CN116885775B - 基于并网光伏发电***对电网电能质量影响的分析方法 - Google Patents
基于并网光伏发电***对电网电能质量影响的分析方法 Download PDFInfo
- Publication number
- CN116885775B CN116885775B CN202310845025.0A CN202310845025A CN116885775B CN 116885775 B CN116885775 B CN 116885775B CN 202310845025 A CN202310845025 A CN 202310845025A CN 116885775 B CN116885775 B CN 116885775B
- Authority
- CN
- China
- Prior art keywords
- grid
- power generation
- generation system
- connected photovoltaic
- photovoltaic power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 357
- 238000004458 analytical method Methods 0.000 title claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 claims description 62
- 230000000875 corresponding effect Effects 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 47
- 230000009471 action Effects 0.000 claims description 37
- 230000007246 mechanism Effects 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 238000005286 illumination Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 4
- 238000012937 correction Methods 0.000 abstract description 4
- 238000006731 degradation reaction Methods 0.000 abstract description 4
- 238000003908 quality control method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于并网光伏发电***对电网电能质量影响的分析方法，涉及电能质量分析领域，所述方法包括：采用AI分析模型基于并网光伏发电***的各项并网发电参数、供电电网的各项电网参数以及供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天并网光伏发电***并网到供电电网形成的电能质量数据；基于获得的电能质量数据进行电能质量预警操作。本发明能够针对处于光伏发电***并网状态中的供电电网智能预测其在未来时间的电能质量，并在预测的电能质量劣化的情况下，提前进行供电电网的相关电网配置参数的修正，从而保证了供电电网运行的健壮性和可靠性。
Description
技术领域
本发明涉及电能质量分析领域，尤其涉及一种基于并网光伏发电***对电网电能质量影响的分析方法。
背景技术
对于供电电网而言，电能质量是指供电电网中电能的质量。理想的电能应该是完美对称的正弦波。一些因素会使波形偏离对称正弦，由此便产生了电能质量问题。一方面人们研究存在哪些影响因素会导致电能质量问题，一方面人们研究这些因素会导致哪些方面的问题，最后，人们要研究如何消除这些因素，从而最大程度上使电能接近正弦波。
从严格意思上讲，衡量电能质量的主要指标有电压、频率和波形。从普遍意义上讲是指优质供电，包括电压质量、电流质量、供电质量和用电质量。对于供电电网，其电能质量问题可以定义为：导致用电设备故障或不能正常工作的电压、电流或频率的偏差，其内容包括频率偏差幅值以及电压波动幅度，如果在某一天范围内监控的供电电网其频率偏差幅值或者电压波动幅度超过或者等于对应阈值时，判断所述供电电网某一天范围内的电能质量劣化，需要进行与供电电网以及并网发电***的各项电力参数的调控，以尽量避免上述电能质量劣化场景的发生。
示例地，中国发明专利公开文本CN105281368A提出的一种光伏并网与电能质量治理统一控制策略。所述控制策略包括以下步骤：1)实时检测光伏组件出力，调整光伏并网***运行模式；当不满足有功并网条件时，光伏并网***以电能质量治理模式运行，当满足有功并网条件时，光伏并网***以有功并网和电能质量治理统一模式运行；2)光伏并网***以有功并网和电能质量治理统一模式运行时，首先根据无功与谐波补偿的优先级高低，分配光伏并网***的剩余容量，然后基于瞬时功率理论整合指令电流。本发明相较于传统方法，使光伏并网***在保持原有功能的基础上具备了主动参与电网电能质量治理的功能，提高了逆变器的利用率，减少了电能质量治理装置的投入，节约了成本。
示例地，中国发明专利公开文本CN107221949A提出的一种稳定电能质量的光伏并网发电***，所述***包括发电组件和并网接入箱，发电组件包括固定支架和设置在固定支架上的太阳能电池板，发电组件连接有将发电组件产生的直流电转换成机械能的直流电机，直流电机上连接有将机械能转换成交流电的交流电机，交流电机上连接有变压器，变压器与并网接入箱相连；本发明通过直流电机将发电组件产生的直流电转化成机械能，然后通过交流电机将机械能转换成交流电，并通过变压器将交流电转化成与电网同频率、同相位的正弦波电流，实现了三相交流发电机组三相输出平衡，电能质量稳定，且不产生谐波，满足同期并网要求，提高了并网发电***运行的安全性能。
由此可见，现有技术中与电网电能质量相关的各项技术方案无法有效预测未来某一天范围内监控的供电电网的具体的电能质量，例如供电电网的频率偏差幅值或者电压波动幅度，容易出现因为无法提前修正电网配置参数导致未来供电电网电能质量劣化的技术问题，例如供电电网的频率偏差幅值或者电压波动幅度超过或者等于对应的阈值，因此，需要一种电网电能质量预测方案，实现对不同并网状态下的供电电网未来时间的电能质量的有效预测。
发明内容
