基于PPO的风力发电机组功率预测控制系统技术方案

一种基于PPO的风力发电机组功率预测控制系统，其中包括，风力发电机组、运行数据获取单元、功率预测模型、PPO算法模块；基于气象数据和风力发电机组的历史功率数据进行数据建模，得到功率预测系统的数据驱动模型；PPO算法模块接收风力发电机组的实时功率数据作为实际运行状态信息，并将有效学习结果反馈至功率预测系统数据驱动模型；机组的功率预测系统数据驱动模型接收到PPO算法的反馈信息后，将功率预测结果与机组实际功率进行比较，若预测误差超出阈值，则更新功率预测系统数据驱动模型；完成功率预测系统模型的更新，提高机组功率预测精度。测精度。测精度。

【技术实现步骤摘要】
基于PPO的风力发电机组功率预测控制系统


[0001]本专利技术涉及风力发电机组功率预测领域，更具体地，涉及一种基于PPO的风力发电机组功率预测控制系统。

技术介绍

[0002]风能在经济和环境方面的优势使它的利用在社会发展中起着至关重要的作用。为减小风能的随机性给电力系统带来的威胁，提高风力发电机组的功率预测精度对扩大其装机容量具有关键作用。精准的系统模型是进行机组功率预测的基础。现有的风力发电机组功率预测系统模型大多是基于数据或者机理离线建立的，与机组的实时运作状态没有联系，造成了模型与系统不匹配的问题。深度强化学习算法具有能够连续有效学习环境的特征，在人工智能方面得到了很多成功的应用。因此，结合深度强化学习算法家族中的PPO完成风力发电机组实时运行信息与其功率预测系统模型之间的交互，可提高机组的功率预测精度。

