System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及智能调度领域,且更为具体地,涉及一种风电场储能系统的优化调度系统及方法。
技术介绍
1、随着可再生能源的快速发展,风电场作为一种重要的清洁能源发电方式得到了广泛应用。然而,由于风能的不稳定性和间歇性,风电场的发电功率波动较大,与电网的负荷需求之间存在不匹配的情况。为了解决这一问题,储能系统被引入到风电场中,用于储存风电的过剩能量,并在需要时释放出来,以平衡电网负荷。储能系统的引入可以缓解风电功率波动,平滑风电出力,提高风电场的消纳能力。
2、然而,如何根据风电场的实际情况合理地控制储能系统的充放电动作,是一个复杂的优化问题,需要考虑多种因素,如风电机组的发电特性、电网负荷需求、储能装置的容量和效率等。传统的优化方法通常基于数学模型和算法,需要大量的参数和数据输入,计算复杂度高,难以适应风电场的动态变化。
3、因此,期望一种优化的风电场储能系统的优化调度系统。
技术实现思路
1、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风电场储能系统的优化调度系统及方法,其通过收集储能过程中被储能电池的储能参数,并利用深度神经网络模型来作为特征提取器来捕捉各项储能参数以及各项储能参数间的高维隐含特征,并通过解码器来进行解码回归以得到更为精准的soc测量值。
2、根据本申请的一个方面,提供了一种风电场储能系统的优化调度系统,其包括:
3、数据采集模块,用于获取待优化风电场的储能系统在预定时间段内多个预定时间点的风电机组发电功率
4、数据参数时序排列模块,用于将所述多个预定时间点的风电机组发电功率值、电网负荷值和储能装置的容量值分别按照时间维度排列为发电功率时序输入向量、电网负荷时序输入向量和储能容量时序输入向量;
5、图像域转换模块,用于分别将所述发电功率时序输入向量、所述电网负荷时序输入向量和所述储能容量时序输入向量进行图像域转换以得到发电功率时序图像、电网负荷时序图像和容量时序图像;
6、多模态参数混合表达模块,用于将所述发电功率时序图像、所述电网负荷时序图像和所述容量时序图像沿通道维度进行聚合后通过基于深度神经网络模型的多模态参数间时序特征提取器以得到多模态参数混合表达储能时序关联特征图;
7、特征显著化表达模块,用于对所述多模态参数混合表达储能时序关联特征图进行特征显著化表达以得到显著化多模态参数混合表达储能时序关联特征;
8、优化充放电策略生成模块,用于基于所述显著化多模态参数混合表达储能时序关联特征,确定所述待优化风电场的储能系统的优化充放电策略。
9、根据本申请的另一个方面,提供了一种风电场储能系统的优化调度方法,其包括:
10、获取待优化风电场的储能系统在预定时间段内多个预定时间点的风电机组发电功率值、电网负荷值和储能装置的容量值;
11、将所述多个预定时间点的风电机组发电功率值、电网负荷值和储能装置的容量值分别按照时间维度排列为发电功率时序输入向量、电网负荷时序输入向量和储能容量时序输入向量;
12、分别将所述发电功率时序输入向量、所述电网负荷时序输入向量和所述储能容量时序输入向量进行图像域转换以得到发电功率时序图像、电网负荷时序图像和容量时序图像;
13、将所述发电功率时序图像、所述电网负荷时序图像和所述容量时序图像沿通道维度进行聚合后通过基于深度神经网络模型的多模态参数间时序特征提取器以得到多模态参数混合表达储能时序关联特征图;
14、对所述多模态参数混合表达储能时序关联特征图进行特征显著化表达以得到显著化多模态参数混合表达储能时序关联特征;
15、基于所述显著化多模态参数混合表达储能时序关联特征,确定所述待优化风电场的储能系统的优化充放电策略。
16、与现有技术相比,本申请提供的一种风电场储能系统的优化调度系统及方法,其通过实时监测采集风电场的储能系统的风电机组发电功率值、电网负荷值和储能装置的容量值,并在后端引入数据处理和分析算法来进行这些数据的时序协同分析,以此来生成优化充放电策略,以控制储能系统的充放电动作,实现风电场储能系统的智能调度。这样,能够根据实时的风电功率和电网负荷情况,结合储能系统的容量和状态,制定更好的优化充放电策略来实现风电场储能系统的优化调度,以提高风电场的发电效率和电网的稳定性。
本文档来自技高网...【技术保护点】
1.一种风电场储能系统的优化调度系统,其特征在于,包括:
2.根据权利要求1所述的风电场储能系统的优化调度系统,其特征在于,所述图像域转换模块,用于:分别将所述发电功率时序输入向量、所述电网负荷时序输入向量和所述储能容量时序输入向量通过向量-图像转换器以得到所述发电功率时序图像、所述电网负荷时序图像和所述容量时序图像。
3.根据权利要求2所述的风电场储能系统的优化调度系统,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的风电场储能系统的优化调度系统,其特征在于,所述特征显著化表达模块,用于:将所述多模态参数混合表达储能时序关联特征图通过显著特征提取器以得到显著化多模态参数混合表达储能时序关联特征图作为所述显著化多模态参数混合表达储能时序关联特征。
5.根据权利要求4所述的风电场储能系统的优化调度系统,其特征在于,所述特征显著化表达模块,用于:将所述多模态参数混合表达储能时序关联特征图通过显著特征提取器中使用如下显著化公式进行处理以得到所述显著化多模态参数混合表达储能时序关联特征图;
6.根据
7.根据权利要求6所述的风电场储能系统的优化调度系统,其特征在于,所述充放电电流控制单元,用于:
8.一种风电场储能系统的优化调度方法,其特征在于,包括:
...【技术特征摘要】
1.一种风电场储能系统的优化调度系统,其特征在于,包括:
2.根据权利要求1所述的风电场储能系统的优化调度系统,其特征在于,所述图像域转换模块,用于:分别将所述发电功率时序输入向量、所述电网负荷时序输入向量和所述储能容量时序输入向量通过向量-图像转换器以得到所述发电功率时序图像、所述电网负荷时序图像和所述容量时序图像。
3.根据权利要求2所述的风电场储能系统的优化调度系统,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的风电场储能系统的优化调度系统,其特征在于,所述特征显著化表达模块,用于:将所述多模态参数混合表达储能时序关联特征图通过显著特征提取器以得到显著化...
【专利技术属性】
技术研发人员:王喜军,陈伟,康吉全,高晶,李文峰,严瑞锋,顾波,张璐,邱超,任磊,侯进,杨晓朋,王鹏展,
申请(专利权)人:河南九域腾龙信息工程有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。