Nothing Special   »   [go: up one dir, main page]

CN118399441B - 基于多维度冗余的风电场一次调频数据调控系统及方法 - Google Patents

基于多维度冗余的风电场一次调频数据调控系统及方法 Download PDF

Info

Publication number
CN118399441B
CN118399441B CN202410865208.3A CN202410865208A CN118399441B CN 118399441 B CN118399441 B CN 118399441B CN 202410865208 A CN202410865208 A CN 202410865208A CN 118399441 B CN118399441 B CN 118399441B
Authority
CN
China
Prior art keywords
data
communication
matrix
classification
data matrix
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
Application number
CN202410865208.3A
Other languages
English (en)
Other versions
CN118399441A (zh
Inventor
董佳斌
马金波
宋超
董升涛
孙彦君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Datang Yilan Wind Power Co ltd
Original Assignee
Datang Yilan Wind Power Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Datang Yilan Wind Power Co ltd filed Critical Datang Yilan Wind Power Co ltd
Priority to CN202410865208.3A priority Critical patent/CN118399441B/zh
Publication of CN118399441A publication Critical patent/CN118399441A/zh
Application granted granted Critical
Publication of CN118399441B publication Critical patent/CN118399441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了基于多维度冗余的风电场一次调频数据调控系统及方法，涉及数据调控系统领域，本发明通过将主采集设备和备用采集设备冗余配置以及将网口通道和串口通道冗余配置，使得整个数据采集过程更加连续和可靠；再使用支持向量机模型对风电场并网点PT/CT线路的数据进行分类；再根据这些历史数据的变化趋势对未来时刻的风电场并网点PT/CT线路的数据进行预测并分类，从而判定出预测的结果数据具体属于哪个类别；当预测的结果数据属于的类别为异常类别时对风电场的电网进行参数调优，使得预测的结果数据所属类别均为正常类别，从而对风电场的电网未来发生的故障进行提前预测以及防范，保证了风电场的电网的工作稳定性。