为了解决现有技术中的技术问题，本发明提供了一种基于并网光伏发电***对电网电能质量影响的分析方法，能够针对处于光伏发电***并网状态中的供电电网采用智能分析模型预测所述供电电网在未来时间的电能质量，并在预测的所述供电电网在未来时间的电能质量劣化的情况下，提前进行供电电网的相关电网配置参数的修正，从而减少光伏发电***并网状态下未来时间供电电网电能质量劣化场景发生的概率。
根据本发明的第一方面，提供了一种基于并网光伏发电***对电网电能质量影响的分析方法，所述方法包括：
获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值。
根据本发明的第二方面，提供了一种基于并网光伏发电***对电网电能质量影响的分析装置，所述装置包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
其中，获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值包括：所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：所述固定数量的取值与所述供电电网的负载数量成正比。
根据本发明的第三方面，提供了一种基于并网光伏发电***对电网电能质量影响的分析装置，所述装置包括：
参数解析器件，用于获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
分时检测器件，与所述供电电网连接，用于获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
模型构建器件，用于对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
质量预判机构，分别与所述参数解析器件、所述分时检测器件以及所述模型构建器件连接，用于采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
波动鉴定机构，与所述质量预判机构连接，用于在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
频率鉴定机构，与所述质量预判机构连接，用于在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
计时控制机构，分别与所述质量预判机构、所述波动鉴定机构以及所述频率鉴定机构连接，用于在检测到当天到达时，同步启动所述质量预判机构、所述波动鉴定机构以及所述频率鉴定机构；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
其中，获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值包括：所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：所述固定数量的取值与所述供电电网的负载数量成正比。
相比较于现有技术，本发明至少具备以下四处关键的发明点：
关键发明点(1)：在并网光伏发电***并网到供电电网后，为了实现对未来单天范围内供电电网的电能质量的智能化预判，针对性选择各项预判基础数据，选择的各项预判基础数据包括所述并网光伏发电***的各项并网发电参数以及所述供电电网的各项电网参数；
关键发明点(2)：具体地，并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量，供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
关键发明点(3)：采用AI分析模型基于并网光伏发电***的各项并网发电参数、供电电网的各项电网参数以及供电电网最近设定数目的多天分别对应的多份电能质量数据智能化预判当天并网光伏发电***并网到供电电网形成的电能质量数据，预判的当天的供电电网的电能质量数据包括当天的供电电网的电压波动幅值上限以及最大频率偏差幅值，并在预判获得的电压波动幅值上限或最大频率偏差幅值出现幅值偏大状态时进行预警，从而为提前执行配置参数修正以保证未来供电电网电能质量提供关键信息；
关键发明点(4)：为保证电能质量数据智能化预判的可靠性和稳定性，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型，固定数量的取值与供电电网的负载数量成正比，同时，对深度神经网络执行的每一次学习动作中，将过往某一天已知的并网光伏发电***并网到供电电网形成的电能质量数据作为深度神经网络的单项输出内容，将所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网在过往某一天之前最近设定数目的多天分别对应的多份电能质量数据作为深度神经网络的逐项输入内容，从而保证了每一次学习动作的学习效果。
附图说明
以下将结合附图对本发明的实施例进行描述，其中：
图1为根据本发明的基于并网光伏发电***对电网电能质量影响的分析方法的技术流程图。
图2为根据本发明的实施例1示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
图3为根据本发明的实施例2示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
图4为根据本发明的实施例3示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
图5为根据本发明的实施例4示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
图6为根据本发明的实施例5示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
图7为根据本发明的实施例6示出的基于并网光伏发电***对电网电能质量影响的分析装置的内部结构示意图。
图8为根据本发明的实施例7示出的基于并网光伏发电***对电网电能质量影响的分析装置的内部结构示意图。
具体实施方式
如图1所示，给出了根据本发明示出的基于并网光伏发电***对电网电能质量影响的分析方法的技术流程图。
如图1所示，本发明的具体的技术流程如下：
技术流程一：为并网光伏发电***并网状态中的供电电网选择各项执行所述供电电网未来时间电能质量分析的各项基础数据，从而为未来时间电能质量分析提供充足数据；
在图1中，所述并网光伏发电***为所述供电电网并网供电，所述供电电网处于并网状态中；
