CN118232343B - 基于风能预测的充放电动态控制方法及系统 - Google Patents

Abstract

本发明公开了基于风能预测的充放电动态控制方法及系统，涉及充放电动态控制领域。所述方法包括：进行风力可视化模拟，输入风力可视化模型中，输出关联风电机组；按照风力传递方向进行连接；获取第一标识风电机组，检测第一风能预测信息；对剩余风电机组进行预测，输出各个剩余关联风电机组对应的各个风能预测信息，进行充放电控制。解决了现有技术中充放电控制策略基于固定的阈值规则，缺乏灵活性和适应性，且缺乏统一的调度管理，导致难以实现资源的高效利用的技术问题，基于数据动态分析和风力传递规律，获得关联风电机组，根据关联风电机组对风能进行预测，通过实时监测和数据分析，实现动态调整充放电控制策略的技术效果。

Description

基于风能预测的充放电动态控制方法及系统

技术领域

本申请涉及充放电动态控制技术领域，具体为基于风能预测的充放电动态控制方法及系统。

背景技术

风能作为一种清洁、可再生的能源，受到了越来越多的关注。风能发电是风能利用的主要方式之一，但风能具有间歇性和不稳定性，这给风能发电的并网运行和电力调度带来了挑战。因此，如何有效地预测风能并据此进行充放电的动态控制，成为了风能利用领域的研究热点。然而，现有的风能预测方法多基于历史数据和气象模型，但由于风能的复杂性和多变性，预测精度往往难以满足实际需求，现有的充放电控制策略多基于固定的阈值或规则，缺乏灵活性和适应性，难以应对风能的变化和电网的波动。基于风能预测的充放电动态控制方法，旨在通过预测风能的大小和变化趋势，实时调整储能设备的充放电状态，以实现电能的平衡和稳定输出。这种方法不仅可以提高风能发电的利用效率，还可以减少对电网的冲击和依赖。

综上所述，现有技术中存在充放电控制策略基于固定的阈值规则，缺乏灵活性和适应性，且缺乏统一的调度管理，导致难以实现资源的高效利用的技术问题。

发明内容

基于此，有必要针对上述技术问题，提供基于风能预测的充放电动态控制方法及系统，能够基于数据动态分析和风力传递规律，获得关联风电机组，根据关联风电机组对风能进行预测，通过实时监测和数据分析，实现动态调整充放电控制策略的技术效果。

第一方面，提供了基于风能预测的充放电动态控制方法，所述方法包括：建立风力可视化模型，利用所述风力可视化模型对目标地区进行风力可视化模拟，输出风力模拟数据；建立所述目标地区的风电机组分布信息；基于所述风电机组分布信息输入所述风力可视化模型中进行关联分析，输出关联风电机组；按照风力传递方向对所述关联风电机组进行连接，得到关联风电机组网络，其中，所述关联风电机组网络包括多级风电机组，其中，不同级风电机组为受风力影响存在时间先后关系的机组；当所述关联风电机组网络中出现第一标识风电机组，根据所述风力模拟数据检测所述第一标识风电机组的第一风能预测信息；以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测，输出各个剩余关联风电机组对应的各个风能预测信息；按照所述各个风能预测信息对各个剩余关联风电机组进行充放电控制。

第二方面，提供了基于风能预测的充放电动态控制系统，所述系统包括：风力模拟数据输出模块，所述风力模拟数据输出模块用于建立风力可视化模型，利用所述风力可视化模型对目标地区进行风力可视化模拟，输出风力模拟数据；风电机组分布信息建立模块，所述风电机组分布信息建立模块用于建立所述目标地区的风电机组分布信息；关联风电机组输出模块，所述关联风电机组输出模块用于基于所述风电机组分布信息输入所述风力可视化模型中进行关联分析，输出关联风电机组；关联风电机组网络获得模块，所述关联风电机组网络获得模块用于按照风力传递方向对所述关联风电机组进行连接，得到关联风电机组网络，其中，所述关联风电机组网络包括多级风电机组，其中，不同级风电机组为受风力影响存在时间先后关系的机组；风能预测信息检测模块，所述风能预测信息检测模块用于当所述关联风电机组网络中出现第一标识风电机组，根据所述风力模拟数据检测所述第一标识风电机组的第一风能预测信息；风电机组预测模块，所述风电机组预测模块用于以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测，输出各个剩余关联风电机组对应的各个风能预测信息；充放电控制模块，所述充放电控制模块用于按照所述各个风能预测信息对各个剩余关联风电机组进行充放电控制。

