一种风电厂储能电池能量转换系统的制作方法

1.本发明涉及电力储能技术领域，尤其涉及一种风电厂储能电池能量转换系统。


背景技术：

2.风电厂是指采用风力发电形式的电厂。风电厂在生产的过程中，风力发电的原理是比较简单的。在风力发电的过程中需要使用风力发电机，空气切入到风轮叶片中会产生阻力或者是升力。在这两种力的作用下，风机的叶片就好旋转起来，从而带动发电机产生电能。风能是可再生能源，同时也属于清洁能源。通过风能发电不仅可以减少能源的消耗，同时也会减少发电过程对环境的污染，同时将通过风能产生的电能存储至储能蓄电池中进行保存，但是，风力本身所具有的间歇性、随机性和不可控性也给风电的运营造成了一定的困难：风速的不确定性导致了输出功率的不确定，从而难以进行风力发电量的预测、控制和调度。因此，储能电池能量转换的控制在资源配置合理化以及优化能源的利用效率方面尤为重要；
3.现有的风电厂储能电池能量转换系统在控制过程中人工建模寻找参数，增加工作人员工作量，且无法直观地将性能情况反馈给工作人员查看，不方便工作人员分析；此外，现有的风电厂储能电池能量转换系统无法对各类系统日志信息进行采集，不方便现场采集，同时检索效率低下，为此，我们提出一种风电厂储能电池能量转换系统。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种风电厂储能电池能量转换系统。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种风电厂储能电池能量转换系统，包括控制平台、神经调控模块、损失优化模块、存储服务器、行为分析模块、告警反馈模块、显示模块以及检索模块；
7.其中，所述控制平台用于验证工作人员身份，并下发工作人员输入的操作指令；
8.所述神经调控模块用于构建调整神经网络以对该储能电池能量转换进行调控；
9.所述损失优化模块用于对调整神经网络损失值进行计算并对其进行优化调整；
10.所述存储服务器用于存储系统运行日志；
11.所述行为分析模块用于提取系统运行日志，并对其进行分析判断；
12.所述告警反馈模块用于对异常行为进行告警反馈；
13.所述显示模块用于显示该系统各项运行信息；
14.所述检索模块用于工作人员进行数据检索，并实时进行检索优化。
15.作为本发明的进一步方案，所述神经调控模块具体调控步骤如下：
16.步骤一：神经调控模块构建一组调整神经网络，并将采集到的储能电池运行信息传输至调整神经网络中，然后该调整神经网络对各组运行信息进行符值转换处理；
17.步骤二：对处理完成的各组运行信息通过max-min归一化方法转换至规定区间内，
并获取该储能电池在abc坐标系上的状态方程，之后计算电容中点和电网中性点之间的电压差，再通过变换矩阵将状态方程从abc坐标系转换到dq0坐标系以获取相对应的电池数学模型；
18.步骤三：调整神经网络将电网电压矢量的方向定为d轴方向，则d轴方向电流为有功电流，q轴方向电流为无功电流，之后调整神经网络对储能电池的有功电流以及无功电流进行实时采集，再通过软件锁相环以及电池数学模型使储能电池输出电流与外部电网电压同频同相，实现调控。
19.作为本发明的进一步方案，所述损失优化模块优化调整具体步骤如下：
20.步骤(1)：实时收集调整神经网络运行信息，并对该调整神经网络进行性能评估，即进行准确率、检出率和误报率评估，再对该调整神经网络进行损失计算，其损失计算具体公式如下：
21.fl(pi)＝-α(1-pi)
γ
log(pi)
ꢀꢀ
(1)
22.式中，pi表示预测值；α表示权重因子；γ表示聚焦参数；
23.步骤(2)：若该调整神经网络损失值不满足工作人员预设的目标值，则收集该调整神经网络多组检测信息，并从中选取一组检测信息作为验证数据，使用剩下的检测信息拟合一组测试模型，并用验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的调控能力进行计算，如此重复n次；
24.步骤(3)：初始化参数范围，并规定该测试模型学习率，同时列出所有可能的数据结果，对于每一组数据，选取任意一组子集作为测试集，其余子集作为训练集，并对训练集进行标准化处理，在通过处理后的训练集训练模型，之后通过训练后的测试模型对测试集进行检测，统计测试结果的均方根误差；
25.步骤(4)：同时将测试集更换为另一子集，再取剩余个子集作为训练集，再次统计均方根误差，直至对所有检测信息都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数，并将调整神经网络中原有参数替换为最优参数。
