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】
本申请涉及风电,尤其涉及一种海上风机组的发电量峰谷自适应控制方法及模型训练方法。
技术介绍
1、我国海上风电资源丰富,同时具有运行效率高、输电距离短、就地消纳方便、适宜大规模开发等特点,海上风电发电技术将成为我国大力发展可再生能源的必然选择。海上风机一般通过调节风机转速的方式,控制其并入电网的输出功率。如果并网的功率过大,会导致并网时电网出现波动;如果并网的功率过小,则会浪费风机的发电效率,也就是说风力发电面临着风能无法最大限度地转化为电能并传输出去的问题。
2、在实际风电场布置中,风力发电机组常以阵列的形式进行布置,相应地,在进行风机并网时,多个风力发电机组常同时输出电能至电网。相应地,在进行电网并网时,一方面,在不同时间段,电网的负载不同,例如在峰谷电时期,电网的负载存在较大差异。另一方面,位于不同位置的风力发电机组的发电性能不同。因此,如何在进行电网并网时,既能充分发挥各个海上风机组的发电性能,又能兼顾电网的用电变化以减少并网时产生的电网波动,是风电领域的重点研究方向之一。
技术实现思路
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此,本申请第一方面提出了一种海上风机组的发电量峰谷自适应控制方法,包括:
3、获取与电网连接的多个电用户在预设时间段内多个时间点的多个总用电功率值与待并网海上风机组在所述预设时间段内多个时间点的多个输出功率值;其中,所述多个时间点包括当前时间点;
4、根据所述多个电用户在预设时
5、构建所述多尺度总用电特征向量的自高斯密度图,并对所述自高斯密度图中各个位置的高斯分布进行高斯离散化,获得多尺度总用电特征矩阵;
6、根据所述待并网海上风机组在所述预设时间段内多个时间点的多个输出功率值与第二多尺度邻域特征提取模块,获得多尺度输出功率特征向量;
7、计算所述多尺度输出功率特征向量相对于所述多尺度总用电特征矩阵的转移向量,并将所述转移向量确定为所述分类特征向量;
8、将所述分类特征向量输入至经过预先训练的分类器模型,获得分类结果;所述分类结果用于表示下一时间点待并网海上风机组的输出功率增大或减小;其中,所述分类器模型已经学习得到分类特征向量与分类结果之间的映射关系;
9、根据所述分类结果,控制所述待并网海上风机组的输出功率。
10、本申请第二方面提出了一种分类器模型的训练方法,包括:
11、获取用于训练分类器模型所需的训练数据集;所述训练数据集包括与电网连接的多个电用户在历史时间段内多个时间点的多个训练总用电功率值、海上风机组在所述历史时间段内多个时间点的多个训练输出功率值和在所述历史时间段下一时间点的真实分类结果;其中,所述真实分类结果用于表示在所述历史时间段下一时间点,所述海上风机组的输出功率增大或减小;
12、根据所述与电网连接的多个电用户在历史时间段内多个时间点的多个训练总用电功率值与第一多尺度邻域特征提取模块,获得训练多尺度总用电特征向量,并根据所述海上风机组在所述历史时间段内多个时间点的多个训练输出功率值与第二多尺度邻域特征提取模块,获得训练多尺度输出功率特征向量;
13、构建所述训练多尺度总用电特征向量的自高斯密度图,并对所述自高斯密度图中各个位置的高斯分布进行高斯离散化,获得训练多尺度总用电特征矩阵;
14、计算所述训练多尺度输出功率特征向量相对于所述训练多尺度总用电特征矩阵的转移向量,并将所述转移向量确定为训练分类特征向量;
15、将所述训练分类特征向量输入至预先建立的分类器模型,获得训练分类结果;
16、根据所述训练分类结果与所述在所述历史时间段下一时间点的真实分类结果,获得分类损失函数值;
17、根据所述分类损失函数值,对所述分类器模型进行训练。
18、本申请第三方面提出了一种海上风机组的发电量峰谷自适应控制装置,包括:
19、第一获取模块,用于获取与电网连接的多个电用户在预设时间段内多个时间点的多个总用电功率值与待并网海上风机组在所述预设时间段内多个时间点的多个输出功率值;其中,所述多个时间点包括当前时间点;
20、第二获取模块,用于根据所述多个电用户在预设时间段内多个时间点的多个总用电功率值与第一多尺度邻域特征提取模块,获得多尺度总用电特征向量;
21、第三获取模块,用于构建所述多尺度总用电特征向量的自高斯密度图,并对所述自高斯密度图中各个位置的高斯分布进行高斯离散化,获得多尺度总用电特征矩阵;
22、第四获取模块,用于根据所述待并网海上风机组在所述预设时间段内多个时间点的多个输出功率值与第二多尺度邻域特征提取模块,获得多尺度输出功率特征向量;
