[发明专利]用于控制利用可再生能源操作的发电系统的方法和设备

说明书

技术领域

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

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

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

在本方法的其它实施例中，学习系统由n个神经网络形成。

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。

神经网络特别适用于控制和调节技术系统，例如发电系统。

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。

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。

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。

n个神经网络可以具有相同的或不同的架构。

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(i-1)个神经网络的输出矢量，其中i∈[1,…,n]。

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。

在本方法的其它实施例中，n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。