上述基于风能预测的充放电动态控制方法及系统，解决了现有技术中充放电控制策略基于固定的阈值规则，缺乏灵活性和适应性，且缺乏统一的调度管理，导致难以实现资源的高效利用的技术问题，基于数据动态分析和风力传递规律，获得关联风电机组，根据关联风电机组对风能进行预测，通过实时监测和数据分析，实现动态调整充放电控制策略的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为一个实施例中基于风能预测的充放电动态控制方法及系统的流程示意图；

图2为一个实施例中基于风能预测的充放电动态控制方法及系统的充放电模式启用判断的流程示意图；

图3为一个实施例中基于风能预测的充放电动态控制系统的结构框图。

附图标记说明：风力模拟数据输出模块11，风电机组分布信息建立模块12，关联风电机组输出模块13，关联风电机组网络获得模块14，风能预测信息检测模块15，风电机组预测模块16，充放电控制模块17。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

如图1所示，本申请提供了基于风能预测的充放电动态控制方法，所述方法包括：

建立风力可视化模型，利用所述风力可视化模型对目标地区进行风力可视化模拟，输出风力模拟数据。

风能预测是指根据各种气象因素对未来风能产生的预测，这包括预测风速、风向、风能量等，预测结果可以用于风力发电机组的生产计划、能源管理和风险管理。充放电动态控制是指对电池或其他储能设备的充电和放电过程进行实时、动态的监控和管理。这种控制方法可以根据实际需求和电池状态，灵活调整充电和放电的速率、时间等参数，以优化电池的使用效率和寿命。本申请提供了基于风能预测的充放电动态控制方法，通过建立机组选址，模拟风力传递范围，获取范围内的风力发电机组选址，查看风向所涉及到的机组，生成机组拓扑网络，以先产生风力变化的机组进行节点传递预测，根据预测结果控制对应机组的充放电控制，达到了优化能源利用效率、增强电网稳定性、提高设备寿命、促进新能源消纳和提升系统经济性等显著的有益效果。

风力可视化模型是一种通过计算机技术将风力数据转化为直观、易于理解的视觉表达形式的模型。风力可视化模型可以基于多种数据源，包括气象观测数据、数值模拟数据以及卫星遥感数据等，通过对这些数据的处理和分析，模型可以生成各种形式的风力可视化产品，如风力分布图、风力变化动画、风力数据仪表盘等。目标地区是指根据研究对象决定的，随机选取的需要进行研究的地区，根据所述风力可视化模型，将所述目标地区的风力情况进行可视化模拟，即将目标地区的气象数据和地形数据输入到风力可视化模型中，运行模型，对目标地区进行风力可视化模拟。模拟结果将展示风速、风向等风力特性的空间分布和动态变化。从模拟结果中提取风力模拟数据，包括风速、风向等，根据需要将数据转换为合适的格式，如图像文件。对所述风力模拟数据进行输出。通过上述方法，构建风力可视化模型，将目标地区的风力情况可视化，为后续进行充放电动态控制提供基础。

建立所述目标地区的风电机组分布信息。

收集目标地区所有风电机组的相关信息，包括机组的地理位置、容量、型号、生产厂家、安装时间等，获取目标地区的地形数据，根据所述相关信息将所述目标地区的风电机组的位置信息在地图上标出，分析机组的空间分布特征，如分布密度、集中区域、与地形地貌的关系等，在本申请中，是指将所述目标地区的所有风电机组的位置信息标注在地图上，建立所述目标地区的风电机组分布信息。通过上述方法，为后续获得关联风电机组与建立所述目标地区的风电机组的拓扑网络提供了数据支持。

