数作为该分割时刻至下一个分割时刻之前所有时刻的下垂系数标签,该下垂系数标签能够保证下垂控制后电网系统的稳定性。
在本发明实施例二的基础上,本发明实施例五还提供了一种光伏电源的下垂控制方法,该下垂控制方法可以包括实施例二中的步骤S201至步骤S205,其中,损失函数包括分类损失和回归损失,分类损失用于更新初始下垂控制模型中的时序处理层和分类层;回归损失用于更新初始下垂控制模型中的时序处理层和回归层。
具体地,分类损失满足关系式:
;
其中,为样本子序列中时刻t的调节时刻标签,表示样本子序列中时刻t为调节时刻,表示样本子序列中时刻t为非调节时刻;为时刻t的时刻类别中属于调节时刻的概率,B为样本子序列的长度,B1和B0分别为样本子序列中调节时刻和非调节时刻的数量,为分类损失的取值;其中,在相邻两个样本子序列中,只有分割时刻的调节时刻标签为1,其他时刻的调节时刻标签均为0。
回归损失满足关系式:;
其中,表示所述分类层将所述时刻t划分为调节时刻t,Dt为初始下垂控制模型输出的调节时刻t的下垂系数,为调节时刻t的下垂系数标签,为回归损失的取值。
本实施例中分类损失用于更新时序处理层和分类层,用于约束分类层能够准确预测下一个相邻时刻的时刻类别,在计算分类损失的过程中,依据一个样本子序列中调节时刻和非调节时刻的数量为不同时刻类别设置权重,解决了两种时刻类别的训练样本不平衡的问题;上述回归损失用于更新时序处理层和回归层,用于约束回归层能够准确输出调节时刻的下垂系数,进而能够及时调节下垂控制的下垂系数。
在本发明实施例五的基础上,本发明实施例六还提供了一种光伏电源的下垂控制方法,其中,在一次迭代的过程中,损失函数的数值包括分类损失数值和回归损失数值。损失函数的数值小于预设值包括:分类损失数值和回归损失数值均小于预设值。
本实施例中分类损失数值和回归损失数值均小于预设值时停止训练,同时保证了分类层和回归层输出结果的准确性。
在本发明实施例一的基础上,本发明实施例七还提供了一种光伏电源的下垂控制方法;参见图6,是本发明实施例七提供的一种光伏电源的下垂控制方法的流程示意图,如图6所示,该下垂控制方法可以包括以下步骤:
步骤S301,采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列,用电参数序列至少包括电压序列和频率序列。
步骤S302,将用电参数序列输入训练完毕的下垂控制模型,预测未来时刻是否为下一次下垂控制的调节时刻,其中未来时刻为当前时刻的下一个相邻时刻。
步骤S303,响应于未来时刻为下一次下垂控制的调节时刻,依据训练完毕的下垂控制模型输出的下垂系数完成下一次下垂控制。
其中,步骤S301至步骤S303与上述步骤S101至步骤S103的内容相同,可参考步骤S101至步骤S103的描述,在此不再赘述。
步骤S304,基于下一次下垂控制之前两组参考序列计算下垂控制的控制误差,两组参考序列为下一次下垂控制以及下一次下垂控制之前相邻两次下垂控制之间并网节点的用电参数序列。
具体地,在未来时刻依据训练完毕的下垂控制模型输出的下垂系数完成下一次下垂控制后,将下一次下垂控制的调节时刻记为t3,将下一次下垂控制之前两次的调节时刻分别记为t2和t1,其中;则采集t2到t3之间并网节点的用电参数序列以作为第一组参考序列,采集t1到t2之间并网节点的用电参数序列以作为第二组参考序列;下垂控制的控制误差满足关系式:;
其中,和分别为第一组参考序列和第二组参考序列中每种用电参数的平均方差;为第一组参考序列和第二组参考序列的DTW距离,为下垂控制的控制误差。其中,第一组参考序列包括电压序列和频率序列等多种用电参数的时间序列,为第一组参考序列中电压序列和频率序列等多种时间序列方差的平均值。
可以理解地,由于电网系统的拓扑结构、用电情况和用电环境较为复杂且不断变化,即使是训练完毕的下垂控制模型,也会存在误差,为了确保电网系统的稳定性,在光伏电源下垂控制的实际过程中,需要对下垂控制的控制误差进行实时监测。当较大时,表示相邻两次下垂控制的调节时刻之间电网系统的稳定性较差,训练完毕的下垂控制模型没能及时的预测出调节时刻,下垂控制的控制误差较大;当较大时,表示两组参考序列之间的差异较大,调节时刻t2时的下垂系数并没有有效消除用电参数的波动,说明训练完毕的下垂控制模型没能准确的预测出下垂系数,下垂控制的控制误差较大。下垂控制的控制误差用于反映训练完毕的下垂控制模型能够适应复杂的电网系统,当下垂控制的控制误差较大时,表示训练完毕的下垂控制模型不能适应当前的电网系统,无法确保电网系统的稳定性。
步骤S305,响应与下垂控制的控制误差大于误差阈值,将下一次下垂控制之前的两组参考序列按照时间的先后顺序进行拼接以获取一组用电参数样本序列,对训练完毕的下垂控制模型进行再次训练。
具体地,误差阈值的取值为0.5。响应与下垂控制的控制误差大于误差阈值,表示训练完毕的下垂控制模型不能适应当前的电网系统,需要对下垂控制模型再次进行训练,以使下垂控制模型能够不断调节并适应当前的电网系统。
其中,对训练完毕的下垂控制模型进行再次训练的过程与上述步骤 S201至步骤S205的内容相同,可参考步骤S201至步骤S205的描述,在此不再赘述。
本实施例中,下垂控制方法在每次调节下垂系数之后,得到下垂控制的控制误差,实现了控制效果的实时监测,当控制误差较大时,及时对训练完毕的下垂控制模型再次进行训练,以使下垂控制模型能够不断调节并适应当前的电网系统,进而确保电网系统的稳定性。
对应于上文实施例的方法,图7示出了本发明实施例八提供的一种光伏电源的下垂控制装置的结构框图,上述下垂控制装置应用于计算机设备,计算机设备通过预设的应用程序接口连接目标数据库。在目标数据库被驱动运行以执行相应的任务时,会产生对应的任务日志,通过API可以采集到上述任务日志。为了便于说明,仅示出了与本发明实施例相关的部分。
参见图7,该下垂控制装置包括:
训练模块61,用于采集控制周期内并网节点的用电参数样本序列,并对用电参数样本序列进行有序样品聚类,得到多个样本子序列以及相邻样本子序列之间的分割时刻,分割时刻对应的调节时刻标签为1;依据相邻样本子序列设定相邻样本子序列之间分割时刻的下垂系数,并将下垂系数作为分割时刻至下一个分割时刻之前所有时刻的下垂系数标签;将任意一个样本子序列输入初始下垂控制模型,对样本子序列进行时序特征提取以预测样本子序列中每个时刻的时刻类别和调节时刻的下垂系数,时刻类别包括调节时刻和非调节时刻;基于调节时刻标签、下垂系数标签以及样本子序列中每个时刻的时刻类别和调节时刻的下垂系数构建损失函数,进而更新初始下垂控制模型,以完成一次迭代;基于多个样本子序列进行多次迭代,直至损失函数的数值小于预设值,得到训练完毕的下垂控制模型;
采集模块62,用于采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列,用电参数序列至少包括电压序列和频率序列;
预测模块63,用于将用电参数序列输入训练完毕的下垂控制模型,预测未来时刻是否为调节时刻,其中未来时刻为当前时刻的下一个相邻时刻;
控制模块64,用于响应于未来时刻为调节时刻,在未来时刻依据训练完毕的下垂控制模型输出的下垂系数完成下一次下垂控制。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图8为本发明实施例九提供的一种计算机设备的结构示意图。如图8所示,该实施例的计算机设备包括:至少一个处理器(图8中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个健康预测方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图8仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备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,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器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 IntegratedCircuit,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。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。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备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,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
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,并不用于限制本发明的保护范围。上述装置中单元、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。集成的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,可以通过计算机程序来指令相关的硬件来完成,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,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,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。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、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。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
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,结合本文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/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,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。
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。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种光伏电源的下垂控制方法,其特征在于,所述下垂控制方法包括:
采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列,所述用电参数序列至少包括电压序列和频率序列;
将所述用电参数序列输入训练完毕的下垂控制模型,预测未来时刻是否为所述调节时刻,其中所述未来时刻为当前时刻的下一个相邻时刻;
响应于所述未来时刻为所述调节时刻,在所述未来时刻依据训练完毕的所述下垂控制模型输出的下垂系数完成下一次下垂控制;
其中,所述下垂控制模型的训练方法包括:
采集控制周期内所述并网节点的用电参数样本序列,并对所述用电参数样本序列进行有序样品聚类,得到多个样本子序列以及相邻样本子序列之间的分割时刻,所述分割时刻对应的调节时刻标签为预设值;依据所述相邻样本子序列设定所述相邻样本子序列之间分割时刻的下垂系数,并将所述下垂系数作为所述分割时刻至下一个分割时刻之前所有时刻的下垂系数标签;将任意一个样本子序列输入初始下垂控制模型,对所述样本子序列进行时序特征提取以预测所述样本子序列中每个时刻的时刻类别和调节时刻的下垂系数,所述时刻类别包括调节时刻和非调节时刻;基于所述调节时刻标签、所述下垂系数标签以及所述样本子序列中每个时刻的时刻类别和调节时刻的下垂系数构建损失函数,进而更新所述初始下垂控制模型,以完成一次迭代;基于所述多个样本子序列进行多次迭代,直至所述损失函数的数值小于预设值或迭代次数大于设定次数,得到训练完毕的所述下垂控制模型;
对所述用电参数样本序列进行有序样品聚类,得到多个样本子序列以及相邻样本子序列之间的分割时刻包括:设置初始聚类数;依据所述初始聚类数对所述用电参数样本序列进行有序样品聚类,得到所述初始聚类数对应的初始聚类结果和初始聚类损失,其中所述初始聚类结果中样本子序列的数量等于所述初始聚类数;对比所述初始聚类损失与损失阈值,响应于所述初始聚类损失大于所述损失阈值,将所述初始聚类数加一,并重复执行所述有序样品聚类,以更新所述初始聚类结果和所述初始聚类损失;迭代地更新所述初始聚类结果和所述初始聚类损失,直至更新后的初始聚类损失不大于所述损失阈值时,将初始聚类结果作为目标聚类结果,所述目标聚类结果包括多个样本子序列以及相邻样本子序列之间的分割时刻。
2.根据权利要求1所述的光伏电源的下垂控制方法,其特征在于,所述下垂控制模型包括时序处理层、回归层和分类层;
所述时序处理层对输入的用电参数序列进行时序特征提取,得到时序状态向量;
所述分类层对所述时序状态向量进行维度变换,并将维度变换后的结果经分类函数处理后,输出所述用电参数序列的下一个相邻时刻的时刻类别,所述分类函数是Softmax函数;
响应于所述用电参数序列的下一个相邻时刻的时刻类别为调节时刻,所述回归层将所述时序状态向量回归为所述用电参数序列的下一个相邻时刻的下垂系数。
3.根据权利要求1所述的光伏电源的下垂控制方法,其特征在于,依据所述相邻样本子序列设定所述相邻样本子序列之间分割时刻的下垂系数包括:
按照所述相邻样本子序列配置虚拟环境中并网节点的状态信息;
在虚拟环境中,对所述相邻样本子序列之间的分割时刻施加初始下垂系数后,将所述分割时刻之后的用电参数序列作为虚拟样本子序列;
基于所述虚拟样本子序列与所述相邻样本子序列中前一个样本子序列之间的DTW距离计算初始下垂系数的得分,所述得分与所述DTW距离呈负相关;
以设定步长在设定范围内更新所述初始下垂系数,并将所述得分的最大值对应的初始下垂系数作为所述相邻样本子序列之间分割时刻的下垂系数。
4.根据权利要求2所述的光伏电源的下垂控制方法,其特征在于,所述损失函数包括分类损失和回归损失,所述分类损失用于更新所述时序处理层和所述分类层,所述回归损失用于更新所述时序处理层和所述回归层;
其中,所述分类损失满足关系式:
;
其中,为样本子序列中时刻t的调节时刻标签,表示样本子序列中时刻t为调节时刻,表示样本子序列中时刻t为非调节时刻;为时刻t的时刻类别中属于调节时刻的概率,B为样本子序列的长度,B1和B0分别为样本子序列中调节时刻和非调节时刻的数量,为分类损失的取值;其中,在相邻两个样本子序列中,只有分割时刻的调节时刻标签为1,其他时刻的调节时刻标签均为0;
所述回归损失满足关系式:
;
其中,,Dt为初始下垂控制模型输出的调节时刻t的下垂系数,为所述调节时刻t的下垂系数标签,为所述回归损失的取值。
5.根据权利要求4所述的光伏电源的下垂控制方法,其特征在于,所述损失函数的数值包括分类损失数值和回归损失数值,所述损失函数的数值小于预设值包括:所述分类损失数值和所述回归损失数值均小于所述预设值。
6.根据权利要求1至5任一项所述的光伏电源的下垂控制方法,其特征在于,在所述未来时刻依据训练完毕的所述下垂控制模型输出的下垂系数完成下一次下垂控制后,所述下垂控制方法还包括:
基于所述下一次下垂控制之前的两组参考序列计算下垂控制的控制误差,所述两组参考序列为所述下一次下垂控制以及所述下一次下垂控制之前相邻两次下垂控制之间所述并网节点的用电参数序列;
响应与所述下垂控制的控制误差大于误差阈值,将所述下一次下垂控制之前的两组参考序列按照时间的先后顺序进行拼接以获取一组用电参数样本序列,以对训练完毕的下垂控制模型进行再次训练;
所述下垂控制的控制误差满足关系式:
;
其中,和分别为第一组参考序列和第二组参考序列中每种用电参数的平均方差;为第一组参考序列和第二组参考序列的DTW距离,为下垂控制的控制误差。
7.一种光伏电源的下垂控制装置,其特征在于,所述下垂控制装置包括:
采集模块,用于采集上一次下垂控制的调节时刻至当前时刻之间并网节点的用电参数序列,所述用电参数序列至少包括电压序列和频率序列;
预测模块,用于将所述用电参数序列输入训练完毕的下垂控制模型,预测未来时刻是否为调节时刻,其中所述未来时刻为当前时刻的下一个相邻时刻;
控制模块,用于响应于所述未来时刻为调节时刻,在所述未来时刻依据训练完毕的所述下垂控制模型输出的下垂系数完成下一次下垂控制;
训练模块,用于采集控制周期内所述并网节点的用电参数样本序列,并对所述用电参数样本序列进行有序样品聚类,得到多个样本子序列以及相邻样本子序列之间的分割时刻,所述分割时刻对应的调节时刻标签为预设值;依据所述相邻样本子序列设定所述相邻样本子序列之间分割时刻的下垂系数,并将所述下垂系数作为所述分割时刻至下一个分割时刻之前所有时刻的下垂系数标签;将任意一个样本子序列输入初始下垂控制模型,对所述样本子序列进行时序特征提取以预测所述样本子序列中每个时刻的时刻类别和调节时刻的下垂系数,所述时刻类别包括调节时刻和非调节时刻;基于所述调节时刻标签、所述下垂系数标签以及所述样本子序列中每个时刻的时刻类别和调节时刻的下垂系数构建损失函数,进而更新所述初始下垂控制模型,以完成一次迭代;基于所述多个样本子序列进行多次迭代,直至所述损失函数的数值小于预设值,得到训练完毕的所述下垂控制模型;
