CN117728583B - 基于迁移学习的分布式光伏集群能源控制监视*** - Google Patents
基于迁移学习的分布式光伏集群能源控制监视*** Download PDFInfo
- Publication number
- CN117728583B CN117728583B CN202311816631.6A CN202311816631A CN117728583B CN 117728583 B CN117728583 B CN 117728583B CN 202311816631 A CN202311816631 A CN 202311816631A CN 117728583 B CN117728583 B CN 117728583B
- Authority
- CN
- China
- Prior art keywords
- energy
- distributed photovoltaic
- module
- warning
- offset
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000013526 transfer learning Methods 0.000 title claims abstract description 11
- 238000004146 energy storage Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012546 transfer Methods 0.000 claims abstract description 24
- 238000013480 data collection Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000013508 migration Methods 0.000 claims abstract description 7
- 230000005012 migration Effects 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 10
- 238000010248 power generation Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明公开了基于迁移学习的分布式光伏集群能源控制监视***，具体涉及远程控制***领域，包括数据收集模块、迁移学习模块、监视模块、分析对比模块、警告模块、能源控制模块；数据收集模块，从分布式光伏集群的各个分布式光伏收集实时的能源输出、环境条件和设备状态数据，然后输送至迁移学习模块、能源控制模块；监视模块，对分布式光伏集群的各个分布式光伏进行视频监控并存储为监视视频，然后输送至分析对比模块；本发明可以对分布式光伏集群的中转储能设备的实时能源输出量进行合理化调整，可以降低中转储能设备的储能负担，避免出现安全隐患，并且可以延长中转储能设备的使用寿命，确保分布式光伏集群具有更足够的使用寿命。
Description
技术领域
本发明涉及远程控制***领域，更具体地说，本发明涉及基于迁移学习的分布式光伏集群能源控制监视***。
背景技术
分布式光伏集群是指多个独立但相互协同的光伏发电***组合在一起的结构。与大型集中式光伏电站不同，分布式光伏集群的设计理念是在多个地点布局小型或中型的光伏发电***，并利用先进的通讯和控制技术进行集中管理和调度，分布式光伏集群由于其自身的众多优势在许多国家和地区得到了广泛的推广和应用，特别是在城市和工业区域，可以有效地提供清洁、可再生的电力资源，但是随着使用，其容易因环境因素、自身的使用情况而出现电力转化不稳定的问题，倘若不能很好的对分布式光伏集群的中转储能设备的实时能源输出量进行调整，则一旦出现过饱和的情况会造成巨大的安全隐患，并且无法确保分布式光伏集群具有更足够的使用寿命。
为了解决上述缺陷，现提供一种技术方案。
发明内容
为实现上述目的，本发明提供如下技术方案：
基于迁移学习的分布式光伏集群能源控制监视***，包括数据收集模块、迁移学习模块、监视模块、分析对比模块、警告模块、能源控制模块；
数据收集模块，从分布式光伏集群的各个分布式光伏收集实时的能源输出、环境条件和设备状态数据，然后输送至迁移学习模块、能源控制模块；
监视模块，对分布式光伏集群的各个分布式光伏进行视频监控并存储为监视视频，然后输送至分析对比模块；
迁移学习模块，借助经过训练的LSTM模型对数据收集模块中收集到的实时的能源输出、环境条件和设备状态数据进行输入，并输出根据预测的需求构造的时间窗口时的发电量FDi并输送至分析对比模块；