26.作为本发明的进一步方案，步骤(2)中所述均方根误差具体计算公式如下：
[0027][0028]
其中，e(yi)表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测样本总数；
[0029]
步骤(3)中所述标准化处理具体计算公式如下：
[0030][0031]
其中，x表示提出的特征参数；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。
[0032]
作为本发明的进一步方案，所述行为分析模块分析判断具体步骤如下：
[0033]
步骤ⅰ：在不同的存储服务器部署相关的日志采集插件或者通过syslog服务器获取不同设备中所记录的日志数据，并采集各组日志数据中工作人员在系统中的各类活动，
并记录工作人员在服务器所有行为活动；
[0034]
步骤ⅱ：使用logstash选择出满足工作人员预设要求的日志数据，将满足要求的日志数据处理为统一格式的日志数据，再将处理过后的日志数据发送至kafka进行存储；
[0035]
步骤ⅲ：之后再对存储在kafka中的系统日志数据进行提取，并顺序地对检测地日志数据执行相关处理操作，将日志数据中记录地用户操作行为与攻击者行为特征进行匹配分析，并将分析结果进行输出。
[0036]
作为本发明的进一步方案，所述检索模块具体检索优化步骤如下：
[0037]
步骤
①
：检索模块实时接收控制平台发出的检索指令，并记录工作人员检索的存储数据信息，若该条已经被多种查询条件所限制得到的存储数据被用户所查询，则判断该存储数据在未来较短时间内仍会被用户所再次访问，并将该存储数据存在缓存中以加快访问速度；
[0038]
步骤
②
：若该条已经被多种查询条件所限制得到的存储数据被用户所查询，则判断与其相似的查询条件的数据也会在较短时间内被访问，则将该部分数据一起进行加载计算；
[0039]
步骤
③
：之后通过多次不同的计算，将多次访问的查询条件与多次访问的日志数据存储在访问速度快一些的存储器中，将访问量少且不经使用到的查询条件与日志数据放置在访问速度慢但空间大的存储器中，加快数据的联合查询效率与数据的多维度计算。
[0040]
相比于现有技术，本发明的有益效果在于：
[0041]
1、本发明通过神经调控模块构建调整神经网络对储能电池机械能调控，同时损失优化模块实时收集调整神经网络运行信息，并对该调整神经网络进行性能评估，即进行准确率、检出率和误报率评估，再对该调整神经网络进行损失计算，若该调整神经网络损失值不满足工作人员预设的目标值，则构建并验证一组测试模型，并通过均方根误差对该测试模型的调控能力进行计算，之后初始化参数范围，并规定该测试模型学习率，同时列出所有可能的数据结果，对该测试模型进行训练后，再事用该测试模型对测试集进行检测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数，并将调整神经网络中原有参数替换为最优参数，无需人工建模寻找参数，减少工作人员工作量，提高参数寻找效率，且能够更加直观地将调整神经网络性能情况反馈给工作人员查看，方便工作人员分析；
[0042]
2、本发明通过行为分析模块在不同的存储服务器部署相关的日志采集插件或者通过syslog服务器获取不同设备中所记录的日志数据，并按照工作人员预设要求对各组日志数据进行筛选，并键器处理为统一格式的日志数据，并顺序地对检测地日志数据执行相关处理操作，将日志数据中记录地用户操作行为与攻击者行为特征进行匹配分析，并将分析结果进行输出，当存在异常行为时，告警反馈模块发出警告，同时检索模块对所存储的各组数据的时间局部性与空间局部性的两种策略进行优化查询，能够实现对各类系统日志信息进行采集，减少了需要带多种设备到现场对不同系统进行采集，给现场采集数据带来便利性，同时使检索效率大大提升，缩短工作人员检索等待时间。
附图说明
[0043]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0044]
图1为本发明提出的一种风电厂储能电池能量转换系统的系统框图。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0046]
实施例1
[0047]
参照图1，一种风电厂储能电池能量转换系统，包括控制平台、神经调控模块、损失优化模块、存储服务器、行为分析模块、告警反馈模块、显示模块以及检索模块。
[0048]
控制平台用于验证工作人员身份，并下发工作人员输入的操作指令。
[0049]