Description

基于多维度冗余的风电场一次调频数据调控系统及方法
技术领域
本发明属于数据调控系统领域，具体来说，特别涉及基于多维度冗余的风电场一次调频数据调控系统及方法。
背景技术
一次调频系统一般包含屏柜、服务器、频率采集装置、工作站、交换机等硬件模块，在此基础上，一次调频系统需要采集并网点电压、频率、功率等数据，需要与风机能量管理平台进行通信从而接收机组数据、下发机组有功指令，实现控制过程中的功能配合；其中，系统采集并网点数据，一般是通过频率采集装置实现的；不同生产厂家对频率采集装置的具体实现方式有所不同，有的是将频率采集模块独立制作为一个装置，有的是将频率采集模块作为一个模块整合到工控机，但一般都只会接入一组PT/CT的线路，获取到一组并网点的测点数据，不会考虑主备冗余线路。
中国专利CN114721335A公开了一种面向调控主站验收的厂站自动化自助调试系统及方法，该系统包括部署于厂站侧的服务终端与至少一个移动终端；服务终端用于对调试过程进行管理，以及为移动终端提供厂站自动化系统上送的数据，移动终端用于配置及执行调试项目；移动终端可实现远动调试功能、告警直传调试功能、远程浏览调试功能、一键顺控调试功能、网络安全监测调试功能、远程维护调试功能、电量调试功能、保信调试功能及一次调频调试功能等；本发明实现了面向调控主站验收的厂站自动化应用功能自助式便捷调试，适用于实验室检测与现场调试，测试结果可靠，解决了目前主子站间协同应用测试效率低的问题。
当前常规一次调频系统，获取并网点数据未考虑冗余线路，当PT/CT线路发生故障时，系统将无法正常工作；常规系统内部与频率采集拼块通信形式单一，可靠性较低。
发明内容
针对相关技术中的问题，本发明提出基于多维度冗余的风电场一次调频数据调控系统及方法，以克服现有相关技术所存在的上述技术问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为基于多维度冗余的风电场一次调频数据调控方法，包括以下步骤：
S1、设定第一数据采集时间点集和采集数据类型集并通过将主采集设备和备用采集设备冗余配置以采集风电场并网点PT/CT线路的数据，得到通信前数据矩阵；再通过将网口通道和串口通道冗余配置以采集通信前数据矩阵，得到通信后数据矩阵；
S2、设定采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后数据矩阵中各个数据进行分类，得到通信后数据分类标签数据矩阵；再采集第三分类标签数据矩阵以构建支持向量机模型，得到最终支持向量机模型；
S3、采用所述最终支持向量机模型对通信后数据分类标签数据矩阵进行分类操作，得到通信后分类数据矩阵集以及通信后分类数据类别标签集；
S4、对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；再根据所述采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后预测数据矩阵中的数据进行分类操作，得到通信后预测数据分类矩阵；再采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作，得到通信后预测数据类别集并进行标签判定，得到通信后预测数据类别标签集；
S5、根据所述通信后分类数据类别标签集设定异常分类数据类别标签集并判定在未来时刻中风电场并网点PT/CT线路的数据是否存在异常，若存在异常，构建多元宇宙种群对风电场电网中的控制参数进行调优，得到最优参数集；否则，不需要对风电场电网中的控制参数进行调优。
优选地，所述S1包括以下步骤：
S11、设定第一数据采集时间点集，表示设定的第个采集时间点，表示设定的采集时间点总个数；再设定采集数据类型集，表示设定的第种采集数据类型，表示设定的采集数据类型总个数；
S12、设定主采集设备和备用采集设备；将所述主采集设备和备用采集设备分别接入两个风电场并网点PT/CT线路中且主采集设备与备用采集设备之间冗余配置；
S13、当所述主采集设备未发生故障时，根据所述第一数据采集时间点集和采集数据类型集以及采用主采集设备对相应的风电场并网点PT/CT线路的数据进行采集，得到第一数据矩阵；并将所述第一数据矩阵作为通信前数据矩阵；
当所述主采集设备发生故障时，采用所述备用采集设备对相应的风电场并网点PT/CT线路的数据进行采集，得到第二数据矩阵；并将所述第二数据矩阵作为通信前数据矩阵；
S14、构建网口通道和串口通道与所述主采集设备和备用采集设备之间进行通信；所述网口通道和串口通道之间冗余配置；
当所述网口通道与主采集设备和备用采集设备之间的通信未发生故障时，采用所述网口通道与主采集设备和备用采集设备之间进行通信以采集通信前数据矩阵，得到通信后数据矩阵；
当所述网口通道与主采集设备和备用采集设备之间的通信发生故障时，采用所述串口通道与主采集设备和备用采集设备之间进行通信以采集通信前数据矩阵，得到通信后数据矩阵；如下，
；
其中，表示第种数据类型在第个时间点采集得到的数据；
优选地，所述采集数据类型集中包括电压、频率、功率等数据类型。
优选地，所述S2包括以下步骤：
S21、根据所述采集数据类型集设定采集数据分类范围区间矩阵以及对应的采集数据分类标签矩阵；所述采集数据分类范围区间矩阵如下，
；
其中，和分别表示第个采集数据类型中第个分类的范围区间的最小值和最大值，表示第个采集数据类型对应的分类范围区间总个数；
所述采集数据分类标签矩阵如下，
；
其中，表示第个采集数据类型中第个分类标签；
S22、根据所述采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后数据矩阵中各个数据进行分类，得到通信后数据分类标签数据矩阵；如下，
；
其中，表示对第种数据类型在第个时间点采集得到的数据进行分类得到的分类标签数据；
