基于自适应控制的风电场无功电压控制系统及其方法技术方案

本申请涉及风电场的无功电压智能控制领域，其具体地公开了一种基于自适应控制的风电场无功电压控制系统及其方法，其采用人工智能的预测控制技术，利用基于深度学习的卷积神经网络模型作为特征提取器来对于与电网连接的所有电用户在多个预定时间点的用电功率以及多个风力发电机在所述多个预定时间点输出的有功功率值进行时间和样本维度上的隐含关联特征提取，进一步再将所述所有电用户的用电功率在时间和样本上的隐含关联特征与所述多个风力发电机的有功功率值在时间和样本上的隐含关联特征进行差分，进而在高维特征空间中来进行所述多个风力发电机应提供的无功电压值的预测。这样，能够保证预测的准确性，确保了风电场并网的稳定性。电场并网的稳定性。电场并网的稳定性。

【技术实现步骤摘要】
基于自适应控制的风电场无功电压控制系统及其方法


[0001]本专利技术涉及风电场的无功电压智能控制领域，且更为具体地，涉及一种基于自适应控制的风电场无功电压控制系统及其方法。

技术介绍

[0002]风能随机性强的特点，使得风机在追踪最大风功率发电时有功功率会发生大幅度的变化，这会导致传输线路上的充电功率也产生相应地波动，为了保证电网的稳定性，系统需提供足够的无功功率并需要常规电源的共同工作。
[0003]考虑到风资源的不稳定性，无法对风电场风电机组的有功功率做出精准预测，而电网系统调节发电的出力是根据用户用电负荷情况，这就导致风电出力和电网调节出力之间产生了矛盾，进而影响了电网系统的正常调度运行。
[0004]因此，期待一种风电场无功电压控制方案，以确保风电场并网的稳定性。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于自适应控制的风电场无功电压控制系统及其方法，其采用人工智能的预测控制技术，利用基于深度学习的卷积神经网络模型作为特征提取器来对于与电网连接的所有电用户在多个预定时间点的用电功率以及多个风力发电机在所述多个预定时间点输出的有功功率值进行时间和样本维度上的隐含关联特征提取，进一步再将所述所有电用户的用电功率在时间和样本上的隐含关联特征与所述多个风力发电机的有功功率值在时间和样本上的隐含关联特征进行差分，进而在高维特征空间中来进行所述多个风力发电机应提供的无功电压值的预测。这样，能够保证预测的准确性，确保了风电场并网的稳定性。/>[0006]根据本申请的一个方面，提供了一种基于自适应控制的风电场无功电压控制系统，其包括：
[0007]用电数据采集模块，用于获取与电网连接的所有电用户在多个预定时间点的用电功率；
[0008]供电数据采集模块，用于获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值；
[0009]用电数据结构化模块，用于将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵；
[0010]供电数据结构化模块，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵；
[0011]用电数据特征提取模块，用于将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵；
[0012]供电数据特征提取模块，用于将所述有功功率输入矩阵通过作为特征提取器的第
二卷积神经网络以得到有功功率特征矩阵；
[0013]差分模块，用于计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵；
[0014]特征分布校正模块，用于基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及
[0015]无功控制结果生成模块，用于将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。
[0016]在上述基于自适应控制的风电场无功电压控制系统中，所述用电数据结构化模块，包括：电用户时间维度排序单元，用于将所述与所述电网连接的所有电用户在多个预定时间点的用电功率按照所述时间维度分别排列为行向量以得到多个电用户行向量；以及，电用户样本维度排序单元，用于将所述多个电用户行向量按照所述电用户样本维度排列为所述用电输入矩阵。
[0017]在上述基于自适应控制的风电场无功电压控制系统中，所述供电数据结构化模块，包括：风力发电机时间维度排序单元，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照所述时间维度分别排列为行向量以得到多个发电机行向量；以及，风力发电机样本维度排序单元，用于将所述多个发电机行向量按照所述风力发电机样本维度排列为所述有功功率输入矩阵。
[0018]在上述基于自适应控制的风电场无功电压控制系统中，所述用电数据特征提取模块，进一步用于：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述用电特征矩阵，所述作为特征提取器的第一卷积神经网络的第一层的输入为所述用电输入矩阵。
[0019]在上述基于自适应控制的风电场无功电压控制系统中，所述供电数据特征提取模块，进一步用于：所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述有功功率特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述有功功率输入矩阵。