分析对比模块，对各个分布式光伏的时间窗口时的发电量FDi和实际发电量进行对比操作，得到偏移指数PYi，并且提取时间窗口内，监视视频中的图像帧，然后进行分析操作，得到该时间窗口内的外观干扰指数GRi；
警告模块，对偏移指数PYi、外观干扰指数GRi分别进行警告判定操作，分别得到偏移等级值PJi和外观干扰等级值GJi，然后将偏移等级值PJi和外观干扰等级值GJi转化为警告信号集并输送至能源控制模块；
能源控制模块，根据警告信号集和分布式光伏集群的中转储能设备的当前储能量占据其总储能量的百分比值BFi，对分布式光伏集群的中转储能设备的实时能源输出量进行调整。
在一个优选地实施方式中，分析对比模块对各个分布式光伏的时间窗口时的发电量FDi和实际发电量进行对比操作，得到偏移指数PYi指的是：
将各个分布式光伏的时间窗口时的实际发电量标记为SFi，然后将其与对应的分布式光伏的时间窗口时的发电量FDi代入偏移指数PYi计算公式中，k为预设的时间间隔内时间窗口出现的次数，f1、f2分别为分布式光伏时间窗口时的发电量FDi、实际发电量标记为SFi预设的第一比例系数，e1、e2分别为分布式光伏时间窗口时的发电量FDi、实际发电量标记为SFi预设的第二比例系数，f1、f2、e1、e2均大于零。
在一个优选地实施方式中，分析对比模块提取时间窗口内，监视视频中的图像帧，然后进行分析操作，得到该时间窗口内的外观干扰指数GRi指的是；
分析对比模块提取时间窗口内监视视频中的图像帧，每一帧图像分别用等距的横线和竖线划分为d个栅格，统计其中被遮挡的栅格数目g，通过计算得到每一帧图像中被遮挡的栅格占据用等距的横线和竖线划分得到的栅格总数的比例系数BLi，BLi=g/d*100%，然后计算在提取时间窗口内中每一帧图像中的比例系数BLi的平均值，，m为图像帧的帧数，然后计算该时间窗口内的外观干扰指数GRi，/>。
在一个优选地实施方式中，警告模块对偏移指数PYi进行警告判定操作，得到偏移等级值PJi指的是：
将偏移指数PYi与预设的警告阀值区间进行对比判定，得到偏移等级值PJi，当偏移指数/>时，生成偏移等级值PJ1，当偏移指数时，生成偏移等级值PJ2，当偏移指数/>时，生成偏移等级值PJ3。
警告模块对外观干扰指数GRi分别警告判定操作，得到外观干扰等级值GJi指的是：
将外观干扰指数GRi与预设的警告阀值进行对比判定，得到外观干扰等级值GJi，当偏移指数/>时，生成外观干扰等级值GJ1，偏移指数/>时，生成外观干扰等级值GJ2。
在一个优选地实施方式中，警告模块将偏移等级值PJi和外观干扰等级值GJi转化为警告信号集指的是：
偏移等级值PJ1时，生成一级偏移警告信号，偏移等级值PJ2时，生成二级偏移警告信号，偏移等级值PJ3时，生成三级偏移警告信号，外观干扰等级值GJ1时，生成一类干扰警告信号，外观干扰等级值GJ2时，生成二类干扰警告信号，然后进行时间统一化处理，即在预设的时间间隔内，每一次的时间窗口时的外观干扰等级值GJi均进行信号转化，最后再统一汇总得到警告信号集。
在一个优选地实施方式中，能源控制模块根据警告信号集和分布式光伏集群的中转储能设备的当前储能量占据其总储能量的百分比值BFi，对分布式光伏集群的中转储能设备的实时能源输出量进行调整指的是：
在预设的时间间隔内，统计分布式光伏集群中所有的分布式光伏发出的警告信号集中，一级偏移警告信号的数目s1、二级偏移警告信号的数目s2、三级偏移警告信号的数目s3、一类干扰警告信号的数目s4、二类干扰警告信号的数目s5，并且将分布式光伏集群的中转储能设备的当前储能量标记为DQi，额定的总储能量标记为ZQi，并计算警告值JGi，JGi=（a1*s1+a2*s2+a3*s3+a4*s4+a5*s5）/k，a1、a2、a3、a4、a5分别为一级偏移警告信号的数目s1、二级偏移警告信号的数目s2、三级偏移警告信号的数目s3、一类干扰警告信号的数目s4、二类干扰警告信号的数目s5的预设的数目比例系数，BFi=DQi/ZQi*100%，然后通过警告值JGi计算调整比例值TZi，TZi=（JGi-T）/T，T为预设的标准调节对比值，当时，中转储能设备的实时能源输出量Pgi维持在最大值Pgmax，当/>时，实时能源输出量Pgi改变为Pgi=PVi*（TZi+1），PVi为上一个时间间隔内中转储能设备的能源输出量。
本发明的技术效果和优点：
