一种多能柔性互补数字化供电管理方法技术

本发明专利技术公开了一种多能互补柔性直流电网供电管理方法，包括以下步骤：步骤一、监测目标时刻新能源电能波动；步骤二、判断目标时刻新能源电能波动；步骤三、目标时刻新能源电能波动调整控制策略；步骤四、按照计算好的调节功率，执行控制策略；步骤五、监测柔性直流电网参数；步骤六、基于DS证据理论判断直流电网故障。本发明专利技术基于特征提取预测目标时刻的功率，若目标时刻发生功率波动，此时其他没有发生功率波动的换流站共同参加功率调节，消纳第一换流站或第二换流站的不平衡功率，使得柔性直流供电网保持稳定运行，基于预测值计算不平衡功率分配，给各线路上的断路器和各换流器留出了充分的反应和动作时间，避免柔性直流供电网停运。避免柔性直流供电网停运。避免柔性直流供电网停运。

【技术实现步骤摘要】
一种多能柔性互补数字化供电管理方法


[0001]本专利技术属柔性直流供电
，具体涉及一种多能柔性互补数字化供电管理方法。

技术介绍

[0002]随着大量新能源的开发和应用，大规模可再生能源并网等问题成为研究热点。风力、光伏发电作为经济性和实用性较高的可再生能源，近年来发展迅速。但受限于目前电网实际情况以及电力系统消纳问题，风力发电和光伏发电发展举步维艰，甚至出现了大量的“弃风”、“弃光”现象。且由于风电的不确定性，直接接入电网必然会影响系统的稳定性。
[0003]柔性直流电网则指的是其电压和传输功率均完全可控的直流网络。柔性直流电网无论是在运行方式还是工作特性亦或是控制策略上均与传统的高压直流输电系统有着较大的差别。柔性直流电网中，各个换流器端口可以通过直流线路相互连接，互为冗余，从而提高供电可靠性和稳定性。通过大面积建设柔性直流输电技术的直流电网可将大量可再生能源与现有能源系统互联，实现多种类、多形式、多时间尺度的灵活电力系统。基于电压源换流器的柔性直流输电技术的风电场联网已被广泛认为是实现大型风电场及风电场群与主网之间稳定互联的最有潜力的电力传输方式。
[0004]柔性直流电网的稳定控制是柔性直流技术所关注的热点，合理的柔性直流电网架构是保障其安全稳定运行的基础，安全有效的控制策略能够保证各个换流站稳定运行，保障柔性直流电网的供电可靠性。
[0005]在柔性直流输电基础上发展而来的具有三个及三个以上换流站的直流输电，称为多端柔性直流输电，它具备常规直流输电系统远距离输电、潮流反转而电压极性不变等优点，且可以实现多电源供电和多落点受电，该技术的出现很好的解决风电并网所遇到的难题。因此，开发含风力发电的新能源发电互补并入的柔性直流输电系统，解决新能源发电并网和消纳问题，突破目前新能源发电的瓶颈，增强电网和新能源发电系统之间的友好兼容关系是未来电网发展的趋势，因此急需改善含新能源发电的柔性直流输电系统的控制策略，使各端电网相互之间能够稳定运行，保障柔性直流电网的供电可靠性。

技术实现思路

[0006]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种多能互补柔性直流电网供电管理方法，其结构简单、设计合理，基于特征提取预测目标时刻的功率，若目标时刻发生功率波动，此时其他没有发生功率波动的换流站共同参加功率调节，消纳第一换流站或第二换流站的不平衡功率，使得柔性直流供电网保持稳定运行，基于预测值计算不平衡功率分配，给各线路上的断路器和各换流器留出了充分的反应和动作时间，避免柔性直流供电网停运。
[0007]为解决上述技术问题，本专利技术采用的技术方案是：一种多能互补柔性直流电网供电管理方法，其特征在于：包括以下步骤：
[0008]步骤一、监测目标时刻新能源电能波动：
[0009]步骤101、基于特征提取预测目标时刻风力发电机的功率P
W
‑
T
；
[0010]步骤102、基于特征提取预测目标时刻光伏发电机的功率P
S
‑
T
；
[0011]步骤二、判断目标时刻新能源电能波动：
[0012]步骤201、若P
W
‑
T
≥P
W
‑
max
或P
S
‑
T
≥P
S
‑
max
，其中P
W
‑
max
表示与风力发电机相连接的第一换流站的最大承载功率，P
S
‑
max
表示与光伏发电机相连接的第二换流站的最大承载功率，进入步骤301，否则进入步骤202；
[0013]步骤202、若P
W
‑
T
≥P
W
‑
max
且P
S
‑
T
≥P
S
‑
max
，进入步骤302，否则进入步骤203；
[0014]步骤三、目标时刻新能源电能波动调整控制策略：
[0015]步骤301、计算换流站的调节功率：计算机根据公式计算第i个换流站在目标时刻的调节功率，然后进入步骤四；其中φ
i
表示第i个换流站的功率调节因子，q表示换流站个数；P
i
(t)表示第i个换流站在当前时刻的功率，P
T
表P
W
‑
T
或P
S
‑
T
，P
e
表示P
W
‑
max
或P
S
‑
max
，P
ie
表示第i个换流站的最大承载功率；
[0016]步骤302、计算机根据公式：
[0017]计算第i个换流站在目标时刻的调节功率，其中然后进入步骤四；
[0018]步骤四、按照计算好的调节功率，执行控制策略；
[0019]步骤五、监测柔性直流电网参数：多能互补柔性直流电网包括至少一个交流侧与风力发电机连接的第一换流站、至少一个交流侧与光伏发电机连接的第二换流站、多个分别与直流母线电源连接的第三换流站；多个检测传感器采集多能互补柔性直流电网的多个参数X
kp
，X
kp
表示k时刻多能柔性直流电网第p个参数的检测值；
[0020]步骤六、基于DS证据理论判断直流电网故障：基于DS证据理论计算得到直流电网故障概率BetP(A)，依据得到的直流电网故障概率BetP(A)对柔性直流电网做出诊断故障，若存在故障进入步骤七；
[0021]步骤七、柔性直流电网退出，柔性直流电网切换至柴油发电机组供电。
[0022]上述的一种多能柔性互补数字化供电管理方法，其特征在于：步骤101包括以下步骤：
[0023]步骤1011：通过测风站采集风速；
[0024]步骤1012：采集垂风力发电机的转速；
[0025]步骤1013：以t时刻的风速和t时刻风力发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到风速二维图像；将风速二维图像输入卷积神经网络，通过卷积神经网
络提取风速二维图像的图像特征，得到第一特征量；
[0026]以t时刻的转速和t时刻风力发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到转速二维图像；将转速二维图像输入卷积神经网络，通过卷积神经网络提取转速二维图像的图像特征，得到第二特征量；
[0027]对第一特征量和第二特征量进行融合得到第三特征量；
[0028]步骤1014：对第三特征量进行降维处理，将降维处理后的第三特征量划分为训练集和测试集；
[0029]步骤1015：选取卷积神经网络作为风能预测模型，输入训练集，进行样本学习；
[0030]步骤1016：风能预测模型训练完成后，输入测试集，进行风能预测模型评估；...

【技术保护点】

【技术特征摘要】
1.一种多能互补柔性直流电网供电管理方法，其特征在于：包括以下步骤：步骤一、监测目标时刻新能源电能波动：步骤101、基于特征提取预测目标时刻风力发电机的功率P
W
‑
T
；步骤102、基于特征提取预测目标时刻光伏发电机的功率P
S
‑
T
；步骤二、判断目标时刻新能源电能波动：步骤201、若P
W
‑
T
≥P
W
‑
max
或P
S
‑
T
≥P
S
‑
max
，其中P
W
‑
max
表示与风力发电机相连接的第一换流站的最大承载功率，P
S
‑
max
表示与光伏发电机相连接的第二换流站的最大承载功率，进入步骤301，否则进入步骤202；步骤202、若P
W
‑
T
≥P
W
‑
max
且P
S
‑
T
≥P
S
‑
max
，进入步骤302，否则进入步骤203；步骤三、目标时刻新能源电能波动调整控制策略：步骤301、计算换流站的调节功率：计算机根据公式计算第i个换流站在目标时刻的调节功率，然后进入步骤四；其中φ
i
表示第i个换流站的功率调节因子，q表示换流站个数；P
i
(t)表示第i个换流站在当前时刻的功率，P
T
表示P
W
‑
T
或P
S
‑
T
，P
e
表示P
W
‑
max
或P
S
‑
max
，P
ie
表示第i个换流站的最大承载功率；步骤302、计算机根据公式：计算第i个换流站在目标时刻的调节功率，其中然后进入步骤四；步骤四、按照计算好的调节功率，执行控制策略；步骤五、监测柔性直流电网参数：多能互补柔性直流电网包括至少一个交流侧与风力发电机连接的第一换流站、至少一个交流侧与光伏发电机连接的第二换流站、多个分别与直流母线电源连接的第三换流站；多个检测传感器采集多能互补柔性直流电网的多个参数X
kp
，X
kp
表示k时刻多能柔性直流电网第p个参数的检测值；步骤六、基于DS证据理论判断直流电网故障：基于DS证据理论计算得到直流电网故障概率BetP(A)，依据得到的直流电网故障概率BetP(A)对柔性直流电网做出诊断故障，若存在故障进入步骤七；步骤七、柔性直流电网退出，柔性直流电网切换至柴油发电机组供电。2.按照权利要求1所述的一种多能柔性互补数字化供电管理方法，其特征在于：步骤101包括以下步骤：步骤1011：通过测风站采集风速；步骤1012：采集垂风力发电机的转速；步骤1013：以t时刻的风速和t时刻风力发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到风速二维图像；将风速二维图像输入卷积神经网络，通过卷积神经网络提
取风速二维图像的图像特征，得到第一特征量；以t时刻的转速和t时刻风力发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到转速二维图像；将转速二维图像输入卷积神经网络，通过卷积神经网络提取转速二维图像的图像特征，得到第二特征量；对第一特征量和第二特征量进行融合得到第三特征量；步骤1014：对第三特征量进行降维处理，将降维处理后的第三特征量划分为训练集和测试集；步骤1015：选取卷积神经网络作为风能预测模型，输入训练集，进行样本学习；步骤1016：风能预测模型训练完成后，输入测试集，进行风能预测模型评估；步骤1017：实时获取当前时刻的风速和转速；根据步骤1013计算当前时刻的第三特征量，将当前时刻的第三特征量输入卷积神经网络风能预测模型；通过风能预测模型预测目标时刻风力发电机的功率P
W
‑

【专利技术属性】
技术研发人员：郭睿，
申请(专利权)人：北京信云筑科技有限责任公司，
类型：发明
国别省市：