具体地，所述各项基础数据包括所述并网光伏发电***的各项并网发电参数以及所述供电电网的各项电网参数；
进一步地，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
以及所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
技术流程二：为所述供电电网未来时间电能质量分析构建执行分析操作的AI分析模型，以采用AI分析模型基于技术流程一选择的各项基础数据完成对光伏发电***并网状态下的供电电网未来时间的电能质量分析；
例如，为了保证所述AI分析模型分析结果的有效性和稳定性，采用了以下两处定制设计：首先，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型，固定数量的取值与供电电网的负载数量成正比；其次，对深度神经网络执行的每一次学习动作中，将过往某一天已知的并网光伏发电***并网到供电电网形成的电能质量数据作为深度神经网络的单项输出内容，将所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网在过往某一天之前最近设定数目的多天分别对应的多份电能质量数据作为深度神经网络的逐项输入内容；
技术流程三：基于分析获取的光伏发电***并网状态下的供电电网未来时间的电能质量执行相应的质量预警操作；
示例地，分析获取的光伏发电***并网状态下的供电电网未来时间的电能质量中包括未来时间的供电电网的电压波动幅值上限以及最大频率偏差幅值，并在分析获取的电压波动幅值上限或最大频率偏差幅值出现幅值偏大状态时进行预警，从而为提前执行配置参数修正以保证未来供电电网电能质量提供关键信息。
本发明的关键点在于：为光伏发电***并网状态中的供电电网设计未来时间的电能质量分析策略、所述策略重点在于提供针对性选择的各项基础数据以及针对性构建的AI分析模型、基于分析的电能质量数据执行相应的电网配置参数的提前修正处理以保障光伏发电***并网状态中的供电电网的稳定性。
下面，将对本发明以各个具体实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
如图2所示，所述基于并网光伏发电***对电网电能质量影响的分析方法还包括以下步骤：
步骤101：获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
示例地，可以采用第一获取接口与并网光伏发电***连接，用于获取并网光伏发电***的各项并网发电参数，以及可以采用第二获取接口与供电电网连接，用于获取供电电网的各项电网参数；
步骤102：获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
具体地，供电电网的电压波动幅值以及频率偏差幅值代表了供电电网的电能质量，其中，某一段时间内供电电网的电压波动幅值越大，代表了供电电网的电能质量越差，类似地，某一段时间内供电电网的频率偏差幅值越大，同样代表了供电电网的电能质量越差；
步骤103：对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
具体地，深度神经网络以及AI分析模型的输入数据类型和输出数据类型相同，实际上，深度神经网络为多次学习前的深度神经网络，而AI分析模型为多次学习后的深度神经网络；
步骤104：采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
示例地，可以采用数值仿真处理来模拟基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据的处理过程；
步骤105：在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
步骤106：在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
其中，获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值包括：所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联；
例如，所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联包括：所述并网光伏发电***使用的太阳能电池板的数量为100块，所述设定数目的取值为20，所述并网光伏发电***使用的太阳能电池板的数量为200块，所述设定数目的取值为30，以及所述并网光伏发电***使用的太阳能电池板的数量为500块，所述设定数目的取值为40；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：所述固定数量的取值与所述供电电网的负载数量成正比。
实施例2
图3为根据本发明的实施例2示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
如图3所示，相比较于图2，所述基于并网光伏发电***对电网电能质量影响的分析方法还包括以下步骤：
步骤107：在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限小于所述预设波动阈值时，发出当日波动稳定信号；
示例地，可以选择采用固定频率的发声模式实现对当日波动稳定信号的现场播放。
实施例3
图4为根据本发明的实施例3示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
如图4所示，相比较于图2，所述基于并网光伏发电***对电网电能质量影响的分析方法还包括以下步骤：
步骤108：在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值小于所述预设偏差阈值时，发出当日偏差稳定信号；
同样示例地，可以选择采用固定频率的发声模式实现对当日偏差稳定信号的现场播放。
实施例4
图5为根据本发明的实施例4示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
如图5所示，相比较于图2，所述基于并网光伏发电***对电网电能质量影响的分析方法还包括以下步骤：
步骤109：在接收到当日波动预警信号或者当日偏差预警信号时，对接收到的当日波动预警信号或者当日偏差预警信号进行网络数据包的打包处理，以获得对应的封装数据包；