[0020]在上述基于自适应控制的风电场无功电压控制系统中，所述差分模块，进一步用于：以如下公式计算所述用电特征矩阵与所述有功功率特征矩阵之间的所述差分特征矩阵；
[0021]其中，所述公式为：
[0022][0023]其中M1表示所述用电特征矩阵，M2表示所述有功功率特征矩阵，M表示所述差分特征矩阵，表示按位置减法。
[0024]在上述基于自适应控制的风电场无功电压控制系统中，所述特征分布校正模块，进一步用于：基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，以如下公式对所述差分特征矩阵中各个位置的特征值进行校正以得到所述校正后差分特征矩阵；
[0025]其中，所述公式为：
[0026][0027]其中m
i，j
是所述差分特征矩阵的各个位置的特征值，μ和σ是所述差分特征矩阵的各个位置的特征值集合的均值和方差，且W和H是所述差分特征矩阵的宽度和高度。α为超参数。
[0028]在上述基于自适应控制的风电场无功电压控制系统中，所述无功控制结果生成模块，进一步用于：使用所述解码器以如下公式对所述校正后差分特征矩阵进行解码回归以获得所述解码值，所述公式为：其中X是所述校正后差分特征矩阵，Y是所述解码值，W是权重矩阵，B是偏置向量，表示矩阵乘。
[0029]根据本申请的另一方面，一种基于自适应控制的风电场无功电压控制方法，其包括：
[0030]获取与电网连接的所有电用户在多个预定时间点的用电功率；
[0031]获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值；
[0032]将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵；
[0033]将所述与所述电网连接的多个风力发电机在所述多个预定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应控制的风电场无功电压控制系统，其特征在于，包括：用电数据采集模块，用于获取与电网连接的所有电用户在多个预定时间点的用电功率；供电数据采集模块，用于获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值；用电数据结构化模块，用于将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵；供电数据结构化模块，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵；用电数据特征提取模块，用于将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵；供电数据特征提取模块，用于将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络以得到有功功率特征矩阵；差分模块，用于计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵；特征分布校正模块，用于基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及无功控制结果生成模块，用于将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。2.根据权利要求1所述的基于自适应控制的风电场无功电压控制系统，其特征在于，所述用电数据结构化模块，包括：电用户时间维度排序单元，用于将所述与所述电网连接的所有电用户在多个预定时间点的用电功率按照所述时间维度分别排列为行向量以得到多个电用户行向量；以及电用户样本维度排序单元，用于将所述多个电用户行向量按照所述电用户样本维度排列为所述用电输入矩阵。3.根据权利要求2所述的基于自适应控制的风电场无功电压控制系统，其特征在于，所述供电数据结构化模块，包括：风力发电机时间维度排序单元，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照所述时间维度分别排列为行向量以得到多个发电机行向量；以及风力发电机样本维度排序单元，用于将所述多个发电机行向量按照所述风力发电机样本维度排列为所述有功功率输入矩阵。4.根据权利要求3所述的基于自适应控制的风电场无功电压控制系统，其特征在于，所述用电数据特征提取模块，进一步用于：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述用电特征矩阵，所述作为特征提取器的第一卷积神经网络的第一层的输入为所述用电输入矩阵。5.根据权利要求4所述的基于自适应控制的风电场无功电压控制系统，其特征在于，所述供电数据特征提取模块，进一步用于：所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维...

【专利技术属性】
技术研发人员：梁哲铭，隋树波，王建国，卢引承，李春廷，史祥，周盛龙，王丽丰，张雨军，
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：