神经调控模块用于构建调整神经网络以对该储能电池能量转换进行调控。
[0050]
具体的，神经调控模块构建一组调整神经网络，并将采集到的储能电池运行信息传输至调整神经网络中，然后该调整神经网络对各组运行信息进行符值转换处理，对处理完成的各组运行信息通过max-min归一化方法转换至规定区间内，并获取该储能电池在abc坐标系上的状态方程，之后计算电容中点和电网中性点之间的电压差，再通过变换矩阵将状态方程从abc坐标系转换到dq0坐标系以获取相对应的电池数学模型，之后调整神经网络将电网电压矢量的方向定为d轴方向，则d轴方向电流为有功电流，q轴方向电流为无功电流，之后调整神经网络对储能电池的有功电流以及无功电流进行实时采集，再通过软件锁相环以及电池数学模型使储能电池输出电流与外部电网电压同频同相，实现调控。
[0051]
损失优化模块用于对调整神经网络损失值进行计算并对其进行优化调整。
[0052]
具体的，实时收集调整神经网络运行信息，并对该调整神经网络进行性能评估，即进行准确率、检出率和误报率评估，再对该调整神经网络进行损失计算，若该调整神经网络损失值不满足工作人员预设的目标值，则收集该调整神经网络多组检测信息，并从中选取一组检测信息作为验证数据，使用剩下的检测信息拟合一组测试模型，并用验证数据来验证测试模型的精度，并通过均方根误差对该测试模型的调控能力进行计算，如此重复n次，初始化参数范围，并规定该测试模型学习率，同时列出所有可能的数据结果，对于每一组数据，选取任意一组子集作为测试集，其余子集作为训练集，并对训练集进行标准化处理，在通过处理后的训练集训练模型，之后通过训练后的测试模型对测试集进行检测，统计测试结果的均方根误差，同时将测试集更换为另一子集，再取剩余个子集作为训练集，再次统计均方根误差，直至对所有检测信息都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数，并将调整神经网络中原有参数替换为最优参数。
[0053]
本实施例中，损失计算具体公式如下：
[0054]
fl(pi)＝-α(1-pi)
γ
log(pi)
ꢀꢀ
(1)
[0055]
式中，pi表示预测值；α表示权重因子；γ表示聚焦参数；
[0056]
均方根误差具体计算公式如下：
[0057][0058]
其中，e(yi)表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测样本
总数；
[0059]
标准化处理具体计算公式如下：
[0060][0061]
其中，x表示提出的特征参数；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。
[0062]
实施例2
[0063]
参照图1，一种风电厂储能电池能量转换系统，包括控制平台、神经调控模块、损失优化模块、存储服务器、行为分析模块、告警反馈模块、显示模块以及检索模块。
[0064]
存储服务器用于存储系统运行日志。
[0065]
行为分析模块用于提取系统运行日志，并对其进行分析判断。
[0066]
具体的，在不同的存储服务器部署相关的日志采集插件或者通过syslog服务器获取不同设备中所记录的日志数据，并采集各组日志数据中工作人员在系统中的各类活动，并记录工作人员在服务器所有行为活动，之后使用logstash选择出满足工作人员预设要求的日志数据，将满足要求的日志数据处理为统一格式的日志数据，再将处理过后的日志数据发送至kafka进行存储，最后再对存储在kafka中的系统日志数据进行提取，并顺序地对检测地日志数据执行相关处理操作，将日志数据中记录地用户操作行为与攻击者行为特征进行匹配分析，并将分析结果进行输出。
[0067]
告警反馈模块用于对异常行为进行告警反馈；显示模块用于显示该系统各项运行信息。
[0068]
检索模块用于工作人员进行数据检索，并实时进行检索优化。
[0069]
具体的，检索模块实时接收控制平台发出的检索指令，并记录工作人员检索的存储数据信息，若该条已经被多种查询条件所限制得到的存储数据被用户所查询，则判断该存储数据在未来较短时间内仍会被用户所再次访问，并将该存储数据存在缓存中以加快访问速度，若该条已经被多种查询条件所限制得到的存储数据被用户所查询，则判断与其相似的查询条件的数据也会在较短时间内被访问，则将该部分数据一起进行加载计算，之后通过多次不同的计算，将多次访问的查询条件与多次访问的日志数据存储在访问速度快一些的存储器中，将访问量少且不经使用到的查询条件与日志数据放置在访问速度慢但空间大的存储器中，加快数据的联合查询效率与数据的多维度计算。