其中，对接收到的当日波动预警信号或者当日偏差预警信号进行网络数据包的打包处理包括：所述网络数据包基于IP协议；
可替换地，对接收到的当日波动预警信号或者当日偏差预警信号进行网络数据包的打包处理包括：所述网络数据包为SOCKET协议，以替换上述的IP协议。
实施例5
图6为根据本发明的实施例5示出的基于并网光伏发电***对电网电能质量影响的分析方法的步骤流程示意图。
如图6所示，相比较于图5，所述基于并网光伏发电***对电网电能质量影响的分析方法还包括以下步骤：
步骤110：在接收到所述封装数据包时，通过网络通信链路将所述封装数据包发生给电网电能质量监测的服务器网元；
其中，通过网络通信链路将所述封装数据包发生给电网电能质量监测的服务器网元包括：所述服务器网元为大数据服务网元或者云计算服务网元；
可替换地，还可以采用区块链计算网元用于实现所述服务器网元，替换大数据服务网元或者云计算服务网元。
接着，继续对本发明的各个实施例进行详细的描述。
在根据本发明的各个实施例的基于并网光伏发电***对电网电能质量影响的分析方法中：
所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量包括：所述并网光伏发电***使用的各块太阳能电池板的结构相同；
示例地，所述并网光伏发电***使用的各块太阳能电池板的结构相同包括：各块太阳能电池板的展开板体面积相同以及各块太阳能电池板的转换效率相同；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量还包括：所述并网光伏发电***使用的每一块太阳能电池板的转换效率为所述并网光伏发电***使用的每一块太阳能电池板从接收到的太阳能到转换获得的电能的转换效率；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量还包括：获取所述并网光伏发电***所在地理位置每一天对应的单块太阳能电池板接收到的照射光量累计数值，对所述并网光伏发电***所在地理位置最近设定数目的多天分别对应的多份照射光量累计数值进行均值处理以获得所述并网光伏发电***所在地理位置的日均照射光量。
以及在根据本发明的各个实施例的基于并网光伏发电***对电网电能质量影响的分析方法中：
对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：对深度神经网络执行的每一次学习动作中，将过往某一天已知的所述并网光伏发电***并网到所述供电电网形成的电能质量数据作为深度神经网络的单项输出内容，将所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网在过往某一天之前最近设定数目的多天分别对应的多份电能质量数据作为深度神经网络的逐项输入内容，完成对深度神经网络的本次学习动作；
示例地，对深度神经网络执行的每一次学习动作中，将过往某一天已知的所述并网光伏发电***并网到所述供电电网形成的电能质量数据作为深度神经网络的单项输出内容，将所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网在过往某一天之前最近设定数目的多天分别对应的多份电能质量数据作为深度神经网络的逐项输入内容，完成对深度神经网络的本次学习动作包括：可以选择采用MATLAB工具箱完成对深度神经网络的每一次学习动作。
实施例6
图7为根据本发明的实施例6示出的基于并网光伏发电***对电网电能质量影响的分析装置的内部结构示意图。
如图7所示，所述基于并网光伏发电***对电网电能质量影响的分析装置包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
示例地，可以采用第一获取接口与并网光伏发电***连接，用于获取并网光伏发电***的各项并网发电参数，以及可以采用第二获取接口与供电电网连接，用于获取供电电网的各项电网参数；
获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
具体地，供电电网的电压波动幅值以及频率偏差幅值代表了供电电网的电能质量，其中，某一段时间内供电电网的电压波动幅值越大，代表了供电电网的电能质量越差，类似地，某一段时间内供电电网的频率偏差幅值越大，同样代表了供电电网的电能质量越差；
对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
具体地，深度神经网络以及AI分析模型的输入数据类型和输出数据类型相同，实际上，深度神经网络为多次学习前的深度神经网络，而AI分析模型为多次学习后的深度神经网络；
采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
示例地，可以采用数值仿真处理来模拟基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据的处理过程；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
其中，获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值包括：所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联；
例如，所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联包括：所述并网光伏发电***使用的太阳能电池板的数量为100块，所述设定数目的取值为20，所述并网光伏发电***使用的太阳能电池板的数量为200块，所述设定数目的取值为30，以及所述并网光伏发电***使用的太阳能电池板的数量为500块，所述设定数目的取值为40；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：所述固定数量的取值与所述供电电网的负载数量成正比；
如图7所示，示例性地，给出了N个处理器，其中，N为大于等于1的自然数。
实施例7
图8为根据本发明的实施例7示出的基于并网光伏发电***对电网电能质量影响的分析装置的内部结构示意图。
如图8所示，所述基于并网光伏发电***对电网电能质量影响的分析装置包括以下组件：
参数解析器件，用于获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