基于所述风电机组分布信息输入所述风力可视化模型中进行关联分析，输出关联风电机组。

根据所述风电机组分布信息导入到所述风力可视化模型中在风力可视化模型中，根据风电机组的地理位置和属性信息，进行关联分析，包括地理位置关联、属性信息关联、风能资源关联等，在本申请中，是指通过分析风力传递方向，获得同一风力连接的风电机组，记作关联风电机组，例如所述目标区域有四个风电机组，记作第一风电机组、第二风电机组、第三风电机组和第四风电机组，所述目标区域起风，从第一风电机组吹到第二风电机组，然后吹出所述目标区域，则所述第一风电机组和所述第二风电机组记为关联风电机组。通过上述方法，获得关联风电机组，通过获取关联风电机组，为后续获取风电机组拓扑图提供了基础支持。

按照风力传递方向对所述关联风电机组进行连接，得到关联风电机组网络，其中，所述关联风电机组网络包括多级风电机组，其中，不同级风电机组为受风力影响存在时间先后关系的机组。

根据目标地区的地形、地貌、风速和风向等气象数据，分析风力的主要传递路径和方向，将关联风电机组划分为不同的级别。通常，先受到风力影响的风电机组被划分为较高级别，后受到影响的则被划分为较低级别，根据风力传递方向和速度，以及风电机组的位置和特性，获取所述关联风电机组网络的关联情况，根据风力传递方向和所述关联风电机组的地理位置，使用线或箭头将风电机组连接起来，形成关联风电机组网络，连接时，确保高级别的风电机组指向低级别的风电机组，以反映风力传递的时间先后顺序。当所述关联风电机组网络中出现第一标识风电机组，根据所述风力模拟数据检测所述第一标识风电机组的第一风能预测信息。通过上述方法，构建一个基于风力传递方向的关联风电机组网络，为风电场的运行管理、优化调度和规划发展提供有力支持。

获取所述风力模拟数据，其中，所述风力模拟数据包括风力强度、风力范围以及风力方向；获取所述第一标识风电机组的历史风力监测样本和历史转换风能数据；基于所述历史风力监测样本和所述历史转换风能数据的映射关系训练模型，输出风能预测模型；将所述风能预测模型下载各个风电机组的监测终端，所述监测终端读取所述风力模拟数据输入所述风能预测模型中，得到所述第一标识风电机组的第一风能预测信息。

获取所述风力模拟数据，其中，所述风力模拟数据包括风力强度、风力范围以及风力方向，风力强度代表风的力度，通常以米/秒为单位，风力范围是指风的作用区域和覆盖面积，风力方向是指风从哪个方向吹来，通常使用度数表示，例如北风为0度，东风为90度等；历史风力监测样本是指过去一段时间内该风电机组所经历的风力强度、方向等数据的记录，历史转换风能数据，即风电机组在对应的历史风力条件下实际转换成的电能数据，通常可以从风电机组的监控系统中导出；对历史风力监测样本和历史转换风能数据进行数据预处理，利用机器学习模型，以历史风力监测样本作为输入，历史转换风能数据作为输出，训练一个风能预测模型。构建基础的风能预测模型，输入所述历史风力监测样本，获取输出结果，根据所述历史风力监测样本的对应历史转换风能数据对输出结果进行训练，当所述输出结果的正确率到达标准时，所述基础的风能预测模型训练完成，获取训练完成后的风能预测模型，通过远程传输或现场拷贝的方式，将风能预测模型下载到各个风电机组的监测终端上，监测终端是指对所述风电机组进行监测的端口，监测终端定期从气象数据源获取最新的风力模拟数据，所述风力模拟数据输入到已下载的风能预测模型中，得到预测的风能转换值。监测终端将风能预测模型输出的预测值作为第一标识风电机组的第一风能预测信息，将所述第一风能预测信息进行存储、显示或传输，可以进行进一步的分析和管理。通过上述方法，利用风力模拟数据和风电机组的历史数据来训练并应用风能预测模型，实现对风电机组未来风能转换量的预测。

