一种基于深度学习的微电网调度方法及系统技术方案

本发明专利技术提供一种基于深度学习的微电网调度方法及系统，所述方法应用于微电网调度系统，所述系统包括服务器、深度学习模型和数据传输模块，所述服务器设有数据采集模块和数据过滤模块，所述数据采集模块用于采集微电网中的分布式电源数据、储能装置数据和能量转换装置数据，所述数据过滤模块用于过滤超过设定安全电源阈值的分布式电源数据、超过设定安全储能阈值的储能装置数据和超过设定安全转换阈值的能量转换装置数据，本发明专利技术方法能够保证微电网的平稳运行，降低微电网与大电网并网时的故障率，从而减轻大电网的压力。从而减轻大电网的压力。从而减轻大电网的压力。

【技术实现步骤摘要】
一种基于深度学习的微电网调度方法及系统


[0001]本专利技术涉及微电网调度
，尤其涉及一种基于深度学习的微电网调度方法及系统。

技术介绍

[0002]微电网是指由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统。微电网中的电源多为容量较小的分布式电源，即含有电力电子接口的小型机组，包括微型燃气轮机、燃料电池、光伏电池、小型风力发电机组以及超级电容、飞轮及蓄电池等储能装置。现有技术中，微电网与大电网进行并网时仅是通过人为经验进行调整，缺少深度学习方面的优化，如果不对二者进行安全约束则会影响微电网和大电网之间的平稳运行。

技术实现思路

[0003]鉴以此，本专利技术的目的在于提供一种基于深度学习的微电网调度方法及系统，以至少解决以上问题。
[0004]本专利技术采用的技术方案如下：
[0005]本专利技术的第一方面提出一种基于深度学习的微电网调度方法，应用于微电网调度系统，所述系统包括服务器、深度学习模型和数据传输模块，所述服务器设有数据采集模块和数据过滤模块，所述数据采集模块用于采集微电网中的分布式电源数据、储能装置数据和能量转换装置数据，所述数据过滤模块用于过滤超过设定安全电源阈值的分布式电源数据、超过设定安全储能阈值的储能装置数据和超过设定安全转换阈值的能量转换装置数据，所述方法包括以下步骤：
[0006]S1、服务器通过数据传输模块与深度学习模型建立起数据连接；
[0007]S2、深度学习模型分别将超过设定安全电源阈值的分布式电源数据、超过设定安全储能阈值的储能装置数据和超过设定安全转换阈值的能量转换装置数据进行标注为第一模块、第二模块和第三模块；
[0008]S3、深度学习模型分别将第一模块、第二模块和第三模块与深度学习模型中的第一安全方案、第二安全方案和第三安全方案进行匹配，如果匹配成功，则发送到服务器，并且将该模块进行冻结；
[0009]S4、深度学习模型将冻结的模块作为参数进行训练学习，通过训练学习将冻结的模块进行分解，并且将分解的模块重新与第一安全方案、第二安全方案和第三安全方案进行匹配；
[0010]S5、如果深度学习模型无法将冻结的模块进行分解，则触发深度学习模型的第四安全方案。
[0011]进一步的，在步骤S1中，服务器通过数据传输模块与深度学习模型建立起数据连接时，数据传输模块通过非对称加密算法来对传输的数据进行安全保护。
[0012]进一步的，在步骤S2中，超过设定安全电源阈值的分布式电源数据具体为:
[0013]通过设定保证微电网平稳运行的安全电源阈值数据作为标准，所述安全电源阈值数据包括分布式电源的负载电源、分布式电源的位置信息以及分布式电源的类型；
[0014]超过设定安全储能阈值的储能装置数据具体为：
[0015]通过设定保证微电网平稳运行的安全储能阈值数据作为标准，所述安全储能阈值数据包括分布式电源的发电电压质量和发电频率质量；
[0016]超过设定安全转换阈值的能量转换装置数据具体为：
[0017]通过设定保证微电网平稳运行的安全储能阈值数据作为标准，所述安全储能阈值数据包括分布式电源的充电和放电。
[0018]进一步的，在步骤S3中，深度学习模型分别将第一模块、第二模块和第三模块与深度学习模型中的第一安全方案、第二安全方案和第三安全方案进行匹配，如果匹配成功，则发送到服务器，并且将该模块进行冻结具体为：
[0019]深度学习模型将分布式电源的负载电源、分布式电源的位置信息以及分布式电源的类型与第一安全方案中的设定的负载电源标准进行匹配，如果匹配成功，则服务器获取分布式电源的位置信息以及分布式电源的类型并且按照负载电源标准进行分布式电源的调整；
[0020]深度学习模型将分布式电源的发电电压质量和发电频率质量与第二安全方案中设定的分布式电源的发电电压质量标准和发电频率质量标准进行匹配，如果匹配成功，则服务器按照发电电压质量标准和发电频率质量标准对分布式电源的电压和频率进行调整；
[0021]深度学习模型将分布式电源的充电和放电与第三安全方案中的设定的分布式电源的充电标准和放电标准进行匹配，如果匹配成功，则服务器按照分布式电源的充电标准和放电标准对分布式电源的充电和放电进行调整。
[0022]进一步的，在步骤S4中，深度学习模型将冻结的模块作为参数进行训练学习，通过训练学习将冻结的模块进行分解，并且将分解的模块重新与第一安全方案、第二安全方案和第三安全方案进行匹配具体为：
[0023]深度学习模型将超过负载电源标准、发电电压质量标准、发电频率质量标准、充电标准和放电标准的数据部分进行冻结，深度学习模型将超过负载电源标准、发电电压质量标准、发电频率质量标准、充电标准和放电标准的数据部分作为参数进行训练学习，通过训练学习将冻结的数据进行分解并且与第一安全方案、第二安全方案和第三安全方案进行匹配。
[0024]进一步的，在步骤S5中，如果深度学习模型无法将冻结的模块进行分解，则触发深度学习模型的第四安全方案具体为：
[0025]如果训练学习模型将冻结的数据部分进行分解出来的数据还超过负载电源标准、发电电压质量标准、发电频率质量标准、充电标准和放电标准，则触发深度学习模型的第四安全方案。
[0026]本专利技术的第二方面提出一种基于深度学习的微电网调度系统，其特征在于，所述系统用于执行上述方法，所述系统包括服务器、深度学习模型和数据传输模块，所述服务器设有数据采集模块和数据过滤模块，所述数据采集模块用于采集微电网中的分布式电源数据、储能装置数据和能量转换装置数据，所述数据过滤模块用于过滤超过设定安全电源阈
值的分布式电源数据、超过设定安全储能阈值的储能装置数据和超过设定安全转换阈值的能量转换装置数据。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]1、本专利技术方法能够保证微电网的平稳运行，降低微电网与大电网并网时的故障率，从而减轻大电网的压力。
[0029]2、本专利技术能够实现对分布式能源的高可靠供给，能够帮助传统电网向智能电网过渡。
附图说明
[0030]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中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本专利技术的优选实施例，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其他的附图。
[0031]图1是本专利技术实施例提供的一种基于深度学习的微电网调度方法整体结构流程示意图。
具体实施方式
[0032]以下结合附图对本专利技术的原理和特征进行描述，所列举实施例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0033]参照图1，本专利技术的第一方面提出一种基于深度学习的微电网调度方法，应用于微电网调度系统，所述系统包括服务器、深度学习模型和数据传输模块，所述服务器设有数据采集模块和数据过滤模块，所述数据采集模块用于采集微本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的微电网调度方法，应用于微电网调度系统，所述系统包括服务器、深度学习模型和数据传输模块，所述服务器设有数据采集模块和数据过滤模块，所述数据采集模块用于采集微电网中的分布式电源数据、储能装置数据和能量转换装置数据，所述数据过滤模块用于过滤超过设定安全电源阈值的分布式电源数据、超过设定安全储能阈值的储能装置数据和超过设定安全转换阈值的能量转换装置数据，所述方法包括以下步骤：S1、服务器通过数据传输模块与深度学习模型建立起数据连接；S2、深度学习模型分别将超过设定安全电源阈值的分布式电源数据、超过设定安全储能阈值的储能装置数据和超过设定安全转换阈值的能量转换装置数据进行标注为第一模块、第二模块和第三模块；S3、深度学习模型分别将第一模块、第二模块和第三模块与深度学习模型中的第一安全方案、第二安全方案和第三安全方案进行匹配，如果匹配成功，则发送到服务器，并且将该模块进行冻结；S4、深度学习模型将冻结的模块作为参数进行训练学习，通过训练学习将冻结的模块进行分解，并且将分解的模块重新与第一安全方案、第二安全方案和第三安全方案进行匹配；S5、如果深度学习模型无法将冻结的模块进行分解，则触发深度学习模型的第四安全方案。2.根据权利要求1所述的一种基于深度学习的微电网调度方法，其特征在于，在步骤S1中，服务器通过数据传输模块与深度学习模型建立起数据连接时，数据传输模块通过非对称加密算法来对传输的数据进行安全保护。3.根据权利要求1所述的一种基于深度学习的微电网调度方法及系统，其特征在于，在步骤S2中，超过设定安全电源阈值的分布式电源数据具体为:通过设定保证微电网平稳运行的安全电源阈值数据作为标准，所述安全电源阈值数据包括分布式电源的负载电源、分布式电源的位置信息以及分布式电源的类型；超过设定安全储能阈值的储能装置数据具体为：通过设定保证微电网平稳运行的安全储能阈值数据作为标准，所述安全储能阈值数据包括分布式电源的发电电压质量和发电频率质量；超过设定安全转换阈值的能量转换装置数据具体为：通过设定保证微电网平稳运行的安全储能阈值数据作为标准，所述安全储能阈值数据包括分布式电源的充电和放电。4.根据权利要求3所述的一种基于深度学习的微电网调度方法及系统，其特征在于，在步骤S3中，深度学习模型分别将第一模块、第二模块和第三模块与深度学习模型中的第一安全方案、第二安全方案和第三安全方案进行匹配，如果匹配成功，则发送...

【专利技术属性】
技术研发人员：刘威，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：