示例地，在所述参数解析器件内部，可以采用第一获取接口与并网光伏发电***连接，用于获取并网光伏发电***的各项并网发电参数，以及可以采用第二获取接口与供电电网连接，用于获取供电电网的各项电网参数；
分时检测器件，与所述供电电网连接，用于获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
具体地，供电电网的电压波动幅值以及频率偏差幅值代表了供电电网的电能质量，其中，某一段时间内供电电网的电压波动幅值越大，代表了供电电网的电能质量越差，类似地，某一段时间内供电电网的频率偏差幅值越大，同样代表了供电电网的电能质量越差；
模型构建器件，用于对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
具体地，深度神经网络以及AI分析模型的输入数据类型和输出数据类型相同，实际上，深度神经网络为多次学习前的深度神经网络，而AI分析模型为多次学习后的深度神经网络；
质量预判机构，分别与所述参数解析器件、所述分时检测器件以及所述模型构建器件连接，用于采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
示例地，可以采用数值仿真处理来模拟基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据的处理过程；
波动鉴定机构，与所述质量预判机构连接，用于在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
频率鉴定机构，与所述质量预判机构连接，用于在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
计时控制机构，分别与所述质量预判机构、所述波动鉴定机构以及所述频率鉴定机构连接，用于在检测到当天到达时，同步启动所述质量预判机构、所述波动鉴定机构以及所述频率鉴定机构；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
其中，获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值包括：所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联；
例如，所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联包括：所述并网光伏发电***使用的太阳能电池板的数量为100块，所述设定数目的取值为20，所述并网光伏发电***使用的太阳能电池板的数量为200块，所述设定数目的取值为30，以及所述并网光伏发电***使用的太阳能电池板的数量为500块，所述设定数目的取值为40；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：所述固定数量的取值与所述供电电网的负载数量成正比。
另外，本发明还可以引用以下具体技术内容以突出本发明的突出性的实质性特点以及显著性的技术进步：
采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据包括：选择数值仿真模式实现采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据的仿真处理；
其中，所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联包括：采用数值转换公式表示所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联，其中，所述并网光伏发电***使用的太阳能电池板的数量为所述数值转换公式的输入数据，所述设定数目的取值为所述数值转换公式的输出数据。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/电子设备/计算机可读存储介质/计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (8)
1.一种基于并网光伏发电***对电网电能质量影响的分析方法，其特征在于，所述方法包括：
获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
其中，获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值包括：所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：所述固定数量的取值与所述供电电网的负载数量成正比；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：对深度神经网络执行的每一次学习动作中，将过往某一天已知的所述并网光伏发电***并网到所述供电电网形成的电能质量数据作为深度神经网络的单项输出内容，将所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网在过往某一天之前最近设定数目的多天分别对应的多份电能质量数据作为深度神经网络的逐项输入内容，完成对深度神经网络的本次学习动作。
2.如权利要求1所述的基于并网光伏发电***对电网电能质量影响的分析方法，其特征在于，所述方法还包括：
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限小于所述预设波动阈值时，发出当日波动稳定信号。
3.如权利要求1所述的基于并网光伏发电***对电网电能质量影响的分析方法，其特征在于，所述方法还包括：
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值小于所述预设偏差阈值时，发出当日偏差稳定信号。
4.如权利要求1所述的基于并网光伏发电***对电网电能质量影响的分析方法，其特征在于，所述方法还包括：
在接收到当日波动预警信号或者当日偏差预警信号时，对接收到的当日波动预警信号或者当日偏差预警信号进行网络数据包的打包处理，以获得对应的封装数据包；
其中，对接收到的当日波动预警信号或者当日偏差预警信号进行网络数据包的打包处理包括：所述网络数据包基于IP协议。
5.如权利要求4所述的基于并网光伏发电***对电网电能质量影响的分析方法，其特征在于，所述方法还包括：
在接收到所述封装数据包时，通过网络通信链路将所述封装数据包发生给电网电能质量监测的服务器网元；