对所述第一风能预测信息进行变化分析，输出第一风能变化指标；当所述第一风能变化指标大于预设变化阈值，激活传递指令；根据所述传递指令以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测。

对所述第一风能预测信息进行变化分析，计算第一风能预测信息与之前一段时间的风能预测信息或实际风能数据之间的差异，通过差值计算获得，基于上述差异，可以定义一个风能变化指标，例如变化百分比或绝对值变化量。这个指标将量化风能的变化程度。将第一风能变化指标与预设变化阈值进行比较，所述预设变化阈值基于历史数据、专家经验或业务需求来设定。如果第一风能变化指标大于预设变化阈值，表示风能变化显著，此时激活一个传递指令，在关联风电机组网络中，除了第一标识风电机组外，还存在剩余风电机组，获取所述剩余风电机组的基本信息，如位置、容量等，根据所述传递指令以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测是指，当所述第一风能变化指标大于所述预设变化阈值时，所述风力会影响关联风电机组，所以需要根据所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组的接收情况进行分析处理，得到所述剩余风电机组的风力接收情况等。通过上述方法，可以对第一风能预测信息进行变化分析，并基于分析结果对关联风电机组网络中的剩余风电机组进行预测，为风电场的运行管理和优化调度提供有力支持。

以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测，输出各个剩余关联风电机组对应的各个风能预测信息。

收集第一风能预测信息，包括预计的风力强度、风向以及预测的风能产量等。基于地理位置、地形和气候条件等因素进行分析，了解关联风电机组网络中各风电机组之间的风力传递关系，考虑所述剩余风电机组的特性，如机型、容量、叶片设计、控制策略等，影响风电机组对风能的转换效率。建立节点传递预测模型，来预测剩余风电机组的风能产量，即利用历史数据和第一风能预测信息来预测未来风能，将第一风能预测信息，如预计的风力强度、风向等以及剩余风电机组的特性作为输入参数，对剩余风电机组进行风能预测。对于每个剩余风电机组，输出其对应的风能预测信息，这包括预计的风力强度、风向以及预测的风能产量等，通过上述方法，基于第一风能预测信息对关联风电机组网络中的剩余风电机组进行预测，并为风电场的运行管理、优化调度和决策制定提供重要依据。

训练节点传递预测模型；获取各个剩余风电机组与所述第一标识风电机组的传递距离；根据所述传递距离预测各个剩余风电机组分别对应的风力影响时间节点；调用所述节点传递预测模型对所述第一风能预测信息进行预测，得到各个剩余风电机组在对应的风力影响时间节点下的风能预测信息。

收集历史风力数据、风能产量数据以及风电机组之间的相对位置信息，从数据中提取出关键特征，如风力强度、风向、传递距离、地形因素等，根据问题的性质和数据特点选择合适的预测模型，对所述节点传递预测模型进行训练，所述节点传递预测模型是指一种用于处理图结构数据的神经网络模型，在本申请中，可以用于预测风电机组之间的风力传递和相互影响，进而预测各个风电机组的风能产量。使用地理信息系统（GIS）或简单的二维坐标计算方法，计算各个剩余风电机组与第一标识风电机组之间的传递距离，根据气象学和风力传播的基本知识，分析风力在不同距离上的传播速度和衰减规律，基于风力传播特性和传递距离，预测各个剩余风电机组分别对应的风力影响时间节点。通常是一个相对时间，表示从第一标识风电机组受到风力影响开始，到某个剩余风电机组受到相同风力影响所需的时间。将第一风能预测信息，包括预计的风力强度、风向等以及各个剩余风电机组对应的风力影响时间节点作为输入数据。调用已经训练好的节点传递预测模型，对输入数据进行预测。模型将根据输入的风力信息和时间节点，预测各个剩余风电机组在对应时间节点下的风能产量。将预测结果以表格、图表或其他形式输出，展示各个剩余风电机组在不同时间节点下的风能预测信息。通过上述方法，可以训练一个节点传递预测模型，并基于该模型对关联风电机组网络中各个剩余风电机组的风能进行预测。这将有助于风电场实现更准确的能源产量预测和更有效的运行管理。

建立所述第一标识风电机组与各个剩余风电机组之间的配置相关性，输出多个互相关指标；建立全连接神经网络，其中，所述神经网络包括多个输入层，输入层数量与各个剩余风电机组的数量相同；利用所述多个互相关指标和风能预测样本，以及标识风能影响的标识信息对所述神经网络进行训练直至收敛，训练得到节点传递预测模型。

收集风电场的历史数据，包括第一标识风电机组和各个剩余风电机组的风能产量、风速、风向等，分析第一标识风电机组与各个剩余风电机组之间的相关性，通过计算风能产量、风速、风向等参数的相关系数、互信息等统计指标来实现，根据分析结果，为每个剩余风电机组输出互相关指标，这些指标将量化其与第一标识风电机组之间的配置相关性，其中互相关指标是指所述第一标识风电机组与所述剩余风电机组之间的相关性，例如距离越近，相关性越大，使用历史数据构建风能预测样本。每个样本应包括第一标识风电机组的风能预测信息，如风速、风向预测值、各个剩余风电机组的互相关指标，以及标识风能影响的标识信息，将样本划分为训练集、验证集和测试集。设计一个全连接神经网络。网络应包含多个输入层，每个输入层对应一个剩余风电机组，并接收该风电机组的互相关指标作为输入，输出层应包含与剩余风电机组数量相同的神经元，用于输出各个风电机组的风能预测值。选择适当的损失函数，用于衡量网络预测值与实际值之间的差异，使用训练集对所述全连接神经进行训练。在每个训练迭代中，将输入数据，包括第一标识风电机组的风能预测信息和各个剩余风电机组的互相关指标，传递给所述全连接神经网络，计算输出层的预测值，并根据损失函数计算预测值与实际值之间的差异。然后，使用优化器更新网络权重，以减小损失函数的值。重复此过程直至网络收敛或达到预设的训练轮数。在训练过程中，使用验证集对网络的性能进行验证。如果验证集上的性能开始下降，则可能出现了过拟合现象，此时应停止训练或采取其他措施，如增加正则化项、减少网络复杂度等来防止过拟合。通过上述步骤，建立一个基于全连接神经网络的节点传递预测模型，该模型能够利用第一标识风电机组与各个剩余风电机组之间的配置相关性来预测各个风电机组的风能产量。

所述节点传递预测模型的表达式如下：

；

其中，t为风力影响时间节点，为在风力影响时间节点下的风能预测信息，为预测的风能影响的标识信息，为第一标识风电机组与剩余风电机组的多个互相关指标；为时间后移算子，b为调整时间后移算子影响程度的指数，通过调整b的大小来训练模型，为输入的第一风能预测信息，为模型训练时测试得到的残差。

所述节点传递预测模型的表达式如下：；其中，t为风力影响时间节点，为在风力影响时间节点下的风能预测信息，为预测的风能影响的标识信息，如天气条件、地理位置等，为第一标识风电机组与剩余风电机组的多个互相关指标；为时间后移算子，b为调整时间后移算子影响程度的指数，通过调整b的大小来训练模型，为输入的第一风能预测信息，为模型训练时测试得到的残差。其中，；

，S为剩余风电机组的数量。通过提供上述表达式，可以获得所述第一风能预测信息与所述剩余风电机组的互相关指标，为构建所述节点传递预测模型提供了理论支持。

按照所述各个风能预测信息对各个剩余关联风电机组进行充放电控制。

使用节点传递预测模型，根据当前的气象条件、历史数据和第一标识风电机组的风能预测信息，预测各个剩余关联风电机组在未来一段时间内的风能产量。分析预测的风能产量数据，评估风电场的总体产能以及各机组的出力波动情况，预测电网或微电网在未来一段时间内的电力需求，基于风能预测和电力需求预测，制定充放电控制策略。这包括确定哪些风电机组在何时应该增加或减少出力，以及在电力过剩时如何存储多余的能量，在电力不足时如何释放存储的能量。通过风电场监控系统实时跟踪各个风电机组的运行状态和电网的电力需求，根据充放电控制策略，向各个风电机组下发控制指令，调整它们的出力或进行充放电操作。根据实时数据和反馈，不断调整充放电控制策略，以应对风力变化和电力需求的波动。通过上述方法，利用节点传递预测模型预测的风能信息来指导风电场中的充放电控制策略，从而提高风电场的运行效率和经济效益。

如图2所示，对所述各个风能预测信息进行判断，当所述各个风能预测信息为正向量变化时，判断当前持续时长是否等于预设时长；若当前持续时长小于所述预设时长，启动充电模式将风能转换为电能进行存储；若当前持续时长等于所述预设时长，启动放电模式释放已存储的电能。

基于所述节点传递预测模型获取所述剩余风电机组的风能预测信息，判断这些风能预测信息是否相对于上一时间点的预测或实际值呈现正向量变化，即风能产量是否在增加。如果风能预测信息为正向量变化，接下来需要评估这种正增长的持续时长，记录这种正增长开始的时间点，并计算从该时间点起至今的持续时间，将计算得到的当前持续时长与预设时长进行比较。预设时长通常基于历史数据、电网需求、储能系统容量等多个因素确定。如果当前持续时长小于预设时长，这意味着风能仍在持续增加中，且预计在未来一段时间内仍会保持较高的水平。此时，可以启动充电模式，将风能转换为电能并存储在储能系统中。如果当前持续时长等于预设时长，这可能意味着风能即将达到峰值或已经开始下降。此时，可以启动放电模式，释放已存储的电能以满足电网需求或平衡系统内的电力供需。通过上述方法，对所述各个风能预测信息进行判断，达到了资源丰富时储存多余的电能，在风能不足时释放储存的电能的技术效果。

如图3所示，本申请实施例包括基于风能预测的充放电动态控制系统，所述系统包括：

风力模拟数据输出模块11，所述风力模拟数据输出模块11用于建立风力可视化模型，利用所述风力可视化模型对目标地区进行风力可视化模拟，输出风力模拟数据；

风电机组分布信息建立模块12，所述风电机组分布信息建立模块12用于建立所述目标地区的风电机组分布信息；

关联风电机组输出模块13，所述关联风电机组输出模块13用于基于所述风电机组分布信息输入所述风力可视化模型中进行关联分析，输出关联风电机组；

关联风电机组网络获得模块14，所述关联风电机组网络获得模块14用于按照风力传递方向对所述关联风电机组进行连接，得到关联风电机组网络，其中，所述关联风电机组网络包括多级风电机组，其中，不同级风电机组为受风力影响存在时间先后关系的机组；

风能预测信息检测模块15，所述风能预测信息检测模块15用于当所述关联风电机组网络中出现第一标识风电机组，根据所述风力模拟数据检测所述第一标识风电机组的第一风能预测信息；

风电机组预测模块16，所述风电机组预测模块16用于以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测，输出各个剩余关联风电机组对应的各个风能预测信息；

充放电控制模块17，所述充放电控制模块17用于按照所述各个风能预测信息对各个剩余关联风电机组进行充放电控制。

进一步地，本申请实施例还包括：

节点传递预测模型训练模块，所述节点传递预测模型训练模块用于训练节点传递预测模型；

传递距离获取模块，所述传递距离获取模块用于获取各个剩余风电机组与所述第一标识风电机组的传递距离；

风力影响时间节点预测模块，所述风力影响时间节点预测模块用于根据所述传递距离预测各个剩余风电机组分别对应的风力影响时间节点；

风能预测信息获得模块，所述风能预测信息获得模块用于调用所述节点传递预测模型对所述第一风能预测信息进行预测，得到各个剩余风电机组在对应的风力影响时间节点下的风能预测信息。

进一步地，本申请实施例还包括：

互相关指标输出模块，所述互相关指标输出模块用于建立所述第一标识风电机组与各个剩余风电机组之间的配置相关性，输出多个互相关指标；

全连接神经网络建立模块，所述全连接神经网络建立模块用于建立全连接神经网络，其中，所述神经网络包括多个输入层，输入层数量与各个剩余风电机组的数量相同；

训练模块，所述训练模块用于利用所述多个互相关指标和风能预测样本，以及标识风能影响的标识信息对所述神经网络进行训练直至收敛，训练得到节点传递预测模型。

进一步地，本申请实施例还包括：

节点传递预测模型表达式模块，所述节点传递预测模型表达式模块用于所述节点传递预测模型的表达式如下：

；

其中，t为风力影响时间节点，为在风力影响时间节点下的风能预测信息，为预测的风能影响的标识信息，为第一标识风电机组与剩余风电机组的多个互相关指标；为时间后移算子，b为调整时间后移算子影响程度的指数，通过调整b的大小来训练模型，为输入的第一风能预测信息，为模型训练时测试得到的残差。

进一步地，本申请实施例还包括：

风力模拟数据获取模块，所述风力模拟数据获取模块用于获取所述风力模拟数据，其中，所述风力模拟数据包括风力强度、风力范围以及风力方向；

历史数据获取模块，所述历史数据获取模块用于获取所述第一标识风电机组的历史风力监测样本和历史转换风能数据；

风能预测模型输出模块，所述风能预测模型输出模块用于基于所述历史风力监测样本和所述历史转换风能数据的映射关系训练模型，输出风能预测模型；

第一风能预测信息获得模块，所述第一风能预测信息获得模块用于将所述风能预测模型下载各个风电机组的监测终端，所述监测终端读取所述风力模拟数据输入所述风能预测模型中，得到所述第一标识风电机组的第一风能预测信息。

进一步地，本申请实施例还包括：

变化分析模块，所述变化分析模块用于对所述第一风能预测信息进行变化分析，输出第一风能变化指标；

传递指令激活模块，所述传递指令激活模块用于当所述第一风能变化指标大于预设变化阈值，激活传递指令；

风电机组预测模块，所述风电机组预测模块用于根据所述传递指令以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测。

进一步地，本申请实施例还包括：

持续时长预测模块，所述持续时长预测模块用于对所述各个风能预测信息进行判断，当所述各个风能预测信息为正向量变化时，判断当前持续时长是否等于预设时长；

存储模块，所述存储模块用于若当前持续时长小于所述预设时长，启动充电模式将风能转换为电能进行存储；

电能释放模块，所述电能释放模块用于若当前持续时长等于所述预设时长，启动放电模式释放已存储的电能。

关于基于风能预测的充放电动态控制系统的具体实施例可以参见上文中对于基于风能预测的充放电动态控制方法的实施例，在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (4)

1.基于风能预测的充放电动态控制方法，其特征在于，所述方法包括：

建立风力可视化模型，利用所述风力可视化模型对目标地区进行风力可视化模拟，输出风力模拟数据；

建立所述目标地区的风电机组分布信息；

基于所述风电机组分布信息输入所述风力可视化模型中进行关联分析，输出关联风电机组；

按照风力传递方向对所述关联风电机组进行连接，得到关联风电机组网络，其中，所述关联风电机组网络包括多级风电机组，其中，不同级风电机组为受风力影响存在时间先后关系的机组；