S23、构建初始支持向量机模型；设定所述初始支持向量机模型采用的核函数为高斯核函数；如下，
；
式中，表示高斯核函数；表示支持向量机分类空间中的数据；表示所述高斯核函数的核心；表示与之间的欧式距离；表示高斯核函数的作用范围；
再设定所述初始支持向量机模型对误分类样本的惩罚程度为；
再次设定多个时间点，得到第二数据采集时间点集，；表示再次设定的第个时间点，表示再次设定的时间点的总个数；根据所述第二数据采集时间点集、采集数据类型集、采集数据分类标签矩阵以及采集数据分类范围区间矩阵并采用主采集设备对相应的风电场并网点PT/CT线路的数据进行采集和分类，得到第三分类标签数据矩阵；
S24、设定训练数据比例为；根据所述训练数据比例对第三分类标签数据矩阵中的数据进行划分，得到训练数据矩阵和测试数据矩阵；设定最大迭代次数为以及训练误差阈值为；
将所述训练数据矩阵输入至初始支持向量机模型中对初始支持向量机模型进行训练，当训练迭代次数大于或者等于时或者训练误差小于时，停止对所述初始支持向量机模型的训练，得到训练好的支持向量机模型；
S25、设定测试准确率阈值，将所述测试数据矩阵输入至训练好的支持向量机模型中进行分类，得到分类结果；将所述分类结果与预先设定好的测试数据矩阵对应的分类标签进行对比得到分类准确率；当所述分类准确率大于或者等于测试准确率阈值时，将所述训练好的支持向量机模型作为最终支持向量机模型；否则，重复S24和S25，直至所述分类准确率大于或者等于测试准确率阈值时为止。
优选地，所述S3包括以下步骤：
S31、采用所述最终支持向量机模型对通信后数据分类标签数据矩阵进行分类操作，得到通信后分类数据矩阵集，表示对通信后数据分类标签数据矩阵进行分类得到的第个分类数据矩阵，表示通信后分类数据矩阵集中分类数据矩阵的总个数；如下，
；
其中，表示中第个数据类型在第个时间点采集得到的数据对应的分类标签数据，表示中分类标签数据所属时间点的总个数；
S32、根据所述通信后分类数据矩阵集得到通信后分类数据类别标签集，表示对通信后数据分类标签数据矩阵进行分类得到的第个分类数据矩阵对应的数据类别；
通过确定通信后分类数据类别标签集，便于后续对预测的数据进行类别确定。
优选地，所述S4包括以下步骤：
S41、设定预测未来时间点集，表示设定的第个预测未来时间点，表示设定的预测未来时间点的总个数；根据预测未来时间点集采用移动平均法对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；如下，
；
其中，表示预测得到的第种数据类型在未来第个时间点的数据；
根据所述采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后预测数据矩阵中的数据进行分类操作，得到通信后预测数据分类矩阵；如下，
；
其中，表示对预测得到的第种数据类型在未来第个时间点的数据进行分类得到的分类数据；
S42、采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作，得到通信后预测数据类别集，表示第个预测未来时间点预测的数据类别，表示对通信后预测数据进行分类得到的分类总个数；
S43、根据所述通信后分类数据矩阵集以及通信后分类数据类别标签集对通信后预测数据类别集进行标签判定，得到通信后预测数据类别标签集，表示对第个预测未来时间点预测的数据类别对应的标签；
通过设定预测未来时间点集，从而确定了预测的时间跨度；采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作从而可以将通信后预测数据分类矩阵中的数据进行归类；便于后续对这些归类的数据类别进行确认。
优选地，所述S43包括以下步骤：
S431、分别计算所述通信后分类数据矩阵集和通信后预测数据类别集中每个分类数据矩阵的中心数据，得到通信后分类中心数据矩阵和通信后预测类别中心数据矩阵；分别如下，
；
；
其中，表示对通信后分类数据矩阵集中第个分类数据矩阵进行计算得到的中心数据中第个数据类型对应的分类标签数据；表示对通信后预测数据类别集中第个分类数据矩阵进行计算得到的中心数据中第个数据类型对应的分类标签数据，表示通信后预测数据类别集中第个分类数据矩阵中分类数据的总列数；和的计算公式分别如下，
；；
式中，表示中第个数据类型在第个时间点的数据对应的分类标签数据；
S432、计算所述通信后预测类别中心数据矩阵中每行数据到通信后分类中心数据矩阵中每行数据的欧式距离，得到欧式距离数据矩阵；如下，
；
其中，表示所述通信后预测类别中心数据矩阵中第行数据与通信后分类中心数据矩阵中第行数据之间的欧式距离；
将对应的所述通信后预测类别中心数据矩阵中的数据归类为对应的通信后分类中心数据矩阵的分类数据中，同时配合通信后分类数据类别标签集得到所述通信后预测数据类别标签集。
优选地，所述S5包括以下步骤：
S51、根据所述通信后分类数据类别标签集设定异常分类数据类别标签集，表示设定的第个异常分类数据类别标签，表示设定的异常分类数据类别标签总个数；
S52、根据所述异常分类数据类别标签集以及通信后预测数据类别标签集判定在未来时刻中风电场并网点PT/CT线路的数据是否存在异常；
当所述通信后预测数据类别标签集中存在数据类别标签属于异常分类数据类别标签集中时，需要对风电场电网中的控制参数进行调优，使得预测得到的数据类别标签中不存在异常分类数据类别标签；否则，不需要对风电场电网中的控制参数进行调优；
通过设定异常分类数据类别标签集，便于后续确定通信后预测数据类别标签集中是否存在数据类别标签为异常，从而确认是否需要进行参数调优以对数据进行调控。
优选地，S52中所述对风电场电网中的控制参数进行调优包括以下步骤：
S521、设定风电场电网初始控制参数集，表示设定的第个风电场电网初始控制参数，表示设定的风电场电网初始控制参数的总个数；