其中，通过网络通信链路将所述封装数据包发生给电网电能质量监测的服务器网元包括：所述服务器网元为大数据服务网元或者云计算服务网元。
6.如权利要求1-4所述的基于并网光伏发电***对电网电能质量影响的分析方法，其特征在于：
所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量包括：所述并网光伏发电***使用的各块太阳能电池板的结构相同；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量还包括：所述并网光伏发电***使用的每一块太阳能电池板的转换效率为所述并网光伏发电***使用的每一块太阳能电池板从接收到的太阳能到转换获得的电能的转换效率；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量还包括：获取所述并网光伏发电***所在地理位置每一天对应的单块太阳能电池板接收到的照射光量累计数值，对所述并网光伏发电***所在地理位置最近设定数目的多天分别对应的多份照射光量累计数值进行均值处理以获得所述并网光伏发电***所在地理位置的日均照射光量。
7.一种基于并网光伏发电***对电网电能质量影响的分析装置，其特征在于，所述装置包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
其中，获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值包括：所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：所述固定数量的取值与所述供电电网的负载数量成正比；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：对深度神经网络执行的每一次学习动作中，将过往某一天已知的所述并网光伏发电***并网到所述供电电网形成的电能质量数据作为深度神经网络的单项输出内容，将所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网在过往某一天之前最近设定数目的多天分别对应的多份电能质量数据作为深度神经网络的逐项输入内容，完成对深度神经网络的本次学习动作。
8.一种基于并网光伏发电***对电网电能质量影响的分析装置，其特征在于，所述装置包括：
参数解析器件，用于获取并网光伏发电***的各项并网发电参数以及获取供电电网的各项电网参数，所述并网光伏发电***用于并网到所述供电电网；
分时检测器件，与所述供电电网连接，用于获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值；
模型构建器件，用于对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型；
质量预判机构，分别与所述参数解析器件、所述分时检测器件以及所述模型构建器件连接，用于采用所述AI分析模型基于所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网最近设定数目的多天分别对应的多份电能质量数据智能分析当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据；
波动鉴定机构，与所述质量预判机构连接，用于在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的电压波动幅值上限超过或者等于预设波动阈值时，发出当日波动预警信号；
频率鉴定机构，与所述质量预判机构连接，用于在当天所述并网光伏发电***并网到所述供电电网形成的电能质量数据中的最大频率偏差幅值超过或者等于预设偏差阈值时，发出当日偏差预警信号；
计时控制机构，分别与所述质量预判机构、所述波动鉴定机构以及所述频率鉴定机构连接，用于在检测到当天到达时，同步启动所述质量预判机构、所述波动鉴定机构以及所述频率鉴定机构；
其中，所述并网光伏发电***的各项并网发电参数为所述并网光伏发电***使用的太阳能电池板的数量、所述并网光伏发电***使用的每一块太阳能电池板的展开板体面积、所述并网光伏发电***使用的每一块太阳能电池板的转换效率以及所述并网光伏发电***所在地理位置的日均照射光量；
其中，所述供电电网的各项电网参数为所述供电电网的传输电压、供电电压、负载数量以及平均负载阻值；
其中，获取所述供电电网最近设定数目的多天中每一天的电能质量数据，每一天的电能质量数据为该天范围内所述供电电网的电压波动幅值上限以及最大频率偏差幅值包括：所述设定数目的取值与所述并网光伏发电***使用的太阳能电池板的数量单调正向关联；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：所述固定数量的取值与所述供电电网的负载数量成正比；
其中，对深度神经网络执行固定数量的多次学习动作以获得对应的AI分析模型包括：对深度神经网络执行的每一次学习动作中，将过往某一天已知的所述并网光伏发电***并网到所述供电电网形成的电能质量数据作为深度神经网络的单项输出内容，将所述并网光伏发电***的各项并网发电参数、所述供电电网的各项电网参数以及所述供电电网在过往某一天之前最近设定数目的多天分别对应的多份电能质量数据作为深度神经网络的逐项输入内容，完成对深度神经网络的本次学习动作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310845025.0A CN116885775B (zh) | 2023-07-10 | 2023-07-10 | 基于并网光伏发电***对电网电能质量影响的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310845025.0A CN116885775B (zh) | 2023-07-10 | 2023-07-10 | 基于并网光伏发电***对电网电能质量影响的分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116885775A CN116885775A (zh) | 2023-10-13 |
| CN116885775B true CN116885775B (zh) | 2024-02-27 |
Family