本发明借助具有记忆能力的LSTM模型中的数据，可以更好的对分布式光伏集群能源情况进行把控，并且通过分析对比模块提取时间窗口内，监视视频中的图像帧，然后进行分析操作，得到该时间窗口内的外观干扰指数来把控分布式光伏集群的自身的使用情况，最终通过能源控制模块根据警告信号集和分布式光伏集群的中转储能设备的当前储能量占据其总储能量的百分比值，对分布式光伏集群的中转储能设备的实时能源输出量进行合理化调整，可以降低中转储能设备的储能负担，避免出现安全隐患，并且可以延长中转储能设备的使用寿命，确保分布式光伏集群具有更足够的使用寿命。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下的实施例中，i仅表示为项目编号，不涉及具体的含义，f1、f2、e1、e2、、、/>、a1、a2、a3、a4、a5、T、q、d均大于零，/>。
实施例1
基于迁移学习的分布式光伏集群能源控制监视***，包括数据收集模块、迁移学习模块、监视模块、分析对比模块、警告模块、能源控制模块；
数据收集模块，从分布式光伏集群的各个分布式光伏收集实时的能源输出、环境条件和设备状态数据，然后输送至迁移学习模块、能源控制模块；
监视模块，对分布式光伏集群的各个分布式光伏进行视频监控并存储为监视视频，然后输送至分析对比模块；
迁移学习模块，借助经过训练的LSTM模型对数据收集模块中收集到的实时的能源输出、环境条件和设备状态数据进行输入，并输出根据预测的需求构造的时间窗口时的发电量FDi并输送至分析对比模块；设备状态数据指的是分布式光伏集群的各个分布式光伏的开启和关闭，在设备状态为关闭的情况下，不会对该分布式光伏的能源输出、环境条件进行收集，并且对长短时记忆网络即LSTM模型进行介绍如下：
LSTM模型一种特殊的递归神经网络结构，适合处理具有时间依赖性的序列数据，对于光伏发电量的预测，LSTM可以根据历史天气数据、太阳辐射、温度、湿度等因素来预测未来的发电量。以下是一个简化的步骤描述，说明如何使用LSTM进行光伏发电量的预测：
数据收集：收集历史的光伏发电数据（如每小时或每日的发电量），收集与发电量相关的其他环境参数，如太阳辐照度、温度、风速、湿度等。
数据预处理：缺失值处理：处理数据集中的任何缺失值。
归一化或标准化：为了使模型的训练更加稳定，将所有的输入特征归一化或标准化到一个固定的范围内，如[0,1]。
序列构造：根据预测的需求构造时间窗口，例如，使用过去24小时的数据来预测下一个小时的发电量。
模型构建：选择一个合适的LSTM架构。这可能包括多层LSTM单元、dropout层和一个或多个密集层，并且确定输入特征数量和时间步长。
模型训练：使用历史数据训练LSTM模型，使用一部分数据作为验证集来监控模型的性能并避免过拟合。
模型评估：使用一个独立的测试数据集评估模型的性能，计算预测误差的度量，如均方误差或均方根误差。
模型预测：对于新的、未知的输入数据，使用训练好的LSTM模型进行预测。
由于LSTM模型具有记忆能力，可以捕捉时间序列数据中的长期依赖性，使其非常适合于预测具有复杂时间动态特性的光伏发电量，通过对LSTM模型中的数据获取，可以更好的对分布式光伏集群能源进行更好的控制和监视。
分析对比模块，对各个分布式光伏的时间窗口时的发电量FDi和实际发电量进行对比操作，得到偏移指数PYi，并且提取时间窗口内，监视视频中的图像帧，然后进行分析操作，得到该时间窗口内的外观干扰指数GRi；时间窗口可以为分钟、小时、天、月等单位的时间区段；
警告模块，对偏移指数PYi、外观干扰指数GRi分别进行警告判定操作，分别得到偏移等级值PJi和外观干扰等级值GJi，然后将偏移等级值PJi和外观干扰等级值GJi转化为警告信号集并输送至能源控制模块；
能源控制模块，根据警告信号集和分布式光伏集群的中转储能设备的当前储能量占据其总储能量的百分比值BFi，对分布式光伏集群的中转储能设备的实时能源输出量进行调整。
分析对比模块对各个分布式光伏的时间窗口时的发电量FDi和实际发电量进行对比操作，得到偏移指数PYi指的是：
将各个分布式光伏的时间窗口时的实际发电量标记为SFi，然后将其与对应的分布式光伏的时间窗口时的发电量FDi代入偏移指数PYi计算公式中，k为预设的时间间隔内时间窗口出现的次数，f1、f2分别为分布式光伏时间窗口时的发电量FDi、实际发电量标记为SFi预设的第一比例系数，e1、e2分别为分布式光伏时间窗口时的发电量FDi、实际发电量标记为SFi预设的第二比例系数，f1、f2、e1、e2均大于零，预设的时间间隔的时间差值应当为时间窗口的时间差值的整数倍，如时间间隔的时间差值为24小时，时间窗口的时间差值为8小时。
分析对比模块提取时间窗口内，监视视频中的图像帧，然后进行分析操作，得到该时间窗口内的外观干扰指数GRi指的是；
