一种直挂式制造技术

本发明专利技术涉及

【技术实现步骤摘要】
一种直挂式SVG综合控制装置及其控制方法


[0001]本专利技术涉及
SVG
综合控制装置
，尤其涉及一种直挂式
SVG
综合控制装置及其控制方法
。

技术介绍

[0002]在电力系统中，维持电压稳定和改善电力质量是非常重要的任务
。
传统上，无功功率调节是通过调节电力系统中的电容器或电感器来实现，但这种方式具有响应速度慢
、
调节精度低和占用空间大等缺点
。
为了克服传统无功补偿设备的局限性，静止无功发生器
(Static Var Generator
，
SVG)
被引入电力系统
。SVG
是一种基于电力电子技术的设备，通过控制电力电子开关器件的通断状况，快速调节并控制无功功率的注入或吸收
。
这使得
SVG
能够更有效地调节无功功率，提供更快的响应速度和更高的调节精度
。
[0003]直挂式
SVG
综合控制装置作为一种专门用于控制
SVG
的设备，已经成为电力系统中重要的组成部分
。
该装置具备先进的控制算法和电力电子技术，可以根据电网的需求实时调节
SVG
的无功功率输出
。
通过无功功率调节
、
谐波抑制
、
功率因数校正和电压调节等功能，直挂式
SVG
综合控制装置能够提高电网的稳定性和可靠性，改善电力质量，减少谐波产生，降低线损和能耗
。
[0004]在
SVG
综合控制装置的实际使用过程中，现有
SVG
综合控制装置在数据采集和处理方面通常依赖于传统的技术和方法，可能会造成数据延迟和失准，限制了实时性和精确度
。
在电网状态的预测方面，缺乏先进的机器学习算法支持，导致预测精度不高，可能会漏报或误报故障和过载等异常状态
。
此外，现有装置在控制策略的生成和优化方面缺乏智能化，不能实时响应电网的变化，难以实现多
SVG
设备的协同控制，缺乏实时调整和反馈机制，导致系统反应迟缓，无法充分发挥
SVG
设备的潜力，也增加了运维难度和成本
。