ID=88254322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310845025.0A Active CN116885775B (zh) | 2023-07-10 | 2023-07-10 | 基于并网光伏发电***对电网电能质量影响的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116885775B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117977835B (zh) * | 2024-04-01 | 2024-06-21 | 广州国曜科技有限公司 | 一种带定位功能的微波无线输电*** |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
| CN105186514A (zh) * | 2015-10-20 | 2015-12-23 | 南京南瑞集团公司 | 一种大规模分布式光伏并网对配网安全评价及预警方法 |
| CN105281368A (zh) * | 2015-11-12 | 2016-01-27 | 中国能源建设集团江苏省电力设计院有限公司 | 一种光伏并网与电能质量治理统一控制策略 |
| CN107221949A (zh) * | 2017-05-26 | 2017-09-29 | 浙江华云清洁能源有限公司 | 一种稳定电能质量的光伏并网发电*** |
| CN108414848A (zh) * | 2018-01-08 | 2018-08-17 | 浙江工业大学 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
| CN108988382A (zh) * | 2018-07-09 | 2018-12-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 光伏发电站的并网监测与评估方法及*** |
| CN110660194A (zh) * | 2019-09-05 | 2020-01-07 | 深圳市德赛微电子技术有限公司 | 一种驾驶监控预警方法及*** |
| WO2021179678A1 (zh) * | 2020-03-12 | 2021-09-16 | 珠海格力电器股份有限公司 | 复合供电***及其供电调控方法 |
| CN113762453A (zh) * | 2020-06-04 | 2021-12-07 | 中国电力科学研究院有限公司 | 一种分布式光伏发电***覆灰状态评估方法和*** |
| CN114595851A (zh) * | 2022-02-20 | 2022-06-07 | 特斯联科技集团有限公司 | 利用神经网络的空调机房消耗功率分析装置 |
| KR102444254B1 (ko) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | 태양광 발전량 예측 시스템 및 방법 |
| CN115622063A (zh) * | 2022-10-28 | 2023-01-17 | 贵州电网有限责任公司 | 一种新能源电网下的光伏电站谐波分析与治理方法及*** |
| CN115952447A (zh) * | 2023-03-14 | 2023-04-11 | 广东云山能源科技有限公司 | 电器负载类型智能识别***及方法 |
| CN116131347A (zh) * | 2023-04-13 | 2023-05-16 | 国网山东省电力公司平度市供电公司 | 基于智能控制的光伏并网逆变器及光伏并网*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626506B (zh) * | 2020-05-27 | 2022-08-26 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控*** |
-
2023
- 2023-07-10 CN CN202310845025.0A patent/CN116885775B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
| CN105186514A (zh) * | 2015-10-20 | 2015-12-23 | 南京南瑞集团公司 | 一种大规模分布式光伏并网对配网安全评价及预警方法 |
| CN105281368A (zh) * | 2015-11-12 | 2016-01-27 | 中国能源建设集团江苏省电力设计院有限公司 | 一种光伏并网与电能质量治理统一控制策略 |
| CN107221949A (zh) * | 2017-05-26 | 2017-09-29 | 浙江华云清洁能源有限公司 | 一种稳定电能质量的光伏并网发电*** |
| CN108414848A (zh) * | 2018-01-08 | 2018-08-17 | 浙江工业大学 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
| CN108988382A (zh) * | 2018-07-09 | 2018-12-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 光伏发电站的并网监测与评估方法及*** |
| CN110660194A (zh) * | 2019-09-05 | 2020-01-07 | 深圳市德赛微电子技术有限公司 | 一种驾驶监控预警方法及*** |
| WO2021179678A1 (zh) * | 2020-03-12 | 2021-09-16 | 珠海格力电器股份有限公司 | 复合供电***及其供电调控方法 |
| CN113762453A (zh) * | 2020-06-04 | 2021-12-07 | 中国电力科学研究院有限公司 | 一种分布式光伏发电***覆灰状态评估方法和*** |
| KR102444254B1 (ko) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | 태양광 발전량 예측 시스템 및 방법 |
| CN114595851A (zh) * | 2022-02-20 | 2022-06-07 | 特斯联科技集团有限公司 | 利用神经网络的空调机房消耗功率分析装置 |
| CN115622063A (zh) * | 2022-10-28 | 2023-01-17 | 贵州电网有限责任公司 | 一种新能源电网下的光伏电站谐波分析与治理方法及*** |