分析对比模块提取时间窗口内监视视频中的图像帧，每一帧图像分别用等距的横线和竖线划分为d个栅格，统计其中被遮挡的栅格数目g，被遮挡指的是分布式光伏因污垢或其他异常情况而导致的不能很好的进行光能吸收，通过计算得到每一帧图像中被遮挡的栅格占据用等距的横线和竖线划分得到的栅格总数的比例系数BLi，BLi=g/d*100%，然后计算在提取时间窗口内中每一帧图像中的比例系数BLi的平均值，，m为图像帧的帧数，然后计算该时间窗口内的外观干扰指数GRi，。
警告模块对偏移指数PYi进行警告判定操作，得到偏移等级值PJi指的是：
将偏移指数PYi与预设的警告阀值区间进行对比判定，得到偏移等级值PJi，当偏移指数/>时，生成偏移等级值PJ1，当偏移指数时，生成偏移等级值PJ2，当偏移指数/>时，生成偏移等级值PJ3。
警告模块对外观干扰指数GRi分别警告判定操作，得到外观干扰等级值GJi指的是：
将外观干扰指数GRi与预设的警告阀值进行对比判定，得到外观干扰等级值GJi，当偏移指数/>时，生成外观干扰等级值GJ1，偏移指数/>时，生成外观干扰等级值GJ2。
警告模块将偏移等级值PJi和外观干扰等级值GJi转化为警告信号集指的是：
偏移等级值PJ1时，生成一级偏移警告信号，偏移等级值PJ2时，生成二级偏移警告信号，偏移等级值PJ3时，生成三级偏移警告信号，外观干扰等级值GJ1时，生成一类干扰警告信号，外观干扰等级值GJ2时，生成二类干扰警告信号，然后进行时间统一化处理，即在预设的时间间隔内，每一次的时间窗口时的外观干扰等级值GJi均进行信号转化，最后再统一汇总得到警告信号集，因此，在警告信号集中，一类干扰警告信号、二类干扰警告信号可能会出现多次的情况。
能源控制模块根据警告信号集和分布式光伏集群的中转储能设备的当前储能量占据其总储能量的百分比值BFi，对分布式光伏集群的中转储能设备的实时能源输出量进行调整指的是：
在预设的时间间隔内，统计分布式光伏集群中所有的分布式光伏发出的警告信号集中，一级偏移警告信号的数目s1、二级偏移警告信号的数目s2、三级偏移警告信号的数目s3、一类干扰警告信号的数目s4、二类干扰警告信号的数目s5，并且将分布式光伏集群的中转储能设备的当前储能量标记为DQi，额定的总储能量标记为ZQi，并计算警告值JGi，JGi=（a1*s1+a2*s2+a3*s3+a4*s4+a5*s5）/k，a1、a2、a3、a4、a5分别为一级偏移警告信号的数目s1、二级偏移警告信号的数目s2、三级偏移警告信号的数目s3、一类干扰警告信号的数目s4、二类干扰警告信号的数目s5的预设的数目比例系数，BFi=DQi/ZQi*100%，然后通过警告值JGi、BFi对分布式光伏集群的中转储能设备的实时能源输出量进行调整。
实施例2
在实施例1中，通过警告值JGi、BFi对分布式光伏集群的中转储能设备的实时能源输出量进行调整指的是：
通过警告值JGi计算调整比例值TZi，TZi=（JGi-T）/T，T为预设的标准调节对比值，当时，中转储能设备的实时能源输出量Pgi维持在最大值Pgmax，当/>时，实时能源输出量Pgi改变为Pgi=PVi*（TZi+1），PVi为上一个时间间隔内中转储能设备的能源输出量，PVi通过数据收集模块数据收集得到，q为预设的中转储能设备的健康阈值，当时，中转储能设备的实时能源输出量Pgi维持在最大值Pgmax，可以降低中转储能设备的储能负担，并且可以延长中转储能设备的使用寿命，中转储能设备为分布式光伏集群中配置的用于对电力进行统一收集并输出的现有设备，在此不再进行过多赘述。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD)，或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项（个）”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b，或c中的至少一项（个），可以表示：a,b,c,a-b,a-c,b-c，或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM)、随机存取存储器（random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (1)
1.基于迁移学习的分布式光伏集群能源控制监视***，其特征在于，包括数据收集模块、迁移学习模块、监视模块、分析对比模块、警告模块、能源控制模块；
数据收集模块，从分布式光伏集群的各个分布式光伏收集实时的能源输出、环境条件和设备状态数据，然后输送至迁移学习模块、能源控制模块；