技术实现思路

[0005]本专利技术的目的是解决现有技术中存在的缺点，而提出的一种直挂式
SVG
综合控制装置及其控制方法
。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：一种直挂式
SVG
综合控制装置是由电网数据采集处理模块
、
电网状态预测模块
、SVG
控制策略生成模块
、SVG
协同控制模块
、
实时调整模块
、
结果反馈模块组成；
[0007]所述电网数据采集处理模块使用
Kafka
实时处理框架采集包括电网数据的电网数据，使用
Spark
进行数据清洗，获取清洗后电网数据；
[0008]所述电网状态预测模块基于清洗后电网数据，使用包括
LSTM、GRU
的机器学习算法，预测电网包括电缆故障
、
配电站过载的异常状态，获取电网状态预测信息；
[0009]所述
SVG
控制策略生成模块根据电网状态预测信息，使用
DQN
强化学习算法生成
SVG
控制策略；
[0010]所述
SVG
协同控制模块将多个
SVG
设备通过分布式算法连接在一起，根据所述
SVG
控制策略进行优化，获取优化后
SVG
协同控制结果；
[0011]所述实时调整模块根据优化后
SVG
协同控制结果，调整
SVG
控制策略，适应电网的实时状态，获取动态调整后的
SVG
控制策略；
[0012]所述结果反馈模块根据动态调整后的
SVG
控制策略进行实时反馈
。
[0013]作为本专利技术的进一步方案，所述电网数据采集处理模块包括数据采集子模块
、
数据预处理子模块
、
数据存储子模块；
[0014]所述数据采集子模块使用
Kafka
实时处理框架收集大规模的电网数据，所述数据预处理子模块使用
Spark
进行数据清洗和格式转换，所述数据存储子模块将清洗后的数据存入
HBase
数据库中；
[0015]所述电网状态预测模块包括数据存储子模块
、
预测模型训练子模块
、
状态预测子模块；
[0016]所述数据存储子模块使用
PCA
特征提取算法，提取用于电网状态预测的特征，所述预测模型训练子模块基于特征使用机器学习算法建立并训练电网状态预测模型，所述状态预测子模块利用训练好的电网状态预测模型预测电网未来的状态，作为电网状态预测信息
。
[0017]作为本专利技术的进一步方案，所述
SVG
控制策略生成模块包括环境模拟子模块
、
策略训练子模块
、
策略输出子模块；
[0018]所述环境模拟子模块创建电网模拟环境，用于训练强化学习模型，所述策略训练子模块在模拟环境中使用
DQN
强化学习算法训练
SVG
控制策略，所述策略输出子模块输出训练完成的
SVG
控制策略；
[0019]所述
SVG
协同控制模块包括设备连接子模块
、
协同控制子模块
、
优化调节子模块；
[0020]所述设备连接子模块使用分布式连接算法连接多个
SVG
设备，所述协同控制子模块根据
SVG
控制策略让多个
SVG
设备协同工作，所述优化调节子模块使用优化算法提升
SVG
设备的调节功率
。
[0021]作为本专利技术的进一步方案，所述实时调整模块包括实时监测子模块
、
动态调整子模块；
[0022]所述实时监测子模块实时监测电网的状态，发现状态变化，所述动态调整子模块使用卡尔曼滤波器算法，在发现状态变化时，动态调整
SVG
控制策略；
[0023]所述结果反馈模块包括策略应用子模块
、
性能评估子模块
、
结果反馈子模块；
[0024]所述策略应用子模块将动态调整后的
SVG
控制策略应用到
SVG
设备上，所述性能评估子模块评估应用策略后
SVG
设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种直挂式
SVG
综合控制装置，其特征在于，所述一种直挂式
SVG
综合控制装置是由电网数据采集处理模块
、
电网状态预测模块
、SVG
控制策略生成模块
、SVG
协同控制模块
、
实时调整模块
、
结果反馈模块组成；所述电网数据采集处理模块使用
Kafka
实时处理框架采集包括电网数据的电网数据，使用
Spark
进行数据清洗，获取清洗后电网数据；所述电网状态预测模块基于清洗后电网数据，使用包括
LSTM、GRU
的机器学习算法，预测电网包括电缆故障
、
配电站过载的异常状态，获取电网状态预测信息；所述
SVG
控制策略生成模块根据电网状态预测信息，使用
DQN
强化学习算法生成
SVG
控制策略；所述
SVG
协同控制模块将多个
SVG
设备通过分布式算法连接在一起，根据所述
SVG
控制策略进行优化，获取优化后
SVG
协同控制结果；所述实时调整模块根据优化后
SVG
协同控制结果，调整
SVG
控制策略，适应电网的实时状态，获取动态调整后的
SVG
控制策略；所述结果反馈模块根据动态调整后的
SVG
控制策略进行实时反馈
。2.
根据权利要求1所述的直挂式
SVG
综合控制装置，其特征在于，所述电网数据采集处理模块包括数据采集子模块
、
数据预处理子模块
、
数据存储子模块；所述数据采集子模块使用
Kafka
实时处理框架收集大规模的电网数据，所述数据预处理子模块使用
Spark
进行数据清洗和格式转换，所述数据存储子模块将清洗后的数据存入
HBase
数据库中；所述电网状态预测模块包括数据存储子模块
、
预测模型训练子模块
、
状态预测子模块；所述数据存储子模块使用
PCA
特征提取算法，提取用于电网状态预测的特征，所述预测模型训练子模块基于特征使用机器学习算法建立并训练电网状态预测模型，所述状态预测子模块利用训练好的电网状态预测模型预测电网未来的状态，作为电网状态预测信息
。3.
根据权利要求1所述的直挂式
SVG
综合控制装置，其特征在于，所述
SVG
控制策略生成模块包括环境模拟子模块
、
策略训练子模块
、
策略输出子模块；所述环境模拟子模块创建电网模拟环境，用于训练强化学习模型，所述策略训练子模块在模拟环境中使用
DQN
强化学习算法训练
SVG
控制策略，所述策略输出子模块输出训练完成的
SVG
控制策略；所述
SVG
协同控制模块包括设备连接子模块
、
协同控制子模块
、
优化调节子模块；所述设备连接子模块使用分布式连接算法连接多个
SVG
设备，所述协同控制子模块根据
SVG
控制策略让多个
SVG
设备协同工作，所述优化调节子模块使用优化算法提升
SVG
设备的调节功率
。4.
根据权利要求1所述的直挂式
SVG
综合控制装置，其特征在于，所述实时调整模块包括实时监测子模块
、
动态调整子模块；所述实时监测子模块实时监测电网的状态，发现状态变化，所述动态调整子模块使用卡尔曼滤波器算法，在发现状态变化时，动态调整
SVG
控制策略；所述结果反馈模块包括策略应用子模块
、
性能评估子模块
、
结果反馈子模块；所述策略应用子模块将动态调整后的
SVG
控制策略应用到
SVG
设备上，所述性能评估子模块评估应用策略后
SVG
设备的性能，所述结果反馈子模块将
SVG
设备的性能反馈到电网数
据采集处理模块，持续优化数据模型
。5.
一种直挂式
SVG
综合控制方法，其特征在于，包括以下...

【专利技术属性】
技术研发人员：田万春，刘振涛，黄少尉，罗靖，
申请(专利权)人：龙南市金富盛新能源有限公司，
类型：发明
国别省市：