一种直挂式SVG综合控制装置及其控制方法与流程

本发明涉及svg综合控制装置，尤其涉及一种直挂式svg综合控制装置及其控制方法。

背景技术：

1、在电力系统中，维持电压稳定和改善电力质量是非常重要的任务。传统上，无功功率调节是通过调节电力系统中的电容器或电感器来实现，但这种方式具有响应速度慢、调节精度低和占用空间大等缺点。为了克服传统无功补偿设备的局限性，静止无功发生器(static var generator，svg)被引入电力系统。svg是一种基于电力电子技术的设备，通过控制电力电子开关器件的通断状况，快速调节并控制无功功率的注入或吸收。这使得svg能够更有效地调节无功功率，提供更快的响应速度和更高的调节精度。

2、直挂式svg综合控制装置作为一种专门用于控制svg的设备，已经成为电力系统中重要的组成部分。该装置具备先进的控制算法和电力电子技术，可以根据电网的需求实时调节svg的无功功率输出。通过无功功率调节、谐波抑制、功率因数校正和电压调节等功能，直挂式svg综合控制装置能够提高电网的稳定性和可靠性，改善电力质量，减少谐波产生，降低线损和能耗。

3、在svg综合控制装置的实际使用过程中，现有svg综合控制装置在数据采集和处理方面通常依赖于传统的技术和方法，可能会造成数据延迟和失准，限制了实时性和精确度。在电网状态的预测方面，缺乏先进的机器学习算法支持，导致预测精度不高，可能会漏报或误报故障和过载等异常状态。此外，现有装置在控制策略的生成和优化方面缺乏智能化，不能实时响应电网的变化，难以实现多svg设备的协同控制，缺乏实时调整和反馈机制，导致系统反应迟缓，无法充分发挥svg设备的潜力，也增加了运维难度和成本。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的一种直挂式svg综合控制装置及其控制方法。

2、为了实现上述目的，本发明采用了如下技术方案：一种直挂式svg综合控制装置是由电网数据采集处理模块、电网状态预测模块、svg控制策略生成模块、svg协同控制模块、实时调整模块、结果反馈模块组成；

3、所述电网数据采集处理模块使用kafka实时处理框架采集包括电网数据的电网数据，使用spark进行数据清洗，获取清洗后电网数据；

4、所述电网状态预测模块基于清洗后电网数据，使用包括lstm、gru的机器学习算法，预测电网包括电缆故障、配电站过载的异常状态，获取电网状态预测信息；

5、所述svg控制策略生成模块根据电网状态预测信息，使用dqn强化学习算法生成svg控制策略；

6、所述svg协同控制模块将多个svg设备通过分布式算法连接在一起，根据所述svg控制策略进行优化，获取优化后svg协同控制结果；

7、所述实时调整模块根据优化后svg协同控制结果，调整svg控制策略，适应电网的实时状态，获取动态调整后的svg控制策略；

8、所述结果反馈模块根据动态调整后的svg控制策略进行实时反馈。

9、作为本发明的进一步方案，所述电网数据采集处理模块包括数据采集子模块、数据预处理子模块、数据存储子模块；

10、所述数据采集子模块使用kafka实时处理框架收集大规模的电网数据，所述数据预处理子模块使用spark进行数据清洗和格式转换，所述数据存储子模块将清洗后的数据存入hbase数据库中；

11、所述电网状态预测模块包括数据存储子模块、预测模型训练子模块、状态预测子模块；

12、所述数据存储子模块使用pca特征提取算法，提取用于电网状态预测的特征，所述预测模型训练子模块基于特征使用机器学习算法建立并训练电网状态预测模型，所述状态预测子模块利用训练好的电网状态预测模型预测电网未来的状态，作为电网状态预测信息。

13、作为本发明的进一步方案，所述svg控制策略生成模块包括环境模拟子模块、策略训练子模块、策略输出子模块；

14、所述环境模拟子模块创建电网模拟环境，用于训练强化学习模型，所述策略训练子模块在模拟环境中使用dqn强化学习算法训练svg控制策略，所述策略输出子模块输出训练完成的svg控制策略；

15、所述svg协同控制模块包括设备连接子模块、协同控制子模块、优化调节子模块；

16、所述设备连接子模块使用分布式连接算法连接多个svg设备，所述协同控制子模块根据svg控制策略让多个svg设备协同工作，所述优化调节子模块使用优化算法提升svg设备的调节功率。