当所述关联风电机组网络中出现第一标识风电机组，根据所述风力模拟数据检测所述第一标识风电机组的第一风能预测信息；

以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测，输出各个剩余关联风电机组对应的各个风能预测信息；

按照所述各个风能预测信息对各个剩余关联风电机组进行充放电控制；

输出各个剩余关联风电机组对应的各个风能预测信息，方法包括：

训练节点传递预测模型；

获取各个剩余风电机组与所述第一标识风电机组的传递距离；

根据所述传递距离预测各个剩余风电机组分别对应的风力影响时间节点；

调用所述节点传递预测模型对所述第一风能预测信息进行预测，得到各个剩余风电机组在对应的风力影响时间节点下的风能预测信息；

训练所述节点传递预测模型，包括：

建立所述第一标识风电机组与各个剩余风电机组之间的配置相关性，输出多个互相关指标；

建立全连接神经网络，其中，所述神经网络包括多个输入层，输入层数量与各个剩余风电机组的数量相同；

利用所述多个互相关指标和风能预测样本，以及标识风能影响的标识信息对所述神经网络进行训练直至收敛，训练得到节点传递预测模型；

所述节点传递预测模型的表达式如下：

；

其中，t为风力影响时间节点，为在风力影响时间节点下的风能预测信息，为预测的风能影响的标识信息，为第一标识风电机组与剩余风电机组的多个互相关指标；为时间后移算子，b为调整时间后移算子影响程度的指数，通过调整b的大小来训练模型，为输入的第一风能预测信息，为模型训练时测试得到的残差；

根据所述风力模拟数据检测所述第一标识风电机组的第一风能预测信息，方法包括：

获取所述风力模拟数据，其中，所述风力模拟数据包括风力强度、风力范围以及风力方向；

获取所述第一标识风电机组的历史风力监测样本和历史转换风能数据；

基于所述历史风力监测样本和所述历史转换风能数据的映射关系训练模型，输出风能预测模型；

将所述风能预测模型下载各个风电机组的监测终端，所述监测终端读取所述风力模拟数据输入所述风能预测模型中，得到所述第一标识风电机组的第一风能预测信息。

2.如权利要求1所述的方法，其特征在于，获取所述第一标识风电机组的第一风能预测信息之后，还包括：

对所述第一风能预测信息进行变化分析，输出第一风能变化指标；

当所述第一风能变化指标大于预设变化阈值，激活传递指令；

根据所述传递指令以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测。

3.如权利要求1所述的方法，其特征在于，按照所述各个风能预测信息对各个剩余关联风电机组进行充放电控制，方法包括：

对所述各个风能预测信息进行判断，当所述各个风能预测信息为正向量变化时，判断当前持续时长是否等于预设时长；

若当前持续时长小于所述预设时长，启动充电模式将风能转换为电能进行存储；

若当前持续时长等于所述预设时长，启动放电模式释放已存储的电能。

4.基于风能预测的充放电动态控制系统，其特征在于，所述系统用于执行权利要求1-3任一项所述的方法，所述系统包括：

风力模拟数据输出模块，所述风力模拟数据输出模块用于建立风力可视化模型，利用所述风力可视化模型对目标地区进行风力可视化模拟，输出风力模拟数据；

风电机组分布信息建立模块，所述风电机组分布信息建立模块用于建立所述目标地区的风电机组分布信息；

关联风电机组输出模块，所述关联风电机组输出模块用于基于所述风电机组分布信息输入所述风力可视化模型中进行关联分析，输出关联风电机组；

关联风电机组网络获得模块，所述关联风电机组网络获得模块用于按照风力传递方向对所述关联风电机组进行连接，得到关联风电机组网络，其中，所述关联风电机组网络包括多级风电机组，其中，不同级风电机组为受风力影响存在时间先后关系的机组；

风能预测信息检测模块，所述风能预测信息检测模块用于当所述关联风电机组网络中出现第一标识风电机组，根据所述风力模拟数据检测所述第一标识风电机组的第一风能预测信息；

风电机组预测模块，所述风电机组预测模块用于以所述第一风能预测信息对所述关联风电机组网络中的剩余风电机组进行预测，输出各个剩余关联风电机组对应的各个风能预测信息；

充放电控制模块，所述充放电控制模块用于按照所述各个风能预测信息对各个剩余关联风电机组进行充放电控制。