对所述用电参数样本序列进行有序样品聚类,得到多个样本子序列以及相邻样本子序列之间的分割时刻包括:设置初始聚类数;依据所述初始聚类数对所述用电参数样本序列进行有序样品聚类,得到所述初始聚类数对应的初始聚类结果和初始聚类损失,其中所述初始聚类结果中样本子序列的数量等于所述初始聚类数;对比所述初始聚类损失与损失阈值,响应于所述初始聚类损失大于所述损失阈值,将所述初始聚类数加一,并重复执行所述有序样品聚类,以更新所述初始聚类结果和所述初始聚类损失;迭代地更新所述初始聚类结果和所述初始聚类损失,直至更新后的初始聚类损失不大于所述损失阈值时,将初始聚类结果作为目标聚类结果,所述目标聚类结果包括多个样本子序列以及相邻样本子序列之间的分割时刻。
8.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的光伏电源的下垂控制方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的光伏电源的下垂控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404515.1A CN117996863B (zh) | 2024-04-07 | 光伏电源的下垂控制方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404515.1A CN117996863B (zh) | 2024-04-07 | 光伏电源的下垂控制方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117996863A CN117996863A (zh) | 2024-05-07 |
CN117996863B true CN117996863B (zh) | 2024-07-09 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114430165A (zh) * | 2021-11-25 | 2022-05-03 | 南京师范大学 | 基于深度模型预测的微网群智能协调控制方法和装置 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114430165A (zh) * | 2021-11-25 | 2022-05-03 | 南京师范大学 | 基于深度模型预测的微网群智能协调控制方法和装置 |
Non-Patent Citations (1)
Title |
---|
孙亮,禹晶编著.模式识别原理.北京工业大学出版社,2009,第98-102页. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
CN111008640A (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN107977748B (zh) | 一种多变量扭曲时间序列预测方法 | |
CN116451594B (zh) | 覆冰预测模型的训练方法、预测方法、装置和电子设备 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN114925938B (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
WO2022039675A1 (en) | Method and apparatus for forecasting weather, electronic device and storage medium thereof | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN117996863B (zh) | 光伏电源的下垂控制方法、装置、计算机设备及介质 | |
CN117669656A (zh) | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 | |
CN117220283A (zh) | 一种光伏发电功率预测方法、装置和设备 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及系统 | |
CN117996863A (zh) | 光伏电源的下垂控制方法、装置、计算机设备及介质 | |
Zhu et al. | Prediction of air quality index based on wavelet transform combination model | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN111178630A (zh) | 一种负荷预测方法及装置 | |
CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 | |
CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 | |
Li et al. | Power data cleaning method based on isolation forest and LSTM neural network | |
CN116662160B (zh) | 基于代价敏感宽度学习的软件缺陷预测方法及处理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |