风电场能量管理系统及其方法与流程

技术特征：
1.一种风电场能量管理系统，其特征在于，包括：下发能量目标值采集模块，用于获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值；电用户数据采集模块，用于获取所述多个预定时间点的与电网连接的所有电用户的用电功率值；能量目标值时序编码模块，用于将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量；电用户数据结构化模块，用于将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵；用电数据局部关联编码模块，用于将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图；用电数据全局关联编码模块，用于将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图；融合模块，用于融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图；校正模块，用于对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图；全局均值池化模块，用于对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵；映射模块，用于将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量；以及预测结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。2.根据权利要求1所述的风电场能量管理系统，其特征在于，所述能量目标值时序编码模块，包括：输入向量构造单元，用于将所述多个预定时间点的网调下发给风电场的能量目标值按照时间维度排列为输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部
向量矩阵，w为卷积核的尺寸，x表示所述输入向量。3.根据权利要求2所述的风电场能量管理系统，其特征在于，所述电用户数据结构化模块，包括：时间维度排列单元，用于将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照所述时间维度分别排列为行向量以得到多个行向量；以及样本维度排列单元，用于将所述多个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。4.根据权利要求3所述的风电场能量管理系统，其特征在于，所述用电数据局部关联编码模块，进一步用于：所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行：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均值池化处理以得到池化特征图；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卷积神经网络的最后一层的输出为所述用电局部关联特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述用电输入矩阵。5.根据权利要求4所述的风电场能量管理系统，其特征在于，所述用电数据全局关联编码模块，包括：点卷积单元，用于将所述用电局部关联特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；通道数调整单元，用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；以及第三融合单元，用于计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述用电全局关联特征图。6.根据权利要求5所述的风电场能量管理系统，其特征在于，所述融合模块，进一步用于：以如下公式融合所述用电局部关联特征图和所述用电全局关联特征图以得到所述用电特征图；其中，所述公式为：其中，f
s
为所述用电特征图，f1为所述用电局部关联特征图，f2为所述用电全局关联特征图，表示特征图的按位置加法，α和β为用于控制所述用电特征图中所述用电局部关联特征图和所述用电全局关联特征图之间的平衡的加权参数。
7.根据权利要求6所述的风电场能量管理系统，其特征在于，所述校正模块，进一步用于：以如下公式对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到所述校正后用电特征图；其中，所述公式为：其中，v表示所述用电特征图的各个沿通道维度的特征向量，v
max-1
表示所述用电特征图的各个沿通道维度的特征向量的最大特征值的倒数，
⊙
表示按位置点乘。8.根据权利要求7所述的风电场能量管理系统，其特征在于，所述预测结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|x}，其中，w1到w
n
为权重矩阵，b1到b
n
为偏置向量，x为所述分类特征向量。9.一种风电场能量管理方法，其特征在于，包括：获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值；获取所述多个预定时间点的与电网连接的所有电用户的用电功率值；将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量；将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵；将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图；将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图；融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图；对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图；对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵；将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。10.根据权利要求9所述的风电场能量管理方法，其特征在于，所述对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图，包括：以如下公式对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到所述校正后用电特征图；其中，所述公式为：其中，v表示所述用电特征图的各个沿通道维度的特征向量，v
max-1
表示所述用电特征图的各个沿通道维度的特征向量的最大特征值的倒数，
⊙
表示按位置点乘。

技术总结
本申请涉及风电场智能管理的领域，其具体地公开了一种风电场能量管理系统及其方法，其通过采用人工智能预测管理技术，将包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值以及与电网连接的所有电用户的用电功率值作为输入数据，使用深度神经网络模型作为特征提取器，从而挖掘出所述网调下发给风电场的能量目标值以及所述所有电用户的用电功率值在时序维度上的动态隐含关联特征，并基于这种特征信息来进行下一时间点网调下发给风电场的能量目标值变化的调控，进而保证电力系统的稳定运行。电力系统的稳定运行。电力系统的稳定运行。


技术研发人员：单大勇 葛鎣 张建新 田柏全 安琪 蔡俊龙 李景伟 陈德彬 任玉廷 于波
受保护的技术使用者：北京华能新锐控制技术有限公司
技术研发日：2022.08.29
技术公布日：2022/11/29