基于自适应控制的风电场无功电压控制系统及其方法与流程

1.本发明涉及风电场的无功电压智能控制领域，且更为具体地，涉及一种基于自适应控制的风电场无功电压控制系统及其方法。


背景技术：

2.风能随机性强的特点，使得风机在追踪最大风功率发电时有功功率会发生大幅度的变化，这会导致传输线路上的充电功率也产生相应地波动，为了保证电网的稳定性，系统需提供足够的无功功率并需要常规电源的共同工作。
3.考虑到风资源的不稳定性，无法对风电场风电机组的有功功率做出精准预测，而电网系统调节发电的出力是根据用户用电负荷情况，这就导致风电出力和电网调节出力之间产生了矛盾，进而影响了电网系统的正常调度运行。
4.因此，期待一种风电场无功电压控制方案，以确保风电场并网的稳定性。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于自适应控制的风电场无功电压控制系统及其方法，其采用人工智能的预测控制技术，利用基于深度学习的卷积神经网络模型作为特征提取器来对于与电网连接的所有电用户在多个预定时间点的用电功率以及多个风力发电机在所述多个预定时间点输出的有功功率值进行时间和样本维度上的隐含关联特征提取，进一步再将所述所有电用户的用电功率在时间和样本上的隐含关联特征与所述多个风力发电机的有功功率值在时间和样本上的隐含关联特征进行差分，进而在高维特征空间中来进行所述多个风力发电机应提供的无功电压值的预测。这样，能够保证预测的准确性，确保了风电场并网的稳定性。
6.根据本技术的一个方面，提供了一种基于自适应控制的风电场无功电压控制系统，其包括：
7.用电数据采集模块，用于获取与电网连接的所有电用户在多个预定时间点的用电功率；
8.供电数据采集模块，用于获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值；
9.用电数据结构化模块，用于将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵；
10.供电数据结构化模块，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵；
11.用电数据特征提取模块，用于将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵；
12.供电数据特征提取模块，用于将所述有功功率输入矩阵通过作为特征提取器的第
二卷积神经网络以得到有功功率特征矩阵；
13.差分模块，用于计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵；
14.特征分布校正模块，用于基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及
15.无功控制结果生成模块，用于将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。
16.在上述基于自适应控制的风电场无功电压控制系统中，所述用电数据结构化模块，包括：电用户时间维度排序单元，用于将所述与所述电网连接的所有电用户在多个预定时间点的用电功率按照所述时间维度分别排列为行向量以得到多个电用户行向量；以及，电用户样本维度排序单元，用于将所述多个电用户行向量按照所述电用户样本维度排列为所述用电输入矩阵。
17.在上述基于自适应控制的风电场无功电压控制系统中，所述供电数据结构化模块，包括：风力发电机时间维度排序单元，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照所述时间维度分别排列为行向量以得到多个发电机行向量；以及，风力发电机样本维度排序单元，用于将所述多个发电机行向量按照所述风力发电机样本维度排列为所述有功功率输入矩阵。
18.在上述基于自适应控制的风电场无功电压控制系统中，所述用电数据特征提取模块，进一步用于：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述用电特征矩阵，所述作为特征提取器的第一卷积神经网络的第一层的输入为所述用电输入矩阵。
19.在上述基于自适应控制的风电场无功电压控制系统中，所述供电数据特征提取模块，进一步用于：所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述有功功率特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述有功功率输入矩阵。
20.在上述基于自适应控制的风电场无功电压控制系统中，所述差分模块，进一步用于：以如下公式计算所述用电特征矩阵与所述有功功率特征矩阵之间的所述差分特征矩阵；
21.其中，所述公式为：
[0022][0023]
其中m1表示所述用电特征矩阵，m2表示所述有功功率特征矩阵，m表示所述差分特征矩阵，表示按位置减法。
[0024]
在上述基于自适应控制的风电场无功电压控制系统中，所述特征分布校正模块，进一步用于：基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，以如下公式对所述差分特征矩阵中各个位置的特征值进行校正以得到所述校正后差分特征矩阵；
[0025]
其中，所述公式为：
[0026][0027]
其中m
i，j
是所述差分特征矩阵的各个位置的特征值，μ和σ是所述差分特征矩阵的各个位置的特征值集合的均值和方差，且w和h是所述差分特征矩阵的宽度和高度。α为超参数。
[0028]
在上述基于自适应控制的风电场无功电压控制系统中，所述无功控制结果生成模块，进一步用于：使用所述解码器以如下公式对所述校正后差分特征矩阵进行解码回归以获得所述解码值，所述公式为：其中x是所述校正后差分特征矩阵，y是所述解码值，w是权重矩阵，b是偏置向量，表示矩阵乘。
[0029]
根据本技术的另一方面，一种基于自适应控制的风电场无功电压控制方法，其包括：
[0030]
获取与电网连接的所有电用户在多个预定时间点的用电功率；
[0031]
获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值；
[0032]
将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵；
[0033]
将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵；
[0034]
将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵；
[0035]
将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络以得到有功功率特征矩阵；
[0036]
计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵；
[0037]
基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及
[0038]
将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。
[0039]
在上述基于自适应控制的风电场无功电压控制方法中，将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵，包括：将所述与所述电网连接的所有电用户在多个预定时间点的用电功率按照所述时间维度分别排列为行向量以得到多个电用户行向量；以及，将所述多个电用户行向量按照所述电用户样本维度排列为所述用电输入矩阵。
[0040]
在上述基于自适应控制的风电场无功电压控制方法中，将所述与所述电网连接的
多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵，包括：将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照所述时间维度分别排列为行向量以得到多个发电机行向量；以及，将所述多个发电机行向量按照所述风力发电机样本维度排列为所述有功功率输入矩阵。
[0041]
在上述基于自适应控制的风电场无功电压控制方法中，将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵，包括：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述用电特征矩阵，所述作为特征提取器的第一卷积神经网络的第一层的输入为所述用电输入矩阵。
[0042]
在上述基于自适应控制的风电场无功电压控制方法中，将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络以得到有功功率特征矩阵，包括：所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述有功功率特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述有功功率输入矩阵。
[0043]
在上述基于自适应控制的风电场无功电压控制方法中，计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵，包括：以如下公式计算所述用电特征矩阵与所述有功功率特征矩阵之间的所述差分特征矩阵；
[0044]
其中，所述公式为：
[0045][0046]
其中m1表示所述用电特征矩阵，m2表示所述有功功率特征矩阵，m表示所述差分特征矩阵，表示按位置减法。
[0047]
在上述基于自适应控制的风电场无功电压控制方法中，基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵，包括：基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，以如下公式对所述差分特征矩阵中各个位置的特征值进行校正以得到所述校正后差分特征矩阵；
[0048]
其中，所述公式为：
[0049][0050]
其中m
i，j
是所述差分特征矩阵的各个位置的特征值，μ和σ是所述差分特征矩阵的各个位置的特征值集合的均值和方差，且w和h是所述差分特征矩阵的宽度和高度。α为超参数。
[0051]
在上述基于自适应控制的风电场无功电压控制方法中，将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值，包括：使用所述解码器以如下公式对所述校正后差分特征矩阵进行解码回归以获得所述解码值，所述公式为：其中x是所述校正后差分特征矩阵，y是所述解码值，w是权重矩阵，b是偏置向量，表示矩阵乘。
[0052]
与现有技术相比，本技术提供的基于自适应控制的风电场无功电压控制系统及其方法，其采用人工智能的预测控制技术，利用基于深度学习的卷积神经网络模型作为特征提取器来对于与电网连接的所有电用户在多个预定时间点的用电功率以及多个风力发电机在所述多个预定时间点输出的有功功率值进行时间和样本维度上的隐含关联特征提取，进一步再将所述所有电用户的用电功率在时间和样本上的隐含关联特征与所述多个风力发电机的有功功率值在时间和样本上的隐含关联特征进行差分，进而在高维特征空间中来进行所述多个风力发电机应提供的无功电压值的预测。这样，能够保证预测的准确性，确保了风电场并网的稳定性。
附图说明
[0053]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0054]
图1为根据本技术实施例的基于自适应控制的风电场无功电压控制系统的应用场景图。
[0055]
图2为根据本技术实施例的基于自适应控制的风电场无功电压控制系统的框图。
[0056]
图3为根据本技术实施例的基于自适应控制的风电场无功电压控制方法的流程图。
[0057]
图4为根据本技术实施例的基于自适应控制的风电场无功电压控制方法的架构示意图。
具体实施方式
[0058]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0059]
场景概述
[0060]
如前所述，风能随机性强的特点，使得风机在追踪最大风功率发电时有功功率会发生大幅度的变化，这会导致传输线路上的充电功率也产生相应地波动，为了保证电网的稳定性，系统需提供足够的无功功率并需要常规电源的共同工作。
[0061]
考虑到风资源的不稳定性，无法对风电场风电机组的有功功率做出精准预测，而电网系统调节发电的出力是根据用户用电负荷情况，这就导致风电出力和电网调节出力之间产生了矛盾，进而影响了电网系统的正常调度运行。
[0062]
因此，期待一种风电场无功电压控制方案，以确保风电场并网的稳定性。
[0063]
应可以理解，当进行大规模的风电场并网时，由于风速变化存在不确定性，输出到电网的有功功率将会引起并网点电压的变化波动，影响电网的稳定和正常运行，因此，需要风电机组主动发出无功功率用于补偿并网点的电压，保证并网点电压稳定在安全运行范围内。相应地，本技术的发明人考虑到所述风电机组应提供的无功功率值可以根据电用户的用电功率值与风力发电机的有功功率值之间的差值来确定，而又考虑到多个所述用电用户的用电功率和多个所述风力发电机的有功功率在时间维度和样本维度都有着隐藏的关联性，因此期望使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对其关联性特征进行深层的特征挖掘，进而在高维特征空间中来进行所述风电机组应提供的无功功率值预测，以确保风电场并网的稳定性。
[0064]
具体地，在本技术的技术方案中，首先，通过功率检测器分别获取与电网连接的所有电用户在多个预定时间点的用电功率以及与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值。
[0065]
然后，考虑到对于所述所有电用户在多个预定时间点的用电功率以及所述多个风力发电机在所述多个预定时间点输出的有功功率值来说，其在时间维度上和样本维度上都具有着关联信息。例如，对于所述所有电用户在多个预定时间点的用电功率，所述所有电用户在每天的某个时间段都会存在着特殊的隐含规律，并且各个所述电用户之间的用电功率之间也存在着某种隐性的联系；而对于所述多个风力发电机在所述多个预定时间点输出的有功功率值，所述多个风力发电机的有功功率值在每天的某个时间段也有着特殊的隐性联系，如夜里和凌晨会由于风速的增大而使得所述有功功率值增大，并且所述多个风力发电机的有功功率值之间也会有着相互的影响。因此，为了能够充分地挖掘出这种隐含的规律特征信息来提高分类的准确性，进一步将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵，并将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵。
[0066]
进一步地，使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来对于所述用电输入矩阵和所述有功功率输入矩阵分别进行关联性的深层特征挖掘，以提取出所述所有电用户的用电功率以及所述多个风力发电机的有功功率值在时间和样本维度上的隐含关联特征分布，从而得到用电特征矩阵和有功功率特征矩阵。
[0067]
考虑到由于当进行大规模的风电场并网时，由于风速变化存在不确定性，输出到电网的有功功率将会引起并网点电压的变化波动，在本技术的技术方案中，风电机组将主动发出无功功率用于补偿并网点的电压，保证并网点电压稳定在安全运行范围内。因此，为了对于当前时间点的所述多个风力发电机应提供的无功电压值进行准确地回归，进一步计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵来表征所述电用户的用电功率需求特征与当前时间点的所述风力发电机输出的有功功率供给特征的差值特征，进而表征出所述多个风力发电机应提供的无功电压特征信息。
[0068]
但是，在计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵时，由于所述电用户的用电功率数据和所述风力发电机输出的有功功率数据在源数据上存在分布差异，使得通过所述作为特征提取器的卷积神经网络提取到的高维特征存在分布不对齐的情况，导致差分特征矩阵在回归时的拟合度差。
[0069]
因此，在本技术的技术方案中，进一步对所述差分特征矩阵进行自适应实例的信息统计归一化，表示为：
[0070][0071]
其中m
i，j
是所述差分特征矩阵的各个位置的特征值，μ和σ是所述差分特征矩阵的各个位置的特征值集合的均值和方差，且w和h是所述差分特征矩阵的宽度和高度。α为超参数。
[0072]
这里，将所述差分特征矩阵的特征值集合作为自适应实例，使用其统计特征的本质内在先验信息来对单个特征值进行动态生成式的信息归一化，并且，通过以特征集合的归一化模长信息作为偏置，可以得到集合分布域内的不变性描述，这样，就实现了尽可能屏蔽特殊实例的扰动分布的特征优化，提升了所述差分特征矩阵的回归拟合度，进而提高了回归结果的准确性。
[0073]
基于此，本技术提出了一种基于自适应控制的风电场无功电压控制系统，其包括：用电数据采集模块，用于获取与电网连接的所有电用户在多个预定时间点的用电功率；供电数据采集模块，用于获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值；用电数据结构化模块，用于将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵；供电数据结构化模块，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵；用电数据特征提取模块，用于将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵；供电数据特征提取模块，用于将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络以得到有功功率特征矩阵；差分模块，用于计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵；特征分布校正模块，用于基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及，无功控制结果生成模块，用于将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。
[0074]
图1图示了根据本技术实施例的基于自适应控制的风电场无功电压控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过功率检测器(例如，如图1中所示意的t1和t2)分别获取与电网(例如，如图1中所示意的p)连接的所有电用户(例如，如图1中所示意的e)在多个预定时间点的用电功率，以及与所述电网连接的多个风力发电机(例如，如图1中所示意的f)在所述多个预定时间点输出的有功功率值。然后，将获取的所述与电网连接的所有电用户在多个预定时间点的用电功率以及所述输入至部署有基于自适应控制的风电场无功电压控制算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以基于自适应控制的风电场无功电压控制算法对所述与电网连接的所有电用户在多个预定时间点的用电功率以及所述进行处理，以生成用于表示当前时间点的所述多个风力发电机应提供的无功电压值的解码值。
[0075]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限
制性实施例。
[0076]
示例性系统
[0077]
图2图示了根据本技术实施例的基于自适应控制的风电场无功电压控制系统的框图。如图2所示，根据本技术实施例的基于自适应控制的风电场无功电压控制系统200，包括：用电数据采集模块210，用于获取与电网连接的所有电用户在多个预定时间点的用电功率；供电数据采集模块220，用于获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值；用电数据结构化模块230，用于将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵；供电数据结构化模块240，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵；用电数据特征提取模块250，用于将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵；供电数据特征提取模块260，用于将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络以得到有功功率特征矩阵；差分模块270，用于计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵；特征分布校正模块280，用于基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及，无功控制结果生成模块290，用于将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。
[0078]
具体地，在本技术实施例中，所述用电数据采集模块210和所述供电数据采集模块220，用于获取与电网连接的所有电用户在多个预定时间点的用电功率，并获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值。如前所述，应可以理解，当进行大规模的风电场并网时，由于风速变化存在不确定性，输出到电网的有功功率将会引起并网点电压的变化波动，影响电网的稳定和正常运行，因此，需要风电机组主动发出无功功率用于补偿并网点的电压，保证并网点电压稳定在安全运行范围内。相应地，考虑到所述风电机组应提供的无功功率值可以根据电用户的用电功率值与风力发电机的有功功率值之间的差值来确定，而又考虑到多个所述用电用户的用电功率和多个所述风力发电机的有功功率在时间维度和样本维度都有着隐藏的关联性，因此，在本技术的技术方案中，期望使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对其关联性特征进行深层的特征挖掘，进而在高维特征空间中来进行所述风电机组应提供的无功功率值预测，以确保风电场并网的稳定性。也就是，具体地，在本技术的技术方案中，首先，通过功率检测器分别获取与电网连接的所有电用户在多个预定时间点的用电功率以及与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值。
[0079]
具体地，在本技术实施例中，所述用电数据结构化模块230和所述供电数据结构化模块240，用于将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵，并将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵。应可以理解，考虑到对于所述所有电用户在多个预定时间点的用电功率以及所述多个风力发电机在所述多个预定时间点输出的有功功率值来说，其在时间维度上和样本维度上都具有着关联信息。例如，对于所述所有电用户在多个预定时间点的用电功率，
所述所有电用户在每天的某个时间段都会存在着特殊的隐含规律，并且各个所述电用户之间的用电功率之间也存在着某种隐性的联系；而对于所述多个风力发电机在所述多个预定时间点输出的有功功率值，所述多个风力发电机的有功功率值在每天的某个时间段也有着特殊的隐性联系，如夜里和凌晨会由于风速的增大而使得所述有功功率值增大，并且所述多个风力发电机的有功功率值之间也会有着相互的影响。
[0080]
因此，在本技术的技术方案中，为了能够充分地挖掘出这种隐含的规律特征信息来提高分类的准确性，进一步将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵，并将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵。
[0081]
更具体地，在本技术实施例中，所述用电数据结构化模块，包括：电用户时间维度排序单元，用于将所述与所述电网连接的所有电用户在多个预定时间点的用电功率按照所述时间维度分别排列为行向量以得到多个电用户行向量；以及，电用户样本维度排序单元，用于将所述多个电用户行向量按照所述电用户样本维度排列为所述用电输入矩阵。
[0082]
更具体地，在本技术实施例中，所述供电数据结构化模块，包括：风力发电机时间维度排序单元，用于将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照所述时间维度分别排列为行向量以得到多个发电机行向量；以及，风力发电机样本维度排序单元，用于将所述多个发电机行向量按照所述风力发电机样本维度排列为所述有功功率输入矩阵。
[0083]
具体地，在本技术实施例中，所述用电数据特征提取模块250和所述供电数据特征提取模块260，用于将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵，并将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络以得到有功功率特征矩阵。也就是，在本技术的技术方案中，进一步地，使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来对于所述用电输入矩阵和所述有功功率输入矩阵分别进行关联性的深层特征挖掘，以提取出所述所有电用户的用电功率以及所述多个风力发电机的有功功率值在时间和样本维度上的隐含关联特征分布，从而得到用电特征矩阵和有功功率特征矩阵。
[0084]
更具体地，在本技术实施例中，所述用电数据特征提取模块，进一步用于：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述用电特征矩阵，所述作为特征提取器的第一卷积神经网络的第一层的输入为所述用电输入矩阵。
[0085]
更具体地，在本技术实施例中，所述供电数据特征提取模块，进一步用于：所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述有功功率特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述有功功率输入矩阵。
[0086]
具体地，在本技术实施例中，所述差分模块270，用于计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵。应可以理解，考虑到由于当进行大规模的风电场并网时，由于风速变化存在不确定性，输出到电网的有功功率将会引起并网点电压的变化波动，在本技术的技术方案中，风电机组将主动发出无功功率用于补偿并网点的电压，保证并网点电压稳定在安全运行范围内。因此，为了对于当前时间点的所述多个风力发电机应提供的无功电压值进行准确地回归，进一步计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵来表征所述电用户的用电功率需求特征与当前时间点的所述风力发电机输出的有功功率供给特征的差值特征，进而表征出所述多个风力发电机应提供的无功电压特征信息。
[0087]
更具体地，在本技术实施例中，所述差分模块，进一步用于：以如下公式计算所述用电特征矩阵与所述有功功率特征矩阵之间的所述差分特征矩阵；
[0088]
其中，所述公式为：
[0089][0090]
其中m1表示所述用电特征矩阵，m2表示所述有功功率特征矩阵，m表示所述差分特征矩阵，表示按位置减法。
[0091]
具体地，在本技术实施例中，所述特征分布校正模块280，用于基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵。应可以理解，在计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵时，由于所述电用户的用电功率数据和所述风力发电机输出的有功功率数据在源数据上存在分布差异，使得通过所述作为特征提取器的卷积神经网络提取到的高维特征存在分布不对齐的情况，导致所述差分特征矩阵在回归时的拟合度差。因此，在本技术的技术方案中，进一步对所述差分特征矩阵进行自适应实例的信息统计归一化。
[0092]
更具体地，在本技术实施例中，所述特征分布校正模块，进一步用于：基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，以如下公式对所述差分特征矩阵中各个位置的特征值进行校正以得到所述校正后差分特征矩阵；
[0093]
其中，所述公式为：
[0094][0095]
其中m
i，j
是所述差分特征矩阵的各个位置的特征值，μ和σ是所述差分特征矩阵的各个位置的特征值集合的均值和方差，且w和h是所述差分特征矩阵的宽度和高度。α为超参数。应可以理解，这里，将所述差分特征矩阵的特征值集合作为自适应实例，使用其统计特征的本质内在先验信息来对单个特征值进行动态生成式的信息归一化，并且，通过以特征集合的归一化模长信息作为偏置，可以得到集合分布域内的不变性描述，这样，就实现了尽可能屏蔽特殊实例的扰动分布的特征优化，提升了所述差分特征矩阵的回归拟合度，进而提高了回归结果的准确性。
[0096]
具体地，在本技术实施例中，所述无功控制结果生成模块290，用于将所述校正后
差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。也就是，在一个具体示例中，使用所述解码器以如下公式对所述校正后差分特征矩阵进行解码回归以获得所述解码值，所述公式为：其中x是所述校正后差分特征矩阵，y是所述解码值，w是权重矩阵，b是偏置向量，表示矩阵乘。
[0097]
综上，基于本技术实施例的所述基于自适应控制的风电场无功电压控制系统200被阐明，其采用人工智能的预测控制技术，利用基于深度学习的卷积神经网络模型作为特征提取器来对于与电网连接的所有电用户在多个预定时间点的用电功率以及多个风力发电机在所述多个预定时间点输出的有功功率值进行时间和样本维度上的隐含关联特征提取，进一步再将所述所有电用户的用电功率在时间和样本上的隐含关联特征与所述多个风力发电机的有功功率值在时间和样本上的隐含关联特征进行差分，进而在高维特征空间中来进行所述多个风力发电机应提供的无功电压值的预测。这样，能够保证预测的准确性，确保了风电场并网的稳定性。
[0098]
如上所述，根据本技术实施例的基于自适应控制的风电场无功电压控制系统200可以实现在各种终端设备中，例如基于自适应控制的风电场无功电压控制算法的服务器等。在一个示例中，根据本技术实施例的基于自适应控制的风电场无功电压控制系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于自适应控制的风电场无功电压控制系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于自适应控制的风电场无功电压控制系统200同样可以是该终端设备的众多硬件模块之一。
[0099]
替换地，在另一示例中，该基于自适应控制的风电场无功电压控制系统200与该终端设备也可以是分立的设备，并且该基于自适应控制的风电场无功电压控制系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0100]
示例性方法
[0101]
图3图示了基于自适应控制的风电场无功电压控制方法的流程图。如图3所示，根据本技术实施例的基于自适应控制的风电场无功电压控制方法，包括步骤：s110，获取与电网连接的所有电用户在多个预定时间点的用电功率；s120，获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值；s130，将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵；s140，将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵；s150，将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵；s160，将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络以得到有功功率特征矩阵；s170，计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵；s180，基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及，s190，将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。
[0102]
图4图示了根据本技术实施例的基于自适应控制的风电场无功电压控制方法的架
构示意图。如图4所示，在所述基于自适应控制的风电场无功电压控制方法的网络架构中，首先，将获得的所述与电网连接的所有电用户在多个预定时间点的用电功率(例如，如图4中所示意的p1)按照时间维度和电用户样本维度排列为用电输入矩阵(例如，如图4中所示意的m1)；接着，将获得的所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值(例如，如图4中所示意的p2)按照时间维度和风力发电机样本维度排列为有功功率输入矩阵(例如，如图4中所示意的m2)；然后，将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络(例如，如图4中所示意的cnn1)以得到用电特征矩阵(例如，如图4中所示意的mf1)；接着，将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络(例如，如图4中所示意的cnn2)以得到有功功率特征矩阵(例如，如图4中所示意的mf2)；然后，计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵(例如，如图4中所示意的mc1)；接着，基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵(例如，如图4中所示意的mc2)；以及，最后，将所述校正后差分特征矩阵通过解码器(例如，如图4中所示意的d)进行解码回归以得到解码值(例如，如图4中所示意的q)，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。
[0103]
更具体地，在步骤s110和步骤s120中，获取与电网连接的所有电用户在多个预定时间点的用电功率，并获取与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值。应可以理解，当进行大规模的风电场并网时，由于风速变化存在不确定性，输出到电网的有功功率将会引起并网点电压的变化波动，影响电网的稳定和正常运行，因此，需要风电机组主动发出无功功率用于补偿并网点的电压，保证并网点电压稳定在安全运行范围内。相应地，考虑到所述风电机组应提供的无功功率值可以根据电用户的用电功率值与风力发电机的有功功率值之间的差值来确定，而又考虑到多个所述用电用户的用电功率和多个所述风力发电机的有功功率在时间维度和样本维度都有着隐藏的关联性，因此，在本技术的技术方案中，期望使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对其关联性特征进行深层的特征挖掘，进而在高维特征空间中来进行所述风电机组应提供的无功功率值预测，以确保风电场并网的稳定性。也就是，具体地，在本技术的技术方案中，首先，通过功率检测器分别获取与电网连接的所有电用户在多个预定时间点的用电功率以及与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值。
[0104]
更具体地，在步骤s130和步骤s140中，将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵，并将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵。应可以理解，考虑到对于所述所有电用户在多个预定时间点的用电功率以及所述多个风力发电机在所述多个预定时间点输出的有功功率值来说，其在时间维度上和样本维度上都具有着关联信息。例如，对于所述所有电用户在多个预定时间点的用电功率，所述所有电用户在每天的某个时间段都会存在着特殊的隐含规律，并且各个所述电用户之间的用电功率之间也存在着某种隐性的联系；而对于所述多个风力发电机在所述多个预定时间点输出的有功功率值，所述多个风力发电机的有功功率值在每天的某个时间段也有着特殊的隐性联系，如夜里和凌晨会由于风速的增大而使
得所述有功功率值增大，并且所述多个风力发电机的有功功率值之间也会有着相互的影响。
[0105]
因此，在本技术的技术方案中，为了能够充分地挖掘出这种隐含的规律特征信息来提高分类的准确性，进一步将所述与电网连接的所有电用户在多个预定时间点的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵，并将所述与所述电网连接的多个风力发电机在所述多个预定时间点输出的有功功率值按照时间维度和风力发电机样本维度排列为有功功率输入矩阵。
[0106]
更具体地，在步骤s150和步骤s160中，将所述用电输入矩阵通过作为特征提取器的第一卷积神经网络以得到用电特征矩阵，并将所述有功功率输入矩阵通过作为特征提取器的第二卷积神经网络以得到有功功率特征矩阵。也就是，在本技术的技术方案中，进一步地，使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来对于所述用电输入矩阵和所述有功功率输入矩阵分别进行关联性的深层特征挖掘，以提取出所述所有电用户的用电功率以及所述多个风力发电机的有功功率值在时间和样本维度上的隐含关联特征分布，从而得到用电特征矩阵和有功功率特征矩阵。
[0107]
更具体地，在步骤s170中，计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵。应可以理解，考虑到由于当进行大规模的风电场并网时，由于风速变化存在不确定性，输出到电网的有功功率将会引起并网点电压的变化波动，在本技术的技术方案中，风电机组将主动发出无功功率用于补偿并网点的电压，保证并网点电压稳定在安全运行范围内。因此，为了对于当前时间点的所述多个风力发电机应提供的无功电压值进行准确地回归，进一步计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵来表征所述电用户的用电功率需求特征与当前时间点的所述风力发电机输出的有功功率供给特征的差值特征，进而表征出所述多个风力发电机应提供的无功电压特征信息。
[0108]
更具体地，在步骤s180中，基于所述差分特征矩阵中所有位置的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵。应可以理解，在计算所述用电特征矩阵与所述有功功率特征矩阵之间的差分特征矩阵时，由于所述电用户的用电功率数据和所述风力发电机输出的有功功率数据在源数据上存在分布差异，使得通过所述作为特征提取器的卷积神经网络提取到的高维特征存在分布不对齐的情况，导致所述差分特征矩阵在回归时的拟合度差。因此，在本技术的技术方案中，进一步对所述差分特征矩阵进行自适应实例的信息统计归一化。
[0109]
应可以理解，这里，将所述差分特征矩阵的特征值集合作为自适应实例，使用其统计特征的本质内在先验信息来对单个特征值进行动态生成式的信息归一化，并且，通过以特征集合的归一化模长信息作为偏置，可以得到集合分布域内的不变性描述，这样，就实现了尽可能屏蔽特殊实例的扰动分布的特征优化，提升了所述差分特征矩阵的回归拟合度，进而提高了回归结果的准确性。
[0110]
更具体地，在步骤s190中，将所述校正后差分特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的所述多个风力发电机应提供的无功电压值。
[0111]
综上，基于本技术实施例的所述基于自适应控制的风电场无功电压控制方法被阐明，其采用人工智能的预测控制技术，利用基于深度学习的卷积神经网络模型作为特征提
取器来对于与电网连接的所有电用户在多个预定时间点的用电功率以及多个风力发电机在所述多个预定时间点输出的有功功率值进行时间和样本维度上的隐含关联特征提取，进一步再将所述所有电用户的用电功率在时间和样本上的隐含关联特征与所述多个风力发电机的有功功率值在时间和样本上的隐含关联特征进行差分，进而在高维特征空间中来进行所述多个风力发电机应提供的无功电压值的预测。这样，能够保证预测的准确性，确保了风电场并网的稳定性。
[0112]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0113]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0114]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0115]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0116]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。