技术实现思路

[0003]本专利技术旨在解决风力发电机组功率预测模型与机组实际运行状态的信息交互问题，提高机组的功率预测精度。。
[0004]一种基于PPO的风力发电机组功率预测控制系统，其中包括，风力发电机组、运行数据获取单元、功率预测模型、PPO算法模块；风力发电机组由风力驱动输出电力，其工作状态受风速影响发生变化；其特征在于，
[0005]运行数据获取单元连接风力发电机组，获取风力发电机组的历史功率数据和实时功率数据，还获取气象数据；
[0006]基于气象数据和风力发电机组的历史功率数据进行数据建模，得到功率预测系统的数据驱动模型；
[0007]PPO算法模块接收风力发电机组的实时功率数据作为实际运行状态信息，并将有效学习结果反馈至功率预测系统数据驱动模型；
[0008]机组的功率预测系统数据驱动模型接收到PPO算法模块的反馈信息后，进一步将功率预测结果与机组实际功率进行比较，若预测误差超出阈值，则更新功率预测系统数据驱动模型。
[0009]本专利技术有益效果：
[0010]1.采样PPO算法对风电机组实时运行状态进行实时学习，促进了功率预测系统与机组实际运行信息之间的交互。
[0011]2.基于PPO算法对风电机组实时运行信息的学习反馈，完成功率预测系统模型的更新，提高机组功率预测精度。
附图说明
[0012]图1结合PPO算法的风力发电机组功率预测系统；
[0013]图2PPO算法整体框架；
具体实施方式
[0014]下面结合附图对本专利技术作进一步描述，应当理解，此处所描述的内容仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0015]缩略语、英文和关键术语定义列表
[0016]1、PPO:近端策略优化
[0017]2、agent：智能体
[0018]基于某100MW风电场过去3天内的运行数据进行实施例说明。
[0019]基于PPO算法和超短期运行数据优化风力发电机组功率预测系统模型的方案如图1所示。
[0020]如图1所示，基于PPO的风力发电机组功率预测控制系统，其中包括，风力发电机组、运行数据获取单元、功率预测模型、PPO算法模块、机组运维优化单元。
[0021]风力发电机组由风力驱动输出电力，其工作状态受风速影响发生变化。
[0022]运行数据获取单元连接风力发电机组，获取风力发电机组的历史功率数据和实时功率数据，还可通过传感器采集或网络服务器方式，获取气象数据，如风速。
[0023]基于气象数据和风力发电机组的历史功率数据进行数据建模，基于风力发电机组过去3天的历史实际运行数据通过子空间辨识法得到机组功率预测系统的数据驱动模型。
[0024]基于风力发电机组3天超短期历史运行数据辨识可得到其功率预测系统的数据驱动模型，该模型是过去时刻系统的模型，不能完全反映机组实时运行状态。需要结合PPO算法进行修正。
[0025]PPO算法模块接收风力发电机组的实时功率数据等作为实际运行状态信息，通过PPO算法中的智能体agent对风力发电机组实际运行状态信息进行在线有效学习，并将有效学习结果反馈至功率预测系统数据驱动模型。
[0026]PPO算法是机器学习算法中的一种，通过算法中抽象的智能体对环境信息的持续主动学习，并输出动作信息至功率预测系统数据驱动模型。通过PPO算法智能体对机组实时功率数据进行学习，将清洗后有利于提高功率预测精度的实时功率数据、风速等环境信息反馈至功率预测系统数据驱动模型。
[0027]机组的功率预测系统模型接收PPO算法模块的反馈信息，即智能体的动作信息，如清洗后的机组实时输出功率、风速、桨距角等有利于提高功率预测系统数据驱动模型精度的数据。并进一步将功率预测结果与机组实际功率进行比较，若预测误差超出阈值，则更新功率预测系统模型。
[0028]更新后的功率预测系统模型输出功率预测信息到机组运维优化单元，进而调节风力发电机组运行。
[0029]重复执行上述迭代更新，最后使功率预测系统模型无限接近机组实时运作状况，达到提高机组功率预测的效果。
[0030]PPO算法模块
[0031]研究表明，强化学习(RL)算法适用于解决各种复杂的随机性问题，如微电网的频率控制和热电厂的长时延控制回路等。然而，RL算法在处理高维问题上显得，即随着输入数量的增加，计算量急剧增加，很难在大的状态空间中找到好的策略，需寻找合适的改进方案以扩大其适用范围。深度学习算法通过训练深度神经网络来逼近任意非线性函数，达到学习输入数据的内在规律和本质特征的目标。深度学习因其强大的表示能力在人工智能领域得到了广泛成功应用。因此，结合强化学习与深度学习，具有快速高效计算和强拟合能力的深度强化学习(DRL)算法应运而生。近端策略优化(PPO)是一种新的基于策略的DRL算法，它对超参数的敏感性较低，可以避免大量的策略更新和不良的动作选择。
[0032]PPO算法整体框架如图2所示。
[0033]在DRL中，智能体(agent)是一种深度神经网络(DNN)的结构。通过设置奖励值并反馈给智能体指导其进行有效的动作，进而快速精准完成学习任务。相应地，在风电机组中，结合功率预测误差的奖励机制指导智能体对机组实时发电功率和风速、桨距角进行学习，并将其学习成果(清洗后的实时输出功率、风速等)以智能体动作的形式反馈至风电机组功率预测系统数据驱动模型，进而提高功率预测精度。DNN由输入层、输出层和几个隐藏层组成。所有的层都是具有参数θ(权值矩阵和偏差向量)的完全连接的神经网络。风电机组运行的状态信息被输入到DNN的输入层。它的输出是动作或动作值。PPO是一种具有角色(actor)
‑
评论(critic)架构的深度强化学习算法。actor和critic是两个权值分别为θ
μ
和θ
Q
的深度全连接神经网络(DNN)。利用actor网络μ去估计策略函数π(a|s,θ
μ
)。而critic网络Q则是用来估计价值函数V(s)，actor政策π(a|s,θ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PPO的风力发电机组功率预测控制系统，其中包括，风力发电机组、运行数据获取单元、功率预测模型、PPO算法模块；风力发电机组由风力驱动输出电力，其工作状态受风速影响发生变化；其特征在于，运行数据获取单元连接风力发电机组，获取风力发电机组的历史功率数据和实时功率数据，还获取气象数据；基于气象数据和风力发电机组的历史功率数据进行数据建模，得到功率预测系统的数据驱动模型；PPO算法模块接收风力发电机组的实时功率数据作为实际运行状态信息，并将有效学习结果反馈至功率预测系统数据驱动模型；机组的功率预测系统数据驱动模型接收到PPO算法模块的反馈信息后，进一步将功率预测结果与机组实际功率进行比较，若预测误差超出阈值，则更新功率预测系统数据驱动模型。2.根据权利要求1所述的基于PPO的风力发电机组功率预测控制系统，其特征在于，通过传感器采集或网络服务器方式获取气象数据。3.根据权利要求1所述的基于PPO的风力发电机组功率预测控制系统，其特征在于，基于风力发电机组过去若干天超短期历史运行数据通过子空间辨识法得到其功率预测系统的数据驱动模型。4.根据权利要求1所述的基于PPO的风力发电机组功率预测控制系统，其特征在于，PPO算法模块通过PPO算法中的智能体agent对风力发电机组实际运行状态信息进行在线有效学习，将清洗后有利于提高功率预测精度的实时功率数据、风速环境信息反馈至功率预测系统数据驱动模型。5.根据...

【专利技术属性】
技术研发人员：冯笑丹，褚孝国，梁思超，张小贝，曾凡春，杨继明，王军，王晓宁，田长凤，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：