17、作为本发明的进一步方案，所述实时调整模块包括实时监测子模块、动态调整子模块；

18、所述实时监测子模块实时监测电网的状态，发现状态变化，所述动态调整子模块使用卡尔曼滤波器算法，在发现状态变化时，动态调整svg控制策略；

19、所述结果反馈模块包括策略应用子模块、性能评估子模块、结果反馈子模块；

20、所述策略应用子模块将动态调整后的svg控制策略应用到svg设备上，所述性能评估子模块评估应用策略后svg设备的性能，所述结果反馈子模块将svg设备的性能反馈到电网数据采集处理模块，持续优化数据模型。

21、一种直挂式svg综合控制方法，包括以下步骤：

22、通过使用kafka和spark技术，进行电网数据的采集、清洗以及存储，得到清洗后电网数据；

23、依据所述清洗后电网数据，采用lstm和gru的机器学习算法进行电网状态的预测，获取电网状态预测信息；

24、基于所述电网状态预测信息，利用dqn强化学习算法生成svg控制策略，并进行优化，得到优化后的svg控制策略；

25、采用实时监测与卡尔曼滤波器算法调整所述优化后的svg控制策略，对其进行动态优化，生成动态调整后的svg控制策略；

26、基于所述动态调整后的svg控制策略，实施并评估svg设备的性能，并将评估结果反馈到电网数据采集处理模块，得到电网的性能评估报告。

27、作为本发明的进一步方案，通过使用kafka和spark技术，进行电网数据的采集、清洗以及存储，得到清洗后电网数据的步骤具体为：

28、采用数据采集子模块利用kafka实时处理框架收集大规模的电网数据，生成原始电网数据集；

29、利用数据预处理子模块，通过spark技术对所述原始电网数据集进行清洗和格式转换，生成预处理电网数据集；

30、数据存储子模块将所述预处理电网数据集存入hbase数据库。

31、作为本发明的进一步方案，依据所述清洗后电网数据，采用lstm和gru的机器学习算法进行电网状态的预测，获取电网状态预测信息的步骤具体为：

32、从预处理电网数据集中，利用pca特征提取算法，提取出关键特征数据，生成特征数据集；

33、预测模型训练子模块利用所述特征数据集，采用lstm、gru机器学习算法进行训练，形成电网状态预测模型；

34、状态预测子模块利用训练好的所述电网状态预测模型，预测电网未来的状态，得出电网状态预测信息。

35、作为本发明的进一步方案，基于所述电网状态预测信息，利用dqn强化学习算法生成svg控制策略，并进行优化，得到优化后的svg控制策略的步骤具体为：

36、环境模拟子模块创建电网模拟环境，为强化学习模型提供模拟场景；

37、策略训练子模块在所述模拟环境中，基于所述电网状态预测信息使用dqn强化学习算法训练svg控制策略，输出为初步svg控制策略；

38、设备连接子模块与协同控制子模块通过分布式算法连接和控制多个svg设备，然后根据初步svg控制策略进行优化，得出优化后的svg控制策略。

39、作为本发明的进一步方案，采用实时监测与卡尔曼滤波器算法调整所述优化后的svg控制策略，对其进行动态优化，生成动态调整后的svg控制策略的步骤具体为：

40、实时监测子模块实时检测电网的状态，并与所述电网状态预测信息进行比对，得到电网状态变化信息；

41、动态调整子模块在接收到所述电网状态变化信息后，利用卡尔曼滤波器算法对所述优化后的svg控制策略进行进一步的调整，输出为动态调整后的svg控制策略。

42、作为本发明的进一步方案，基于所述动态调整后的svg控制策略，实施并评估svg设备的性能，并将评估结果反馈到电网数据采集处理模块，得到电网的性能评估报告的步骤具体为：

43、策略应用子模块将所述动态调整后的svg控制策略实施到svg设备上，执行并得到执行结果数据；

44、策略应用子模块将所述动态调整后的svg控制策略实施到svg设备上，执行并得到执行结果数据；

45、结果反馈子模块将所述svg设备性能报告反馈到电网数据采集处理模块，为下一周期的数据模型优化提供依据。

46、与现有技术相比，本发明的优点和积极效果在于：

47、本发明中，通过kafka实时处理框架和spark，可以实时大规模地采集和处理电网数据，提高数据处理速度，同时确保数据质量，为后续模块提供精确的输入。采用lstm、gru深度学习算法不仅可以大幅度提升电网状态预测模块的准确度，还能够识别更加复杂的电网状态。利用dqn强化学习算法自动化地生成svg控制策略可以有效地平衡各个svg设备的负载情况，避免设备过载，提升设备使用寿命和效率。采用实时调整模块可以使系统在电网状态发生变化时，根据新的状态信息快速调整svg控制策略，提供系统的响应速度和稳定性。通过结果反馈模块可以实时评估和反馈svg设备的运行情况，使得控制策略能够针对实际运行情况进行优化，大幅提升svg设备的运行效率和寿命。