| CN115952447A (zh) * | 2023-03-14 | 2023-04-11 | 广东云山能源科技有限公司 | 电器负载类型智能识别***及方法 |
| CN116131347A (zh) * | 2023-04-13 | 2023-05-16 | 国网山东省电力公司平度市供电公司 | 基于智能控制的光伏并网逆变器及光伏并网*** |
Non-Patent Citations (3)
| Title |
|---|
| 光伏并网发电***对电网的影响研究;余锐;巢红暄;;通讯世界;20161225(24);全文 * |
| 分布式光伏并网对电能质量影响研究;周峰;杨志雄;王朋;;通讯世界;20161012(19);全文 * |
| 单相光伏并网逆变器网压滑模预测前馈控制;刘 斌 等;太阳能学报;20170930;第38卷(第9期);第2385-2393页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116885775A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thakar et al. | System reconfiguration in microgrids | |
| US8874276B2 (en) | Event-based control system for wind turbine generators | |
| Jiang et al. | A decentralized reliability-enhanced power sharing strategy for PV-based microgrids | |
| CN116885775B (zh) | 基于并网光伏发电***对电网电能质量影响的分析方法 | |
| Meenakshi et al. | Power Quality Monitoring of a Photovoltaic System Through IoT | |
| Burgos-Mellado et al. | Cyber-attacks in modular multilevel converters | |
| EP3890186B1 (en) | System for controlling photovoltaic balancing | |
| CN103020853A (zh) | 一种短期交易计划安全校核的方法 | |
| CN111080082B (zh) | 一种适应低碳电源发展的电网规划方法 | |
| CN113169709A (zh) | 基于机器学习的太阳能发电控制***及方法 | |
| Jena et al. | Setting a fostered energy network by decarbonizing the grid: H ybridization, control, and future solutions upon storage | |
| Fatama et al. | Coordinated reactive power strategy using static synchronous compensator for photovoltaic inverters | |
| Kang et al. | Guest editorial for the special section on enabling very high penetration renewable energy integration into future power systems | |
| Ramasamy et al. | CNN‐based deep learning technique for improved H7 TLI with grid‐connected photovoltaic systems | |
| Phan et al. | Distributed methods for solving the security-constrained optimal power flow problem | |
| Armenta-Deu | Prediction of battery behaviour in SAPV applications | |
| Nutaro et al. | Integrated modeling of the electric grid, communications, and control | |
| Zhang et al. | Hardware-in-the-loop testbed for cyber-physical security of photovoltaic farms | |
| Hossain et al. | Dynamic electrical circuit modeling of a proton exchange membrane electrolyzer for frequency stability, resiliency, and sensitivity analysis in a power grid | |
| CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
| CN110649651B (zh) | 交直流双向变流器及其自适应方法、电子装置 | |
| Hernández-Callejo et al. | Analysis of the influence of DC optimizers on photovoltaic production | |
| CN112949729A (zh) | 一种用于微电网电流转换的控制算法 | |
| Hadjidemetriou et al. | Accurate and efficient modelling of grid tied inverters for investigating their interaction with the power grid | |
| Jia et al. | Hardware-in-the-loop implementation of residential intelligent microgrid |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |