一种基于深度学习的电能质量控制系统及控制方法技术方案

为解决电气设备激增产生大量谐波注入电网而造成电网的传输和电能利用率低下，致使电网企业需要投入大量的社会资源且不能灵活供电的技术问题，本发明专利技术提供了一种基于深度学习的电能质量控制系统及控制方法。本发明专利技术结合深度学习技术，将传统电能质量控制系统原有的固定控制方法改进为基于大数据和实时数据结合的自适应控制方法，提高了电能质量控制系统的智能化水平，能大大减少用电设备的谐波，使用这些方式如增大无功补偿、投切电容等能增大供电系统的容量，使电能质量更加良好。使电能质量更加良好。使电能质量更加良好。

【技术实现步骤摘要】
一种基于深度学习的电能质量控制系统及控制方法


[0001]本专利技术属于电能质量控制
，涉及一种基于深度学习的电能质量控制系统及控制方法。

技术介绍

[0002]随着近代社会科学技术的发展不断深入，在我国现阶段各种电器设备呈几何倍速增加，这些电器设备产生大量的谐波注入电网，造成电网的传输和电能利用率低下，致使电网相关企业在这方面不得不投入大量的社会资源，而且不能灵活供电。

技术实现思路

[0003]为解决电气设备激增产生大量谐波注入电网而造成电网的传输和电能利用率低下，致使电网企业需要投入大量的社会资源且不能灵活供电的技术问题，本专利技术提供了一种基于深度学习的电能质量控制系统及控制方法。
[0004]本专利技术所采用的技术方案是：
[0005]一种基于深度学习的电能质量控制系统，其特殊之处在于：
[0006]包括深度学习数据中心、以及多个电能质量控制单元，所述电能质量控制单元设置在电网入户侧的有源电路与用户端的无源电路之间；所述电能质量控制单元包括深度学习模块，以及均与深度学习模块相连的线路进线电流检测模块、线路出线电流检测模块、系统内部电压检测模块、谐波检测模块、补偿模块；
[0007]线路进线电流检测模块用于检测线路进线电流i
S
并传送给深度学习模块；
[0008]线路出线电流检测模块用于检测线路出线电流i
L
并传送给深度学习模块；
[0009]系统内部电压检测模块用于检测电能质量控制系统内部的电压值ur/>dc
并传送给深度学习模块；
[0010]谐波检测模块用于检测无源电路产生的谐波分量并传送给深度学习模块；
[0011]深度学习模块用于对接收到的检测数据进行处理分析，将处理分析结果发送给所述深度学习数据中心；
[0012]深度学习数据中心用于对接收到的数据进行分析综合，生成反馈数据回传给深度学习模块；
[0013]深度学习模块将所述反馈数据与无源电路的本地数据进行对比，生成自适应控制方法，并基于该自适应控制方法控制所述补偿模块对电网进行自适应谐波和无功补偿。
[0014]进一步地，深度学习模块对接收到的检测数据进行处理分析的具体过程为：
[0015]步骤1：根据所采集的内部电压u
dc
、线路进线电流i
S
和线路出线电流i
L
，计算谐波电流、有功功率P、无功功率Q；
[0016]步骤2：将无功功率Q计算值与用户所需无功功率参考值进行比较，若无功功率Q计算值小于用户所需无功功率参考值，则通过补偿模块增大无功功率达到用户所需无功功率参考值，再进入步骤3；若无功功率Q计算值大于等于用户所需无功功率参考值，则直接进入
步骤3；
[0017]步骤3：将谐波电流计算值与谐波电流参考值进行比较，若谐波电流计算值大于谐波电流参考值，则通过补偿模块减小谐波电流输出至小于或等于谐波电流参考值，再进入步骤4；若谐波电流计算值小于等于谐波电流参考值，则直接进入步骤4；
[0018]步骤4：根据当前的无功功率Q、有功功率P生成实际负荷曲线；实际负荷曲线的横坐标为时间轴，纵坐标为无功功率Q和有功功率P；
[0019]步骤5：将步骤4中生成的实际负荷曲线与从用户端获取的用户实际所需负荷曲线或后续步骤7中深度学习数据中心生成的预测有效负荷曲线相比较，若偏差在
±
10％以内，则表示预测正确，确认该实际负荷曲线为当前有效负荷曲线，进入步骤6；否则，通过补偿模块增大无功功率或减小谐波电流输出，返回步骤4；
[0020]步骤6：维持当前无功功率和谐波电流输出，并将当前有效负荷曲线上传至深度学习数据中心。
[0021]进一步地，深度学习数据中心对接收到的数据进行分析综合的具体过程为：
[0022]步骤7：深度学习数据中心接收深度学习模块上传的有效负荷曲线，对其进行数据处理，输出深度学习后的预测有效负荷曲线；
[0023]步骤8：根据深度学习后的预测有效负荷曲线，在深度学习中心生成预测负荷曲线输出指令；
[0024]所述预测负荷曲线输出指令包括在需要无功时的提前输出无功指令，以及在需要抑制谐波时的提前抑制谐波和减小谐波输出指令；
[0025]步骤9：根据步骤8所生成的预测负荷曲线输出指令，控制无功和谐波的指令，控制输出无功和谐波电流；
[0026]步骤10：返回所述步骤5，进入下一周期循环。
[0027]本专利技术还提供了一种基于深度学习的电能质量控制方法，其特殊之处在于，包括以下步骤：
[0028]步骤1：在电网入户侧的有源电路与用户端的无源电路之间，接入多个可控的补偿模块，并实时采集内部电压u
dc
、线路进线电流i
S
、线路出线电流i
L
，根据所采集的内部电压u
dc
、线路进线电流i
S
和线路出线电流i
L
，计算谐波电流、有功功率P、无功功率Q；
[0029]步骤2：将无功功率Q计算值与用户所需无功功率参考值进行比较，若无功功率Q计算值小于用户所需无功功率参考值，则通过补偿模块增大无功功率达到用户所需无功功率参考值，再进入步骤3；若无功功率Q计算值大于等于用户所需无功功率参考值，则直接进入步骤3；
[0030]步骤3：将谐波电流计算值与谐波电流参考值进行比较，若谐波电流计算值大于谐波电流参考值，则通过补偿模块减小谐波电流输出至小于或等于谐波电流参考值，再进入步骤4；若谐波电流计算值小于等于谐波电流参考值，则直接进入步骤4；
[0031]步骤4：根据当前的无功功率Q、有功功率P生成实际负荷曲线；实际负荷曲线的横坐标为时间轴，纵坐标为无功功率Q和有功功率P；
[0032]步骤5：将步骤4中生成的实际负荷曲线与从用户端获取的用户实际所需负荷曲线或后续步骤7中深度学习数据中心生成的预测有效负荷曲线相比较，若偏差在
±
10％以内，则表示预测正确，确认该实际负荷曲线为当前有效负荷曲线，进入步骤6；否则，通过补偿模
块增大无功功率或减小谐波电流输出，返回步骤4；
[0033]步骤6：维持当前无功功率和谐波电流输出，并将当前有效负荷曲线上传至深度学习数据中心；
[0034]步骤7：深度学习数据中心接收所述有效负荷曲线，对其进行数据处理，输出深度学习后的预测有效负荷曲线；
[0035]步骤8：根据深度学习后的预测有效负荷曲线，在深度学习中心生成预测负荷曲线输出指令；
[0036]所述预测负荷曲线输出指令包括在需要无功时的提前输出无功指令，以及在需要抑制谐波时的提前抑制谐波和减小谐波输出指令；
[0037]步骤9：根据步骤8所生成的预测负荷曲线输出指令，控制无功和谐波的指令，控制输出无功和谐波电流；
[0038]步骤10：返回步骤5，进入下一周期循环。
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电能质量控制系统，其特征在于：包括深度学习数据中心、以及多个电能质量控制单元，所述电能质量控制单元设置在电网入户侧的有源电路与用户端的无源电路之间；所述电能质量控制单元包括深度学习模块(6)，以及均与深度学习模块(6)相连的线路进线电流检测模块(7)、线路出线电流检测模块(9)、系统内部电压检测模块(8)、谐波检测模块(11)、补偿模块(4)；线路进线电流检测模块(7)用于检测线路进线电流i
S
并传送给深度学习模块(6)；线路出线电流检测模块(9)用于检测线路出线电流i
L
并传送给深度学习模块(6)；系统内部电压检测模块(8)用于检测电能质量控制系统内部的电压值u
dc
并传送给深度学习模块(6)；谐波检测模块(11)用于检测无源电路(3)产生的谐波分量并传送给深度学习模块(6)；深度学习模块(6)用于对接收到的检测数据进行处理分析，将处理分析结果发送给所述深度学习数据中心；深度学习数据中心用于对接收到的数据进行分析综合，生成反馈数据回传给深度学习模块(6)；深度学习模块(6)将所述反馈数据与无源电路(3)的本地数据进行对比，生成自适应控制方法，并基于该自适应控制方法控制所述补偿模块(4)对电网进行自适应谐波和无功补偿。2.根据权利要求1所述的电能质量控制系统，其特征在于：深度学习模块(6)对接收到的检测数据进行处理分析的具体过程为：步骤1：根据所采集的内部电压u
dc
、线路进线电流i
S
和线路出线电流i
L
，计算谐波电流、有功功率P、无功功率Q；步骤2：将无功功率Q计算值与用户所需无功功率参考值进行比较，若无功功率Q计算值小于用户所需无功功率参考值，则通过补偿模块增大无功功率达到用户所需无功功率参考值，再进入步骤3；若无功功率Q计算值大于等于用户所需无功功率参考值，则直接进入步骤3；步骤3：将谐波电流计算值与谐波电流参考值进行比较，若谐波电流计算值大于谐波电流参考值，则通过补偿模块减小谐波电流输出至小于或等于谐波电流参考值，再进入步骤4；若谐波电流计算值小于等于谐波电流参考值，则直接进入步骤4；步骤4：根据当前的无功功率Q、有功功率P生成实际负荷曲线；实际负荷曲线的横坐标为时间轴，纵坐标为无功功率Q和有功功率P；步骤5：将步骤4中生成的实际负荷曲线与从用户端获取的用户实际所需负荷曲线或后续步骤7中深度学习数据中心生成的预测有效负荷曲线相比较，若偏差在
±
10％以内，则表示预测正确，确认该实际负荷曲线为当前有效负荷曲线，进入步骤6；否则，通过补偿模块增大无功功率或减小谐波电流输出，返回步骤4；步骤6：维持当前无功功率和谐波电流输出，并将当前有效负荷曲线上传至深度学习数据中心。3.根据权利要求2所述的电能质量控制系统，其特征在于：深度学习数据中心对接收到的数据进行分析综合的具体过程为：步骤7：深度学习数据中心接收深度学习模块上传的有效负荷曲线，对其进行数据处
理，输出深度学习后的预测有效负荷曲线；步骤8：根据深度学习后的预测有效负荷曲线，在深度学习中心生成预测负荷曲线输出指令；所述预测负荷曲线输出指令包括在需要无功时的提前输出无功指令，以及在需要抑制谐波时的提前抑制谐波和减小谐波输出指令；步骤9：根据步骤8所生成的预测负荷曲线输出指令，控制无功和谐波的指令，控制输出无功和谐波电流；步骤10：返回所述步骤5，进入下一周期循环。4.一种基于深度学习的电能质量控制方法，其特征在于，包括以下步骤：步骤1：在电网入户侧的有源电路与用户端的无源电路之间，接入多个可控的补偿模块，并实时采集内部电压u
dc
、线路进线电流i
S
、线路出线电流i
L
，根据所采集的内部电压u
dc
、线路进线电流i
S
和线路出线电流i
L
，计算谐波电流、有功功率P、无功功率Q；步骤2：将无功功率Q计算值与用户所需无功功率参考值进行比较，若无功功率Q计...

【专利技术属性】
技术研发人员：徐昌宝，高鹏，孙鹏博，崔旭东，康凯，奇达博尔，曹志刚，宋宏剑，王成全，
申请(专利权)人：西安爱科赛博电气股份有限公司，
类型：发明
国别省市：