S522、构建多元宇宙种群，设定多元宇宙种群中宇宙的总个数为，则所述多元宇宙种群表示为，表示第个宇宙个体；设定所述多元宇宙种群搜寻空间维度为；
根据所述风电场电网初始控制参数集设定多元宇宙种群中每个宇宙初始位置，得到宇宙初始位置矩阵；如下，
；
表示所述多元宇宙种群中第个宇宙个体的初始位置中在第个维度的位置分量；
设定所述多元宇宙种群中各个宇宙个体中虫洞存在的最小概率值为、虫洞存在的最大概率值为；设定开发精度为，最大迭代次数为以及当前迭代次数为；
S523、设定所述多元宇宙种群中各个宇宙个体的适应度函数；如下，
；
式中，表示所述通信后预测数据类别标签集中存在数据类别标签的个数；为正数，表示偏置量；
S524、开始迭代操作，每轮迭代过程中根据所述适应度函数计算每个宇宙个体的膨胀率，得到宇宙膨胀率数据集；对所述宇宙膨胀率数据集中的数据进行排序，得到排序后的宇宙膨胀率数据集；
根据所述排序后的宇宙膨胀率数据集并采用轮盘赌原则在所述多元宇宙种群中选择一个宇宙个体通过黑洞从产生白洞的宇宙中吸收物质；
同时宇宙个体根据所述虫洞存在的最小概率值、虫洞存在的最大概率值以及开发精度通过虫洞和最优宇宙之间进行物质传输以改变位置；
S525、当时，停止迭代操作，输出最优参数集，表示第个风电场电网控制参数的最优值。
一种基于多维度冗余的风电场一次调频数据调控系统，包括风电场并网点PT/CT线路数据采集模块、支持向量机模型构建模块、第一数据分类模块、数据预测模块、第二数据分类模块和控制参数调优模块；
所述风电场并网点PT/CT线路数据采集模块用于设定第一数据采集时间点集和采集数据类型集并通过将主采集设备和备用采集设备冗余配置以及将网口通道和串口通道冗余配置以采集风电场并网点PT/CT线路的数据；
所述支持向量机模型构建模块用于再采集第三分类标签数据矩阵以构建支持向量机模型，得到最终支持向量机模型；
所述第一数据分类模块用于采用所述最终支持向量机模型对通信后数据分类标签数据矩阵进行分类操作；
所述数据预测模块用于对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；
所述第二数据分类模块用于采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作，得到通信后预测数据类别集；
所述控制参数调优模块用于构建多元宇宙种群对风电场电网中的控制参数进行调优。
本发明具有以下有益效果：
1.本发明中通过设置风电场并网点PT/CT线路数据采集模块、支持向量机模型构建模块、第一数据分类模块、数据预测模块、第二数据分类模块和控制参数调优模块；通过将主采集设备和备用采集设备冗余配置以及将网口通道和串口通道冗余配置，当主采集设备发生故障时，自动切换至备用采集设备以对风电场并网点PT/CT线路的数据继续进行采集，使得整个数据采集过程更加连续和可靠；同时当网口通道发生故障时，自动切换至串口通道与主采集设备和备用采集设备之间进行通信，使得通信过程更加可靠，保证了数据采集的效率以及效果；当通过网口通道或串口通道获取到历史数据之后，首先采用另外的训练数据对初始支持向量机模型进行训练以及测试，使得支持向量机模型可以对风电场并网点PT/CT线路的数据具有较好的分类的效果，对这些分类进行标签化后，从而对哪些类别的数据属于异常数据的标准进行了确定；再通过最终支持向量机模型对历史数据进行分类操作，并计算每个分类好的数据的分类中心数据；再根据这些历史数据的变化趋势对未来时刻的风电场并网点PT/CT线路的数据进行预测，再对预测的结果进行分类，并与历史数据的分类进行比较，从而判定出预测的结果数据具体属于哪个类别；当预测的结果数据属于的类别为异常类别时，本系统会对风电场的电网进行参数调优，使得预测的结果数据所属类别均为正常类别，从而对风电场的电网未来发生的故障进行提前预测以及防范，保证了风电场的电网的工作稳定性。
2.本发明中通过设定第一数据采集时间点集以及采集数据类型集，使得采集过程更加具有目的性；再通过对通信后数据矩阵中各个数据进行分类，使得通信后数据矩阵中的数据可以更加区分开来，方便后续采用支持向量机模型对通信后数据矩阵中的数据进行分类，且分类的效果更好；通过设定训练数据矩阵和测试数据矩阵对初始支持向量机模型进行训练以及测试，使得支持向量机模型对风电场并网点PT/CT线路的数据具有更好的分类效果。
3.本发明中通过计算通信后分类数据矩阵集和通信后预测数据类别集中每个分类数据矩阵的中心数据，从而方便进行比较，再根据比较的结果将通信后预测数据类别集中每个分类数据矩阵进行标签确认且通过设定异常分类数据类别标签集，便于后续确定通信后预测数据类别标签集中是否存在数据类别标签为异常，从而确认是否需要进行参数调优以对数据进行调控，其中，通过采用多元宇宙算法对风电场电网初始控制参数进行优化，具有较好的寻优效果且寻优的效率较高，从而可以及时的对风电场电网控制参数进行调节，及时对风电场电网在未来时刻要发生的问题进行调控，保证了风电场电网运行的稳定性。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得的附图。
图1为本发明一种基于多维度冗余的风电场一次调频数据调控系统对风电场一次调频数据进行调控的流程示意图。
具体实施方式
下面将结合发明实施例中的附图，对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发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于发明保护的范围。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“顶”、“中”、“内”等指示方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对发明的限制。
本发明为基于多维度冗余的风电场一次调频数据调控方法，包括以下步骤：
S1、设定第一数据采集时间点集和采集数据类型集并通过将主采集设备和备用采集设备冗余配置以采集风电场并网点PT/CT线路的数据，得到通信前数据矩阵；再通过将网口通道和串口通道冗余配置以采集通信前数据矩阵，得到通信后数据矩阵；
所述S1包括以下步骤：
S11、设定第一数据采集时间点集，表示设定的第个采集时间点，表示设定的采集时间点总个数；再设定采集数据类型集，表示设定的第种采集数据类型，表示设定的采集数据类型总个数；
S12、设定主采集设备和备用采集设备；将所述主采集设备和备用采集设备分别接入两个风电场并网点PT/CT线路中且主采集设备与备用采集设备之间冗余配置；
S13、当所述主采集设备未发生故障时，根据所述第一数据采集时间点集和采集数据类型集以及采用主采集设备对相应的风电场并网点PT/CT线路的数据进行采集，得到第一数据矩阵；并将所述第一数据矩阵作为通信前数据矩阵；
当所述主采集设备发生故障时，采用所述备用采集设备对相应的风电场并网点PT/CT线路的数据进行采集，得到第二数据矩阵；并将所述第二数据矩阵作为通信前数据矩阵；
S14、构建网口通道和串口通道与所述主采集设备和备用采集设备之间进行通信；所述网口通道和串口通道之间冗余配置；
当所述网口通道与主采集设备和备用采集设备之间的通信未发生故障时，采用所述网口通道与主采集设备和备用采集设备之间进行通信以采集通信前数据矩阵，得到通信后数据矩阵；
当所述网口通道与主采集设备和备用采集设备之间的通信发生故障时，采用所述串口通道与主采集设备和备用采集设备之间进行通信以采集通信前数据矩阵，得到通信后数据矩阵；如下，
；
其中，表示第种数据类型在第个时间点采集得到的数据；
S2、设定采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后数据矩阵中各个数据进行分类，得到通信后数据分类标签数据矩阵；再采集第三分类标签数据矩阵以构建支持向量机模型，得到最终支持向量机模型；
所述S2包括以下步骤：
S21、根据所述采集数据类型集设定采集数据分类范围区间矩阵以及对应的采集数据分类标签矩阵；所述采集数据分类范围区间矩阵如下，
；
其中，和分别表示第个采集数据类型中第个分类的范围区间的最小值和最大值，表示第个采集数据类型对应的分类范围区间总个数；
所述采集数据分类标签矩阵如下，
；
其中，表示第个采集数据类型中第个分类标签；
S22、根据所述采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后数据矩阵中各个数据进行分类，得到通信后数据分类标签数据矩阵；如下，
；
其中，表示对第种数据类型在第个时间点采集得到的数据进行分类得到的分类标签数据；
S23、构建初始支持向量机模型；设定所述初始支持向量机模型采用的核函数为高斯核函数；如下，
；
式中，表示高斯核函数；表示支持向量机分类空间中的数据；表示所述高斯核函数的核心；表示与之间的欧式距离；表示高斯核函数的作用范围；
再设定所述初始支持向量机模型对误分类样本的惩罚程度为；
再次设定多个时间点，得到第二数据采集时间点集；根据所述第二数据采集时间点集、采集数据类型集、采集数据分类标签矩阵以及采集数据分类范围区间矩阵并采用主采集设备对相应的风电场并网点PT/CT线路的数据进行采集和分类，得到第三分类标签数据矩阵；
S24、设定训练数据比例为；根据所述训练数据比例对第三分类标签数据矩阵中的数据进行划分，得到训练数据矩阵和测试数据矩阵；设定最大迭代次数为以及训练误差阈值为；
将所述训练数据矩阵输入至初始支持向量机模型中对初始支持向量机模型进行训练，当训练迭代次数大于或者等于时或者训练误差小于时，停止对所述初始支持向量机模型的训练，得到训练好的支持向量机模型；
S25、设定测试准确率阈值，将所述测试数据矩阵输入至训练好的支持向量机模型中进行分类，得到分类结果；将所述分类结果与预先设定好的测试数据矩阵对应的分类标签进行对比得到分类准确率；当所述分类准确率大于或者等于测试准确率阈值时，将所述训练好的支持向量机模型作为最终支持向量机模型；否则，重复S24和S25，直至所述分类准确率大于或者等于测试准确率阈值时为止；
S3、采用所述最终支持向量机模型对通信后数据分类标签数据矩阵进行分类操作，得到通信后分类数据矩阵集以及通信后分类数据类别标签集；
所述S3包括以下步骤：
S31、采用所述最终支持向量机模型对通信后数据分类标签数据矩阵进行分类操作，得到通信后分类数据矩阵集，表示对通信后数据分类标签数据矩阵进行分类得到的第个分类数据矩阵，表示通信后分类数据矩阵集中分类数据矩阵的总个数；如下，
；
其中，表示中第个数据类型在第个时间点采集得到的数据对应的分类标签数据，表示中分类标签数据所属时间点的总个数；
S32、根据所述通信后分类数据矩阵集得到通信后分类数据类别标签集，表示对通信后数据分类标签数据矩阵进行分类得到的第个分类数据矩阵对应的数据类别；
S4、对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；再根据所述采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后预测数据矩阵中的数据进行分类操作，得到通信后预测数据分类矩阵；再采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作，得到通信后预测数据类别集并进行标签判定，得到通信后预测数据类别标签集；
所述S4包括以下步骤：
S41、设定预测未来时间点集，表示设定的第个预测未来时间点，表示设定的预测未来时间点的总个数；根据预测未来时间点集采用移动平均法对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；如下，
；
其中，表示预测得到的第种数据类型在未来第个时间点的数据；
根据所述采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后预测数据矩阵中的数据进行分类操作，得到通信后预测数据分类矩阵；如下，
；
其中，表示对预测得到的第种数据类型在未来第个时间点的数据进行分类得到的分类数据；
S42、采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作，得到通信后预测数据类别集，表示第个预测未来时间点预测的数据类别，表示对通信后预测数据进行分类得到的分类总个数；
S43、根据所述通信后分类数据矩阵集以及通信后分类数据类别标签集对通信后预测数据类别集进行标签判定，得到通信后预测数据类别标签集，表示对第个预测未来时间点预测的数据类别对应的标签；
所述S43包括以下步骤：
S431、分别计算所述通信后分类数据矩阵集和通信后预测数据类别集中每个分类数据矩阵的中心数据，得到通信后分类中心数据矩阵和通信后预测类别中心数据矩阵；分别如下，
；；
其中，表示对通信后分类数据矩阵集中第个分类数据矩阵进行计算得到的中心数据中第个数据类型对应的分类标签数据；表示对通信后预测数据类别集中第个分类数据矩阵进行计算得到的中心数据中第个数据类型对应的分类标签数据，表示通信后预测数据类别集中第个分类数据矩阵中分类数据的总列数；和的计算公式分别如下，
；；
式中，表示中第个数据类型在第个时间点的数据对应的分类标签数据；
S432、计算所述通信后预测类别中心数据矩阵中每行数据到通信后分类中心数据矩阵中每行数据的欧式距离，得到欧式距离数据矩阵；如下，
；
其中，表示所述通信后预测类别中心数据矩阵中第行数据与通信后分类中心数据矩阵中第行数据之间的欧式距离；
将对应的所述通信后预测类别中心数据矩阵中的数据归类为对应的通信后分类中心数据矩阵的分类数据中，同时配合通信后分类数据类别标签集得到所述通信后预测数据类别标签集；
S5、根据所述通信后分类数据类别标签集设定异常分类数据类别标签集并判定在未来时刻中风电场并网点PT/CT线路的数据是否存在异常，若存在异常，构建多元宇宙种群对风电场电网中的控制参数进行调优，得到最优参数集；否则，不需要对风电场电网中的控制参数进行调优；
所述S5包括以下步骤：
S51、根据所述通信后分类数据类别标签集设定异常分类数据类别标签集，表示设定的第个异常分类数据类别标签，表示设定的异常分类数据类别标签总个数；
S52、根据所述异常分类数据类别标签集以及通信后预测数据类别标签集判定在未来时刻中风电场并网点PT/CT线路的数据是否存在异常；
当所述通信后预测数据类别标签集中存在数据类别标签属于异常分类数据类别标签集中时，需要对风电场电网中的控制参数进行调优，使得预测得到的数据类别标签中不存在异常分类数据类别标签；否则，不需要对风电场电网中的控制参数进行调优；
S52中所述对风电场电网中的控制参数进行调优包括以下步骤：
S521、设定风电场电网初始控制参数集，表示设定的第个风电场电网初始控制参数，表示设定的风电场电网初始控制参数的总个数；
S522、构建多元宇宙种群，设定多元宇宙种群中宇宙的总个数为，则所述多元宇宙种群表示为，表示第个宇宙个体；设定所述多元宇宙种群搜寻空间维度为；
根据所述风电场电网初始控制参数集设定多元宇宙种群中每个宇宙初始位置，得到宇宙初始位置矩阵；如下，
；
表示所述多元宇宙种群中第个宇宙个体的初始位置中在第个维度的位置分量；
设定所述多元宇宙种群中各个宇宙个体中虫洞存在的最小概率值为、虫洞存在的最大概率值为；设定开发精度为，最大迭代次数为以及当前迭代次数为；
S523、设定所述多元宇宙种群中各个宇宙个体的适应度函数；如下，
；
式中，表示所述通信后预测数据类别标签集中存在数据类别标签的个数；为正数，表示偏置量；
S524、开始迭代操作，每轮迭代过程中根据所述适应度函数计算每个宇宙个体的膨胀率，得到宇宙膨胀率数据集；对所述宇宙膨胀率数据集中的数据进行排序，得到排序后的宇宙膨胀率数据集；
根据所述排序后的宇宙膨胀率数据集并采用轮盘赌原则在所述多元宇宙种群中选择一个宇宙个体通过黑洞从产生白洞的宇宙中吸收物质；
同时宇宙个体根据所述虫洞存在的最小概率值、虫洞存在的最大概率值以及开发精度通过虫洞和最优宇宙之间进行物质传输以改变位置；
S525、当时，停止迭代操作，输出最优参数集，表示第个风电场电网控制参数的最优值。
一种基于多维度冗余的风电场一次调频数据调控系统，包括风电场并网点PT/CT线路数据采集模块、SVM模型构建模块、第一数据分类模块、数据预测模块、第二数据分类模块和控制参数调优模块；
所述风电场并网点PT/CT线路数据采集模块用于设定第一数据采集时间点集和采集数据类型集并通过将主采集设备和备用采集设备冗余配置以及将网口通道和串口通道冗余配置以采集风电场并网点PT/CT线路的数据；
所述支持向量机模型构建模块用于再采集第三分类标签数据矩阵以构建支持向量机模型，得到最终支持向量机模型；
所述第一数据分类模块用于采用所述最终支持向量机模型对通信后数据分类标签数据矩阵进行分类操作；
所述数据预测模块用于对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；
所述第二数据分类模块用于采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作，得到通信后预测数据类别集；
所述控制参数调优模块用于构建多元宇宙种群对风电场电网中的控制参数进行调优。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的发明优选实施例只是用于帮助阐述发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用发明。

Claims (9)

1.基于多维度冗余的风电场一次调频数据调控方法，其特征在于，包括以下步骤：
S1、将主采集设备和备用采集设备冗余配置以采集风电场并网点PT/CT线路的数据，得到通信前数据矩阵；再通过将网口通道和串口通道冗余配置以采集通信前数据矩阵中的数据，得到通信后数据矩阵；
S2、对通信后数据矩阵中各个数据进行分类，得到通信后数据分类标签数据矩阵；
S3、对通信后数据分类标签数据矩阵进行分类操作，得到通信后分类数据矩阵集以及通信后分类数据类别标签集；
S4、对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；并对通信后预测数据矩阵中的数据进行分类操作，得到通信后预测数据类别集；再对通信后预测数据类别集进行标签判定，得到通信后预测数据类别标签集；
S5、根据所述通信后分类数据类别标签集设定异常分类数据类别标签集并判定在未来时刻中风电场并网点PT/CT线路的数据是否存在异常，若存在异常，构建多元宇宙种群对风电场电网中的控制参数进行调优，得到最优参数集；否则，不需要对风电场电网中的控制参数进行调优。
2.根据权利要求1所述的基于多维度冗余的风电场一次调频数据调控方法，其特征在于，所述S1包括以下步骤：
S11、设定第一数据采集时间点集以及采集数据类型集；
S12、设定主采集设备和备用采集设备；将所述主采集设备和备用采集设备分别接入两个风电场并网点PT/CT线路中且主采集设备与备用采集设备之间冗余配置；
S13、当所述主采集设备未发生故障时，根据所述第一数据采集时间点集和采集数据类型集并采用主采集设备对相应的风电场并网点PT/CT线路的数据进行采集，得到第一数据矩阵；并将所述第一数据矩阵作为通信前数据矩阵；
当所述主采集设备发生故障时，采用所述备用采集设备对相应的风电场并网点PT/CT线路的数据进行采集，得到第二数据矩阵；并将所述第二数据矩阵作为通信前数据矩阵；
S14、构建网口通道和串口通道用于所述主采集设备和备用采集设备之间进行通信；所述网口通道和串口通道之间冗余配置；
当所述网口通道与主采集设备和备用采集设备之间的通信未发生故障时，主采集设备和备用采集设备之间采用所述网口通道进行通信以采集通信前数据矩阵中的数据，得到通信后数据矩阵；
当所述网口通道与主采集设备和备用采集设备之间的通信发生故障时，主采集设备和备用采集设备之间采用所述串口通道进行通信以采集通信前数据矩阵中的数据，得到通信后数据矩阵。
3.根据权利要求2所述的基于多维度冗余的风电场一次调频数据调控方法，其特征在于，所述S2包括以下步骤：
S21、根据所述采集数据类型集设定采集数据分类范围区间矩阵以及对应的采集数据分类标签矩阵；
S22、根据所述采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后数据矩阵中各个数据进行分类，得到通信后数据分类标签数据矩阵；
S23、构建初始支持向量机模型；再次设定多个时间点，得到第二数据采集时间点集；根据所述第二数据采集时间点集、采集数据类型集、采集数据分类标签矩阵以及采集数据分类范围区间矩阵并采用主采集设备对相应的风电场并网点PT/CT线路的数据进行采集和分类，得到第三分类标签数据矩阵；
S24、设定训练数据比例为；根据所述训练数据比例对第三分类标签数据矩阵中的数据进行划分，得到训练数据矩阵和测试数据矩阵；设定最大迭代次数为以及训练误差阈值为；
将所述训练数据矩阵输入至初始支持向量机模型中对初始支持向量机模型进行训练，当训练迭代次数大于或者等于时或者训练误差小于时，停止对所述初始支持向量机模型的训练，得到训练好的支持向量机模型；
S25、设定测试准确率阈值，将所述测试数据矩阵输入至训练好的支持向量机模型中进行分类，得到分类结果；将所述分类结果与预先设定好的测试数据矩阵对应的分类标签进行对比得到分类准确率；当所述分类准确率大于或者等于测试准确率阈值时，将所述训练好的支持向量机模型作为最终支持向量机模型；否则，重复S24和S25，直至所述分类准确率大于或者等于测试准确率阈值时为止。
4.根据权利要求3所述的基于多维度冗余的风电场一次调频数据调控方法，其特征在于，所述S3包括以下步骤：
S31、采用所述最终支持向量机模型对通信后数据分类标签数据矩阵进行分类操作，得到通信后分类数据矩阵集；
S32、根据所述通信后分类数据矩阵集得到通信后分类数据类别标签集。
5.根据权利要求4所述的基于多维度冗余的风电场一次调频数据调控方法，其特征在于，所述S4包括以下步骤：
S41、设定预测未来时间点集；根据预测未来时间点集采用移动平均法对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；
根据所述采集数据分类范围区间矩阵以及采集数据分类标签矩阵对通信后预测数据矩阵中的数据进行分类操作，得到通信后预测数据分类矩阵；
S42、采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作，得到通信后预测数据类别集；
S43、根据所述通信后分类数据矩阵集以及通信后分类数据类别标签集对通信后预测数据类别集进行标签判定，得到通信后预测数据类别标签集。
6.根据权利要求5所述的基于多维度冗余的风电场一次调频数据调控方法，其特征在于，所述S43包括以下步骤：
S431、分别计算所述通信后分类数据矩阵集和通信后预测数据类别集中每个分类数据矩阵的中心数据，得到通信后分类中心数据矩阵和通信后预测类别中心数据矩阵；
S432、计算所述通信后预测类别中心数据矩阵中每行数据到通信后分类中心数据矩阵中每行数据的欧式距离，得到欧式距离数据矩阵；将所述欧式距离数据矩阵中每行最小的欧式距离数据对应的通信后预测类别中心数据矩阵中的数据归类为对应的通信后分类中心数据矩阵的分类数据中，同时配合通信后分类数据类别标签集得到所述通信后预测数据类别标签集。
7.根据权利要求6所述的基于多维度冗余的风电场一次调频数据调控方法，其特征在于，所述S5包括以下步骤：
S51、根据所述通信后分类数据类别标签集设定异常分类数据类别标签集；
S52、根据所述异常分类数据类别标签集以及通信后预测数据类别标签集判定在未来时刻中风电场并网点PT/CT线路的数据是否存在异常；当所述通信后预测数据类别标签集中存在数据类别标签属于异常分类数据类别标签集中时，需要对风电场电网中的控制参数进行调优，使得预测得到的数据类别标签中不存在异常分类数据类别标签；否则，不需要对风电场电网中的控制参数进行调优。
8.根据权利要求7所述的基于多维度冗余的风电场一次调频数据调控方法，其特征在于，S52中所述对风电场电网中的控制参数进行调优包括以下步骤：
S521、设定风电场电网初始控制参数集；
S522、构建多元宇宙种群；根据所述风电场电网初始控制参数集设定多元宇宙种群中每个宇宙初始位置，得到宇宙初始位置矩阵；设定所述多元宇宙种群中各个宇宙个体中虫洞存在的最小概率值、虫洞存在的最大概率值；设定开发精度，最大迭代次数为以及当前迭代次数为；
S523、设定所述多元宇宙种群中各个宇宙个体的适应度函数；
S524、开始迭代操作，每轮迭代过程中根据所述适应度函数计算每个宇宙个体的膨胀率，得到宇宙膨胀率数据集；对所述宇宙膨胀率数据集中的数据进行排序，得到排序后的宇宙膨胀率数据集；根据所述排序后的宇宙膨胀率数据集并采用轮盘赌原则在所述多元宇宙种群中选择一个宇宙个体通过黑洞从产生白洞的宇宙中吸收物质；同时宇宙个体根据所述虫洞存在的最小概率值、虫洞存在的最大概率值以及开发精度通过虫洞和最优宇宙之间进行物质传输以改变位置；
S525、当时，停止迭代操作，输出最优参数集。
9.一种实现如权利要求1-8任意一项所述的基于多维度冗余的风电场一次调频数据调控方法的系统，其特征在于：包括风电场并网点PT/CT线路数据采集模块、支持向量机模型构建模块、第一数据分类模块、数据预测模块、第二数据分类模块和控制参数调优模块；
所述风电场并网点PT/CT线路数据采集模块用于设定第一数据采集时间点集和采集数据类型集并通过将主采集设备和备用采集设备冗余配置以及将网口通道和串口通道冗余配置以采集风电场并网点PT/CT线路的数据；
所述支持向量机模型构建模块用于再采集第三分类标签数据矩阵以构建支持向量机模型，得到最终支持向量机模型；
所述第一数据分类模块用于采用所述最终支持向量机模型对通信后数据分类标签数据矩阵进行分类操作；
所述数据预测模块用于对通信后数据矩阵进行预测操作，得到通信后预测数据矩阵；
所述第二数据分类模块用于采用所述最终支持向量机模型对通信后预测数据分类矩阵中的数据进行分类操作，得到通信后预测数据类别集；
所述控制参数调优模块用于构建多元宇宙种群对风电场电网中的控制参数进行调优。
CN202410865208.3A 2024-07-01 2024-07-01 基于多维度冗余的风电场一次调频数据调控系统及方法 Active CN118399441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410865208.3A CN118399441B (zh) 2024-07-01 2024-07-01 基于多维度冗余的风电场一次调频数据调控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410865208.3A CN118399441B (zh) 2024-07-01 2024-07-01 基于多维度冗余的风电场一次调频数据调控系统及方法

Publications (2)

Publication Number Publication Date
CN118399441A CN118399441A (zh) 2024-07-26
CN118399441B true CN118399441B (zh) 2024-09-20

Family

ID=91999952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410865208.3A Active CN118399441B (zh) 2024-07-01 2024-07-01 基于多维度冗余的风电场一次调频数据调控系统及方法

Country Status (1)

Country Link
CN (1) CN118399441B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN109714402A (zh) * 2018-12-12 2019-05-03 胡书恺 一种冗余数据采集系统及其运行使用方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3093829B1 (fr) * 2019-03-12 2021-02-26 Safran Aircraft Engines Localisation de panne dans un système d’acquisition redondant
CN110597984B (zh) * 2019-08-12 2022-05-20 大箴(杭州)科技有限公司 异常行为用户信息的确定方法及装置、存储介质、终端
CN113496262B (zh) * 2021-09-08 2022-02-08 山东大学 数据驱动的有源配电网异常状态感知方法及系统
CN115270887A (zh) * 2022-08-05 2022-11-01 湖南五凌电力科技有限公司 一种异常识别方法和装置
CN115630325A (zh) * 2022-11-11 2023-01-20 奇瑞徽银汽车金融股份有限公司 一种异常用户识别方法
CN116125199A (zh) * 2022-12-14 2023-05-16 广东电网有限责任公司 一种低压配电网线路故障预警方法及系统
CN117289652A (zh) * 2023-09-20 2023-12-26 浙江工业大学 一种基于多元宇宙优化的数控机床主轴热误差建模方法
CN118051827A (zh) * 2024-03-28 2024-05-17 安徽思宇微电子技术有限责任公司 基于深度学习的电网故障预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN109714402A (zh) * 2018-12-12 2019-05-03 胡书恺 一种冗余数据采集系统及其运行使用方法

Also Published As

Publication number Publication date
CN118399441A (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
CN109146093B (zh) 一种基于学习的电力设备现场勘查方法
US11953870B2 (en) System and method for controlling solar photovoltaic power generation on basis of machine learning
AU2019388238B2 (en) System and method for controlling photovoltaic balancing
CN106199276A (zh) 一种用电信息采集系统中异常信息的智能诊断系统及方法
CN109670676A (zh) 基于支持向量数据描述的配网台区风险预警方法及系统
CN117390403B (zh) 一种新能源灯塔发电站的电网故障检测方法及系统
US10691085B2 (en) Defect detection in power distribution system
CN110320893A (zh) 一种基于rcm的火电机组设备检修方法
CN116467648A (zh) 一种基于物联表的非线性台区电力故障的早期监测方法
CN117674249A (zh) 一种含分布式光伏的配电网故障自愈控制与评价方法
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN118399441B (zh) 基于多维度冗余的风电场一次调频数据调控系统及方法
CN110874663B (zh) 用于风力发电机组的不间断电源的故障优化方法及装置
CN117792864A (zh) 一种告警处理方法、装置、存储介质及电子装置
CN113740666A (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN109444799A (zh) 一种基于闭环管理的电能表质量评价方法及系统
CN118281263A (zh) 燃料电池在线故障监测和预警的方法、装置及控制系统
CN115146727A (zh) 一种智能用电系统故障检测方法及系统
Shan et al. Root Cause Analysis of Failures for Power Communication Network Based on CNN
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
Cui et al. Remote Power Failure Tracing Based on Classification Decision Tree
CN118011115A (zh) 一种基于硬件捕捉机制的在线避雷器监测系统及方法
CN115809415A (zh) 一种配电网自愈模式规划方法、装置及存储介质
CN117890719A (zh) 一种基于dbscan与二叉决策树算法的短路故障定位方法
CN118868411A (zh) 一种应用于光伏场区的智能运维控制系统

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