用于控制利用可再生能源操作的发电系统的方法和设备的制造方法
【技术领域】
[0001]本发明涉及用于控制利用可再生能源操作的发电系统的方法和设备。
【背景技术】
[0002]在电气发电行业中，可再生能源发电系统使用的频率越来越高。这种发电系统的能量产生严重依赖于外部变量，特别是气候条件。因此，希望这种类型的可再生能源发电系统以适当的方式来预测未来生成的能源量，从而能够作为结果来计划这种发电系统的能量供给，因而电网的操作会更有效。
【发明内容】
[0003]因此，本发明的一个目的是改进可以用可再生能源操作的发电系统的控制。
[0004]相应地，提出了一种用于控制可以用可再生能源操作的发电系统的方法。在该方法中，使用具有输入矢量和输出矢量的学习系统针对预定预测期间和预定区域执行发电系统的能量产生的计算机支持的预测的生成。输出矢量包括发电系统的一个或多个操作变量，用于预定预测期间的多个连续未来时间点。输入矢量包括影响用于预定观察期间的多个时间点中的一个时间点的一个或多个操作变量的一个或多个输入变量。输入变量包括用于预定观察时间期间和预定区域的至少三个以下数据:气候数据；由卫星提供的云漂移的第一图像数据；由地面照相机提供的云漂移的第二图像数据；以及使用气候数据通过用于仿真发电系统的能量产生的物理模型所生成的仿真数据。进一步地，在该方法中，基于生成的预测控制发电系统，使得减小发电系统的能量产生中与气候有关的波动。
[0005]例如，可用可再生能源操作的发电系统是发电站或混合发电站，例如光伏发电站或太阳能发电站。
[0006]学习系统是能够基于其输入和输出适应其特性的系统。因此，用一组训练数据训练学习系统是可能的，使得其可以识别在训练数据中的特定的、预定的或自动被确定的模式或可概括的结构。在学习阶段之后，除了训练数据，这种类型的学习系统还能够识别数据中被确定的模式或可概括的结构，并相应地分类其它数据。
[0007]例如，发电系统的操作变量是由发电系统生成的能源输出量。
[0008]该方法使未来生成的能源使用量以适当的方式被预测，从而能够规划这种类型的发电系统的能量供给，因此电网的运行会更有效。
[0009]进一步地，该方法使发电系统能够基于生成的预测被控制，使得减小或阻止发电系统的能量产生中与气候有关的波动。
[0010]该方法的另一个优点在于使用至少三个不同数据源用于将生成的预测的可能性。这样，可以结合不同数据源的优点，例如，各个测量点、时间帧或时间分辨率的精度和/或误差宽容度。因此，生成的预测比仅仅使用一个或两个数据源更精确和更稳定。
[0011]在该方法的实施例中，在预测生成前，通过学习系统成分(component)的主成分分析压缩输入矢量。
[0012]主成分分析是用于输入矢量所包括的数据的无损失压缩的统计方法。非线性主成分分析的使用，其是以学习系统的形式实现的，例如神经网络，是特别有利的。这样，非常大的输入矢量也可以被高效和快速地处理。
[0013]在本方法的其它实施例中，学习系统由η个神经网络形成。
[0014]神经网络是通用函数逼近器，其结构根据生物神经细胞选择。
[0015]神经网络特别适用于控制和调节技术系统，例如发电系统。
[0016]可以用神经网络替换传统的控制器或者为它们指定参考值，其中神经网络由生成的预测确定。
[0017]因此，可以进一步根据生成的预测控制发电系统，使得进一步减小发电系统的能量产生中与气候有关的波动。
[0018]神经网络进一步使预测误差随时间推移而最小化，由此提高最终生成的预测。
[0019]η个神经网络可以具有相同的或不同的架构。