23、确定模块,用于计算所述多尺度输出功率特征向量相对于所述多尺度总用电特征矩阵的转移向量,并将所述转移向量确定为所述分类特征向量;
24、分类模块,用于将所述分类特征向量输入至经过预先训练的分类器模型,获得分类结果;所述分类结果用于表示下一时间点待并网海上风机组的输出功率增大或减小;其中,所述分类器模型已经学习得到分类特征向量与分类结果之间的映射关系;
25、控制模块,用于根据所述分类结果,控制所述待并网海上风机组的输出功率。
26、本申请第四方面提出了一种分类器模型的训练装置,包括:
27、第一获取模块,用于获取用于训练分类器模型所需的训练数据集;所述训练数据集包括与电网连接的多个电用户在历史时间段内多个时间点的多个训练总用电功率值、海上风机组在所述历史时间段内多个时间点的多个训练输出功率值和在所述历史时间段下一时间点的真实分类结果;其中,所述真实分类结果用于表示在所述历史时间段下一时间点,所述海上风机组的输出功率增大或减小;
28、第二获取模块,用于根据所述与电网连接的多个电用户在历史时间段内多个时间点的多个训练总用电功率值与第一多尺度邻域特征提取模块,获得训练多尺度总用电特征向量,并根据所述海上风机组在所述历史时间段内多个时间点的多个训练输出功率值与第二多尺度邻域特征提取模块,获得训练多尺度输出功率特征向量;
29、第三获取模块,用于构建所述训练多尺度总用电特征向量的自高斯密度图,并对所述自高斯密度图中各个位置的高斯分布进行高斯离散化,获得训练多尺度总用电特征矩阵;
30、第四获取模块,用于计算所述训练多尺度输出功率特征向量相对于所述训练多尺度总用电特征矩阵的转移向量,并将所述转移向量确定为训练分类特征向量;
31、分类模块,用于将所述训练分类特征向量输入至预先建立的分类器模型,获得训练分类结果;
32、第五获取模块,用于根据所述训练分类结果与所述在所述历史时间段下一时间点的真实分类结果,获得分类损失函数值;
本文档来自技高网...
【技术保护点】
1.一种海上风机组的发电量峰谷自适应控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个电用户在预设时间段内多个时间点的多个总用电功率值与第一多尺度邻域特征提取模块,获得多尺度总用电特征向量,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述待并网海上风机组在所述预设时间段内多个时间点的多个输出功率值与第二多尺度邻域特征提取模块,获得多尺度输出功率特征向量,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述分类结果,控制所述待并网海上风机组的输出功率,包括:
5.一种分类器模型的训练方法,其特征在于,包括以下步骤:
6.根据权利要求5所述的方法,其特征在于,还包括:
7.一种海上风机组的发电量峰谷自适应控制装置,其特征在于,包括:
8.一种分类器模型的训练装置,其特征在于,包括:
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1
10.一种计算机可读存储介质,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1至4中任一项所述的方法,或者实现如权利要求5至6中任一项所述的方法。
...【技术特征摘要】
1.一种海上风机组的发电量峰谷自适应控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个电用户在预设时间段内多个时间点的多个总用电功率值与第一多尺度邻域特征提取模块,获得多尺度总用电特征向量,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述待并网海上风机组在所述预设时间段内多个时间点的多个输出功率值与第二多尺度邻域特征提取模块,获得多尺度输出功率特征向量,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述分类结果,控制所述待并网海上风机组的输出功率,包括:
5.一种分类器模型的训练方法,其特征在于,包括以下步骤:
【专利技术属性】
技术研发人员:褚孝国,岳红轩,陈卓,王真涛,杜洋,王爽,韩义,
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:
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。