监视模块，对分布式光伏集群的各个分布式光伏进行视频监控并存储为监视视频，然后输送至分析对比模块；
迁移学习模块，借助经过训练的LSTM模型对数据收集模块中收集到的实时的能源输出、环境条件和设备状态数据进行输入，并输出根据预测的需求构造的时间窗口时的发电量FD i并输送至分析对比模块；
分析对比模块，对各个分布式光伏的时间窗口时的发电量FD i和实际发电量进行对比操作，得到偏移指数PY i，并且提取时间窗口内，监视视频中的图像帧，然后进行分析操作，得到该时间窗口内的外观干扰指数GR i；
警告模块，对偏移指数PY i、外观干扰指数GR i分别进行警告判定操作，分别得到偏移等级值PJi和外观干扰等级值GJi，然后将偏移等级值PJi和外观干扰等级值GJi转化为警告信号集并输送至能源控制模块；
能源控制模块，根据警告信号集和分布式光伏集群的中转储能设备的当前储能量占据其总储能量的百分比值BFi，对分布式光伏集群的中转储能设备的实时能源输出量进行调整；
分析对比模块对各个分布式光伏的时间窗口时的发电量FD i和实际发电量进行对比操作，得到偏移指数PY i指的是：
将各个分布式光伏的时间窗口时的实际发电量标记为SFi，然后将其与对应的分布式光伏的时间窗口时的发电量FDi代入偏移指数PY i计算公式中，k为预设的时间间隔内时间窗口出现的次数，f1、f2分别为分布式光伏时间窗口时的发电量FDi、实际发电量标记为SFi预设的第一比例系数，e1、e2分别为分布式光伏时间窗口时的发电量FDi、实际发电量标记为SFi预设的第二比例系数，f1、f2、e1、e2均大于零；
分析对比模块提取时间窗口内，监视视频中的图像帧，然后进行分析操作，得到该时间窗口内的外观干扰指数GR i指的是；
分析对比模块提取时间窗口内监视视频中的图像帧，每一帧图像分别用等距的横线和竖线划分为d个栅格，统计其中被遮挡的栅格数目g，通过计算得到每一帧图像中被遮挡的栅格占据用等距的横线和竖线划分得到的栅格总数的比例系数BLi，BLi＝g/d*100％，然后计算在提取时间窗口内中每一帧图像中的比例系数BLi的平均值 m为图像帧的帧数，然后计算该时间窗口内的外观干扰指数GRi，
警告模块对偏移指数PYi进行警告判定操作，得到偏移等级值PJi指的是：
将偏移指数PYi与预设的警告阈值区间[u1，u2]进行对比判定，得到偏移等级值PJi，当偏移指数PYi∈[u1，u2]时，生成偏移等级值PJ1，当偏移指数PYi<u1时，生成偏移等级值PJ2，当偏移指数PYi>u2时，生成偏移等级值PJ3；
警告模块对外观干扰指数GRi分别警告判定操作，得到外观干扰等级值GJi指的是：
将外观干扰指数GRi与预设的警告阈值u3进行对比判定，得到外观干扰等级值GJi，当偏移指数PY i≤u3时，生成外观干扰等级值GJ1，偏移指数PY i>u3时，生成外观干扰等级值GJ2；
警告模块将偏移等级值PJi和外观干扰等级值GJi转化为警告信号集指的是：
偏移等级值PJ1时，生成一级偏移警告信号，偏移等级值PJ2时，生成二级偏移警告信号，偏移等级值PJ3时，生成三级偏移警告信号，外观干扰等级值GJ1时，生成一类干扰警告信号，外观干扰等级值GJ2时，生成二类干扰警告信号，然后进行时间统一化处理，即在预设的时间间隔内，每一次的时间窗口时的外观干扰等级值GJi均进行信号转化，最后再统一汇总得到警告信号集；
能源控制模块根据警告信号集和分布式光伏集群的中转储能设备的当前储能量占据其总储能量的百分比值BFi，对分布式光伏集群的中转储能设备的实时能源输出量进行调整指的是：
在预设的时间间隔内，统计分布式光伏集群中所有的分布式光伏发出的警告信号集中，一级偏移警告信号的数目s1、二级偏移警告信号的数目s2、三级偏移警告信号的数目s3、一类干扰警告信号的数目s4、二类干扰警告信号的数目s5，并且将分布式光伏集群的中转储能设备的当前储能量标记为DQi，额定的总储能量标记为ZQi，并计算警告值JGi，JG i＝(a1*s1+a2*s2+a3*s3+a4*s4+a5*s5)/k，a1、a2、a3、a4、a5分别为一级偏移警告信号的数目s1、二级偏移警告信号的数目s2、三级偏移警告信号的数目s3、一类干扰警告信号的数目s4、二类干扰警告信号的数目s5的预设的数目比例系数，BFi＝DQi/ZQi*100％，然后通过警告值JGi计算调整比例值TZi，TZ i＝(JG i-T)/T，T为预设的标准调节对比值，当BF i≥q时，中转储能设备的实时能源输出量Pgi维持在最大值Pgmax，当BF i<q时，实时能源输出量Pgi改变为Pgi＝PVi*(TZi+1)，PVi为上一个时间间隔内中转储能设备的能源输出量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311816631.6A CN117728583B (zh) | 2023-12-27 | 2023-12-27 | 基于迁移学习的分布式光伏集群能源控制监视*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311816631.6A CN117728583B (zh) | 2023-12-27 | 2023-12-27 | 基于迁移学习的分布式光伏集群能源控制监视*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117728583A CN117728583A (zh) | 2024-03-19 |
| CN117728583B true CN117728583B (zh) | 2024-05-31 |
Family
ID=90203411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311816631.6A Active CN117728583B (zh) | 2023-12-27 | 2023-12-27 | 基于迁移学习的分布式光伏集群能源控制监视*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117728583B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114386314A (zh) * | 2021-12-09 | 2022-04-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于零样本学习的综合能源***非侵入式建模方法 |
| CN115173550A (zh) * | 2022-06-07 | 2022-10-11 | 华能南京金陵发电有限公司 | 一种分布式光伏发电实时监控方法和*** |
| CN115699149A (zh) * | 2020-07-10 | 2023-02-03 | 谷歌有限责任公司 | 基于预测的功率使用的用于显示器的动态功率转换器切换 |
| CN116720631A (zh) * | 2023-08-09 | 2023-09-08 | 深圳市洛丁光电有限公司 | 一种分布式光伏发电电量分析预测方法、***及存储介质 |
| CN116760031A (zh) * | 2023-08-17 | 2023-09-15 | 北京弘象科技有限公司 | 基于气象数据的高时间分辨率光伏功率预测方法和装置 |
Family Cites Families (2)
| 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*** |
| KR102428602B1 (ko) * | 2020-10-14 | 2022-08-03 | (주) 티이에프 | 태양광 발전 시스템에서 수집한 데이터를 통합적으로 관리하여 설비의 상태를 자동으로 모니터링하는 장치 및 방법 |
-
2023
- 2023-12-27 CN CN202311816631.6A patent/CN117728583B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115699149A (zh) * | 2020-07-10 | 2023-02-03 | 谷歌有限责任公司 | 基于预测的功率使用的用于显示器的动态功率转换器切换 |
| CN114386314A (zh) * | 2021-12-09 | 2022-04-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于零样本学习的综合能源***非侵入式建模方法 |
| CN115173550A (zh) * | 2022-06-07 | 2022-10-11 | 华能南京金陵发电有限公司 | 一种分布式光伏发电实时监控方法和*** |
| CN116720631A (zh) * | 2023-08-09 | 2023-09-08 | 深圳市洛丁光电有限公司 | 一种分布式光伏发电电量分析预测方法、***及存储介质 |
| CN116760031A (zh) * | 2023-08-17 | 2023-09-15 | 北京弘象科技有限公司 | 基于气象数据的高时间分辨率光伏功率预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117728583A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De Benedetti et al. | Anomaly detection and predictive maintenance for photovoltaic systems | |
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| Xiao et al. | Data mining in building automation system for improving building operational performance | |
| WO2019196869A1 (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
| KR20230038281A (ko) | 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체 | |
| CN115063058B (zh) | 一种基于模型驱动和数据驱动的综合能源态势感知*** | |
| CN116739562A (zh) | 一种基于lstm的配电网稳定性运维方法 | |
| CN111160626A (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| Cai et al. | Gray wolf optimization-based wind power load mid-long term forecasting algorithm | |
| CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控***及方法 | |
| Zafar et al. | Step towards secure and reliable smart grids in Industry 5.0: A federated learning assisted hybrid deep learning model for electricity theft detection using smart meters | |
| CN117878925B (zh) | 一种智能电网的输电数据控制方法及*** | |
| CN105958474B (zh) | 一种电网调控***用输电线路动态增容方法和*** | |
| CN115313355A (zh) | 一种智能电网大数据在短期负荷预测中的自动预测方法及*** | |
| Alrashidi et al. | Data-Driven Load Forecasting Using Machine Learning and Meteorological Data. | |
| CN117728583B (zh) | 基于迁移学习的分布式光伏集群能源控制监视*** | |
| CN117236571A (zh) | 一种基于物联网的规划方法和*** | |
| CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及*** | |
| US11200524B2 (en) | Technique for utility network management | |
| CN114460890B (zh) | 一种无人值守配电房的远程监控***及方法 | |
| Guan et al. | Advanced load forecast with hierarchical forecasting capability | |
| Dong et al. | Image-based with peak load ensemble prediction system for demand response in smart grid | |
| CN117113267B (zh) | 基于大数据的预测模型训练方法、光伏发电性能检测方法 | |
| Le et al. | Effectively determine confidence intervals of bus voltages served for setting overcurrent relays in distribution networks |
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 |