[0020]在本方法的其它实施例中，用于第i个神经网络的输入矢量除输入变量外，还包括第(1-Ι)个神经网络的输出矢量，其中i e [1，...，η]。
[0021]因此，学习系统包括一系列独立的、形式为神经网络的自学子系统。除了各自的输入矢量所包括的输入变量，除第一子系统外，每个子系统还接收各自前面的子系统生成的预测作为其它输入数据。这样，前面的子系统的预测误差可以由各自的后面的子系统减小。
[0022]在本方法的其它实施例中，η个神经网络的每一个被设计为具有多个互连层的人工神经前馈网络，多个互连层包括输入层，多个隐蔽层和输出层，其中输入层包含多个输入神经元，以描述输入矢量，以及其中各个隐蔽层包含多个隐蔽神经元，以描述输出矢量，以及其中输出层包括对应多个隐蔽层并且在每种情况下包括一个或多个输出神经元的多个输出簇，其中每个输出簇描述相同的输出矢量并连接到不同隐蔽层。
[0023]因此，η个神经网络的每一个表示前馈网络的特殊变量。前馈网络的特征在于互相重叠的多个神经元层以从较低到较高层的处理方向通过适当的权重以权重矩阵的形式互相耦接，其中在单个层里面的神经元没有相互连接。
[0024]η个神经网络的每一个的特征在于输出层包括对应多个隐蔽层并且在每个情况中包括一个或多个输出神经元的多个输出簇，其中每个输出簇描述了相同的输出矢量并连接到不同隐蔽层。因此，输出簇分配给每个隐蔽层，其中隐蔽层仅耦接到该输出簇。因此，建立了单独的输出簇，其描述了在神经网络中相互依赖的发电系统的相同操作变量。
[0025]与传统前馈网络相比，在根据本发明的神经网络中，位于最上面的隐蔽层下面的隐蔽层不仅连接到较高的隐蔽层，还连接到输出层的输出簇。因此，其它误差信息输入至输出层，使得相应地所训练的神经网络可以更好地预测发电系统的操作变量。输入矢量连接到每个隐蔽层。
[0026]在本方法的其它实施例中，针对η个神经网络的每一个神经网络单独提供包括在输入变量内的数据。
[0027]因此，每个子系统具有输入变量的特征值作为输入数据。例如，用于第一子系统的输入变量对应所观察到的气候数据的高时间分辨率，引起短期预测，相反，用于第二子系统的输入变量对应所观察到的气候数据的低时间分辨率，因此引起长期预测。高时间分辨率意味着，例如，时间分辨率精确到分钟或小时，而低时间分辨率意味着，例如，分辨率精确到天。
[0028]在本方法的其它实施例中，η个神经网络的序列是可预定义的。
[0029]对应输入数据的子系统的分类，例如在质量、时间帧或输入变量所包括的数据的时间分辨率方面，能够进一步提高所生成的预测的质量。
[0030]在本方法的其它实施例中，多次执行生成预测的步骤，以便生成多个预测，其中在用于生成相应的预测的每个情况中指定不同的预测期间和/或不同观察期间。
[0031 ] 多个不同预测可以用这种方式生成。
[0032]在本方法的其它实施例中，合并生成的多个预测，以形成合并的预测。
[0033]通过合并生成的多个预测来形成合并的预测，可以进一步提高最终生成的、合并的预测的质量。
[0034]在本方法的其它实施例中，通过加权求和的方式合并生成的多个预测。
[0035]例如，加权求和允许多个生成的预测的每一个是等权重的。但是，为了提高各自的预测对合并的预测的影响，也可以是多个生成的预测中的一个或多个的权重比其它的重。这样，例如，基于更精确或更可靠数据的预测可以比基于不精确或不可靠数据的预测的加权更重，而不需要放弃不精确或不可靠数据的使用。
[0036]在本方法的其它实施例中，通过其它神经网络的方式合并生成的多个预测。
[0037]神经网络特别适合于处理和评估统计数据，例如所观察到的气候数据。因此，可以进一步提高合并的预测。
[0038]在本方法的其它实施例中，